CN107612045A - 一种电厂机组发电量智能分配***及方法 - Google Patents
一种电厂机组发电量智能分配***及方法 Download PDFInfo
- Publication number
- CN107612045A CN107612045A CN201710927510.7A CN201710927510A CN107612045A CN 107612045 A CN107612045 A CN 107612045A CN 201710927510 A CN201710927510 A CN 201710927510A CN 107612045 A CN107612045 A CN 107612045A
- Authority
- CN
- China
- Prior art keywords
- load
- unit
- data
- full
- generated energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电厂电量分配优化***,包括:若干机组数据采集模块;对机组的数据进行采集;一数据采集处理模块;从各机组数据采集模块获得数据,使用深度学习方法对数据进行建模,获得不同条件下各机组的煤耗率;一数据库,用于存储数据采集处理模块的处理数据;一全厂机组负荷优化模块;接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;一全厂发电量自动控制模块;根据全厂机组负荷优化模块对全厂发电量的负荷进行分配。本发明还公开一种电厂电量分配优化方法。本发明根据各个机组所处环境与运行状况为各个机组合理分配负荷,在同等发电量情况下,降低煤耗,节能减排。
Description
技术领域
本发明涉及电力电网技术领域,具体涉及一种电厂机组发电量智能分配***及方法。
背景技术
目前电网公司对火电厂的调度主要采用AGC(Automatic Generation Control,机组自动发电控制)直调方式,即将调度指令发给每台机组,直接调度每台机组负荷;部分电网公司将电厂总负荷发给电厂,由电厂依据煤耗率为每台机组分配发电量,策略简单。
上述两种方式中,前者不能根据各台机组的煤耗率、脱硫效率、响应速率、调节范围、上网电价、运行工况等性能参数,自动、合理地进行全厂机组的优化组合和负荷分配,造成能源浪费及机组寿命减少;后者分配策略依据实验环境中人工测量煤耗数据,获得的数据粗略,同时面对电厂单台机组机、炉等设备故障或老化,不能实时更改分配策略,造成发电负荷的损失。
发明内容
本发明根据上述现有技术中存在的问题,提供一种电厂全厂发电量智能分配***及方法,能够根据各个机组所处环境与运行状况为各个机组合理分配负荷,在同等发电量情况下,降低煤耗,节能减排。
为解决上述问题,本发明采用的技术方案是:
一种电厂电量分配优化***,包括:
若干机组数据采集模块;对机组的数据进行采集;
一数据采集处理模块;从各机组数据采集模块获得数据,使用深度学习方法对数据进行建模,获得不同条件下各机组的煤耗率;
一数据库,用于存储数据采集处理模块的处理数据;
一全厂机组负荷优化模块;接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;
一全厂发电量自动控制模块;根据全厂机组负荷优化模块对全厂发电量的负荷进行分配;
所述机组数据采集模块的输出端连接数据采集处理模块,所述数据采集处理模块的输出端及连接全厂机组负荷优化模块,所述全厂机组负荷优化模块的输出端连接全厂发电量自动控制模块。
进一步地,所述数据库内部存储的数据包含用于实时存储当前各个机组的运行参数的当前机组状态数据库和按照设定的格式从当前机组数据库中获取机组数据,作为历史数据存储的历史数据库。
进一步地,所述接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配,具体包括:与机组数据采集模块交互,获得当前各机组数据,根据实时数据计算机组所处环境下的煤耗率;同时接收来自电网侧的全厂负荷总指令,根据不同机组限制条件建立约束函数;根据约束函数,使用蚁群算法寻找最优分配策略。
进一步地,所述约束函数包括:
当接收到电网侧的全厂负荷指令后,计算当前接收到的电网侧全厂负荷和上次接收到的电网侧的全厂负荷差值变化,当差值绝对值≤5MW则分配给当前机组负荷率最低的机组,绝对值≥5MW,优化算法分配多机组。
进一步地,所述机组的约束函数还包括:当前接收到的电网侧全厂负荷和上次接收到的电网侧的全厂负荷差值为正,一台机组当前分配负荷≥额定功率*0.9,则不增加此台机组负荷,分配给尚未达到满负荷90%的机组;当前接收到的电网侧全厂负荷和上次接收到的电网侧的全厂负荷差值为负,优先降低负荷值达到90%的机组。
进一步地,所述机组的约束函数还包括不同机组的分配速率,其中分配负荷在分配时间内速率应≤单台机组容量*1.5%MW/min。
进一步地,所述蚁群算法,包括以下步骤:
对各类型发电机组的发电量进行初始化;随机分配一个初始机组负荷,检测是否满足约束函数,不满足抛弃,重新生成初始值,直到满足;根据预设的机组负荷上限确定扰动区间,从扰动区间中选取一个数值作为适应度函数值;
将各类型发电机组的初始发电量更新,计算发电量差值;若差值与适应度函数值的和大于等于0,确定对应类型发电机组的发电量为新的发电量;若差值与适应度函数值的和小于0,确定对应类型发电机组的发电量为前次发电量;
计算发电总煤耗,遍历扰动区间,寻找最小煤耗值,以及对应的最优机组负荷分配量。
一种电厂机组发电量智能分配方法,包括以下步骤:
机组数据采集模块获取机组的数据;
数据采集处理模块接收机组数据采集模块传输的数据进行处理;
全厂机组负荷优化模块接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;
全厂发电量自动控制模块根据全厂机组负荷优化模块对全厂发电量负荷进行分配。
进一步地,所述数据采集处理模块接收机组数据采集模块传输的数据进行处理;具体包括:
对机组数据采集模块传送的机组数据进行预处理;
采用KERAS深度学习方法对预处理数据进行建模;
获取发电机组历史数据的关系模型。
进一步地,所述全厂机组负荷优化模块接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;具体包括:与机组数据采集模块交互,获得当前各机组数据,根据实时数据计算机组所处环境下的煤耗率;同时接收来自电网侧的全厂负荷总指令,根据不同机组限制条件建立约束函数;根据约束函数,使用蚁群算法寻找最优分配策略。
本发明的有益效果:
本发明通过数据采集处理模块,与全厂发电量自动控制模块连接,实时获取不同机组的运行数据并存入所管理的数据库中;在获取相当数量新数据后,使用改进深度学习方法更新模型;在模型中使用基于LSTM的递归神经网络,并尝试了多个激活函数,同时利用dropout,Batch Normalization等技术对模型进行了优化。全厂负荷优化分配模块在获取来自电网侧全厂负荷总指令后,采用优化分配策略,在不同机组约束函数的限制条件下,使用蚁群算法在是适应性区间内进行遍历为不同机组拟分配负荷,同时与数据采集处理模块进行交互,获取拟分配负荷下煤耗,计算所有机组煤耗总量,最优的为最佳分配负荷方案。通过能够根据各个机组所处环境与运行状况为各个机组合理分配负荷,在同等发电量情况下,降低煤耗,节能减排。
附图说明
图1为本发明提出的一种电厂电量分配优化***结构图;
图2为本发明提出的一种电厂电量分配优化方法流程图;
图3为本发明提出的采用深度学习方法深度学习的流程图;
图4为本发明提出的依据约束函数后分配发电负荷流程图。
具体实施方式
以下结合附图对本发明进行进一步地的说明。
参见图1至图4,其中图1为本发明提出的一种电厂电量分配优化***结构图;图2为本发明提出的一种电厂电量分配优化方法流程图;图3为本发明提出的采用深度学习方法深度学习的流程图;图4为本发明提出的依据约束函数后分配发电负荷流程图。
如图1所示,一种电厂电量分配优化***,包括:
若干机组数据采集模块101;对机组的数据进行采集;
一数据采集处理模块102;从各机组数据采集模块获得数据,使用深度学习方法对数据进行建模,获得不同条件下各机组的煤耗率;
一数据库103,用于存储数据采集处理模块的处理数据;
一全厂机组负荷优化模块104;接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;
一全厂发电量自动控制模块105;根据全厂机组负荷优化模块对全厂发电量的负荷进行分配;
所述机组数据采集模块101的输出端连接数据采集处理模块102,所述数据采集处理模块101的输出端连接全厂机组负荷优化模块104,所述全厂机组负荷优化模块104的输出端连接全厂发电量自动控制模块105。
数据采集处理模块,与全厂发电量自动控制模块连接,实时获取不同机组的运行数据并存入所管理的数据库中;在获取相当数量新数据后,使用改进深度学习方法更新模型;在模型中使用基于LSTM的递归神经网络,并尝试了多个激活函数,同时利用dropout,Batch Normalization等技术对模型进行了优化。由于实时获取的机组数据杂乱无章,一般只能参数改变时才会更新数据,因此需要对数据进行预处理,处理成与时间相关的完整数据,根据预定格式存储。
由于影响机组的外界条件过多,从过百AGC获取参数中,很多属性作用不大,采用的改进的深度学习方法,让有经验的专家对这些属性进行一次筛选,获取对煤耗模型影响特别大的参数,在学习过程中,为这些参数设定较大权值;同时通过主成分分析,对属性再筛选,选取可以帮助对模型精准度影响较大的属性;然后进行深度学习建模。
全厂负荷优化分配模块在获取来自电网侧全厂负荷总指令后,采用优化分配策略,在不同机组约束函数的限制条件下,使用蚁群算法在是适应性区间内进行遍历为不同机组拟分配负荷,同时与数据采集处理模块进行交互,获取拟分配负荷下煤耗,计算所有机组煤耗总量,最优的为最佳分配负荷方案。
所述数据库内部存储的数据包含用于实时存储当前各个机组的运行参数的当前机组状态数据库和按照设定的格式从当前机组数据库中获取机组数据,作为历史数据存储的历史数据库。
所述接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配,具体包括:与机组数据采集模块交互,获得当前各机组数据,根据实时数据计算机组所处环境下的煤耗率;同时接收来自电网侧的全厂负荷总指令,根据不同机组限制条件建立约束函数;根据约束函数,使用蚁群算法寻找最优分配策略。
全厂负荷优化模块通过约束函数对不同机组进行负荷优化分配:当接收到电网侧的全厂负荷指令后,计算当前接收到的电网侧全厂负荷和上次接收到的电网侧的全厂负荷差值变化,当差值绝对值≤5MW则分配给当前机组负荷率最低的机组,绝对值≥5MW,优化算法可尝试分配多机组。在分配过程中,考虑机组调节上下限,当前接收到的电网侧全厂负荷和上次接收到的电网侧的全厂负荷差值为正,一台机组当前分配负荷≥额定功率*0.9,则暂时不增加此台机组负荷,分配给尚未达到满负荷90%的机组;当前接收到的电网侧全厂负荷和上次接收到的电网侧的全厂负荷差值为负,优先降低负荷值达到90%的机组。分配过程中考虑不同机组的分配速率,需满足分配负荷在分配时间内速率≤单台机组容量*1.5%MW/min。
本发明实施例中采用的蚁群算法,包括以下步骤:
对各类型发电机组的发电量进行初始化;随机分配一个初始机组负荷,检测是否满足约束函数,不满足抛弃,重新生成初始值,直到满足;根据预设的机组负荷上限确定扰动区间,从扰动区间中选取一个数值作为适应度函数值;
将各类型发电机组的初始发电量更新,计算发电量差值;若差值与适应度函数值的和大于等于0,确定对应类型发电机组的发电量为新的发电量;若差值与适应度函数值的和小于0,确定对应类型发电机组的发电量为前次发电量;
计算发电总煤耗,遍历扰动区间,寻找最小煤耗值,以及对应的最优机组负荷分配量。
参见图2,本发明还提出一种电厂机组发电量智能分配方法,包括以下步骤:
步骤201,机组数据采集模块获取机组的数据;
步骤202,数据采集处理模块接收机组数据采集模块传输的数据进行处理;
步骤203,全厂机组负荷优化模块接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;
步骤204,全厂发电量自动控制模块根据全厂机组负荷优化模块对全厂发电量负荷进行分配。
其中,在步骤202中,所述数据采集处理模块接收机组数据采集模块传输的数据进行处理;具体包括:
对机组数据采集模块传送的机组数据进行预处理;
采用KERAS深度学习方法对预处理数据进行建模;
获取发电机组历史数据的关系模型。
在上述步骤203中,所述全厂机组负荷优化模块接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;具体包括:与机组数据采集模块交互,获得当前各机组数据,根据实时数据计算机组所处环境下的煤耗率;同时接收来自电网侧的全厂负荷总指令,根据不同机组限制条件建立约束函数;根据约束函数,使用蚁群算法寻找最优分配策略。
数据采集处理模块实时获取机组运行数据并存储,同时使用深度学习的方法对机组历史数据进行学习建模;全厂负荷优化分配模块,连接数据管理模块,通过深度学习建立的模型获取不同功率下的煤耗模型,输入为不同功率,输出为当前环境下煤耗率,并对全厂机组进行负荷分配优化。
参见图3,本发明方法中对不同发电机组历史数据采用改进的深度学习方法,具体过程如下:
获取电厂发电机组海量历史数据。此步骤数据数据采集处理模块从机组数据采集模块中获取机组的所有海量历史数据,对数据进行预处理,去除明显问题的异常数据;使用成熟的Keras深度学习框架对发电机组历史数据进行建模。Keras是基于Theano的一个深度学习框架,它的设计参考了Torch,用Python语言编写,是一个高度模块化的神经网络库,支持GPU和CPU,我们在这个框架上进行改进,适应电厂数据的超多属性以及数据记录可能出现的时间上的延迟现象;获取发电机组历史数据的关系模型。
参见图4,本发明中为电厂不同发电机组依据约束函数后分配发电负荷,对全场调度指令进行智能分配,在机组严苛限制条件下,获得最优的全场发电总煤耗。详细过程如下:
从电网发电量调度中心获得全长发电量总指令;根据当前分配机组个体情况,如额定功率、最低发电功率等,确定不同机组可分配发电量此参数的范围;通过随机编码给各个机组随机分配一个发电量初始值,初始值不一定是最优分配;生成一定数量包括电厂不同发电机组发电量的群体;通过电厂内部各位置传感器网络,实时获得各机组的实时测量数据;获得的实时测量数据导入对应的电厂机组数据关系模型,获得当前数据情况下实时数据计算估计的煤耗量;通过计算的煤耗量计算适应度,具体为煤耗量越低,适应度越高;对当前种群进行复制、变异、交叉;生成新的种群t+1;进入一个循环的判定,判断条件为符合了适应度的要求或者达到了指定的循环次数;对最优结果进行解码,得到两个机组的发电量分配;不符合判定要求,将新种群再次加入之前的循环;将发电量的分配结果发送到各个机组进行执行。
上面结合附图对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (10)
1.一种电厂电量分配优化***,包括:
若干机组数据采集模块;对机组的数据进行采集;
一数据采集处理模块;从各机组数据采集模块获得数据,使用深度学习方法对数据进行建模,获得不同条件下各机组的煤耗率;
一数据库,用于存储数据采集处理模块的处理数据;
一全厂机组负荷优化模块;接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;
一全厂发电量自动控制模块;根据全厂机组负荷优化模块对全厂发电量的负荷进行分配;
所述机组数据采集模块的输出端连接数据采集处理模块,所述数据采集处理模块的输出端及连接全厂机组负荷优化模块,所述全厂机组负荷优化模块的输出端连接全厂发电量自动控制模块。
2.根据权利要求1所述的一种电厂电量分配优化***,其特征在于,所述数据库内部存储的数据包含用于实时存储当前各个机组的运行参数的当前机组状态数据库和按照设定的格式从当前机组数据库中获取机组数据,作为历史数据存储的历史数据库。
3.根据权利要求1所述的一种电厂电量分配优化***,其特征在于,所述接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配,具体包括:与机组数据采集模块交互,获得当前各机组数据,根据实时数据计算机组所处环境下的煤耗率;同时接收来自电网侧的全厂负荷总指令,根据不同机组限制条件建立约束函数;根据约束函数,使用蚁群算法寻找最优分配策略。
4.根据权利要求3所述的一种电厂电量分配优化***,其特征在于,所述约束函数包括:
当接收到电网侧的全厂负荷指令后,计算当前接收到的电网侧全厂负荷和上次接收到的电网侧的全厂负荷差值变化,当差值绝对值≤5MW则分配给当前机组负荷率最低的机组,绝对值≥5MW,优化算法分配多机组。
5.根据权利要求3所述的一种电厂电量分配优化***,其特征在于,所述机组的约束函数还包括:当前接收到的电网侧全厂负荷和上次接收到的电网侧的全厂负荷差值为正,一台机组当前分配负荷≥额定功率*0.9,则不增加此台机组负荷,分配给尚未达到满负荷90%的机组;当前接收到的电网侧全厂负荷和上次接收到的电网侧的全厂负荷差值为负,优先降低负荷值达到90%的机组。
6.根据权利要求3所述的一种电厂电量分配优化***,其特征在于,所述机组的约束函数还包括不同机组的分配速率,其中分配负荷在分配时间内速率应≤单台机组容量*1.5%MW/min。
7.根据权利要求3所述的一种电厂电量分配优化***,其特征在于,所述蚁群算法,包括以下步骤:
对各类型发电机组的发电量进行初始化;随机分配一个初始机组负荷,检测是否满足约束函数,不满足抛弃,重新生成初始值,直到满足;根据预设的机组负荷上限确定扰动区间,从扰动区间中选取一个数值作为适应度函数值;
将各类型发电机组的初始发电量更新,计算发电量差值;若差值与适应度函数值的和大于等于0,确定对应类型发电机组的发电量为新的发电量;若差值与适应度函数值的和小于0,确定对应类型发电机组的发电量为前次发电量;
计算发电总煤耗,遍历扰动区间,寻找最小煤耗值,以及对应的最优机组负荷分配量。
8.一种电厂机组发电量智能分配方法,包括以下步骤:
机组数据采集模块获取机组的数据;
数据采集处理模块接收机组数据采集模块传输的数据进行处理;
全厂机组负荷优化模块接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;
全厂发电量自动控制模块根据全厂机组负荷优化模块对全厂发电量负荷进行分配。
9.根据权利要求8所述的一种电厂电量分配优化方法,其特征在于,所述数据采集处理模块接收机组数据采集模块传输的数据进行处理;具体包括:
对机组数据采集模块传送的机组数据进行预处理;
采用KERAS深度学习方法对预处理数据进行建模;
获取发电机组历史数据的关系模型。
10.根据权利要求8所述的一种电厂电量分配优化方法,其特征在于,所述全厂机组负荷优化模块接收数据采集处理模块,同时接收来自电网侧的全厂负荷总指令,对不同机组进行最优负荷分配;具体包括:与机组数据采集模块交互,获得当前各机组数据,根据实时数据计算机组所处环境下的煤耗率;同时接收来自电网侧的全厂负荷总指令,根据不同机组限制条件建立约束函数;根据约束函数,使用蚁群算法寻找最优分配策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710927510.7A CN107612045A (zh) | 2017-10-09 | 2017-10-09 | 一种电厂机组发电量智能分配***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710927510.7A CN107612045A (zh) | 2017-10-09 | 2017-10-09 | 一种电厂机组发电量智能分配***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107612045A true CN107612045A (zh) | 2018-01-19 |
Family
ID=61068970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710927510.7A Pending CN107612045A (zh) | 2017-10-09 | 2017-10-09 | 一种电厂机组发电量智能分配***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107612045A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264113A (zh) * | 2019-07-17 | 2019-09-20 | 深圳市智物联网络有限公司 | 一种沼气发电机组的负载分配方法、装置及相关设备 |
CN110543942A (zh) * | 2019-08-28 | 2019-12-06 | 广西大学 | 一种多时空长短记忆深度网络精准预测方法 |
CN111555363A (zh) * | 2020-04-09 | 2020-08-18 | 广西大学 | 大数据环境下基于深度学习的agc实时控制策略 |
CN113011724A (zh) * | 2021-03-04 | 2021-06-22 | 国家能源集团国源电力有限公司 | 机组负荷分配方法、装置及电子设备 |
CN114640137A (zh) * | 2021-12-03 | 2022-06-17 | 国家能源集团宁夏电力有限公司 | 实现区域煤电高效灵活调控的集群agc负荷分配方法及*** |
TWI811872B (zh) * | 2021-11-30 | 2023-08-11 | 國立成功大學 | 用於控制發電系統的控制裝置及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206754A (zh) * | 2006-12-21 | 2008-06-25 | 北京华电天仁电力控制技术有限公司 | 基于多种约束规则的火电厂厂级负荷优化分配方法 |
CN103138293A (zh) * | 2013-03-04 | 2013-06-05 | 中国神华能源股份有限公司 | 火电厂厂级负荷优化分配方法及*** |
CN104123593A (zh) * | 2014-07-16 | 2014-10-29 | 上海交通大学 | 基于煤耗特性曲线在线滚动更新的多模式负荷调度方法 |
CN104636821A (zh) * | 2015-01-19 | 2015-05-20 | 上海电力学院 | 基于动态惯性权重粒子群的火电机组负荷优化分配方法 |
CN104850908A (zh) * | 2015-05-22 | 2015-08-19 | 上海电力学院 | 基于混沌粒子群的火电机组负荷优化分配方法 |
CN106026080A (zh) * | 2016-05-23 | 2016-10-12 | 华北电力大学(保定) | 一种电厂发电量自动控制***和方法 |
CN106372756A (zh) * | 2016-09-07 | 2017-02-01 | 南京工程学院 | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 |
CN106873518A (zh) * | 2017-04-18 | 2017-06-20 | 国网冀北电力有限公司技能培训中心 | 一种环保火电机组*** |
-
2017
- 2017-10-09 CN CN201710927510.7A patent/CN107612045A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206754A (zh) * | 2006-12-21 | 2008-06-25 | 北京华电天仁电力控制技术有限公司 | 基于多种约束规则的火电厂厂级负荷优化分配方法 |
CN103138293A (zh) * | 2013-03-04 | 2013-06-05 | 中国神华能源股份有限公司 | 火电厂厂级负荷优化分配方法及*** |
CN104123593A (zh) * | 2014-07-16 | 2014-10-29 | 上海交通大学 | 基于煤耗特性曲线在线滚动更新的多模式负荷调度方法 |
CN104636821A (zh) * | 2015-01-19 | 2015-05-20 | 上海电力学院 | 基于动态惯性权重粒子群的火电机组负荷优化分配方法 |
CN104850908A (zh) * | 2015-05-22 | 2015-08-19 | 上海电力学院 | 基于混沌粒子群的火电机组负荷优化分配方法 |
CN106026080A (zh) * | 2016-05-23 | 2016-10-12 | 华北电力大学(保定) | 一种电厂发电量自动控制***和方法 |
CN106372756A (zh) * | 2016-09-07 | 2017-02-01 | 南京工程学院 | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 |
CN106873518A (zh) * | 2017-04-18 | 2017-06-20 | 国网冀北电力有限公司技能培训中心 | 一种环保火电机组*** |
Non-Patent Citations (3)
Title |
---|
付鹏 等: "基于信息物理融合的火电机组节能环保负荷优化分配", 《中国电机工程学报》 * |
增德良 等: "数据挖掘方法在实时厂级负荷优化分配中的应用", 《中国电机工程学报》 * |
李华威: "基于西藏电网下的多布水电厂AGC 的设计与应用", 《小水电》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264113A (zh) * | 2019-07-17 | 2019-09-20 | 深圳市智物联网络有限公司 | 一种沼气发电机组的负载分配方法、装置及相关设备 |
CN110543942A (zh) * | 2019-08-28 | 2019-12-06 | 广西大学 | 一种多时空长短记忆深度网络精准预测方法 |
CN111555363A (zh) * | 2020-04-09 | 2020-08-18 | 广西大学 | 大数据环境下基于深度学习的agc实时控制策略 |
CN113011724A (zh) * | 2021-03-04 | 2021-06-22 | 国家能源集团国源电力有限公司 | 机组负荷分配方法、装置及电子设备 |
TWI811872B (zh) * | 2021-11-30 | 2023-08-11 | 國立成功大學 | 用於控制發電系統的控制裝置及方法 |
CN114640137A (zh) * | 2021-12-03 | 2022-06-17 | 国家能源集团宁夏电力有限公司 | 实现区域煤电高效灵活调控的集群agc负荷分配方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107612045A (zh) | 一种电厂机组发电量智能分配***及方法 | |
CN107292766B (zh) | 面向风电消纳的电力***调峰手段经济性评估方法与*** | |
CN108695857B (zh) | 风电场自动电压控制方法、装置及*** | |
CN105515110B (zh) | 一种电动汽车有序充电实时控制*** | |
CN108039737B (zh) | 一种源网荷协调运行模拟*** | |
CN104537428B (zh) | 一种计及风电接入不确定性的经济运行评估方法 | |
CN110429649A (zh) | 考虑灵活性的高渗透率可再生能源集群划分方法 | |
CN109378863B (zh) | 权重与约束关联调整的电网实时发电控制优化决策方法 | |
CN108512258A (zh) | 一种基于改进多智能体一致性算法的风电场有功调度方法 | |
CN103595061A (zh) | 基于综合效益分析的企业电网无功优化方法及*** | |
CN113364055A (zh) | 一种源网荷储网络化协调频率控制方法 | |
CN105893714B (zh) | 基于大电网仿真***下的自动电压控制***闭环检测及评估方法 | |
CN106159998A (zh) | 可再生能源微电网优化调度*** | |
CN105305501B (zh) | 实时负荷变化下水电站多模式时空嵌套出力动态调整方法 | |
CN110323768A (zh) | 一种电化学储能电站功率分配方法及*** | |
CN113487131B (zh) | 一种基于充电需求和储能调节的站网互动方法 | |
CN111130149A (zh) | 一种考虑性能分布特性的电网发电有功控制方法及*** | |
CN105098839B (zh) | 一种基于风电不确定出力的风电并网协调优化方法 | |
CN107392350B (zh) | 含分布式能源及充电站的配电网扩展规划综合优化方法 | |
CN108258701A (zh) | 调节功率的方法和装置 | |
CN115800276B (zh) | 一种考虑机组爬坡的电力***应急调度方法 | |
CN111064231A (zh) | 一种新能源分级互动消纳方法和*** | |
CN115864541A (zh) | 多抽水蓄能电站容量优化配置方法及装置 | |
CN115549204A (zh) | 一种微电网群双层分布式集群调峰方法及装置 | |
CN107370190A (zh) | 一种求解电力***机组组合模型的组合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |
|
RJ01 | Rejection of invention patent application after publication |