基于功率波动和储能可用电量的直流微网改进动态下垂控制算法

传统下垂缺乏对电压偏离和分布式储能的灵活控制,对此提出一种直流微网改进动态下垂控制方法.首先构建余弦函数曲线特性的动态下垂系数,在功率波动增大时自动减小下垂系数,抑制母线电压波动;然后引入储能剩余可用电量,对下垂系数进行二次调整,保证直流系统稳定的基础上降低储能过充过放的风险;最后根据可用电量计算均衡系数,提高分布式储能的均衡效果.对3种不同下垂控制进行仿真对比,结果验证了该改进动态下垂控制策略的灵活性和可靠性.     

基于PID控制算法的烧结炉温度控制

对推舟式连续烧结炉温度控制系统进行分析,以连续烧结炉工艺所需的预烧结、烧结段和冷却段的温度控制为目标,采用了温度控制模型和算法,提出温度控制方法并进行仿真.通过对连续烧结炉加热元件功率的控制,完成了连续烧结炉多段位温度的精确控制,提高了烧结炉温度控制的稳定性和效率.     

基于双神经网络逆模型的屏式过热器汽温控制

过热汽温是燃煤锅炉运行中的关键参数,必须控制在规定范围内,过高或过低都会直接影响机组的安全经济性.由于大容量锅炉机组经常处于深度调峰大幅变工况运行,且过热汽温系统是一个典型的非线性、大惯性、大时延的被控对象,通常采用传统PID控制,往往很难获得满意的控制效果,因此智能控制的发展为过热汽温的控制提供了很好的研究方向.提出一种基于双神经网络逆模型的屏式过热器汽温控制方法,以克服屏式过热器蒸汽温度控制方法对机组大范围变工况适应性差,特别是当锅炉存在严重偏烧,导致喷水后汽温接近饱和蒸汽区时导前温度失灵的问题,从而增强工况适应性,有效应对喷水后蒸汽接近饱和区时温度对喷水量不敏感,引起屏过出口汽温控制效果变差的问题.     

基于多源多维度用能数据的用户标签萃取方法研究

随着电力行业数字化、智能化水平稳步提升,电力公司利用大数据技术精准识别用户需求、掌握用户用能规律,进而满足用户多样化的用能需求成为营造良好用电体验的关键.为此提出一种基于多源多维度用能数据的用户标签萃取方法,旨在通过采用模糊C均值聚类算法进行标签聚类、用户智能画像,更好支撑用户用电行为掌握、精准营销策略执行,辅助制定电力需求侧响应策略,推动电力服务质效提升.     

电力系统测控装置中功率频域算法优化

无功功率根据定义的不同,有多种不同的算法,但适合测控装置的频域算法计算过程复杂,引入误差的环节也较多.对此提出一种优化的频域算法,以减少计算环节,简化频域算法.首先,分析了频域算法中某固定频次下,有功功率和无功功率的算法,分解了计算过程.然后,通过对频域算法计算过程的拆解及三角函数转换,得出了电压、电流的实部、虚部与功率间的关系,得到了频域算法的优化算法.最后,将优化频域算法放入测控装置中运行,从试验数据可看出优化后的频域算法明显地减少了运算环节,降低了运算量,运算时间较优化前减少了约一半,同时经优化后的频域算法计算得出的功率值也能满足测控装置行业标准5‰的精度要求.     

基于改进KNN算法的汽轮机通流故障诊断方法及应用

汽轮机的故障诊断对整个电厂的安全运行意义重大。根据热力参数建立计算模型可以及早地观测到性能退化趋势,预测设备故障类型。本文采用特征通流面积的方法建立汽轮机系统性能退化模型,模拟系统故障样本与测试样本,建立设备故障样本库。通过使用改进的KNN（K-nearest neighbor）算法,基于汽水系统热力参数变化规律,计算当前机组运行数据样本相对于设备故障样本的相似度,判定当前机组各设备已发生故障的概率。通过对某S109FA联合循环机组汽轮机研究结果表明,特征通流面积在不同工况下的计算误差均在5%以内,满足工程计算要求。相比于传统KNN算法,改进KNN算法通过样本评估近邻在决策过程中的权重,取得了比传统KNN算法更高的分类正确率。对测试样本故障诊断结果表明,改进KNN算法比传统KNN算法诊断准确率更高,对测试样本诊断准确率为100%,采用改进KNN算法汽轮机系统故障诊断具有可行性,与现场实际情况吻合。     

CO2驱油-埋存一体化评价方法

CO2驱油-埋存一体化工程项目缺乏能够同时评价CO2的驱油和埋存效果及综合评价项目的方法。为此,本文提出了CO2驱油-埋存一体化评价方法,构建了驱油-埋存综合效应因子,引入粒子群优化（PSO）算法来优化驱油-埋存过程前、中、后期的注入速度、生产流压和阶段时长。研究结果表明:在不考虑生产成本的情况下,注采时间越长,驱油-埋存效果越好。无论是以驱油还是以埋存为主,项目初期均要维持高压低速驱替。若注重埋存效果,项目中期需要降低注入速度,项目的后期则需要重新提高注入速度;若注重驱油效果,项目中、后期需要大幅降低注入速度,同时要酌情降低生产流压,提高产油量。     

基于Ziegler-Nichols优化算法的火电机组负荷频率PID控制研究

随着风电和光伏接入电网的规模不断扩大,电网负荷峰谷差逐渐增加,电网的频率控制出现超调量过大、调节速度过慢等一系列问题。本文针对互联电力系统的负荷分配以及频率控制问题,提出考虑发电机组分配系数的互联电力系统负荷频率控制方法。首先,建立单个区域包含多个火电机组的两区域电网自动发电控制（AGC）系统仿真模型,根据各发电机组的煤耗特性建立经济性目标函数,并且获得最优的出力分配系数;然后,基于联络线功率和频率偏差控制（TBC-TBC）的控制模式,采用经Ziegler-Nichols相关算法优化后的PID控制,并对优化后PID控制器的鲁棒性进行分析研究;最后,基于两区域系统仿真模型,在一定的负荷扰动工况下进行仿真验证。仿真结果表明:该分配方法能够有效节省煤耗,本文算法优化后的PID控制器在频率恢复速度方面具有一定的优势,并且鲁棒性良好。     

基于时空互补特性的多能源源荷协调优化调度

传统的能源利用方式已无法解决高比例可再生能源并网问题。对此,本文利用多种能源之间的时空互补特性,将风、光、水、火与抽水蓄能、高载能负荷协调优化调度,建立以系统运行成本最小、可再生能源消纳最大化和净负荷波动最小为目标的多能源电力系统源荷协调双层调度模型,并采用改进的蝗虫优化算法和粒子群优化算法分别对上、下2层优化调度模型进行求解。通过对比算例中4个调度情景的计算结果,得出所提调度策略能够减小系统净负荷的波动性,提高新能源消纳水平,实现系统的经济运行,验证了该模型和所改进的算法的有效性。     

基于粒子群优化的双向门控循环神经网络燃煤电厂NOx排放预测

针对燃煤电厂NOx排放的预测问题,提出了基于粒子群优化算法和双向门控循环（PSO-Bi- GRU）神经网络的NOx排放预测模型。通过主成分分析对影响NOx排放的运行参数进行降维,消除变量间的耦合;基于双向门控循环神经网络学习NOx排放的非线性特性和前后时序信息,提高特征提取能力;采用粒子群算法对Bi-GRU神经网络模型进行超参数寻优,使网络结构最大程度匹配影响NOx排放的变量特征,克服依靠经验选取或手动调节参数而导致预测精度低的问题。最后基于某电厂660 MW机组燃煤锅炉运行参数,建立NOx排放预测模型,并与单向门控循环神经网络、传统Bi-GRU神经网络预测模型进行对比。仿真结果表明,PSO-Bi-GRU神经网络模型预测效果最好,其平均绝对误差、平均绝对百分误差、均方根误差均最小,验证了本文所提PSO-Bi-GRU神经网络NOx排放预测模型的有效性。