论文部分内容阅读
电力行业是国家的重要基础工业,当前我国电力系统调节灵活性欠缺、电网调度运行方式较为僵化等现实导致超超临界大型机组难以发挥节能高效的优势。自动发电控制（Automatic Generation Control,简称AGC）是发电机组调度自动化的重要内容,着力提高AGC的调节能力及运行效率是当前的首要工作。大数据是近年来各个研究领域的热点,知识发现是挖掘大数据价值过程的高度概括。因此结合超超临界单元机组历史运行大数据,研究基于知识与大数据的智能AGC控制技术对提升AGC控制灵活性及适应性具有重要意义。本文以超超临界单元机组AGC控制系统为研究对象,基于知识与大数据技术,主要针对AGC系统智能辨识与智能控制以及CPS考核标准下AGC控制性能分析等问题进行研究。研究内容包括以下方面:首先,介绍了知识发现处理模型,详细分析了电力大数据基础体系架构,并结合了电力行业特点分析数据挖掘、关联性分析、人工智能算法等知识发现内容的应用前景与挑战;其次,结合电厂生产实际,建立单元机组AGC模型结构。根据电厂实际运行历史大数据,提出了一种基于近邻规则的数据处理方法来减少大数据容量,使用牛顿迭代法、人工神经网络、贝叶斯神经网络等三种典型辨识方法进行锅炉燃烧系统氧量控制系统辨识,三种模型的误差比较表明贝叶斯神经网络模型在精确性、可行性、快速性方面都有突出优势。进而使用该方法进行了基于知识与大数据的AGC系统辨识研究,辨识结果说明该智能辨识方法更具有泛化性。然后,根据单元机组AGC系统负荷控制方式及系统特性,结合知识发现中的预测型知识与神经网络进行了智能预测控制器的设计。将辨识得到的贝叶斯神经网络AGC模型作为预测控制中的模型预测部分,采用神经网络算法进行反馈校正和滚动优化。仿真结果表明,在滑压、定压运行方式下智能AGC预测控制器的负荷跟踪、中间点温度、主蒸汽压力控制效果均满足控制品质要求。最后,基于SCPS标准和CPS标准进行ACE、（35）f及联络线功率偏差（35）Ptie控制效果分析。根据单台机组的SCPS进行单台机组独立分析,再基于CPS标准采用TBC-TBC模式仿真两台机组区域互联,分别改变两台机组负荷指令,验证了TBC-TBC模式下各个控制区域可负责处理本区域发生的负荷扰动这一基本原则,也验证了该控制策略满足的CPS标准。