基于大数据的供热机组调峰能力研究与应用

doi:10.11930/j.issn.1004-9649.2016.07.082.04

中国电力 ›› 2016, Vol. 49 ›› Issue (7): 82-85.DOI: 10.11930/j.issn.1004-9649.2016.07.082.04

基于大数据的供热机组调峰能力研究与应用

孙栓柱, 代家元, 周春蕾, 王林, 张友卫

江苏方天电力技术有限公司,江苏南京 211102

收稿日期:2016-03-25 出版日期:2016-07-20 发布日期:2016-07-28
作者简介:孙栓柱（1973—）,男,江苏邳州人,高级工程师,主要从事电力行业节能减排相关研究工作。E-mail: 15905166613@139.com

Research and Application of Regulation Capacity of Heating Units Based on Big Data

SUN Shuanzhu, DAI Jiayuan, ZHOU Chunlei, WANG Lin, ZHANG Youwei

Jiangsu Frontier Electric Technology Co., LTD, Nanjing 211102, China

Received:2016-03-25 Online:2016-07-20 Published:2016-07-28

摘要/Abstract

摘要： 针对传统供热机组调峰能力评估方法过程过于复杂、资料难以收集齐全等弊端及供热机组调峰能力预测的电网调度急迫需求性,运用聚类分析算法,对供热机组海量运行大数据进行归类划分,运用高斯分布概率密度函数工具按照设定的约束条件进行寻优遍历计算,评估特定工况下机组的调峰能力区间。该计算方法较工况图法等传统方法,计算方式更加简洁,且其计算结果来源于机组海量历史运行数据,因此其结果的可复现性及准确性较理论方法更加可靠。

关键词: 热电联产机组, 供热机组, 调峰能力, 大数据, 高斯分布

Abstract: Aiming at the complex process and the difficulty of data collection in traditional assessment methods for predicting the regulation capacity of heating units and the urgent requirements for the heating unit dispatch, by adopting the cluster analysis algorithm, the large collections of operating data are divided into several clusters. The Gaussian distribution probability density function tool is used to optimize the regulation capacity according to the preset constraints. Compared with the traditional methods, the cluster analysis algorithm is more concise and since the calculation results come from the large collections of historical operating data, the reproducibility and accuracy of the results are more reliable.

Key words: cogeneration power unit, heating units, peak load capacity, big data, Gauss distribution

中图分类号:

TM621

孙栓柱, 代家元, 周春蕾, 王林, 张友卫. 基于大数据的供热机组调峰能力研究与应用[J]. 中国电力, 2016, 49(7): 82-85.

SUN Shuanzhu, DAI Jiayuan, ZHOU Chunlei, WANG Lin, ZHANG Youwei. Research and Application of Regulation Capacity of Heating Units Based on Big Data[J]. Electric Power, 2016, 49(7): 82-85.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.2016.07.082.04

https://www.electricpower.com.cn/CN/Y2016/V49/I7/82

参考文献

[1] 姚力强,郭江龙,王兴国,等. 调节抽汽式汽轮机参与电网调峰的负荷特性分析[J]. 汽轮机技术,2009,51（1）：61-63.
YAO Liqiang, GUO Jianglong, WANG Xingguo, et al . The analysis of load characteristics about regulated extraction turbine’s peak regulation in electric network[J]. Turbine Technology, 2009, 51(1): 61-63.
[2] 王漪,薛永锋,邓楠. 供热机组以热定电调峰范围的研究[J]. 中国电力,2013,46（3）：59-62.
WANG Yi, XUE Yongfeng, DENG Nan. Study on heat-load based peak regulation for cogeneration units[J]. Electric Power, 2013, 46(3): 59-62.
[3] 王宏,冯垚飞,冯林魁,等. 供热机组调峰性能试验[J]. 热力发电,2014,43（4）：106-109.
WANG Hong, FENG Yaofei, FENG Linkui, et al . Experimental study on peaking capability of a heating unit[J]. Thermal Power Generation, 2014, 43(4): 106-109.
[4] 吴龙,袁奇,丁俊齐,等. 基于变工况分析的供热机组负荷特性研究[J]. 热能动力工程,2012,27（4）：424-428.
WU Long, YUAN Qi, DING Junqi, et al . Study of the load characteristics of a heat-supply unit based on an analysis of its off-design operating conditions[J]. Journal of Engineering for Thermal Energy & Power, 2012, 27(4): 424-428.
[5] 伍育红. 浅议聚类分析方法[J]. 计算机科学,2012,28（S2）：75-77.
[6] 白雪. 聚类分析中的相似性度量及其应用研究[D]. 北京：北京交通大学,2012.
[7] 许丽利. 聚类分析的算法及应用[D]. 长春：吉林大学,2010.
[8] 王纵虎. 聚类分析优化关键技术研究[D]. 西安：西安电子科技大学,2012.
[9] 李雪竹,陈国龙. 基于智能最小二乘支持向量机的大数据分析与预测[J]. 计算机工程,2015,41（6）：38-42.
LI Xuezhu, CHEN Guolong. Big data analysis and forecasting based on intelligent least square support vector machine[J]. Computer Engineering, 2015, 41(6): 38-42.
[10] 张玉敏. 基于不同核函数的概率密度函数估计比较研究[D]. 保定：河北大学,2010.
ZHANG Yumin. The comparative study of probability density function estimation based on the different kernel functions[D]. Baoding: Hebei University, 2010.

[1]	刘文君, 董明, 徐元孚, 韩强, 王鑫, 许雷, 杜明. 电力设备运行状态大数据标签体系与关键技术[J]. 中国电力, 2022, 55(1): 126-132.
[2]	胡源, 薛松, 杨素, 唐程辉, 梁才, 熊天军. 综合能源背景下的配电网多场景规划[J]. 中国电力, 2021, 54(4): 175-184.
[3]	李博, 方彤. 北斗卫星导航系统（BDS）在智能电网的应用与展望[J]. 中国电力, 2020, 53(8): 107-116.
[4]	安然, 吴俊勇, 石琛, 朱孝文, 邵美阳, 黄杏, 蔡蓉. 基于随机矩阵和历史场景匹配的配电网无功优化[J]. 中国电力, 2020, 53(4): 69-78.
[5]	程瑛颖, 杜杰, 周全, 张家铭, 张晓勇, 李刚. 基于随机矩阵理论和聚类算法的电能表运行状态评估方法[J]. 中国电力, 2020, 53(11): 116-125.
[6]	罗昊, 苏盛, 杨浩, 林楠, 袁晨. 基于FPGA的电力巡线无人机硬件加密通信方法[J]. 中国电力, 2019, 52(7): 11-16.
[7]	郭敬东, 陈彬, 王仁书, 王佳宇, 仲林林. 基于YOLO的无人机电力线路杆塔巡检图像实时检测[J]. 中国电力, 2019, 52(7): 17-23.
[8]	蔺晨晖, 吴文传, 王彬, 孙勇. 考虑调峰辅助服务的热电联合调度方法[J]. 中国电力, 2019, 52(6): 45-53.
[9]	于明双, 张鹏, 王国成. 660 MW供热机组一次调频功能的完善及应用[J]. 中国电力, 2019, 52(4): 138-143.
[10]	王忠杰, 文乐, 杨新民. 大数据在智能化电厂中的应用研究与展望[J]. 中国电力, 2019, 52(3): 133-139.
[11]	岳国良, 路艳巧, 常浩, 孙翠英. 一种基于可见光巡检图像的杂草智能识别方法[J]. 中国电力, 2019, 52(11): 138-144,174.
[12]	韩华锋, 马玉娟, 黄一志, 杨萌萌, 郭滔, 刘然, 张伟, 孙亚飞. 1 000 MW级火电机组智慧电厂建设研究[J]. 中国电力, 2018, 51(10): 49-55.
[13]	周生奇, 贾亚军, 朱华. 基于灰色模糊预测的智能配电网大数据调度算法[J]. 中国电力, 2018, 51(10): 103-110.
[14]	孙晓东, 王娟, 赵现华, 武晓荣. 汽轮机润滑油乳化问题在线处理方法研究[J]. 中国电力, 2018, 51(1): 154-157.
[15]	徐林, 黄晓莉, 杜忠明, 张韬, 李振杰, 程临燕. 适应新能源发展的电力规划方法研究[J]. 中国电力, 2017, 50(9): 18-24.

基于大数据的供热机组调峰能力研究与应用

Research and Application of Regulation Capacity of Heating Units Based on Big Data

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

模态框（Modal）标题

基于大数据的供热机组调峰能力研究与应用

Research and Application of Regulation Capacity of Heating Units Based on Big Data

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics