| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-18页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外AGC系统研究现状与发展 | 第12-15页 |
| 1.2.1 AGC系统建模研究现状与发展 | 第12-14页 |
| 1.2.2 AGC系统控制策略研究现状与发展 | 第14-15页 |
| 1.3 知识与大数据在电力行业中的研究现状与发展 | 第15-17页 |
| 1.4 本文主要内容 | 第17-18页 |
| 2 知识与大数据典型模型及体系架构 | 第18-27页 |
| 2.1 知识发现处理模型 | 第18-20页 |
| 2.2 电力大数据标准体系与架构 | 第20-23页 |
| 2.2.1 电力大数据标准体系 | 第20-21页 |
| 2.2.2 电力大数据系统架构 | 第21-23页 |
| 2.3 基于知识与大数据的数据处理技术 | 第23-25页 |
| 2.3.1 数据平滑 | 第23-24页 |
| 2.3.2 数据零初始处理 | 第24-25页 |
| 2.3.3 归一化处理 | 第25页 |
| 2.4 电力大数据挖掘与关联性分析方法 | 第25-26页 |
| 2.5 结论与分析 | 第26-27页 |
| 3 基于知识与大数据的AGC系统辨识研究 | 第27-49页 |
| 3.1 单元机组AGC系统功能及结构分析 | 第27-32页 |
| 3.1.1 AGC系统主要功能 | 第27-28页 |
| 3.1.2 单元机组AGC系统总体结构 | 第28-29页 |
| 3.1.3 发电机-电力系统模型 | 第29-30页 |
| 3.1.4 机组调差系数与系统调差系数 | 第30-32页 |
| 3.2 AGC系统典型辨识方法及对比分析 | 第32-44页 |
| 3.2.1 三种典型辨识方法 | 第32-38页 |
| 3.2.2 基于知识与大数据的近邻规则AGC系统辨识 | 第38页 |
| 3.2.3 三种辨识方法仿真效果对比分析 | 第38-44页 |
| 3.3 基于大数据与贝叶斯神经网络的AGC系统辨识 | 第44-48页 |
| 3.4 结论与分析 | 第48-49页 |
| 4 基于知识与大数据的智能AGC控制策略研究 | 第49-76页 |
| 4.1 AGC控制系统特性分析 | 第49-51页 |
| 4.1.1 超临界机组锅炉特性分析 | 第49-50页 |
| 4.1.2 超临界机组汽轮机特性分析 | 第50-51页 |
| 4.2 基于智能预测控制的AGC系统控制器设计 | 第51-54页 |
| 4.3 两种运行方式下AGC智能预测控制器控制效果分析 | 第54-59页 |
| 4.3.1 定压运行 | 第54-56页 |
| 4.3.2 滑压运行 | 第56-59页 |
| 4.4 基于两种评价标准的AGC智能预测控制器效果分析 | 第59-75页 |
| 4.4.1 区域控制偏差ACE控制方式 | 第59-62页 |
| 4.4.2 SCPS标准下单个机组控制效果分析 | 第62-66页 |
| 4.4.3 CPS标准下两台机组互联控制效果分析 | 第66-75页 |
| 4.5 结论与分析 | 第75-76页 |
| 5 总结与展望 | 第76-78页 |
| 5.1 结论 | 第76页 |
| 5.2 展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 攻读学位期间取得的研究成果 | 第83页 |
