基于LSTM的深度调峰机组一次调频能力在线估计方法及系统

基于lstm的深度调峰机组一次调频能力在线估计方法及系统
技术领域
1.本发明属于火电机组一次调频技术领域，具体涉及一种基于lstm的深度调峰机组一次调频能力在线估计方法及系统。


背景技术：

2.随着我国新能源发电的迅猛发展，传统的燃煤机组在电网中的比例越来越小。清洁能源发电有传统火力发电所不具备的一系列优势，但是清洁能源发电出力的波动性和间歇性也会导致电网频率的不稳定，这就对电网的调峰和调频能力提出了新的要求。在未来相当长一段时间内，火电机组将承担电网调峰和调频的主要任务，并且越来越多地参与电网深度调峰运行。为了保证电网安全稳定运行，充分发挥深度调峰火电机组一次调频能力，有必要对深度调峰运行期间火电机组的一次调频负荷在线预测方法进行研究。
3.目前的火电机组一次调频负荷预测方法主要通过构建火电机组协调控制系统和数字电液控制系统的机理建模来实现，但是火电机组自身系统高度复杂，其一次调频过程主要涉及的设备包括汽轮机、再热器、数字电液系统等，机组主蒸汽参数的变化和汽轮机阀门流量特性也对一次调频能力有重要影响，深度调峰运行也使得机组运行特性发生了较大变化，通过机理建模进行预测的方法难以充分描述深度调峰火电机组一次调频的复杂特性，海量的机组运行历史数据也没有得到充分运用，预测精确度较差。因此，为了充分发挥深度调峰火电机组一次调频能力，保证电网安全，需要有更加精确的深度调峰火电机组一次调频负荷在线预测方法。


技术实现要素：

4.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于lstm的深度调峰机组一次调频能力在线估计方法及系统，利用lstm深度神经网络在处理时序问题上的独特优势，捕捉影响火电机组一次调频的设备和环节在深度调峰工况下的一次调频特性，实现深度调峰火电机组一次调频负荷的在线预测。
5.本发明采用以下技术方案：
6.基于lstm的深度调峰机组一次调频能力在线估计方法，包括以下步骤：
7.分别构建基于lstm神经网络的锅炉燃烧系统子网络、基于lstm神经网络的再热系统子网络、基于mlp的汽轮机调速系统子网络和基于lstm神经网络汽轮机子网络，根据深度调峰火电机组运行历史数据构建具有统一时间维度的时序输入序列和时序目标序列，利用对应的时序输入序列和时序目标序列分别对锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行训练；
8.将训练后的锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行结合，得到完整的深度调峰火电机组一次调频负荷预测网络；
9.将深度调峰机组运行历史数据输入得到的深度调峰火电机组一次调频负荷预测网络中，对未来机组主汽压力、主汽温度、调门后压力、再热汽压力、再热汽温度和机组负荷
进行短期预测；
10.深度调峰火电机组获取新的采样数据后，将新的采样数据加入输入数据，并在原始输入数据中剔除最初时刻同等时间长度的数据，更新网络状态，重复短期预测，实现深度调峰火电机组的一次调频负荷在线预测。
11.具体的，构造基于lstm神经网络的锅炉燃烧系统子网络具体为：
12.将深度调峰火电机组运行历史数据中的燃料量、调阀指令、给水量和给风量构建为具有统一时间维度的时序输入序列，将深度调峰火电机组运行历史数据中的主汽压力和主汽温度构建为具有统一时间维度的时序目标序列，时序输入序列和时序目标序列具有相同的时间长度，且时序目标序列滞后于时序输入序列，滞后时间长度为待预测时间长度；
13.构造基于lstm神经网络的锅炉燃烧系统子网络，采用标准差方法对构建的时序输入序列和时序目标序列进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对基于lstm的锅炉燃烧系统子网络进行训练，得到训练后的锅炉燃烧系统子网络。
14.具体的，构造基于lstm神经网络的再热系统子网络具体为：
15.将深度调峰火电机组运行历史数据中的燃料量、调阀指令、给水量和给风量构建为具有统一时间维度的时序输入序列；将深度调峰火电机组运行历史数据中的再热汽压力和再热汽温度构建为具有统一时间维度的时序目标序列；时序输入序列和时序目标序列具有相同的时间长度，且时序目标序列滞后于时序输入序列，滞后时间长度为待预测时间长度；
16.构造基于lstm神经网络的再热系统子网络，采用标准差方法对构建的时序输入序列和时序目标序列进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对基于lstm的再热系统子网络进行训练，得到训练后的再热系统子网络。
17.具体的，构造汽轮机调速系统子网络具体为：
18.将深度调峰火电机组运行历史数据中的调阀指令、主汽压力和主汽温度构建为具有统一时间维度的时序输入序列，将深度调峰火电机组运行历史数据中的调节级压力构建为具有统一时间维度的时序目标序列，时序输入序列和时序目标序列具有相同的时间长度，且时序输入序列与时序目标序列的时刻一一对应；
19.构造汽轮机调速系统子网络，采用标准差方法对构建的时序输入序列和时序目标序列进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对汽轮机调速系统子网络进行训练，得到训练后的汽轮机调速系统子网络。
20.进一步的，汽轮机调速系统子网络包括一个序列输入层、多个全连接层、若干个drop层和一个序列输出层，全连接层y
t
＝wx
t
b，w表示全连接层可学习权重，b表示可学习偏置权重，x
t
表示t时刻全连接层的输入，y
t
表示t时刻全连接层的输出。
21.具体的，构造基于lstm神经网络的汽轮机子网络具体为：
22.将深度调峰火电机组运行历史数据中的调节级压力、再热汽压力和再热汽温度构建为具有统一时间维度的时序输入序列，将深度调峰火电机组运行历史数据中的机组负荷构建为具有统一时间维度的时序目标序列，时序输入序列和时序目标序列具有相同的时间长度，且时序输入序列与时序目标序列的时刻一一对应；
23.构造基于lstm神经网络的汽轮机子网络，采用标准差方法对构建的时序输入序列和目标序列进行标准化处理，使用标准化处理后的时序输入序列和时序目标序列对基于
lstm的汽轮机子网络进行训练，得到训练后的汽轮机子网络。
24.具体的，具有统一时间维度的时序输入序列为：具有统一时间维度的时序目标序列为：n1、n2分别表示输入序列和目标序列中数据种类的特征维度，t表示时间维度，时序输入序列中包含有t个时间长度的原始数据值和t个时间长度的数据变化值。
25.具体的，基于lstm神经网络的锅炉燃烧系统子网络、基于lstm神经网络的再热系统子网络和基于lstm神经网络的汽轮机子网络分别包括一个序列输入层、多个lstm层、多个全连接层、若干drop层和一个序列输出层。
26.进一步的，lstm层的lstm记忆单元计算如下：
[0027][0028]ct
＝f
t
⊙ct-1
i
t
⊙gt
[0029]ht
＝o
t
⊙
σc(c
t
)
[0030]it
＝σg(wix
t
r
iht-1
bi)
[0031]ft
＝σg(wfx
t
rfh
t-1
bf)
[0032]gt
＝σc(wgx
t
rgh
t-1
bg)
[0033]ot
＝σg(wox
t
r
oht-1
bo)
[0034]
σ(x)＝(1 e-x
)-1
[0035]
其中，w表示可学习输入权重，r表示可学习循环权重，b表示可学习偏置；i、f、g、o分别表示输入门、遗忘门、候选单元和输出门；c
t
表示时间步t处的单元状态；h
t
表示时间步t处的隐藏状态；σc表示tanh状态激活函数；σg表示sigmoid门激活函数；全连接层y
t
＝wx
t
b，w表示全连接层可学习权重，b表示可学习偏置权重，x
t
表示t时刻全连接层的输入，y
t
表示t时刻全连接层的输出。
[0036]
第二方面，本发明实施例提供了一种基于lstm的深度调峰机组一次调频能力在线估计系统，包括：
[0037]
网络训练模块，分别构建基于lstm神经网络的锅炉燃烧系统子网络、基于lstm神经网络的再热系统子网络、汽轮机调速系统子网络和基于lstm神经网络汽轮机子网络，根据深度调峰火电机组运行历史数据构建具有统一时间维度的时序输入序列和时序目标序列，利用对应的时序输入序列和时序目标序列分别对锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行训练；
[0038]
网络结合模块，将网络训练模块训练后的锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行结合，得到完整的深度调峰火电机组一次调频负荷预测网络；
[0039]
短期预测模块，将深度调峰机组运行历史数据输入网络结合模块得到的深度调峰火电机组一次调频负荷预测网络中，对未来机组主汽压力、主汽温度、再热汽压力、再热汽温度、调节级压力和机组负荷进行短期预测；
[0040]
在线预测模块，机组获取新的采样数据后，将新的采样数据加入输入数据，并在原始输入数据中剔除最初时刻同等时间长度的数据，更新网络状态，重复短期预测模块，实现深度调峰火电机组的一次调频负荷在线预测。
[0041]
与现有技术相比，本发明至少具有以下有益效果：
[0042]
本发明基于lstm的深度调峰机组一次调频能力在线估计方法，通过利用lstm深度神经网络在处理时序问题上的独特优势，捕捉影响火电机组一次调频的设备和环节在深度调峰工况下的一次调频特性，针对相应环节分别构建锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机做工子网络，进而组成完整的深度调峰火电机组一次调频负荷预测模型，利用机组运行历史数据进行离线训练，利用机组运行实时数据进行在线预测和状态更新，实现深度调峰火电机组一次调频负荷的在线预测；相较传统技术来说，考虑了所有影响机组一次调频的设备和环节，充分挖掘了机组历史运行数据所包含的信息，显著提高了预测精度。
[0043]
进一步的，基于lstm神经网络的锅炉燃烧系统子网络可以准确描述锅炉燃烧过程中所表现的迟延、惯性等时序特性，提取机组运行历史数据中所包含的机组动态变化信息，使得对于主汽压力的估计结果具有较高精度。
[0044]
进一步的，基于lstm神经网络的再热系统子网络可以准确描述再热系统换热过程所表现出的时序特性，提取机组运行历史数据中所包含的机组动态变化信息，使得对于再热汽压力的估计结果具有较高精度。
[0045]
进一步的，基于mlp的汽轮机调速系统子网络通过多层全连接层对难以通过机理描述的阀门流量非线性特性进行建模，消除了一次调频能力估计过程中由阀门流量特性非线性所产生误差。
[0046]
进一步的，基于lstm神经网络的汽轮机子网络可以准确描述汽轮机内蒸汽做功的惯性特性，提高了对于机组负荷的估计精度。
[0047]
进一步的，时序输入序列中包含了原始历史数据和历史数据变化值，该设置解决了样本数据中稳态数据量和动态数据量比例失调的问题，放大了动态数据的影响，提升了估计精确度。
[0048]
可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0049]
综上所述，本发明适用于深度调峰工况，对火电机组一次调频负荷预测精确度较高，有助于充分发挥深度调峰火电机组的一次调频能力。
[0050]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0051]
图1为本发明工作流程图；
[0052]
图2为本发明中采用的lstm单元结构图；
[0053]
图3为本发明构建的完整深度调峰火电机组一次调频负荷预测网络结构图；
[0054]
图4为本发明实施例进行一次调频能力估计仿真实验数据图。
具体实施方式
[0055]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0057]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0058]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0059]
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
[0060]
取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0061]
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0062]
本发明提供了一种基于lstm的深度调峰机组一次调频能力在线估计方法，通过利用lstm深度神经网络在处理时序问题上的独特优势，捕捉影响火电机组一次调频的设备和环节在深度调峰工况下的一次调频特性，针对相应环节分别构建锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机做工子网络，进而组成完整的深度调峰火电机组一次调频负荷预测模型，利用机组运行历史数据进行离线训练，利用机组运行实时数据进行在线预测和状态更新，实现深度调峰火电机组一次调频负荷的在线预测。本方法相较传统技术来说，考虑了所有影响机组一次调频的设备和环节，充分挖掘了机组历史运行数据所包含的信息，显著提高了预测精度。
[0063]
请参阅图1，本发明一种基于lstm的深度调峰机组一次调频能力在线估计方法，包括以下步骤：
[0064]
s1、将深度调峰火电机组运行历史数据中燃料量、调阀指令、给水量、给风量构建
为具有统一时间维度的时序输入序列，将主汽压力、主汽温度构建为具有统一时间维度的时序目标序列，具有统一时间维度的时序输入序列和目标序列具有相同的时间长度，且目标序列较输入序列滞后，滞后时间长度为待预测时间长度；
[0065]
数据采样时间为1秒，目标序列较输入序列滞后时间为15秒，具有统一时间维度的时序输入序列为：
[0066][0067]
其中，表示机组t时刻的燃料量，表示机组t时刻的调阀指令，w
t
表示机组t时刻的给水量，f
t
表示机组t时刻的给风量，表示机组t时刻燃料量的变化量，表示机组t时刻调阀指令的变化量，δw
t
＝w
t-w
t-1
表示机组t时刻给水量的变化量，δf
t
＝f
t-f
t-1
表示机组t时刻给风量的变化量。在机组运行过程中，大部分时间处于稳态运行，其一次调频动态过程时间所占比例很小，因此样本数据中动态数据与稳态数据比例失调，为解决此问题，将机组运行参数的变化量也作为输入数据，弱化稳态运行数据，增强动态数据的影响。
[0068]
具有统一时间维度的时序目标序列为：
[0069][0070]
其中，表示机组t时刻的主汽压力，表示机组t时刻的主汽温度。
[0071]
s2、对步骤s1具有统一时间维度的时序输入序列和目标序列采用标准差方法进行标准化处理，构造基于lstm的锅炉燃烧系统子网络，并基于标准化后的时序输入序列和目标序列进行训练，得到训练后的锅炉燃烧系统子网络；
[0072]
基于lstm的锅炉燃烧系统子网络由1个序列输入层、30个lstm层、3个全连接层、1个drop层、1个序列输出层组成。所述基于lstm深度神经网络的锅炉燃烧系统子网络中lstm单元结构如图2所示。
[0073]
标准差标准化方法为：
[0074][0075]
其中，μ为所有样本数据的均值，σ为所有样本数据的标准差，x为样本数据，x
*
为标准化数据。
[0076]
s3、将深度调峰火电机组运行历史数据中燃料量、调阀指令、给水量、给风量构建为具有统一时间维度的时序输入序列，将再热汽压力、再热汽温度构建为具有统一时间维度的时序目标序列，具有统一时间维度的时序输入序列和目标序列具有相同的时间长度，且目标序列较输入序列滞后，滞后时间长度为待预测时间长度；
[0077]
数据采样时间为1秒，目标序列较输入序列滞后时间为15秒，所述具有统一时间维度的时序输入序列为：
[0078][0079]
具有统一时间维度的时序目标序列为：
[0080][0081]
其中，表示机组t时刻的再热汽压力，表示机组t时刻的再热汽温度。
[0082]
s4、对步骤s3具有统一时间维度的时序输入序列和目标序列采用标准差方法进行标准化处理，构造基于lstm的再热系统子网络，并基于标准化后的时序输入序列和目标序列进行训练，得到训练后的再热系统子网络；
[0083]
基于lstm深度神经网络的再热系统子网络由1个序列输入层、30个lstm层、3个全连接层、1个drop层、1个序列输出层组成。所述基于lstm的再热系统子网络中lstm单元结构如附图2所示。所述标准差标准化的计算方法与步骤s2中计算方法相同。
[0084]
s5、将深度调峰火电机组运行历史数据中调阀指令、主汽压力、主汽温度构建为具有统一时间维度的时序输入序列，将调节级压力构建为具有统一时间维度的时序目标序列，所述具有统一时间维度的时序输入序列和目标序列具有相同的时间长度且输入序列与目标序列的时刻一一对应；
[0085]
数据采样时间为1秒，所述具有统一时间维度的时序输入序列为：
[0086][0087]
具有统一时间维度的时序目标序列为：
[0088][0089]
其中，表示机组t时刻的调节级压力。
[0090]
s6、对步骤s5中具有统一时间维度的时序输入序列和目标序列采用标准差方法进行标准化处理，构造汽轮机调速系统子网络，并基于标准化后的时序输入序列和目标序列进行训练，得到训练后的汽轮机调速系统子网络；
[0091]
本实施例中，所述汽轮机调速系统子网络由1个序列输入层、6个全连接层、1个drop层、1个序列输出层组成。所述标准差标准化的计算方法与步骤s2中计算方法相同。
[0092]
s7、将深度调峰火电机组运行历史数据中调节级压力、再热汽压力、再热汽温度构建为具有统一时间维度的时序输入序列，将机组负荷构建为具有统一时间维度的时序目标序列，所述具有统一时间维度的时序输入序列和目标序列具有相同的时间长度且输入序列与目标序列的时刻一一对应；
[0093]
数据采样时间为1秒，所述具有统一时间维度的时序输入序列为：
[0094][0095]
具有统一时间维度的时序目标序列为：
[0096][0097]
其中，表示机组t时刻的机组负荷。
[0098]
s8、对s7中具有统一时间维度的时序输入序列和目标序列采用标准差方法进行标准化处理，构造基于lstm的汽轮机子网络，并基于标准化后的时序输入序列和目标序列进行训练，得到训练后的汽轮机子网络；
[0099]
基于lstm的汽轮机子网络由1个序列输入层、30个lstm层、3个全连接层、1个drop层、1个序列输出层组成。所述基于lstm的汽轮机子网络中lstm单元结构如图2所示。所述标准差标准化的计算方法与步骤s2中计算方法相同。
[0100]
s9、对锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行结合，得到完整的深度调峰火电机组一次调频负荷预测网络；
[0101]
完整的深度调峰火电机组一次调频负荷预测网络结构如图3所示。
[0102]
s10、将深度调峰机组运行历史数据输入深度调峰火电机组一次调频负荷预测网络，实现对未来机组主汽压力、主汽温度、再热汽压力、再热汽温度、调节级压力和机组负荷的短期预测；
[0103]
s11、机组获取新的采样数据后，将新的采样数据加入输入数据，并在原始输入数据中剔除最初时刻同等时间长度的数据，更新网络状态，重复s10过程，实现深度调峰火电机组的一次调频负荷在线预测。
[0104]
本发明再一个实施例中，提供一种基于lstm的深度调峰机组一次调频能力在线估计系统，该系统能够用于实现上述基于lstm的深度调峰机组一次调频能力在线估计方法，具体的，该基于lstm的深度调峰机组一次调频能力在线估计系统包括网络训练模块、网络结合模块、短期预测模块以及在线预测模块。
[0105]
其中，网络训练模块，分别构建基于lstm神经网络的锅炉燃烧系统子网络、基于lstm神经网络的再热系统子网络、汽轮机调速系统子网络和基于lstm神经网络汽轮机子网络，根据深度调峰火电机组运行历史数据构建具有统一时间维度的时序输入序列和时序目标序列，利用对应的时序输入序列和时序目标序列分别对锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行训练；
[0106]
网络结合模块，将网络训练模块训练后的锅炉燃烧系统子网络、再热系统子网络、汽轮机调速系统子网络和汽轮机子网络进行结合，得到完整的深度调峰火电机组一次调频负荷预测网络；
[0107]
短期预测模块，将深度调峰机组运行历史数据输入网络结合模块得到的深度调峰火电机组一次调频负荷预测网络中，对未来机组主汽压力、主汽温度、再热汽压力、再热汽
温度、调节级压力和机组负荷进行短期预测；
[0108]
在线预测模块，机组获取新的采样数据后，将新的采样数据加入输入数据，并在原始输入数据中剔除最初时刻同等时间长度的数据，更新网络状态，重复短期预测模块，实现深度调峰火电机组的一次调频负荷在线预测。
[0109]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0110]
实施例
[0111]
请参阅图4，本实例以鹤壁丰鹤发电有限公司2号机组运行历史数据为基础，进行一次调频能力估计仿真实验。
[0112]
2号机组的额定负荷600mw，以电力系统分析综合程序psasp中9型调速器模型作为传统方法，与本发明所提方法进行对比，对33％额定负荷下的一次调频过程进行估计，结果如图4所示。
[0113]
图中，自32s后开始进行估计，结果表明，在估计过程中，本发明方法估计结果最大误差0.48mw，传统方法估计结果最大误差2.38mw，最大误差减小79.83，说明本发明方法具有较高的精确性。
[0114]
综上所述，本发明一种基于lstm的深度调峰机组一次调频能力在线估计方法及系统，通过利用lstm深度神经网络在处理时序问题上的独特优势，捕捉影响火电机组一次调频的设备和环节在深度调峰工况下的一次调频特性，实现深度调峰火电机组一次调频负荷的在线预测，相较传统技术来说，考虑了所有影响机组一次调频的设备和环节，充分挖掘了机组历史运行数据所包含的信息，显著提高了预测精度。
[0115]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0116]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0117]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0118]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0119]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。