CN102255311A - Agc机组控制方法 - Google Patents

Abstract

本发明涉及一种AGC机组控制方法，尤其涉及一种基于发电机组调节性能实时测定系统和粒子群优化算法的AGC机组控制方法，是在CPS(Control Performance Standard)标准下AGC机组控制方法。用本发明改进AGC机组分配策略后，不同调节性能的机组的调节目标更加明确。快速机组群负责区域中快速负荷波动量，充分利用快速机组响应时间短，调节速率快的优势。总调节效果无论在负荷平稳或负荷快速波动时，都得到了非常理想的调节效果，保证区域电网的CPS指标在合格范围和电网频率稳定，具有很好的社会效益；同时使得购电成本最低，取得良好的经济效益。

Description

AGC机组控制方法

技术领域

本发明涉及一种AGC机组控制方法，尤其涉及一种基于发电机组调节性能实时测定系统和粒子群优化算法的AGC机组控制方法，是在CPS(ControlPerformance Standard)标准下AGC机组控制方法。

背景技术

由于电网负荷的波动，常常出现发电和用电不能同步平衡的情况，这种波动最终将导致系统频率和电压的崩溃。自动发电控制技术AGC(AutomaticGeneration Control)是实现电力系统发电与负荷实时平衡，保证电力系统频率质量和安全运行的重要技术手段。

在整个AGC控制过程中可分为两个环节：区域调节需求(Area Requirement，AR)计算环节、调节功率在AGC机组中的分配环节。目前，国内外研究成果多注重区域控制需求计算环节，很少有研究调节功率在AGC机组中的分配环节，目前还没有结合发电机组调节性能实时测定系统和粒子群优化算法的AGC机组控制方法。

发明内容

本发明将研究重点放在易被忽视的AGC功率分配环节上，通过分析目前在AGC功率分配环节中存在的问题，结合发电机组调节性能实时测定系统和粒子群优化算法，提出了一套改进的基于发电机组调节性能实时测定系统和粒子群优化算法的AGC机组控制方法，从根本上解决AGC功率分配问题，改善AGC的整体调节效果。

本发明解决其技术问题所采用的技术方案是：

AGC机组控制方法包括以下步骤：

1)通过发电机组调节性能实时测定系统得到各AGC机组的调节速率；

2)按各AGC机组的实际调节速率，将所控的全网AGC机组分为快速机组群、慢速机组群和反调机组群；

3)在快速机组群中，机组投无基点调节方式(NOB)，考虑调节速率、购电成本；以CPS指标满足要求，购电成本最低为目标函数，利用粒子群优化算法求得最优机组组合，被粒子群优化算法选中的机组承担大于80％的NOB调节容量，快速机组群中其余的机组承担剩余的NOB调节容量；

4)慢速机组群中的各机组投计划功率调节方式(BLO)；将反调机组群的各机组退出AGC控制，通知电厂进行处理，处理好后投NOB方式；

5)实时进行机组在线测定，每小时对测定结果统计分析，划分出快、慢和反调机组群，利用粒子群优化算法求得最优机组组合，滚动计算，确保各发电机组发挥出最优调节性能；同时，维持电网频率稳定和电网安全经济。

所述的AGC机组控制方法的具体指标如下：

1)控制目标：以电网的CPS指标满足要求，电网公司购电成本最低为目标；

2)技术基础：由发电机组调节性能实时测定系统得到AGC机组的调节速率；

3)数据来源：数据采集与监控系统(SCADA)；

4)基础数据：

AGC机组的实时有功功率；

AGC机组的控制上、下限值；

AGC机组的现场投退信号；

AGC机组的主站投退信号；

AGC机组的步长、死区范围；

频率偏差值；

净交换功率偏差；

控制区域的频率特性系数；

整个互联电网的频率偏差系数；

互联电网对全年十分钟频率平均偏差的均方根值的控制目标值；

5)理论基础：粒子群优化算法；

粒子群优化算法作为一种模拟社会行为的随机全局优化算法，具有如下特征：用随机种群初始化算法；通过种群进化搜索最优解；基于历史种群信息进行种群进化。在粒子群优化算法中，每个优化问题的潜在解都是搜索空间中的一个粒子的位置，粒子追随当前的最优粒子在解空间中搜索；

6)利用粒子群优化算法进行机组优化组合的实现过程：

①根据频率偏差值、控制区域的频率偏差系数、整个互联电网的频率偏差系数和互联电网对全年十分钟频率平均偏差的均方根值的控制目标值，计算出区域交换功率偏差ACE值：

ACE_i＝-10β_iΔf_i+ΔP_i+k_tΔt+k_eΔE

式中β_i为控制区(i)频率特性系数(MW/0.1Hz)，一般为负值，Δf_i、ΔP_i分别为频率偏差和净交换功率偏差。式中Δt和ΔE E为时差和无意交换电量，K_t和K_e为时差和无意交换电量转换系数；

②ACE线性滤波处理：

ACEFIL_i，k+1＝(1-α)*ACEFIL_i，k+α*ACE_i，k+1

式中α为滤波因子，ACEFIL_i，k为K次滤波后的ACE值；

③ACE数值积分：

AGC采用比例积分控制，对ACEFIL_i进行数值积分，计算控制区(i)功率总需求ACEREG_i：

${\mathrm{ACEREG}}_i=K_{\mathrm{Pi}}{\mathrm{ACEFIL}}_i+K_{\mathrm{Ii}}{\∫}_0^t{\mathrm{ACEFIL}}_i\mathrm{dt}=P_{\mathrm{Pi}}+P_{\mathrm{Ii}}$

K_Pi，K_Ii为控制区(i)比例因子和积分因子P_Pi和P_Ii分别为控制区(i)的比例和积分调节功率；

④AGC机组粒子群优化算法的约束条件：

AGC机组的调节容量约束条件：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Q}_i{M}_i\≥80\%Q_{\mathrm{AGC}\max },$

Q_AGC max为NOB调节容量(单位：MW)，Q_i为机组的调节容量，满足Q_max≥Q_i≥Q_minQ_max、Q_min分别为AGC机组的调节容量上、下限值；M_i为整数(1或0，1表示AGC机组被粒子群优化算法选中，0表示AGC机组没被粒子群优化算法选中)；该式表明选定AGC机组的调节容量之和大于系统所需调节容量的80％；

AGC机组的调节速率约束条件：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i{M}_i\≥80\%V_{\mathrm{AGC}\max }$

V_AGC max为系统所需的NOB调节速率(单位：MW/min)，V_i为机组的调节速率，M_i为整数(1或0，1表示AGC机组被粒子群优化算法选中，0表示AGC机组没被粒子群优化算法选中)；该式表明选定AGC机组的调节速率之和大于系统所需调节速率的80％；

ACE调节功率：REG_j＝-α_jP_pi-β_jP_Ii且∑α_j＝1，∑β_j＝1，α_j和β_j分别为AGC机组(j)的归一化调节分配系数和经济分配系数；

⑤粒子群优化算法的初始种群：

利用发电机组调节性能实时测定系统，将所控的全网AGC机组分为快速机组群、慢速机组群和反调机组群；在快速机组群中，采用随机种群作为初始种群，进行搜索；

⑥粒子群优化算法搜索最优AGC机组组合：

令N表示搜索空间的维数，x_i＝[x_i1，x_i1…，x_iN]^T表示粒子i当前的位置，y_i＝[y_i1，y_i1，…，y_iN]^T表示粒子i以前到达过的最好位置，用Fine表示种群中最优粒子的序号，v_i＝[v_i1，v_i1…，v_iN]^T表示粒子i的速度，每个粒子通过下面的公式更新自己的速度和位置：

$\left\{\begin{array}{c}{v}_{\mathrm{is}}^{k+1}=w{v}_{\mathrm{is}}^k+a_1{b}_1(y_{\mathrm{is}}^0-x_{\mathrm{is}}^k)+a_2{b}_2({\mathrm{Fine}}_{\mathrm{is}}^0-x_{\mathrm{is}}^k)\\ x_{\mathrm{is}}^{k+1}=x_{\mathrm{is}}^k+v_{\mathrm{is}}^{k+1}\end{array}\right.$

(i＝1，2，…，M；s＝1，2，…，N)

上式中，k表示迭代次数；M表示粒子群规模，a₁、a₂为权重因子，b₁、b₂是区间[0，1]上的随机数，w为惯性权重，

表示v_is和x_is的第k次迭代值；

表示粒子i的个体极值点位置，表示整个群体全局极值点位置；

粒子通过不断学习更新，最终飞至解空间中最优解所在的位置，搜索过程结束，最后输出的

就是全局最优解。

所述的快速机组群中，快速机组群负责区域中快速负荷波动量，充分利用快速机组响应时间短，调节速率大的优势，跟踪负荷快速波动时更准确迅速；在负荷尖峰或低谷时，慢机组更多地扣负起调节任务，快机组的调节任务则由所减轻；总调节效果无论在负荷平稳或负荷快速波动时都得到了理想的调节效果。

在本发明中，通过发电机组调节性能实时测定系统得到发各AGC机组的调节速率。按调节速率的大小，将全网机组分为快速机组群、慢速机组群和反调机组群。在快速机组群中，机组投无基点调节方式(NOB)，考虑调节速率、购电成本；以CPS指标满足要求，购电成本最低为目标函数，利用粒子群优化算法求得最优机组组合。

在慢机组群中，机组投计划调节方式(BLO)；对反调机组群给出报警提示，机组控制权交给调度员，由人工下令控制，并责令整改，整改满足要求后投AGC。

本发明的有益效果是，用本发明改进AGC机组分配策略后，不同调节性能的机组的调节目标更加明确。克服了现有方法中比例积分系数难以设定和各AGC机组执行指令的同一性问题。快速机组群负责区域中快速负荷波动量，充分利用快速机组响应时间短，调节速率快的优势。因为没有慢机组影响，跟踪负荷快速波动时更准确迅速。在负荷尖峰或低谷时，慢机组更多地扣负起调节任务，快机组的调节任务则由所减轻。总调节效果无论在负荷平稳或负荷快速波动时，都得到了非常理想的调节效果，保证区域电网的CPS指标在合格范围和电网频率稳定，具有很好的社会效益；同时使得购电成本最低，取得良好的经济效益。

附图说明

下面结合附图和具体实施例对本发明作进一步详细的说明。

图1是发电机组调节性能实时测定系统；

图2是本发明的流程图；

图3是快机组群中采用粒子群优化方法进行最优组合实际出力图；

图4是慢机组群采用BLO模式实际出力图；

图5是采用本发明后实际AGC运行1分钟和15分钟结果信息；

图6是采用本发明方法后电网的ACE曲线。

具体实施方式

本发明是基于发电机组调节性能实时测定系统和粒子群优化算法的AGC机组控制方法，用于电网调度中心对发电机组自动发电进行控制。

AGC机组控制方法包括以下步骤：

1)通过发电机组调节性能实时测定系统得到各AGC机组的调节速率；发电机组调节性能实时测定系统可以实时测定各AGC机组的调节速率、调节精度和响应时间等具体的性能指标；

2)按各AGC机组的实际调节速率，将所控的全网AGC机组分为快速机组群、慢速机组群和反调机组群；

3)在快速机组群中，机组投无基点调节方式(NOB)，考虑调节速率、购电成本；以CPS指标满足要求，购电成本最低为目标函数，利用粒子群优化算法求得最优机组组合，被粒子群优化算法选中的机组承担大于80％的NOB调节容量，快速机组群中其余的机组承担剩余的NOB调节容量；

4)慢速机组群中的各机组投计划功率调节方式(BLO)；将反调机组群的各机组退出AGC控制，通知电厂进行处理，处理好后投NOB方式；

5)实时进行机组在线测定，每小时对测定结果统计分析，划分出快、慢和反调机组群，利用粒子群优化算法求得最优机组组合，滚动计算，确保各发电机组发挥出最优调节性能；同时，维持电网频率稳定和电网安全经济。

本发明所述的AGC机组控制方法具体指标如下：

1)控制目标：以区域CPS指标满足要求，电网公司购电成本最低为目标；

2)技术基础：由发电机组调节性能实时测定系统得到发各个AGC机组的调节速率；

3)数据来源：数据采集与监控系统(SCADA)；

4)基础数据：

AGC机组的实时有功功率；

AGC机组的控制上、下限值；

AGC机组的现场投退信号；

AGC机组的主站投退信号；

AGC机组的步长、死区范围；

频率偏差值；

净交换功率偏差；

控制区域的频率特性系数；

整个互联电网的频率偏差系数；

互联电网对全年十分钟频率平均偏差的均方根值的控制目标值；

5)理论基础：粒子群优化算法；

粒子群优化算法作为一种模拟社会行为的随机全局优化算法，具有如下特征：用随机种群初始化算法；通过种群进化搜索最优解；基于历史种群信息进行种群进化。在粒子群优化算法中，每个优化问题的潜在解都是搜索空间中的一个粒子的位置，粒子追随当前的最优粒子在解空间中搜索。

6)利用粒子群优化算法进行机组优化组合的实现过程

①根据频率偏差值、控制区域的频率偏差系数、整个互联电网的频率偏差系数和互联电网对全年十分钟频率平均偏差的均方根值的控制目标值，计算出区域交换功率偏差ACE值：

ACE_i＝-10β_iΔf_i+ΔP_i+k_tΔt+k_eΔE

式中β_i为控制区(i)频率特性系数(MW/0.1Hz)，一般为负值，Δf_i、ΔP_i分别为频率偏差和净交换功率偏差。式中Δt和ΔE E为时差和无意交换电量，K_t和K_e为时差和无意交换电量转换系数。

②ACE线性滤波处理

ACEFIL_i，k+1＝(1-α)*ACEFIL_i，k+α*ACE_i，k+1

式中α为滤波因子，ACEFIL_i，k为K次滤波后的ACE值。

③ACE数值积分

AGC采用比例积分控制，对ACEFIL_i进行数值积分，计算控制区(i)功率总需求ACEREG_i：

${\mathrm{ACEREG}}_i=K_{\mathrm{Pi}}{\mathrm{ACEFIL}}_i+K_{\mathrm{Ii}}{\∫}_0^t{\mathrm{ACEFIL}}_i\mathrm{dt}=P_{\mathrm{Pi}}+P_{\mathrm{Ii}}$

K_Pi，K_Ii为控制区(i)比例因子和积分因子P_Pi和P_Ii分别为控制区(i)的比例和积分调节功率。

④AGC机组粒子群优化算法的约束条件

AGC机组的调节容量约束条件：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Q}_i{M}_i\≥80\%Q_{\mathrm{AGC}\max },$

Q_AGC max为NOB调节容量(单位：MW)，Q_i为机组的调节容量，满足Q_max≥Q_i≥Q_minQ_max、Q_min分别为AGC机组的调节容量上、下限值；M_i为整数(1或0，1表示AGC机组被粒子群优化算法选中，0表示AGC机组没被粒子群优化算法选中)。该式表明选定AGC机组的调节容量之和大于系统所需调节容量的80％。

AGC机组的调节速率约束条件：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i{M}_i\≥80\%V_{\mathrm{AGC}\max }$

V_AGC max为系统所需的NOB调节速率(单位：MW/min)，V_i为机组的调节速率，M_i为整数(1或0，1表示AGC机组被粒子群优化算法选中，0表示AGC机组没被粒子群优化算法选中)。该式表明选定AGC机组的调节速率之和大于系统所需调节速率的80％。

ACE调节功率：REG_j＝-α_jP_pi-β_jP_Ii且∑α_j＝1，∑β_j＝1，α_j和β_j分别为AGC机组(j)的归一化调节分配系数和经济分配系数。

⑤粒子群优化算法的初始种群

利用发电机组调节性能实时测定系统，将所控的全网AGC机组分为快速机组群、慢速机组群和反调机组群；在快速机组群中，采用随机种群作为初始种群，进行搜索。

⑥粒子群优化算法搜索最优AGC机组组合

令N表示搜索空间的维数，x_i＝[x_i1，x_i1…，x_iN]^T表示粒子i当前的位置，y_i＝[y_i1，y_i1，…，y_iN]^T表示粒子i以前到达过的最好位置，用Fine表示种群中最优粒子的序号，v_i＝[v_i1，v_i1…，v_iN]^T表示粒子i的速度，每个粒子通过下面的公式更新自己的速度和位置：

$\left\{\begin{array}{c}{v}_{\mathrm{is}}^{k+1}=w{v}_{\mathrm{is}}^k+a_1{b}_1(y_{\mathrm{is}}^0-x_{\mathrm{is}}^k)+a_2{b}_2({\mathrm{Fine}}_{\mathrm{is}}^0-x_{\mathrm{is}}^k)\\ x_{\mathrm{is}}^{k+1}=x_{\mathrm{is}}^k+v_{\mathrm{is}}^{k+1}\end{array}\right.$

(i＝1，2，…，M；s＝1，2，…，N)

上式中，k表示迭代次数；M表示粒子群规模，a₁、a₂为权重因子，b₁、b₂是区间[0，1]上的随机数，w为惯性权重，

表示v_is和x_is的第k次迭代值；

表示粒子i的个体极值点位置，

表示整个群体全局极值点位置。

粒子通过不断学习更新，最终飞至解空间中最优解所在的位置，搜索过程结束，最后输出的

就是全局最优解。

在此最优解中，被粒子群优化算法选中的机组具备调节速率大、购电成本低的特性，实现既能满足区域CPS指标要求，又使得购电成本最低。

在AGC机组调节性能实时测定系统的界面中，右侧是所选机组的基本信息和测试结果。其中基本信息包括机组名称、机组投入AGC的方式，机组的控制上下限值；测试结果包括单次测试开始的时刻、结束时刻、开始时的功率、结束时的功率、响应时间、调节精度和调节速率。左侧是测试结果的可视化展示。

一、发电机组调节性能实时测定系统

由于参与AGC调节机组类型不同，其响应时间、调节精度及调节速率大不相同，即使同一机组在不同的煤质情况下调节性能也不同。根据国家电监会的要求：并网发电厂单机20万千瓦及以上火电机组和单机4万千瓦及以上非径流式水电机组应具备AGC功能，对并网发电机组提供AGC服务的考核内容主要包括AGC机组的调节速率、调节精度和响应时间。

发电机组调节性能实时测定系统能实时测定出发电机组的调节性能：AGC机组的调节速率、调节精度和响应时间，如图1所示，图1是发电机组调节性能实时测定系统。

二、结合粒子群优化算法进行AGC机组优化组合

粒子群优化算法(particle swam optimjzation，PSO)是一种模拟社会行为的随机全局优化算法，具有如下特征：(1)用随机种群初始化算法；(2)通过种群进化搜索最优解；(3)基于历史种群信息进行种群进化。在PSO算法中，每个优化问题的潜在解都是搜索空间中的一个粒子的位置，粒子追随当前的最优粒子在解空间中搜索。在每次迭代中粒子通过跟踪两个“极值”来更新自己：一个是粒子本身找到的最优解，另一个是整个种群目前找到的最优解。

在本发明中如图2所示，图2是本发明的流程图。通过“发电机组调节性能实时测定系统”得到发各AGC机组的调节速率、调节精度和响应时间。按调节速率的大小，将全网机组分为快速机组群、慢速机组群和反调机组群。在快速机组群中，机组投无基点调节方式(NOB)，每台机组的分配系数不同，调节速率大、响应时间短、调节精度高多分配，同时考虑购电价，以CPS指标满足要求，购电成本最低为目标函数，利用粒子群优化算法求得最优机组组合，如图3所示，图3是快机组群中采用粒子群优化方法进行最优组合实际出力图。在慢机组群中，机组投计划调节方式(BLO)，如图4所示，图4是慢机组群采用BLO模式实际出力图；对反调机组群给出报警提示，控制权交给调度员，由人工下令控制，责令整改。

用本发明中的改进AGC机组分配策略后，不同调节性能的机组的调节目标更加明确。快速机组群负责区域中快速负荷波动量，充分利用快速机组响应时间短，调节速率的优势，因为没有慢机组的影响，在跟踪负荷快速波动时更准确迅速。在负荷尖峰或低谷时，慢机组更多地扣负起调节任务，快机组的调节任务则由所减轻。总调节效果无论在负荷平稳或负荷快速波动时，都得到了非常理想的调节效果，如图5和图6所示，图5是采用本发明后实际AGC运行1分钟和15分钟结果信息；图6是采用本发明方法后电网的ACE曲线。

Claims (3)

1.AGC机组控制方法，其特征在于，包括以下步骤：

1)通过发电机组调节性能实时测定系统得到各AGC机组的调节速率；

2)按各AGC机组的实际调节速率，将所控的全网AGC机组分为快速机组群、慢速机组群和反调机组群；

3)在快速机组群中，机组投无基点调节方式(NOB)，考虑调节速率、购电成本；以CPS指标满足要求，购电成本最低为目标函数，利用粒子群优化算法求得最优机组组合，被粒子群优化算法选中的机组承担大于80％的NOB调节容量，快速机组群中其余的机组承担剩余的NOB调节容量；

4)慢速机组群中的各机组投计划功率调节方式(BLO)；将反调机组群的各机组退出AGC控制，通知电厂进行处理，处理好后投NOB方式；

5)实时进行机组在线测定，每小时对测定结果统计分析，划分出快、慢和反调机组群，利用粒子群优化算法求得最优机组组合，滚动计算，确保各发电机组发挥出最优调节性能；同时，维持电网频率稳定和电网安全经济。

2.根据权利要求1所述的AGC机组控制方法，其特征在于所述的AGC机组控制方法的具体指标如下：

1)控制目标：以电网的CPS指标满足要求，电网公司购电成本最低为目标；

2)技术基础：由发电机组调节性能实时测定系统得到AGC机组的调节速率；

3)数据来源：数据采集与监控系统(SCADA)；

4)基础数据：

AGC机组的实时有功功率；

AGC机组的控制上、下限值；

AGC机组的现场投退信号；

AGC机组的主站投退信号；

AGC机组的步长、死区范围；

频率偏差值；

净交换功率偏差；

控制区域的频率特性系数；

整个互联电网的频率偏差系数；

互联电网对全年十分钟频率平均偏差的均方根值的控制目标值；

5)理论基础：粒子群优化算法；

粒子群优化算法作为一种模拟社会行为的随机全局优化算法，具有如下特征：用随机种群初始化算法；通过种群进化搜索最优解；基于历史种群信息进行种群进化。在粒子群优化算法中，每个优化问题的潜在解都是搜索空间中的一个粒子的位置，粒子追随当前的最优粒子在解空间中搜索；

6)利用粒子群优化算法进行机组优化组合的实现过程：

①根据频率偏差值、控制区域的频率偏差系数、整个互联电网的频率偏差系数和互联电网对全年十分钟频率平均偏差的均方根值的控制目标值，计算出区域交换功率偏差ACE值：

ACE_i＝-10β_iΔf_i+ΔP_i+k_tΔt+k_eΔE

式中β_i为控制区(i)频率特性系数(MW/0.1Hz)，一般为负值，Δf_i、ΔP_i分别为频率偏差和净交换功率偏差。式中Δt和ΔE E为时差和无意交换电量，K_t和K_e为时差和无意交换电量转换系数；

②ACE线性滤波处理：

ACEFIL_i，k+1＝(1-α)*ACEFIL_i，k+α*ACE_i，k+1

式中α为滤波因子，ACEFIL_i，k为K次滤波后的ACE值；

③ACE数值积分：

AGC采用比例积分控制，对ACEFIL_i进行数值积分，计算控制区(i)功率总需求ACEREG_i：

${\mathrm{ACEREG}}_i=K_{\mathrm{Pi}}{\mathrm{ACEFIL}}_i+K_{\mathrm{Ii}}{\∫}_0^t{\mathrm{ACEFIL}}_i\mathrm{dt}=P_{\mathrm{Pi}}+P_{\mathrm{Ii}}$

K_Pi，K_Ii为控制区(i)比例因子和积分因子P_Pi和P_Ii分别为控制区(i)的比例和积分调节功率；

④AGC机组粒子群优化算法的约束条件：

AGC机组的调节容量约束条件：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Q}_i{M}_i\≥80\%Q_{\mathrm{AGC}\max },$

Q_AGC max为NOB调节容量(单位：MW)，Q_i为机组的调节容量，满足Q_max≥Q_i≥Q_minQ_max、Q_min分别为AGC机组的调节容量上、下限值；M_i为整数(1或0，1表示AGC机组被粒子群优化算法选中，0表示AGC机组没被粒子群优化算法选中)；该式表明选定AGC机组的调节容量之和大于系统所需调节容量的80％；

AGC机组的调节速率约束条件：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i{M}_i\≥80\%V_{\mathrm{AGC}\max }$

V_AGC max为系统所需的NOB调节速率(单位：MW/min)，V_i为机组的调节速率，M_i为整数(1或0，1表示AGC机组被粒子群优化算法选中，0表示AGC机组没被粒子群优化算法选中)；该式表明选定AGC机组的调节速率之和大于系统所需调节速率的80％；

ACE调节功率：REG_j＝-α_jP_pi-β_jP_Ii且∑α_j＝1，∑β_j＝1，α_j和β_j分别为AGC机组(j)的归一化调节分配系数和经济分配系数；

⑤粒子群优化算法的初始种群：

利用发电机组调节性能实时测定系统，将所控的全网AGC机组分为快速机组群、慢速机组群和反调机组群；在快速机组群中，采用随机种群作为初始种群，进行搜索；

⑥粒子群优化算法搜索最优AGC机组组合：

令N表示搜索空间的维数，x_i＝[x_i1，x_i1…，x_iN]^T表示粒子i当前的位置，y_i＝[y_i1，y_i1，…，y_iN]^T表示粒子i以前到达过的最好位置，用Fine表示种群中最优粒子的序号，v_i＝[v_i1，v_i1…，v_iN]^T表示粒子i的速度，每个粒子通过下面的公式更新自己的速度和位置：

$\left\{\begin{array}{c}{v}_{\mathrm{is}}^{k+1}=w{v}_{\mathrm{is}}^k+a_1{b}_1(y_{\mathrm{is}}^0-x_{\mathrm{is}}^k)+a_2{b}_2({\mathrm{Fine}}_{\mathrm{is}}^0-x_{\mathrm{is}}^k)\\ x_{\mathrm{is}}^{k+1}=x_{\mathrm{is}}^k+v_{\mathrm{is}}^{k+1}\end{array}\right.$

(i＝1，2，…，M；s＝1，2，…，N)

上式中，k表示迭代次数；M表示粒子群规模，a₁、a₂为权重因子，b₁、b₂是区间[0，1]上的随机数，w为惯性权重，

表示v_is和x_is的第k次迭代值；表示粒子i的个体极值点位置，

表示整个群体全局极值点位置；

粒子通过不断学习更新，最终飞至解空间中最优解所在的位置，搜索过程结束，最后输出的

就是全局最优解。

3.根据权利要求1所述的AGC机组控制方法，其特征在于：所述的快速机组群中，快速机组群负责区域中快速负荷波动量，充分利用快速机组响应时间短，调节速率大的优势，跟踪负荷快速波动时更准确迅速；在负荷尖峰或低谷时，慢机组更多地扣负起调节任务，快机组的调节任务则由所减轻；总调节效果无论在负荷平稳或负荷快速波动时都得到了理想的调节效果。

Images