CN105447256A - 一种增强激励仿真遗传优化方法 - Google Patents
一种增强激励仿真遗传优化方法 Download PDFInfo
- Publication number
- CN105447256A CN105447256A CN201510883621.3A CN201510883621A CN105447256A CN 105447256 A CN105447256 A CN 105447256A CN 201510883621 A CN201510883621 A CN 201510883621A CN 105447256 A CN105447256 A CN 105447256A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- parameter
- simulation
- unit
- heat transfer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种增强激励仿真遗传优化方法,属于在线仿真数据的遗传优化领域,其包括如下步骤:1、建立机组增强激励仿真数学模型:2、将仿真模型进行边界划分;3、选择需要在线修正的参数,并进行在线修正;4、确定模型参数的初始值和寻优范围;5、对仿真模型的参数遗传算法编码:6、确定仿真系统优化目标函数;7、产生初始种群,进行遗传寻优,淘汰最差个体,产生新一代种群;8、新种群重复所述步骤7,直到满足误差要求或达到进化代数;9、给出最优参数和误差;10、判断是否满足要求,若满足要求则优化结束;若不满足要求返回步骤4依次向下重新优化。本发明的优点是优化改进了原有仿真平台的性能和运算速度。
Description
技术领域
本发明属于在线仿真数据的遗传优化领域,具体涉及一种在线数据增强激励仿真遗传优化方法。
背景技术
(1)随着电力工业的发展和科学技术的进步,河北南部电网高容量、特高压输电技术的发展对电网内部机组稳定协调运行提出更高要求。由于机组特性复杂多样性,现场生产试验的控制方案具有现场调试周期长、风险高、控制逻辑不易实现等特点,迫切需要应用新的控制理论和控制策略,希望在应用推广之前能够进行仿真试验,需要将机组在线数据对仿真模型进行修正,提高模型的精确性和可用性。而采用机理建模和模块化方法建立的热力设备数学模型,存在一定的简化假设,在不同的工况条件下各个模块的计算数值与设计数据或者实际运行数据总是存在一定的误差。系统中多个设备模块的误差互相积累、影响,可能使误差逐渐增大,超出火电机组仿真机技术规范标准规定的误差范围。需要调整各个模块系数使系统整体误差达到要求。需要反复调整参数,工作量大,花费时间长,效率低。
(2)原有的火电仿真模型只是在50%,80%,100%等几个静态负荷点来激励仿真,从而获得静态工况下的模型数据以及参数,由于传统仿真机采用零维模型,所以其运行动态过程与实际机组有较大差异,并不足以真正的反应现场工况的变化。参数调整凭借经验进行,没有指导依据,缺乏模型参数调整指导依据。
发明内容
本发明所要解决的技术问题是提供一种仿真精准、反应快速的增强激励仿真遗传优化方法,它以实际运行机组的在线海量数据为基础,将工况划分好的机组数据对仿真机进行激励,通过遗传算法对仿真系统中的模型关键参数进行修正,以达到仿真输出实时无限的逼近实际运行数据,使仿真机能够精确的仿真出实际运行机组。
为解决上述问题,本发明所采用的技术方案具体如下:
步骤1、建立机组增强激励仿真数学模型:
基于工业分散式控制系统的综合智能校验方法,通用型机组在线数据综合智能校验平台将校验后的在线增强激励机组数据和仿真模型对接;所述工业分散式控制系统的综合智能校验方法的发明专利授权号为ZL201110126706.9;具体方法为:将所述在线增强激励机组数据按照工况分为若干工况预置条件,按照工况运行静态数据对机组进行仿真设计校验,保证仿真模型在设计工况满足实际生产试验的精度要求,为了满足仿真试验的要求,将获得的校验后的在线增强激励机组数据经过归一化处理,再将归一化处理后的数据按照机组仿真机实际对应关系,一一和仿真机相应的数据点进行对接,同时将机组运行所需的控制的数据与仿真机相关联的DCS系统进行对接,建立锅炉侧和汽机侧的增强激励仿真模型。
步骤2、由于机组仿真模型运行工况复杂,参数众多,为更好地进行在线修正,减少干扰,需将仿真模型进行边界划分;
步骤3、选择需要在线修正的参数,并进行在线修正,在线修正的具体方法如下:为使仿真机不增加过多的计算过程和模型的复杂程度,同时能够尽量逼近实际运行机组的动态过程,在机组仿真模型的出口增加一节惯性环节来仿真实际机组的动态过程,其基础参数根据机组某确定工况得出,同时采用遗传算法对惯性环节参数进行修正。
所述需要在线修正的参数包括锅炉侧优化参数和汽机侧优化参数;
所述锅炉侧优化参数包括但不限于:水冷壁辐射换热系数、前屏辐射换热系统、过热蒸汽侧换热系数、过热蒸汽烟气蒸汽侧换热系数、再热蒸汽蒸汽侧换热系数和再热蒸汽烟气蒸汽侧换热系数;
所述汽机侧优化参数包括但不限于:通流结垢系数、流量压力比、传导热传递系数、对流热传递系数、环境放热系数、水位系数、层流和紊流的过渡压差、动态蒸发常数、动态凝结常数、壳侧汽区向环境的散热系数、壳侧水区与管道之间的换热系数、管道中的水比热壳侧水区向环境的散热系数加热器水位折算系数、超压放汽导纳、除盐能力、树脂效率衰减的时间常数、正常的流导、与导电率有关的流导减少系数、最小导电率和树脂效率衰减的时间常数。
所述除盐能力包括除盐器容量。
所述仿真模型的参数对目标参数大都有直接或者间接的影响。
步骤4、确定模型参数的初始值和寻优范围:
所述模型参数的初始值根据传热学公式计算得出,所述寻优范围为所述初始值的10%-125%;汽机侧和锅炉侧参数取不同百分比的负荷工况条件下的数值,例如汽机侧和锅炉侧参数取10%、30%、50%、70%、100%等负荷工况条件的数值;
步骤5、对仿真模型的参数遗传算法编码:
根据不同的仿真模型参数,采用可变长度的二进制串进行编码,一般为8位或者
16位;所述的编码方法具体如下:
xmin=00000000,对映kmin=0.75
xmax=11111111,对应kmax=1.25
映射公式(1)如下:
其中,
x为仿真模型参数编码;
k为仿真模型参数;
s为编码位数,一般为8位;
xmin为仿真模型参数编码下限;
kmin为仿真模型参数下限;
kmax为仿真模型参数上限;
解码公式(2)如下:
其中,b为x中的仿真模型参数编码某一比特位的值。
步骤6、确定仿真系统优化目标函数,所述目标函数的公式(3)如下:
其中,f为个体适应度;
i=1,2…n代表所需计算的模型寻优参数个数;
Ti为现场运行数值,如汽温,压力,流量、水位;
Tmi为模型计算值;
Sj为仪表量程。
参数优化目标是使数学模型目标参数的稳态误差小于规定的要求,即求目标函数的最小值。
步骤7、产生初始种群,进行遗传寻优,淘汰最差个体,产生新一代种群;具体实现方法如下:
根据步骤3的参数的初始值,随机产生包含n个个体的初始种群;
采用轮盘赌选择算法,对种群进行遗传操作,公式(4)如下:
其中,pi为个体i被选中概率;
为群体累加适应度;
选择单点交叉方法,在仿真模型的参数遗传算法编码中,随机选择一个点,以这个点为界限,相互交换变量。
步骤8、新种群重复所述步骤7,直到满足误差要求或达到进化代数;
步骤9、给出最优参数和误差;
步骤10、判断是否满足要求,若满足要求则优化结束;若不满足要求返回步骤4依次向下重新优化。
本发明的有益效果如下:
本发明实现了电网主力发电机组的实际数据与仿真模型对接,优化改进了原有仿真平台的性能和运算速度,将生产实际与科研联系起来,同时结合当电网运行的可靠性和解决遇到的各种问题初步分析,并开展了系列化的优化策略体系研究;利用增强激励仿真遗传优化方法,经过测试,本发明能够利用机组在线数据有效改善仿真机模型精度,使其静态参数和动态参数均不断逼近实际运行机组。
将原有的仿真平台改进为在线数据激励的试验仿真平台,针对生产试验建立仿真模型,实现仿真模型响应特性与现场实际特性趋近度达90%,使仿真平台成为可以真正服务于生产试验的技术支撑平台;
应用基于在线数据的增强激励仿真遗传优化方法对生产试验划分边界,进行仿真建模评估后,将解决实际问题的服务次数从平均10次降低到2次,缩减成本15%,提高工程进度13;单台机组年节省机组热态启动费用670万,节省冷态费用380万,确保RB一次成功率97%,对机组和电网冲击幅度降低了81%。
附图说明
图1为本发明的方法流程图。
图2为本发明中仿真模型静态在线修正划分边界图。
图3为本发明中仿真模型动态在线修正划分边界图。
图4为本发明中主蒸汽系统仿真子模型结构示意图。
图5为本发明中高压缸及高旁系统仿真子模型结构示意图。
图6为本发明中高加及抽汽系统仿真模型结构示意图。
图7为本发明中热器传热模型示意图。
具体实施方式
下面结合图1-图7和实施例对本发明做进一步详细说明。
实施例的具体步骤如下:
步骤1、建立机组增强激励仿真数学模型:
基于工业分散式控制系统的综合智能校验方法,通用型机组在线数据综合智能校验平台将校验后的在线增强激励机组数据和仿真模型对接;所述工业分散式控制系统的综合智能校验方法的发明专利授权号为ZL201110126706.9;具体方法为:将所述在线增强激励机组数据按照工况分为若干工况预置条件,按照工况运行静态数据对机组进行仿真设计校验,保证仿真模型在设计工况满足实际生产试验的精度要求,为了满足仿真试验的要求,将获得的校验后的在线增强激励机组数据经过归一化处理,再将归一化处理后的数据按照机组仿真机实际对应关系,一一和仿真机相应的数据点进行对接,同时将机组运行所需的控制的数据与仿真机相关联的DCS系统进行对接,建立锅炉侧和汽机侧的增强激励仿真模型。
步骤2、由于机组仿真模型运行工况复杂,参数众多,为更好地进行在线修正,减少干扰,需将仿真模型进行边界划分;
锅炉侧仿真模型边界划分:
参见图4,主蒸汽系统:锅炉给水由#3高加出口供给,以#3高加出口为边界。主蒸汽流出以汽轮机调门之前的主蒸汽管道为边界。
机组汽机侧仿真模型边界划分:
参见图5,高压缸及高旁系统:入口以末级过热器出口后蒸汽管道上压力节点为边界,出口以再热汽入口压力节点为边界。高压缸除调节级外以抽汽划分为2级,可简化计算,缩短仿真计算周期,而不影响仿真精度。假设主汽门左右侧开度一致时两侧进汽量相同,建模中考虑了轴封漏汽和疏水影响。进行建模,根据流体网络及设备间的相互关系进行输入输出连接和结构参数填写。
参见图6,高加及抽汽系统:高加热器入口边界选取给水母管的压力节点,出口边界选取省煤器入口节点,抽汽参数由高压缸系统各级组输出。
步骤3、选择需要在线修正的参数,并进行在线修正,在线修正的具体方法如下:为使仿真机不增加过多的计算过程和模型的复杂程度,同时能够尽量逼近实际运行机组的动态过程,在机组仿真模型的出口增加一节惯性环节来仿真实际机组的动态过程,其基础参数根据机组某确定工况得出,同时采用遗传算法对惯性环节参数进行修正。
所述需要在线修正的参数包括锅炉侧优化参数和汽机侧优化参数;
所述锅炉侧优化参数包括但不限于:水冷壁辐射换热系数、前屏辐射换热系统、过热蒸汽侧换热系数、过热蒸汽烟气蒸汽侧换热系数、再热蒸汽蒸汽侧换热系数和再热蒸汽烟气蒸汽侧换热系数;
所述汽机侧优化参数包括但不限于:通流结垢系数、流量压力比、传导热传递系数、对流热传递系数、环境放热系数、水位系数、层流和紊流的过渡压差、动态蒸发常数、动态凝结常数、壳侧汽区向环境的散热系数、壳侧水区与管道之间的换热系数、管道中的水比热壳侧水区向环境的散热系数加热器水位折算系数、超压放汽导纳、除盐能力、树脂效率衰减的时间常数、正常的流导、与导电率有关的流导减少系数、最小导电率和树脂效率衰减的时间常数。
所述仿真模型的参数对目标参数大都有直接或者间接的影响。
步骤4、确定模型参数的初始值和寻优范围:
所述模型参数的初始值根据传热学公式计算得出,所述寻优范围为所述初始值的10%-125%;汽机侧和锅炉侧参数取不同百分比的负荷工况条件下的数值,例如汽机侧和锅炉侧参数取10%、30%、50%、70%、100%等负荷工况条件的数值;
步骤5、对仿真模型的参数遗传算法编码:
根据不同的仿真模型参数,采用可变长度的二进制串进行编码,一般为8位;所
述的编码方法具体如下:
xmin=00000000,对映kmin=0.75
xmax=11111111,对应kmax=1.25
映射公式(1)如下:
其中,x为仿真模型参数编码;
k为仿真模型参数;
s为编码位数,一般为8位;
xmin为仿真模型参数编码下限;
kmin为仿真模型参数下限;
kmax为仿真模型参数上限;
解码公式(2)如下:
其中,b为x中的仿真模型参数编码某一比特位的值。
步骤6、确定仿真系统优化目标函数,所述目标函数的公式(3)如下:
其中,f为个体适应度;
i=1,2…n代表所需计算的模型寻优参数个数;
Ti为现场运行数值,如汽温,压力,流量、水位;
Tmi为模型计算值;
Sj为仪表量程。
参数优化目标是使数学模型目标参数的稳态误差小于规定的要求,即求目标函数的最小值。
步骤7、产生初始种群,进行遗传寻优,淘汰最差个体,产生新一代种群;具体实现方法如下:
根据步骤3的参数的初始值,随机产生包含n个个体的初始种群;
采用轮盘赌选择算法,对种群进行遗传操作,公式(4)如下:
其中,pi为个体i被选中概率;
为群体累加适应度;
选择单点交叉方法,在仿真模型的参数遗传算法编码中,随机选择一个点,以这个点为界限,相互交换变量。
步骤8、新种群重复所述步骤7,直到满足误差要求或达到进化代数;
步骤9、给出最优参数和误差;
步骤10、判断是否满足要求,若满足要求则优化结束;若不满足要求返回步骤4依次向下重新优化。
本发明的工作原理如下:
首先,在通用型机组在线数据综合智能校验平台基础上,将在线机组数据和仿真模型对接。将数据按照工况分为若干工况预置条件,首先按照一定工况运行静态数据对机组进行仿真设计校验,保证仿真模型在设计工况满足实际生产试验的精度要求,比如原有仿真模型只要求在50%和100%负荷工况满足仿真操作要求精度即可,那么为了满足仿真试验的要求,就进一步将仿真机工况细分,以10%为档位,分别设置10%、30%、50%、70%、100%等负荷工况条件,需要将机组在线数据对仿真模型进行修正,提高模型的精确性和可用性;其次,针对仿真模型的动态特性,利用在线数据和仿真模型输出数据的偏差,迭代优化最优的仿真模型参数数值。最终,达到仿真模型和实际机组特性相似度逼近的目的。
将获得的数据经过归一化处理后数据按照机组仿真机实际对应关系,一一和火电机组仿真机相应的数据点进行对接,同时将将机组运行所需的控制数据与仿真机相关联的DCS系统进行对接,建立基于在线数据的增强激励仿真模型。
再然后,由于火电机组运行工况复杂,参数众多,为更好地进行在线修正,减少干扰,需首先将仿真模型进行边界划分,同时为使仿真机不增加过多的计算过程和模型的复杂程度,同时能够尽量逼近实际运行机组的动态过程,本发明在机组主要锅炉侧和汽机侧模型的出口增加一节惯性环节来仿真实际机组的动态过程;
然后,需选择在线修正的参数。被选模型参数对目标参数大都有直接或者间接的影响。优化参数选择没有固定的公式,包括锅炉侧和汽机侧仿真调节优化参数。这些参数的初始值根据传热学公式计算得出,蒸汽和烟气参数取10%、30%、50%、70%、100%等负荷工况条件的数值,寻优范围为初始值的75%-125%。
确定仿真系统优化目标函数,采用仿真算法,产生初始种群,进行寻优,淘汰最差个体,产生新一代种群,循环迭代,直到满足误差要求或达到进化代数。
以过热蒸汽增强激励仿真为例:
1、过热蒸汽增强激励仿真建模:
其中,单相介质换热器数学模型的方案如下:
参见图7,将换热器的换热模型简化为一无限长的单管,并将换热过程简化为烟气与管壁的换热、管壁与工质的换热过程,同时忽略沿管壁轴向的热交换。模型采用集总参数法,只考虑金属管壁和工质的蓄热作用。
1)烟气侧换热系数的公式(5)如下:
agas=ar+ac(5)
其中:agas为烟气侧换热系数;
ar为烟气侧辐射换热系数;
ac为烟气侧对流换热系数;
对于顺列管束的公式(6)如下:
对于错列管束的公式(7)如下:
其中:CZ为管簇排数的改正系数;
CS为管簇横向与纵向管节距的改正系数;
Prg为烟气普朗特数;
vg为烟气在管簇中的平均温度下的运动黏度;
Ws为烟气流速,按烟气在管簇中的平均温度计算;
dw为管道外径;
2)辐射换热系数的公式(8)如下:
其中: 其中
为烟气的水蒸气份额;
为烟气的三原子气体份额;
μ为飞灰浓度;
S为烟气的平均射线行程;
Pg为烟气压力;
lg为换热器管束前烟气空间尺寸;
lt为换热器烟气空间尺寸;
Ct为烟温修正系数;
Cf为系数;
3)工质侧换热系数的公式(9)如下:
其中:Ct,Cd,Cl为系数,一般取1.0;
Prs为工质普朗特数;
vs为运动粘度;
λs为导热系数;
Ws为工质流速;
dn为管道内径;
C2为低负荷修正系数;
4)总的传热系数的公式(10)如下:
其中:u为总的传热系数;
ε为管束的灰污系数;
5)对数温压修正系数的公式(11)~公式(15)如下:
顺流时:DT1=tg1-ts1,DT2=tg2-ts2(11)
逆流时:DT1=tg1-ts2,DT2=tg2-ts1(12)
其中:tg1为烟气入口温度;
tg2为烟气出口温度;
ts1为工质入口温度;
ts2为工质出口温度;
如果DT1<DT2,对数温压为:
如果DT1>DT2,对数温压为:
对数温压修正系数为:
其中:tg为烟气算术平均温度;
ts为工质算术平均温度;
6)换热量的公式(16)如下:
其中:H为换热器换热面积;
tm为管壁温度;
Qg为烟气对金属换热量;
Qs为金属对工质换热量;
7)金属管壁温度的公式(17)如下:
其中MmCpm为管壁金属热容量;
8)出口烟温的公式(18)如下:
其中:Wg1,Wg2为烟气入出口流量;
Cpg1,Cpg2为烟气入出口比热;
Mg为烟气质量;
9)出口工质焓的公式(19)如下:
其中:Ws1,Ws2为工质入出口流量;
hs1,hs2为工质入出口焓;
Mg为工质质量;
10)出口压力的公式(20)如下:
Pg2=Pg1-ξgWg 2,Ps2=Ps1-ξsWs 2(20)
其中:Pg1,Pg2为烟气入出口压力;
Ps1,Ps2为工质入出口压力;
ξg为烟气流动阻力系数;
ξs为工质流动阻力系数;
假定热容MmCpm,MgCpg和工质蓄热存量Ms为常数,微分方程采用欧拉法可得:
2.需在线修正的参数选择
主要包括:水冷壁辐射换热系数、前屏辐射换热系统、过热蒸汽蒸汽侧换热系数、过热蒸汽烟气蒸汽侧换热系数、再热蒸汽蒸汽侧换热系数、再热蒸汽烟气蒸汽侧换热系数等。这些参数的初始值根据传热学公式计算得出,蒸汽和烟气参数取10%、30%、50%、70%、100%负荷下的数值,寻优范围为初始值的75%-125%。
3.基于遗传算法的仿真模型静态在线修正
由于火电机组运行工况复杂,参数众多,为更好地进行在线修正,减少干扰,需首先将单相介质换热器进行边界划分,以过热蒸汽系统为例,将过热蒸汽系统入口作为入口边界,出口作为出口边界,以选取好的机组运行数据输入至过热蒸汽系统入口,以出口参数与实际机组数据进行对比,通过遗传算法对过热蒸汽蒸汽侧换热系数、过热蒸汽烟气蒸汽侧换热系数进行在线修正。
如图2所示,以烟气侧换热系数为例:
α'gas=k×αgas(24)
其中:α′gas为经修正后的烟气换热系数;
K为遗传算法所计算的修正系数[0.751.25];
αgas为烟气换热系数初始值;
1)遗传算法编码:
采用8位二进制串进行编码,即:
xmin=00000000,对映kmin=0.75
kmax=11111111,对应kmax=1.25
映射公式为:
解码公式为:
式中b为仿真模型编码中的某一比特的值。
由于在单相介质换热器中需修正两个换热系数:过热蒸汽蒸汽侧换热系数
过热蒸汽烟气侧换热系数,所以需将连个参数混合编码,即生成16位二进制串。
z=x|y=bx1...bx8by1...by8
2)参数设定:
M:群体大小,即群体中所含个体的数量,一般取为20~100。
T:遗传运算的终止进化代数,一般取为100
Pc:交叉概率,—般取为0.4~0.99。
Pm:变异概率,一般取为0.0001~0.1。
3)适应度函数:
参数优化目标是使数学模型目标参数的稳态误差小于规定的要求,即求目标函数的最小值。目标函数可以表示为:
式中:f为个体适应度
i=1,2…n代表所需计算的换热系数个数;
Ti为现场运行数值,如汽温;
Tmi为模型计算值;
Sj为仪表量程。
4)遗传算子选择
采用轮盘赌选择算法,对种群进行遗传操作:
式中:pi为个体i被选中概率;
为群体累加适应度。
5)交叉算子选择:选择单点交叉方法。
为了保证本发明对火电机组仿真机在线修正的有效性,对其进行仿真机运行测试,系统运行测试时间为2015年6月15至2015年7月21日,测试地点在河北省电力建设调整试验所热控的仿真试验室。
一、仿真机静态参数精度测试,测试结果见表1:
表1
名称 | 机组负荷 | 机组数据筛选值 | 修正前 | 修正后 |
过热汽温℃ | 600MW | 568 | 567 | 568 |
再热汽温℃ | 600MW | 563 | 563 | 563 |
过热汽温℃ | 500MW | 566 | 561 | 565 |
再热汽温℃ | 500MW | 567 | 562 | 567 |
过热汽温℃ | 400MW | 561 | 566 | 561 |
再热汽温℃ | 400MW | 564 | 558 | 563 |
二、仿真机动态精度参数测试(单个单相介质换热器),详见下表2:
表2
检测标准:DL/T1022-2006《火电机组仿真机技术规范》。
4.仿真机动态过程在线修正:
为使仿真机不增加过多的计算过程和模型的复杂程度,同时能够尽量逼近实际运行机组的动态过程,本发明在机组过热蒸汽仿真模型的出口增加一节惯性环节来仿真实际机组的动态过程,其基础参数可根据机组某确定工况得出,同时采用遗传算法对惯性环节参数进行修正。
实施例为以过热蒸汽系统为例,在机组静态工况调整完毕后,在机组运行筛选数据中获取以下数据:
x0——机组工况变化前过热汽温
x2——机组工况变化后过热汽温
x1=0.632×(x2-x0)
t0——机组工况变化前的时间
t1——机组过热汽温达到x1的时间
ta=t1-t0
通过机组实际运行的动态过程数据激励仿真机,在机组仿真机运行数据中获取以下数据:
x′0——仿真机工况变化前过热汽温
x′2——仿真机工况变化后过热汽温
x′1=0.632×(x'2-x'0)
t′0——仿真机工况变化前的时间
t′1——仿真机过热汽温达到x′1的时间
t′a=t′1-t′0
当然,本技术领域内的一般技术人员应当认识到,上述实施例仅是用来说明本发明,而并非用作对本发明的限定,只要在本发明的实质精神范围内,对上述实施例的变化、变型等都将落在本发明权利要求的范围内。
Claims (8)
1.一种增强激励仿真遗传优化方法,其特征在于具体步骤如下:
步骤1、建立机组增强激励仿真数学模型:
基于工业分散式控制系统的综合智能校验方法,通用型机组在线数据综合智能校验平台将校验后的在线增强激励机组数据和仿真模型对接;
步骤2、将仿真模型进行边界划分;
步骤3、选择需要在线修正的参数,并进行在线修正;
步骤4、确定模型参数的初始值和寻优范围:
所述模型参数的初始值根据传热学公式计算得出,所述寻优范围为所述初始值的10%-125%;
步骤5、对仿真模型的参数遗传算法编码:
根据不同的仿真模型参数,采用可变长度的二进制串进行编码,一般为8位或者16位;
步骤6、确定仿真系统优化目标函数;
步骤7、产生初始种群,进行遗传寻优,淘汰最差个体,产生新一代种群;
步骤8、新种群重复所述步骤7,直到满足误差要求或达到进化代数;
步骤9、给出最优参数和误差;
步骤10、判断是否满足要求,若满足要求则优化结束;若不满足要求返回步骤4依次向下重新优化。
2.根据权利要求1所述的一种增强激励仿真遗传优化方法,其特征在于:所述步骤1建立机组增强激励仿真数学模型的具体方法如下:
将所述在线增强激励机组数据按照工况分为若干工况预置条件,按照工况运行静态数据对机组进行仿真设计校验,将获得的校验后的在线增强激励机组数据经过归一化处理,再将归一化处理后的数据按照机组仿真机实际对应关系,一一和仿真机相应的数据点进行对接,同时将机组运行所需的控制的数据与仿真机相关联的DCS系统进行对接,建立锅炉侧和汽机侧的增强激励仿真模型。
3.根据权利要求1所述的一种增强激励仿真遗传优化方法,其特征在于:所述步骤3中需要在线修正的参数包括锅炉侧优化参数和汽机侧优化参数。
4.根据权利要求3所述的一种增强激励仿真遗传优化方法,其特征在于:所述锅炉侧优化参数包括但不限于:水冷壁辐射换热系数、前屏辐射换热系统、过热蒸汽侧换热系数、过热蒸汽烟气蒸汽侧换热系数、再热蒸汽蒸汽侧换热系数和再热蒸汽烟气蒸汽侧换热系数;
所述汽机侧优化参数包括但不限于:通流结垢系数、流量压力比、传导热传递系数、对流热传递系数、环境放热系数、水位系数、层流和紊流的过渡压差、动态蒸发常数、动态凝结常数、壳侧汽区向环境的散热系数、壳侧水区与管道之间的换热系数、管道中的水比热壳侧水区向环境的散热系数加热器水位折算系数、超压放汽导纳、除盐能力、树脂效率衰减的时间常数、正常的流导、与导电率有关的流导减少系数、最小导电率和树脂效率衰减的时间常数。
5.根据权利要求1所述的一种增强激励仿真遗传优化方法,其特征在于:所述步骤3中在线修正的具体方法如下:在机组仿真模型的出口增加一节惯性环节来仿真实际机组的动态过程,其基础参数根据机组某确定工况得出,同时采用遗传算法对惯性环节参数进行修正。
6.根据权利要求1所述的一种增强激励仿真遗传优化方法,其特征在于:所述步骤5中所述的编码方法如下:
xmin=00000000,对映kmin=0.75
xmax=11111111,对应kmax=1.25
映射公式(1)如下:
其中,x为仿真模型参数编码;
k为仿真模型参数;
s为编码位数,一般为8位;
xmin为仿真模型参数编码下限;
kmin为仿真模型参数下限;
kmax为仿真模型参数上限;
解码公式(2)如下:
其中,b为x中的仿真模型参数编码某一比特位的值。
7.根据权利要求1所述的一种增强激励仿真遗传优化方法,其特征在于:所述步骤6中目标函数的公式(3)如下:
其中,f为个体适应度;
i=1,2…n代表所需计算的模型寻优参数个数;
Ti为现场运行数值,如汽温,压力,流量、水位;
Tmi为模型计算值;
Sj为仪表量程。
8.根据权利要求1所述的一种增强激励仿真遗传优化方法,其特征在于:所述步骤7的具体实现方法如下:
根据步骤3的参数的初始值,随机产生包含n个个体的初始种群;
采用轮盘赌选择算法,对种群进行遗传操作,公式(4)如下:
其中,pi为个体i被选中概率;
为群体累加适应度;
选择单点交叉方法,在仿真模型的参数遗传算法编码中,随机选择一个点,以这个点为界限,相互交换变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510883621.3A CN105447256B (zh) | 2015-12-04 | 2015-12-04 | 一种增强激励仿真遗传优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510883621.3A CN105447256B (zh) | 2015-12-04 | 2015-12-04 | 一种增强激励仿真遗传优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447256A true CN105447256A (zh) | 2016-03-30 |
CN105447256B CN105447256B (zh) | 2018-07-31 |
Family
ID=55557427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510883621.3A Active CN105447256B (zh) | 2015-12-04 | 2015-12-04 | 一种增强激励仿真遗传优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447256B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106094572A (zh) * | 2016-07-29 | 2016-11-09 | 河北省电力建设调整试验所 | 一种源侧涉网生产试验闭环仿真辨识应用方法 |
CN107016176A (zh) * | 2017-03-24 | 2017-08-04 | 杭州电子科技大学 | 一种混合智能锅炉综合燃烧优化方法 |
CN107256287A (zh) * | 2017-05-17 | 2017-10-17 | 神华集团有限责任公司 | 低温再热器出口集箱管屏的优化方法和装置 |
CN112949188A (zh) * | 2021-03-05 | 2021-06-11 | 中国海洋大学 | 一种波浪能装置参数配置的寻优系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104482525A (zh) * | 2014-12-25 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 超超临界机组再热汽温的控制方法和系统 |
CN104696944A (zh) * | 2015-01-26 | 2015-06-10 | 浙江大学 | 一种基于负荷预知的动态优化与参数估计集成的方法 |
CN104978442A (zh) * | 2014-04-04 | 2015-10-14 | 北京宜能高科科技有限公司 | 集成动力站及装置产用汽的蒸汽动力系统优化方法及系统 |
-
2015
- 2015-12-04 CN CN201510883621.3A patent/CN105447256B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978442A (zh) * | 2014-04-04 | 2015-10-14 | 北京宜能高科科技有限公司 | 集成动力站及装置产用汽的蒸汽动力系统优化方法及系统 |
CN104482525A (zh) * | 2014-12-25 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 超超临界机组再热汽温的控制方法和系统 |
CN104696944A (zh) * | 2015-01-26 | 2015-06-10 | 浙江大学 | 一种基于负荷预知的动态优化与参数估计集成的方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106094572A (zh) * | 2016-07-29 | 2016-11-09 | 河北省电力建设调整试验所 | 一种源侧涉网生产试验闭环仿真辨识应用方法 |
CN106094572B (zh) * | 2016-07-29 | 2019-03-22 | 河北省电力建设调整试验所 | 一种源侧涉网生产试验闭环仿真辨识应用方法 |
CN107016176A (zh) * | 2017-03-24 | 2017-08-04 | 杭州电子科技大学 | 一种混合智能锅炉综合燃烧优化方法 |
CN107256287A (zh) * | 2017-05-17 | 2017-10-17 | 神华集团有限责任公司 | 低温再热器出口集箱管屏的优化方法和装置 |
CN112949188A (zh) * | 2021-03-05 | 2021-06-11 | 中国海洋大学 | 一种波浪能装置参数配置的寻优系统及方法 |
CN112949188B (zh) * | 2021-03-05 | 2022-11-18 | 中国海洋大学 | 一种波浪能装置参数配置的寻优系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105447256B (zh) | 2018-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105910169B (zh) | 基于机理模型预测控制的城市供热系统热网调节方法及系统 | |
CN106647329B (zh) | 一种供热管网等效建模方法 | |
CN111222213B (zh) | 一种热力网络动态仿真方法及装置 | |
CN105184395B (zh) | 含余热利用系统的火电机组的初参数确定方法 | |
CN105447256A (zh) | 一种增强激励仿真遗传优化方法 | |
CN107726358A (zh) | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 | |
CN108131848B (zh) | 一种dsg槽式光热电站集热场工质参数预测方法 | |
WO2021174749A1 (zh) | 一种蒸汽动力系统的运行操作优化方法及系统 | |
CN105512388A (zh) | 一种基于labview的亚临界火电机组增强激励仿真建模方法 | |
CN102889598A (zh) | 一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法 | |
CN104834773A (zh) | 一种直管式直流蒸汽发生器换热性能的仿真方法 | |
CN102419827B (zh) | 基于rbf神经网络的沸腾换热预测方法 | |
Bøhm et al. | Simple models for operational optimisation | |
CN112016754A (zh) | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 | |
CN104978442B (zh) | 集成动力站及装置产用汽的蒸汽动力系统优化方法及系统 | |
Reynoso-Jardón et al. | Artificial neural networks (ANN) to predict overall heat transfer coefficient and pressure drop on a simulated heat exchanger | |
CN107887912A (zh) | 一种静态潮流分析方法及静态潮流分析系统 | |
CN117272832B (zh) | 基于神经网络的post-dryout传热区仿真方法 | |
CN112182905B (zh) | 一种用于综合能源系统的供热管网仿真方法和装置 | |
CN114117819B (zh) | 一种热蒸汽网络稳态仿真方法 | |
CN112989719B (zh) | 一种燃气锅炉机组动态特性建模方法 | |
CN112446097B (zh) | 一种蒸汽发生器体积和负荷的多目标优化方法 | |
CN106444419B (zh) | 一种基于性能数据的自抗扰控制硬件在线闭环仿真控制方法 | |
Rączka et al. | Methods of thermal calculations for a condensing waste-heat exchanger | |
Feng et al. | Optimal design of pipe network of district cooling system based on genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 050091 Hebei high tech District of Shijiazhuang City Xinshi North Road, No. 368 Applicant after: National network Hebei Energy Technology Service Co., Ltd. Address before: 050091 Hebei high tech District of Shijiazhuang City Xinshi North Road, No. 368 Applicant before: Hebei Electric Power Construction & Adjustment Research Institute |
|
GR01 | Patent grant | ||
GR01 | Patent grant |