CN105488266A - 一种火电机组实发功率预测方法 - Google Patents

Abstract

本发明公开了基于遗传优化和T-S模糊建模的火电机组实发功率预测方法，该方法包括基于遗传优化实现模型输入量优化选择、基于模糊聚类方法T-S模糊模型前件参数的建立、基于最小二乘法T-S模糊模型后件参数的辨识。本发明实现了火电机组实发功率的预测，实现了遗传优化算法与T-S模糊建模的有机结合，算法先进、预测精度高，针对区外来电占比较大以及特高压直流输电发生闭锁故障等情况时，一方面为电网的调度运行分析以及调整提供参考，同时也能够在电网负荷波动幅度较大时预估电网频率提供依据，提高了电网调度效率、保障电网安全运行。

Description

一种火电机组实发功率预测方法

技术领域

本发明涉及火电机组实发功率预测技术领域，具体涉及一种基于遗传优化和T-S模糊建模的火电机组实发功率预测方法，属于热能动力工程和热工控制领域。

背景技术

电网频率反映了电力系统内发电出力与负荷的平衡关系，二者的不平衡会导致电网频率偏离额定值发生波动。因此电网频率是整个电力系统安全运行的重要参数，同时也是评价电能质量的一个重要指标。为了保障电网的安全与供电电能的质量，我国对电网频率波动进行了严格的规定。

现代电网在电网频率的调节上一般分为一次调频和二次调频。通过利用汽轮机调速系统来缓和电网频率的改变程度的一次有差调频和机组采用AGC方式的二次无差调频能够使电网频率的偏差稳定在较小的范围之内。但随着现代电网规模的扩大，分布式能源的加入以及特高压直流和智能电网的建设，对现行电网控制提出了精细化、智能化的更高的控制要求，因此通过对并网运行机组实发功率的预测可以实现有功调节能力和性能的实时评估，对电网电能的调度具有重要意义。

发明内容

技术问题：本发明的目的在于提供一种基于遗传优化和T-S模糊建模的火电机组实发功率预测方法，该方法利用火电机组可测数据，对数据进行分析处理，输入量筛选，建立T-S模糊预测模型，为电网调度提供参考。

技术方案：本发明的一种基于遗传优化和T-S模糊建模的火电机组实发功率预测方法，包括遗传优化实现模型输入量优化选择、基于模糊聚类方法T-S模糊模型前件参数的建立、基于最小二乘法T-S模糊模型后件参数的辨识。

首先基于遗传优化实现模型输入量优化选择，由火电机组实发功率影响因素即预测模型可能输入量的确定与遗传优化输入量筛选，确定火电机组实发功率影响因素即预测模型可能输入，具体包括：机组实际功率、机组负荷指令、压力偏差、主蒸汽偏差、再热汽温偏差、闭锁增信号、闭锁减信号、机组最大允许负荷、机组最小允许负荷、负荷速率设定值、锅炉主控指令、汽机主控指令、燃料主控指令、磨煤机运行台数、煤质校正系数、过热度偏差、电网调度负荷指令、一次调频负荷指令18个预测模型的可能输入量。其次利用遗传算法进行优化计算，将解空间映射到编码空间，每个编码对应问题的一个解，将编码长度设计为18，染色体的每一位对应一个输入自变量，每一位的基因取值只能是1和0两种情况，如果染色体某一位的值为1，表示该位对应输入自变量参与最终建模；反之，则表示0对应的输入自变量不作为最终的建模自变量。选取测试集数据均方误差的倒数作为遗传算法的适应度函数，从而通过迭代进化，最终筛选出最具代表性的输入自变量参与预测模型的建立。

其次是基于模糊聚类方法T-S模糊模型前件参数的建立，模糊聚类的实现步骤如下：

(1)给出初始划分聚类数c＝2，初始隶属度矩阵U₁，初始步数m＝1；

(2)计算第i个模糊类的中心值c_i

$c_i=\frac{\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\μ}}_{ik}{x}_k}{\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\μ}}_{ik}},i=1,2,\mathrm{...},c$

式中，μ_ik为隶属度矩阵U的第i行第k列，x_k为第k个模型输入量，N为采集的历史数据总个数。

定义第k个数据与第i个模糊类的距离d_ik为：

d_ik＝||x_k-c_i||

(3)m＝m+1,计算新的隶属度矩阵U_m+1

新的隶属度矩阵更新公式如下：

若d_ik＞0则 ${\mathrm{\μ}}_{ik}=1/\underset{j=1}{\overset{c}{\Σ}}{\left(\frac{d_{ik}}{d_{jk}}\right)}^2$

若d_ik＝0则μ_ik＝1，μ_jk＝0,j≠i

(4)给定目标ε：

如果||U^m+1-U^m||≤ε，则c_i为聚类中心值点，否则增加模糊类数，返回(2)。

最后是基于最小二乘法T-S模糊模型后件参数的辨识，将火电厂控制系统中采集的历史数据进行整理，构造模型输入数据矩阵φ，模型输出数据向量Y，则T-S模糊模型后件参数θ可由以下表达式计算得出。

θ＝(φφ^T)^-1φY，

其中，输入数据矩阵φ的的构造方法为：

φ第K行为 ${\mathrm{\φ}}_k=\[{\mathrm{\β}}_1^k,\mathrm{...},{\mathrm{\β}}_n^k,{\mathrm{\β}}_1^k{x}_1^k,\mathrm{...},{\mathrm{\β}}_n^k{x}_1^k,\mathrm{...},{\mathrm{\β}}_1^k{x}_m^k,\mathrm{...},{\mathrm{\β}}_n^k{x}_m^k\]$

式中，为对应第k个输入量与第一个聚类中心点的隶属度值，为对应第k个输入量与第n个聚类中心点的隶属度值，表示第一个输入量的第k次历史数据采样值，表示第m个输入量的第k次历史数据采样值。

输出数据矩阵构造方法为：

Y＝[y₁,y₂,…,y_N]^T。

式中，y_i为第i次采集的输出数据。

有益效果：本发明方法可以预测出将来时刻的火电机组实发功率值，利用预测结果可实时评估火电机组有功调节能力和性能，对运行人员对火电机组采取进一步控制措施以及对电网电能的调度具有重要指导意义。预测算法本身实现了遗传优化和T-S模糊建模的有机融合，实现了输入量的最优筛选，算法先进、预测精度高。

具体实施方式

本发明的基于遗传优化和T-S模糊建模的火电机组实发功率预测方法具体实施步骤如下：

利用全部的18个输入自变量建立T-S模糊建模的火电机组实发功率预测模型，具体包括：机组实际功率、机组负荷指令、压力偏差、主蒸汽偏差、再热汽温偏差、闭锁增信号、闭锁减信号、机组最大允许负荷、机组最小允许负荷、负荷速率设定值、锅炉主控指令、汽机主控指令、燃料主控指令、磨煤机运行台数、煤质校正系数、过热度偏差、电网调度负荷指令、一次调频负荷指令，随机产生L个初始串结构数据，每个串结构数据为一个个体，L个个体构成一个种群。遗传算法以这L个串结构作为初始点开始迭代，这里每个个体的串结构数据只有1和0两种取值，1代表输入自变量用于建模，0表示输入自变量不用于建模。

基于模糊聚类方法T-S模糊模型前件参数的建立，模糊聚类的实现步骤如下：

(1)给出初始划分聚类数c＝2，初始隶属度矩阵U₁，初始步数m＝1；

(2)计算第i个模糊类的中心值c_i

$c_i=\frac{\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\μ}}_{ik}{x}_k}{\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\μ}}_{ik}},i=1,2,\mathrm{...},c$

式中，μ_ik为隶属度矩阵U的第i行第k列，x_k为第k个模型输入量，N为采集的历史数据总个数。

定义第k个数据与第i个模糊类的距离d_ik为：

d_ik＝||x_k-c_i||

(3)m＝m+1,计算新的隶属度矩阵U_m+1

新的隶属度矩阵更新公式如下：

若d_ik＞0则 ${\mathrm{\μ}}_{ik}=1/\underset{j=1}{\overset{c}{\Σ}}{\left(\frac{d_{ik}}{d_{jk}}\right)}^2$

若d_ik＝0则μ_ik＝1，μ_jk＝0,j≠i

(4)给定目标ε：

如果||U^m+1-U^m||≤ε，则c_i为聚类中心值点，否则增加模糊类数，返回(2)。

基于最小二乘法T-S模糊模型后件参数的辨识，将火电厂控制系统中采集的历史数据进行整理，构造模型输入数据矩阵φ，模型输出数据向量Y，则T-S模糊模型后件参数θ可由以下表达式计算得出。

θ＝(φφ^T)^-1φY，

其中，输入数据矩阵φ的的构造方法为：

φ第K行为 ${\mathrm{\φ}}_k=\[{\mathrm{\β}}_1^k,\mathrm{...},{\mathrm{\β}}_n^k,{\mathrm{\β}}_1^k{x}_1^k,\mathrm{...},{\mathrm{\β}}_n^k{x}_1^k,\mathrm{...},{\mathrm{\β}}_1^k{x}_m^k,\mathrm{...},{\mathrm{\β}}_n^k{x}_m^k\]$

式中，为对应第k个输入量与第一个聚类中心点的隶属度值，为对应第k个输入量与第n个聚类中心点的隶属度值，表示第一个输入量的第k次历史数据采样值，表示第m个输入量的第k次历史数据采样值。

输出数据矩阵构造方法为：

Y＝[y₁,y₂,…,y_N]^T。

式中，y_i为第i次采集的输出数据。

条件判断是否满足，遗传算法中使用适应度来度量群体中各个个体在优化计算中优化解的优良程度。适应度高的个体遗传到下一代的概率相对较大。这里，选取测试集数据误差平方和的倒数作为适应度函数f(x)

$f\left(x\right)=\frac{1}{\underset{i=1}{\overset{N}{\Σ}}{(y_i-{\hat{y}}_i)}^2}$

式中，为T-S模糊模型实发功率预测值。

选择操作选用比例选择算子，即个体被选中并遗传到下一代种群中的概率与该个体的适应度大小成正比，具体操作过程如下：

(1)计算种群中所有个体的适应度之和。

$F=\underset{k=1}{\overset{L}{\Σ}}f\left(x_k\right)$

(2)计算种群中各个个体的相对适应度，并以此作为该个体被选中并遗传到下一代种群的概率p_k。

$p_k=\frac{f\left(x_k\right)}{F}k=1,2,\mathrm{...},L$

(3)采用模拟轮盘赌操作，产生(0，1)之间的随机数，来确定各个个体被选中的次数，显然，适应度大的个体，其选择概率较大。

交叉操作采用最简单的单点交叉算子，具体交叉过程如下：

(1)先对种群中的个体进行两两配对。

(2)对每一对配对个体，随机选择某一基因座之后的位置作为交叉点。

(3)对毎一对配对个体，根据(2)中所确定的交叉点位置，相互交换两个个体的部分染色体，产生出两个新的个体。

变异操作采用单点变异算子，具体操作过程如下：

(1)随机产生变异点。

(2)根据(1)中的变异点位置，改变其对应的基因座上的基因值。

经过多次迭代进化，当满足迭代终止条件时，输出的末代种群对应的便是经过输入自变量筛选的T-S模糊实发功率预测模型。

Claims (4)

1.一种火电机组实发功率预测方法，其特征在于：该预测方法为以下三步：遗传优化实现模型输入量优化选择、基于模糊聚类方法T-S模糊模型前件参数的建立、基于最小二乘法T-S模糊模型后件参数的辨识。

2.根据权利要求1所述的火电机组实发功率预测方法，其特征在于遗传优化实现模型输入量优化选择,由火电机组实发功率影响因素即预测模型可能输入量的确定与遗传优化输入量筛选，首先确定火电机组实发功率影响因素即预测模型可能输入，具体包括：机组实际功率、机组负荷指令、压力偏差、主蒸汽偏差、再热汽温偏差、闭锁增信号、闭锁减信号、机组最大允许负荷、机组最小允许负荷、负荷速率设定值、锅炉主控指令、汽机主控指令、燃料主控指令、磨煤机运行台数、煤质校正系数、过热度偏差、电网调度负荷指令和一次调频负荷指令的预测模型的可能输入量；其次利用遗传算法进行优化计算，将解空间映射到编码空间，每个编码对应问题的一个解，将编码长度设计为18，染色体的每一位对应一个输入自变量，每一位的基因取值只能是1和0两种情况，如果染色体某一位的值为1，表示该位对应输入自变量参与最终建模，反之，则表示0对应的输入自变量不作为最终的建模自变量；选取测试集数据均方误差的倒数作为遗传算法的适应度函数，从而通过迭代进化，最终筛选出最具代表性的输入自变量参与预测模型的建立。

3.根据权利要求1所述的火电机组实发功率预测方法，其特征在于基于模糊聚类方法T-S模糊模型前件参数的建立，实现步骤如下：

1)给出初始划分聚类数c＝2，初始隶属度矩阵U₁，初始步数m＝1；

2)计算第i个模糊类的中心值c_i

$c_i=\frac{\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\μ}}_{ik}{x}_k}{\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\μ}}_{ik}},i=1,2,...,c$

式中，μ_ik为隶属度矩阵U的第i行第k列，x_k为第k个模型输入量，N为采集的历史数据总个数；

定义第k个数据与第i个模糊类的距离d_ik为：

d_ik＝||x_k-c_i||

3)m＝m+1,计算新的隶属度矩阵U_m+1

新的隶属度矩阵更新公式如下：

若d_ik＞0，则 ${\mathrm{\μ}}_{ik}=1/\underset{j=1}{\overset{c}{\Σ}}{\left(\frac{d_{ik}}{d_{jk}}\right)}^2$

若d_ik＝0，则μ_ik＝1，μ_jk＝0,j≠i

4)给定目标ε：

如果||U^m+1-U^m||≤ε，则c_i为聚类中心值点，否则增加模糊类数，返回2)。

4.根据权利要求1所述的火电机组实发功率预测方法，其特征在于基于最小二乘法T-S模糊模型后件参数的辨识：将火电厂控制系统中采集的历史数据进行整理，构造模型输入数据矩阵φ，模型输出数据向量Y，则T-S模糊模型后件参数θ可由以下表达式计算得出:

θ＝(φφ^T)^-1φY，

其中，输入数据矩阵φ的的构造方法为：

φ第K行为 ${\mathrm{\φ}}_k=\[{\mathrm{\β}}_1^k,...,{\mathrm{\β}}_n^k,{\mathrm{\β}}_1^k{x}_1^k,...,{\mathrm{\β}}_n^k{x}_1^k,...,{\mathrm{\β}}_1^k{x}_m^k,...,{\mathrm{\β}}_n^k{x}_m^k\]$

式中，为对应第k个输入量与第一个聚类中心点的隶属度值，为对应第k个输入量与第n个聚类中心点的隶属度值，表示第一个输入量的第k次历史数据采样值，表示第m个输入量的第k次历史数据采样值；

输出数据矩阵构造方法为：

Y＝[y₁,y₂,…,y_N]^T。

式中，y_i为第i次采集的输出数据向量。