CN105488266A - 一种火电机组实发功率预测方法 - Google Patents
一种火电机组实发功率预测方法 Download PDFInfo
- Publication number
- CN105488266A CN105488266A CN201510834332.4A CN201510834332A CN105488266A CN 105488266 A CN105488266 A CN 105488266A CN 201510834332 A CN201510834332 A CN 201510834332A CN 105488266 A CN105488266 A CN 105488266A
- Authority
- CN
- China
- Prior art keywords
- power
- fuzzy
- model
- generating unit
- input
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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ci
式中,μik为隶属度矩阵U的第i行第k列,xk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dik为:
dik=||xk-ci||
(3)m=m+1,计算新的隶属度矩阵Um+1
新的隶属度矩阵更新公式如下:
若dik>0则
若dik=0则μik=1,μjk=0,j≠i
(4)给定目标ε:
如果||Um+1-Um||≤ε,则ci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=(φφT)-1φY,
其中,输入数据矩阵φ的的构造方法为:
φ第K行为
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,…,yN]T。
式中,yi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ci
式中,μik为隶属度矩阵U的第i行第k列,xk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dik为:
dik=||xk-ci||
(3)m=m+1,计算新的隶属度矩阵Um+1
新的隶属度矩阵更新公式如下:
若dik>0则
若dik=0则μik=1,μjk=0,j≠i
(4)给定目标ε:
如果||Um+1-Um||≤ε,则ci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=(φφT)-1φY,
其中,输入数据矩阵φ的的构造方法为:
φ第K行为
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,…,yN]T。
式中,yi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)
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。
(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pk。
(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ci
式中,μik为隶属度矩阵U的第i行第k列,xk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dik为:
dik=||xk-ci||
3)m=m+1,计算新的隶属度矩阵Um+1
新的隶属度矩阵更新公式如下:
若dik>0,则
若dik=0,则μik=1,μjk=0,j≠i
4)给定目标ε:
如果||Um+1-Um||≤ε,则ci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=(φφT)-1φY,
其中,输入数据矩阵φ的的构造方法为:
φ第K行为
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,…,yN]T。
式中,yi为第i次采集的输出数据向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510834332.4A CN105488266A (zh) | 2015-11-25 | 2015-11-25 | 一种火电机组实发功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510834332.4A CN105488266A (zh) | 2015-11-25 | 2015-11-25 | 一种火电机组实发功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105488266A true CN105488266A (zh) | 2016-04-13 |
Family
ID=55675240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510834332.4A Pending CN105488266A (zh) | 2015-11-25 | 2015-11-25 | 一种火电机组实发功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488266A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956720A (zh) * | 2016-06-07 | 2016-09-21 | 中南大学 | 一种基于t-s模糊模型的风电功率超短期预测方法 |
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 |
CN107885906A (zh) * | 2017-10-16 | 2018-04-06 | 中国农业大学 | 一种基于遗传算法的电机系统能耗计算方法 |
CN109710661A (zh) * | 2018-12-21 | 2019-05-03 | 云南电网有限责任公司电力科学研究院 | 基于遗传模拟退火算法对高压加热器状态分析的方法 |
CN110705042A (zh) * | 2019-09-12 | 2020-01-17 | 国网湖南省电力有限公司 | 基于t-s模糊模型的汽轮机阀门流量特性辨识方法、系统及介质 |
CN111520740A (zh) * | 2020-03-16 | 2020-08-11 | 杭州电子科技大学 | 一种多个多孔介质燃烧器协调优化运行的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198854A1 (en) * | 2001-03-30 | 2002-12-26 | Berenji Hamid R. | Convergent actor critic-based fuzzy reinforcement learning apparatus and method |
CN103235885A (zh) * | 2013-04-25 | 2013-08-07 | 西安交通大学 | 基于Takagi-Sugeno型模糊规则的火电厂球磨机制粉系统出力预测方法 |
CN103886223A (zh) * | 2014-04-14 | 2014-06-25 | 中国科学院声学研究所 | 功率预测方法和系统 |
-
2015
- 2015-11-25 CN CN201510834332.4A patent/CN105488266A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198854A1 (en) * | 2001-03-30 | 2002-12-26 | Berenji Hamid R. | Convergent actor critic-based fuzzy reinforcement learning apparatus and method |
CN103235885A (zh) * | 2013-04-25 | 2013-08-07 | 西安交通大学 | 基于Takagi-Sugeno型模糊规则的火电厂球磨机制粉系统出力预测方法 |
CN103886223A (zh) * | 2014-04-14 | 2014-06-25 | 中国科学院声学研究所 | 功率预测方法和系统 |
Non-Patent Citations (3)
Title |
---|
MATLAB中文论坛编著: "《MATLAB神经网络30个案例分析》", 30 April 2010 * |
王家兴: "模糊预测控制在单元机组协调控制中的研究与应用", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
王江荣 等: "基于遗传算法自变量降维的神经网络煤矿瓦斯涌出量预测模型", 《煤》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956720A (zh) * | 2016-06-07 | 2016-09-21 | 中南大学 | 一种基于t-s模糊模型的风电功率超短期预测方法 |
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 |
CN107885906A (zh) * | 2017-10-16 | 2018-04-06 | 中国农业大学 | 一种基于遗传算法的电机系统能耗计算方法 |
CN109710661A (zh) * | 2018-12-21 | 2019-05-03 | 云南电网有限责任公司电力科学研究院 | 基于遗传模拟退火算法对高压加热器状态分析的方法 |
CN110705042A (zh) * | 2019-09-12 | 2020-01-17 | 国网湖南省电力有限公司 | 基于t-s模糊模型的汽轮机阀门流量特性辨识方法、系统及介质 |
CN111520740A (zh) * | 2020-03-16 | 2020-08-11 | 杭州电子科技大学 | 一种多个多孔介质燃烧器协调优化运行的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488266A (zh) | 一种火电机组实发功率预测方法 | |
Lu et al. | Probabilistic flexibility evaluation for power system planning considering its association with renewable power curtailment | |
CN106874630B (zh) | 基于电量消纳的区域电网新能源开发潜力评估方法 | |
CN106991539B (zh) | 一种能源系统优化调度方法及装置 | |
CN107591844A (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
CN103904695B (zh) | 一种基于mcs-pso的临近海岛多微网动态调度方法 | |
CN105449713A (zh) | 考虑分布式电源特性的有源配电网智能软开关规划方法 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN110620397B (zh) | 一种高比例可再生能源电力系统的调峰平衡评估方法 | |
CN102510108A (zh) | 一种用于求取地区电网最大风电装机容量的方法 | |
CN105490310A (zh) | 一种基于通用分布的含风电电力系统实时动态经济调度方法 | |
CN112508731A (zh) | 一种考虑主动管理模式的分布式电源优化配置方法 | |
CN102509027A (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
CN110707755A (zh) | 一种考虑非理想通信条件下基于能量枢纽的综合能源系统超短期调度方法 | |
Han et al. | Transmission network expansion planning considering the generators' contribution to uncertainty accommodation | |
CN105633950B (zh) | 一种考虑风电注入不确定性的多目标随机模糊动态最优潮流求解方法 | |
CN111626558B (zh) | 基于情景分析的综合能源系统模型比较方法和优化系统 | |
CN111767621A (zh) | 一种基于知识迁移q学习算法的多能源系统优化调度方法 | |
CN104331748B (zh) | 一种预测规划目标年风电场群持续功率曲线的方法 | |
Pan et al. | Multi-objective optimization for building performance design considering thermal comfort and energy consumption | |
CN107453366B (zh) | 计及风电决策风险的含upfc多目标最优潮流计算方法 | |
Cai et al. | Distributed generation planning in distribution network based on hybrid intelligent algorithm by SVM-MOPSO | |
Wu et al. | Neural network based feasible region approximation model for optimal operation of integrated electricity and heating system | |
Chen et al. | Probability interval optimization for optimal power flow considering wind power integrated | |
Gao et al. | A review of different methodologies for solving the problem of wind power's fluctuation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160413 |