CN110970936A - 一种深度调峰机组一次调频性能计算方法 - Google Patents

Abstract

本发明公开了一种深度调峰机组一次调频性能计算方法，针对火电机组一次调频性能准确计算困难的问题，基于动态双过调改进模型结构，结合一种全局搜索能力更优的改进群优化算法求取模型中未知参数，对火电机组的一次调频性能进行数据驱动的寻优辨识计算，得出了一次调频性能具体的计算方法。本发明为了消除人为选取稳态值造成的建模误差，将稳态值融入辨识参数中，解决了常规模型辨识要求初始与结束状态必须达到稳态的问题；本发明计算精度更高，对更好地了解机组的一次调频出力变化情况以及为电网对深度调峰机组一次调频考核确定提供了理论依据。

Description

一种深度调峰机组一次调频性能计算方法

技术领域

本发明属于热能动力工程和自动控制技术领域，具体涉及一种深度调峰机组一次调频性能计算方法。

背景技术

为了提高新能源电力的消纳，火电机组进行深度调峰运行势在必行。机组进行深度调峰运行尚属起步阶段，较多的文献资料对机组进入深度调峰运行状态下的经济性和安全性进行了较多的分析与试验研究，但是对机组深度调峰运行后应该发挥的负荷调节、频率调节等功能尚未得到充分重视，深度调峰后机组和电网将面临的问题还未充分暴露。

随着特高压输电线路的逐渐落成和投入运行，直流闭锁和外来功率突然失去事故的发生，受端电网承受的冲击越来越大，对一次调频性能提高的要求也越来越迫切。在大面积进行机组深度调峰之前，研究调峰机组的一次调频动态特性，提高调峰机组的一次调频能力，对提高电网的调频性能，提高电网抵抗外部扰动的能力，增强运行稳定性，建设坚强电网具有举足轻重的意义。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于改进群优化算法的深度调峰机组一次调频性能计算方法，基于动态双过调改进模型并结合改进的群优化算法对火电机组的一次调频性能进行数据驱动的寻优辨识计算，得出了一次调频性能具体的计算方法。

为实现上述技术目的，本发明采取的技术方案为：

一种深度调峰机组一次调频性能计算方法，结合改进的群优化算法，基于动态双过调改进模型对火电机组的一次调频性能进行数据驱动的寻优辨识计算，包括以下步骤：

步骤1：选定动态双过调改进模型为基本一次调频性能计算模型，基于改进的群优化算法，在搜索空间中初始化种群，粒子维度为待辨识参数个数；

步骤2：将初始化的种群随机分解为改进的群优化算法中定义的种群；

步骤3：计算粒子适应度值、粒子自身最优位置以及种群最优位置；

步骤4：针对不同的粒子，根据其所属种群采用改进的群优化算法中选择的认知系数c₁与认知系数c₂的计算公式更新c1与c2；

步骤5：采用基本速度更新公式对粒子速度进行更新计算；

步骤6：基于更新的粒子速度，采用基本粒子位置更新公式对粒子位置进行更新计算；

步骤7：判断迭代步数，迭代步数达到迭代最大步数则结束计算，否则返回步骤3。

为优化上述技术方案，采取的具体措施还包括：

上述的改进的群优化算法为基于传统PSO算法修改得到的一种多种群粒子群算法，该算法基于各自种群的整定参数，每个粒子种群采用自己独立的策略探索搜索空间；多种群策略可包含定参数、线性时变、指数时变以及对数时变的整定参数，所有在整定参数区间内的连续函数均可作为备选方案；

改进的群优化算法选择认知系数c₁与认知系数c₂的计算公式的原则为c₁为随迭代步数的增加而单调递减的函数，c₂为随迭代步数的增加而单调递增的函数；思路出发点是迭代搜索初期c₁大于c₂，目的是增加搜索初期的局部搜索能力从而增加搜索极值的多样性，迭代搜索后期c₁小于c₂，目的是增加全局收敛速度。

上述的改进的群优化算法中定义4个种群，惯性权值w从0.9-0.4线性减小。

上述的改进的群优化算法中4个种群的动态调整参数c₁与c₂的计算公式为：

c₁＝1.95-2t^1/3/K_max ^1/3，c₂＝2t^1/3/K_max ^1/3+0.05；

c₁＝1.95-2t^1/3/K_max ^1/3，

c₂＝2t^1/3/K_max ^1/3+0.05。

式中：K_max代表最大迭代步数，t代表当前迭代步数。

上述的步骤3所述粒子适应度值f计算公式如下：

式中：y_i实际采样值；

为模型计算值；N为数据量个数。

上述的步骤3中，通过粒子适应度值确定粒子自身最优位置与种群最优位置，适应度值越小代表位置越优。

上述的步骤5所述基本速度更新公式为：

步骤6所述基本粒子位置更新公式为：

式中：

代表第i个粒子在第t次迭代过程的位置向量；v_i ^t代表第i个粒子在第t次迭代过程的速度向量，向量维数均为变量的个数；w为可控制粒子群算法稳定性的惯性权值，取值范围为[0.4,0.9]；rand是0到1之间的随机数，目的是提高粒子群算法更优的随机搜索能力；pbest与gbest分别为每个粒子自身最优位置与种群最优位置。

本发明具有以下有益效果：

本发明针对火电机组一次调频性能准确计算困难的问题，基于动态双过调改进模型结构，结合一种全局搜索能力更优的改进群优化算法求取模型中未知参数，对火电机组的一次调频性能进行数据驱动的寻优辨识计算，得出了一次调频性能具体的计算方法。本发明为了消除人为选取稳态值造成的建模误差，将稳态值融入辨识参数中，解决了常规模型辨识要求初始与结束状态必须达到稳态的问题；本发明计算精度更高，对更好地了解机组的一次调频出力变化情况以及为电网对深度调峰机组一次调频考核确定提供了理论依据。

附图说明

图1是本发明实施例中动态双过调改进模型的结构示意图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

本发明的一种深度调峰机组一次调频性能计算方法，结合改进的群优化算法，基于动态双过调改进模型对火电机组的一次调频性能进行数据驱动的寻优辨识计算，基于一次调频动态特性的先验知识，确定一次调频动态特性模型结构，结合群智能算法对确定结构模型进行模型参数辨识，建立了深度调峰机组的一次调频动态模型，可为研究深度调峰状态下的机组一次调频性能提供支撑。

传统模型辨识方法大多采用阶跃响应辨识方法，辨识前首先对数据进行预处理，最为关键的是需要保证辨识数据在初始阶段与最后阶段系统稳定，便于数据的增量化处理，如系统未稳定或者数据带有噪声则稳态值无法准确确定，最终会给辨识结果产生误差。而实际一次调频响应过程大多处于初始负荷未稳定或者结束阶段未稳定立即又进行变负荷，始终处于不稳定状态。为解决上述问题，本发明将稳态值融入待辨识参数，通过辨识计算得出的稳态值可避免主观选择造成的误差，同时避免了数据增量化处理的问题。

具体一次调频模型参数辨识，包括以下步骤：

步骤1：选定动态双过调改进模型为基本一次调频性能计算模型，基于改进的群优化算法，在搜索空间中初始化种群，粒子维度为待辨识参数个数；

实施例中，进行数据驱动的寻优辨识计算过程中，将稳态值融入辨识参数中，解决了常规模型辨识要求初始与结束状态必须达到稳态的问题。

具体的动态双过调改进模型结构见附图1所示，该模型同时考虑高、中、低压缸之间的影响而提出的动态双过调改进模型，建模精度更高；

所述动态双过调改进模型见附图1所示，该模型由基本的传递函数组成，从左到右包含了蒸汽分别在高压缸、中压缸以及低压缸中的做功份额以及相互间的影响，模型中各参数的具体物理意义为：D_s为进去汽轮机的蒸汽流量，可通过阀门开度与阀前蒸汽压力的乘积计算得出；T₁为高压缸蒸汽容积时间常数；T₂为再热蒸汽容积时间常数；T₃为连通管蒸汽容积时间常数；α₁为高压缸功率贡献系数；α₂为中压缸功率贡献系数；α₃为低压缸功率贡献系数；λ₁为高压缸功率过调系数；λ₂为中压缸功率过调系数；P_w为汽轮发电机组有功功率。

本发明通过修改传统PSO算法提出了一种多种群粒子群算法，该算法基于各自种群的整定参数，每个粒子种群采用自己独立的策略探索搜索空间。多种群策略可包含定参数、线性时变、指数时变以及对数时变的整定参数，所有在整定参数区间内的连续函数均可作为备选方案。

改进的群优化算法选择认知系数c₁与认知系数c₂的计算公式的原则为c₁为随迭代步数的增加而单调递减的函数，c₂为随迭代步数的增加而单调递增的函数。思路出发点是迭代搜索初期c₁大于c₂，目的是增加搜索初期的局部搜索能力从而增加搜索极值的多样性，迭代搜索后期c₁小于c₂，目的是增加全局收敛速度。

与传统群智能优化算法不同的是本发明改进的群优化算法具有自适应变化的动态自调整参数，可提高优化算法的局部搜索与全局搜索能力。

步骤2：将初始化的种群随机分解为改进的群优化算法中定义的种群；

改进的群优化算法定义了四种种群，惯性权值w从0.9-0.4线性减小，不同种群的动态调整参数c₁与c₂的计算公式见表1动态参数更新策略所示，表1中：K_max代表最大迭代步数，t代表当前迭代步数。

改进的群优化算法开始所有粒子随机分配在搜索空间中，随后所有粒子随机分解成表1中4种预设的种群；再每次迭代通过粒子适应度的计算确定粒子自身最优位置pbest与种群最优位置gbest，对于每个粒子系数c₁与c₂通过表1中的动态参数更新策略进行更新计算，最后采用基本速度更新公式与位置更新公式对粒子速度与粒子位置进行更新计算。

表1动态参数更新策略

步骤3：计算粒子适应度值、粒子自身最优位置以及种群最优位置；

实施例中，粒子适应度值f计算公式如下：

式中：y_i实际采样值；

为模型计算值；N为数据量个数。

通过粒子适应度值确定粒子自身最优位置pbest与种群最优位置gbest，适应度值越小代表位置越优。

步骤4：针对不同的粒子，根据其所属种群采用表1中对应的动态参数更新策略更新c1与c2；

步骤5：采用基本速度更新公式对粒子速度进行更新计算；

基本速度更新公式为：

步骤6：基于更新的粒子速度，采用基本粒子位置更新公式对粒子位置进行更新计算；

基本粒子位置更新公式为：

式中：

代表第i个粒子在第t次迭代过程的位置向量；v_i ^t代表第i个粒子在第t次迭代过程的速度向量，向量维数均为变量的个数；w为可控制粒子群算法稳定性的惯性权值，一般取值范围为[0.4,0.9]；rand是0到1之间的随机数，目的是提高粒子群算法更优的随机搜索能力；pbest与gbest分别为每个粒子自身最优位置与种群最优位置。

步骤7：判断迭代步数，迭代步数达到迭代最大步数则结束计算，否则返回步骤3。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种深度调峰机组一次调频性能计算方法，其特征在于，

结合改进的群优化算法，基于动态双过调改进模型对火电机组的一次调频性能进行数据驱动的寻优辨识计算，包括以下步骤：

步骤1：选定动态双过调改进模型为基本一次调频性能计算模型，基于改进的群优化算法，在搜索空间中初始化种群，粒子维度为待辨识参数个数；

步骤2：将初始化的种群随机分解为改进的群优化算法中定义的种群；

步骤3：计算粒子适应度值、粒子自身最优位置以及种群最优位置；

步骤4：针对不同的粒子，根据其所属种群采用改进的群优化算法中选择的认知系数c₁与认知系数c₂的计算公式更新c1与c2；

步骤5：采用基本速度更新公式对粒子速度进行更新计算；

步骤6：基于更新的粒子速度，采用基本粒子位置更新公式对粒子位置进行更新计算；

步骤7：判断迭代步数，迭代步数达到迭代最大步数则结束计算，否则返回步骤3。

2.根据权利要求1所述的一种深度调峰机组一次调频性能计算方法，其特征在于，所述改进的群优化算法为基于传统PSO算法修改得到的一种多种群粒子群算法，该算法基于各自种群的整定参数，每个粒子种群采用自己独立的策略探索搜索空间；多种群策略可包含定参数、线性时变、指数时变以及对数时变的整定参数，所有在整定参数区间内的连续函数均可作为备选方案；

改进的群优化算法选择认知系数c₁与认知系数c₂的计算公式的原则为c₁为随迭代步数的增加而单调递减的函数，c₂为随迭代步数的增加而单调递增的函数；思路出发点是迭代搜索初期c₁大于c₂，目的是增加搜索初期的局部搜索能力从而增加搜索极值的多样性，迭代搜索后期c₁小于c₂，目的是增加全局收敛速度。

3.根据权利要求2所述的一种深度调峰机组一次调频性能计算方法，其特征在于，所述改进的群优化算法中定义4个种群，惯性权值w从0.9-0.4线性减小。

4.根据权利要求3所述的一种深度调峰机组一次调频性能计算方法，其特征在于，所述改进的群优化算法中4个种群的动态调整参数c₁与c₂的计算公式为：

c₁＝1.95-2t^1/3/K_max ^1/3，c₂＝2t^1/3/K_max ^1/3+0.05；

式中：K_max代表最大迭代步数，t代表当前迭代步数。

5.根据权利要求1所述的一种深度调峰机组一次调频性能计算方法，其特征在于，步骤3所述粒子适应度值f计算公式如下：

式中：y_i实际采样值；

为模型计算值；N为数据量个数。

6.根据权利要求5所述的一种深度调峰机组一次调频性能计算方法，其特征在于，所述步骤3中，通过粒子适应度值确定粒子自身最优位置与种群最优位置，适应度值越小代表位置越优。

7.根据权利要求1所述的一种深度调峰机组一次调频性能计算方法，其特征在于，步骤5所述基本速度更新公式为：

步骤6所述基本粒子位置更新公式为：

式中：

代表第i个粒子在第t次迭代过程的位置向量；v_i ^t代表第i个粒子在第t次迭代过程的速度向量，向量维数均为变量的个数；w为可控制粒子群算法稳定性的惯性权值，取值范围为[0.4,0.9]；rand是0到1之间的随机数，目的是提高粒子群算法更优的随机搜索能力；pbest与gbest分别为每个粒子自身最优位置与种群最优位置。

Images