CN113434981A - 基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质 - Google Patents
基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113434981A CN113434981A CN202110737440.5A CN202110737440A CN113434981A CN 113434981 A CN113434981 A CN 113434981A CN 202110737440 A CN202110737440 A CN 202110737440A CN 113434981 A CN113434981 A CN 113434981A
- Authority
- CN
- China
- Prior art keywords
- target
- optimization
- unit
- pump station
- blade
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000009434 installation Methods 0.000 claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 156
- 230000006870 function Effects 0.000 claims description 24
- 238000006116 polymerization reaction Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- PHTXVQQRWJXYPP-UHFFFAOYSA-N ethyltrifluoromethylaminoindane Chemical compound C1=C(C(F)(F)F)C=C2CC(NCC)CC2=C1 PHTXVQQRWJXYPP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000005265 energy consumption Methods 0.000 description 5
- 238000003809 water extraction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质;该系统包括多目标分解模块,用以接收多机组泵站的系统参数并构建一多目标优化模型并分解为单目标优化子模型1和单目标优化子模型2;还包括单目标求解模块,用以求解单目标优化子模型1,输出为泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;并用以在优化方案集内求解单目标优化子模型2,输出为叶片安放角最短调节历时。该多目标优化系统及方法能够降低泵站运行耗电费用,减小各机组叶片安放角调节累计历时,具有精度可靠、准确度高的优点。
Description
技术领域
本发明涉及调水工程泵站优化运行管理技术领域,尤其是一种基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质。
背景技术
当前由于水资源时空分布不均,已制约不少地区的经济社会发展,大型叶片可调供水泵站作为梯级调水系统的重要组成部分,通过完成定期定量调水任务,对缓解受水区水资源时空不均具有重要社会经济和生态效益。由于该类泵站安装机组多、单机流量大、运行时间长,产生的运行能耗巨大,且由于年运行时间长,对机组安全稳定运行提出了较高要求。如何在泵站运行过程中,有效兼顾提水耗电费用的节省,并通过减少优化运行过程中叶片安放角调节历时,同时避免间断性停机带来的启动成本过高问题,有效降低泵站运行管理复杂度,实现泵站的多目标优化运行,是泵站工程管理中较为常见也是十分重要的问题。
发明内容
发明目的:提供一种能够满足泵站运行目标提水总量、电机配套功能、运行期内机组不停机约束下,使泵站运行耗电费用最小且叶片安放角调节历时长最短的基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质。
技术方案:
一种基于叶片可调多机组泵站的多目标优化系统,包括:多目标分解模块,用以接收多机组泵站的系统参数并构建一多目标优化模型;并用以将所述多目标优化模型分解并构建为单目标优化子模型1和单目标优化子模型2;单目标求解模块,用以对所述单目标优化子模型1进行求解,输出目标为泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角在各时段下的优化过程构建的优化方案集;并用以对所述单目标优化子模型2进行求解,输出为叶片安放角最短调节历时。
优选的,单目标求解模块包括:二级求解模块,用以将所述单目标优化子模型1分解为多个二级子模型,并用以各二级子模型的一维动态求解,以及用以构建聚合模型及其一维动态规划求解,输出为各机组泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;统计模块,用以在所述优化方案集内获取泵站运行最小耗电费用对应的叶片安放角各时段下的最优过程的最小累计变幅,输出为所述单目标优化子模型2的叶片安放角最短调节历时。
优选的,所述单目标求解模块还包括:偏好排序模块,用以确定输出目标优先级由高到低依次为:泵站运行最小耗电费用及优化方案集、叶片安放角最短调节历时;优先级高的目标函数优先求解,结果作为下层目标的约束,叶片安放角最短调节历时在所述优化方案集内获得。
一种基于叶片可调多机组泵站的多目标优化方法,包括以下步骤:
(1)通过接收多机组泵站的系统参数,依据系统参数构建多目标优化模型;经对所述多目标优化模型分解以构建单目标优化子模型1和单目标优化子模型2;
(2)对单目标优化子模型1进行求解,输出泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;
(3)在所述优化方案集内对单目标优化子模型2进行求解,输出叶片安放角最短调节历时。
优选的,所述多目标分解模块接收的多机组泵站的系统参数包括:一次调水期内泵站的目标提水总量W;一次调水期内划分的时段数N;第i时段长度Ti,时段编号i,i=1,2,…,N;机组台数M,机组编号j,j=1,2,…,M;第i时段的峰谷电价Pi;第i时段时均扬程Hi;各时段叶片安放角θk下的扬程-流量特性曲线 Hk-Qk及水泵效率-流量特性曲线ηk-Qk,基于多项式拟合方法分别确定各时段叶片安放角θk下的Hk-Qk特性方程和ηk-Qk特性方程,其中,k为叶片安放角离散编号,k=1,2,…,p,p为叶片安放角可离散数;在第i时段时均扬程Hi已确定的情况下,各时段叶片安放角θk对应的水泵流量Qk(θk)及水泵效率ηk(θk);第j台水泵的电动机效率γj;第j台水泵的传动效率σj;叶片安放角的单位角度调节历时u,u为常值;泵站水泵配套电机规格型号设为相同,各电机配套功率N0,j。
优选的,在步骤(1)中,所述多目标分解模块构建的所述多目标优化模型,是以满足一定调水期内目标提水总量、电机配套功率、运行期内机组不停机作为约束条件,以泵站运行最小耗电费用、叶片安放角最短调节历时为多目标;构建所述多目标优化模型的多目标函数为:
约束条件为:
目标提水总量约束:
电机配套功率约束:
Ni,j(θi,j)≤N0,j;
运行期内机组不停机约束:
Dj=0;
所述多目标分解模块构建的所述单目标优化子模型1,是以满足一定调水期内目标提水总量、电机配套功率、运行期内机组不停机作为约束条件;构建单目标优化子模型1的目标函数为:
设置单目标优化子模型1的约束条件为:
目标提水总量约束:
电机配套功率约束:
Ni,j(θi,j)≤N0,j;
运行期内机组不停机约束:
Dj=0;
所述多目标分解模块构建的所述单目标优化子模型2,是以满足一定调水期内目标提水总量、电机配套功率、运行期内机组不停机作为约束条件;构建单目标优化子模型2的目标函数为:
设置所述单目标优化子模型2的约束条件为:
Dj=0;
其中,F1为一次调水期内泵站运行最小耗电费用,Z为一次调水期内泵站运行耗电费用;θi,j为第i时段第j台水泵的叶片安放角;Qi,j(θi,j)为第i时段第j台水泵流量,在扬程及转速一定时,Qi,j(θi,j)为叶片安放角θi的函数;ηi,j(θi,j)为第i 时段第j台水泵效率;F2为一次调水期内各机组叶片安放角最短调节总历时;T 为一次调水期内各机组叶片安放角调节总历时;Ni,j(θi,j)为第i时段第j台水泵对应于叶片安放角θi,j的实际功率,Ni,j(θi,j)小于等于第j台水泵的电动机额定功率 N0,j;Dj为第j台水泵运行期内间断性停机次数,Dj取0。
优选的,所述步骤(2)具体包括以下步骤:
(2.1)以各机组目标提水量为协调变量,将所述单目标优化子模型1分解为多个二级子模型;
(2.2)所述二级子模型在单机组目标提水量下的一维动态规划求解,输出泵站运行最小耗电费用及其对应的单机组叶片安放角各时段下的最优过程;
(2.3)各机组所述二级子模型在不同离散目标提水量下的一维动态规划求解,输出每一单机组在一离散目标提水量下的泵站运行最小耗电费用、及其对应的叶片安放角各时段下的优化过程,且在考虑各机组型号相同情况下,获得每一单机组泵站运行最小耗电费用具有的与一离散目标提水量的对应关系,以及构建各机组所述二级子模型在各离散目标提水量下的优化运行方案库;
(2.4)聚合模型构建及其一维动态规划求解,所述聚合模型以泵站运行耗电费用最小为目标,以各机组提水量分配值为决策变量,以目标提水总量为约束,求解后输出泵站运行最小耗电费用及其对应的各机组提水量分配值;
(2.5)通过迭代计算所述聚合模型,输出泵站运行最小耗电费用及其对应的叶片安放角各时段下的最优过程、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;其中,任一机组泵站运行耗电费用的变幅小于等于所述优化方案集的2%。
优选的,所述步骤(3)还包括以下步骤:
(3.1)获取泵站运行最小耗电费用对应的叶片安放角各时段下的最优过程的累计最小变幅,考虑叶片安放角的单位角度调节历时为常数,叶片安放角最短调节历时等效为该累计最小变幅;
(3.2)在所述优化方案集内获取各机组叶片安放角各时段下的优化过程,输出叶片安放角最短调节历时为所述的累计最小变幅。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求4至8任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求4至8中任一项所述的方法的步骤。
有益效果:本发明与现有技术相比,其具有的优点:
1、实现了兼顾降低泵站运行能耗费用,且减小各机组叶片安放角调节累计历时的优化方案;
2、该多目标优化方法精度可靠,准确度高,实现大幅度降低泵站运行能耗,能有效缓解由于叶片安放角调节频率过高造成的机组运行稳定性下降的问题,提高了机组安全运行保障条件,达到了泵站多目标优化运行的目的。
附图说明
图1为本发明基于叶片可调多机组泵站的多目标优化系统的示意图。
具体实施方式
以下结合附图,对本发明提供的技术方案做详细说明。
如图1所示,所述的基于叶片可调多机组泵站的多目标优化系统,包括:多目标分解模块、单目标求解模块。所述多目标分解模块用以接收多机组泵站的系统参数并构建一多目标优化模型;并用以将所述多目标优化模型分解并构建为单目标优化子模型1和单目标优化子模型2。所述单目标求解模块用以对所述单目标优化子模型1进行求解,输出目标为泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角在各时段下的优化过程构建的优化方案集;且所述单目标求解模块用以对所述单目标优化子模型2进行求解,输出为叶片安放角最短调节历时。
所述单目标求解模块包括:二级求解模块、统计模块、偏好排序模块。
所述二级求解模块用以将所述单目标优化子模型1分解并构建为多个二级子模型,并用以各二级子模型的一维动态求解,以及用以进一步构建聚合模型及其一维动态规划求解,输出为各机组泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集。
所述二级求解模块具体用于以各机组目标提水量为协调变量,将所述单目标优化子模型1分解并构建为多个二级子模型;并用以对所述二级子模型在单机组目标提水量下的一维动态规划求解,输出为泵站运行最小耗电费用及其对应的单机组叶片安放角各时段下的最优过程;并用于对各机组所述二级子模型在不同离散目标提水量下的一维动态规划求解,输出为每一单机组在一离散目标提水量下的泵站运行最小耗电费用、及其对应的叶片安放角各时段下的优化过程,且在考虑各机组型号相同情况下,输出为每一单机组泵站运行最小耗电费用具有的与一离散目标提水量的对应关系,以及输出为构建各机组所述二级子模型在各离散目标提水量下的优化运行方案库;以及用以构建聚合模型及其一维动态规划的求解,输出为泵站运行最小耗电费用及其对应的各机组提水量分配值;最后用以通过迭代计算所述聚合模型,输出为泵站运行最小耗电费用及其对应的叶片安放角各时段下的最优过程、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;任一机组泵站运行耗电费用的变幅小于等于所述优化方案集的2%。
所述统计模块用以在所述优化方案集内获取泵站运行最小耗电费用对应的叶片安放角各时段下的最优过程的最小累计变幅,输出为所述单目标优化子模型 2的叶片安放角最短调节历时。
所述偏好排序模块用以确定输出目标优先级由高到低依次为:泵站运行最小耗电费用及优化方案集、叶片安放角最短调节历时;优先级高的目标函数优先求解,结果作为下层目标的约束,叶片安放角最短调节历时在所述优化方案集内获得。
所述的叶片可调多机组泵站的多目标优化方法,是在给定一次调水期内且考虑峰谷电价影响的情况下,针对多机组泵站构建多目标优化模型,基于分层序列法分解并求解该多目标优化模型,输出泵站运行最小耗电费用、叶片安放角最短调节历时作为最优解。
以下对所述的基于叶片可调多机组泵站的多目标优化方法的具体步骤进行叙述:
(1)通过接收多机组泵站的系统参数,依据系统参数构建多目标优化模型;经对所述多目标优化模型分解以构建单目标优化子模型1和单目标优化子模型2;步骤(1)包括以下步骤:
(1.1)数据准备:接收多机组泵站的系统参数并输入系统,以对所述多目标优化模型进行数据准备,该系统参数为如下已知参数:
一次调水期内泵站的目标提水总量W(单位是:kW);一次调水期内划分的时段数N;第i时段长度Ti(单位是:小时),时段编号i,i=1,2,…,N;机组台数M(单位是:台),机组编号j,j=1,2,…,M;第i时段的峰谷电价Pi(单位是:元/(kW·h));
第i时段时均扬程Hi=H,i=1,2,…,N,其单位是:m,H为泵站运行扬程, H=Z上-Z下,Z上为泵站上游水位,Z下为泵站下游水位;
各时段叶片安放角θk下的扬程-流量特性曲线Hk-Qk及水泵效率-流量特性曲线ηk-Qk,基于多项式拟合方法分别确定各时段叶片安放角θk下的Hk-Qk特性方程和ηk-Qk特性方程,其中,k为叶片安放角离散编号,k=1,2,…,p,p为叶片安放角可离散数;
在第i时段时均扬程Hi已确定的情况下,各时段叶片安放角θk对应的水泵流量Qk(θk)及水泵效率ηk(θk);
第j台水泵的电动机效率γj,γj为94%;
第j台水泵的传动效率σj,σj为100%;
叶片安放角的单位角度调节历时u(单位是:s/°),u为常值;
泵站水泵配套电机规格型号设为相同,各电机配套功率N0,j。
(1.2)设置约束条件:所述多目标优化模型在考虑一次调水期内峰谷电价影响下,以目标提水总量、电机配套功率、运行期内机组不停机为约束条件,以泵站运行耗电费用最小、叶片安放角调节历时最短为目标;其中,
所述多目标优化模型的目标函数为:
所述多目标优化模型的约束条件包括:
目标提水总量约束为:
电机配套功率约束为:
Ni,j(θi,j)≤N0,j (4);
运行期内机组不停机约束为:
Dj=0 (5);
并且其中,在式(1)中,F1为一次调水期内泵站运行最小耗电费用,Z为一次调水期内泵站运行耗电费用;θi,j为第i时段第j台水泵的叶片安放角;Qi,j(θi,j) 为第i时段第j台水泵流量,在扬程及转速一定时,Qi,j(θi,j)为叶片安放角θi的函数;ηi,j(θi,j)为第i时段第j台水泵效率;
在式(2)中,F2为一次调水期内各机组叶片安放角最短调节总历时;T为一次调水期内各机组叶片安放角调节总历时;
在式(3)中,Ni,j(θi,j)为第i时段第j台水泵对应于叶片安放角θi,j的实际功率,Ni,j(θi,j)小于等于第j台水泵的电动机额定功率N0,j;
在式(4)中,Dj为第j台水泵运行期内间断性停机次数,Dj取0。
(1.3)基于分层序列法将所述多目标优化模型分解为单目标优化子模型1 和单目标优化子模型2;
所述单目标优化子模型1以目标提水总量、电机配套功率、运行期内机组不停机为约束条件,以泵站运行耗电费用最小为目标;所述单目标优化子模型1 的目标函数为:
所述单目标优化子模型1的约束条件为:
目标提水总量约束:
电机配套功率约束:
Ni,j(θi,j)≤N0,j (8);
运行期内机组不停机约束:
Dj=0 (9);
所述单目标优化子模型2以运行期内机组不停机为约束条件、以叶片安放角调节历时最短为目标;所述单目标优化子模型2的目标函数为:
所述单目标优化子模型2的约束条件为:
运行期内机组不停机约束:
Dj=0 (11)。
(2)对单目标优化子模型1进行求解,输出泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;
采用大系统聚合模型-动态规划法求解所述单目标优化子模型1,步骤(2) 包括以下步骤:
(2.1)以各机组目标提水量为协调变量,将所述单目标优化子模型1分解为M个二级子模型,所述二级子模型以一定调水期内泵站运行耗电费用最小为目标,各时段提水流量对应的叶片安放角θi为决策变量,一定调水期内满足目标提水量w、配套电机功率N0、运行期内各机组不停机为约束条件;所述二级子模型的目标函数为:
所述二级子模型的约束条件为:
Ni(θi)≤N0 (14);
D=0 (15);
其中,在式(13)中,约束条件满足:任意单机组各时段累计提水量大于等于单机组目标提水量w;在式(14)中,约束条件满足:单机组各时段实际功率 Ni(θi)小于等于配套电机功率N0;在式(15)中,约束条件满足:运行期内机组不停机,即D取0。
(2.2)所述二级子模型在单机组目标提水量下的一维动态规划求解,输出泵站运行最小耗电费用及其对应的单机组叶片安放角各时段下的最优过程;
考虑机组配套功率作为约束条件即式(14),将各时段叶片安放角θi在对应的可行域内按一定步长v均匀离散,同时考虑运行期内机组不停机作为约束条件即式(15),叶片安放角θi离散时不考虑停机操作,即,将θi离散为θi,1,θi,2,…, θi,l,…,θi,max,其中v=θi,l-θi,l-1,θi,max为给定扬程下,满足电机配套功率要求的各时段采用允许最大叶片安放角。
以单机组前i个时段的提水量为状态变量λ,构建状态转移方程:令λi为机组前i个时段提水量,其为第i个时段提水量Qi(θi)·Ti与前i-1个时段提水量之和,即状态转移方程为:
λi=Qi(θi)·Ti+λi-1;
由上述状态转移方程可得阶段效益费用函数为:
采用顺序递推,获得满足目标提水量w下的单机组泵站运行最小耗电费用G1;再由逆序寻优,获得各时段最优叶片安放角过程θi,i=1,2,…,N。
(2.3)各机组所述二级子模型在不同离散目标提水量下的一维动态规划求解,输出每一单机组在一离散目标提水量下的泵站运行最小耗电费用、及其对应的叶片安放角各时段下的优化过程,且在考虑各机组型号相同情况下,获得每一单机组泵站运行最小耗电费用具有的与一离散目标提水量的对应关系,以及构建各机组所述二级子模型在各离散目标提水量下的优化运行方案库;
通过步骤(2.2),仅仅开展了给定一个目标提水量w下的二级子模型即单机组优化运行模型的求解,为了实现对单目标优化子模型1的有效聚合求解,需对各机组开展不同离散目标提水量下的多次一维动态规划求解。
将目标提水量w在单机组给定扬程及调水时长下的最大提水能力按一定步长均匀离散,若取离散步长为d,则将目标提水量w均匀离散为w1,w2,…,wz,…, wmax,其中d=wz-wz-1,wmax为给定扬程下,满足电机配套功率要求的各时段采用允许最大叶片安放角θi,max时对应的各时段最大提水量之和,即机组给定提水期内最大提水能力,满足:
针对每一个离散提水量wz(其中,z=1,2,…,max),分别采用一维动态规划求解二级子模型的式(12)~(15),获得一系列对应的单机组泵站运行最小提水耗电费用G1,以及对应的各时段机组最优叶片安放角过程θi,i=1,2,…,N;
在此基础上,考虑各机组为同型号机组,最终可获得每台机组在每个离散提水量wz下,泵站运行最小耗电耗电费用与离散提水量的对应关系,为:
G1,j=G1,j(wj),
且每一离散提水量下的最优叶片安放角过程也已获得,由此构建完成各二级子模型在不同离散目标提水量下的优化方案集;
(2.4)聚合模型构建及其一维动态规划求解,所述聚合模型以泵站运行耗电费用最小为目标,以各机组提水量分配值为决策变量,以目标提水总量为约束,求解后输出泵站运行最小耗电费用及其对应的各机组提水量分配值;
根据步骤(2.3)获得的一系列的关系,可将式(6)~(9)转换为如下聚合模型:
目标函数:
约束条件:
所述聚合模型以一次调水期内运行耗电费用最小为目标函数,以各机组提水量分配值作为决策变量,各决策变量离散值为各离散提水量wj,z,z=1,2,…,max, j=1,2,…,M;状态变量λ为前j台机组提水总量,状态转移方程为
λj=wj+λj-1;
由该状态转移方程可得阶段效益费用函数,为:
F1(λi)=min[G1,j(wj)+F1(λi-1)];
通过顺序递推,获得满足目标提水总量W下的最小提水耗电费用F1,再由逆序寻优,获得各机组最优提水量分配值wj,j=1,2,…,M;
(2.5)通过迭代计算所述聚合模型,输出泵站运行最小耗电费用及其对应的叶片安放角各时段下的最优过程、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;其中,任一机组泵站运行耗电费用的变幅小于等于所述优化方案集的2%。
采用步骤(2.4)求解过程中,除了获得上述单目标优化子模型1的最小提水耗电费用及对应的各机组各时段最优叶片安放角过程以外,按照泵站运行最小耗电费用由低到高排序,在步骤(2.5)迭代计算过程中,分别保存一整套各机组不同耗电费用及其对应的叶片安放角运行优化方案,以便为开展单目标优化子模型2优化求解时提供优化方案集;其中,为了充分体现泵站优化运行效益,任一机组泵站运行耗电费用的变幅小于等于所述优化方案集的2%。
(3)在所述优化方案集内对单目标优化子模型2进行求解,输出叶片安放角最短调节历时。
所述步骤(3)还包括以下步骤:
(3.1)获取泵站运行最小耗电费用对应的叶片安放角各时段下的最优过程的累计最小变幅,考虑叶片安放角的单位角度调节历时为常数,叶片安放角最短调节历时等效为该累计最小变幅;
根据所述单目标优化子模型1输出的泵站运行最小耗电费用,获得各机组各时段叶片安放角的变幅,在考虑叶片安放角的单位角度调节历时为常数的情况下,将所述单目标优化子模型2的目标函数等效为一次调水期内各机组叶片安放角累计最小变幅;所述单目标优化子模型2以运行期内机组不停机为约束条件、以叶片安放角调节历时最短为目标;所述单目标优化子模型2的目标函数为:
所述单目标优化子模型2的约束条件为:
运行期内机组不停机约束:
Dj=0 (11)。
(3.2)在所述优化方案集内获取各机组叶片安放角各时段下的优化过程,输出叶片安放角最短调节历时为所述的累计最小变幅。
(3.3)根据分层序列法确定所述多目标优化模型的目标优先级由高到低依次为:一次调水期内泵站运行最小耗电费用、一次调水期内各机组叶片安放角最短调节总历时,优先级高的目标函数优先求解,结果作为下层目标的约束条件。
本发明还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质实现了兼顾降低泵站运行能耗费用,且减小各机组叶片安放角调节累计历时的优化方案;该多目标优化方法精度可靠,准确度高,实现大幅度降低泵站运行能耗,能有效缓解由于叶片安放角调节频率过高造成的机组运行稳定性下降的问题,提高了机组安全运行保障条件,达到了泵站多目标优化运行的目的。
Claims (10)
1.一种基于叶片可调多机组泵站的多目标优化系统,其特征在于,包括:
多目标分解模块,用以接收多机组泵站的系统参数并构建一多目标优化模型;并用以将所述多目标优化模型分解并构建为单目标优化子模型1和单目标优化子模型2;
单目标求解模块,用以对所述单目标优化子模型1进行求解,输出目标为泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角在各时段下的优化过程构建的优化方案集;并用以对所述单目标优化子模型2进行求解,输出目标为叶片安放角最短调节历时。
2.根据权利要求1所述的多目标优化系统,其特征在于,所述单目标求解模块包括:
二级求解模块,用以将所述单目标优化子模型1分解为多个二级子模型,并用以各二级子模型的一维动态求解,以及用以构建聚合模型及其一维动态规划求解,输出目标为各机组泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;
统计模块,用以在所述优化方案集内获取泵站运行最小耗电费用对应的叶片安放角各时段下的最优过程的最小累计变幅,输出目标为所述单目标优化子模型2的叶片安放角最短调节历时。
3.根据权利要求2所述的多目标优化系统,其特征在于,所述单目标求解模块还包括:
偏好排序模块,用以确定输出目标优先级由高到低依次为:泵站运行最小耗电费用及优化方案集、叶片安放角最短调节历时;并用以对优先级高的目标函数优先求解,以及用以将求解结果作为下层目标的约束,用以在所述优化方案集内获得叶片安放角最短调节历时。
4.一种基于叶片可调多机组泵站的多目标优化方法,其特征在于,包括以下步骤:
(1)通过接收多机组泵站的系统参数,依据系统参数构建多目标优化模型;经对所述多目标优化模型分解以构建单目标优化子模型1和单目标优化子模型2;
(2)对单目标优化子模型1进行求解,输出泵站运行最小耗电费用、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;
(3)在所述优化方案集内对单目标优化子模型2进行求解,输出叶片安放角最短调节历时。
5.根据权利要求4所述的多目标优化方法,其特征在于,所述多目标分解模块接收的多机组泵站的系统参数包括:一次调水期内泵站的目标提水总量W;一次调水期内划分的时段数N;第i时段长度Ti,时段编号i,i=1,2,…,N;机组台数M,机组编号j,j=1,2,…,M;第i时段的峰谷电价Pi;第i时段时均扬程Hi;各时段叶片安放角θk下的扬程-流量特性曲线Hk-Qk及水泵效率-流量特性曲线ηk-Qk,基于多项式拟合方法分别确定各时段叶片安放角θk下的Hk-Qk特性方程和ηk-Qk特性方程,其中,k为叶片安放角离散编号,k=1,2,…,p,p为叶片安放角可离散数;在第i时段时均扬程Hi已确定的情况下,各时段叶片安放角θk对应的水泵流量Qk(θk)及水泵效率ηk(θk);第j台水泵的电动机效率γj;第j台水泵的传动效率σj;叶片安放角的单位角度调节历时u,u为常值;泵站水泵配套电机规格型号设为相同,各电机配套功率N0,j。
6.根据权利要求5所述的多目标优化方法,其特征在于,在步骤(1)中,
所述多目标分解模块构建的所述多目标优化模型,是以满足一定调水期内目标提水总量、电机配套功率、运行期内机组不停机作为约束条件,以泵站运行最小耗电费用、叶片安放角最短调节历时为多目标;构建所述多目标优化模型的多目标函数为:
约束条件为:
目标提水总量约束:
电机配套功率约束:
Ni,j(θi,j)≤N0,j;
运行期内机组不停机约束:
Dj=0;
所述多目标分解模块构建的所述单目标优化子模型1,是以满足一定调水期内目标提水总量、电机配套功率、运行期内机组不停机作为约束条件;构建单目标优化子模型1的目标函数为:
设置单目标优化子模型1的约束条件为:
目标提水总量约束:
电机配套功率约束:
Ni,j(θi,j)≤N0,j;
运行期内机组不停机约束:
Dj=0;
所述多目标分解模块构建的所述单目标优化子模型2,是以满足一定调水期内目标提水总量、电机配套功率、运行期内机组不停机作为约束条件;构建单目标优化子模型2的目标函数为:
设置所述单目标优化子模型2的约束条件为:
Dj=0;
其中,F1为一次调水期内泵站运行最小耗电费用,Z为一次调水期内泵站运行耗电费用;θi,j为第i时段第j台水泵的叶片安放角;Qi,j(θi,j)为第i时段第j台水泵流量,在扬程及转速一定时,Qi,j(θi,j)为叶片安放角θi的函数;ηi,j(θi,j)为第i时段第j台水泵效率;F2为一次调水期内各机组叶片安放角最短调节总历时;T为一次调水期内各机组叶片安放角调节总历时;Ni,j(θi,j)为第i时段第j台水泵对应于叶片安放角θi,j的实际功率,Ni,j(θi,j)小于等于第j台水泵的电动机额定功率N0,j;Dj为第j台水泵运行期内间断性停机次数,Dj取0。
7.根据权利要求6所述的多目标优化方法,其特征在于,所述步骤(2)具体包括以下步骤:
(2.1)以各机组目标提水量为协调变量,将所述单目标优化子模型1分解为多个二级子模型;
(2.2)所述二级子模型在单机组目标提水量下的一维动态规划求解,输出泵站运行最小耗电费用及其对应的单机组叶片安放角各时段下的最优过程;
(2.3)各机组所述二级子模型在不同离散目标提水量下的一维动态规划求解,输出每一单机组在一离散目标提水量下的泵站运行最小耗电费用、及其对应的叶片安放角各时段下的优化过程,且在考虑各机组型号相同情况下,获得每一单机组泵站运行最小耗电费用具有的与一离散目标提水量的对应关系,以及构建各机组所述二级子模型在各离散目标提水量下的优化运行方案库;
(2.4)聚合模型构建及其一维动态规划求解,所述聚合模型以泵站运行耗电费用最小为目标,以各机组提水量分配值为决策变量,以目标提水总量为约束,求解后输出泵站运行最小耗电费用及其对应的各机组提水量分配值;
(2.5)通过迭代计算所述聚合模型,输出泵站运行最小耗电费用及其对应的叶片安放角各时段下的最优过程、由各机组泵站运行耗电费用及其分别对应的叶片安放角各时段下的优化过程构建的优化方案集;其中,任一机组泵站运行耗电费用的变幅小于等于所述优化方案集的2%。
8.根据权利要求7所述的多目标优化方法,其特征在于,所述步骤(3)还包括以下步骤:
(3.1)获取泵站运行最小耗电费用对应的叶片安放角各时段下的最优过程的累计最小变幅,考虑叶片安放角的单位角度调节历时为常数,叶片安放角最短调节历时等效为该累计最小变幅;
(3.2)在所述优化方案集内获取各机组叶片安放角各时段下的优化过程,输出叶片安放角最短调节历时为所述的累计最小变幅。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求4至8任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求4至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737440.5A CN113434981B (zh) | 2021-06-30 | 2021-06-30 | 基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737440.5A CN113434981B (zh) | 2021-06-30 | 2021-06-30 | 基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434981A true CN113434981A (zh) | 2021-09-24 |
CN113434981B CN113434981B (zh) | 2023-10-27 |
Family
ID=77758277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110737440.5A Active CN113434981B (zh) | 2021-06-30 | 2021-06-30 | 基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434981B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035432A (zh) * | 2021-11-05 | 2022-02-11 | 扬州大学 | 基于线性整数-动态规划组合算法的一组考虑开停机损耗的泵站控制方法 |
CN114396385A (zh) * | 2021-12-21 | 2022-04-26 | 中水三立数据技术股份有限公司 | 一种基于泵站运行的调度控制方法 |
CN114492991A (zh) * | 2022-01-25 | 2022-05-13 | 苗韧 | 一种基于分层序列法的多目标优化指标自动分解方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014071862A1 (zh) * | 2012-11-09 | 2014-05-15 | 天津大学 | 基于安全域的安全约束经济调度方法 |
CN103807184A (zh) * | 2014-02-17 | 2014-05-21 | 扬州大学 | 大型全调节水泵泵站变角优化运行叶片调节频度确定方法 |
WO2020103781A1 (zh) * | 2018-11-19 | 2020-05-28 | 扬州大学 | 基于时间优化分区的感潮泵站系统变台数+变角日优化运行方法 |
CN111237208A (zh) * | 2020-01-14 | 2020-06-05 | 扬州大学 | 一种泵站单机组优化运行时的叶片角步长调节控制方法 |
-
2021
- 2021-06-30 CN CN202110737440.5A patent/CN113434981B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014071862A1 (zh) * | 2012-11-09 | 2014-05-15 | 天津大学 | 基于安全域的安全约束经济调度方法 |
CN103807184A (zh) * | 2014-02-17 | 2014-05-21 | 扬州大学 | 大型全调节水泵泵站变角优化运行叶片调节频度确定方法 |
WO2020103781A1 (zh) * | 2018-11-19 | 2020-05-28 | 扬州大学 | 基于时间优化分区的感潮泵站系统变台数+变角日优化运行方法 |
CN111237208A (zh) * | 2020-01-14 | 2020-06-05 | 扬州大学 | 一种泵站单机组优化运行时的叶片角步长调节控制方法 |
Non-Patent Citations (2)
Title |
---|
龚懿;程吉林;刘静森: "基于单机组试验选优的并联泵站群组合优化运行算法研究", 南水北调与水利科技, vol. 13, no. 2 * |
龚懿;程吉林;张仁田;张礼华: "泵站多机组叶片全调节优化运行分解-动态规划聚合方法", 农业机械学报, vol. 41, no. 9 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035432A (zh) * | 2021-11-05 | 2022-02-11 | 扬州大学 | 基于线性整数-动态规划组合算法的一组考虑开停机损耗的泵站控制方法 |
CN114035432B (zh) * | 2021-11-05 | 2023-09-08 | 扬州大学 | 基于线性整数-动态规划组合算法的一组考虑开停机损耗的泵站控制方法 |
CN114396385A (zh) * | 2021-12-21 | 2022-04-26 | 中水三立数据技术股份有限公司 | 一种基于泵站运行的调度控制方法 |
CN114396385B (zh) * | 2021-12-21 | 2023-12-29 | 中水三立数据技术股份有限公司 | 一种基于泵站运行的调度控制方法 |
CN114492991A (zh) * | 2022-01-25 | 2022-05-13 | 苗韧 | 一种基于分层序列法的多目标优化指标自动分解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113434981B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113434981A (zh) | 基于叶片可调多机组泵站的多目标优化系统、方法、计算机设备和存储介质 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN111695742A (zh) | 一种综合能源系统日前调度区间优化方法、系统及设备 | |
CN103971175A (zh) | 一种多级变电站的短期负荷预测方法 | |
CN115313378A (zh) | 一种风光储发电站日前有功出力优化调度方法及系统 | |
CN115860357B (zh) | 活水多目标优化调度方法 | |
CN111091236A (zh) | 一种按桨距角分类的多分类深度学习短期风功率预测方法 | |
CN113315168A (zh) | 基于序贯蒙特卡洛模拟的风-储混合电站运行模拟方法 | |
CN115313441A (zh) | 一种新能源场站储能配置计算方法、系统、介质及设备 | |
CN115453931A (zh) | 一种水电机组监控系统有功功率控制的优化方法及装置 | |
CN114358378A (zh) | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 | |
CN112736944A (zh) | 一种电化学储能电站有功功率调度方法和系统 | |
CN109888788B (zh) | 一种电力系统最优潮流的求解方法 | |
CN113536694A (zh) | 综合能源系统鲁棒优化运行方法、系统、装置及存储介质 | |
CN115545768B (zh) | 一种考虑合同分解的大水电跨省跨区日前随机竞价方法 | |
CN107622331A (zh) | 一种发电机组与电力用户直接交易方式的优化方法和装置 | |
CN105207220B (zh) | 一种基于渐进学习的分级电压调控方法 | |
CN104077231A (zh) | 基于符号动力学和ls-svm的变压器维护优化方法 | |
Pang et al. | A photovoltaic power predicting model using the differential evolution algorithm and multi-task learning | |
CN116050461A (zh) | 运用卷积神经网络确定模糊控制理论隶属度函数的改进法 | |
Zhang et al. | Data-Driven Distributionally Robust Optimization-Based Coordinated Dispatching for Cascaded Hydro-PV-PSH Combined System | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
Gu et al. | An Auto-Tuned Robust Dispatch Strategy for Virtual Power Plants to Provide Multi-Stage Real-time Balancing Service |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |