CN114326377A - 一种基于遗传粒子群算法的汽轮机调速系统参数优化方法 - Google Patents
一种基于遗传粒子群算法的汽轮机调速系统参数优化方法 Download PDFInfo
- Publication number
- CN114326377A CN114326377A CN202111610660.8A CN202111610660A CN114326377A CN 114326377 A CN114326377 A CN 114326377A CN 202111610660 A CN202111610660 A CN 202111610660A CN 114326377 A CN114326377 A CN 114326377A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- optimized
- steam turbine
- speed
- time constant
- 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 77
- 239000002245 particle Substances 0.000 title claims abstract description 49
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002068 genetic effect Effects 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000003321 amplification Effects 0.000 claims abstract description 25
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 25
- 230000010355 oscillation Effects 0.000 claims abstract description 17
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 230000001276 controlling effect Effects 0.000 claims abstract description 3
- 238000013016 damping Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000001939 inductive effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 239000005367 kimax Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Control Of Turbines (AREA)
Abstract
本发明提出了一种基于遗传粒子群算法的汽轮机调速系统参数优化方法。首先构建了基于调速系统引发汽轮机功率振荡的数学模型,然后通过系统调节性能指标和动态稳定性能指标构建优化目标函数;结合超调量约束、稳态误差约束、优化参数上下限约束等约束条件,利用GA‑PSO算法优化调速器PID控制器的比例环节系数和积分环节系数、转速偏差放大系数、油动机时间常数、汽轮机蒸汽容积时间常数、高压缸比例系数,输入至汽轮机调速系统并通过数学模型进行控制。本发明能够很好地协调机组调节性能与系统动态安全稳定性,避免机组侧功率振荡事故的发生,在计算难度、收敛速度、精度、跳出局部最优等方面具有显著优势,在调节性能和稳定性方面都有所改善。
Description
技术领域
本发明涉及火电机组控制技术领域,尤其涉一种基于遗传粒子群算法的汽轮机调速系统参数优化方法。
背景技术
随着电网规模和结构的日益复杂,各类控制装置在电力系统中普及,机组侧辅助调节系统亦随之增加,机组调节性能提高的同时却对其动态稳定性产生了不利的影响。高灵敏度额辅助调节能力与机组稳定性不协调,使得近年来机组侧引发的功率振荡事故频发,严重威胁电网的安全稳定性。汽轮机调速系统中,不能孤立的去调整某个参数,需要联动地处理各个参数,要综合考虑调速系统参数之间的最佳匹配问题,探寻合适的方法进行优化,提高系统的调节性能和稳定性。
因此,需寻找一种能够综合考虑汽轮机调速系统各个参数并实现最佳匹配的优化方法,协调机组调节性能与电网安全稳定性,避免机组侧功率振荡事故的发生。
发明内容
本发明的目的是提供了一种基于遗传粒子群算法的汽轮机调速系统参数优化方法,可用于联动处理并优化汽轮机调速系统的各个参数并解决参数之间的最佳匹配问题,以克服背景技术中存在的不足。
为了实现上述目的,本发明的技术方案为一种基于遗传粒子群算法的汽轮机调速系统参数优化方法,具体包括以下步骤:
步骤1:构建基于调速系统引发汽轮机功率振荡的数学模型,并设定调速系统所要优化的变量;
步骤2:根据调速系统所要优化的变量,通过系统调节性能指标以及系统动态稳定性能指标构建优化目标函数;
步骤3:分别构建超调量约束条件、稳态误差约束条件、优化参数上下限约束条件;
步骤4:结合超调量约束条件、稳态误差约束条件、优化参数上下限约束条件,利用GA-PSO算法对优化后调速系统所要优化的变量进行优化,得到优化后调速器PID控制器的比例环节系数、优化后调速器PID控制器的积分环节系数、优化后转速偏差放大系数、优化后油动机时间常数、优化后汽轮机蒸汽容积时间常数、优化后高压缸比例系数;
步骤5:将优化后调速器PID控制器的比例环节系数、优化后调速器PID控制器的积分环节系数、优化后转速偏差放大系数、优化后油动机时间常数、优化后汽轮机蒸汽容积时间常数、优化后高压缸比例系数输入汽轮机调速系统,通过基于调速系统引发汽轮机功率振荡的数学模型进行控制;
作为优选,步骤1中所述基于调速系统引发汽轮机功率振荡的数学模型如下所示:
式中,KP为调速器PID控制器的比例环节系数,KI为调速器PID控制器的积分环节系数,FHP为高压缸比例系数,To为油动机时间常数,TCH为汽轮机蒸汽容积时间常数,ΔT为时间常数变化值,KD为功率振荡影响因子,Δω为角频率变化值,Δδm为转速不等率变化值,ω为给定频率;
步骤1所述调速系统所要优化的变量包括:调速器PID控制器的比例环节系数、调速器PID控制器的积分环节系数、转速偏差放大系数、油动机时间常数、汽轮机蒸汽容积时间常数、高压缸比例系数;
作为优选,步骤2中所述系统调节性能指标定义为系统一次调频的平均误差,具体所示:
式中,P0,i为第i次采样的一次调频指令,P1,i为第i次采样的实际的调频指令,N为总的采样次数;
步骤2中所述系统动态稳定性能指标定义为系统阻尼比,具体如下:
式中,ζ表示系统阻尼比,αz表示阻尼因子,ω表示给定频率;
步骤2中所述优化目标函数表示为:
式中,w1表示系统调节性能指标权值,w2表示系统动态稳定性能指标权值,q表示惩罚因子;
作为优选,步骤3中所述超调量约束条件为:
n(t)-1.05ω≤0
式中,n(t)表示第t个时刻转速的变化量,t为时刻值,ω为给定频率;
步骤3中所述稳态误差约束为:
若t∈[0,τ0]时,
n(t)-2ω+0.045ωt≤0且0.045ωt-n(t)≤0
若t∈[τ0,τ1]时,
n(t)-1.1ω≤0且0.9ω-n(t)≤0
式中,τ0表示上升时间起始值,τ1表示调节时间起始值,n(t)表示第t个时刻转速的变化量,t为时刻值,ω为给定频率;
步骤3中所述优化参数上下限约束包括:
其中,KP表示调速器PID控制器的比例环节系数;KPmin表示调速器PID控制器的比例环节系数下限;KPmax表示调速器PID控制器的比例环节系数上限;KI表示调速器PID控制器的积分环节系数;KImin表示调速器PID控制器的积分环节系数下限;KImax表示调速器PID控制器的积分环节系数上限;K表示转速偏差放大系数;Kmin表示转速偏差放大系数下限;Kmax表示转速偏差放大系数上限;To表示油动机时间常数;Tomin表示油动机时间常数下限;Tomax表示油动机时间常数上限;TCH表示汽轮机蒸汽容积时间常数;TCHmin表示汽轮机蒸汽容积时间常数下限;TCHmax表示汽轮机蒸汽容积时间常数上限;FHP表示高压缸比例系数;FHPmin表示高压缸比例系数下限;FHPmax表示高压缸比例系数上限;
作为优选,步骤4所述利用GA-PSO算法对优化后调速系统所要优化的变量进行优化,具体步骤如下:
步骤4.1:引入阶梯型惯性权重因子;
步骤4.2:初始化粒子群算法参数;
步骤4.3:依次构建粒子每一维度的速度的约束条件、超调量约束、稳态误差约束、优化参数上下限约束;
步骤4.4:根据系统一次调频的平均误差和系统阻尼比构建优化目标函数,以优化目标函数最小化作为优化目标,通过GA-PSO算法优化得到优化后调速器PID控制器的比例环节系数、优化后调速器PID控制器的积分环节系数、优化后转速偏差放大系数、优化后油动机时间常数、优化后汽轮机蒸汽容积时间常数、优化后高压缸比例系数;
本发明的优点在于,本发明可用于联动处理并优化汽轮机调速系统的各个参数并实现参数之间的最佳匹配,很好地协调机组调节性能与系统动态安全稳定性,避免机组侧功率振荡事故的发生,且GA-PSO优化算法综合了PSO算法和GA算法的优点,不仅具有PSO算法收敛速度快、局部收敛精度高的特点,还具有GA优化算法能够克服局部最优的特点,在计算难度、收敛速度、精度、跳出局部最优等方面具有显著优势,优化后的调速系统在调节性能和稳定性方面都有所改善。
附图说明
图1:本发明实施例中的完整操作流程;
图2:基于GA-PSO的调速系统参数优化流程示意图;
图3:GA-PSO算法的求解过程示意图;
图4:PID控制器的比例环节系数优化过程示意图;
图5:调速器PID控制器的积分环节系数优化过程示意图
图6:转速偏差放大系数优化过程示意图
图7:油动机时间常数优化过程示意图
图8:汽轮机蒸汽容积时间常数优化过程示意图
图9:高压缸比例系数优化过程示意图
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
下面结合图1-图9,介绍本发明的具体实施方式方法为:
一种基于遗传粒子群算法的汽轮机调速系统参数优化方法,具体包括以下步骤:
步骤1:构建基于调速系统引发汽轮机功率振荡的数学模型,并设定调速系统所要优化的变量;
步骤1中所述基于调速系统引发汽轮机功率振荡的数学模型如下所示:
式中,KP为调速器PID控制器的比例环节系数,KI为调速器PID控制器的积分环节系数,FHP为高压缸比例系数,To为油动机时间常数,TCH为汽轮机蒸汽容积时间常数,ΔT为时间常数变化值,KD为功率振荡影响因子,Δω为角频率变化值,Δδm为转速不等率变化值,ω为给定频率;
步骤1所述调速系统所要优化的变量包括:调速器PID控制器的比例环节系数、调速器PID控制器的积分环节系数、转速偏差放大系数、油动机时间常数、汽轮机蒸汽容积时间常数、高压缸比例系数;
步骤2:根据调速系统所要优化的变量,通过系统调节性能指标以及系统动态稳定性能指标构建优化目标函数;
步骤2中所述系统调节性能指标定义为系统一次调频的平均误差,具体所示:
式中,P0,i为第i次采样的一次调频指令,P1,i为第i次采样的实际的调频指令,N为总的采样次数;
步骤2中所述系统动态稳定性能指标定义为系统阻尼比,具体如下:
式中,ζ表示系统阻尼比,αz表示阻尼因子,ω表示给定频率;
步骤2中所述优化目标函数表示为:
式中,w1表示系统调节性能指标权值,w2表示系统动态稳定性能指标权值,q表示惩罚因子;
步骤3:分别构建超调量约束条件、稳态误差约束条件、优化参数上下限约束条件;
步骤3中所述超调量约束条件为:
n(t)-1.05ω≤0
式中,n(t)表示第t个时刻转速的变化量,t为时刻值,ω为给定频率;
步骤3中所述稳态误差约束为:
若t∈[0,τ0]时,
n(t)-2ω+0.045ωt≤0且0.045ωt-n(t)≤0
若t∈[τ0,τ1]时,
n(t)-1.1ω≤0且0.9ω-n(t)≤0
式中,τ0=20表示上升时间起始值,τ1=100表示调节时间起始值,n(t)表示第t个时刻转速的变化量,t为时刻值,ω为给定频率;
步骤3中所述优化参数上下限约束包括:
其中,KP表示调速器PID控制器的比例环节系数;KPmin表示调速器PID控制器的比例环节系数下限;KPmax表示调速器PID控制器的比例环节系数上限;KI表示调速器PID控制器的积分环节系数;KImin表示调速器PID控制器的积分环节系数下限;KImax表示调速器PID控制器的积分环节系数上限;K表示转速偏差放大系数;Kmin表示转速偏差放大系数下限;Kmax表示转速偏差放大系数上限;To表示油动机时间常数;Tomin表示油动机时间常数下限;Tomax表示油动机时间常数上限;TCH表示汽轮机蒸汽容积时间常数;TCHmin表示汽轮机蒸汽容积时间常数下限;TCHmax表示汽轮机蒸汽容积时间常数上限;FHP表示高压缸比例系数;FHPmin表示高压缸比例系数下限;FHPmax表示高压缸比例系数上限;
步骤4:利用GA-PSO算法对优化后调速系统所要优化的变量进行优化,得到优化后调速器PID控制器的比例环节系数、优化后调速器PID控制器的积分环节系数、优化后转速偏差放大系数、优化后油动机时间常数、优化后汽轮机蒸汽容积时间常数、优化后高压缸比例系数;基于GA-PSO的调速系统参数优化流程请参阅图2;
所述步骤4具体步骤如下:
步骤4.1:引入阶梯型惯性权重因子;
步骤4.1中所述阶梯型惯性权重因子为:
式中,α为0~1之内的常数,取α=0.4;β为0~1之内的常数,取β=0.8;hi k为在第k次迭代中第i个粒子的进化速度因子;sk为在第k次迭代中第i个粒子的种群聚集度因子,如下所示:
其中f(Pi k-1)为直到k-1次迭代为止粒子i个体极值的适应值;f(Pi k)为直到第k次迭代为止粒子i个体极值的适应值;fkave为第k次迭代时所有粒子适应值的平均值;fkbest为第k次迭代时所有粒子最优解的适应值;
步骤4.2:初始化粒子群算法参数;
步骤4.2中所述初始化粒子群算法参数具体为:
算法的初始化为一群随机粒子,每个粒子对应一个解。考虑步骤1所述的惯性权重因数,在每一次迭代过程中,粒子的速度Vi如下所示:
Vi=(vi1,vi2,...,viD)T
其中,用D维向量来表示粒子i的信息;viD表示粒子i第d维的速度;
粒子的位置Xi如下所示:
Xi=(xi1,xi2,...,xiD)T
其中,用D维向量来表示粒子i的信息;xiD表示粒子i第d维的位置;
找到这两个最好的解之后不断更新,更新后的粒子的速度如下所示:
其中,用D维向量来表示粒子i的信息;表示粒子i在第k+1次迭代中第d维的速度;表示粒子i的惯性权重;表示表示粒子i在第k次迭代中第d维的速度;表示粒子i在第k次迭代中第d维的位置;c1表示学习因子,通常c1=0;c2表示学习因子,通常c2=0;rand1表示0和1之间的随机数;rand2表示0和1之间的随机数;pbestid表示粒子i在d维的个体极值点的位置;gbestid表示整个种群在第d维的全局极值点的位置;
更新后的粒子的位置如下所示:
步骤4.3:依次构建粒子每一维度的速度的约束条件、超调量约束、稳态误差约束、优化参数上下限约束;
步骤4.3中所述粒子每一维度的速度的约束条件如下所示:
vdmax表示表示粒子第d维的速度的最大值;vd表示表示粒子第d维的速度;xdmax表示表示粒子第d维的位置的最大值;xd表示粒子第d维的位置;
所述GA-PSO算法的求解过程请参阅图3;
步骤4.3中所述超调量约束条件为:
n(t)-1.05ω≤0
式中,n(t)表示转速的变化量,ω为给定频率;
步骤4.3中所述稳态误差约束为:
若t∈[0,τ0]时,
n(t)-2ω+0.045ωt≤0且0.045ωt-n(t)≤0
若t∈[τ0,τ1]时,
n(t)-1.1ω≤0且0.9ω-n(t)≤0
式中,τ0表示上升时间起始值,τ1表示调节时间起始值,n(t)表示第t个时刻转速的变化量,t为时刻值,ω为给定频率;
步骤4.3中所述优化参数上下限约束包括:
KP表示调速器PID控制器参数;KI表示调速器PID控制器参数;K表示转速偏差放大系数;To表示油动机时间常数;TCH表示汽轮机蒸汽容积时间常数;FHP表示高压缸比例系数;
步骤4.4:根据系统一次调频的平均误差和系统阻尼比构建优化目标函数,以优化目标函数最小化作为优化目标,通过GA-PSO算法优化得到优化后调速器PID控制器的比例环节系数、优化后调速器PID控制器的积分环节系数、优化后转速偏差放大系数、优化后油动机时间常数、优化后汽轮机蒸汽容积时间常数、优化后高压缸比例系数;
步骤4中待优化的参数为:调速器PID控制器参数KP和KI、转速偏差放大系数K、油动机时间常数To、汽轮机蒸汽容积时间常数TCH、高压缸比例系数FHP。利用GA-PSO优化方法进行优化,优化结果请参阅图4;
步骤5:将优化后调速器PID控制器的比例环节系数、优化后调速器PID控制器的积分环节系数、优化后转速偏差放大系数、优化后油动机时间常数、优化后汽轮机蒸汽容积时间常数、优化后高压缸比例系数;输入至基于ADPSS(Advanced Digital Power SystemSimulator)仿真软件建立的调速系统引发汽轮机功率振荡数学模型,仿真计算并观察优化后系统阻尼、快速甩负荷(FCB)工况中转速动态响应以及转速、电磁功率的暂态过程,并与优化前的进行对比,优化后的系统的响应时间及动态稳定性能得到了提升,根据变量参数校验结果,确定各变量的最优值;
根据图4-图9所示的优化结果,整个优化过程在第10次左右开始收敛,表明优化速度较好,将各个参数优化得到的最终值进行整理,得到最终输出全局最优值为:Kp=0.677,KI=0.134,K=18.362,To=0.838,TCH=0.151,FHP=0.267;
将上述优化后的参数应用于火电机组模型中进行仿真,观察优化后系统阻尼、FCB工况中转速动态响应以及转速、电磁功率的暂态过程,并与优化前的进行对比,优化后的系统调节性能得到了提升,在100%FCB工况下,系统转速响应快且超调量小;
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于遗传粒子群算法的汽轮机调速系统参数优化方法,其特征在于,包括以下步骤:
步骤1:构建基于调速系统引发汽轮机功率振荡的数学模型,并设定调速系统所要优化的变量;
步骤2:根据调速系统所要优化的变量,通过系统调节性能指标以及系统动态稳定性能指标构建优化目标函数;
步骤3:分别构建超调量约束条件、稳态误差约束条件、优化参数上下限约束条件;
步骤4:结合超调量约束条件、稳态误差约束条件、优化参数上下限约束条件,利用GA-PSO算法对优化后调速系统所要优化的变量进行优化,得到优化后调速器PID控制器的比例环节系数、优化后调速器PID控制器的积分环节系数、优化后转速偏差放大系数、优化后油动机时间常数、优化后汽轮机蒸汽容积时间常数、优化后高压缸比例系数;
步骤5:将优化后调速器PID控制器的比例环节系数、优化后调速器PID控制器的积分环节系数、优化后转速偏差放大系数、优化后油动机时间常数、优化后汽轮机蒸汽容积时间常数、优化后高压缸比例系数输入汽轮机调速系统,通过基于调速系统引发汽轮机功率振荡的数学模型进行控制。
2.根据权利要求1所述的基于遗传粒子群算法的汽轮机调速系统参数优化方法,其特征在于,步骤1中所述基于调速系统引发汽轮机功率振荡的数学模型如下所示:
式中,KP为调速器PID控制器的比例环节系数,KI为调速器PID控制器的积分环节系数,FHP为高压缸比例系数,To为油动机时间常数,TCH为汽轮机蒸汽容积时间常数,ΔT为时间常数变化值,KD为功率振荡影响因子,Δω为角频率变化值,Δδm为转速不等率变化值,ω为给定频率;
步骤1所述调速系统所要优化的变量包括:调速器PID控制器的比例环节系数、调速器PID控制器的积分环节系数、转速偏差放大系数、油动机时间常数、汽轮机蒸汽容积时间常数、高压缸比例系数。
4.根据权利要求1所述的基于遗传粒子群算法的汽轮机调速系统参数优化方法,其特征在于,步骤3中所述超调量约束条件为:
n(t)-1.05ω≤0
式中,n(t)表示第t个时刻转速的变化量,t为时刻值,ω为给定频率;
步骤3中所述稳态误差约束为:
若t∈[0,τ0]时,
n(t)-2ω+0.045ωt≤0且0.045ωt-n(t)≤0
若t∈[τ0,τ1]时,
n(t)-1.1ω≤0且0.9ω-n(t)≤0
式中,τ0表示上升时间起始值,τ1表示调节时间起始值,n(t)表示第t个时刻转速的变化量,t为时刻值,ω为给定频率;
步骤3中所述优化参数上下限约束包括:
其中,KP表示调速器PID控制器的比例环节系数;KPmin表示调速器PID控制器的比例环节系数下限;KPmax表示调速器PID控制器的比例环节系数上限;KI表示调速器PID控制器的积分环节系数;KImin表示调速器PID控制器的积分环节系数下限;KImax表示调速器PID控制器的积分环节系数上限;K表示转速偏差放大系数;Kmin表示转速偏差放大系数下限;Kmax表示转速偏差放大系数上限;To表示油动机时间常数;Tomin表示油动机时间常数下限;Tomax表示油动机时间常数上限;TCH表示汽轮机蒸汽容积时间常数;TCHmin表示汽轮机蒸汽容积时间常数下限;TCHmax表示汽轮机蒸汽容积时间常数上限;FHP表示高压缸比例系数;FHPmin表示高压缸比例系数下限;FHPmax表示高压缸比例系数上限。
5.根据权利要求1所述的基于遗传粒子群算法的汽轮机调速系统参数优化方法,其特征在于,步骤4所述利用GA-PSO算法对优化后调速系统所要优化的变量进行优化,具体步骤如下:
步骤4.1:引入阶梯型惯性权重因子;
步骤4.2:初始化粒子群算法参数;
步骤4.3:依次构建粒子每一维度的速度的约束条件、超调量约束、稳态误差约束、优化参数上下限约束;
步骤4.4:根据系统一次调频的平均误差和系统阻尼比构建优化目标函数,以优化目标函数最小化作为优化目标,通过GA-PSO算法优化得到优化后调速器PID控制器的比例环节系数、优化后调速器PID控制器的积分环节系数、优化后转速偏差放大系数、优化后油动机时间常数、优化后汽轮机蒸汽容积时间常数、优化后高压缸比例系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111610660.8A CN114326377B (zh) | 2021-12-27 | 2021-12-27 | 一种基于遗传粒子群算法的汽轮机调速系统参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111610660.8A CN114326377B (zh) | 2021-12-27 | 2021-12-27 | 一种基于遗传粒子群算法的汽轮机调速系统参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114326377A true CN114326377A (zh) | 2022-04-12 |
CN114326377B CN114326377B (zh) | 2023-11-24 |
Family
ID=81013291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111610660.8A Active CN114326377B (zh) | 2021-12-27 | 2021-12-27 | 一种基于遗传粒子群算法的汽轮机调速系统参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114326377B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257800A1 (en) * | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
CN103401256A (zh) * | 2013-06-09 | 2013-11-20 | 广东电网公司电力科学研究院 | 火力发电厂大型汽轮机功频电液控制系统参数的优化方法 |
US20140172125A1 (en) * | 2012-09-29 | 2014-06-19 | Operation Technology, Inc. | Dynamic parameter tuning using particle swarm optimization |
CN104500150A (zh) * | 2014-11-28 | 2015-04-08 | 武汉大学 | 一种汽轮机调速器执行机构分段线性模型及参数获取方法 |
CN105114242A (zh) * | 2015-07-22 | 2015-12-02 | 重庆邮电大学 | 基于模糊自适应的dfpso算法的水轮机调速器参数优化方法 |
CN105490266A (zh) * | 2015-12-24 | 2016-04-13 | 国网甘肃省电力公司电力科学研究院 | 基于多变量拟合的发电机调速系统参数优化建模方法 |
CN107476931A (zh) * | 2017-08-14 | 2017-12-15 | 国网四川省电力公司电力科学研究院 | 一种水轮机调速器pid参数优化方法及系统 |
CN109617140A (zh) * | 2018-12-12 | 2019-04-12 | 云南电网有限责任公司电力科学研究院 | 一种大型水电机组调速器参数优化方法 |
CN110377970A (zh) * | 2019-06-27 | 2019-10-25 | 中国南方电网有限责任公司 | 弱阻尼低频振荡模式的水轮机调速器参数优化方法及系统 |
-
2021
- 2021-12-27 CN CN202111610660.8A patent/CN114326377B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257800A1 (en) * | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
US20140172125A1 (en) * | 2012-09-29 | 2014-06-19 | Operation Technology, Inc. | Dynamic parameter tuning using particle swarm optimization |
CN103401256A (zh) * | 2013-06-09 | 2013-11-20 | 广东电网公司电力科学研究院 | 火力发电厂大型汽轮机功频电液控制系统参数的优化方法 |
CN104500150A (zh) * | 2014-11-28 | 2015-04-08 | 武汉大学 | 一种汽轮机调速器执行机构分段线性模型及参数获取方法 |
CN105114242A (zh) * | 2015-07-22 | 2015-12-02 | 重庆邮电大学 | 基于模糊自适应的dfpso算法的水轮机调速器参数优化方法 |
CN105490266A (zh) * | 2015-12-24 | 2016-04-13 | 国网甘肃省电力公司电力科学研究院 | 基于多变量拟合的发电机调速系统参数优化建模方法 |
CN107476931A (zh) * | 2017-08-14 | 2017-12-15 | 国网四川省电力公司电力科学研究院 | 一种水轮机调速器pid参数优化方法及系统 |
CN109617140A (zh) * | 2018-12-12 | 2019-04-12 | 云南电网有限责任公司电力科学研究院 | 一种大型水电机组调速器参数优化方法 |
CN110377970A (zh) * | 2019-06-27 | 2019-10-25 | 中国南方电网有限责任公司 | 弱阻尼低频振荡模式的水轮机调速器参数优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
王力;赵洁;刘涤尘;王骏;陈刚;刘蔚: "基于遗传粒子群优化算法的调速器执行机构分段线性模型及参数辨识", 电工技术学报, vol. 31, no. 12, pages 204 - 210 * |
王平;陈根军;喻显茂;闵国君;陈胜;赵云峰;: "差分粒子群混合优化算法在汽轮机调节系统参数辨识中的应用", 智慧电力, no. 09, pages 86 - 90 * |
Also Published As
Publication number | Publication date |
---|---|
CN114326377B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yoshitani et al. | Model-based control of strip temperature for the heating furnace in continuous annealing | |
CN111413872B (zh) | 基于扩张状态观测器的空气容腔压力快速主动抗扰方法 | |
CN106485064A (zh) | 一种抽水蓄能机组水轮机工况智能开机方法 | |
Durmaz et al. | Sliding mode control for non-linear systems with adaptive sliding surfaces | |
CN109828461B (zh) | 热工多回路控制器的闭环迭代粒子群整定系统及整定方法 | |
CN112382418B (zh) | 带有增量式调节功能的高温气冷堆氦气流量控制系统及方法 | |
CN114967474B (zh) | 一种基于神经网络的通用风洞流场控制方法 | |
WO2022105356A1 (zh) | 带有增量式调节功能的核电机组控制棒调节方法及系统 | |
CN110361974B (zh) | 基于bp-foa混合算法的水轮机调速系统优化方法 | |
CN114706295B (zh) | 用于空天飞机强度测试的热试验中快时变热载荷控制方法 | |
CN110824927A (zh) | 具有自适应学习特征的火电机组一次调频精确调节方法 | |
CN114326377A (zh) | 一种基于遗传粒子群算法的汽轮机调速系统参数优化方法 | |
CN111240201B (zh) | 一种扰动抑制控制方法 | |
CN108549207A (zh) | 一种水轮机调节系统控制参数的方法 | |
Hawkins et al. | Region II wind power capture maximization using robust control and estimation with alternating gradient search | |
JPH07210208A (ja) | 火力プラント制御におけるオートチューニング方法及びそれを利用した火力プラント制御装置 | |
Stockhouse et al. | Trade-offs in the design of multi-loop controllers for floating wind turbines | |
CN116300422A (zh) | 一种水电机组控制优化方法及终端 | |
CN113095951B (zh) | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 | |
CN113189871B (zh) | 一种面向火电机组灵活性运行的协调控制策略 | |
CN113641153A (zh) | 亚临界火电机组协调控制系统参数寻优方法 | |
CN103809434B (zh) | 纵向飞行模型簇复合根轨迹多级pid控制器设计方法 | |
CN116861811B (zh) | 一种火箭末级离轨推力的确定方法、装置及设备 | |
CN112541301B (zh) | 一种供热机组一次调频能力计算方法 | |
CN116449685B (zh) | 一种快速跟踪精准控制的舰船燃机控制方法及装置 |
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 |