电力机组负荷优化分配模块的应用
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
2004 长沙: 中南大学, 4. 赵瑾. PLC 教学中组态仿真技术的应用[ J] . 湘潭师范学院 2009 学报( 自然科学版) , 5. 曹辉, . 北京: 电子 马栋萍. 王喧组态软件技术及应用[M] 2008 工业出版社,
Industrial & Science Tribune 2011.(10).10
产业与科技论坛 2011 年第 10 卷第 10 期
电力机组负荷优化分配模块的应用研究
□吴志钢 陈 雯
【摘
要】 由于火电厂对经济运行的要求越来越高 , 因此控制系统需要解决火电厂各种形式的优化问题 。本文主要通过遗传算 法来对机组负荷优化分配问题进行求解 , 并通过实例计算以论证其可行性 , 以实现降低煤耗, 节约能源的目的。
i =1 i =1 N N
杂和非线性问题。 x2 , …x n ] i 用 n 个 遗传算法中, 将 n 维决策变量 X = [ x1 , 2 …n ) 所组成的符号串 X 来表示: 记号 X i ( i = 1 , X = X1 , X2 , …, X n X = [ x1 , x2 … x n ] i ( 2) 把每一个 X i 看作一个遗传基因, 它的所有可能取值称 X 就可以看作是由 n 个遗传基因组成的一 为等位基因, 这样, 个染色体。对于每一个个体 X, 按照一定的规则确定出其适 应度。X 越接近于目标函数的最优点, 其适应度越大; 反之, 。 其适应度越小 遗传算法的运算对象是由 M 个个体组成的 集合, 称为群体。与生物一代代的自然进化过程相似, 遗传 算法的运算过程也是一个迭代的过程, 第 t 代群体 记 做 P ( t) , 经过一代的遗传和进化后, 得到第 t + 1 代群体, 记做 P( t + 1 ) 。这个群体不断地经过遗传和进化, 并且每次都按优胜 劣汰的原则将适应度高的个体更多地遗传到下一代, 这样最 终在群体中将会得到一个达到或接近最优解的优良的个体 X。该算法包含了几个基本要素: 编码、 初始化、 选择策略、 杂 变异算子以及约束处理等 。 交算子、 三、 遗传算法应用于机组负荷优化分配 如果机组间的负荷分配问题采用遗传算法, 其具体方法 和步骤如下: 一是对算例中的各种参数进行初始化设计: 包 括机组特性数据、 机组出力约束的限值、 各种遗传参数的设 定、 当前系统总负荷等。二是产生初始群体: 包括群体的
( 1)
其约束条件为: 各台机组分配的负荷之和等于全厂总负 荷; 每台机组分配的负荷介于该机组的最小输出功率和最大 输出功率间。 二、 遗传算法简介 遗传算法是模拟生物在自然界环境中的遗传和进化过 程而形成的一种自适应全局优化概率搜索算法 。 其主要特 点是群体搜索策略和群体中个体的信息交换, 搜索不依赖于 梯度信息。它尤其适用于处理传统搜索方法难于解决的复
【参考文献】 1. 孙洪程. 过程控制工程[ M] . 北京: 高等教育出版社, 2006 2. 谌彦. 工业过程监控组态软件的研究与开发[ D] . 武汉: 华 2004 中科技大学, 3. 吴志强. 工业实时监控网络系统的设计 、 . 优化与安全[D]
图5 报警窗口
三、 结语 本监控系统具有操作简单 、 可靠性高、 可维护性好、 交互 式图形界面清晰等特点, 广泛适用于各类·
产业与科技论坛 2011 年第 10 卷第 10 期
编码方式以及群体的产生方式 。 三是计算适应值: 计算各个 个体的适应度的大小。 四是遗传操作: 包括选择操作、 交叉 操作、 变异操作。五是判断是否满足终止条件: 如果此时已 满足设定的终止条件, 则将得到的符合适应值要求的个体作 为所求的结果; 或者设定一定的迭代次数, 迭代结束输出最 优解。 ( 一) 约束的处理。在机组负荷优化分配模型中, 对于各 本文采用智能编码的方法, 通过编码方 台机组上下限约束, 式将该约束条件予以处理; 对于总负荷平衡约束, 本文将采 用惩罚函数的方法对这一等式约束予以处理 。 ( 二) 编码的设计。本文采用实数编码方法, 对应于 n 台 x2 , …x N }, 机组, 每个个体为一个 n 维的实数数组 { x1 , 其中 x i 表示第 i 台机组的负荷值。 ( 三) 种群的产生和规模。本文在种群产生过程中, 针对 采用智能编码的方法, 即: 对于 n 台机组, 前n- 每一个个体, 1 台机组的负荷值采用在负荷上下限约束内随机生成的方 式, 而对于第 n 台机组的负荷值, 则为总负荷减去前 n - 1 台 机组负荷值的总和。对于每一次进行交叉和变异操作之后, 也要再次进行上式对每个个体的最后一个负荷值进行计算 。 群体规模的大小影响遗传算法的最终结果以及遗传算法的 执行效率。群体规模 M 过小, 会降低群体的多样性, 引起遗 传算法的早熟现象。而 M 取值过大, 又会使得遗传算法的运 行效率降低。本文通过对程序的整体执行时间和执行效果 分析, 将 M 取值为 200 。 ( 四) 惩罚函数的设计。对于总负荷平衡约束, 本文采用 惩罚函数的方法来处理约束 。其具体方法是: F( x) = 文采用的变异方法是高斯变异 。 高斯变异对于搜索局部最 优解有很好的效果, 但是变异算子对于克服遗传算法早熟和 局部收敛的作用却无法更好的体现出来, 因此本文选择高斯 交替进行的方法进行变异操作 。 变异和普通变异相结合, ( 六) 遗传参数的设计。遗传算法的参数中, 交叉概率和 变异概率直接影响算法的收敛速度 。 交叉概率的大小决定 新个体产生速度的快慢, 同时过高的交叉率可能使较优良的 个体的模式遭到破坏, 过小的交叉概率又会延缓新个体的产 生, 导致算法停滞不前。变异概率是决定算法跳出局部最优 解的一个关键因素。 变异概率过小, 不易生成新的模式结 构, 而变异概率过大, 会使遗传算法成为纯粹的随机搜索算法。 本文经过反复的试验, 发现交叉概率在 0. 2 ~ 0. 3 之间, 变异概率在 0. 08 ~ 0. 3 之间遗传有着理想的进化代数 。 因 此, 本文选择交叉概率值为 0. 3 , 变异概率值为 0. 2 。 四、 实例 为验证本章所介绍的遗传算法, 特选用了某电厂 5 台机 组为例, 分别采用遗传算法以及目前电厂常用的等位增率法 对其进行负荷分配, 基于数据, 可得出如下分析结果: 从算法 的计算结果来看, 两个算法的精确性基本一致; 而从算法的 适应性来看: 等微增率法对数学模型的要求很高, 而遗传算 法的适应性更广, 对模型的要求很低, 甚至于不要求模型, 只 需要能够评价种群的好坏即可 。 由此可见, 随着技术的发 展, 遗传算法必然有这着更为广阔的发展空间 。
【关键词】 遗传算法; 机组负荷; 优化分配 【作者简介】 吴志钢( 1983. 7 ~ ) , 男, 辽宁开原人, 国核电力规划设计研究院仪控工程师 ; 研究方向: 仪器仪表控制 国核电力规划设计研究院机械工程师 ; 研究方向: 仪器仪表控制 陈雯,
火电厂控制系统的一个重要功能是解决火电厂各种形 式资源的优化配置问题 。其中, 机组负荷优化分配问题是重 要环节, 是实现节能降耗的基础 。 目前应用于该问题的方法 主要有三类: 经典优化方法、 启发式算法和人工智能方法等 。 本文采用的是人工智能方法中的遗传算法, 主要对遗传算法 的原理及其计算方法进行简要介绍, 并通过实例计算以论证 。 其可行性 一、 机组负荷优化分配数学模型 火电厂机组负荷分配的目标是: 在某一时段, 在满足各 合理的安排各机组的负荷, 使全厂总煤耗 类约束的条件下, 最低。假设某电厂有 n 台机组投入运行, 某一时段总负荷为 PD。优化分配就是将负荷合理地分配到 n 台机组上, 使全厂 总的煤耗量最小, 目标函数为: minF = F i = F i ( P i )