1.本发明涉及电力系统的建模领域，尤其涉及一种基于优势变异粒子群的火电机组协调系统建模方法。
背景技术：2.火电机组的协调控制系统是将锅炉、汽机及给水系统作为整体加以控制的多变量、非线性的耦合系统，由于系统本身的特点对控制算法的要求比较高，而建立能够准确描述协调系统的动态数学模型是采用先进控制算法的基础，因此建立一种协调系统准确建模方法时十分必要的。
3.对于火电机组协调系统的模型参数进行优化辨识所采用的方法包括基本的粒子群优化算法、遗传算法等，由于协调系统的模型结构相对复杂、辨识参数多、现场数据噪声多的情况，这些方法优化效果不佳，并且由于算法收敛速度较慢，所需历史数据较多，其次算法容易陷入局部最优，精度较差，因此对一般的优化算法进行改进，主要也是力求算法的收敛速度和精度的兼顾。所以本专利提出一种基于优势变异粒子群算法的协调系统建模方法，可以用较少的历史数据准确拟合得到协调系统的数学模型。
技术实现要素：4.本发明的目的在于克服上述背景技术中提及的不足，提供一种基于优势变异粒子群算法的协调系统建模方法，具体由以下方案实现：
5.一种基于优势变异粒子群的火电机组协调系统建模方法，其特征在于，包括以下步骤：
6.步骤1：根据历史数据筛选得到建模样本数据；
7.步骤2：设置优势变异粒子群算法所需参数；
8.步骤3：确定算法搜索范围和协调系统模型结构；
9.步骤4：根据优化目标函数寻优得到模型参数。
10.进一步的，所述步骤1的历史数据包括当前机组负荷、负荷设定值、总煤量、主汽压力设定值、主汽压力实际值、总给水量和中间点温度设定值及实际值，要求历史数据选取范围在50％到100％额定负荷范围，时间间隔在2s以内。
11.进一步的，所述步骤2的优势变异粒子群算法所需参数包括粒子个数n、惯性权重ω、学习因子c、优势界限范围θ、变异概率μ和迭代次数t
max
。
12.其中迭代第t次的惯性权重为：
13.学习因子为：
14.优势界限范围：θ＝0.8l
avg
；l
avg
为在迭代次数小于0.5t
max
时，本次迭代所有粒子优
化目标函数的平均值，当粒子的函数值在这个范围之外时认为此粒子为非优势粒子，将删除此粒子并用随机两个优势粒子a,b的平均参数产生一个新粒子c，xa,va和xb,vb为两个优势粒子的速度和位置信息：
15.vc＝(va+vb)/2
16.xc＝(xa+xb)/2
17.变异概率μ：当本次迭代所有粒子优化目标函数的方差小于μ时，认为所有粒子已经比较接近，可能陷入局部最优，此时在全局范围内随机产生一个新粒子以增加样本的多样性。
18.进一步的，所述的步骤4中优化目标函数构造如式(1)所示：
[0019][0020]
其中，n
e0
,p
t0
,t
sep0
分别为机组实发功率、主蒸汽压力、中间点温度的历史数据，δne,δp
t
,δt
sep
分别为模型输出与历史数据的偏差量，α，β和γ分别为实发功率、主蒸汽压力、中间点温度的权重系数，其中α+β+γ＝1。
[0021]
有益效果
[0022]
本发明所述的方法，分层计算可以获得更加合理的动态设定值，受限预测控制还具有较强的追踪能力和对不同控制速率的适应能力，可以克服当前火电机组协调控制的众多约束，预测控制算法还可以克服大惯性纯滞后环节，有效解决协调控制对象大滞后，多变量强耦合的问题。下层的改进受限广义预测控制的控制算法改进了约束限制，算法简单，计算量小，易于工程实践。
附图说明
[0023]
图1为火电机组协调系统建模示意图。
具体实施方式
[0024]
下面结合附图和具体实施方案对本发明作进一步说明。
[0025]
图1为火电机组协调系统建模示意图，主要包括以下步骤：
[0026]
步骤1：根据历史数据筛选得到建模样本数据；
[0027]
步骤2：设置优势变异粒子群算法所需参数；
[0028]
步骤3：确定算法搜索范围和协调系统模型结构；
[0029]
步骤4：根据优化目标函数寻优得到模型参数。
[0030]
所述步骤1的历史数据包括当前机组负荷、负荷设定值、总煤量、主汽压力设定值、主汽压力实际值、总给水量和中间点温度设定值及实际值，要求历史数据选取范围在50％到100％额定负荷范围，时间间隔在2s以内。所需历史数据应包含50％到100％额定负荷范围内不少于3个负荷点的稳态情况。
[0031]
进一步的，所述步骤2的优势变异粒子群算法所需参数包括粒子个数n、惯性权重ω、学习因子c、优势界限范围θ、变异概率μ和迭代次数t
max
。
[0032]
其中粒子个数n∈[50,100],迭代次数t
max
∈[200,400]，迭代第t次的惯性权重为：
[0033]
学习因子为：
[0034]
优势界限范围：θ＝0.8l
avg
；l
avg
为在迭代次数小于0.5t
max
时，本次迭代所有粒子优化目标函数的平均值，当粒子的函数值在这个范围之外时认为此粒子为非优势粒子，将删除此粒子并用随机两个优势粒子a,b的平均参数产生一个新粒子c，xa,va和xb,vb为两个优势粒子的速度和位置信息：
[0035]
vc＝(va+vb)/2
[0036]
xc＝(xa+xb)/2
[0037]
变异概率μ：当本次迭代所有粒子优化目标函数的方差小于μ时，认为所有粒子已经比较接近，可能陷入局部最优，此时在全局范围内随机产生一个新粒子以增加样本的多样性。新产生粒子的速度和位置信息为：
[0038]vnew
＝v
min
+(v
max-v
min
)rand(0，1)
[0039]
x
new
＝x
min
+(x
max-x
min
)rand(0，1)
[0040]
其中v
min
和v
max
为允许所搜的最小和最大速度，x
min
和x
max
为所搜位置范围的下限和上限。
[0041]
步骤3中的火电机组协调系统为三输入三输出系统，输入为汽轮机调门开度、给水流量和燃料量，输出为机组实发功率，分离器出口汽温(中间点温度)和主蒸汽压力，因此耦合后共有9个传递函数组成的3
×
3系统：
[0042][0043]
其中共有k
11
，k
12
…k32
，k
33
、t
11
，t
12
…
t
32
，t
33
、τ
11
，τ
12
…
τ
32
，τ
33
、t
111
，t
112
…
t
331，
t
332
45个参数需要辨识后得到。
[0044]
步骤4中优化目标函数构造如式(1)所示：
[0045][0046]
其中，n
e0
，p
t0
，t
se
p0分别为机组实发功率、主蒸汽压力、中间点温度的历史数据，δne，δp
t
，δt
sep
分别为模型输出与历史数据的偏差量，α，β和γ分别为实发功率、主蒸汽压力、中间点温度的权重系数，其中α+β+γ＝1，一般的α＝0.2，β＝0.4，γ＝0.4。
[0047]
以某电厂为例，粒子个数n＝100，迭代次数t
max
＝200，w
max
＝2.5，w
min
＝1，k
11
，k
12
…k32
，k
33
所搜上下限为[-5，5]，t
11
，t
12
…
t
32
，t
33
和t
111
，t
112
…
t
331
，t
332
所搜上下限为[0，1000]，τ
11
，τ
12
…
τ
32
，τ
33
所搜上下限为[0，20]。目标函数权重系数α＝0.2，β＝0.4，γ＝0.4，所得模
型如下表所示：
[0048][0049]
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。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的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
技术特征：1.一种基于优势变异粒子群的火电机组协调系统建模方法，其特征在于，包括以下步骤：步骤1：根据历史数据筛选得到建模样本数据；步骤2：设置优势变异粒子群算法所需参数；步骤3：确定算法搜索范围和协调系统模型结构；步骤4：根据优化目标函数寻优得到模型参数。2.根据权利要求1所述的一种基于优势变异粒子群的火电机组协调系统建模方法，其特征在于：所述步骤1的历史数据包括当前机组负荷、负荷设定值、总煤量、主汽压力设定值、主汽压力实际值、总给水量和中间点温度设定值及实际值，要求历史数据选取范围在50％到100％额定负荷范围，时间间隔在2s以内。3.根据权利要求1所述的一种基于优势变异粒子群的火电机组协调系统建模方法，其特征在于：所述步骤2的优势变异粒子群算法所需参数包括粒子个数n、惯性权重ω、学习因子c、优势界限范围θ、变异概率μ和迭代次数t
max
。；其中迭代第t次的惯性权重为：学习因子为：优势界限范围：θ＝0.8l
avg
；l
avg
为在迭代次数小于0.5t
max
时，本次迭代所有粒子优化目标函数的平均值，当粒子的函数值在这个范围之外时认为此粒子为非优势粒子，将删除此粒子并用随机两个优势粒子a,b的平均参数产生一个新粒子c，x
a
,v
a
和x
b
,v
b
为两个优势粒子的速度和位置信息：v
c
＝(v
a
+v
b
)/2x
c
＝(x
a
+x
b
)/2变异概率μ：当本次迭代所有粒子优化目标函数的方差小于μ时，认为所有粒子已经比较接近，陷入局部最优，此时在全局范围内随机产生一个新粒子以增加样本的多样性。4.根据权利要求1所述的一种基于优势变异粒子群的火电机组协调系统建模方法，其特征在于：所述的步骤4中优化目标函数构造如式(1)所示：其中，n
e0
,p
t0
,t
sep0
分别为机组实发功率、主蒸汽压力、中间点温度的历史数据，δn
e
,δp
t
,δt
sep
分别为模型输出与历史数据的偏差量，α，β和γ分别为实发功率、主蒸汽压力、中间点温度的权重系数，其中α+β+γ＝1。
技术总结本发明提供了一种基于优势变异粒子群的火电机组协调系统建模方法，属于热工控制领域，本发明根据火电机组运行历史数据，利用优势变异粒子群算法优化得到火电机组的协调系统数学模型。所述的优势变异粒子群算法为在传统粒子群算法的基础上对粒子进行优势选择和变异的处理，提高算法在多维空间搜索的能力。本发明提供的建模方法所需数据量小，能够更精确的反应火电机组协调系统的运行特性，提高了建模的准确性。建模的准确性。建模的准确性。
技术研发人员：解建萍 周鹏洋 何飞
受保护的技术使用者：南京英纳维特自动化科技有限公司
技术研发日：2022.07.15
技术公布日：2022/11/1
