一种基于差分进化算法的超超临界机组负荷分配方法组成比例

一种基于差分进化算法的超超临界机组负荷分配方法，基于测试函数，对差分进化算法进行改进，将种群以有无继承为标准分为优等种群和劣等种群，并采用不同的变异策略进行变异操作，最优的组合变异策略在测试函数上得出；并对参数进行调整，使适应度较小的优等种群变异概率、交叉概率值更小，适应度较大的劣等种群变异概率、交叉概率值更大。本发明专利技术提高算法的全局搜索能力和局部寻优能力。全局搜索能力和局部寻优能力。全局搜索能力和局部寻优能力。

【技术实现步骤摘要】
一种基于差分进化算法的超超临界机组负荷分配方法


[0001]本专利技术属于智能寻优研究领域，具体涉及一种基于差分进化算法的超超临界机组负荷分配方法。

技术介绍

[0002]当前我国正处于电力转型的关键时期，新能源的大规模开发及并网对电力系统造成较大的冲击，新能源发电的随机性和波动性较大，会对电网潮流造成影响，进而降低电能质量，损害电网的稳定性，影响电网安全运行。
[0003]火电厂机组深度调峰能为电网带来更多的消纳空间，通过合理的规划降低新能源并网造成的冲击，为电网安全稳定运行提供保障。因此，在追求更低供电煤耗的同时，保证一定的调峰裕度具有重要的实际意义。
[0004]火电机组是经典的非凸、非线性、非连续模型，面对此类优化模型，传统的数学优化算法处理起来存在困难，智能算法逐渐呈现处理这些问题的优势。与传统算法相比，智能算法通过其有效的设计可以在跳出局部最优和收敛到一个点之间有个较好的平衡，从而实现找到全局最优点。

技术实现思路

[0005]为了得出更合理的负荷优化分配方案，本专利技术提出了一种基于差分进化算法的超超临界机组负荷分配方法，采用参数自适应的组合变异策略差分进化算法，采用国际进化计算大会(CEC)2021测试函数进行测试，并最终应用于火电厂负荷分配。火电厂负荷分配模型以供电煤耗量作为数学模型的经济指标，包括燃煤特性曲线、污染物排放特性曲线以及各种约束条件。根据所提出的负荷分配模型，对其进行寻优。
[0006]为了解决上述技术问题本专利技术提供如下技术方案：
[0007]一种基于差分进化算法的超超临界机组负荷分配方法，包括以下步骤：
[0008]S1：建立一种综合考虑供电煤耗、污染物排放量的负荷分配模型，约束包括有功功率限制约束、功率平衡等式约束和一次调频能力约束；
[0009]S2：基于测试函数，对差分进化算法进行优化，将种群分为优劣种群，采用组合变异策略和参数进行迭代，变异策略在测试函数上进行组合比较，得到最优的组合变异策略。
[0010]进一步，所述步骤S1中，建立负荷分配模型包括以下过程：
[0011]S1
‑
1.确定总煤耗量模型，与火电机组功率相关的燃煤特性曲线拟合成如下数学模型：
[0012][0013]式中，a
i
、b
i
和c
i
表示火电机组i的煤耗成本参数，P
i
表示火电机组i运行的输出功率；
[0014]考虑煤耗量最低的目标函数为：
[0015][0016]式中，M表示总机组数；
[0017]S1
‑
2.在安装脱硫装置后，仅考虑氮氧化物的排放，污染排放特性曲线拟合为：
[0018]g
i
(P
i
)＝α
i
*P
i3
+β
i
*P
i2
+γ
i
*P
i
+λ
i
ꢀꢀꢀ
(3)
[0019]式中，α
i
、β
i
、γ
i
和λ
i
表示火电机组氮氧化物的排放量特性系数；
[0020]考虑排污量最低的目标函数为：
[0021][0022]S1
‑
3.确定目标函数的约束条件，包括有功功率约束、功率平衡约束、一次调频能力约束，有功功率约束数学模型如下所示：
[0023]P
i，min
≤P
i
≤P
i，max
ꢀꢀꢀꢀ
(5)
[0024]式中，P
i，min
表示火电机组i的最小输出功率，P
i，max
表示火电机组i的最大输出功率；
[0025]功率平衡约束数学模型如下所示：
[0026][0027]式中，P
z
为当前总负荷；
[0028]机组的一次调频能力和当前负荷率相关，当前一次调频能力表示为：
[0029]ΔP
i
＝C
i
(P
i
)
ꢀꢀꢀꢀꢀ
(7)
[0030]因此，一次调频能力约束为：
[0031][0032]式中，ΔP
z
表示当前系统要求的调频裕度，此数值大小依据实际运行情况而定。
[0033]优选的，所述S1
‑
3中，ΔP
z
为系统总容量的2％～5％。
[0034]更进一步，所述步骤S2的过程如下：
[0035]S2
‑
1.确定测试函数，从测试函数集中选取了六种测试函数，以其中一类为例：
[0036][0037]z
i
＝x
i
+4.209687462275036e+2
ꢀꢀꢀꢀ
(10)
[0038][0039]S2
‑
2.确定参与测试的变异策略公式如下：
[0040]v
i，G(rand/1)
＝x
r1，G
+F*(x
r2，G
‑
x
r3，G
)
ꢀꢀꢀꢀ
(12)
[0041]v
i，G(best/1)
＝x
best，G
+F*(x
r2，G
‑
x
r3，G
)
ꢀꢀꢀꢀꢀꢀ
(13)
[0042]v
i，G(current
‑
to
‑
best/1)
＝x
i，G
+F*(x
best，G
‑
x
i，G
)+F*(x
r2，G
‑
x
r3，G
)
[0043](14)
[0044]v
i，G(current/1)
＝x
i，G
+F*(x
r1，G
‑
x
r2，G
)
ꢀꢀꢀꢀꢀꢀꢀ
(15)
[0045]v
i，G(rand
‑
to
‑
current/1)
＝x
r1，G
+F*(x
i，G
‑
x
r1，G
)+F*(x
r3，G
‑
x
r4，G
)
[0046](16)
[0047]v
i，G(best/2)
＝x
best，G
+F*(x
r2，G
‑
x
r3，G
)+F*(x
r3，G
...

【技术保护点】

【技术特征摘要】
1.一种基于差分进化算法的超超临界机组负荷分配方法，其特征在于，所述方法包括以下步骤：S1：建立一种综合考虑供电煤耗、污染物排放量的负荷分配模型，约束包括有功功率限制约束、功率平衡等式约束和一次调频能力约束；S2：基于测试函数，对差分进化算法进行优化，将种群分为优劣种群，采用组合变异策略和参数进行迭代，变异策略在测试函数上进行组合比较，得到最优的组合变异策略。2.如权利要求1所述的一种基于差分进化算法的超超临界机组负荷分配方法，其特征在于，所述步骤S1中，所述负荷分配模型为超超临界机组负荷分配模型，包括以下过程：S1
‑
1.确定总煤耗量模型，与火电机组功率相关的燃煤特性曲线拟合成如下数学模型：f
i
(P
i
)＝a
i
*P
i2
+b
i
*P
i
+c
i
ꢀꢀꢀꢀꢀ
(1)式中，a
i
、b
i
和c
i
表示火电机组i的煤耗成本参数，P
i
表示火电机组i运行的输出功率；考虑煤耗量最低的目标函数为：式中，M表示总机组数；S1
‑
2.在安装脱硫装置后，仅考虑氮氧化物的排放，污染排放特性曲线拟合为：g
i
(P
i
)＝α
i
*P
i3
+β
i
*P
i2
+γ
i
*P
i
+λ
i
ꢀꢀꢀꢀ
(3)式中，α
i
、β
i
、γ
i
和λ
i
表示火电机组氮氧化物的排放量特性系数；考虑排污量最低的目标函数为：S1
‑
3.确定目标函数的约束条件，包括有功功率约束、功率平衡约束、一次调频能力约束，有功功率约束数学模型如下所示：P
i，min
≤P
i
≤P
i，max
ꢀꢀꢀꢀꢀꢀ
(5)式中，P
i,min
表示火电机组i的最小输出功率，P
i,max
表示火电机组i的最大输出功率；功率平衡约束数学模型如下所示：式中，P
z
为当前总负荷；机组的一次调频能力和当前负荷率相关，当前一次调频能力表示为：ΔP
i
＝C
t
(P
i
)
ꢀꢀꢀꢀꢀꢀꢀ
(7)因此，一次调频能力约束为:式中，ΔP
z
表示当前系统要求的调频裕度，此数值大小依据实际运行情况而定。3.如权利要求2所述的一种基于差分进化算法的超超临界机组负荷分配方法，其特征在于，所述S1
‑
3中，ΔP
z
为系统总容量的2％～5％。4.如权利要求1～3之一所述的一种基于差分进化算法的超超临界机组负荷分配方法，其特征在于，所述步骤S2的过程如下：S2
‑
1.确定测试函数，从测试函数集中选取了六种测试函数，以其中一类为例：
z
i
＝x
i
+4.209687462275036e+2
ꢀꢀꢀꢀ
(10)S2
‑
2.确定参与测试的变异策略公式如下：v
i，G
(rand/1)＝x
r1，G
+F*(x
r2，G
‑
x
i3，G
)
ꢀꢀꢀꢀꢀ
(12)v
i，G(best/1)
＝x
best，...

【专利技术属性】
技术研发人员：魏春，蔡程翔，张兴凡，叶兰晖，王代栋，章成，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：