机电之家行业门户网运行
文章 下载
最新公告:

  没有公告

设备维修与管理培训
您现在的位置: 设备维修与管理 >> 设备管理 >> 管理论文 >> 设备维修论文 >> 资讯正文
 
赞助商
 
 
最新文章
 
 浅谈核电站常规岛技术方案
 超临界的无烟煤PF点火
 IGCC技术 ,高效发电以扩大煤炭价
 百万千瓦级汽轮机选型研究
 百万千瓦级锅炉选型研究
 切向燃烧锅炉气流反旋现象试验研
 哈三电厂二期工程600MW机组轴系安
 410t/h锅炉浓淡稳燃器的应用技术
 HG-1021/18.2-HM5锅炉燃烧器方圆
 汽轮发电机损耗计算的改进
 
推荐技术
 
 
相关文章
 
应用人工神经网络方法预
基于WebGIS的电网运行监
基于PDA的变电站自动化系
基于多线程的变电站综合
基于保护整定值判别的电
基于面向对象知识库的电
基于CAN总线变电站综合自
基于GPRS通信的配电变压
基于ArcIMS的电力系统配
基于Intranet的微机保护
 
客户服务
 
如果您有设备方面好的文章或见解,您可以送到我们的投稿信箱
客服电话:0571-87774297
信   箱:88ctv@163.com
我们保证在48小时内回复


s

b

g

l

.

j

d

z

j

.

c

o

m

 

基于人工神经网络的梯级水电厂日优化运行           
基于人工神经网络的梯级水电厂日优化运行
作者:佚名 文章来源:技术论文 点击数: 更新时间:2008-10-13 8:59:18

0 引言

  梯级水电厂优化运行是整个电力系统经济运行的一个子问题。由于梯级系统的目标函数和约束条件较复杂,使其成为电力系统经济运行中最难解决的问题之一。实际运行中,需制订次日24 h的梯级日发电计划,根据所需的梯级总负荷求出最优的电厂间负荷分配,再在各电厂中及时最优地分配至机组。针对这一问题,目前已有许多行之有效的方法[1~3],但都存在计算时间较长的缺陷,限制了实际应用。
  近年来,人工神经网络(ANN)方法在电力系统中已有一些应用,如负荷预测、故障诊断、安全评估和电力系统经济运行[4]等。大多数ANN采用了基于BP(反向传播)算法的多层前馈感知器模型。通过比较研究,本文也采用了BP算法,其基本步骤为:选取样本点;用样本点对网络进行训练;在线计算。BP算法的优点在于,一旦网络训练完成,在线计算就只需非常短的时间,完全可以满足梯级实时控制的要求。然而,对于一个较大的实际系统,ANN的训练时间可能很长,以致成为ANN实际应用的“瓶颈”[5]。本文针对系统的实际情况,采用分解网络技术,将一个较为复杂的ANN分解为多个较为简单的ANN,不仅加快了算法的收敛速度和精度,同时也提高了其适应性和灵活性。

1 样本点的获取

  本文的实际研究对象是清江梯级水电厂。它由水布垭、隔河岩和高坝洲3个水电厂组成,其中,隔河岩已建成发电,高坝洲已开工兴建,水布垭正在规划之中。清江梯级各水电厂参数列于表1中。

表1 各水电厂参数
Table 1 Parameters of each hydropower station

水电厂 装机
容量/
MW 装机
台数 设计
水头/
m 最大
水头/
m 最小
水头/
m 水库
调节
性能 有效
库容/
108m3 水布垭 1  600 6  170.0  206.5  143.5 多年  29.6 隔河岩 1  200 4 103.0 121.5 80.7 年 22.0 高坝洲 252 3 32.5 40.0 22.3 日 0.54
  样本点是一对输入/输出的总称,选取样本点是ANN法的前提和基础。文献[1]采用梯级系统总储能的增加最大这一目标函数来描述梯级优化运行,较好地解决了清江梯级水电厂的日优化运行问题,本文的样本点即取自文献[1]的计算结果,其输入是各水库日初始水位、天然入流量和梯级24 h总负荷,输出是24 h各水电厂的最优负荷分配值。由于采用文献[1]的计算结果,因此样本点是最优解,且已考虑了如水流时滞等约束条件。样本点也可采用其它优化方法获取,只要能够提供样本点,所提ANN法即可用于学习及在线计算。
  选取样本点时,应尽可能考虑各种运行情况,包括不同的负荷曲线、水库初始水位和天然入流量等。文献[6]的样本点未考虑水库水位的变化及水流时滞的影响,因此不能全面反映系统实际情况。
1.1 负荷曲线
  由于清江梯级水电厂并未完全建成,无法得到实际的运行曲线,因此人工构造5类较为典型的负荷曲线。由于考虑到不同时段负荷特点,因此对每一时段而言,这5类曲线包含了这一时段可能的负荷范围。例如,对清江梯级水电厂每天的第1时段而言,其最大负荷不会超过1900 MW,最小负荷不会低于400 MW,因此5类负荷曲线第1时段总负荷由小到大取为400 MW~1900 MW,其余时段类推(见图1)。一般而言,在正常情况下,梯级24 h中大多数时段的总负荷将落入图1中两类最接近的曲线之间。人工构造负荷曲线的方式虽然未反映梯级系统实际情况,但对ANN方法无任何影响。将来梯级水电厂建成后,可用实际负荷曲线重新取样本点训练ANN,而所提ANN方法不受任何影响。本文更侧重于ANN方法在梯级日优化运行中应用的理论性和可行性的探讨。

36-1.gif (2271 bytes)

图1 负荷类型图
Fig.1 Typical load curves

1.2 水库日初始水位
  根据各水库的最高、最低水位及水库调节特性,应用区域离散法,分别从低到高按一定间隔离散水位区域。水布垭取5个区域,每个区域取5个值;隔河岩取3个区域,每个区域取3个值;由于高坝洲为反调节水库,水位变动范围不大,并且根据文献[1]的计算发现,高坝洲水位的变化对整个梯级优化运行影响很小,因此其水位取值为中间值附近。
1.3 天然入流量
  水布垭分为4个区域,每个区域内取3个值;隔河岩分2个区域,每个区域取中间值附近;根据梯级具体情况,高坝洲天然入流量可忽略不计。
  以上各区域进行排列组合,每种区域组合之中,可取225个(5×5×3×1×3×1)样本点,即225个日最优发电计划。另外,对于短期(日或周)优化运行,一般来说,水布垭和隔河岩水库水位变化不会很大,因此可以认为短期内某种区域组合不会变化。以下对ANN法的论述均针对某种区域组合展开。

2 ANN在梯级水电厂日优化运行中的应用

2.1 ANN模型结构
  获取样本点后,用BP算法进行训练。计算结果表明,当将对应某种区域组合的225个样本点集中在一起训练时,算法收敛速度很慢,甚至不收敛。因此,本文根据系统实际情况,提出一种分解网络技术,将一个规模较大的ANN分解为多个规模较小的ANN,以加快收敛速度。
  a.按负荷曲线分解。将每一类样本负荷曲线归为一类,因此共有5类ANN。对每一类ANN又可按时段和水位分解。
  b.按时段分解。每一类样本负荷曲线按小时分为24时段,每一时段归入一子ANN中。
  c.按水位分解。以水布垭水位中间值为界,将输入值大于等于或小于等于此值的样本点分别归入一子ANN中。
  按上述方法分解后,在每一类ANN中,共有48个子ANN,而每一子ANN中,共有27个样本点,如图2所示。对每一子ANN,采用3层BP网络来训练,其模型结构如图3所示。

36-2.gif (3052 bytes)

图2 ANN分解示意图
Fig.2 Schematic diagram of ANN division

36-3.gif (6599 bytes)

图3 ANN模型结构
Fig.3 Model structure of ANN

  已经证明,3层ANN可以完成任一非线性映射功能[7]。典型的BP网络其隐含层节点和输出层节点的输入、输出由以下S形函数进行变换:

36-01.gif (505 bytes)

对隐含层节点,

36-02.gif (506 bytes)

对输出层节点,

36-03.gif (537 bytes)

式中 sj为隐含层或输出层第j个节点的加权输入;u0为常数;N为隐含层节点数;θj为隐含层或输出层节点j的阈值。

  误差函数定义为:

37-01.gif (700 bytes)

其中 Image22.gif (860 bytes)k(t)为第k个节点t时段ANN实际输出;yk(t)为样本点期望输出值。
2.2 ANN训练
  网络建立好之后,对每一子ANN进行训练。训练过程中,对样本点输入、输出值作以下处理,控制其范围在[0.1,0.6],以加快收敛速度。

37-02.gif (1348 bytes)

其中 xjmin,yjmin,xjmax,yjmax分别为其对应变量可能的最小、最大值。
  收敛条件定义为:

37-03.gif (916 bytes)

  另外,适当调整u0、隐含层节点数N、学习步长及惯性率,以得到一组最好的训练参数。训练结果表明,当选定好一组参数后,对任一子ANN,训练1万步左右,即可使CRMSE≤0.000  9。
  当对应于每一类ANN的子ANN全部训练完毕后,就可以用ANN来进行在线计算。
2.3 制订日最优发电计划
  由于获取的样本点是1日24 h的最优发电计划,因此由训练过的ANN计算所得的非样本集中的日发电计划也应是最优发电计划或接近最优发电计划。
  由于训练ANN是分时段进行的,因此进行在线计算时也分时段进行。对于制订日最优发电计划而言,即从第1时段计算到第24时段,每一时段的计算结果有可能违背约束条件,因此有必要对ANN的结果进行校核,以得到最终的日发电计划。具体步骤如图4所示。

37-1.gif (5347 bytes)

图4 ANN制订最优日发电计划
Fig.4 saily optimal gemeration scheduling using ANN

2.3.1 输入数据
  定义输入量:

U=[u1,u2,…,u24T

其中 u1=[z1,z2,z3,Q1,Q2,L1],…,u24=[z1,z2,z3,Q1,Q2,L24];z1,z2,z3分别为水布垭、隔河岩和高坝洲日初始水位;Q1,Q2分别为水布垭和隔河岩天然入流量;L1,L2,…,L24分别为1 h~24 h梯级水电厂总负荷。
2.3.2 区域和类ANN识别规则
  首先识别当日初始水位及入流量属于哪个区域组合之中,然后识别每一输入分量ui(每一时段)最接近哪两类ANN。由于每一类ANN是根据不同时段来训练的,因此识别规则必须根据不同时段来识别。对每一输入分量中的Li分量,需根据样本点相应时段总负荷值来判别此输入分量最接近哪两类ANN。由于选取较为典型的负荷曲线作为样本点,因此,在正常日负荷情况下,24时段中大多数时段将落入固定的两类ANN之间。
2.3.3 ANN在线计算
  它得出某一时段初始最优负荷分配。对每一输入分量ui中的Li分量(1≤i≤24),它必定落入最接近的某两类ANN之间,而对某类ANN而言,在训练其子ANN时,由于是对某一类负荷曲线进行训练,其某一时段总负荷值已隐含在子ANN输出节点之中,因此其样本点输入中并不包括某时段梯级总负荷值。对于非样本点的输入分量ui,其输入子ANN的分量只包含各水库初始水位及天然入流量,不包含Li分量,而子ANN的输出之和必趋近于样本点负荷值。因此,对于非样本点负荷值Li,可采用以下方法计算出各电厂最优负荷分配值(假定输入分量ui中的Li分量落入类ANN1和ANN2之间,如图5所示)。

37-2.gif (2636 bytes)

图5 神经网络计算
Fig.5 ANN on-line calculation

  当子ANN训练在误差范围内时,有:

y1(i)+y2(i)+y3(i)→P1(i)
y1′(i)+y2′(i)+y3′(i)→P2(i)

其中 P1(i),P2(i)分别为类ANN1、类ANN2样本点第i时段总负荷。

  由于Li位于P1(i)和P2(i)之间,且P1(i)和P2(i)的值相差并不大(300 MW左右),因此可以用加权平均的方法求出对应输入分量ui的输出Y,Y=[y1″(i),y2″(i),y3″(i)],具体计算如下。
  令权系数k1和k2分别表示Li接近P1(i)和P2(i)的程度,有式(1):

38-02.gif (745 bytes)

(1)

求出k1,k2之后,按式(2)求Y:

YT=k1YT1+k2YT2

(2)

  由文献[1]方法计算表明,当梯级水电厂总负荷相差并不大时,其3个电厂最优负荷分配方式基本相同,因此,用式(2)来确定总负荷位于两个最接近的样本负荷之间的梯级最优负荷分配是可行的。
2.3.4 校核规则
  由ANN计算得出i时段的初始最优负荷分配后,应校核各电厂出力是否超过其最大值,若超过,则令其等于最大值;另外检验若按计算出的负荷发电,各水库时段末水位是否会越限,若越限,则本时段以维持限值方式发电。
  当图4中24时段都计算完毕后,即可得最优日发电计划。
2.4 实时发电控制
  由于梯级来水量和用户负荷预报等因素的随机性,系统中调将不断修正梯级当前及将来应承担的负荷,因此并不总是按预定的日发电计划发电,而需实时地调整发电计划。梯级实时控制运行,即要求能在较快时间内计算出满足当前时段(预定或系统即时给定)负荷要求的梯级各电厂间的最优负荷分配,然后再最优地分配至各机组。ANN具有良好的离线学习和在线功能,非常适合担任实时控制的任务。具体计算时,与前述制订日发电计划一样需计算24时段各电厂最优负荷分配,但ANN输入数据应作部分改动,因此,对于图4所示的某些部分应作如下变动。
  输入量:

U=[u1′,u2′,…,ui′,…,u24′]T

其中 u1=[z1,z2,z3,Q1,Q2,L1′],…,ui=[z1,z2,z3,Q1,Q2,Li′],…,u24′=[z1,z2,z3,Q1,Q2,L24′];L1′,L2′,…,Li-1′为已运行时段实际负荷;Li′为当前时段总负荷;Li+1′,…,L24′为系统中调预报的将来时段总负荷。
  实时控制负荷模型如图6所示。计算流程仍按图4进行。由于实际运行负荷在不断变化,因此每计算一次,均要对本时段及本时段以后的水位进行校核,若越限,则需对负荷进行调整。计算结束后,取i时段的结果为当前时段梯级最优负荷分配,即梯级各电厂即时出力。由于样本点已考虑了本时段发电对以后各时段的影响及诸如水流时滞等约束条件,因此非样本集中点的计算输出也考虑了(或近似考虑了)全面最优及约束条件。所以计算结果是最优解或接近最优解。

38-1.gif (1399 bytes)

图6 实时控制负荷模型
Fig.6 Load model of real-time control

[1] [2] 下一页

资讯录入:admin    责任编辑:admin 
  • 上一篇资讯:

  • 下一篇资讯:
  • 【字体: 】【发表评论】【加入收藏】【告诉好友】【打印此文】【关闭窗口
      网友评论:(只显示最新10条。评论内容只代表网友观点,与本站立场无关!)

    不良信息
    举报中心
    机电之家设备管理网
    致力于机电设备维修与管理技术
    网络110
    报警服务
    服务热线:0571-87774297 传真:0571-87774298 电子邮件:donemi@hz.cn 服务 QQ:66821730
    机电之家(www.jdzj.com)旗下网站 杭州滨兴科技有限公司提供技术支持

    版权所有 Copyright © 机电之家--中国机电行业门户·设备维修与管理

    主办:杭州高新(滨江)机电一体化学会
    浙ICP备05041018号