|
3 仿真结果
所有子ANN训练完毕后，就可以进行在线计算。制订日最优发电计划，其计算时间在1 s左右。图7～图10分别给出了不同水位、不同天然入流量及日负荷下用ANN法及文献［1］的方法制订梯级最优日发电计划的结果。其中，图7～图9分别表示梯级日负荷为大、中、小的情况，而图10则为日负荷波动较大的情况。所有输入变量都不在样本集中。
图7 大负荷时计算结果
Fig.7 Results with larger load
图8 中等负荷时计算结果
Fig.8 Results with mid-load
图9 小负荷时计算结果
Fig.9 Results with lower load
图10 负荷波动较大时计算结果
Fig.10 Results with larger load fluctuation
根据梯级每个水库势能的变化，梯级总耗能可表示如下：
其中  分别为t时段水布垭、隔河岩和高坝洲水电厂平均水头;QA(t),QB(t),QC(t)分别为t时段各电厂发电流量；T为时段总数。
同时所发出的总电能为：
其中 Ps(t)为t时段总出力。
各电厂水轮机最大效率为ηAmax=95%,ηBmax=95%,ηCmax=94.6%，实际发出的电能为E2，因此，满意度系数为：
对应图7～图10各种情况的满意度系数如表2所示。表2还给出了对应图7～图10用ANN法和文献［1］的方法所求得的日最优发电计划对应的梯级系统总储能增加这一目标函数值，其具体求法见文献［1］。由表2可以看出，对于图7～图9较为正常的日负荷类型，用两种方法求得的发电计划对应的满意度系数和目标函数值都比较接近，因为对于这些负荷类型，其大多数时段的负荷都落入固定的两种最接近的样本负荷类型之间。由文献［1］可知，在求样本负荷曲线时，i时段的负荷分配考虑了对以后各时段的影响及诸如水流时滞等约束条件，因而如果非样本集中的负荷曲线大多数时段的负荷都落入固定的两种最接近的样本负荷类型之间，则由ANN所得的发电计划也考虑了或近似考虑了对以后各时段的影响及约束条件。但对于图10的情况，其负荷波动较大，因而其时段负荷落入图1所示的多种样本负荷类型之间，而非固定的两种之间。所以ANN法对应的满意度系数和目标函数与文献［1］的方法相差稍大。这也是ANN法的不足之处，即较依赖样本点，适应性差。所以在具体应用时，应先将一些传统方法(如文献［1］方法)的计算结果在实际系统中应用一段时间，然后从实际系统中提取样本点，以后每隔一段时间更新样本点，对ANN进行训练，这既可增强ANN适应性，又可优化运行。
另外，表2还给出了对应图7～图10结果的各水库日水位变化情况。其中，图7和图9对应水布垭天然入流量较大的情况。从表中可以看出，对应ANN法和文献［1］方法的日最优发电计划，各水库日水位变化情况十分接近。
4 结论
本文提出的ANN方法较好地解决了梯级水电厂日优化运行问题。它的主要优点在于，一旦ANN训练完毕，在线计算只需要非常短的时间，这是任何传统的优化方法所达不到的。仿真计算表明，基于ANN方法的梯级日优化运行得到了令人满意的结果，可以满足实际运行需要。
表2 两种方法日水位变化、满意度系数和目标函数值比较
Table 2 Comparison of daily variation of elevation,
satisfaction degree coefficient and objective function value from two approaches
优化方法
日初始水位/m
日末水位/m
满意度
系数
目标函
数值/107
目标函数
相对误差/(%)
水布垭
隔河岩
高坝洲
水布垭
隔河岩
高坝洲
图7
文献［1］方法
392.50
170.50
78.60
396.03
171.04
79.98
0.974
1.7660
0.17
ANN法
392.50
170.50
78.60
396.03
170.92
79.98
0.970
1.7631
图8
文献［1］方法
395.50
194.50
78.80
396.02
194.57
79.98
0.987
0.3110
0.80
ANN法
395.50
194.50
78.80
396.04
194.55
79.98
0.984
0.3076
图9
文献［1］方法
382.70
193.40
78.90
387.70
193.76
79.30
0.980
2.5600
0.35
ANN法
382.70
193.40
78.90
387.65
193.80
79.35
0.964
2.5510
图10
文献［1］方法
393.50
190.50
78.60
393.43
190.77
79.98
0.987
0.0650
0.92
ANN法
393.50
190.50
78.60
393.38
190.84
79.60
0.959
0.0644
参 考 文 献
［1］朱 敏，王定一.电力系统中梯级水电站的日优化运行研究.华中理工大学学报，1997(1)：47～50
［2］朱 敏，王定一.电力系统中梯级水电站实时优化运行控制新算法.电力系统自动化，1997，21(4)：30～33
［3］Naccarino J, Cheung R, Briggs W, et al. Real-Time Monitoring, Optimization and Control of a Hydroelectric Complex. IEEE Trans on Power Systems, 1988, 3(4): 1769～1783
［4］Vidya Sagar S V, Nutakki D R. Artificial Neural Networks and Their Application to Power Systems——A Bibliographical Survey. Electric Power Systems Research, 1993,(28):67～79
［5］Singh Gurmeet, Srivastava S C, et al. Fast Approach to Neural Network Training and Its Application to Economic Load Dispatch. Electric Machines and Power Systems, 1995, (23): 13～24
［6］Liang R H, Hsu Y Y. Scheduling of Hydroelectric Generations Using Artificial Neural Networks. IEE Proceedings——Generation, Transmission and Dis-tribution, 1994, 141(5): 452～458
［7］张立明.人工神经网络的模型及其应用.上海：复旦大学出版社，1993
上一页 [1] [2]
|
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！）
