- 1、本文档共34页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
抽汽机组热电负荷的联合预测及分配优化
报告人:付俊丰
指导教师:万杰
单位:哈尔滨工业大学
时间:2019年09月25日
汇报提纲
一、研究背景及现状概述
二、基于改进遗传算法的热电负荷优化分配
三、基于人工经验和实际大数据的耗差曲线集获取方法
四、融合小指标考核的热电负荷动态分配优化综合决策支持系统
五、实际应用测试
六、总结与展望
一、研究背景及现状概述
◆1.1研究背景
?在节能环保的迫切需要下、在市场竞争越来越激烈的条件下,全厂机组的安全高效运
行调度控制需求变得更加强烈;
?火电厂存在大量的純凝机组,为了满足供热需要,往往将其改造成抽凝机组。对单台
机组的优化提出了新的要求。同时对于厂级多台机组的整体优化使得全厂热电负荷分
配问题既存在节能优化空间、又存在优化实施难度;
?随着能源互联网和大数据技术的发展,给全厂机组间热电负荷分配优化问题的解决,
带来了新的机遇和挑战;
?通过对于分配策略的研究,对能源的高效利用,以及对电厂降低污染物的排放,进而
对整个电力行业的绿色发展,都具有十分重要的意义。
关键词:燃煤机组、节能环保、热电负荷分配、大数据技术
一、研究背景及现状概述
◆1.2现状概述
◆目前研究成果主要集中在两大方面:
?优化算法探索方面,如动态规划、遗传算法、人工免疫算法、复形调优法等;
?供热机组的热效率计算、热电解耦及等效建模策略;
?实际电厂多工况的应用及测试:机组型号组合、复杂边界条件、考核指标等;
◆关键研究基础:
?通过大量专有试验的方法,建立每台机组不同主蒸汽流量以及不同电负荷和热负荷时的
机组耗差关系曲线;
?基于遗传算法,根据给定的整个电厂的电负荷、热负荷以及每台机组的当前背压(基于
出厂设计耗差曲线进行修正),输出每台机组最优的电负荷和热负荷设定值;
◆典型测试案例效果显著:热耗率最大降低50kJ/kW.h。
二、基于改进遗传算法的热电负荷优化分配
2.1机组间热电负荷的分配优化是典型的随机优化问题
最常用的随机优化算法:遗传算法
?原理:遗传算法的基本步骤包括选择、交叉、变异。选
择和交叉基本上完成了遗传算法的大部分搜索功能,变异
增加了遗传算法找到最优解的能力。
?优势:快速随机的搜索能力;具有潜在的并行性,可以
进行多个个体的同时比较,具有随机性;具有可扩展性,
容易与其他算法结合。
由于该项目属于多机组间优化,同时存在大量复杂的限
制条件。而遗传算法的快速搜索和灵活解算能力是处理该项
遗传算法基本解决步骤
目突出问题的最佳选择。
二、基于改进遗传算法的热电负荷优化分配
适应度函数改进:更好地适应复杂实际问题
一般算法缺点:适应度函数尺度变换:
遗传算法在适应度函
数选择不当的情况下有可
提出改进
在遗传算法的运算后
期,算法能对个体适应度进
能收敛于局部最优,而不行适当放大,提高个体之间
能达到全局最优。的竞争性。
进一步
适应度函数定义:
幂尺度变换:
ObjV
=
1
?
R?e(??)
深度创新
新的适应度是原有适
应度的某个指定乘幂。可以
在算法的执行过程中不断对
其修正,满足竞争性要求。
二、基于改进遗传算法的热电负荷优化分配
算法基本步骤:
本项目采用轮盘赌法,即基于适应度比例
选择:
F
pi=
iN
?
F
j
j
的选择策略。个体适应度越高,被选中的概率
越大。
针对交叉操作,采用浮点数编码,故相应
?=+?
XaX(1a)X
ABA
?=+?
交叉:
XaX(1a)X
?
BAB
的交叉策略选取算术交叉,是由两个个体的线
性组合而产生出两个新的个体。
()2
xq
?
1
?
变异:()
2
fxe
=
2q
2q?2
高斯变异也是重点搜索原有个体附近的局
部区域。具体操作时用符合均值为原有参数值,
方差为原有参数值平方的正态分布的一个随机
数来替换原有的基因值。
二、基于改进遗传算法的热电负荷优化分配
针对遗传算法中适应度函数的定义问题,提出了一种基于试验数据的指
数尺度变换系数改进方法,解决了常规遗传算法易陷入局部优化的问题,实
现快速准确的全局优化。
?
1
符合条件:ObjV(PPPQQQ)
=????
?
?minnmaxminnmax
?
R
?
1
?=????
不符合条件:ObjV(PPorPPQQorQQ)
??
?nminnmaxnminnmax
?Re
(??)
P
为常系数,目标是使得当计算出的,超过设定阈值100%时,
n
Q
n
其适应度值大(于)满足条件下适应度值的100倍,即=1,100;
在实验中取5;
文档评论(0)