一種火電機組實發(fā)功率預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及火電機組實發(fā)功率預(yù)測技術(shù)領(lǐng)域，具體設(shè)及一種基于遺傳優(yōu)化和T-S 模糊建模的火電機組實發(fā)功率預(yù)測方法，屬于熱能動力工程和熱工控制領(lǐng)域。
【背景技術(shù)】
[0002] 電網(wǎng)頻率反映了電力系統(tǒng)內(nèi)發(fā)電出力與負(fù)荷的平衡關(guān)系，二者的不平衡會導(dǎo)致電 網(wǎng)頻率偏離額定值發(fā)生波動。因此電網(wǎng)頻率是整個電力系統(tǒng)安全運行的重要參數(shù)，同時也 是評價電能質(zhì)量的一個重要指標(biāo)。為了保障電網(wǎng)的安全與供電電能的質(zhì)量，我國對電網(wǎng)頻 率波動進(jìn)行了嚴(yán)格的規(guī)定。
[0003] 現(xiàn)代電網(wǎng)在電網(wǎng)頻率的調(diào)節(jié)上一般分為一次調(diào)頻和二次調(diào)頻。通過利用汽輪機調(diào) 速系統(tǒng)來緩和電網(wǎng)頻率的改變程度的一次有差調(diào)頻和機組采用AGC方式的二次無差調(diào)頻能 夠使電網(wǎng)頻率的偏差穩(wěn)定在較小的范圍之內(nèi)。但隨著現(xiàn)代電網(wǎng)規(guī)模的擴大，分布式能源的 加入W及特高壓直流和智能電網(wǎng)的建設(shè)，對現(xiàn)行電網(wǎng)控制提出了精細(xì)化、智能化的更高的 控制要求，因此通過對并網(wǎng)運行機組實發(fā)功率的預(yù)測可W實現(xiàn)有功調(diào)節(jié)能力和性能的實時 評估，對電網(wǎng)電能的調(diào)度具有重要意義。

【發(fā)明內(nèi)容】

[0004] 技術(shù)問題:本發(fā)明的目的在于提供一種基于遺傳優(yōu)化和T-S模糊建模的火電機組 實發(fā)功率預(yù)測方法，該方法利用火電機組可測數(shù)據(jù)，對數(shù)據(jù)進(jìn)行分析處理，輸入量篩選，建 立T-S模糊預(yù)測模型，為電網(wǎng)調(diào)度提供參考。
[0005] 技術(shù)方案:本發(fā)明的一種基于遺傳優(yōu)化和T-S模糊建模的火電機組實發(fā)功率預(yù)測 方法，包括遺傳優(yōu)化實現(xiàn)模型輸入量優(yōu)化選擇、基于模糊聚類方法T-S模糊模型前件參數(shù)的 建立、基于最小二乘法T-S模糊模型后件參數(shù)的辨識。
[0006] 首先基于遺傳優(yōu)化實現(xiàn)模型輸入量優(yōu)化選擇，由火電機組實發(fā)功率影響因素即預(yù) 測模型可能輸入量的確定與遺傳優(yōu)化輸入量篩選，確定火電機組實發(fā)功率影響因素即預(yù)測 模型可能輸入，具體包括:機組實際功率、機組負(fù)荷指令、壓力偏差、主蒸汽偏差、再熱汽溫 偏差、閉鎖增信號、閉鎖減信號、機組最大允許負(fù)荷、機組最小允許負(fù)荷、負(fù)荷速率設(shè)定值、 鍋爐主控指令、汽機主控指令、燃料主控指令、磨煤機運行臺數(shù)、煤質(zhì)校正系數(shù)、過熱度偏 差、電網(wǎng)調(diào)度負(fù)荷指令、一次調(diào)頻負(fù)荷指令18個預(yù)測模型的可能輸入量。其次利用遺傳算法 進(jìn)行優(yōu)化計算，將解空間映射到編碼空間，每個編碼對應(yīng)問題的一個解，將編碼長度設(shè)計為 18,染色體的每一位對應(yīng)一個輸入自變量，每一位的基因取值只能是1和0兩種情況，如果染 色體某一位的值為1，表示該位對應(yīng)輸入自變量參與最終建模;反之，則表示0對應(yīng)的輸入自 變量不作為最終的建模自變量。選取測試集數(shù)據(jù)均方誤差的倒數(shù)作為遺傳算法的適應(yīng)度函 數(shù)，從而通過迭代進(jìn)化，最終篩選出最具代表性的輸入自變量參與預(yù)測模型的建立。
[0007] 其次是基于模糊聚類方法T-S模糊模型前件參數(shù)的建立，模糊聚類的實現(xiàn)步驟如 下：
[0008] (1)給出初始劃分聚類數(shù)C = 2，初始隸屬度矩陣化，初始步數(shù)m= 1;
[0009] (2)計算第i個模糊類的中屯、值Cl
[0010]
[OOW 式中，yik為隸屬度矩陣U的第i行第k列，Xk為第k個模型輸入量，N為采集的歷史數(shù) 據(jù)總個數(shù)。
[0012]定義第k個數(shù)據(jù)與第i個模糊類的距離dik為：
[001引 dik=||xk-ci||
[0014] (3)m=m+l，計算新的隸屬度矩陣Um+1
[0015] 新的隸屬度矩陣更新公式如下：
[0016] 若 cUk>0 則
[0017] 若d化=0 貝Ι|μ 化=1，μ化=0 J辛i
[001引（4)給定目標(biāo)e:
[0019]如果I lirMfl I含ε，則Cl為聚類中屯、值點，否貝峭加模糊類數(shù)，返回（2)。
[0020] 最后是基于最小二乘法T-S模糊模型后件參數(shù)的辨識，將火電廠控制系統(tǒng)中采集 的歷史數(shù)據(jù)進(jìn)行整理，構(gòu)造模型輸入數(shù)據(jù)矩陣Φ，模型輸出數(shù)據(jù)向量Y，則T-S模糊模型后件 參數(shù)Θ可由W下表達(dá)式計算得出。
[0021] θ = (φφΤ)-?φγ，
[0022] 其中，輸入數(shù)據(jù)矩陣Φ的的構(gòu)造方法為：
[0023]
[0024] 式中，y皆為對應(yīng)第k個輸入量與第一個聚類中屯、點的隸屬度值，《為對應(yīng)第k個輸 入量與第η個聚類中屯、點的隸屬度值，χ?表示第一個輸入量的第k次歷史數(shù)據(jù)采樣值，4表 示第m個輸入量的第k次歷史數(shù)據(jù)采樣值。
[0025] 輸出數(shù)據(jù)矩陣構(gòu)造方法為：
[0026] Y=[yi，y2，...，yN]T。
[0027] 式中，y功第i次采集的輸出數(shù)據(jù)。
[0028] 有益效果:本發(fā)明方法可W預(yù)測出將來時刻的火電機組實發(fā)功率值，利用預(yù)測結(jié) 果可實時評估火電機組有功調(diào)節(jié)能力和性能，對運行人員對火電機組采取進(jìn)一步控制措施 W及對電網(wǎng)電能的調(diào)度具有重要指導(dǎo)意義。預(yù)測算法本身實現(xiàn)了遺傳優(yōu)化和T-S模糊建模 的有機融合，實現(xiàn)了輸入量的最優(yōu)篩選，算法先進(jìn)、預(yù)測精度高。
【具體實施方式】
[0029] 本發(fā)明的基于遺傳優(yōu)化和T-S模糊建模的火電機組實發(fā)功率預(yù)測方法具體實施步 驟如下：
[0030] 利用全部的18個輸入自變量建立T-S模糊建模的火電機組實發(fā)功率預(yù)測模型，具 體包括:機組實際功率、機組負(fù)荷指令、壓力偏差、主蒸汽偏差、再熱汽溫偏差、閉鎖增信號、 閉鎖減信號、機組最大允許負(fù)荷、機組最小允許負(fù)荷、負(fù)荷速率設(shè)定值、鍋爐主控指令、汽機 主控指令、燃料主控指令、磨煤機運行臺數(shù)、煤質(zhì)校正系數(shù)、過熱度偏差、電網(wǎng)調(diào)度負(fù)荷指 令、一次調(diào)頻負(fù)荷指令，隨機產(chǎn)生L個初始串結(jié)構(gòu)數(shù)據(jù)，每個串結(jié)構(gòu)數(shù)據(jù)為一個個體，L個個 體構(gòu)成一個種群。遺傳算法W運L個串結(jié)構(gòu)作為初始點開始迭代，運里每個個體的串結(jié)構(gòu)數(shù) 據(jù)只有1和0兩種取值，1代表輸入自變量用于建模，0表示輸入自變量不用于建模。
[0031] 基于模糊聚類方法T-S模糊模型前件參數(shù)的建立，模糊聚類的實現(xiàn)步驟如下：
[0032] (1)給出初始劃分聚類數(shù)c = 2，初始隸屬度矩陣化，初始步數(shù)m= 1;
[0033] (2)計算第i個模糊類的中屯、值Cl
[0034]
[0035] 式中，yik為隸屬度矩陣U的第i行第k列，xk為第k個模型輸入量，N為采集的歷史數(shù) 據(jù)總個數(shù)。
[0036] 定義第k個數(shù)據(jù)與第i個模糊類的距離dik為：
[0037] dik= I I Xk-Ci
[003引（3)m=m+l，計算新的隸屬度矩陣Um+i
[0039] 新的隸屬度矩陣更新公式如下：
[0040] 若 dik>0 貝IJ
[0041] 若d化=0 貝Ι|μ 化=1，μ