基于數據驅動優化的火電發電機組調峰調頻方法研究

李 揚，楊 鵬，呂瑞瑞

（青島大學 計算機科學與技術學院，山東 青島）

引言

火電是人為參與度最高、最適合調配的電能形式。在調峰調頻工作領域，德國[1]和美國[2]AGC 調頻服務主要由燃氣、水電以及火電等機組協作提供。牛玉廣[3]等通過改進多目標進化算法、基于HKA 優化算法模糊增益調度、基于自適應遺傳算法以及基于卡爾曼進化算法設計方案。陳彥橋[4]根據單元機組機爐協調控制系統的T-S模糊模型設計了PDC控制算法。林金星[5]等提出了一種新的免疫優化模糊增益調度H∞魯棒控制方法。郝瑩[6]進行控制邏輯的分析確定控制器參數選擇和控制器結構。Georgi M.Dimirovski[7]提出一種分散式自適應協調控制器設計。在評價標準方面，Henderson P.D.[8]給出調峰調頻運營成本的一般概述,南方電網調峰調頻發電公司[9]制定的技術監督標準實現全過程監督。本文提出了針對火電機組調峰調頻的多目標優化算法并進行對比校驗。

1 模型建立以及過程分析

1.1 預處理和建模分析

為了進一步貼近模型現實情況，本文使用實際工況運行數據對控制參數進行優化。由于現實工況下傳感器的運轉、數據采集存在誤差，例如斷點、時間間隔不一致，對應時間點不同等。為了解決這些問題，采用server 和tagname 對所有文件的行進行合并，并運用LOF 和kmeans 方法來去除離群點和離散點。

1.2 優化模型

1.2.1 整體模型

為了深入研究火電機組的運行過程，將火電機組模型進行了分解，將模型階段的輸出作為下一個模型的輸入，從而更好地優化其運行。通過建立不同模型的聯系，可以全面考慮火電機組不同階段的影響因素，為最終的優化提供有效參考。

圖1 發電機組控制整體模型

1.2.2 建模選擇

在進行火電機組的調峰調頻時，為了綜合考慮火電機組的現實運轉情況，本文采用了對磨煤系統、鍋爐系統、轉子運行等模型過程的分塊合并的方法。

1.2.2.1 磨煤制粉系統建模 當接收到煤粉操作指令時，磨煤機的輸出包括煤粉產量和傳輸口風速等，導致這個過程表現出延遲特性。一旦接收到調整煤粉操作指令，磨煤機通過控制轉速、調整進氣、調整煤量以及傳輸口風速，會產生二次風量、旁路風量以及煤粉濃度，同樣表現為純延遲特性。

1.2.2.2 鍋爐燃燒室建模 在鍋爐燃燒室，磨煤制粉系統的煤粉作為燃料和空氣混合產生熱量，鍋爐加入預熱水產生蒸汽，這一階段我們通過控制煙氣燒擺角和閥門開度來進行調控，輸出為蒸汽壓力和汽包壓力等，由于燃燒器的擺角角度決定了燃燒爐內的燃燒情況以及輸出煙氣溫度，擺角變大，燃燒更充分，爐內溫度會較高，燃燒器的擺角指令可以看作是純延遲的一階慣性環節，擺角角度對于熱量和煙氣通道內換熱量都有影響。鍋爐產生的熱量和蒸汽近似為線性關系：

蒸汽的流速以及壓強與煙氣換熱量的關系為：

1.2.2.3 轉子模型 轉子是汽輪機組的主要部件，流入汽輪機的蒸汽推動葉片旋轉做功產生機械能。轉子的力矩平衡方程和功率平衡方程為：

式中，T 為蒸汽提供的動力；L 為負載力；f 為摩擦力。

蒸汽轉矩TT可通過動葉片的速度三角形求得。簡化為根據前后參數確定前后蒸汽焓降，然后再乘以蒸汽流量QZ、Qg，得到功率N（千瓦），再根據公式（7）求得轉矩：

式中，NT為蒸汽轉矩（牛米）；N 為功率（千瓦）；n 為轉速（轉/分）。

1.2.2.4 單機無窮大系統模型 轉子在磁場中轉動發電后，并入電網送電，由于本文只研究單個汽輪機的運轉情況，相比較于全部的機組來說，建立了一種單機無窮大的電網模型來研究供電可以減少在實際運轉過程中外部電網對機組本身產生的影響，發電機功率方程：

式中，ΔPe為阻尼功率；Vs為無窮大系統電壓；θ為有功角；χd∑為電抗。

1.3 建模結果對比

輸出R2和RMSE：{'ctaea_r2': 3.324234, 'moead_r2':3.690177}

{'ctaea_recall': 0.890232, 'moead_recall': 0.884517}

將發電機組實際運行數據帶入模型預測產生數據后和實際電網運行數據進行對比，產生結果如圖2 所示，整體輸出結果誤差較小，建模能夠較好跟隨實際情況。

圖2 預測值和真實值對比

2 多目標優化算法

2.1 算法約束條件

通過采集電廠實際數據，將建模特征劃分為機組特征。這些特征被用作約束條件，將這些約束條件與基于數據驅動的優化算法相結合，通過算法的應用，實現對現實模型的還原和仿真跟隨。這個過程旨在實現多個指標的最優化，以滿足電廠的多目標需求。

針對調節速度、調節精度、調節時間等開展多目標優化。約束條件包括在進行AGC信號調節時，根據華北地區電網運行準則，通常通過衡量K1、K2、K3來判斷性能優劣[10]。

式中，vi，j為機組i 第j 次的調節速率；Ki，j1為要考核的調節速度。

式中，ΔPi，j為機組調節的偏差量；Pi，j（t）為機組實際出力；Pi，j為機組出力指令值，為考核的調節精度。

在機組接收系統指令后，需要一段時間跨出調節死區，這個時間叫做調節時間：

式中，ti，j為機組i 第j 次AGC 響應時間；Ki，j3為調節時間，反映了時間響應的程度，若其值小于0.1，則取0.1。

2.2 M-C融合算法

本文提出一種使用MOEA/D 和C-TAEA 算法融合進行多目標優化，我們定義評價目標函數：

也可以描述為：

式中，λi為非負權重向量；zi為目標函數最小值組成的最優解；k 為要優化的三個指標。

這也就意味著需要對于不同的權重向量。MOEA/D算法在一次運行過程中同時優化N個目標函數。當λi和λj很接近時，擁有和λi很接近的權重向量的G（kλi，z）能獲得較好效果。

然而，由于電網存在數據波動、現實傳感器誤差等原因導致我們的實際數據可行區域不穩定，不考慮可行區域內收斂和多樣性的平衡會導致出現局部最優解但不是全局最優解的情況。這時我們引入C-TAEA算法進行協作互補：

式中，F（k）為目標空間的一個候選解；Ω 為決策空間。

這樣能有效解決多變量多噪聲、不同時間跨度、不同采樣區間的問題。

3 結果分析

本文的問題是在研究火電機組供電的情況下對火電機組運行過程進行還原，并對考核指標進行優化分析，獲得最高的經濟效益。與其他的求解器相比，Pyomo庫可以有效建立含有微分方程約束的優化問題，可以建模隨機規劃問題。

針對不同時刻對于系統整體功率的測算，黃線代表傳統PID 控制方法，藍線為本文的控制方法，可以看到在優化之后，本文系統功率計算優于傳統控制算法。

圖3 為優化的loss，橫軸是迭代輪數，縱軸是Trainning loss。

圖3 優化結果的loss 曲線

進行功率提升之后對于系統負荷的對比，在系統整體功率提升的同時，在大約20 個時間單位之后，系統的總負荷與實際工況差異減少，迅速穩定。

本文中提到的AGC（自動發電控制）考核的量化指標，已經在Python 中進行編程。通過結合上述優化后的控制邏輯和對象模型，對下面5 個指標進行了測算，并繪制了相應的圖表（見表1）。

表1 優化前后指標實際情況

在基本運行情況下，相較于原來的電廠傳統PID 調節算法，改進的融合算法能夠較好的提升各項指標，并且滿足經濟效益要求。

4 結論

本文基于火電機組的調峰調頻過程，提出了一種基于數據驅動優化的火電機組調峰調頻方法，通過電網指標考核標準來進行模型設計和電網功率快速響應。在整合大量火電發電機組實際運行數據的基礎上，運用多目標融合優化策略，對比實際運行工況下的運行數據，有較大程度提升的同時，滿足最新標準，實現節能低碳目標，為電廠帶來實際效益。