汽輪機電液控制系統模型的變負荷參數辨識技術優化

摘 要：針對電網負荷變化時電網調節不穩定的問題，提出了汽輪機電液控制系統模型的參數辨識優化方法，并采用粒子群算法研究了汽輪機電液控制系統在不同負荷工況模型辨識參數的變化并將其應用于其它負荷的方法在變負荷工況誤差較大；汽輪機電液控制系統的轉速前饋系數K 2 對變負荷模擬精度的影響最大，且其值隨機組負荷升高近似線性減小。采用擬合轉速前饋系數K 2 隨負荷變化的方法對汽輪機電液控制系統模型進行仿真優化，模擬所得的最大相對誤差由3.89%降低至2.68%。該研究汽輪機電液控制系統模型的精確仿真計算對保證電網穩定性具有非常重要的意義。

關鍵詞：電網穩定；電液控制系統；不同負荷；參數辨識優化

中圖分類號：TQ016.5 + 5；TM311 文獻標志碼：A 文章編號：1001-5922（2025）03-0181-04

Simulation and optimization of steam turbineelectro-hydraulic control system model with variable load

GUO Hui 1 ，ZHAI Fei 2 ，GUO Hengming 3 ，GAO Pengfei 3 ，ZHANG Donghai 3

（1. Henan Jiuyu EPRI Electric Power Technology Co.，Ltd.，Zhengzhou 450001，China；

2. Henan Transformer Transmission Construction Co.，Ltd.，Zhengzhou 450001，China；

3. Henan United Electric Power Technology Co.，Ltd.，Zhengzhou 450001，China）

Abstract：Accurate simulation calculation of steam turbine electro-hydraulic control system is significant to ensurethe stability of the power grid. In this paper，an optimization model of the steam turbine electro-hydraulic controlsystem is proposed to solve the problem of the instability of the power grid regulation when the load changes. Thevariation of the identification parameters of the electro-hydraulic control system under different load conditions isstudied by using particle swarm optimization algorithm. The results show that the traditional method of identifyingthe model parameters of the electro-hydraulic control system using the rated load parameters of the steam turbineand applying them to other loads has significant errors in variable load conditions. The speed feedforward coeffi?cient K 2 of the electro-hydraulic control system has the greatest influence on the simulation accuracy of variableload. K 2 decreases approximately linearly with the increase of unit load. After simulation optimization using the fit? ted K 2 ，the maximum relative error is reduced from 3.89% to 2.68%.

Key words：power grid stability；electro-hydraulic control system；different load；parameter identification optimiza?Tion

隨著中國電力發展步伐的加快，電網的安全穩定運行引起了廣泛的關注 [1-5] 。其中，精確的電液控制系統模型對電網穩定性的保證具有重要意義 [6-7] 。為此，國內學者做了許多總結與研究 [8-13] ，但目前常用的電液控制系統模型基本都基于額定負荷工況的數據 [14-16] ，并將額定負荷工況所得參數應用到全負荷段和整個大修周期中，這忽略了對其他負荷工況下的參數變化研究，導致系統在電網負荷變化導致頻率波動時，電網調節不穩定。

本文采用粒子群算法研究了電液控制系統在不同負荷工況的辨識參數及其變化規律，提出了適用于寬工況的仿真模型，解決了額定負荷工況參數不適用于全負荷工況的問題。

1 電液控制系統模型及辨識算法

1.1 系統模型

目前廣泛使用的汽輪機數字電液控制系統

（DEH）主要分為電子元件控制測量部分和油動機液壓調控安保部分。

本文對經典BPA模型中的電液控制系統模型 [17]結合電廠實際情況進行了簡化，最終采用的電液控制系統模型如圖1所示。

圖1中： T 1 為轉速偏差慣性常數；DT ω 為轉速偏差延時； Dω 為一次調頻轉速偏差； K 為轉速偏差比例常數；K 2 為轉速前饋系數；P’ E 為發電機電磁功率；P M1 為主汽壓力；P _ref 為發電機功率目標；K P1 為主汽壓力PID比例常數；K I1 為主汽壓力PID積分常數；T E 為功率測量慣性常數；DT E 為功率測量延時；K P2 為功率PID比例常數；K I2 為功率PID積分常數；DT PID 為PID環節延遲；P CV 為主閥位指令。待辨識或校核的參數為：K、K 2 、K p1 、K i1_O 和K i1_C 。

1.2 辨識算法及優化

有學者采用最小二乘法、輔助變量算法、遺傳算法和粒子群算法四種算法進行參數辨識 [18-19] 。結果表明，對于含有較多非線性模塊的模型，最小二乘法與輔助變量法的求解結果誤差較大；而采用以粒子群算法和遺傳算法為代表的智能算法，仿真結果與實驗數據吻合較好。另一方面，粒子群算法將參數尋優與模型仿真相結合，適用于不同模型以及不同組的數據，且粒子群算法智能尋優的初值是隨機的，可排除人為因素的影響。因此，本文選擇粒子群算法來完成參數辨識過程。

對電廠實測數據，采用Simulink搭建電液控制系統模型，然后用Matlab軟件編程計算。最后將仿真數據與實驗數據作比較，利用誤差函數式 [20] 來求得仿真與實驗的相對誤差：

式中： f 為誤差值； P S 為模型輸出值； P A 為實測值；N 為數據個數。

傳統方法將額定負荷工況數據進行仿真辨識所得的參數應用于所有負荷。為了提高預測精度，本文優化了參數辨識方法，對變負荷工況時的轉速前饋系數K 2進行擬合，并將擬合后的K 2 值應用于不同負荷的計算。

2 結果與討論

2.1 額定負荷參數辨識

對額定負荷660 MW的實驗數據按圖1所示模型進行辨識計算，得到的待辨識參數見表1。

以表1得到的辨識參數進行仿真，結果與實測數據的對比見圖2，對應的誤差見表2。仿真結果與實測數據誤差較小，表明本文采用的模型及處理方法合理。

將表1的辨識參數應用于變負荷工況，仿真結果與實測數據的誤差見表3。可以看出，500MW工況升負荷段誤差最大，最大相對誤差3.897%。圖3和圖4給出了400MW和500MW工況仿真結果與實測數據的對比。

2.2 變負荷參數辨識

為提高仿真精度，用機組不同負荷下的實測數據進行參數辨識，得到各負荷下的待辨識參數值，并尋找待辨識參數與負荷之間的關系。

分析表明，除轉速前饋系數K 2 外，其余模型參數對于確定結構的機組來說不隨負荷變化。采用圖1所示電液控制系統模型，對不同負荷實測數據進行辨識，求得K 2 隨負荷的變化曲線，如圖5所示。

由圖5可知，K 2 隨負荷近似成線性變化。對其進行線性擬合，并將擬合得到的不同負荷下K 2 值代入電液控制系統模型，所得仿真誤差見表4。

圖6和圖7為400 MW和500 MW工況，變負荷仿真結果與實測結果的比較。

2.3 對比分析

表5為采用額定負荷K 2 和擬合K 2 仿真結果在升負荷段的誤差對比。可以看出，采取擬合K 2 計算的誤差普遍較小，500 MW工況仿真最大相對誤差由3.89%下降為2.68%。采取線性規律對K 2 進行擬合，最終結果更優。

3 結語

本文針對電網負荷變化導致的頻率波動和電網調節不穩定問題，采用粒子群算法研究了電液控制系統在不同負荷工況辨識參數的變化規律，解決了額定負荷工況參數不適用于全負荷工況的問題。仿真結果表明，電液控制系統的轉速前饋系數K 2 對變負荷模擬精度的影響最大，且其值隨機組負荷升高近似線性減小；優化后最大模擬相對誤差從3.89%降低到2.68%。本文的參數辨識優化方法可為深度調峰時調速系統各參數精準預測提供參考。

【參考文獻】

[1] 劉翌，潘小輝，胡潯惠. 基于脆弱性的電力系統可靠性評估及其算例分析[J]. 電子測量技術，2019，42（20）：20-53.

[2] 俞曉峰，袁嶺，崔藝林，等. 分布式光伏電源的配電網故障特征計算模型分析[J]. 粘接，2023，50（1）：140-143.

[3] 羅艷，王庭剛，高浩，等. 雙碳-節能型電磁新材料背景下的人工智能風險防控技術[J]. 粘接，2023，50（1）：70-74.

[4] 沈根才. 正確規劃電網結構 重視電網穩定性[J]. 電力系統自動化，2002，25（9）：38-41.

[5] 葉一博. 大區電網互聯對電力系統動態穩定性的影響[J].電力系統，2023，8：52-54.

[6] KOSTEREV D. Hydro turbine-governor model validationin pacific northwest[J]. IEEE Transactions on Power Sys?tems，2004，19（2）：1144-1149.

[7] 姜冰. 發電機組對電網穩定性的適應能力分析[J]. 電站系統工程，2009，25（2）：59-60.

[8] 趙平，戴懿. 淺談局域電網中發電與負荷的匹配以及如何提升發電機組在區域電網的穩定性[J]. 電網運維，2021，8：57-59.

[9] 饒紀杭. 我國大容量汽輪機電液控制系統的現狀[J]. 中國電力，1997，20（2）：3-6.

[10] 田云峰，郭嘉陽，劉永奇，等. 用于電網穩定性計算的再熱凝汽式汽輪機數學模型[J].電網技術，2007，31 （5）：39-44.

[11] 李陽海，張才穩，楊濤，等. 基于電網穩定性分析的汽輪機調速系統建模試驗研究[J]. 汽輪機技術，2011，53（4）：291-294.

[12] 谷俊杰，陳順青. 適用電網穩定性計算的一種超臨界汽輪機動態數學模型[J]. 汽輪機技術，2013，55（3）：175-177.

[13] 李艷，拓福婷，張孝杰. 汽輪機電液伺服系統建模及控制方法[J]. 熱力發電，2017，46（9）：117-123.

[14] 房德明，張亞夫，李明亮. 汽輪機蒸汽容積對轉速飛升影響的計算分析[J]. 汽輪機技術，1987，31（6）：41-46.

[15] 張家琛，向春梅，馬芳梅，等. 引進型300 MW汽機數字電液控制系統動態特性研究[J]. 湖北電力技術，1994，4：34-38.

[16] 胥建群，曹祖慶. 汽輪機實時仿真數學模型[J]. 熱能動力工程，1996，11（6）：45-50.

[17] 中國電力科學研究院. 中國版 BPA暫態穩定程序用戶手冊[Z]. 北京：中國電力科學研究院，2000.

[18] 王平，范磊，梁鈴，等. 基于改進微分進化算法的發電機調速系統參數辨識[J].自動化與儀器儀表，2018，1：47-50.

[19] KENNEDY J，EBERHART R. Particle swarm optimiza?tion[C]. Proceedings of ICNN'95- International Confer?ence on Neural Networks，1995.

[20] 江效龍，汽輪機及其調速系統參數辨識與仿真校核研究[D]. 保定：華北電力大學，2015.

（責任編輯：張玉平）