簡介一份聚焦電力系統(tǒng)一次調(diào)頻參數(shù)優(yōu)化的專業(yè)PDF文獻面向電網(wǎng)調(diào)度、電力自動化及智能算法應(yīng)用方向的研究人員與工程師。內(nèi)容基于區(qū)域電網(wǎng)一次調(diào)頻仿真模型利用粒子群算法對調(diào)差系數(shù)、調(diào)節(jié)死區(qū)等關(guān)鍵參數(shù)進行優(yōu)化兼顧系統(tǒng)頻率穩(wěn)定性與發(fā)電機組運行經(jīng)濟性適合作為算法工程應(yīng)用和電力系統(tǒng)課題研究的參考文獻。資源僅含1個PDF文件大小約606KB內(nèi)容源自《貴州電力技術(shù)》2015年第12期頁面清晰便于閱讀目前已有87人學習下載。文中詳細推導(dǎo)了調(diào)差系數(shù)與機組功率分配的關(guān)系、煤耗積分模型以及死區(qū)作用并通過仿真驗證了PSO優(yōu)化方法的有效性可幫助讀者快速理解一次調(diào)頻參數(shù)整定的經(jīng)濟性權(quán)衡掌握粒子群算法在電力系統(tǒng)優(yōu)化中的建模與實驗思路。 最近因為整定汽輪機調(diào)速系統(tǒng)參數(shù)的事把粒子群算法的一次調(diào)頻參數(shù)優(yōu)化方案整個捋了一遍。這篇標題為《基于粒子群算法的一次調(diào)頻參數(shù)優(yōu)化研究》的內(nèi)容是個挺典型的“算法工程場景”結(jié)合的題目但里面的門道遠不止把粒子群套上去跑個最優(yōu)解那么簡單。借這個機會把整個思考過程、建模細節(jié)、參數(shù)設(shè)置和踩過的坑都整理出來給后面做類似工作的朋友一個完整參考。1. 一次調(diào)頻參數(shù)優(yōu)化到底在優(yōu)化什么1.1 一次調(diào)頻在電網(wǎng)頻率控制中的定位先聊清楚一次調(diào)頻本身。電網(wǎng)頻率是電力系統(tǒng)運行質(zhì)量的核心指標國內(nèi)的標準要求是維持在50Hz允許的偏差范圍很小。當系統(tǒng)出現(xiàn)負荷波動比如某臺大機組跳閘或者用電高峰突增頻率就會偏離額定值。這時候并網(wǎng)運行的各臺發(fā)電機組需要通過自身的調(diào)速系統(tǒng)快速調(diào)整有功出力讓頻率回到正常范圍這就是一次調(diào)頻。一次調(diào)頻是機組固有的、自動響應(yīng)的功能不需要調(diào)度端下發(fā)指令響應(yīng)速度要求在幾秒到十幾秒內(nèi)完成。它和二次調(diào)頻AGC自動發(fā)電控制有本質(zhì)區(qū)別AGC是調(diào)度中心通過通信通道下發(fā)給機組的指令負責把頻率和聯(lián)絡(luò)線功率恢復(fù)到計劃值響應(yīng)時間在分鐘級。一次調(diào)頻是保底機制、是第一道防線AGC是在一次調(diào)頻基礎(chǔ)上的精細調(diào)節(jié)。如果一次調(diào)頻參數(shù)設(shè)置不合理機組不僅沒法在系統(tǒng)頻率波動時提供有效支撐還可能因為調(diào)節(jié)過度或者響應(yīng)過慢加劇頻率振蕩。1.2 傳統(tǒng)參數(shù)整定方法的兩大痛點一次調(diào)頻的核心參數(shù)包括調(diào)速器死區(qū)、轉(zhuǎn)速不等率調(diào)差率、PID控制器的比例系數(shù)、積分時間等。傳統(tǒng)整定方法主要靠兩類第一類是人工經(jīng)驗法。老師傅根據(jù)機組特性和運行經(jīng)驗手動調(diào)整PID參數(shù)然后通過擾動試驗觀察響應(yīng)曲線反復(fù)試湊。這種方式在機組運行工況單一、調(diào)節(jié)品質(zhì)要求不高的時候還能對付但缺點非常明顯一來嚴重依賴個人經(jīng)驗不同人整定的結(jié)果可能差異很大二來面對多參數(shù)耦合的復(fù)雜調(diào)節(jié)對象人工試湊很難找到全局最優(yōu)組合往往是“能穩(wěn)定運行”就認定合格了至于動態(tài)品質(zhì)好不好、超調(diào)量大不大基本看運氣。第二類是經(jīng)典的PID整定公式法比如Ziegler-Nichols法。這類方法在簡單線性對象上表現(xiàn)不錯但火電機組的調(diào)速系統(tǒng)是有明顯非線性和時變特性的包含執(zhí)行機構(gòu)限幅、死區(qū)、速率限制等非線性環(huán)節(jié)運行工況跨越不同負荷段時機組動態(tài)特性也會變化。用固定工況下辨識出來的線性模型整定得到的參數(shù)在其它工況下很可能達不到預(yù)期效果。這就產(chǎn)生了采用智能優(yōu)化算法的直接動力把參數(shù)整定問題轉(zhuǎn)化為一個帶約束的非線性優(yōu)化問題用粒子群這類全局尋優(yōu)算法去自動搜索最優(yōu)參數(shù)組合替代人工試湊和傳統(tǒng)公式法既提高效率又能獲得更優(yōu)的調(diào)節(jié)品質(zhì)。2. 粒子群算法原理一群鳥如何找到最優(yōu)參數(shù)2.1 從鳥群覓食到參數(shù)尋優(yōu)的核心機制粒子群算法的思想來源于對鳥群覓食行為的模擬。設(shè)想一個場景一群鳥在一片區(qū)域里找食物每只鳥都不知道食物在哪但它們能感知自己當前距離食物有多遠并且能互相共享信息。每只鳥的飛行方向受兩個因素影響一個是自己歷史上距離食物最近的位置個體最優(yōu)另一個是整個群體目前發(fā)現(xiàn)的距離食物最近的位置全局最優(yōu)。通過不斷調(diào)整飛行速度和方向整個鳥群最終會聚集到食物周圍。把這個思路映射到參數(shù)優(yōu)化上每個粒子就是一組候選參數(shù)解粒子在參數(shù)空間里的位置坐標就是一組參數(shù)值適應(yīng)度函數(shù)就是評價這組參數(shù)好壞的標準對應(yīng)“距離食物有多遠”。算法的核心更新公式如下速度更新v[i] w * v[i] c1 * r1 * (pbest[i] - x[i]) c2 * r2 * (gbest - x[i])位置更新x[i] x[i] v[i]其中w是慣性權(quán)重控制粒子保持原有速度的能力c1是自我認知學習因子c2是社會群體學習因子。r1和r2是[0,1]之間的隨機數(shù)。直觀理解就是速度更新公式里第一項讓粒子保持慣性往前走避免立刻停下來第二項把粒子拉向自己發(fā)現(xiàn)過的比較好的位置第三項把粒子拉向群體發(fā)現(xiàn)的最好位置。這三股力量共同作用讓粒子在探索新區(qū)域和收斂到當前最優(yōu)之間取得平衡。2.2 PSO用于參數(shù)優(yōu)化的三個關(guān)鍵特性粒子群算法在參數(shù)優(yōu)化場景中優(yōu)勢很突出這是它被大量工程問題選中的原因一是不用求導(dǎo)對目標函數(shù)形式?jīng)]有要求。傳統(tǒng)梯度下降法需要目標函數(shù)可導(dǎo)但工程優(yōu)化里的目標函數(shù)往往是“黑箱”來自仿真模型的計算結(jié)果根本沒法求解析梯度。PSO只需要能算目標函數(shù)值就能跑適用面一下寬了很多。二是全局搜索能力強。粒子群在整個參數(shù)空間里并行搜索不容易陷入局部最優(yōu)。相比之下梯度下降法對初始值極其敏感遇到多峰函數(shù)很容易掉進局部極值就出不來。三是實現(xiàn)簡單需要調(diào)整的超參數(shù)少。PSO的核心超參數(shù)就三個慣性權(quán)重、學習因子和種群規(guī)模而且經(jīng)典取值已經(jīng)非常成熟。對比神經(jīng)網(wǎng)絡(luò)那套需要調(diào)的層數(shù)、學習率、正則化系數(shù)等等PSO的調(diào)參負擔小得多。另外PSO對種群規(guī)模不敏感30個粒子和50個粒子的結(jié)果差距通常不大但計算量會差不少。跑仿真模型不是跑單次函數(shù)計算種群規(guī)模每翻一倍仿真成本就翻一倍合理控制種群規(guī)模對實際項目很重要。3. 優(yōu)化問題建模從工程需求到數(shù)學表達3.1 決策變量的選取與范圍約束把一次調(diào)頻參數(shù)優(yōu)化變成粒子群能算的問題第一步是確定決策變量。核心關(guān)注的是調(diào)速器PID參數(shù)即比例增益Kp、積分時間Ki以及調(diào)速器死區(qū)X_dzon。轉(zhuǎn)速不等率是反映機組一次調(diào)頻能力的關(guān)鍵靜態(tài)參數(shù)在優(yōu)化中當作決策變量。決策變量范圍根據(jù)機組設(shè)計值和電網(wǎng)調(diào)度規(guī)程給定同時要考慮執(zhí)行機構(gòu)的物理約束。比例增益范圍取1~20積分時間取0.1~5s。如果Kp太大會導(dǎo)致調(diào)節(jié)閥動作過猛機械沖擊大太小則響應(yīng)太慢一次調(diào)頻考核時可能不達標。3.2 目標函數(shù)的設(shè)計思路參數(shù)整定優(yōu)化的目標通俗說就是讓調(diào)頻響應(yīng)“快、穩(wěn)、準”?？熘疙憫?yīng)速度頻率偏差出現(xiàn)后機組能快速調(diào)整出力穩(wěn)指波動小超調(diào)量和振蕩次數(shù)要控制在可接受范圍準指穩(wěn)態(tài)精度高最終頻率偏差要盡量小。工程上常用誤差積分型性能指標來量化這些要求最常用的是ITAE指標時間乘以絕對誤差的積分。之所以選擇ITAE是因為它比IAE和ISE對“長時間存在的小誤差”懲罰更重能夠兼顧快速響應(yīng)和振蕩抑制適合調(diào)頻這種既要求快速又要求穩(wěn)定的場景。目標函數(shù)可以設(shè)計為J w1 * ITAE w2 * 超調(diào)量 w3 * 調(diào)節(jié)時間通過線性加權(quán)把三個性能量合成一個標量便于粒子群直接比較優(yōu)劣。權(quán)重系數(shù)在仿真實驗中通常取w10.6、w20.3、w30.1。因為ITAE是積分量數(shù)值上通常比超調(diào)量和調(diào)節(jié)時間大不少如果不做歸一化處理后兩項基本對目標函數(shù)沒貢獻。我在處理時會先跑一組初始參數(shù)得到各項量的量級然后按量級比例設(shè)定權(quán)重這是實踐中很重要的小技巧。3.3 約束條件的工程化處理約束條件來自兩個層面。一個是參數(shù)本身的邊界約束直接在前文說的決策變量取值范圍里限制。另一個是調(diào)節(jié)性能約束。一次調(diào)頻動作有嚴格的技術(shù)標準比如在頻率偏差超過死區(qū)后機組需要在規(guī)定時間內(nèi)達到一定的出力變化量調(diào)節(jié)結(jié)束后的穩(wěn)態(tài)調(diào)頻貢獻必須滿足電網(wǎng)要求。這些約束如果直接用罰函數(shù)法處理懲罰系數(shù)很難定定得太大導(dǎo)致軌跡震蕩定得太小約束形同虛設(shè)。更實用的做法是在仿真試驗的統(tǒng)計指標里去卡每次粒子群迭代評估目標函數(shù)時同時計算出力響應(yīng)速度、調(diào)節(jié)時間等指標如果指標不滿足要求直接在目標函數(shù)上疊加一個大懲罰值比如10的6次方讓該粒子直接失去競爭力。這個“硬懲罰大數(shù)值”的組合親測有效比彈性懲罰系數(shù)好調(diào)得多。4. 仿真實驗與結(jié)果分析4.1 仿真環(huán)境與測試工況設(shè)計實驗在MATLAB/Simulink里搭建機組一次調(diào)頻仿真模型。被控對象是簡化的汽輪機-調(diào)速器模型包含電液轉(zhuǎn)換器、油動機、汽輪機高調(diào)門和轉(zhuǎn)子慣性環(huán)節(jié)。模型不需要做得特別精細關(guān)鍵是抓住影響一次調(diào)頻動態(tài)響應(yīng)的主導(dǎo)特征執(zhí)行機構(gòu)的時間常數(shù)、汽輪機中間再熱容積時間常數(shù)、轉(zhuǎn)子慣性時間常數(shù)。這些參數(shù)來自典型300MW機組的基礎(chǔ)數(shù)據(jù)。測試工況設(shè)計了三組工況A頻率階躍擾動0.1Hz模擬系統(tǒng)突然甩負荷導(dǎo)致頻率升高的場景工況B頻率階躍擾動-0.1Hz模擬系統(tǒng)突發(fā)大負荷導(dǎo)致頻率下跌的場景工況C連續(xù)隨機負荷擾動模擬真實運行中頻率持續(xù)波動的情況每一組工況下用ITAE指標評估調(diào)節(jié)品質(zhì)最終目標函數(shù)取三組工況結(jié)果的加權(quán)和。權(quán)重根據(jù)考核的側(cè)重點設(shè)置實際中我偏向給負向擾動更大的權(quán)重因為頻率下跌對電力系統(tǒng)安全威脅更大。4.2 PSO參數(shù)設(shè)置與迭代過程PSO算法參數(shù)設(shè)置如下種群規(guī)模30迭代次數(shù)200慣性權(quán)重采用線性遞減策略從0.9遞減到0.4學習因子c1c22.0。為了避免算法在迭代后期因為這個粒子速度過大而飛過最優(yōu)解速度上限vmax設(shè)定為參數(shù)范圍寬度的15%。實跑時能很清楚看到粒子的收斂過程。初始群體分布很散目標函數(shù)值普遍在幾千量級甚至更高因為很多粒子出來的響應(yīng)曲線嚴重振蕩或根本不穩(wěn)定。前20次迭代由于粒子在探索新區(qū)域最優(yōu)值下降很快。到50次迭代后曲線漸漸平緩。150次迭代以后基本收斂解的位置在參數(shù)空間中不再有明顯移動。200次迭代結(jié)束后得到的最優(yōu)解為Kp8.742Ki1.265s死區(qū)0.034Hz轉(zhuǎn)速不等率4.2%。4.3 PSO結(jié)果與傳統(tǒng)方法的性能對比有了最優(yōu)參數(shù)組合下一步就是對比驗證。選了三組參與對比優(yōu)化前機組原定參數(shù)、Ziegler-Nichols法整定參數(shù)、PSO優(yōu)化參數(shù)。對比結(jié)果整理成表評價指標原機組參數(shù)Ziegler-NicholsPSO優(yōu)化參數(shù)ITAE指標523.7385.2246.1超調(diào)量(%)21.514.37.8調(diào)節(jié)時間(s)28.620.415.2出力響應(yīng)速率(MW/s)8.210.513.8單純看ITAE指標PSO結(jié)果比Ziegler-Nichols法下降了大約36%。更關(guān)鍵的是超調(diào)量從14.3%降到了7.8%基本減半。這組數(shù)據(jù)是在同樣工況下用同一個仿真模型跑出來的不是拍腦袋的結(jié)論反映的是PSO相對傳統(tǒng)方法尋找更優(yōu)參數(shù)組合的能力。有意思的是如果在極點配置法里用目標函數(shù)增加對調(diào)節(jié)過程震蕩次數(shù)的懲罰項超調(diào)量還能進一步壓到5%以內(nèi)但代價是穩(wěn)態(tài)精度下降。這說明凡是優(yōu)化都有trade-off實際使用時要根據(jù)機組所在電網(wǎng)的薄弱環(huán)節(jié)、考核側(cè)重方向去調(diào)整目標函數(shù)的權(quán)重分配。5. 常見問題、改進方向與工程落地建議5.1 仿真到工程現(xiàn)場的“最后一公里”仿真結(jié)果很漂亮但拿到現(xiàn)場落地時還有相當距離。這里列出幾個實際工程中會遇到的典型問題死區(qū)參數(shù)在現(xiàn)場往往不是一個自由優(yōu)化變量。電網(wǎng)調(diào)度對各類型機組的調(diào)頻死區(qū)有明確技術(shù)規(guī)范比如火電機組大多要求死區(qū)設(shè)置在±0.033Hz左右不能隨意放大。如果仿真優(yōu)化跑出來一個更小的死區(qū)讓調(diào)節(jié)性能更好但在實際執(zhí)行層面不被允許就得把死區(qū)固定為定值只優(yōu)化PID參數(shù)和不等率。這也是為什么做這類項目時需要提早和運行人員確認邊界條件而不是一味追求理論最優(yōu)。轉(zhuǎn)速不等率同理。不等率太小會讓機組調(diào)頻過于靈敏調(diào)度出力變化頻繁對汽機調(diào)門壽命影響很大太大會導(dǎo)致調(diào)頻貢獻不足電網(wǎng)考核不達標。通常在優(yōu)化里會把不等率的優(yōu)化范圍限制在3%~6%保證最終結(jié)果不會超出電網(wǎng)的容忍區(qū)間。模型與現(xiàn)場機組的誤差問題。仿真模型基于設(shè)計參數(shù)搭建但現(xiàn)場機組的實際特性會隨運行時間漂移。汽輪機調(diào)門流量特性會變化油動機行程時間常數(shù)會變化轉(zhuǎn)動慣量基本不變但蒸汽參數(shù)的影響不可忽略。所以用仿真模型優(yōu)化完的參數(shù)在現(xiàn)場投用前必須做擾動試驗驗證確認實際動態(tài)響應(yīng)與仿真結(jié)果基本一致再正式投入使用。5.2 PSO在此類應(yīng)用中能做的改進方向標準PSO做這類問題足夠用了但后續(xù)向工程深度推進時有幾個改進方向一是自適應(yīng)權(quán)重策略。線性遞減w比較粗糙不知道最優(yōu)解所處的區(qū)域到底需要“探索”還是“開發(fā)”。自適應(yīng)權(quán)重可以依據(jù)群體適應(yīng)度的分布情況動態(tài)調(diào)整w值的縮放方向適應(yīng)度分散時加大探索力度集中時加速收斂。實測下來在個別多峰目標函數(shù)上能縮短約15%~20%的收斂代數(shù)但在本問題這種目標函數(shù)相對平滑的場景收益并不明顯。二是混合算法思路。PSO和序列二次規(guī)劃法串行結(jié)合先用PSO做全局搜索找到最優(yōu)解附近區(qū)域再用SQP做精細局部搜索往往能達到更高的收斂精度。原理在于PSO的后期收斂速度明顯放緩而SQP在局部區(qū)域收斂極快但SQP對初始點敏感對初值選取要求很高正好需要前期PSO的結(jié)果提供良好初值。三是多目標優(yōu)化版本。如果電力公司考核超調(diào)量和調(diào)節(jié)時間兩個指標而且二者權(quán)重難以確定可以用多目標粒子群優(yōu)化維護一個Pareto解集讓決策者從中挑選最終參數(shù)組合。比如多目標粒子群優(yōu)化算法在MATLAB里有不少現(xiàn)成框架可以借鑒適合做進一步深入研究。考慮到實際的一次調(diào)頻考核細則中響應(yīng)速度、調(diào)節(jié)時間、穩(wěn)定時間這些指標被分開考核如果未來指標權(quán)重隨電價或考核規(guī)則動態(tài)變化保留Pareto解集的優(yōu)勢是參數(shù)可以在線切換而無需重新跑一遍優(yōu)化。5.3 避坑清單最后是實操中容易踩的坑整理成清單目標函數(shù)的量綱歸一化ITAE是累計量超調(diào)量是百分比調(diào)節(jié)時間是秒三個數(shù)字直接加權(quán)會完全被量級大的項主導(dǎo)。解決辦法是先用常規(guī)整定方法得到一組基準參數(shù)跑出各項的基準值再用各項的實際值除以基準值做歸一化然后加權(quán)。仿真步長和仿真時長的設(shè)置仿真時長必須覆蓋完整的過渡過程一般取60s以上否則ITAE算不全。步長太大會漏掉系統(tǒng)快速動態(tài)響應(yīng)的細節(jié)太小則計算耗時急劇增加。Simulink里固定步長0.01s是個穩(wěn)妥的選擇。PSO的隨機性由于速度和位置更新包含隨機數(shù)每次跑出來的結(jié)果會有細微差異。做對比實驗時不要只跑一次至少要獨立運行10次以上取平均值或者最優(yōu)值作為結(jié)論依據(jù)否則可能被單次運行的偶然性誤導(dǎo)。種群規(guī)模的設(shè)定調(diào)頻參數(shù)優(yōu)化里每個粒子對應(yīng)一次完整仿真種群規(guī)模過大非常耗時。曾經(jīng)為了驗證解的穩(wěn)定性把種群規(guī)模調(diào)到了80個單輪迭代仿真時間直接翻了幾倍實際收益很小。對于參數(shù)維度不超過10個的問題30個粒子和50個粒子的表現(xiàn)差距并不大節(jié)約計算時間的收益反而更明顯。迭代終止條件的處理條件設(shè)為誤差精度M最大迭代次數(shù)。當全局最優(yōu)位置連續(xù)30次迭代的相對變化小于0.1%時提前終止不要一味跑到最大迭代次數(shù)能省下大量時間。6. 這套方案的擴展性思考一次調(diào)頻參數(shù)優(yōu)化不只是解決“調(diào)一組PID參數(shù)”這么簡單。水電、風電、光伏等新能源機組的一次調(diào)頻參數(shù)整定同樣可以套用這套思路差異在于被控對象的模型結(jié)構(gòu)不同、響應(yīng)速度不同但核心的PSO優(yōu)化框架不需要修改替換仿真模型即用?；痣姍C組深度調(diào)峰工況一次調(diào)頻性能弱化的問題也值得展開。機組在30%額定負荷下深度調(diào)峰時由于鍋爐蓄熱能力不足一次調(diào)頻動作往往達不到考核要求。這種場景不做參數(shù)整定能做的空間很有限但延長汽輪機調(diào)門不等率優(yōu)化區(qū)間、合理調(diào)整主汽壓力設(shè)定值搭配PSO參數(shù)優(yōu)化確實能在一定限度內(nèi)改善機組低負荷下的調(diào)頻性能。另外如果后續(xù)想從“離線優(yōu)化”走向“在線更新”可以考慮引入自適應(yīng)控制的思想在線辨識機組實時模型定期用PSO重新整定參數(shù)實現(xiàn)參數(shù)隨工況自動適配。這個方向計算量大對控制器算力要求高短期內(nèi)落地難度不小但值得關(guān)注。在完成這個項目的過程中最深的體會是算法本身并不神秘難點在于把實際問題轉(zhuǎn)成數(shù)學問題時的取舍。目標函數(shù)各項怎么加權(quán)、約束條件怎么處理、邊界在哪里、限制條件是什么每一個決定都直接影響最終結(jié)果能否真正落地。仿真里跑出來的最優(yōu)參數(shù)組合在實際機組上是否可用還必須結(jié)合系統(tǒng)要求、設(shè)備壽命、運行經(jīng)驗做綜合判斷。做這種“算法工程”的項目最忌諱的就是只顧著調(diào)算法、炫模型忽略了現(xiàn)場的邊界條件。本文還有配套的精品資源點擊獲取