电力系统机组最优负荷分配.docx
- 文档编号:3206478
- 上传时间:2022-11-20
- 格式:DOCX
- 页数:22
- 大小:277.96KB
电力系统机组最优负荷分配.docx
《电力系统机组最优负荷分配.docx》由会员分享,可在线阅读,更多相关《电力系统机组最优负荷分配.docx(22页珍藏版)》请在冰豆网上搜索。
电力系统机组最优负荷分配
第一章绪论
第一节机组最优负荷分配研究背景及意义
我国是一个人口大国,虽然物产丰富,但分布非常不均衡,人均资源十分短缺,加上长期以来在资源开发利用方面存在过度开发、破坏严重等问题,使国民经济在快速进步的同时对我们地球的环境造成了不可估量的损害。
伴随着“节能、减排、环保”的观念深入人心,我国可持续发展战略要求建立经济友好型,能源节约型社会。
因此可以看出节约能源是可持续发展战略的主要内容之一。
然而火力发电是一个化石能源消耗巨大的产业,到2050年,我国的年耗煤量将达到2~2.5Gt。
而随着化石能源的逐渐枯竭以及化石能源所带来的环境问题,届时,煤炭资源很难满足整个社会的发展,这就要求电力系统在优化能源结构的同时,更要进一步节约能源,提高能源的能效比。
在如此巨大的能源消耗的基数下,如果每发一度电节约1g煤的话,根据我国2014年的火电发电量41731亿千瓦时来算,我国每年将可以节约煤417万吨以上。
由上文叙述可以发现,如果对火电厂的机组进行组合优化,使机组负荷的分配与组合更加合理,能提高该体系的经济运作,可以以此来提升效益。
电力系统机组负荷的最好的分布与配置就是研究火力发电机组的运作效率,减少普通燃料的消耗,同时减小系统运作时所产生的废气等对环境的破坏。
使得“节能、减排、环保”的方针在生活中得以实现,为我国今后能持续稳定的发展,建设环境友好型,资源节约型的社会添砖加瓦。
且在电力市场化运行体制下,以及近几十年电力装机容量的快速增长,而我国的经济增长放缓,经济提升速率已不及电力装机容量的增长,我国已经开始出现供大于需的局面。
在这样的背景条件下,供电公司要获得生存和发展,就一定要不断提高自身的硬实力。
因此需要供电公司不断降低生产成本,提高效益。
供电公司通过合理安排机组出力,降低煤耗量,增强其核心竞争力。
[1]
第二节国内外研究现状
电力系统机组最优负荷分配的意思是在一系列实际生产中的基本要求下,通过提高控制机组运作以及机组符合的配置的合理性,来达到降低费用的一种关于电力系统的经济性调度的办法。
以数学理论为基础来研究机组组合的优化的问题,可以将其转化为一个既有连续变量又有整形变量的综合性问题。
其运算的方法有两个:
传统优化算法和现代智能算法。
大量的资料介绍传统的优化算法在机组组合中的应用,其中以经典的拉格朗日松弛法较为代表,还有动态规划法也应用较广。
这些经典优化方法原理简单,容易操作,应用较广,但某些情况下可能得不到十分理想的结果。
而现代智能优化算法在机组优化组合问题中体现出了优势。
目前世界上常用的有以下几种分析计算的方法。
一、等微增率法
,由
和
在
年首次提出。
等耗微增率法是将燃料消耗最小化作为优化目标的单目标算法。
在满足Lagrange的等式组合的前提下,该方法是用于单元机组之间的负荷的分布与配置的改进,用Lagrange乘子法求得负荷的分布与配置的最好的方案。
[2]该优化方案中,机组负荷等于给定负荷为其优化的前提,进而通过负荷分配使得燃料总量最少,以此确定各台机组的负荷分配。
这种方法便于使用,而且思路比较清晰,容易理解,本论文也主要使用这一方法。
二、动态规划法
动态规划(dynamicprogramming)是20世纪50年代初R.E.Bellman等人在研究多步骤的决策的流程的改进问题时提到的一种改进办法,形成了关于最优性的原理,即所谓Bellman最优化原理,其可以叙述为:
对于最优化的方略,依靠以前的一些决策所得到的情况开始,对应的最优子策略是由剩下的一系列
决策所组成的,与曾经的情景和决策没有关系。
先解决单阶段问题,再把其整合为一个完整的过程。
在使用动态规划法来解决有关机组负荷分配的问题时,首先要指定决策阶段为一机组台号a,那么决策变量即为机组负荷,在这里标示为Qa,然后将累计的机组成本作为状态变量。
根据动态规划状态转移方程:
假设第a阶段的sa的值是已知的,那么第a+1阶段的sa+1的值,就可以依据该段的Qa的值来求得。
记为sa+1=Ta(sa,ua),称为状态转移方程。
[3]
三、遗传算法
遗传算法是目前较为广泛的现代进化算法里较为典型算法之一。
遗传算法中最主要的思考分析法是源于自然界的达尔文提出的“适者生存”法则。
遗传算法找寻最终解的操作是通过模仿自然界物种利用染色体之间的一系列的生物反应和基因整合来提高族群生存竞争力,达到物种进化目的的过程,即采用可以完成遗传操作的相应遗传算子,对于父代种群W(t)进行相应的处理,然后获得子代种群W(t+1)过程。
这一算法在面对老一代的检索方法很难应对好的规模比较大、非线性组合复杂的优化难题方面拥有很多巨大的优点。
然而单一的遗传算法在处理大规模难题上存在着搜索速度较慢,收敛性能较差等弊端。
因此在实际问题中常常取人之长,补己之短的策略。
文献10中把拉格朗日法和遗传算法进行结合,采用次梯度法来改进拉格朗日乘子,将复杂的机组组合的难点简化为一系列的小难点,然后再利用遗传算法具有的比较好的检索的功能强势,把两者算法交替迭代,用遗传算法对一个个的小难点进行分析计算,直到很好的解决大的难点。
四、蚁群算法
蚁群算法又称蚂蚁算法。
是M.Dorigo发表的模仿进化的一种优化算法。
该算法是依据对自然界中蚁群在找食物时自然出现的一种寻觅最接近食物的道路的研究而产生的机率算法。
当某种可以吃的东西被某一只蚂蚁发现之后,它就会立即产生一种分泌物,该分泌物可以传达信息来告知附近的同类靠近,就会让更多的蚁族成员都能找到吃的。
其中有些成员可能好会找到比原来更合理的道,这样,
在这一更近的道路上就形成了蚁群,随着时间的积累,大多数的蚂蚁都会出现在这儿。
这种算法通过“信息素”这一载体进行相互间的沟通信息和共同合作,寻求到达食物的最简洁又方便的路线。
该算法在改进旅行商等方面中得到了较好的运用。
但是也是存在一定的缺陷的其中最大的缺点是在求解的过程中比较容易出现停滞现象[4]。
五、粒子群优化算法
粒子群优化算法是近年来由J.Kennedy和R.C.Eberhart等开发的一种新的进化算法。
模拟鸟群搜索食物行为而创造出的一种进化算法,通过拥有记忆性的单一粒子与群体之间的其他粒子的信息互动来不断改进整体的行动策略,最后得到问题的最优解。
这种方法中会使用一个具体的优化的目标函数来明确全部粒子的适应性。
而且,其中会有一个速度决定每一个粒子前进的位置和朝向。
粒子们先找到种群中位置最好的粒子,接着他们就紧跟这个粒子在解的空间中探索,直到找到最优的解。
[5]
机组组合优化在电力系统经济运行中扮演着十分关键的角色,随着电力市场改革的深化,对于增强发电企业自身核心竞争力具有更现实的意义。
由于该优化问题的复杂性,各种先进的算法被引进来解决问题。
总的来说,对于机组组合寻找最优解问题这些方法都能有效的解决。
但是不管是经典的算法还是现代智能算法,都有其各自的特点和局限性。
一种算法不能应用于所有的场景,且算法本身的参数设置会影响算法的收敛性和相关性能。
如何兼顾收敛速度和寻优质量是现代算法需要深入研究的重点。
第三节本论文的主要内容
本文的主要内容包括:
①对火力发电工厂中机组的负荷分配难题进行了研究,简单介绍了全世界对该课题的研究情况。
并列举了几种应对该难题的策略,包括一些经典的方法和现代智能算法。
②简单介绍了发电厂热力设备的动力的特点和性质,分析火力发电工厂发电机组的耗量的相关特性以及相关数据的收集。
基于机组负荷经济合理分配问题中的一系列的约束条件,综合机组特性的参数,来构造相应的针对性较强的数学模型。
③运用等微增率算法分析不计网络损耗的火电厂机组负荷经济分配问题,用Matlab编写计算程序,并对某实际系统进行算例研究。
④分析计及网络损耗时,如何基于潮流计算结果,应用等微增率原理解决机组负荷最优分配问题。
第4节本章小结
本章内容主要介绍了本论文研究课题的目的及其意义与目前世界上比较成熟一些的研究,和在我国国情下目前电力系统的情况。
并对本论文会用到的一些方法做了一些介绍和延伸,为后续章节的展开做好铺垫。
第二章基于等微增率法的机组负荷分配
在满足电力网络负荷平衡的前提下,机组最优负荷分配指的是通过有计划的安排各个机组的出力,使得整体的煤的消耗量变得最小,让成本达到最少,进而提升整个发电厂的效率与收益。
火力发电机组一般是通过在锅炉中烧煤,通过加温当温度达到一定的条件时就把水转化为蒸汽,然后借助转化的蒸汽来推动汽轮机的运作,汽轮机再带动与其相关联的发电机发电,完成整个电力生产环节。
因为汽轮机的蒸汽的数量很大程度上取决于锅炉的煤的消耗的数量,而汽轮机的进气量又规定了火力发电机组出力的大小,由于负荷时刻在波动,为了保证火电机组在任何时刻达到最经济工况,必须对火电机组的动力特性进行准确的模拟。
即确定火电机组的耗量特性。
第一节火电机组的耗量特性
机组发出的功率,与机组消耗的煤等的关系形成机组的耗量特性曲线。
而火力发电机组的这一曲线是电力机组最优负荷分配问题的最基本参数,最终结果与耗量特性曲线的正确率有密切的关系。
因此在负荷优化分配中,通过分析计算得到机组的耗量特性是必不可少的步骤。
研究火力发电机组的耗量特性的参数,必须先对火力电机组的参数进行全面了解,单元机组的燃料的使用量B与发电机有功功率P之间的关系比较复杂,主要取决于机组本身的特点,同时还受到所处环境温度,水介质温度,大气压等因素影响。
火电机组由于其自身特点,其启动过程耗时较长,由此有时连续优化过程中需要考虑机组的启停成本;机组在低负荷状态下,为了保证锅炉燃料的稳定燃烧需要进行投油稳燃。
如果综合考虑这些成本,会使得机组的燃料耗量B与出力P之间的关系和规律变得难以分析。
限于篇幅,本文只讨论火电机组在稳定负荷下的耗量特性关系,即不考虑机组的启停成本,但是对于机组的出力范围进行考虑,可有效避免机组在低出力工况下运行。
这些简化并不影响结论的正确性。
此时,单元机组的耗量特性可以表示为:
(2.1)
式中B为燃料消耗量,即每小时燃料的标准煤耗量(单位:
t/h);
P为发电机有功功率(单位:
MW)。
典型火电机组的耗量特性如图2.1。
图2.1典型机组的耗量特性
第二节火电机组耗量特性数据的获取与处理
采用燃料消耗量来度量机组的发电成本,是一种较为常见的做法,在我国电力系统中广泛采用。
但是在如今的电力系统大环境下,也有很多考虑不周的方面:
对不同地区的燃料差价、峰谷电价等问题。
如果在分析机组负荷分配的目标函数时考虑一定现实市场变化因素的发电成本,就可以在考虑整个机组负荷分配问题时更加接近实际情况,模型的准确性更高,当然由于增加了模型的复杂性,对于模型的求解增大了难度。
本文由于原始数据中没有提供相关的数据,因此不予考虑。
只考虑机组本身的耗量特性曲线。
目前世界上取得机组耗量特性的方法有三种:
第一是通过查看生产商在发电机组自身机身上留有的相关数据得出机组耗量特性曲线;第二是通过多次对机组产生的热量试验得到相关数据,然后对数据进行分析处理从而得出其耗量特性的曲线;第三是从机组长期的运作的数据中统计、分析进而得到其耗量特性。
精确的机组耗量特性参数需要进行完善的有关机组性能的研究。
然而在现实
情况中,有关机组性能的实验性的研究数量不多,因为该类研究的花费与成本相当大,而且对机组本身寿命还有很大的损耗,并且还需要调度部门、电力生产部门以及电力试验部门之间的互相协调,而机组的运行年限不同,试验状态与运行状态又有一定的差别,最初的试验数据并不能完全反映当前机组的真实情况。
因此在实际处理过程中很少单独采取这种方法。
获得火电机组的煤耗量比较常用的方法是通过机组常规热力的研究试验的相关数据与机组平时运作时统计到的数据相结合的方式得到。
这样可以避免单一方式下弊端。
因为热力性能试验可以说是在一种比较理想的工况下运行,通常是在机组投产前做相关性能试验,这种方式得到的相关数据不会出现太大的偏离
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 电力系统 机组 最优 负荷 分配
![提示](https://static.bdocx.com/images/bang_tan.gif)