申请/专利权人：华北电力大学;国网辽宁省电力有限公司;国网辽宁省电力有限公司电力科学研究院

申请日：2020-06-08

公开（公告）日：2024-03-19

公开（公告）号：CN113095538B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06F30/27;G06N3/006;G06F119/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.07.27#实质审查的生效;2021.07.09#公开

摘要：本发明公开了一种面向灵活性运行的热电联产机组宽负荷运行动态特性建模方法。首先通过机理建模确定不同热电解耦情况下机组的宽负荷运行模型结构；然后采用改进型T‑S模糊辨识确定模型的未知参数。在模糊辨识中引入混沌双量子鸽群优化算法实现训练数据的自动聚类，再通过带遗忘因子的指数加权最小二乘法进行参数辨识；最后，依托仿真平台验证该建模方法的快速性、所得模型的精确性和通用性。本发明充分考虑了热电联产机组热电耦合情况差异对动态特性的影响，更贴近灵活性需求下机组的实际特性。此外，融合了机理建模和数据驱动建模的优势，在宽负荷工况下始终保持理想精度，为实现大规模新能源接入下的电网深度、快速调峰奠定基础。

主权项：1.面向灵活性运行的热电联产机组宽负荷运行动态特性建模方法，其特征在于：包括以下步骤：S1：待辨识热电联产机组热电解耦情况的判断；S2：不同热电解耦情况下机组运行机理分析及模型结构确定；S3：机组宽负荷工况下运行数据的实时采集与T-S模糊模型增量结构的引入；S4：基于混沌双量子鸽群算法的训练数据自动聚类及聚类中心和半径的获取；将一个聚类子空间视为一个鸽群，相应的最优聚类中心则为鸽群各自的巢穴所在地；具体步骤如下：S4.1：初始化聚类个数n＝1；S4.2：令训练数据集的第一个数据向量为当前聚类中心cn，通过式1计算各输入数据对xt与cn间的相似度St： 其中，γ为相似系数，且γ∈0,1]，St∈0,1，且随着St的增大，数据对间相似度升高；S4.3：设置决策常数λ和阈值δ，若St＞λ，则xt属于以cn为中心的聚类，记该聚类中总的数据对个数为Nn，若Nn＞δ，接受该聚类，转向S4.4，否则将cn所代表的数据对移到数据序列末端，返回S4.2；S4.4：通过CBQPIO得到当前聚类的最优聚类中心；S4.4.1：设双种群的鸽群规模均为M，即每个单量子鸽群中包含的个体数均为M；用式2所示Logistic混沌序列代替原有随机数的方式来初始化个体；第一个种群的混沌序列范围为[0,1]；第二个种群的混沌序列范围为[-1,0]；Zji+1＝4·Zji·[1-Zji]i＝1,2,···,M；j＝1,22其中，Z11和Z21分别为0,1和-1,0之间的随机数；在归巢的初始阶段，鸽巢位置未知，故假设当前最优候选解当前聚类中心cn为鸽巢位置，基于所得Logistic混沌序列，根据式3分别初始化两个种群的位置： 其中，代表第j个鸽群中个体i的初始位置，和分别为当前聚类中数据向量的上下限： S4.4.2：将以上两个种群进行合并，再通过随机分组方式分成种群数相等的两个种群；然后通过式5所示适应度函数分别计算两个鸽群中每个个体的适应度，并将两个鸽群的最优解进行比较，选取其中适应度值最小者作为当前全局最优解 CBQPIO将上述两个基于不同混沌序列产生的单种群进行合并，再随机分为种群规模均为M的两个新种群，两个新种群分别执行以下步骤的寻优过程，使新种群的个体遍历[-1,1]的解空间，最后再将两个种群的局部最优解进行贪婪选择得到全局最优解，很大程度上提高了种群的多样性及寻优精度；S4.4.3：地图和指南针算子导航阶段；设指南针算子的最大迭代次数为K1，基于当前最优解鸽子个体根据式6进行位置更新，向局部最优解靠拢： 其中，j为种群序号，k为指南针算子的当前迭代步，ψ、η1和η2均为0,1之间的随机数，为第j个鸽群中当前所有个体的位置平均值；为第j个鸽群中个体i的局部最优位置；不同于经典PIO算法中结合粒子速度矢量进行个体位置更新的方式，式6引入了量子规则中的波函数完成个体位置的更新以提高迭代过程的收敛速度；S4.4.4：通过式5计算位置更新后的鸽子个体的适应度函数值用替换原式中的，若新的适应度小于当前局部最优解的适应度，则用新的位置向量替换原有局部最优解，否则，局部最优解保持不变；S4.4.5：将该局部最优解映射到Logistic混沌序列上，再映射回原变量中；若映射产生粒子的适应度小于当前局部最优解的适应度，则用映射产生位置向量替换原有局部最优解，否则，局部最优解保持不变；最后，将两个种群的局部最优值进行比较，保留下适应度值较小的作为本次迭代的局部最优解；S4.4.6：判断上述寻优过程是否满足终止条件，即达到最大迭代次数，若满足，则结束地图和指南针算子导航阶段，将最终所得局部最优解作为当前全局最优解并记录其对应的适应度函数值，继续进行下一步，否则，返回S4.4.3；S4.4.7：地标算子导航阶段；设地标算子的最大迭代次数为K2，每一次位置更新后通过冒泡排序将个体适应度值从小到大排列，舍弃对地标不熟悉而不再具有分辨路径能力的鸽子，优先选择适应度较小的个体，所保留个体的数目如下： 其中，k为地标算子当前迭代步，且k∈[K1+1,K1+K2]，Mk均为正整数，且其初值为M；保留的鸽子个体将朝着式9所示的鸽群中心位置飞行，并将其视为鸽巢位置的最大可能即地标，然后通过式10更新鸽群中所有个体的位置信息： 其中，Mk为当前鸽群规模，α1为0,1之间的随机数，为第j个种群的中心位置；S4.4.8：通过式11分别产生两个鸽群新的位置信息并计算各自适应度与原位置进行贪婪选择； 式中，χ为学习因子，α2和α3为0,1之间的随机数；本步骤引入学习因子对鸽子个体的位置更新公式进行修正以提高算法的收敛速度，并通过精英保留策略改善种群性能；S4.4.9：分别计算两个种群经过位置更新后的个体的适应度函数值，两个种群中每个个体与各自当前全局最优解进行贪婪选择，若新个体的适应度值小于当前全局最优解的适应度值，则用该位置向量替换原有全局最优解，否则，全局最优解保持不变；S4.4.10：将该全局最优解映射到Logistic混沌序列上，再映射回原变量中；若映射产生粒子的适应度小于当前全局最优解的适应度，则用映射产生位置向量替换原有全局最优解，否则，全局最优解保持不变；最后，将两个种群的全局最优值进行比较，保留下适应度值较小的粒子作为本次迭代的全局最优解；S4.4.11：判断上述寻优过程是否满足终止条件，即达到最大迭代次数，若满足，则结束地标算子导航阶段，所得全局最优解即为巢穴位置最优聚类中心，否则，返回S4.4.7继续搜寻最优解；S4.5：从原数据集中移除所代表的聚类中的所有数据对，剩余N＝N-Nn个数据对，若Nn≤δ，聚类结束，否则，令n＝n+1，返回S4.2；S4.6：基于所得聚类结果，计算各聚类的聚类半径；S4.6.1：初始化聚类半径ri＝0i＝1,2,…,n，通过式13寻找距离各数据向量最近的聚类中心： S4.6.2：通过式14对rs进行更新： S4.6.3：重复S4.6.1和S4.6.2，直至获得全部聚类半径rii＝1,2,…,n；S5：基于带遗忘因子的指数加权最小二乘算法的子模型参数辨识及模型全局输出计算；S6：依托仿真平台进行所提建模方法的可行性验证及性能分析。

全文数据：

权利要求：

百度查询： 华北电力大学;国网辽宁省电力有限公司;国网辽宁省电力有限公司电力科学研究院 面向灵活性运行的热电联产机组宽负荷运行动态特性建模方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD