基于改进遗传算法的抽汽供热机组热电负荷分配优化方法

摘要

基于改进遗传算法的抽汽供热机组热电负荷分配优化方法，属于发电厂节能监测技术领域。本发明为了实现电厂多台供热机组热电负荷分配优化，使电厂的电负荷、热负荷在满足用户需求的同时能够最优分配，并减少总能耗达到节能的目的。设置机组实际热耗和耗差曲线，得到机组设计热耗曲线；获取各个机组的电负荷和抽汽量；基于改进遗传算法求出满足所有机组的总热耗值最小时的各台机组的电负荷和抽汽量值：通过改进遗传编码和适应度函数，遗传算法的选择、交叉、变异操作，使优化过程在满足约束条件的情况下，输出满足所有机组的总热耗值最小时的各台机组的电负荷和抽汽量值最优解和相应的最小总热耗。本方法提高了优化过程的速度和优化结果的准确性。

主权项

一种基于改进遗传算法的抽汽供热机组热电负荷分配优化方法，其特征在于：所述方法的具体过程为：步骤一、设置机组实际热耗曲线：根据试验得到每台机组的实际热耗曲线；所述实际热耗曲线是指以电负荷P和抽汽量Q为自变量，热耗值R′为因变量的一族曲线，即第1台机组：R₁′＝f(P₁,Q₁)；第2台机组：R₂′＝f(P₂,Q₂)；……第n台机组：R_n′＝f(P_n,Q_n)；步骤二、设置机组耗差修正曲线，确定机组耗差修正总系数θ_i，i为机组编号，i＝1,2,…,n，n表示机组数目：基于冷凝器背压、主蒸汽压力、主蒸汽温度、再热压力、再热蒸汽温度、给水温度这六个因素偏离设计值时都会对热耗产生影响，然后根据厂家提供或电厂的耗差修正曲线查得每台机组的各个影响因素的热耗修正系数△_1i,△_2i,△_3i,…,△_6i，△_1i,△_2i,△_3i,…,△_6i分别为每台机组的冷凝器背压、主蒸汽压力、主蒸汽温度、再热压力、再热蒸汽温度、给水温度的热耗修正系数；令θ_i＝△_1i△_2i△_3i…△_6i；步骤三、得到机组设计热耗曲线：根据每台机组耗差修正总系数θ_i对机组实际热耗进行修正得到机组设计热耗曲线，各台机组的设计热耗曲线为：第1台机组：R₁＝θ₁·f(P₁,Q₁)；第2台机组：R₂＝θ₂·f(P₂,Q₂)；……第n台机组：R_n＝θ_n·f(P_n,Q_n)；步骤四、获取各个机组的抽汽量Q_i和电负荷P_i：先测得各个机组的抽汽量Q_i和电负荷P_i，然后通过步骤三所述的机组设计热耗曲线得到相应的热耗R_i，i∈[1,n]，得到电厂n台机组的电负荷分别为P₁,P₂,…,P_n，抽汽量分别为Q₁,Q₂,…,Q_n，热耗值为R₁,R₂,…,R_n，n为机组数目；优化的目的是得到使所有机组的总热耗值最小时的P₁,P₂,…,P_n,Q₁,Q₂,…,Q_n的分配方案，其中目标函数为：$\bar{R}=\frac{P_1\times R_1+P_2\times R_2+...+P_n\times R_n}{P_1+P_2+...+P_n}---\left(1\right)$设定约束条件：第一个约束条件为：Q_z＝Q₁+Q₂+…+Q_n＝const,P_z＝P₁+P₂+…+P_n＝const   (2)即所有机组的总抽汽量Q_z和总电负荷P_z分别为常数；第二个约束条件为：Q_i∈(Q_imin,Q_imax),P_i∈(P_imin,P_imax)   (3)即每台机组的最小最大电负荷分别为：P_1min,P_1max；P_2min,P_2max；…；P_nmin,P_nmax；最小最大抽汽量分别为Q_1min,Q_1max；Q_2min,Q_2max；…；Q_nmin,Q_nmax；步骤五、基于改进遗传算法求出满足所有机组的总热耗值R最小时的各台机组的电负荷和抽汽量值：具体过程如下，a、初始种群设定用m×2n的矩阵则能表示初始种群：$\left(\begin{array}{c}{P}_{11}{P}_{12}......P_{1n}{Q}_{11}{Q}_{12}......Q_{1n}\\ P_{21}{P}_{22}......P_{2n}{Q}_{21}{Q}_{22}......Q_{2n}\\ ............................\\ P_{m1}{P}_{m2}......P_{\mathrm{mn}}{Q}_{m1}{Q}_{m2}......Q_{\mathrm{mn}}\end{array}\right)$m为设定的个体数目，n为机组数量，抽汽量Q_i和电负荷P_i均为满足第二个约束条件的随机数；上述初始种群采用满足第二个约束条件的约束编码的形式构造；对上述初始种群中前(n‑1)个机组的电负荷和抽汽量进行满足第二个约束条件的约束编码，而最后一个机组通过下式计算：$\left\{\begin{array}{c}{P}_n=P_z-P_1-P_2-...-P_{n-1}\\ Q_n=Q_z-Q_1-Q_2-...-Q_{n-1}\end{array}\right.---\left(4\right)$这样即可得到所有机组满足第一个约束条件和前(n‑1)个机组满足第二约束条件的约束编码初始种群：$\left(\begin{array}{c}{P}_{11}{P}_{12}......P_{1(n-1)}{Q}_{11}{Q}_{12}......Q_{1(n-1)}\\ P_{21}{P}_{22}......P_{2(n-1)}{Q}_{21}{Q}_{22}......Q_{2(n-1)}\\ ............................\\ P_{m1}{P}_{m2}......P_{m(n-1)}{Q}_{m1}{Q}_{m2}......Q_{m(n-1)}\end{array}\right)$上式第n台机组为满足其电负荷最大值与最小值之差最大并且最大抽汽量与最小抽汽量不等的机组，即：P_nmax‑P_nmin>P_imax‑P_iminQ_nmax‑Q_nmin≠0P_nmax,P_nmin表示被选出来的第n台机组的最大电负荷与最小电负荷；P_imax,P_imin表示剩余的任意机组i的最大电负荷和最小电负荷；Q_nmax,Q_nmin表示被选出来的第n台机组的最大抽汽量与最小抽汽量；b、构建适应度函数：通过适应度计算，实现个体的优化选择，同时使优化结果中第n台机组也满足第二个约束条件；不符合条件的个体为：P_n<P_min  OR  P_n>P_maxQ_n<Q_min  OR  Q_n>Q_max热电负荷分配优化是求目标函数的最小值，遗传算法的优化目标是找到具有最大适应度的个体，故适应度函数ObjV定义如下：1)、对于符合条件的个体：P_min<P_n<P_max&Q_min<Q_n<Q_max$\mathrm{ObjV}=\frac{1}{\bar{R}}---\left(5\right)$2)、对于不符合条件的个体：P_n<P_min OR P_n>P_max,Q_n<Q_min OR Q_n>Q_max，采用指数尺度变换式(1)表示目标函数$\mathrm{ObjV}=\frac{1}{\overline{R_{\max }}\times \exp \left(\mathrm{\alpha \beta }\right)}---\left(6\right)$其中:当P_n<P_min时，$\beta ={\beta }_p=\frac{P_{\min }-P_n}{P_{\min }}$当P_n>P_max时，$\beta ={\beta }_p=\frac{P_n-P_{\max }}{P_{\max }}$对于Q_n同理可得：当Q_n<Q_min时，$\beta ={\beta }_Q=\frac{Q_{\min }-Q_n}{Q_{\min }}$当Q_n>Q_max时，$\beta ={\beta }_Q=\frac{Q_n-Q_{\max }}{Q_{\max }}$对于β_P、β_Q同时存在时，β＝max(β_P,β_Q)为机组在运行过程中的最大热耗，通过电厂生产和试验数据得到；α为常系数，目标是使得当计算出的P_n，Q_n超过设定阈值100％时，其适应度值大于满足条件下适应度值的100倍，即β＝1，exp(α)>100；在实验中α取5；这样在选择过程中，适应度小的个体将有很大的概率被淘汰掉，同时不满足第二个约束条件的个体也将有很大的概率被淘汰掉，从而实现个体的优化选择，理想状况下得到最大适应度即总热耗值最小的个体；c、完成上步骤后，再进行基于传统的遗传算法的选择、交叉、变异过程；当遗传代数达到终止条件N代时，遗传过程终止，输出满足所有机组的总热耗值最小时的各台机组的电负荷和抽汽量值最优解、各台机组的热耗值以及相应的所有机组的最小总热耗。