火力发电厂大型汽轮机功频电液控制系统参数的优化方法

摘要

本发明涉及火力发电厂大容量汽轮发电机组低频振荡的预防和控制技术，公开了一种用于协调优化汽轮机功频电液控制系统参数的方法。该方法考虑到汽轮发电机组功频电液控制系统对电力系统稳定性的影响，结合机组一次调频性能和系统动态稳定裕量需求，通过智能优化算法得出功频电液控制系统参数。该方法能够协调动态稳定与一次调频性能，从而有效防止汽轮发电机组功频电液控制引发的低频振荡，保障大型互联电网的安全稳定运行。

主权项

1.一种火力发电厂大型汽轮机功频电液控制系统参数的优化方法，其特征在于包括以下步骤：S1建立汽轮机功频电液控制系统模型负责机械功率输出的汽轮机模型：将汽轮机简化为一个只考虑高压汽室容积常数的环节，简化后传递函数为：$G\left(s\right)=\frac{F_{\mathrm{HP}}}{s{T}_{\mathrm{CH}}+1}---\left(1\right);$其中，T_CH为进汽室时间常数，F_HP为高压缸功率系数；对汽轮机进行转速和功率控制的数字电液控制系统模型：数字电液控制系统主要由放大器、PID控制器、电液转换器、油动机和传感器组成；因为电液转换器调节速度很快，与油动机时间常数相比可以忽略；线性位移传感器一般置为单位负反馈；忽略死区的影响；PID环节中的微分环节一般不予考虑，而只保留比例和积分环节，简化后的汽轮机数字电液控制系统传递函数为：$G\left(s\right)=\frac{1}{s{T}_1+1}(K_P+\frac{1}{T_{I}s})---\left(2\right)$式中，T₁为油动机时间常数，K_P、T_I分别为PID控制器的比例和积分时间常数；将机械功率转换为电磁功率的发电机模型：$\left\{\begin{array}{c}\mathrm{s\Delta \omega }=\frac{1}{2H}(\Delta T_m-K_s\mathrm{\Delta \delta }-K_D\mathrm{\Delta \omega })\\ \mathrm{s\Delta \delta }={\omega }_0\mathrm{\Delta \omega }\end{array}\right.$T_m为机械功率；K_s为同步转矩系数；ω₀为同步转速；对发电机进行调节的励磁系统模型归入系统阻尼特性K_D中予以考虑；S2分析功频电液系统一次调频性能采用系统响应曲线的上升时间评估一次调频性能，对于二阶系统，系统响应曲线的上升时间为：$t_r=\frac{\pi -\mathrm{arctg}(\sqrt{1-{\zeta }^2}/\zeta )}{{\omega }_n\sqrt{1-{\zeta }^2}}----\left(4\right);$式中，ζ为阻尼比，ω_n为自然振荡角频率当系统阶数高于二阶时，根据建立的汽轮机功频电液控制系统模型，在电力系统电磁暂态计算软件DC中搭建电力系统仿真平台，对系统进行仿真，获得系统响应曲线，观测系统响应曲线获得上升时间t_r；S3定义参数稳定裕量指标对于根据式（1）和（2）建立的汽轮机功频电液控制系统模型，根据形成系统的状态方程，得到系统状态矩阵；特征根实部的绝对值即为特征根距离s平面上的虚轴的距离，定义该距离为系统的稳定裕量；根据系统传递函数框图，可得系统状态方程：$\left[\begin{array}{c}\Delta \stackrel{·}{\omega }\\ \Delta \stackrel{·}{\delta }\\ \Delta {\stackrel{·}{P}}_m\\ \Delta \stackrel{·}{x}\\ \Delta {\stackrel{·}{\mu }}_T\end{array}\right]=\begin{array}{}\end{array}\begin{array}{}\end{array}\begin{array}{}\end{array}\left[\begin{array}{ccccc}-\frac{K_D}{2H}& -\frac{K_s}{2H}& \frac{1}{2H}& 0& 0\\ {\omega }_0& 0& 0& 0& 0\\ 0& 0& -\frac{1}{T_{\mathrm{CH}}}& 0& \frac{F_{\mathrm{HP}}}{T_{\mathrm{CH}}}\\ -\frac{K_D+K_{\delta }}{T_I}& -\frac{K_s}{T_I}& 0& 0& 0\\ -\frac{K_P(K_D+K_{\delta })}{T_1}& -\frac{K_P{K}_s}{T_1}& 0& \frac{1}{T_1}& -\frac{1}{T_1}\end{array}\right]\left[\begin{array}{c}\mathrm{\Delta \omega }\\ \mathrm{\Delta \delta }\\ \Delta P_m\\ \mathrm{\Delta x}\\ \Delta {\mu }_T\end{array}\right]=A\left[\begin{array}{c}\mathrm{\Delta \omega }\\ \mathrm{\Delta \delta }\\ \Delta P_m\\ \mathrm{\Delta x}\\ \Delta {\mu }_T\end{array}\right]---\left(3\right)$通过求解状态矩阵A的特征方程，可求得系统的特征根；要求系统稳定裕量不得小于额定值δ₀；S4协调优化功频电液控制系统参数值S4-1目标函数的选取设定以下的目标函数，通过求解其极大值，对系统进行优化：$F=w_1\frac{1}{t_r}+w_2\min (-\delta -{\delta }_0)---\left(5\right)$式中，δ为系统特征根中实部的最大值；δ₀为系统的稳定裕量；w₁和w₂为目标函数中相应的权重系数；一般的，首先要求系统必须保持稳定，因此可以给w₂赋较大的值，然后要求系统有较快的调节速度，根据二者关系，选择权重w₁的值；S4-2基于膜计算系统的粒子群优化算法粒子群算法（PSO）因收敛速度快和调节参数少得到了广泛的应用，但该算法存在早熟问题，易陷入局部最优，为克服这一缺点，引入膜计算系统（P系统），形成了P-PSO算法；该算法将粒子放入5个膜中，膜3，4，5为辅助膜，在全局搜索最优解所在的区域，为避免系统早熟，需保持辅助膜的多样性；膜2为主膜，负责在辅助膜搜索到的最优区域内精细寻优；膜1用于回收主膜丢弃的粒子；各膜根据功能不同，依据不同的方式进行迭代，并通过信息交互，寻找系统最优值；膜3内的粒子执行PSO，按下式进行速度和位置更新；算法每迭代一次进行排序，将适应度最好的前q个粒子输送到主膜内；$v_{\mathrm{ij}}^{d+1}={\mathrm{wv}}_{\mathrm{ij}}^d+c_1\mathrm{rand}(p_i^d-x_{\mathrm{ij}}^d)+c_2\mathrm{rand}(g_i^d-x_{\mathrm{ij}}^d)---\left(6\right)$$x_{\mathrm{ij}}^{d+1}=x_{\mathrm{ij}}^d+v_{\mathrm{ij}}^{d+1}---\left(7\right)$和分别为膜i中的第j个粒子d+1代的速度和位置值，w为惯性权重，取0.9～0.1间的常数；c₁和c₂分别是粒子跟踪自己历史最优值和群体最优值的权重系数，通常取2；rand是[0,1]内均匀分布的随机数；为了保证全局搜索能力，膜4内的粒子迭代过程中，引入种群多样性算法；$\mathrm{div}\mathrm{ersity}\left(s\right)=\frac{1}{\mathrm{MN}}\underset{j=1}{\overset{M}{\Sigma }}|x_{4j}-\overline{x_{4j}}|---\left(8\right)$$v_{\mathrm{ij}}^{d+1}={\mathrm{wv}}_{\mathrm{ij}}^d-c_1\mathrm{rand}(p_i^d-x_{\mathrm{ij}}^d)-c_2\mathrm{rand}(g_i^d-x_{\mathrm{ij}}^d)---\left(9\right)$式中，M为膜内粒子数，N为粒子维数；设定种群多样性的取值范围，种群每迭代一次，进行一次多样性的测量；当多样性满足要求时，粒子的速度和位置按照公式6和7更新；当种群多样性小于该值时，按公式9和7更新；膜内算法每迭代一次，对粒子进行排序，排列完毕后前q个优势粒子输送到主膜内；膜5内的粒子均按照公式6和7进行速度和位置的更新；每迭代一次，按照适应度对粒子进行排序，先将适应度最差的s个粒子重新进行初始化操作，然后对所有粒子重新排序，最后将前q个优势粒子输送给主膜；主膜中的粒子按照公式6和7进行速度和位置的更新；迭代一次之后，等待辅助膜传过来的粒子，一共3q个；此时，将主膜内的所有粒子进行排序；将适应度最差的3q个粒子抛弃，运输到膜1内，在保证种群中优势粒子的数量的情况下保持种群数量不变。