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(xiàn)面向電網(wǎng)調(diào)度、電力自動(dòng)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(duì)調(diào)差系數(shù)、調(diào)節(jié)死區(qū)等關(guān)鍵參數(shù)進(jìn)行優(yōu)化兼顧系統(tǒng)頻率穩(wěn)定性與發(fā)電機(jī)組運(yùn)行經(jīng)濟(jì)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(xiàn)。資源僅含1個(gè)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(xué)習(xí)下載。文中詳細(xì)推導(dǎo)了調(diào)差系數(shù)與機(jī)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(yàn)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(jì)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(shí)驗(yàn)思路。 最近因?yàn)檎ㄆ啓C(jī)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(gè)捋了一遍。這篇標(biāo)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(gè)挺典型的“算法工程場(chǎng)景”結(jié)合的題目但里面的門道遠(yuǎn)不止把粒子群套上去跑個(gè)最優(yōu)解那么簡單。借這個(gè)機(jī)會(huì)把整個(gè)思考過程、建模細(xì)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(gè)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(yùn)行質(zhì)量的核心指標(biāo)國內(nèi)的標(biāo)準(zhǔn)要求是維持在50Hz允許的偏差范圍很小。當(dāng)系統(tǒng)出現(xiàn)負(fù)荷波動(dòng)比如某臺(tái)大機(jī)組跳閘或者用電高峰突增頻率就會(huì)偏離額定值。這時(shí)候并網(wǎng)運(yùn)行的各臺(tái)發(fā)電機(jī)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(jī)組固有的、自動(dòng)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(dòng)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(jī)組的指令負(fù)責(zé)把頻率和聯(lián)絡(luò)線功率恢復(fù)到計(jì)劃值響應(yīng)時(shí)間在分鐘級(jí)。一次調(diào)頻是保底機(jī)制、是第一道防線AGC是在一次調(diào)頻基礎(chǔ)上的精細(xì)調(diào)節(jié)。如果一次調(diào)頻參數(shù)設(shè)置不合理機(jī)組不僅沒法在系統(tǒng)頻率波動(dòng)時(shí)提供有效支撐還可能因?yàn)檎{(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(diǎn)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(shí)間等。傳統(tǒng)整定方法主要靠兩類第一類是人工經(jīng)驗(yàn)法。老師傅根據(jù)機(jī)組特性和運(yùn)行經(jīng)驗(yàn)手動(dòng)調(diào)整PID參數(shù)然后通過擾動(dòng)試驗(yàn)觀察響應(yīng)曲線反復(fù)試湊。這種方式在機(jī)組運(yùn)行工況單一、調(diào)節(jié)品質(zhì)要求不高的時(shí)候還能對(duì)付但缺點(diǎn)非常明顯一來嚴(yán)重依賴個(gè)人經(jīng)驗(yàn)不同人整定的結(jié)果可能差異很大二來面對(duì)多參數(shù)耦合的復(fù)雜調(diào)節(jié)對(duì)象人工試湊很難找到全局最優(yōu)組合往往是“能穩(wěn)定運(yùn)行”就認(rèn)定合格了至于動(dòng)態(tài)品質(zhì)好不好、超調(diào)量大不大基本看運(yùn)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(duì)象上表現(xiàn)不錯(cuò)但火電機(jī)組的調(diào)速系統(tǒng)是有明顯非線性和時(shí)變特性的包含執(zhí)行機(jī)構(gòu)限幅、死區(qū)、速率限制等非線性環(huán)節(jié)運(yùn)行工況跨越不同負(fù)荷段時(shí)機(jī)組動(dòng)態(tài)特性也會(huì)變化。用固定工況下辨識(shí)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(dá)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(dòng)力把參數(shù)整定問題轉(zhuǎn)化為一個(gè)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(dòng)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(jī)制粒子群算法的思想來源于對(duì)鳥群覓食行為的模擬。設(shè)想一個(gè)場(chǎng)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(dāng)前距離食物有多遠(yuǎn)并且能互相共享信息。每只鳥的飛行方向受兩個(gè)因素影響一個(gè)是自己歷史上距離食物最近的位置個(gè)體最優(yōu)另一個(gè)是整個(gè)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(gè)鳥群最終會(huì)聚集到食物周圍。把這個(gè)思路映射到參數(shù)優(yōu)化上每個(gè)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(biāo)就是一組參數(shù)值適應(yīng)度函數(shù)就是評(píng)價(jià)這組參數(shù)好壞的標(biāo)準(zhǔn)對(duì)應(yīng)“距離食物有多遠(yuǎn)”。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(rèn)知學(xué)習(xí)因子c2是社會(huì)群體學(xué)習(xí)因子。r1和r2是[0,1]之間的隨機(jī)數(shù)。直觀理解就是速度更新公式里第一項(xiàng)讓粒子保持慣性往前走避免立刻停下來第二項(xiàng)把粒子拉向自己發(fā)現(xiàn)過的比較好的位置第三項(xiàng)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(dāng)前最優(yōu)之間取得平衡。2.2 PSO用于參數(shù)優(yōu)化的三個(gè)關(guān)鍵特性粒子群算法在參數(shù)優(yōu)化場(chǎng)景中優(yōu)勢(shì)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(duì)目標(biāo)函數(shù)形式?jīng)]有要求。傳統(tǒng)梯度下降法需要目標(biāo)函數(shù)可導(dǎo)但工程優(yōu)化里的目標(biāo)函數(shù)往往是“黑箱”來自仿真模型的計(jì)算結(jié)果根本沒法求解析梯度。PSO只需要能算目標(biāo)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(qiáng)。粒子群在整個(gè)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(duì)初始值極其敏感遇到多峰函數(shù)很容易掉進(jìn)局部極值就出不來。三是實(shí)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(gè)慣性權(quán)重、學(xué)習(xí)因子和種群規(guī)模而且經(jīng)典取值已經(jīng)非常成熟。對(duì)比神經(jīng)網(wǎng)絡(luò)那套需要調(diào)的層數(shù)、學(xué)習(xí)率、正則化系數(shù)等等PSO的調(diào)參負(fù)擔(dān)小得多。另外PSO對(duì)種群規(guī)模不敏感30個(gè)粒子和50個(gè)粒子的結(jié)果差距通常不大但計(jì)算量會(huì)差不少。跑仿真模型不是跑單次函數(shù)計(jì)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(duì)實(shí)際項(xiàng)目很重要。3. 優(yōu)化問題建模從工程需求到數(shù)學(xué)表達(dá)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(shí)間Ki以及調(diào)速器死區(qū)X_dzon。轉(zhuǎn)速不等率是反映機(jī)組一次調(diào)頻能力的關(guān)鍵靜態(tài)參數(shù)在優(yōu)化中當(dāng)作決策變量。決策變量范圍根據(jù)機(jī)組設(shè)計(jì)值和電網(wǎng)調(diào)度規(guī)程給定同時(shí)要考慮執(zhí)行機(jī)構(gòu)的物理約束。比例增益范圍取1~20積分時(shí)間取0.1~5s。如果Kp太大會(huì)導(dǎo)致調(diào)節(jié)閥動(dòng)作過猛機(jī)械沖擊大太小則響應(yīng)太慢一次調(diào)頻考核時(shí)可能不達(dá)標(biāo)。3.2 目標(biāo)函數(shù)的設(shè)計(jì)思路參數(shù)整定優(yōu)化的目標(biāo)通俗說就是讓調(diào)頻響應(yīng)“快、穩(wěn)、準(zhǔn)”?？熘疙憫?yīng)速度頻率偏差出現(xiàn)后機(jī)組能快速調(diào)整出力穩(wěn)指波動(dòng)小超調(diào)量和振蕩次數(shù)要控制在可接受范圍準(zhǔn)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(biāo)來量化這些要求最常用的是ITAE指標(biāo)時(shí)間乘以絕對(duì)誤差的積分。之所以選擇ITAE是因?yàn)樗菼AE和ISE對(duì)“長時(shí)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(chǎng)景。目標(biāo)函數(shù)可以設(shè)計(jì)為J w1 * ITAE w2 * 超調(diào)量 w3 * 調(diào)節(jié)時(shí)間通過線性加權(quán)把三個(gè)性能量合成一個(gè)標(biāo)量便于粒子群直接比較優(yōu)劣。權(quán)重系數(shù)在仿真實(shí)驗(yàn)中通常取w10.6、w20.3、w30.1。因?yàn)镮TAE是積分量數(shù)值上通常比超調(diào)量和調(diào)節(jié)時(shí)間大不少如果不做歸一化處理后兩項(xiàng)基本對(duì)目標(biāo)函數(shù)沒貢獻(xiàn)。我在處理時(shí)會(huì)先跑一組初始參數(shù)得到各項(xiàng)量的量級(jí)然后按量級(jí)比例設(shè)定權(quán)重這是實(shí)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(gè)層面。一個(gè)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(gè)是調(diào)節(jié)性能約束。一次調(diào)頻動(dòng)作有嚴(yán)格的技術(shù)標(biāo)準(zhǔn)比如在頻率偏差超過死區(qū)后機(jī)組需要在規(guī)定時(shí)間內(nèi)達(dá)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(xiàn)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(shí)用的做法是在仿真試驗(yàn)的統(tǒng)計(jì)指標(biāo)里去卡每次粒子群迭代評(píng)估目標(biāo)函數(shù)時(shí)同時(shí)計(jì)算出力響應(yīng)速度、調(diào)節(jié)時(shí)間等指標(biāo)如果指標(biāo)不滿足要求直接在目標(biāo)函數(shù)上疊加一個(gè)大懲罰值比如10的6次方讓該粒子直接失去競(jìng)爭(zhēng)力。這個(gè)“硬懲罰大數(shù)值”的組合親測(cè)有效比彈性懲罰系數(shù)好調(diào)得多。4. 仿真實(shí)驗(yàn)與結(jié)果分析4.1 仿真環(huán)境與測(cè)試工況設(shè)計(jì)實(shí)驗(yàn)在MATLAB/Simulink里搭建機(jī)組一次調(diào)頻仿真模型。被控對(duì)象是簡化的汽輪機(jī)-調(diào)速器模型包含電液轉(zhuǎn)換器、油動(dòng)機(jī)、汽輪機(jī)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(xì)關(guān)鍵是抓住影響一次調(diào)頻動(dòng)態(tài)響應(yīng)的主導(dǎo)特征執(zhí)行機(jī)構(gòu)的時(shí)間常數(shù)、汽輪機(jī)中間再熱容積時(shí)間常數(shù)、轉(zhuǎn)子慣性時(shí)間常數(shù)。這些參數(shù)來自典型300MW機(jī)組的基礎(chǔ)數(shù)據(jù)。測(cè)試工況設(shè)計(jì)了三組工況A頻率階躍擾動(dòng)0.1Hz模擬系統(tǒng)突然甩負(fù)荷導(dǎo)致頻率升高的場(chǎng)景工況B頻率階躍擾動(dòng)-0.1Hz模擬系統(tǒng)突發(fā)大負(fù)荷導(dǎo)致頻率下跌的場(chǎng)景工況C連續(xù)隨機(jī)負(fù)荷擾動(dòng)模擬真實(shí)運(yùn)行中頻率持續(xù)波動(dòng)的情況每一組工況下用ITAE指標(biāo)評(píng)估調(diào)節(jié)品質(zhì)最終目標(biāo)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(diǎn)設(shè)置實(shí)際中我偏向給負(fù)向擾動(dòng)更大的權(quán)重因?yàn)轭l率下跌對(duì)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(xué)習(xí)因子c1c22.0。為了避免算法在迭代后期因?yàn)檫@個(gè)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(shí)跑時(shí)能很清楚看到粒子的收斂過程。初始群體分布很散目標(biāo)函數(shù)值普遍在幾千量級(jí)甚至更高因?yàn)楹芏嗔Ｗ映鰜淼捻憫?yīng)曲線嚴(yán)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(dòng)。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(duì)比有了最優(yōu)參數(shù)組合下一步就是對(duì)比驗(yàn)證。選了三組參與對(duì)比優(yōu)化前機(jī)組原定參數(shù)、Ziegler-Nichols法整定參數(shù)、PSO優(yōu)化參數(shù)。對(duì)比結(jié)果整理成表評(píng)價(jià)指標(biāo)原機(jī)組參數(shù)Ziegler-NicholsPSO優(yōu)化參數(shù)ITAE指標(biāo)523.7385.2246.1超調(diào)量(%)21.514.37.8調(diào)節(jié)時(shí)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(biāo)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(gè)仿真模型跑出來的不是拍腦袋的結(jié)論反映的是PSO相對(duì)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(diǎn)配置法里用目標(biāo)函數(shù)增加對(duì)調(diào)節(jié)過程震蕩次數(shù)的懲罰項(xiàng)超調(diào)量還能進(jìn)一步壓到5%以內(nèi)但代價(jià)是穩(wěn)態(tài)精度下降。這說明凡是優(yōu)化都有trade-off實(shí)際使用時(shí)要根據(jù)機(jī)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(biāo)函數(shù)的權(quán)重分配。5. 常見問題、改進(jìn)方向與工程落地建議5.1 仿真到工程現(xiàn)場(chǎng)的“最后一公里”仿真結(jié)果很漂亮但拿到現(xiàn)場(chǎng)落地時(shí)還有相當(dāng)距離。這里列出幾個(gè)實(shí)際工程中會(huì)遇到的典型問題死區(qū)參數(shù)在現(xiàn)場(chǎng)往往不是一個(gè)自由優(yōu)化變量。電網(wǎng)調(diào)度對(duì)各類型機(jī)組的調(diào)頻死區(qū)有明確技術(shù)規(guī)范比如火電機(jī)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(gè)更小的死區(qū)讓調(diào)節(jié)性能更好但在實(shí)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(xiàng)目時(shí)需要提早和運(yùn)行人員確認(rèn)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(huì)讓機(jī)組調(diào)頻過于靈敏調(diào)度出力變化頻繁對(duì)汽機(jī)調(diào)門壽命影響很大太大會(huì)導(dǎo)致調(diào)頻貢獻(xiàn)不足電網(wǎng)考核不達(dá)標(biāo)。通常在優(yōu)化里會(huì)把不等率的優(yōu)化范圍限制在3%~6%保證最終結(jié)果不會(huì)超出電網(wǎng)的容忍區(qū)間。模型與現(xiàn)場(chǎng)機(jī)組的誤差問題。仿真模型基于設(shè)計(jì)參數(shù)搭建但現(xiàn)場(chǎng)機(jī)組的實(shí)際特性會(huì)隨運(yùn)行時(shí)間漂移。汽輪機(jī)調(diào)門流量特性會(huì)變化油動(dòng)機(jī)行程時(shí)間常數(shù)會(huì)變化轉(zhuǎn)動(dòng)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(chǎng)投用前必須做擾動(dòng)試驗(yàn)驗(yàn)證確認(rèn)實(shí)際動(dòng)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(jìn)方向標(biāo)準(zhǔn)PSO做這類問題足夠用了但后續(xù)向工程深度推進(jìn)時(shí)有幾個(gè)改進(jìn)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(dòng)態(tài)調(diào)整w值的縮放方向適應(yīng)度分散時(shí)加大探索力度集中時(shí)加速收斂。實(shí)測(cè)下來在個(gè)別多峰目標(biāo)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(biāo)函數(shù)相對(duì)平滑的場(chǎng)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(xì)局部搜索往往能達(dá)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(duì)初始點(diǎn)敏感對(duì)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(biāo)優(yōu)化版本。如果電力公司考核超調(diào)量和調(diào)節(jié)時(shí)間兩個(gè)指標(biāo)而且二者權(quán)重難以確定可以用多目標(biāo)粒子群優(yōu)化維護(hù)一個(gè)Pareto解集讓決策者從中挑選最終參數(shù)組合。比如多目標(biāo)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(jìn)一步深入研究?？紤]到實(shí)際的一次調(diào)頻考核細(xì)則中響應(yīng)速度、調(diào)節(jié)時(shí)間、穩(wěn)定時(shí)間這些指標(biāo)被分開考核如果未來指標(biāo)權(quán)重隨電價(jià)或考核規(guī)則動(dòng)態(tài)變化保留Pareto解集的優(yōu)勢(shì)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(shí)操中容易踩的坑整理成清單目標(biāo)函數(shù)的量綱歸一化ITAE是累計(jì)量超調(diào)量是百分比調(diào)節(jié)時(shí)間是秒三個(gè)數(shù)字直接加權(quán)會(huì)完全被量級(jí)大的項(xiàng)主導(dǎo)。解決辦法是先用常規(guī)整定方法得到一組基準(zhǔn)參數(shù)跑出各項(xiàng)的基準(zhǔn)值再用各項(xiàng)的實(shí)際值除以基準(zhǔn)值做歸一化然后加權(quán)。仿真步長和仿真時(shí)長的設(shè)置仿真時(shí)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(huì)漏掉系統(tǒng)快速動(dòng)態(tài)響應(yīng)的細(xì)節(jié)太小則計(jì)算耗時(shí)急劇增加。Simulink里固定步長0.01s是個(gè)穩(wěn)妥的選擇。PSO的隨機(jī)性由于速度和位置更新包含隨機(jī)數(shù)每次跑出來的結(jié)果會(huì)有細(xì)微差異。做對(duì)比實(shí)驗(yàn)時(shí)不要只跑一次至少要獨(dú)立運(yùn)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(yùn)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(gè)粒子對(duì)應(yīng)一次完整仿真種群規(guī)模過大非常耗時(shí)。曾經(jīng)為了驗(yàn)證解的穩(wěn)定性把種群規(guī)模調(diào)到了80個(gè)單輪迭代仿真時(shí)間直接翻了幾倍實(shí)際收益很小。對(duì)于參數(shù)維度不超過10個(gè)的問題30個(gè)粒子和50個(gè)粒子的表現(xiàn)差距并不大節(jié)約計(jì)算時(shí)間的收益反而更明顯。迭代終止條件的處理?xiàng)l件設(shè)為誤差精度M最大迭代次數(shù)。當(dāng)全局最優(yōu)位置連續(xù)30次迭代的相對(duì)變化小于0.1%時(shí)提前終止不要一味跑到最大迭代次數(shù)能省下大量時(shí)間。6. 這套方案的擴(kuò)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(fēng)電、光伏等新能源機(jī)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(duì)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。火電機(jī)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(jī)組在30%額定負(fù)荷下深度調(diào)峰時(shí)由于鍋爐蓄熱能力不足一次調(diào)頻動(dòng)作往往達(dá)不到考核要求。這種場(chǎng)景不做參數(shù)整定能做的空間很有限但延長汽輪機(jī)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(shí)能在一定限度內(nèi)改善機(jī)組低負(fù)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(shí)機(jī)組實(shí)時(shí)模型定期用PSO重新整定參數(shù)實(shí)現(xiàn)參數(shù)隨工況自動(dòng)適配。這個(gè)方向計(jì)算量大對(duì)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(gè)項(xiàng)目的過程中最深的體會(huì)是算法本身并不神秘難點(diǎn)在于把實(shí)際問題轉(zhuǎn)成數(shù)學(xué)問題時(shí)的取舍。目標(biāo)函數(shù)各項(xiàng)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(gè)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(shí)際機(jī)組上是否可用還必須結(jié)合系統(tǒng)要求、設(shè)備壽命、運(yùn)行經(jīng)驗(yàn)做綜合判斷。做這種“算法工程”的項(xiàng)目最忌諱的就是只顧著調(diào)算法、炫模型忽略了現(xiàn)場(chǎng)的邊界條件。本文還有配套的精品資源點(diǎn)擊獲取