基于遗传算法的多变量负荷分配研究

摘要

随着电力体制改革的不断深入，电力企业之间的竞争愈加激烈。化石燃料迅速减少，使得燃煤发电成本不断上升。因此，节能降耗是发电企业提高市场竞争力，提高经济效益的唯一出路。近年来，电网对发电厂的负荷指令由原来的机组负荷指令变为全厂负荷指令。所以，必须依照各台机组的实际运行特性为其分配合理的负荷，使得全厂的能耗降到最低，实现效益最大化。因此，研究各台机组之间的负荷分配是不增加设备等任何投资情况下的一种节能降耗手段。该方法不仅能够降低燃料成本，还能减少污染物的排放，具有一定的使用价值。以数据保存格式的一致性、属性值的变化范围、灰色预测法填补属性空值三种方法对数据进行了有效性检测。同时，对数据进行了冗余性处理、稳态筛选以及时效性分析。利用灰色关联分析法选取了与热耗率关联度大于90%的变量作为模型的边界参数。利用改进的K-means算法对热耗空间进行了划分。为建立描述机组变工况运行特性的数学模型提供数据基础。由BP神经网络算法建立了热耗特性数学模型。该模型具有较高的精确度，能够准确地描述机组变工况运行特性。
　　本研究以遗传算法为优化工具，根据BP神经网络算法建立的数学模型，研究了多变量负荷分配优化。结果表明：各台机组负荷随着总负荷的增加而增加，600MW机组的增负荷速率大于300MW机组的增负荷速率。热耗率随着总负荷的增加而下降。将本文的研究结果与应用等微增率法的负荷分配结果进行了对比。对比结果表明，在所有负荷范围内基于遗传算法的多变量负荷分配使得热耗率更低，两种算法热耗率的最大差值为41.72kJ/(kW·h-1)。

目录

声明

第1章 绪论

1.1 课题背景及意义

1.2 国内外研究现状及发展动态

1.3 课题研究内容

第2章 数据预处理

2.1 运行数据特性

2.2 数据预处理方法

2.3 本章小结

第3章 运行工况聚类

3.1 确定聚类的边界参数

3.2 K-means空间聚类算法原理

3.3 划分热耗空间

3.4 本章小结

第4章 建立热耗特性数学模型

4.1 神经网络算法原理

4.2 BP 神经网络算法原理

4.3 建立数学模型

4.4 本章小结

第5章 基于遗传算法的多变量负荷分配

5.1 遗传算法原理

5.2 机组负荷分配

5.4 本章小结

第6章 结论与展望

6.1 结论

6.2 展望

参考文献

致谢