基于灵活性改造的火电机组参与快速调频的协调控制方案

图1 600 MW超临界直流炉机组

Fig.1 600 MW supercritical once-through boiler unit

表1 600WM超临界机组主要参数

Tab.1 Main parameters of 600WM supercritical unit

参数名称	取值
p_T/MPa	25
额定主蒸汽温度/℃	600
额定再热蒸汽温度/℃	600
再热蒸汽压力/MPa	4.27
额定功率/MW	600
额定转速/(r·min^-1)	3000
额定主蒸汽流量/(kg·s^-1)	763
改造前机组爬坡速率/(MW·min^-1)	6~9

为了实现对火电机组快速调频的快速、有效控制,火电机组在CCS、DEH协同控制的基础上,增加了凝结水节流和高加给水旁路节流的控制实现机组的灵活性改造.将凝结水节流技术的快速响应优势与高加给水旁路节流技术有效增加机组出力的优点相结合,可减少汽轮机侧的用汽,弥补释放锅炉侧节流压降不足问题,从而快速增大机组发电出力,提升机组运行灵活性.由于汽轮机抽汽量的大小取决于汽轮机抽汽点的压力与回热加热器内汽侧压力的压差,所以可通过凝结水和高加给水旁路节流实现火电机组一次调频^[23],使灵活性改造后的机组爬坡率提高到额定容量的3%,机组的最低技术出力达到额定容量的35%.

2 基于模糊增益调度的火电机组快速调频优化策略

经过灵活性改造后的火电机组快速调频控制系统仍存在以下几点问题:① 系统的被控对象具有非线性,相关参数的设定直接影响系统的控制性能,并会随着运行工况的变化而变化;② 单一典型工况下的线性模型不能良好地呈现控制系统在变负荷过程中的动态特性;③ 各工况下数学模型设计的控制器也仅适用于相应工况点以及附近小范围内工况.

当机组大范围变工况运行时,被控对象呈现的非线性必然导致动态品质恶化.需要利用智能优化算法得到当前工况下火电机组灵活性改造的控制器和限幅的最优参数,以机组运行工况作为调度变量,利用模糊增益调度控制方法为不同工况下火电机组灵活性改造环节的控制器分配相应权重,并与控制器的输出进行线性组合,提出基于增益调度的火电机组快速调频优化策略,以保证系统在变工况下依然能有良好控制效果.

2.1 基于GSA的控制器参数优化

所提火电机组快速调频控制系统包括基于GSA参数优化的凝结水节流和高加给水旁路节流最优控制器、CCS和DEH的协同控制、锅炉-涡轮系统和一次调频过程,其中凝结水节流和高加给水旁路节流控制环节是火电机组灵活性改造的部分.凝结水节流和高加给水旁路节流环节控制器的传递函数分别可表示为G_ct(s)=K_p1+T_i/s,G_hphfb(s)=K_p2+T_ds,其中:s为拉普拉斯变换域中的频率;K_p1、T_i分别为CT控制环节中PI控制器的比例、积分时间常数;K_p2、T_d分别为HPHFB控制环节中PD控制器的比例、微分时间常数.系统采用基于智能算法的CT/HPHFB最优控制器和CCS、DEH的协调控制实现快速调频.采用GSA分别计算火电机组各工况点下运行时的性能指标J,将J作为优化算法中的适应度,考虑机组运行约束,整定出K_p1、T_i和限幅C_{max, Vct}以及K_p2、T_d和限幅C_{max, Vhph},从而获取对应各个工况点的最优控制器.基于GSA设计控制器和限幅的方案如图2所示.图中:u_CT、 u_HPHFB、u_DEH、u_CCS分别为凝结水节流控制环节输出的一次调频控制信号、高加给水旁路节流控制环节输出的一次调频控制信号、传统DEH输出的一次调频控制信号和传统CCS输出的一次调频控制信号;C_Vct为凝结水节流阀阀门开度;B₀为锅炉主控的输出信号;T₀为汽轮机主控的输出信号;p_T0为主蒸汽压力参考值;p₁为汽轮机调节级压力;P_e0、P_e,deh分别为发电机功率的参考值和测量值;ω、ω₀、Δω分别为发电机转速、参考值和转速偏差;R为火电机组的调差系数;ΔP_e为一次调频环节输出的功率变化量;ITAE为时间乘以绝对误差的积分,是性能指标.

图2

图2 基于GSA的控制器和限幅优化方案图

Fig.2 Schematic diagram of optimizing controller based on GSA

2.1.1 目标函数与约束条件

为了提高一次调频的快速性和准确性,以ITAE作为目标函数,并在满足一定约束条件的情况下,找到实现目标函数的最优解,其表达式如下:

(1)min J=${\int }_{0}^{t} $t$\left|\Delta f\right|$dt

式中:Δf为系统频率偏差;t为时间.为保证机组正常运行,制定了以下约束条件^[24]:

(1) 火电机组出力约束.由于操作灵活性降低了机组最小技术输出,扩大了有效输出范围,所以约束保证了机组的输出(P)在最小技术输出和额定输出的范围内:

(2)$(1-x) P_{\min }+x \widehat{P}_{\min } \leqslant P \leqslant P_{\max }$

式中:x表示机组是否进行了灵活性改造,x=1代表进行了灵活性改造,x=0表示尚未实施灵活性改造;P_max、P_min分别为机组改造前的额定出力和最小技术出力;$\widehat{P}_{\min }$为机组改造后的最小技术出力.

(2) 火电机组爬坡速率.该约束保证机组前后时刻的功率不超过机组的最大爬坡速率:

(3)$P(t)-P(t-1) \leqslant P_{\mathrm{c}}+x\left(\hat{P}_{\mathrm{c}}-P_{\mathrm{c}}\right)$

式中:P_c和$\hat{P}_{c}$分别为火电机组改造前后的最大爬坡功率.

(3) 灵活性改造的幅度限制.为了保证机组运行的安全性和稳定性,分别对凝结水节流和高加给水旁路节流的流量阀门开度进行限制:

(4)

$\left.\begin{array}{l}0\le {C}_{Vct}\le {C}_{max,Vct}\\ 0\le {C}_{Vhph}\le {C}_{max,Vhph}\end{array}\right\}$

2.1.2 万有引力搜索算法

GSA将优化问题的解视为一组在空间运行的粒子,它们之间通过万有引力相互作用,重力导致所有粒子向质量更大的物体,即性能更高的物体整体移动.对于一个最小化问题,这些粒子的质量被粒子的性能所替代,即在位置(x₁,x₂)处目标函数值f_obj越小,粒子的质量就越大,如图3所示.为了简化计算,假设主动、被动引力质量与惯性质量相等,则每个粒子的标准化质量M_i由下式计算得到:

图3

图3 最小化问题中对象的质量计算

Fig.3 Mass calculation of objects in a minimization problem

(5)M_a_i=M_p_i=M_i_i=M_i, i=1,2,…,N_pop

(6)m_i(t)=$\frac{{f}_{fit,i}\left(t\right)-{f}_{worst}\left(t\right)}{{f}_{best}\left(t\right)-{f}_{worst}\left(t\right)}$

(7)M_i(t)=$\frac{{m}_{i}\left(t\right)}{\sum _{j}^{{N}_{pop}}{m}_{j}\left(t\right)}$, 0≤M_i(t)<1

式中:M_a_i、M_p_i、M_i_i分别为第i个粒子的主动引力质量、被动引力质量和惯性质量;N_pop为粒子总数,即种群规模;m_i(t)、m_j(t)分别为第i、j个粒子在t时刻的惯性质量;f_fit,_i(t)为第i个粒子的适应度函数值,本文采用目标函数作为适应度函数;t时刻,N_pop个粒子中适应度值最优和最差值分别由f_best(t)和f_worst(t)表示.对于一个最小化问题,f_best(t)和f_worst(t)定义为

(8)

$\left.\begin{array}{l}{f}_{best}\left(t\right)=\underset{i=\mathrm{1,2},\dots,{N}_{pop}}{min}{f}_{fit,i}\left(t\right)\\ {f}_{worst}\left(t\right)=\underset{i=\mathrm{1,2},\dots,{N}_{pop}}{max}{f}_{fit,i}\left(t\right)\end{array}\right\}$

假设在一个N维的搜索空间中,第i个粒子的位置为

(9)X_i=[x_i_,1x_i_,2 … x_i_,_N]

则在t时刻,第j个粒子作用在第i个粒子上的引力大小可以定义为

(10)$\begin{array}{c} F_{i j, n}(t)=G(t) \frac{M_{\mathrm{p} i}(t)+M_{\mathrm{a} j}(t)}{R_{i j}(t)+\varepsilon}\left(x_{j, n}(t)-x_{i, n}(t)\right), \\ n=1,2, \cdots, N \end{array}$

式中:R_ij(t)为这两个粒子之间的欧氏距离,

(11)R_ij(t)=‖X_j(t)-X_i(t)‖

为了避免R_ij(t)=0导致分母为0的情况,在R_ij(t)中添加一个很小的常数项ε;G(t)为万有引力常数,是关于时间的常数项,随着时间的增加G(t)的值逐渐收敛到万有引力常数初始值G₀.定义G(t)如下:

(12)G(t)=G₀

${e}^{-\frac{\alpha t}{{t}_{max}}}$

式中:α为用来控制算法搜索速度和精度的常数,α>0;G₀根据搜索空间的范围来确定;t_max为最大迭代时间.

GSA算法引入随机特性,使得算法搜索更加合理,此时F_i_,_n(t)的计算公式更新如下:

(13)F_i_,_n(t)=$\sum _{j=1,j\ne i}^{m}$r_jF_ij_,_n(t)

式中:r_j为[0,1]之间的随机数.

根据牛顿第二定理,第i个粒子在第n维上的加速度如下:

(14)a_i_,_n(t)=$\frac{{F}_{i,n}\left(t\right)}{{M}_{ii}\left(t\right)}$

再根据经典力学,分别更新粒子的位置和速度:

(15)x_i_,_n(t+1)=x_i_,_n(t)+v_i_,_n(t+1)

(16)v_i_,_n(t+1)=r_iv_i_,_n(t)+a_i_,_n(t)

GSA在迭代更新过程中缺乏历史经验信息,因此,可以利用粒子群算法中粒子自身的历史经验和群体历史经验来更新其位置和速度,从而提高参数寻优的精度.速度和位置更新公式可分别改为

(17)$\begin{aligned} v_{i, n}(t+1)= & u r_{i} v_{i, n}(t)+c_{1} r_{1}\left(x_{\text {best }, i, n}-x_{i, n}(t)\right)+ \\ & c_{2} r_{2}\left(x_{\text {best }, g, n}-x_{i, n}(t)\right)+a_{i, n}(t) \end{aligned}$

(18)x_i_,_n(t+1)=x_i_,_n(t)+v_i_,_n(t+1)

式中:x_best,_i为个体极值;x_best,_g为群体极值;w为非负惯性权重;c₁、c₂分别为个体、社会学习因子.

GSA的运算流程如图4所示.按照优化算法流程,首先对算法中的参数进行初始化.GSA的初始参数设定值如表2所示.通过仿真得到30%、50%、75%和90%工况下的控制器参数和限幅环节的设定值如表3所示.

图4

图4 GSA流程

Fig.4 Flow chart of GSA

表2 GSA初始参数设定

Tab.2 Initial parameter setting of GSA

参数	取值
N_pop	20
迭代次数K	15
c₁	2
c₂	2
α	3
G₀	2
优化参数个数N_opt	6
粒子寻优上限p_pop,max	[20 5 0.3 10 20 0.12]
粒子寻优下限p_pop,min	[0 0 0 0 0 0]
寻优速度上限v_max	[1 0.1 0.01 0.1 1 0.01]
寻优速度下限v_min	[-1-0.1-0.01-0.1-1-0.01]
采样时间T_s	0.1

表3 不同工况下GSA优化后的参数设定值

Tab.3 GSA optimized parameter setting values under different working conditions

工况	CT				HPHFB
工况	K_p1	T_i	传递函数	限幅	K_p2	T_d	传递函数	限幅
30%	17.9070	1.0048	$\frac{17.907 0(s+0.9952)}{s}$	[0 0.2474]	8.2265	22.2861	8.2265+183.3366s	[0 0.1186]
50%	17.9011	23.3645	$\frac{17.9011(s+0.0428)}{s}$	[0 0.2164]	9.0870	19.5889	9.0870+178.0043s	[0 0.1082]
75%	17.5499	49.7512	$\frac{17.5499(s+0.0201)}{s}$	[0 0.2191]	9.0453	19.7207	9.0453+178.3796s	[0 0.1184]
90%	17.3488	11.5207	$\frac{17.3488(s+0.0868)}{s}$	[0 0.2128]	9.9425	19.9296	9.9425+198.1500s	[0 0.1196]

2.2 模糊增益调度控制

将火电机组不同工况下的CT/HPHFB灵活性改造环节分别作为一个子控制器,增益调度控制可以通过子控制器的参数化和结构化,建立反映控制器参数和结构要求的全局控制器网络.采用该方法得到的全局控制器具有离线计算量相对减少和集中的特点,同时又保证非典型工况点处的闭环控制性能以及在各典型工况点来回切换时控制系统的平滑过渡.

基于模糊增益调度的CT/HPHFB快速调频结构如图5所示.控制方式主要由模糊增益调度控制器、CT/HPHFB全局控制器、锅炉-涡轮系统和一次调频过程4部分组成.模糊增益调度作为上级控制器,以不同运行工况$\overline{N}$作为调度变量,分配下级子控制器的输出权重a_l,基于智能优化算法的多工况子控制器输出调节量${u}_{l}^{*}$=[${u}_{CT,l}^{*}$${u}_{HPHFB,l}^{*}$]^T与对应工况的权重加权求和,集成为一个适用于可变工况的全局控制器,生成适用于当前工况的调节量u_l=[u_CT,_l u_HPHFB,_l]^T,即凝结水/高加给水旁路节流环节的全局控制器输出.不同运行工况下的PID₁、PID₂、PID₃、PID₄控制器和相应的限幅环节分别对应2.1节中通过GSA算法得到的30%、50%、75%、90%工况下的凝结水/高加给水旁路节流环节的控制器参数和限幅.

图5

图5 基于模糊增益调度的CT/HPHFB的一次调频控制结构

Fig.5 Structure of PFR control of CT/HPHFB based on fuzzy gain scheduling

为实现协调控制系统的增益调度控制,保证增益调度在各工况点间切换时系统平滑过渡,将模糊增益控制器的调度变量$\overline{N}$的论域设定为d∈[0, 0.9],并定义4个模糊子集{B,L,M,H},各个模糊子集的隶属度函数分别采用如下所示的数学表达式表示:

(19)$B=\left\{\begin{array}{ll} \frac{d}{0.295} & 0 \leqslant d＜0.295 \\ 1 & 0.295 \leqslant d＜0.305 \\ \frac{0.495-d}{0.19} & 0.305 \leqslant d＜0.495 \\ 0 & d \geqslant 0.495 \end{array}\right.$

(20)

$L=\left\{\begin{array}{ll} 0 & 0 \leqslant d＜0.305 \\ \frac{d-0.305}{0.19} & 0.305 \leqslant d＜0.495 \\ 1 & 0.495 \leqslant d＜0.505 \\ \frac{0.745-d}{0.24} & 0.505 \leqslant d＜0.745 \\ 0 & d \geqslant 0.745 \end{array}\right.$

(21)

$M=\left\{\begin{array}{ll} 0 & d＜0.505 \\ \frac{d-0.505}{0.24} & 0.505 \leqslant d＜0.745 \\ 1 & 0.745 \leqslant d＜0.755 \\ \frac{0.895-d}{0.14} & 0.755 \leqslant d＜0.895 \\ 0 & d \geqslant 0.895 \end{array}\right.$

(22)

$H=\left\{\begin{array}{ll} 0 & d＜0.755 \\ \frac{d-0.755}{0.14} & 0.755 \leqslant d＜0.895 \\ 1 & 0.895 \leqslant d \leqslant 0.9 \end{array}\right.$

在t时刻,工况为$\overline{N}$时,CT/HPHFB环节的全局控制器输出表示为

(23)u_l=$\sum _{l=1}^{4}$k_l($\overline{N}$(t))${u}_{l}^{*}$, 0≤k_l≤1,$\sum _{l=1}^{4}$k_l=1

与工况相关的各子控制器输出权重的模糊推理规则如表4所示,表中S、M、B分别表示小、中、大.

表4 模糊推理规则

Tab.4 Fuzzy inference rules

$\overline{N}$	a₁	a₂	a₃	a₄
B	B	S	S	S
L	S	B	S	S
M	S	S	B	S
H	S	S	S	B

3 仿真验证

3.1 基于灵活性改造的火电机组快速调频仿真

为验证火电机组灵活性改造后的控制效果,分别对CCS+DEH、CCS+DEH+CT、CCS+DEH+HPHFB以及CCS+DEH+CT+HPHFB这4种快速调频方式进行仿真验证,机组在90%工况下运行1 200 s.考虑机组运行的安全性,高加给水旁路节流和凝结水节流控制仅在调频初期作用120 s,并且将凝结水节流阀和高加给水旁路的阀门最大开度限制在50%.假设系统在100 s时受到如图6所示的负荷阶跃扰动,得到4种控制方式下的主蒸汽压力变化曲线、功率变化曲线以及频率变化曲线对比图分别如图7~9所示.

图6

图6 6%的负荷扰动变化曲线

Fig.6 Variation of 6% load disturbance

图7

图7 主蒸汽压力变化曲线

Fig.7 Variation of main steam pressure

图8

图8 功率增量变化曲线

Fig.8 Variation of power increment

图9

图9 频率变化曲线

Fig.9 Variation of frequency

由图7可见CCS+DEH的控制方式对主蒸汽压力产生的影响最大,其次是CCS+DEH+CT的控制方式.有HPHFB参与影响较小,这是由于HPHFB利用汽侧蓄热相对更多,从而减少了对锅炉侧蓄热的影响.由于CCS的作用,主蒸汽压力在200 s (CCS+DEH、CCS+DEH+CT)或者300 s之后(CCS+DEH+HPHFB、CCS+DEH+HPHFB+CT)开始回升,直到大约800 s后趋于稳定.

由图8可知CCS+DEH+HPHFB+CT产生的功率增量最大,其次是CCS+DEH+HPHFB、CCS+DEH+CT和CCS+DEH.在220 s去除HPHFB和CT后,功率增量逐渐恢复到CCS+DEH控制方式的值.图9中频率变化曲线均能在60 s前恢复稳定,满足火电机组的调频要求,并且在CCS+DEH+CT和CCS+DEH+HPHFB+CT控制方式下频率变化曲线具有较快的响应速度,而在CCS+DEH+HPHFB和CCS+DEH+HPHFB作用下两条曲线具有较小的稳态偏差.由此可见,CCS+DEH+HPHFB+CT快速调频效果最佳.

3.2 基于模糊增益调度控制的火电机组快速调频仿真

由于采用了模糊增益调度控制器,所以所提基于灵活性改造的火电机组参与快速调频的协调控制系统适用范围从单一工况点扩展为30%~90%工况范围.设置两种场景来验证基于灵活性改造火电机组的快速调频的协调控制系统在变工况运行情况下的有效性.场景1中,系统受到电网侧+6%负荷的干扰;场景2中,系统受到电网侧-6%负荷的干扰.具体如下.

场景1:系统受到电网侧6%的升负荷扰动.初始工况设置为40%,在该工况下稳定运行50 s后,加入6%的负荷扰动.此时,工况以每分钟增长3%的速度逐渐上升到46%后在该工况下继续稳定运行,实际调频过程中只在调频初期引入CT和HPHFB的节流控制,它们的动作时间设置为 120 s.测试的总持续时间为 1 200 s.工况变化曲线如图10所示,负荷扰动变化曲线如图11所示.

图10

图10 场景1运行工况变化曲线

Fig.10 Variation of operating conditions in Scenario 1

图11

图11 +6%的负荷阶跃扰动信号

Fig.11 Signal of +6% load disturbance

得到加权因子的变化曲线如图12所示.由图可见,在40%工况上升到46%工况的过程中,30%与50%工况下的控制器输出的控制信号被线性组合后,产生了新的控制量,来对当前变工况运行下的机组进行控制.

图12

图12 场景1中a₁、a₂、a₃、a₄随工况变化曲线图

Fig.12 Variation of a₁, a₂, a₃, and a₄ under different working conditions in Scenario 1

控制信号作用到执行器上后,得到0~220 s内的CT和HPHFB的阀门开度变化曲线如图13所示.由图可见,凝结水节流阀阀门开度减小,流入低压加热器内部的凝结水减少,导致低压加热器对汽轮机的抽汽量降低,汽轮机的出力增加;高加给水旁路的节流阀打开,部分给水走旁路,使得流入高压加热器中的给水流量减少,高加对汽轮机的抽汽量减少,从而增加了汽轮机的输出功率.

图13

图13 场景1中CT和HPHFB阀门开度变化曲线

Fig.13 Variation of CT and HPHFB valve opening in Scenario 1

该过程中主蒸汽压力变化曲线如图14所示.主蒸汽压力在调频开始前一直保持稳定在标幺值0.46的位置,收到升负荷指令后,开始进行频率调节,机组运行工况逐渐上升,使得主蒸汽压力也跟着快速上升;在170 s时CT和HPHFB节流控制被切除后,仅剩下CCS+DEH控制环节;170 s后,锅炉侧的蓄热与之前相比消耗更多,主汽压力先有所下降,直到400 s左右时主蒸汽压力才因为CCS的控制而开始回升;最终,主蒸汽压力花费约800 s才稳定在与当前机组运行工况的相对应主蒸汽压力值处.

图14

图14 场景1主蒸汽压力变化曲线

Fig.14 Variation of main steam pressure in Scenario 1

图15和图16分别为0~220 s内功率、频率变化曲线.在图15中,15 s内频率极值点对应的负荷调整幅度为 0.059 9,大于一次调频理论负荷的90%,满足《东北区域发电厂并网运行管理实施细则》的要求.由图16可见,受扰动后频率经30 s左右趋于稳定,完全满足对一次调频稳定时间小于60 s 的要求.CT和HPHFB控制作用的切除,使得两条曲线在170 s时会产生一定波动,然后又逐渐回到只有CCS+DEH控制方式作用的曲线上.

图15

图15 场景1功率增量变化曲线

Fig.15 Variation of power increment in Scenario 1

图16

图16 场景1频率变化曲线图

Fig.16 Variation of frequency in Scenario 1

场景2:系统受到电网侧6%的降负荷扰动.初始工况设置为80%,在该工况下稳定运行50 s后,加入-6%的负荷干扰,调频开始动作,工况开始以每分钟减少3%的速度下降到74%后在该工况下保持稳定运行.与场景1相同,将CT和HPHFB节流的动作时间限制在120 s以内,0~1 200 s运行工况变化曲线如图17所示,负荷扰动变化曲线如图18所示.

图17

图17 场景2运行工况变化曲线

Fig.17 Varation of operating conditions in Scenario 2

图18

图18 -6%的负荷阶跃扰动信号

Fig.18 Signal of -6% load disturbance

图19所示为加权因子的变化曲线.由图可见,在80%工况下降到74%工况的过程中,50%、75%和90%工况下控制器输出的控制信号被线性组合后,产生了新的控制量,来对当前变工况运行下的机组进行控制.

图19

图19 场景2中a₁、a₂、a₃、a₄随工况变化曲线图

Fig.19 Variation of a₁, a₂, a₃, and a₄ under different working conditions in Scenario 2

当新的控制信号作用到执行器上后,得到0~220 s内的CT和HPHFB的阀门开度变化曲线如图20所示,由于场景2中机组收到的是降负荷的调频指令,而HPHFB只能参与升负荷的调频过程,所以此时的HPHFB控制方式不起作用,图20中高加给水旁路的阀门开度为0%.

图20

图20 场景2中CT和HPHFB阀门开度变化曲线

Fig.20 Variation of CT and HPHFB valve opening in Scenario 2

该过程中主汽压力变化曲线如图21所示,表明在开始调频前主汽压力稳定在标幺值0.855.调频动作后,主汽压力迅速下降,机组运行工况随之发生变化.最终,主蒸汽压力在700 s附近稳定在与机组当前运行状况相对应的值.

图21

图21 场景2主蒸汽压力变化曲线

Fig.21 Variation of main steam pressure in Scenario 2

图22为功率增量变化曲线,图23为频率变化曲线.从图22可以看出,15 s内频率极值点对应的负荷调整幅度约为-0.059 9,也符合《东北地区电厂管理实施细则》要求; 图23中频率曲线稳定所需的时间在60 s以内.与场景1类似,去除CT后,两条曲线都有一定波动,但由于单独应用CT,对功率增量影响不大,波动小于场景1.

图22

图22 场景2功率增量变化曲线

Fig.22 Variation of power increment in Scenario 2

图23

DOI:10.16183/j.cnki.jsjtu.2023.071 [本文引用: 2]

图23 场景2频率变化曲线图

Fig.23 Variation of frequency in Scenario 2

4 结语

提出一种由CCS、DEH、凝结水节流和高加给水旁路节流组成的火电机组参与快速频率调节的协调控制策略,并将其应用到600 MW的超临界火电机组中,获得优于传统CCS+DEH控制方式的一次调频效果.但是,由于凝结水节流和高加给水旁路节流中的控制在机组单一工况运行的情况下设计,控制效果无法满足机组在大范围、变工况运行时的要求.因此,提出采用以运行工况为调度变量的模糊增益调度控制方法,根据调度变量的变化输出权重,并以减小受到扰动后产生的频率偏差为目标,利用GSA优化各个典型工况点下的子控制器和限幅环节参数,通过子控制器输出与增益调度控制输出权重进行加权求和,得到最终控制量,实现机组大范围、变工况的稳定运行.最后,通过仿真验证在变工况运行的情况下,所提火电机组参与快速调频的协调控制系统能迅速响应频率变化,维持电网频率稳定.本文对增益调度控制方法仅做了初步的研究,在后续研究工作中,可通过增加多个调度变量来对增益调度的控制方法进行改进研究.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

陆文安, 朱清晓, 李兆伟, 等.

基于卷积神经网络的新型电力系统频率特性预测方法

[J]. 上海交通大学学报, 2024, 58(10): 1500-1512.

为了解决利用传统频率分析方法分析新能源高占比电网频率时存在计算量大、建模困难、计算速度与计算精度矛盾突出等问题,提出一种基于卷积神经网络(CNN)的新型电力系统频率特性预测方法.首先,利用一维CNN对新能源高占比电力系统在功率扰动下的主要频率指标进行预测,包括初始频率变化率、频率极值以及频率稳态值;并通过设置合理的输入特征以及对神经网络各参数的优化调整,提高了预测精度.在此基础上,进一步考虑扰动位置以及扰动类型的影响,利用数据降维的方法建立包含扰动信息的电力系统特征数据集,借鉴三原色通道原理构建输入特征,并利用扩展的二维CNN预测频率安全指标提高CNN在高占比新能源电网频率分析中的适应性.最后,在改进的BPA 10机39节点模型中进行算例验证,并与循环神经网络预测结果进行对比,结果表明所提方法具有较高的准确度和适应性.

Wen’an

, ZHU

Qingxiao

, LI

Zhaowei

, et al.

A prediction method of new power system frequency characteristics based on convolutional neural network

[J]. Journal of Shanghai Jiao Tong University, 2024, 58(10): 1500-1512.

[本文引用: 2]

[2]

刘传斌, 矫文书, 吴秋伟, 等.

基于模型预测控制的风储联合电场参与电网二次调频策略

[J]. 上海交通大学学报, 2024, 58(1): 91-101.

DOI:10.16183/j.cnki.jsjtu.2022.217 [本文引用: 1]

随着风力发电在电网中渗透率不断增加,需要风储联合电场参与电网调频服务,维持电网的频率稳定.针对中高风速下的风储联合电场,通过分析风力发电机的机械特性和储能系统的运行特性,确定了减载运行方式下风力发电机桨距角的控制方式,提出一种基于模型预测控制的风储联合电场参与电网二次调频的控制策略.建立风电场桨距角控制的预测模型和电化学储能系统的预测模型,优化风力发电机和储能系统的有功功率输出,在调频基础上更好地减少了风能损失.根据上级系统的有功功率指令值和风力发电机实际输出功率之间的差值对桨距角控制进行进一步修正,使得风力发电机在二次调频期间能够更好地追踪到上级系统的功率指令值,迅速响应频率变化值,减小动态频率偏差,完成二次调频任务.仿真结果表明,该控制策略综合考虑了风力发电机可控的二次调频能力和电化学储能系统响应快速、跟踪精确的特性,使风储联合电场能够主动响应系统频率的变化,更好地跟踪上级系统下发的有功功率指令值,参与电网二次调频.

LIU

Chuanbin

, JIAO

Wenshu

, WU

Qiuwei

, et al.

Strategy of wind-storage combined system participating in power system secondary frequency regulation based on model predictive control

[J]. Journal of Shanghai Jiao Tong University, 2024, 58(1): 91-101.

[3]

赵永亮, 张利, 刘明, 等.

660 MW燃煤机组热力系统构型调整对一次调频性能的影响研究

[J]. 中国电机工程学报, 2019, 39(12): 3587-3598.

ZHAO

Yongliang

, ZHANG

, LIU

Ming

, et al.

Effects of regulating thermal system configuration for 660 MW coal-fired power units on the performance of primary frequency control

[J]. Proceedings of the CSEE, 2019, 39(12): 3587-3598.

DOI:10.1016/j.apenergy.2020.115798 URL [本文引用: 1]

[4]

CHENG

, AZIZIPANAH-ABARGHOOEE

, AZIZI

, et al.

Smart frequency control in low inertia energy systems based on frequency response techniques: A review

[J]. Applied Energy, 2020, 279: 115798.

[5]

LIAO

J L

, YIN

, LUO

Z H

, et al.

The parameter identification method of steam turbine nonlinear servo system based on artificial neural network

[J]. Journal of the Brazilian Society of Mechanical Sciences & Engineering, 2018, 40(3): 165.

DOI:10.1109/TPWRS.2020.3025335 URL [本文引用: 1]

[6]

ZHAO

X H

, WEI

, QI

J J

, et al.

Frequency stability constrained optimal power flow incorporating differential algebraic equations of governor dynamics

[J]. IEEE Transactions on Power Systems, 2021, 36(3): 1666-1676.

[7]

GAO

, WANG

, et al.

Prediction technology and application of primary frequency regulation capability of thermal power unit

[J]. IOP Conference Series: Earth & Environmental Science, 2020, 446(4): 042040.

DOI:10.1007/s11630-019-1203-8 [本文引用: 1]

[8]

LIAO

J L

, LUO

Z H

, YIN

, et al.

Primary frequency control ability evaluation of valve opening in thermal power units based on artificial neural network

[J]. Journal of Thermal Science, 2020, 29(3): 576-586.

[9]

HAN

Z H

, XIANG

Modeling condensate throttling to improve the load change performance of cogeneration units

[J]. Energy, 2020, 192: 116684.

DOI:10.1016/j.energy.2019.116684 URL [本文引用: 1]

[10]

ZHANG

K Z

, ZHAO

Y L

, LIU

, et al.

Flexibility enhancement versus thermal efficiency of coal-fired power units during the condensate throttling processes

[J]. Energy, 2021, 218: 119534.

DOI:10.1016/j.energy.2020.119534 URL [本文引用: 1]

[11]

ZHAO

Y L

, FAN

P P

, WANG

C Y

, et al.

Fatigue lifetime assessment on a high-pressure heater in supercritical coal-fired power plants during transient processes of operational flexibility regulation

[J]. Applied Thermal Engineering, 2019, 156: 196-208.

DOI:10.1016/j.applthermaleng.2019.04.066 URL [本文引用: 1]

[12]

ZHAO

Y L

, LIU

, WANG

C Y

, et al.

Exergy analysis of the regulating measures of operational flexibility in supercritical coal-fired power plants during transient processes

[J]. Applied Energy, 2019, 253: 113487.

DOI:10.1016/j.apenergy.2019.113487 URL [本文引用: 1]

[13]

WANG

, LIU

J Z

, ZENG

D L

, et al.

Flexible electric power control for coal-fired units by incorporating feedwater bypass

[J]. IEEE Access, 2019, 7: 91225-91233.

DOI:10.1109/Access.6287639 URL [本文引用: 1]

[14]

GUO

B Y

, ZHUANG

Z J

, PAN

J S

, et al.

Optimal design and simulation for PID controller using fractional-order fish migration optimization algorithm

[J]. IEEE Access, 2021, 9: 8808-8819.

DOI:10.1109/Access.6287639 URL [本文引用: 1]

[15]

符杨, 丁枳尹, 米阳.

计及储能调节的时滞互联电力系统频率控制

[J]. 上海交通大学学报, 2022, 56(9): 1128-1138.

DOI:10.16183/j.cnki.jsjtu.2022.145 [本文引用: 1]

针对互联电力系统中源荷不确定以及通信延时导致系统频率偏差过大的问题,提出了计及储能调节的两域时滞电力系统频率控制策略.建立了含汽轮发电机、风机和储能等设备的两区域时滞互联电网模型,根据区域控制偏差(ACE) 所在的区间对储能装置和汽轮发电机的调频任务进行分工.利用改进粒子群(MPSO)算法优化比例积分微分(PID)负荷频率控制器实现二次调频,提升了一定时滞区间内负荷频率控制(LFC)系统的频率稳定性.对储能装置设计分数阶PID(FOPID)控制器,调节其输出功率以平滑源荷波动,提高了储能系统的辅助调频性能,进一步控制互联电力系统的频率偏差.在MATLAB/Simulink平台对不同工况进行对比分析,验证了所提频率控制策略的有效性.

Yang

, DING

Zhiyin

, MI

Yang

Frequency control strategy for interconnected power systems with time delay considering optimal energy storage regulation

[J]. Journal of Shanghai Jiao Tong University, 2022, 56(9): 1128-1138.

[16]

吴立飞, 杨晓忠.

基于自适应布谷鸟搜索算法的分数阶PID控制器设计

[J]. 控制工程, 2023, 30(9): 1673-1678.

Lifei

, YANG

Xiaozhong

Design of fractional order PID controller based on adjusting cuckoo search algorithm

[J]. Control Engineering of China, 2023, 30(9): 1673-1678.

DOI:10.1016/j.ins.2009.03.004 URL [本文引用: 1]

[17]

RASHEDI

, NEZAMABADI-POUR

, SARYAZDI

GSA: A gravitational search algorithm

[J]. Information Sciences: An International Journal, 2009, 179(13): 2232-2248.

[18]

ALI KHAN

, LING

S H

A novel hybrid gravitational search particle swarm optimization algorithm

[J]. Engineering Applications of Artificial Intelligence, 2021, 102: 104263.

DOI:10.1016/j.engappai.2021.104263 URL [本文引用: 1]

[19]

ZHANG

X Z

, WANG

Z Y

, LU

Z Y

Multi-objective load dispatch for microgrid with electric vehicles using modified gravitational search and particle swarm optimization algorithm

[J]. Applied Energy, 2022, 306: 118018.

DOI:10.1016/j.apenergy.2021.118018 URL [本文引用: 1]

[20]

SHEN

, WANG

, CAO

J D

, et al.

Nonfragile dissipative synchronization for Markovian memristive neural networks: A gain-scheduled control scheme

[J]. IEEE Transactions on Neural Networks & Learning Systems, 2019, 30(6): 1841-1853.

[21]

李庚达, 林忠伟, 陈振宇, 等.

大型风电机组的模糊增益调度PI控制器设计

[J]. 中国电力, 2020, 53(6): 107-113.

Gengda

, LIN

Zhongwei

, CHEN

Zhenyu

, et al.

Fuzzy gain-scheduling PI controller design for large-scale wind turbine

[J]. Electric Power, 2020, 53(6): 107-113.

DOI:10.19805/j.cnk ij.c spe.2021.02.004 [本文引用: 1]

[22]

赵征, 于悦波, 孙昊天.

基于凝结水节流的新型协调优化控制策略

[J]. 动力工程学报, 2021, 41(2): 107-112.

针对凝结水节流控制回路中的功率增量与除氧器上水门开度之间的非线性关系，提出了基于模糊增益调度策略的凝结水节流多回路控制系统结构。结合原机组协调控制系统，设计了基于凝结水节流的新型协调优化控制方案，并对某350 MW机组运行数据进行建模以及仿真验证。结果表明：所设计的新型协调优化控制系统能够在保证机组安全运行的情况下，有效提高机组动态性能，弥补原协调控制系统在机组变负荷初期响应速率过慢的缺点。

ZHAO

Zheng

, YU

Yuebo

, SUN

Haotian

Optimization of a new coordinated control strategy based on condensate throttling

[J]. Journal of Chinese Society of Power Engineering, 2021, 41(2): 107-112.

DOI:10.19805/j.cnk ij.c spe.2021.02.004 [本文引用: 1]

Aiming at the nonlinear relationship between the power increment in the condensate throttling control loop and the opening of the upper deaerator water gate, a multi-loop condensate throttling control structure was proposed based on the fuzzy gain scheduling strategy. Combined with the original coordinated control system of the unit, a new coordinated scheme was designed based on condensate throttling for control optimization. The scheme was then applied to a 350 MW unit, and the model established was subsequently verified with actual operation data. Results show that the new coordinated system designed for control optimization can effectively improve the dynamic performance of the unit while ensuring safe operation of the unit, which makes up for the shortcomings of the too low response rate of the coordinated control system during initial variation of load.

[23]

刘吉臻, 王耀函, 曾德良, 等.

基于凝结水节流的火电机组AGC控制优化方法

[J]. 中国电机工程学报, 2017, 37(23): 6918-6925.

LIU

Jizhen

, WANG

Yaohan

, ZENG

Deliang

, et al.

An AGC control method of thermal unit based on condensate throttling

[J]. Proceedings of the CSEE, 2017, 37(23): 6918-6925.

[24]

徐浩, 李华强.

火电机组灵活性改造规划及运行综合随机优化模型

[J]. 电网技术, 2020, 44(12): 4626-4638.

Hao

, LI

Huaqiang

Planning and operation stochastic optimization model of power systems considering the flexibility reformation

[J]. Power System Technology, 2020, 44(12): 4626-4638.