基于MDPA算法的火电厂多目标负荷优化分配模型

在传统的火电厂经济负荷分配模型基础上,综合考虑全厂供电煤耗率、污染物排放量以及全厂负荷升、降时间3个目标,构建了厂级负荷优化分配的多目标模型。将差分粒子群混合算法发展为一种新型的多目标进化(MDPA)算法,即利用擂台赛法和凝聚层次聚类分析方法分别构造和修剪非支配集,同时加入精英保留策略,保留进化过程中的极值点。将该算法应用于以经济、环保、快速3个目标为多目标的厂级负荷优化分配,并与基于非支配排序的多目标优化(NSGA-Ⅱ)算法进行对比。结果表明,MDPA算法较NSGA-Ⅱ算法收敛速度更快,解集分布更均匀。

基于BP神经网络的火电机组实时负荷裕度计算

基于BP神经网络给出了计算火电机组实时最大可调负荷的方法,该方法可通过对近期机组制粉系统出力、锅炉受热面温度、主蒸汽压力、给水流量、汽轮机振动及辅机性能等相关运行参数的分析,得到机组实时可调最大负荷。根据机组不同时段最大可调负荷与同时段机组运行参数的相关性,计算得到的机组负荷裕度不仅可以指导机组的优化运行,而且可使电网及时调整各机组负荷。