基于宽度学习的火电机组频率响应特性辨识与控制方法与流程

摘要: 本发明涉及火力发电机组自动控制,更具体地说,本发明涉及基于宽度学习的火电机组频率响应特性辨识与控制方法。背景技术:1、随着新能源发电占比的持续提升,电力系统惯性...
基于宽度学习的火电机组频率响应特性辨识与控制方法与流程

本发明涉及火力发电机组自动控制,更具体地说,本发明涉及基于宽度学习的火电机组频率响应特性辨识与控制方法。

背景技术:

1、随着新能源发电占比的持续提升,电力系统惯性水平下降,频率稳定问题日益突出。火电机组作为电网频率调节的重要支撑电源,其一次调频性能直接影响电网的安全稳定运行。火电机组的频率响应特性受到主蒸汽压力、负荷工况、设备老化、环境参数等多种因素影响,呈现显著的时变非线性特征,难以通过传统机理建模方法精确描述。

2、当前工程实践中,火电机组的调速系统大多采用固定参数的pid控制策略,其控制参数整定通常基于典型工况下的简化模型,难以适应全工况范围内的动态特性变化。当机组运行工况发生大范围变化或设备特性发生缓慢漂移时,固定参数控制器往往出现控制品质下降、调频精度恶化等问题。

3、近年来,数据驱动的建模与控制方法受到广泛关注。神经网络等深度学习方法虽然具有较强的非线性拟合能力,但存在训练耗时长、需要大量迭代计算、在线更新困难等问题,难以满足火电机组调频控制对实时性和可靠性的要求。宽度学习作为一种新型的神经网络结构,通过单层特征映射与增强节点的横向扩展替代传统深度网络的纵向堆叠,具有结构简单、训练速度快、增量学习方便等优势,但其在火电机组频率响应特性辨识与控制领域的应用研究尚属空白。因此,亟需一种能够兼顾辨识精度、计算效率和在线自适应能力的火电机组频率响应特性辨识与控制方法。

技术实现思路

1、为了克服现有技术的上述缺陷,本发明的实施例提供一种火力发电机组自动控制方法,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、s1:采集火电机组在并网运行状态下的历史运行数据,所述历史运行数据包括电网频率偏差信号和机组功率响应信号,并对所述历史运行数据进行预处理,形成训练数据集;

4、s2:构建宽度学习网络模型,所述宽度学习网络模型包括输入层、特征映射节点层、增强节点层和输出层;其中,利用稀疏自编码器对随机生成的特征映射权重进行微调,得到特征映射节点,并通过随机生成的正交权重将特征映射节点非线性扩展为增强节点;

5、s3:将所述训练数据集中的频率偏差信号作为所述宽度学习网络模型的输入,将对应的机组功率响应信号作为输出,利用岭回归算法求解特征映射节点和增强节点到输出层的连接权重,完成火电机组频率响应特性的离线辨识;

6、s4:以辨识得到的宽度学习频率响应模型作为预测模型,设计模型预测控制器;所述模型预测控制器在每个控制周期内,将所述宽度学习频率响应模型在当前系统状态点进行一阶泰勒展开以获取局部线性化雅可比矩阵,以最小化未来预测时域内频率偏差和控制时域内调门开度指令变化量为目标,构建并求解标准二次规划问题,得到最优的汽轮机调门开度指令增量,并将所述指令增量叠加至当前调门开度指令,作用于机组调速系统;

7、s5:在线运行过程中,利用实时采集的频率偏差和功率响应数据,通过增量学习算法仅更新所述宽度学习网络模型中增强节点到输出层的连接权重,实现频率响应模型的在线自适应校正,并同步更新模型预测控制器的内部预测模型。

8、优选的,所述s1中,对历史运行数据进行预处理包括:采用3σ准则剔除异常跳变点,对缺失数据进行线性插值补全;采用db5小波三层软阈值去噪算法滤除噪声;对多通道数据进行时间戳对齐与重采样;采用最大-最小归一化方法将数据映射至[0,1]区间;采用滑动时间窗口方法构造输入输出样本对。

9、优选的,所述s2中,特征映射节点层随机生成初始特征映射权重矩阵与偏置向量后,引入稀疏自编码器以输入样本的重构误差最小化为目标,并施加稀疏性约束对初始随机权重进行无监督预训练与微调,微调完成后的权重与偏置经tanh非线性激活函数运算后生成特征映射节点;增强节点层采用格拉姆-施密特正交化方法生成满足正交约束的随机增强权重矩阵,特征矩阵经正交权重线性变换后,通过sigmoid非线性激活函数完成高阶非线性映射,生成增强节点。

10、优选的,所述s3中,引入l2正则化约束构建岭回归求解框架,以最小化功率预测误差与权重向量范数的加权和为优化目标,通过对目标函数关于权重向量求一阶偏导并令偏导数为零,推导得到输出权重的解析求解公式,一次性计算得到全部输出连接权重。

11、优选的,所述s4中,模型预测控制器构建的滚动优化目标函数以最小化预测时域内的频率偏差累积值、以及最小化控制时域内的调门开度变化量为双重优化目标,并通过权重系数调节二者的优先级,同时引入汽轮机调速系统的调门开度上下限约束及变化速率约束;在每个控制周期内,将所述宽度学习频率响应模型在当前系统状态点进行一阶泰勒展开以获取局部线性化雅可比矩阵,基于所述局部线性化预测方程,将带约束的滚动优化问题转化为标准二次规划问题,采用内点法求解得到控制时域内的最优调门开度增量序列,仅将增量序列中第一个控制周期的开度增量叠加至当前时刻的基础调门开度指令上下发。

12、优选的,所述s5中,系统持续计算滑动窗口内功率预测值与实测值的均方误差,设置预设误差阈值与连续超阈值点数作为模型更新的启动判据,仅当连续多个采样周期的预测误差均超出允许阈值时,触发模型的在线增量校正;在线校正阶段冻结特征映射层的全部映射权重,针对增强节点层到输出层的连接权重,基于岭回归的矩阵分块递推原理,利用离线训练得到的初始伪逆矩阵,结合增量增强节点特征矩阵与对应的功率响应标签向量,递推得到更新后的增强节点输出权重与对应伪逆矩阵。

13、本发明的技术效果和优点:

14、本发明通过引入宽度学习网络进行火电机组频率响应特性辨识,利用稀疏自编码器微调特征映射权重、正交化生成增强节点,相比传统深度神经网络,有效避免了复杂的反向传播迭代,大幅降低了模型离线训练与在线更新的计算耗时,满足一次调频高频控制的实时性要求;再将宽度学习辨识模型与模型预测控制相结合,通过构建包含频率偏差与调门动作量的双重目标函数,并转化为二次规划进行滚动优化求解,能够在严格满足执行机构物理约束的前提下,实现调频精度与设备磨损的最优平衡;最后设计了基于矩阵分块递推的在线增量学习机制,在冻结浅层特征映射权重的基础上,仅对增强节点到输出层的连接权重进行局部更新,不仅消除了机组工况时变带来的模型失配,还避免了全量数据重训引发的参数振荡,保障了全闭环自适应运行的稳定性。

1.基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于,包括:

2.根据权利要求1所述的基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于:所述s1中,通过电厂分散控制系统与同步相量测量装置同步采集目标火电机组长周期并网运行的全工况实测数据,数据采集范围覆盖机组额定负荷的20%至100%的全部运行区间,采样周期统一设置为二十毫秒;所述预处理包括采用三西格玛准则剔除异常跳变点、采用db5小波三层软阈值去噪算法滤除现场测量噪声、多通道数据时间戳对齐与重采样、最大-最小归一化方法消除量纲差异,以及采用滑动时间窗口方法构造输入输出样本对。

3.根据权利要求1所述的基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于:所述s2中,特征映射节点层引入稀疏自编码器对初始随机权重进行无监督预训练与微调,以输入样本的重构误差最小化为目标,同时施加稀疏性约束使特征节点仅对输入数据中的核心动态模式产生激活响应;增强节点层采用格拉姆-施密特正交化方法生成满足正交约束的随机增强权重矩阵,经sigmoid非线性激活函数完成高阶非线性映射。

4.根据权利要求1所述的基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于:所述s3中,将训练数据集构造为批量输入样本矩阵与对应输出标签向量,输入样本包含设定步长内的连续电网频率偏差序列与对应历史有功功率序列,输出标签为对应输入激励时序下机组的实测有功功率响应值;经特征映射与增强映射后横向拼接得到广义特征矩阵,该矩阵的行数为训练样本总数量,列数为特征映射节点总数与增强节点总数之和。

5.根据权利要求4所述的基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于:引入l2正则化约束构建岭回归求解框架,以最小化功率预测误差与权重向量范数的加权和为目标,通过对目标函数关于输出权重向量求导并令导数为零,得到输出权重的解析表达式,从而一次性计算得到全部输出连接权重。

6.根据权利要求1所述的基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于:所述s4中,模型预测控制器的控制周期设置为五十毫秒,预测时域长度为p个控制周期、控制时域长度为m个控制周期且满足m小于p;滚动优化目标为预测时域内各时刻频率偏差预测值的加权平方和与控制时域内各时刻调门开度指令增量的加权平方和之和最小化。

7.根据权利要求6所述的基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于:优化求解过程引入汽轮机调速系统的物理运行约束,包括调门开度的上下限约束、调门开度变化速率约束;基于所述一阶泰勒展开得到的局部线性化预测方程,将带约束的滚动优化问题转化为标准二次规划问题,采用内点法求解得到控制时域内的最优调门开度增量序列,仅将增量序列中第一个控制周期的开度增量叠加至当前时刻的基础调门开度指令上。

8.根据权利要求1所述的基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于:所述s5中,系统持续计算滑动窗口内功率预测值与实测值的均方误差,当连续六个采样周期的预测误差均超出预设的均方误差阈值时,触发模型的在线增量校正;在线校正阶段冻结特征映射层的全部映射权重与特征节点到输出层的连接权重,仅针对增强节点层到输出层的连接权重进行增量更新。

9.根据权利要求8所述的基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于:所述s5中,基于岭回归的矩阵分块递推原理进行增量更新,具体为:根据上一次更新后增强节点特征矩阵的伪逆矩阵、当前增量样本的增强节点特征矩阵和对应的功率响应标签向量,依次计算中间递推增益矩阵、更新后的增强节点输出权重向量以及更新后的伪逆矩阵,从而无需重新求解全量数据的矩阵逆即可完成权重更新;每完成一次权重校正后,立即将更新后的宽度学习频率响应模型同步至模型预测控制器的内部预测模块,替换原有的预测模型。

10.根据权利要求9所述的基于宽度学习的火电机组频率响应特性辨识与控制方法,其特征在于:还设置有权重更新的最小时间间隔与单次更新的权重变化量约束,当单次更新的权重变化幅度超出预设的权重变化量阈值范围时,自动回退至上一稳定版本的权重。