动态优化控制（共10篇）
动态优化控制 篇1
1 建筑工程造价动态管理与成本优化控制的原则
建筑工程造价管理就是综合应用如管理学、经济学及建筑工程技术等各方面的知识和经验技能, 对建筑工程造价有关的资源、成本及风险等进行全面控制的过程。建筑工程造价管理全面控制的原则主要包括了全寿命周期内控制原则、全过程控制原则、全要素控制原则、全方位控制原则。
1.1 全寿命周期内控制原则
建设工程全寿命期造价是指建设工程初始建造成本和建成后的日常使用成本之和, 它包括建设前期、建设期、使用期及拆除期各个阶段的成本。在实际的造价管理过程中, 在建筑工程不同的建设阶段及使用阶段, 建筑工程造价存在很多的影响因素导致存在很多的不确定性, 为此在全寿命周期内控制造价要有一种实现整个周期内造价最小化的原则来指导造价管理工作, 正确引导建筑工程的投资决策、设计方案已经施工方法等的选择。
1.2 全过程控制原则
目前建筑工程造价控制一般注重于施工图预算及竣工结算的审核, 这种控制虽能取得一定的效果, 但存在着多方面的缺陷, 一些隐蔽及不可恢复性工程量无法认定, 只能事后承认“事实”, 工程技术与工程造价结合不够, 为此加强工程造价管理, 就是要合理确定和有效控制工程造价, 其目的不仅在于把项目投资控制在合理预算范围之内, 更在于合理使用人力、物力、财力, 控制固定资产投资。
全过程工程造价控制就是说工程造价控制贯穿于建筑工程的始终, 既建筑工程项目从前期决策、设计、招投标、施工到竣工决算阶段全过程的造价控制。在全过程造价控制过程中就是通过采用各种方法, 对被控对象在实施中发生的各种实际值与计划值进行对比、检查、监督、引导和纠正的过程, 来确保建筑工程造价目标得以顺利实现。
1.3 全要素控制原则
建筑工程造价管理不能单就工程造价本身谈造价管理, 还应同时考虑工期成本、质量成本、安全与环境成本的控制, 从而实现工程造价、工期、质量、安全、环境的统一控制。建筑工程的质量、工期及安全环境成本对建筑工程造价有着极大的影响, 一般来说, 造价工作人员往往对量化的造价本身对建筑工程造价的影响比较关注, 而通常忽视了质量、工期及安全环境等对造价的潜在影响, 以及这几个方面之间的可以相互影响的内在关系, 如通过合理缩短建筑工程工期, 严格控制建筑工程质量, 注意安全环境等可以有效的降低建筑工程造价, 实现造价的动态管理和成本优化控制。为此, 要实现建筑工程造价的全要素控制, 就要把握好造价影响因素在建筑工程造价中的影响, 时刻对各个影响要素的发展状况进行分析与预测, 协调并平衡好工期、质量、安全环境及成本之间的对立统一关系, 实现对这些影响要素的变动进行动态管理及控制。
1.4 全方位控制原则
鉴于建筑工程的特殊性及单一性, 建筑工程一次成品且造价高, 为了达到造价控制的预期目标, 需对建筑工程进行全方位的控制。建筑工程成品时间较长, 建筑材料的价格、人工工资、机械设备租金都是会发生波动的;为此各方主体进行监督和管控过程中, 建立及时有效的反馈机制, 一方发现偏离造价控制目标的因素时, 都应及时的预警并反馈给其他部门, 成本控制主体建设单位和施工单位应及时采取措施, 以此推进工程造价的有序、动态管理;最终达到造价控制目标。
2 建筑工程造价的动态管理与成本控制的实施
受到传统建筑工程管理模式的长期影响, 建筑工程企业中有大部分建筑企业对建筑工程造价管理的认识不足, 对建筑工程造价的动态管理与成本优化控制的了解又更少, 建筑工程企业应当提高对工程造价管理重要性的认识, 积极对建筑工程造价的动态管理与成本的优化控制进行深入的研究, 并把相关的成功经验和成果应用到建筑工程造价管理当中, 用来指导建筑工程造价管理各部门之间的统筹合作, 以努力提高建筑企业的经济效益和核心竞争力。
2.1 准备阶段的动态管理与成本优化控制
前期准备阶段主要包括建筑工程项目决策、设计及招投标等阶段, 其中招投标阶段工作的好坏对整个建筑工程造价的控制效果有直接的影响。招投标阶段主要包括设计、施工及材料设备的招投标工作, 通过招投标可以选择最优的设计方案、最佳的施工单位以及质量稳定价格合理的材料及设备, 从而实现建筑工程造价的动态管理与成本优化控制。为此在招投标阶段应该坚持公平公正公开的原则, 通过标底的合理确定, 并在评标过程中对投标单位的各种能力如社会信誉、资质水平、资源能力、履约能力、维保服务等进行综合的评价, 从中选择一个造价合理且优质的施工单位, 既降低了工程造价, 又从源头上减少各种施工质量问题, 更为施工过程中各种可能的变更减少协调工作量, 通过中标单位选择的过程控制, 实现成本优化控制。
2.2 施工阶段的动态管理与成本优化控制
在施工阶段建筑工程的投入最多, 因此也是建筑工程造价动态管理与成本优化控制的关键阶段。为此, 在施工阶段要以合同为准则对影响建筑工程造价的各个要素进行统筹考虑并认真协调好各方的关系。应认真分析、对待项目施工过程中的技术问题和经济问题, 用一套切实可行的办法, 最大限度控制项目成本, 以获取最大的经济效益。
结合笔者所在项目泉州洛江区某文化广场, 该项目位于福建省泉州市洛江区, 为集商业与高层住宅为一体的建筑楼群, 2014年2月7日开工, 总造价150633168元, 工期660日历天, 框剪结构, 总建筑面积68435㎡, 地下二层, 地上24-26层, 结合该项目着重阐述本阶段我方单位如何进行工程造价的动态管理及成本的优化控制。
(1) 总工组织工程部技术骨干多次优化施工方案, 并报建设单位, 按照最优方案施工可以降低成本、加快进度、保证质量和安全, 实现工程项目投入少产出最大、提高经济效益。建设初期, 临时设施的搭建, 经过比选造价最优的是采用活动房安装, 施工机械设备采用自有机械和租赁结合的方式。
(2) 有效控制人工、材料、机械费用, 笔者所在项目:人工费为3012万, 材料费为7532万, 机械费为1506万, 占总造价的80%;为此在建筑工程中, 人工费、材料费、机械费的成本控制是重中之中。人工费控制, 挑选具备实力和诚信良好的劳务输出公司, 确保人力的投入并保证人工工资的稳定。材料费控制:对泉州各个材料市场进行摸排, 主要选择符合合同条件要求的水泥、钢材、砌块、砂进行货比三家的原则, 选择满足质量要求又能满足造价要求的料场或供应商, 按施工合同的要求与其签订供货合同达到风险共担的目的;对机械费用的控制:挑选具备实力和诚信良好的特种设备公司 (如塔吊、升降机) 以保证设备的投入及保证设备的安全性和单价稳定。
(3) 合理安排进度, 加强质量管理。因为总工期在中标时就已确定, 在合理节点工期下, 项目成本支出较低, 节点工期提前或拖后都意味着工程成本的提高, 也会对质量有影响。因此, 在安排工期时, 要注意处理工期与质量、成本的辩证统一关系, 组织连续、均衡有节奏的施工, 以求在合理使用资源的前提下, 保证工期, 降低成本。同时, 项目成本与其产品的质量水平存在着密切的相互依存关系。质量成本包括控制成本和故障成本两个主要方面。控制成本属于质量保证费用, 与质量水平成正比关系;故障成本属于损失性费用, 与质量水平成反比关系。应该以工程承包合同为标准, 确定适宜的质量目标, 保证总工期的前提下合理安排中间进度节点工期, 以寻求最优的工程成本。笔者所在泉州洛江文化广场项目, 建设单位要求我方, 开工前提供一份详细的整个工程单代号或双代号网络进度计划, 每月25日提供工程施工月报及工程进度统计报表一式各叁份, 工程施工月报必须包含本月工作总结 (含工程质量、进度、安全文明施工及实际完成投资情况等) 及下月工作计划 (含工程进度计划、拟完成投资计划等) 。
(4) 提高现场管理人员素质, 加强现场管理。施工管理人员的素质, 其素质的高低, 不仅影响到施工现场管理费用高低, 而且影响到施工项目直接费用的高低和关系到能否有效地降低施工成本, 保证施工期间本项目工程管理人员能胜任岗位职责, 加强思想教育, 加强学习培训, 提高综合素质。现场管理标准化, 文明施工, 按规范操作, 合理有序, 遵循经济效益、科学合理和标准化规范化原则。只有这样, 才能从根本上提高施工现场的生产和工作效率和管理效益, 也能达到控制成本的目的。
(5) 按合同约定按月及时进行中间计量, 以期保证资金来源。目前该项目按合同要求完成施工内容, 中间计量起到了至关重要的作用。
2.3 加强设计变更中的动态管理与成本优化控制
在建筑工程施工过程中, 由于现场实际情况与原设计条件有差异及其他各种不确定因素的出现, 会经常发生工程的设计变更。只要发生工程变更, 肯定就会造成工程造价的变动。为此, 对于工程的变更要做到程序合法、签字完整、资料齐全。特别是因为工程变更造成工期延误, 造成人工、材料、机械费用变动的, 更应该做好资料的收集;
工程实施过程中尽量做到按原设计进行施工避免变更造成造价的增加, 当确实需要变更时, 需按合同约定程序办理。设计变更应由监理部门会同建设单位、设计单位、施工单位协商, 经过确认后由设计单位发出相应图纸或说明, 并由监理工程师办理签发手续, 下发到有关部门付诸实施。笔者所在项目泉州洛江某文化广场施工过程中, 建设单位对设计变更签证管理十分严格., 在审查设计变更满足各项技术指标的前提下, 还要对建筑工程造价的增减进行层层审核把关, 超预算的审批工作手续繁杂, 严格把控, 由于设计变更引起工程量增减, 属合同约定幅度以内的应执行原有的综合单价;属合同约定幅度以外的, 其增加 (减少) 部分的工程量的综合单价由我方单位提出, 经建设单位确认后, 作为结算的依据。
为了实现建筑工程造价管理, 就应该严格管理及控制各种变更;当然有很多变更是为了节省造价, 有的变更是为了适应现场实际情况, 而作的调整。但不论什么情况的变更都应结合合同进行造价的控制, 达到满足工程需要的同时得到成本的优化控制,
2.4 竣工阶段的动态管理与成本优化控制
建筑工程竣工后进行建筑工程造价的结算, 这个阶段是工程造价控制的最后阶段, 在此阶段要认真收集并整理好相关的工程结算资料, 工程项目经济效益的好坏与最后阶段的工程结算编制完整、正确与否息息相关, 特别是完整性。一般来说, 由中标价加上各种变更及签证费用 (包括索赔) 形成最终结算额, 要对工程量计算及对相应的取费标准认真审核, 最终向建设单位提供结算前, 项目部应组织有关人员进行一次成本分析, 分析决算数是否大于财务成本、材料采购数量实际耗用量是否相符, 采购价是否基本吻合, 发现问题较大, 要相互查明原因, 确保取得足额的结算收入。
对一些积极有益的经济技术资料要及时总结积累经验教训, 这对于后续的建筑工程造价管理有很好的指导作用。
3 结语
通过以上分析得知, 建筑工程造价的动态管理与成本优化控制对于建筑工程本身及建筑企业的发展起着重要的作用。为此, 建筑企业应提高建筑工程造价动态管理的认识, 健全动态管理与成本优化控制体系;通过建筑工程造价的全寿命周期、全过程、全要素及全方位控制的原则;对准备阶段、施工阶段、设计变更过程及竣工阶段对建筑工程造价进行管理与控制等措施, 在确保建筑工程施工质量的基础上能有效的对建筑工程造价进行合理控制以确保建筑企业经济效益的不断提高。以期提升建筑企业的综合竞争力。
摘要：建筑工程造价就是建筑工程全过程发生的费用之和, 工程造价管理是指对工程投资费用的管理, 对工程价格的管理。建筑工程造价管理是建筑企业成本控制的关键和基础, 做好建筑工程造价的动态管理与成本优化控制对于建筑企业有着至关重要的意义, 有助于提高建筑企业的综合效益, 提升建筑企业的竞争力。本文从建筑工程造价动态管理与成本优化控制的四个原则和五个实施阶段, 对建筑工程造价的动态管理与成本优化控制进行深入分析与论述, 以期为建筑工程造价管理提供参考。
关键词：建筑工程造价,控制原则,动态管理,成本优化
参考文献
[1]姬光玉.浅谈建筑工程造价管理与控制[J].价值工程, 2011, 17∶62-63.
[2]卜留根.建筑工程造价的合理控制与分析[J].城市建筑, 2013, 16∶93-94.
[3]张海力.对于建筑工程造价的探究与研究[J].城市建设理论研究, 2013, 19∶51-52.
[4]陆玲玲.工程造价全过程全方位控制.江苏商报.建筑界, 2013 (24) .
优化学生主体 打造动态课堂 篇2
【中图分类号】G633.8 【文献标志码】A 【文章编号】1005-6009（2015）46-0079-01
1.让学生动眼看。
“看”的内容包括学生课前预习课本，参考相关资料，熟悉将要学习的内容;课上看清教师的重要板书、演示实验操作和实验现象;解题时认真读题，找准关键字词;课后复习笔记，巩固所学内容。化学是一门与生产生活联系密切的学科，既源于生活，又用于生活。教师既需要在平时留心观察身边事物，将看到的问题带进课堂，也需要引导学生带着学到的化学知识来看生活。这样不仅能帮助学生解决实际问题，还能使学生对所学的知识进一步巩固。
2.让学生动耳听。
“听”是指学生在课上集中注意力认真听教师讲解，尤其是对疑难问题的剖析、解题思路的分析、相似问题的解析、系统知识的小结。当然学生在课堂上不仅要听教师的，还要听同学的。合作学习可以让学生更好、更快地达成学习目标。
3.让学生动嘴说。
“说”是要求学生积极参与讨论，这一过程有利于培养学生的自主性和合作性学习能力。“说”不能流于形式，要付诸实践;不能流于个体，要覆盖全面。在小组合作学习时，学优生往往处于主宰地位，承担了主要的职责，而学困生往往会成为“旁听生”。针对这一问题，教师要教育、提醒和鼓励并且将组长培训到位，从而让小组中的每位成员都能积极参与，充分体现自身的价值。
4.让学生动手做。
“做”主要包括做笔记、做练习和做实验。因为化学是以实验为基础的学科，化学实验有助于激发学生学习化学的兴趣。创设生动活泼的教学情境，能帮助学生理解和掌握化学知识和技能，启发学生的科学思维，训练学生的科学方法，培养学生的科学态度和价值观。化学实验不局限于课堂，教师还要有目的地布置学生课后开展探究性实验，并让学生积极参与讨论、研究、归纳、小结，从而培养学生自主、合作、探究的学习能力。
5.让学生动脑思考。
孔子曰：“学而不思则罔，思而不学则殆。”学生只有动脑思考，才真正在学。因此教师在教学过程中要积极创设问题情境，拓宽学生视野，发散学生思维，变传统的“填鸭式”教学为引导性教学、探索性教学，从而培养学生的探究能力、思维能力、创新能力。
6.让学生动心感受。
人们生活所需的衣食住行、社会的进步和科学的发展都离不开化学。然而，现实生活中人们往往只记得化工厂和化学药品产生的污染，殊不知化学为污染的预防和治理所做出的贡献更大。为此，作为一名化学教师需要引导学生明白化学的价值，感受化学的美。
除了以上六个方面，有时我们还需要动鼻，如感受呼吸的过程、闻闻氨水的气味等。比如，学习氧气的性质时，我们只要组织学生“看一看”“摸一摸”“闻一闻”，就能知道氧气是无色无味的气体;“想一想”高原反应，就能知道氧气的密度与空气的大小关系;“说一说”生活中氧气的作用，“做一做”简单的实验，就知道了氧气的助燃性和氧化性;最后“用心体会”氧气对生命、生态、生活和生产的无可替代的作用，从而让学生更好地热爱自己、热爱环境、热爱社会。
动态优化控制 篇3
在风电场就地配置储能系统(BESS)是提高电网接纳风电能力的重要措施。在各种风储协调控制方法中,低通滤波器(LPF)[1,2,3,4]控制是一种简单而实用的控制方法。但LPF控制对未来风功率的变化缺乏预见性,这限制了其在风功率波动较大时的控制效果。此外,随着风储协调应用的深入,控制从单目标变为多目标,从初期的主要考虑减少风电场出力波动,到同时关注储能充放电效率和使用寿命,以兼顾技术性和经济性。但在LPF方法中难以直接表达多个优化目标。
与之相比,模型预测控制(MPC)[5]能够充分利用风电功率预测信息,且能够显式表达多个优化目标和约束条件,故近年来被广泛讨论和应用[6,7,8,9,10]。例如:文献[7]以减小储能充放电功率及控制储能荷电状态(SOC)于理想值附近作为子目标;文献[8]考虑了风电场收益、并网功率平滑及储能出力等多个子目标;文献[9]将风电场并网功率波动及储能出力的不等式约束乘以惩罚因子加入目标函数中,并采用粒子群算法优化LPF滤波时间常数;文献[10]考虑了储能SOC控制、储能充放电功率控制及并网功率波动控制等子目标。
事实上,不仅是风储协调控制,电力系统的诸多最优控制都需要求解多目标优化问题[11,12,13]。考虑到控制的实时性,应用中常采用权重法将多目标优化转换为单目标优化问题进行求解。由于权重系数反映了对各子目标的偏重程度,权重系数的选择就变得至关重要。上述文献皆采用固定赋权法,即在离线状态下,通过反复试验或者某种主观赋权法(如层次分析法[4])来确定权重系数,该权重系数在系统运行中不再改变。
虽然在传统电网中,固定赋权法取得了很多成功的应用,但是在以风电接入作为典型应用的智能电网控制中,固定赋权法将难以适应智能电网固有的随机性特点。这是因为,离线状态下无法穷尽系统的所有可能状态,从而难以依靠有限的仿真场景来决定各子目标的权重;同时,在一个时变的环境中,各指标的相对重要性也可能在不断变化。
本文在文献[10]的基础上,提出了一种基于动态赋权的风储协调多目标优化控制方法。首先,对文献[10]的固定赋权法进行分析,通过仿真验证了该方法并不能适应变化的风电功率场景;然后,提出一种基于网格化搜索的权重系数在线调优方法;为了判定最优的权重系数,提出了一种基于隶属度与熵权法的评价方法。与已有的固定赋权法相比,本文方法能够根据未来风功率的场景自适应地调整各子目标的权重系数。
1 基于固定赋权的风储协调多目标控制
1.1 风储协调控制中的优化目标
文献[10]考虑了以下三个风储协调优化目标。
1)从储能自身角度,避免过充过放是延长储能使用寿命、提高储能应用经济性的重要措施;从控制角度,将SOC控制在理想值附近,有利于储能系统的安全、持续运行[1,2,3,4]。为此,设计了子目标函数J1:
式中:L为储能的理想荷电能量;y(k)为储能剩余能量;k为当前预测时域内的采样序列;M为预测时域长度,若风电场每隔15min向调度中心上报未来4h的风电功率预测值[14],则M=4h/15min=16。
2)由于储能内阻的存在,储能充放电效率与其充放电功率有关[15,16],为此,应控制储能的充放电功率。因此设计子目标函数J2:
式中:x(k)为储能输出功率。
3)风储联合发电系统的并网功率的波动程度应受到限制,因此设计子目标函数J3:
式中:u(k)为并网功率;Δu(k)=u(k)-u(k-1),为并网功率波动值。
令r(k)表示风电场的原始出力,则x(k),y(k),u(k)应满足如下状态方程[7,10]:
通过引入权重系数α和β,将上述多目标优化问题转化为单目标优化问题,目标函数如下[10]:
文献[10]基于MPC原理,在有限时域内滚动求解上述带约束的二次规划问题,形成最优并网功率的控制轨迹,并据此指导LPF方法,使之能够兼顾对长短期风电功率波动的平抑。
1.2 权重系数对多目标优化结果的影响
式(5)中权重系数的选择会对优化结果起到决定性作用。为验证这点,选择风电功率随机波动和连续下降等两个场景进行仿真分析,详细结果见附录A。根据附录A的分析,不难得出如下几点结论。
1)权重系数会显著影响各子目标的优化结果。当增大其中一个权重时,对应的子目标值将减小。
2)对同一风功率场景,不存在一组权重系数能使各子目标同时最优,即子目标之间存在一定的冲突。
3)不存在一组固定的权重系数,能够适应变化的风电功率场景。
可见,对于风储协调中的多目标优化问题,固定赋权法不具备对变化的风功率场景和储能状态的自适应性。当权重系数不再适合当前状况时,控制器的性能就会下降。而若能够根据系统状态动态调整权重系数,则可以始终将风储协调控制器保持在最佳状态。
2 权重系数的在线调优方法
本文提出了一种权重系数的在线调优方法。设s为调优次数,其初值为0。则该方法包含如下步骤。
步骤1:设当前权重系数为αs和βs,将各权重系数向其邻域离散化为5个水平,如表1所示。其中,Δα和Δβ为离散间隔。
步骤2:对表1中的第2和第3列作笛卡尔积,结果中包含p=52=25组权重系数。将每组权重系数代入式(5),可求得J1,J2,J3三个子目标值,从而得到评价矩阵Jp×q元素,如表2所示,其中q=3。
步骤3:找出最优试验组。设有评价函数f,可以计算出各组试验的综合评价指标值Xi。
如果评价指标以大者为优,则最优试验组为:
步骤4:将表1中的αs和βs更新为最优试验组所对应的权重系数。令s=s+1,重新执行步骤1至4。
如果将上述试验中的每一组权重系数(αs,βs)看作α-β平面上的一个点,那么上述步骤可视为在该平面中进行网格化寻优的过程,如图1所示。设初始权重系数位于W0(α0,β0)点。以W0点为中心,根据表1构造含25个点的区域A。在区域A中找到最优的权重系数组,设为W1(α1,β1)点。然后以W1点为中心构造区域B,重复上述过程。在图1中,点W0至W3的变化轨迹反映了权重系数自动调优的过程。
下面对上述过程做出几点讨论。
1)寻优区域与离散间隔。当权重系数之间相差超过两个数量级时,某些子目标就会被极度忽视。为避免这种情况,本文将α和β的搜索范围限定在[0.1,9]区间内。离散间隔Δα和Δβ皆设置为0.2。
2)优化周期和结束条件。权重系数调优周期与MPC的采样周期一致,即每15 min执行一次。当满足如下任一条件时,本优化周期内的调优过程即结束:(1)(αs+1,βs+1)=(αs,βs);(2)s≥10。
3)推广到一般情况,如果需要优化的权重系数较多,则需要在高维空间内寻优,这样容易产生组合爆炸问题。此时,可采用正交试验设计方法[17]减少试验次数。关于正交试验设计的详细内容见附录B。
下面的问题是如何定义式(6)中的评价函数f。为此,本文引入了信息熵的概念。
3 基于隶属度与熵权法的评价方法
本文将评价矩阵Jp×q视为一个含有p个评价对象、q个评价指标的多指标综合评价问题[18]。首先对各指标值做无量纲化处理。
3.1 基于隶属度函数的指标无量纲化处理方法
常用的无量纲化处理方法有极差法、比重法[18]等。本文提出了基于隶属度函数的无量纲化处理方法。隶属度函数表达式为:
式中:Ji,j(i=1,2,…,p,j=1,2,…,q)为表2中的评价指标值;μij为无量纲化结果,代表决策者对该指标值的满意度,μij∈[0,1];Jj_1和Jj_2分别为评价指标Jj的满意值上限和允许值上限,其确定方法见附录C。
由于Ji,j以小者为优,故隶属度函数选用降半梯形分布。当某评价数据Ji,j小于Jj_1时,就认为该指标值已达满意,进一步减小已无必要。可见,上述隶属度函数方法不但实现了无量纲化处理,而且具有模糊评价特性,能够更为客观地反映风储协调控制的实际需求。
3.2 基于熵权法的评价函数
经过上述处理后,原始评价矩阵Jp×q被转换为隶属度矩阵:
式中:mpq为第p个评价对象、第q个评价指标的隶属度。
在上述矩阵中,某一项指标在不同评价对象间的差异性越大,说明其所提供的信息量越大,那么在综合评价中,该指标应被赋予更大的权重。根据信息论的基本原理,熵是系统无序程度的一个度量,故本文利用信息熵来定义指标的差异性。
对矩阵μ做标准化处理后,第j个指标的熵值为[18]:
式中:,当fij=0时,令fijln fij=0;k=1/ln p。
根据上述定义,某项指标在不同评价对象间的差异性越大,熵值越小。由指标的熵值可得到该指标的熵权:
考虑一个极端情况。假设某项指标在不同评价对象上的值完全相同,那么根据式(10),其熵值达到最大值1,对应的熵权为0。这表明该指标在决策中未能提供任何有用的信息,应该从多指标综合评价体系中去除。这样,可以利用熵权定义如下的评价函数:
将上述评价函数代入式(6),即可得到综合评价指标Xi;由于μij以大者为优,故利用式(7)即可确定最满意的一组试验,进而确定最优的权重系数。
需要强调的是,式(5)的权重系数与式(11)的熵权存在本质区别。前者代表物理上的重要性,而后者则是从信息角度考虑。权重法是对具有不同量纲的物理量做加权和,具有不可公度性,这使得针对不同的(α,β)组合,不能利用式(5)比较不同权重系数间的优劣。而本文利用熵权法,首先将各评价指标转换为可以同度量的满意度,然后利用式(12)找出具有最大满意度的试验组,从而间接确定最优的(α,β)组合。
4 算例分析
4.1 算例系统
本文以上海崇明岛某48 MW风电场为研究对象,在MATLAB中建立算例模型,比较采用固定赋权法与动态赋权法的风储协调控制效果。固定权重系数值取自文献[10],即α=1,β=2。风电场配置的储能容量为10 MW·h,约占风电场容量的20%,额定充放电功率为10 MW。理想SOC设为60%,SOC允许变化范围为[0.1,0.9]。LPF滤波时间常数为200s,储能控制周期为20s。风电场爬坡率的限制参考文献[14]:10 min和1 min的有功功率变化限值分别为16 MW和4.8 MW。选择风电功率仿真场景如图2所示。
4.2 动态赋权法与固定赋权法的对比测试
将动态赋权法的(α,β)初始值设定为(1,1)。设初始SOC为20%,接近其下限。得到SOC的变化曲线、储能出力的累计概率分布曲线,以及风电并网功率波动曲线,分别如图3、图4、图5所示。
1)SOC控制
结合图2与图3可见,由于引入了MPC,固定赋权法和动态赋权法都可以根据未来风功率的变化对储能SOC实施智能调控,使之尽快恢复并维持在理想值附近。两者比较,动态赋权法对SOC的控制能力明显优于固定赋权法。由于在实际工程中,整个储能系统的SOC上下限是由性能最差的电池组决定的[1],所以,将SOC控制在中值附近有利于储能系统长期安全、可靠运行,具有重要的实践意义。
作为对比,图3还给出了常规LPF方法的控制效果,其对SOC的调控能力明显较差,且在3h附近发生了SOC越限,这降低了储能系统持续平滑功率波动的能力。
2)储能输出功率
由图4可见,在储能出力控制方面,动态赋权法优于固定赋权法。例如,采用固定赋权法时,储能出力小于3.8MW的概率为80%;而采用动态赋权法时,相应的储能出力减少为3.3 MW。
3)并网功率波动性
仿真结果表明,动态赋权法和固定赋权法在1min尺度上的风电功率平滑效果非常接近。这是由于在给定储能配置下,1 min尺度的平滑效果主要受LPF方法中滤波时间常数的影响[10],为此本文重点讨论10min尺度。由图5可见,两种方法在平抑功率波动方面皆满足文献[14]的并网要求。
观察图5可见,在3~6 MW的低功率波动区间,动态赋权法的功率平滑效果稍差于固定赋权法,而在高功率波动区间内,两者基本没有差别。对此现象,将在下节结合权重系数的动态变化进行分析。
4)权重系数的动态变化
采用动态赋权法时,权重系数的变化情况见图6。下面结合图3至图5进行分析。由图5可见,风电低功率波动区间主要分布在0~6h和10~15h时段。在上述时段,动态赋权法将控制重点放在了储能SOC上,这表现在α和β均取较小的值,从而加大了子目标J1的相对权重。由于此时风电功率波动性不是主要控制目标,导致并网功率平滑性稍差。但由于原始风电功率波动较小,故对应用效果影响较小。而在6~10h阶段,由于SOC已回到理想区间(见图3),而此时风电功率波动较大,因此动态赋权法将控制重点转向了子目标J3,这表现在显著增大了权重系数β。同时为了控制储能出力,权重系数α也被增大。从风电并网功率平滑效果看(见图5),在此阶段两种方法近乎相同。
由上可见,无论是动态赋权法还是固定赋权法,都不能改变多目标之间固有的竞争关系。但是动态赋权法的优势在于,它可以综合风电功率波动、储能SOC及储能出力的实时状态,动态识别出目标间的主次关系并实施在线调整。
4.3 鲁棒性测试
风储协调控制策略不但要面对不同的风功率波动场景,还要面对不同的储能容量配置、SOC初始值以及不同的权重系数初值设置。下面进一步测试动态赋权法对这些情况的鲁棒性。
1)对SOC初始情况和权重系数初值的敏感性
SOC初值分别选取20%,60%,80%,权重系数(α,β)初值分别选取(1,1),(5,5),(8,8),共9种不同的初始情况,分别进行仿真。仿真结果见附录D。由结果可见,动态赋权法基本不受上述初始条件的影响,权重系数都能很快趋于一致。并且,即使SOC初值在迫近下限(20%)或上限(80%)的不利情况下,本方法都能使其恢复到理想值附近。
2)对储能容量的敏感性
现将储能容量减少至5 MW·h,仅为风电场容量的10%左右,储能额定功率也相应减小至5 MW。仿真结果见附录E。可见,随着储能容量的减小,固定赋权法对SOC的控制效果明显下降,SOC在3h处发生了越限。与之相比,动态赋权法依然保持了对SOC良好的控制能力;在储能出力控制方面,动态赋权法仍然明显优于固定赋权法;在减少并网功率波动方面,由于受到储能最大充放电功率的物理限制,两种方法均出现了轻微的越限情况。固定赋权法和动态赋权法的10 min并网功率不合格概率分别为0.52%和0.41%。
4.4 计算时间
仿真使用的电脑配置为:Inter(R)core(TM)i5-2400,3.10 GHz,仿真软件为MATLAB 2013a。由于MPC的采样周期为15 min,故在15h内,MPC共执行了60次。每次平均用时为1.01s,这相对于MPC的采样周期(15 min)而言,运算速度足以满足应用的实时性要求。由于包含了权重系数的调优计算过程,每次计算的时间并不相同,其耗时柱状图见附录F。
可以证明,式(5)属于凸优化问题,故其收敛速度很快。在一般情况下,注意到表2中的试验是可以并行进行的,故可以通过并行计算来保证控制的实时性。
5 结论
1)风储协调控制需要处理多个不一致的优化目标。利用固定赋权法将多目标优化问题转换为单目标优化问题虽然简单易行,但对于风储协调控制问题,该方法并不能适应风电出力随机性的特点。
2)基于权重系数在线调优的动态赋权法能够根据风电功率波动情况、储能SOC以及储能出力情况,自适应地改变各子目标的权重。较之固定赋权法,动态赋权法能够减少储能出力,从而提高储能充放电效率。同时,能够显著改善对储能SOC的控制效果,从而提高在恶劣工况下控制策略的可持续性,并延长储能的使用寿命,提高储能应用的经济性。
3)本文方法具有客观赋权的特点,仅需设定各权重系数的离散化水平以及各子目标的隶属度函数,而对其他领域知识依赖较少,故也可适应于智能电网中其他的在线多目标优化控制问题。
附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。
摘要：风储协调控制中需要处理多个具有不一致性的子目标,各子目标的权重系数对控制效果具有关键作用。首先,通过仿真分析验证了基于固定赋权法的多目标优化控制难以适应风电出力的随机性特点。然后,提出一种通过网格化搜索进行权重系数在线调优的动态赋权方法。为了判定最优的权重系数,提出了一种基于隶属度与熵权法的评价方法。算例分析表明,所述方法能够根据风电功率波动情况、储能荷电状态(SOC)及储能出力等情况,自适应地改变各子目标的权重系数,从而在平抑风电功率波动的同时,提高了储能充放电效率,并显著改善对储能SOC的控制效果。
动态优化控制 篇4
摘要： 应用有限元分析方法,对某铝带二辊轧机机架装配系统进行了动态特性仿真,得出了固有频率和振型的变化规律.针对轧机机架的薄弱环节,通过参数化方法进行灵敏度分析和结构优化设计,使系统的动态特性得到提高,该结论为高性能轧机的设计优化,提供了一定的参考.
关键词： 机架装配; 有限元分析; 动态特性; 结构优化
中图分类号： TH 112文献标志码： A
Dynamic Characteristics Simulation and Structural
Optimization of Rollingmill Housing
LI Yongheng, HE Zhongyao
(Luoyang Engineering & Research Institute for Nonferrous Metals Processing, Luoyang 471039, China)
Abstract： By using finite element analysis method,the simulation of dynamic characteristics was performed on the twohigh mill housing assembly system.The natural frequency and vibration mode were obtained.Aiming at the weak components of the mill housing,through the sensitivity analysis and structural optimization method,the dynamic characteristics of the system were improved.The conclusion will provide a certain reference for the design optimization of highperformance mill.
Key words： housing assembly; finite element analysis; dynamic characteristics; structural optimization
0前言
轧机机架是工作机座的重要部件,在轧制过程中不仅要承受和抵消主要负荷,而且在咬料和抛料时还要承受强烈的冲击振动［1］.机架的振动严重影响了产品的质量和精度,限制了轧制速度的提高,轧机的剧烈振动甚至可能造成断带或设备损坏［2］.因此,轧机机架除了要有足够的强度和刚度外,还必须要有较好的动态特性.对轧机振动理论和现象的研究已成为现代轧机设计和安全生产所必须注意的问题［3］.本文应用有限元分析方法,对某铝带二辊轧机机架装配系统进行动态特性仿真,旨在通过参数化方法进行灵敏度分析和结构优化设计,使系统的动态特性得到提高.
1轧机机架装配系统模型的建立
1.1轧机机架装配的实体模型
机架装配包括底座、机架、导轨、轧辊锁紧装置、横梁和滑板等.两片机架和上部横梁及下部导轨通过螺栓固紧后装配在底座上,成为整体机架.在机架窗口内侧面装有滑板,在机架操作侧装有锁紧装置,如图1所示.图1轧机机架装配模型图
Fig.1Model drawing of rollingmill
housing assembly
1.2轧机机架装配的有限元模型
在建立有限元模型之前,需要对实体模型进行必要的简化,忽略对模态影响很小的圆角、倒角、孔特征、锁紧装置、滑板、底座、螺栓以及螺母等零部件.然后将简化好的模型通过InventorWorkbench的接口菜单直接导入AnsysWorkbench工作平台中.
上海有色金属第35卷
第2期李永恒,等:轧机机架的动态特性仿真与结构优化
2轧机机架动态特性仿真与分析
2.1轧机机架装配模态计算结果
经过有限元分析计算,得到机架装配系统的前9阶固有频率及相应的振型.表1列出了各阶模态的固有频率和对应的振型描述.各阶振型如图2(a)～图2(i)所示.
表1机架固有频率及振型描述
Tab.1Natural frequency and vibration
mode of housing
模态
阶数固有频率/
Hz振型描述167.62整个机架绕X轴前后摆动(同向)2115.57整个机架绕Z轴左右摆动(同向)3136.67整个机架绕Y轴扭摆(同向)4227.44立柱绕各自对称中心线Y轴扭动(反向)5406.79立柱绕各自腰部中线Z向鼓动(同向)6469.21立柱绕各自腰部中线Z向鼓动(反向)7501.11立柱绕各自腰部中线Z向交错鼓动(同向)8663.17前后机架沿Y向同步垂直振动(同向)9691.78前后机架沿Y向交错垂直振动(反向)2.2模态仿真结果分析
(1) 前三阶模态的振型主要是机架的整体振动,随着阶数的增高,立柱、导轨、横梁的振动幅度增大.这说明低阶模态往往表现出系统的整体振动,高阶模态反映了系统的局部振动.而在轧制过程中由于负载或者轧制速度的变化会产生激振频率,若与系统固有频率接近,就会发生共振.所以应尽量避免低阶整体共振,减小重要部件高阶局部共振.
(2) 从第四阶(227.44 Hz)、第五阶(406.79 Hz)、第六阶(469.21 Hz)、第七阶(501.11 Hz)以及第九阶(691.78 Hz)的振型变化中,可以发现:立柱均出现整体或者局部摆动、扭动以及中间部位的鼓动,最大值达到2.23 mm(第四阶).综合这几阶立柱的振型情况,可知立柱是机架中的薄弱部位,有必要对其进行适当的结构优化设计,提高其刚度.
3轧机机架动态特性灵敏度分析与结构优化设计3.1动态特性灵敏度分析
对于机架振动系统而言,动态特性的灵敏度分析可以获得机架结构设计参数(主要指结构的尺寸、形状、质量、材料等)对机架特性参数(固有频率、各阶振型、总变形等)的影响程度.根据分析结果再对结构进行优化设计.立柱是机架的薄弱部位,所以本文重点对立柱进行分析和优化.
选取机架立柱的3个主要参数作为设计变量.分别是立柱的截面长度(DS_A)、宽度(DS_B)和总高(DS_H).然后分别以机架的一阶固有频率、四阶固有频率以及机架总质量作为目标函数.优化的目标是:提高机架的固有频率,降低振动变形,同时适当降低质量.图3给出了各个设计参数对机架固有频率和总质量的影响程度.
基于图3参数灵敏度图,可得到如下结果:
(1) 立柱截面长度、宽度和总高与质量均正相关.其中,宽度对质量影响最大,参数灵敏度数值约为0.125;其次是总高,约为0.1;最小为长度,参数灵敏度数值约为0.05;
(2) 立柱截面长度和宽度与一阶、四阶固有频率正相关,高度与固有频率负相关.其中,高度对一阶、四阶固有频率影响最大,灵敏度数值分别约为-0.38、-0.35,宽度灵敏度数值分别约为0.24、0.19,长度灵敏度数值分别约为0.05、0.01.图2轧机机架各阶模态振型图
Fig.2Drawing of each order modal vibration mode
图3参数灵敏度图
Fig.3Drawing of parameters sensitivity根据以上分析可知,为满足优化目标,优化的方向为:尽量减小机架立柱高度,增大截面宽度,适当改变截面长度.
3.2机架结构优化设计
在灵敏度分析的基础上,对轧机立柱进行结构优化设计,综合考虑轧辊装置、辊缝调节量,并将优化后参数取整,优化结果见表2.
从表2中可以发现,通过改变机架立柱结构设计变量,机架质量有所降低,同时较大幅度提高了机架装配系统固有频率,说明通过对立柱的优化设计,提高了机架装配系统动态特性的预期目标.
表2机架优化前后各参数对比分析
Tab.2Each parameter analysis before and after optimization
模型DS_A/mmDS_B/mmDS_H/mm机架质量/kg一阶频率/Hz四阶频率/Hz原模型1301101 250539.5467.62227.44优化模型1301151 130526.9782.99256.70变化率/%04.55-9.60-2.3322.7312.86
4结论
(1) 对轧机机架装配系统进行有限元建模,并对其进行动态特性分析,获得系统前八阶模态固有频率和各自对应的振型图,同时分析总结前八阶振型情况,确定机架立柱为薄弱部位,是结构动态优化设计的目标.
(2) 通过动态特性灵敏度分析,获得了3个设计参数对一阶、四阶固有频率以及机架总质量目标函数的影响程度,确定了优化设计方向.优化后的结构质量降低了2.33%,一阶和四阶固有频率分别提高了22.73%和12.86%,机架装配系统的动态特性得到了显著提高.参考文献:
［1］邹家祥.轧钢机械［M］.3版.北京:冶金工业出版社,2004:186-245.
［2］赵弘,白晶.轧机振动及非线性分析［J］.机械,2003(5):16-19.
［3］李谋渭.轧机振动研究的新进展［J］.重型机械,1994(6):8-11.第35卷第2期2014年6月上海有色金属SHANGHAI NONFERROUS METALSVol.35, No.2Jun. 2014
动态优化控制 篇5
关键词：系统设计,基本优化单元,最小延误,复杂关联交叉口群
车辆在路网中的行为规律受到交通信号的影响,研究交通信号对车辆的影响多是从交叉口着手。单个交叉口的控制效果最优往往不能实现路网系统的控制效果最优,由此产生了以关联的交叉口群为控制对象的交通信号控制系统,这方面国外已进行了大量的研究[1,2,3,4,5,6],成果包括各种已经投入商业应用的系统,国际上较著名的交通控制系统主要有英国的Transyt和SCOOT系统,澳大利亚的SCATS。由于我国交通状况的特殊性,而且车辆性能也与国外有较大差距。因此,针对我国城市交通现状,建立符合我国交通客观规律的关联交叉口优化控制系统有着重要意义。
1 动态关联交叉口的定义
关联交叉口是一系列地理位置毗邻且满足以式(1)、(2)、(3)条件的交叉口群。由此一系列n(n≥2)个交叉口组成的交叉口群称为关联交叉口群,交叉口群符合关联交叉口定义是进行区域协调控制的必要条件。由式(2)、(3)可知关联交叉口的交通流之间存在关联性且其关联性度量动态变化,在不同条件下,同样的交叉口之间可能存在不同的关系(关联或非关联)。
与式(1)地理位置毗邻交叉口之间的距离可以有效地反映交通流的非随机离散现象;式(2)描述的是交通流的延续性;式(3)描述的是上游交叉口出口处的交通流与下游交叉口停车线断面处的交通流之间存在的可预测时间序列关联程度(可以是灰色关联度或非线性关联度[7])。
2 复杂关联交叉口控制系统设计
2.1 复杂关联交叉口优化策略
由图1可知,由5个交叉口组成的交叉口群在保持其关联特性不变的前提下可以拆分为4个基本优化单元,通过本文建立的模型和设计的系统同时对这4个基本单元并行优化。
2.2 车流通过关联交叉口延误的计算方法
车流在经过交叉口时遇红灯受阻可以分为2种情况:一种是车队头部到达si交叉口时遇到红灯受阻(即车队的第一辆车到停车线处便遇到红灯),另一种情况是车队前面的车到达si时并没有遇到红灯,而是在车队部分通过交叉口后信号灯由绿灯变为红灯而受阻,将这种情况定义为车队行进中受阻。在以往的研究中只是笼统地把车队在交叉口的延误当作车队头部受阻的情况来处理,而没有考虑车队中部受阻的情况。
1)车队头部受阻。
车队至少要等到红灯结束后才能驶出停车线,由X的取值很容易知道车队要等待红灯时间的时长(设为μ)。当车队开始消散时,由车辆数守恒可以列方程求出车队的排队消散时间(设为t)。如图2所示。
要求车流头部受阻时的停车延误,必先求车流排队消散时间,由排队车辆数守恒有:
此时:μ=-X=-(0.8li/vi-α),解方程求
出t值,根据所求得的t值,再求下行车流在交叉口产生的延误:
2) 车队行进中受阻。如图3所示。
μl=-X-rh=-(0.8li/vi-α)-rh,周期产生的延误值如下:
3) 基本优化单元延误计算式。由式(4)、(5)得到下行车流在交叉口产生的延误:
设第ε个基本优化单元一个周期内的延误值为Dε,经过前面分析有以下结论:Dε(α)=D1(α)+D2(β),相位差α和β有以下关系:β=T-α。T为交通信号周期。由此得:
4) 关联交叉口群总延误。
式中:第2项为交通流通过关联交叉口群的入口时所产生的延误。式(9)为经过m个信号周期的时间,关联交叉口群的总延误表达式。
3 程序设计流程
本优化程序采用“模型预测、滚动优化、在线反馈”的思想[7]。
3.1 系统GUI交互界面设计
在进行程序设计之前,要根据数学模型算法,先用Matlab Graphical User Interfaces工具设计本系统的人机交互界面。
图4是针对本系统设计的人机交互界面。其中有12个参数输入框,可以方便地更改系统的各项参数,适应不同特性系统的优化计算;交互界面还有5个图形输出框,用户可以直观地看到各个
相关函数的变化趋势;此外还设置了2个程序运算结果输出框。
3.2 实例应用及仿真试验
完成建模和Matlab程序编写之后,用实例和仿真实验来验证模型及程序的正确性和有效性。应用Vissim3.6仿真软件,选取广州市天河区主要道路组成的关联交叉口群作为控制优化实例并进行仿真试验,建立如图5的仿真试验平台。
1) 实验数据。
见表1、表2所列。
2) 图形输出及运算结果。
见图6～8所示。
注:I1 、I2、 I3 、I4为4相位信号灯控制交叉口,每个方向有专用左转相位,表中绿灯时间I1为80 s(东西方向直行相位)+40 s(东西方向专用左转相位),其余同理;I4为90 s(南北方向直行相位)+45 s(南北方向左转专用相位)。
广州天河区白天不允许货车进入,所以本实验只设置小汽车和公交车这2个车种。由图6可以看到,由I1 、I2组成的基本优化单元C1的最优相位差为28 s。实验结果见表3所列。
4 结 语
1) 将关联交叉口群的优化转化为对其单个子系统的优化,各子系统的优化过程可以并行进行,求解和运算效率高,有利于建立实时的交通控制系统。优化一个子系统只需要2～3 s,具有响应速度快的优点。
2) 本文设计的关联交叉口优化控制系统需要的参数可以通过多种途径获得;使用本文提供的方法对复杂关联交叉口群信号配时进行优化在系统总延误上要优于传统方法。
参考文献
[1]Ceylan,Halim,Bell,Michael G H.Traffic signal timing op-timization based on genetic algorithm approach,includingdriver’routing[J].Transportation Research Part B,2004,38(4):329-342
[2]Hounsell N B,McDonald M.Urban network traffic control[J].Proceedings of the Institution of Mechanical Engi-neers.Part I,2001(14):89-118
[3]SCOOT traffic handbook[M].TRRL.1983
[4]Sydney Coordinated Adaptive Traffic System[R].DMR.Australia:36-49
[5]FHWA.TRANSYT-7F User’s Manual[R].US.DOT,1983:87-105
[6]靳文舟,黄一峰.基于粒群理论的干道协调控制优化研究[J].交通与计算机,2008,26(1):31-34
动态优化控制 篇6
变电站动态电压无功优化控制是指在电网负荷不断变化的情况下,通过调节变压器的分接头位置和无功补偿设备的容量,在满足设备和系统运行约束的基础上,向用户提供合格的电能,最大限度减少电网中无功功率的传输,从而降低网络损耗,其对电网的安全、经济、稳定运行具有重要的现实意义。
在实际变电站动态电压无功调度中,由于负荷的变化和波动,可能会引起有载调压变压器分接头和并联电容器组的开关动作。当这种动作比较频繁时,不仅会破坏设备的绝缘水平,加速设备的老化,影响其使用寿命,而且会造成事故隐患,因此在变电站动态电压无功优化控制过程中,不仅应该考虑有载调压变压器分接头和并联电容器组的开关在一个调度周期内的总动作次数,而且应该考虑其相邻两次动作要大于某最小时间间隔。
现有的变电站电压无功优化控制策略主要有以下几种:工程中常用九区图策略或在此基础上进行改进的方法[1,2,3],其都是基于固定的无功上下限而来,考虑无功调节对电压的影响及其相互协调关系,用于运算分析的信息的分散性、随机性的特点造成控制策略的盲目性和不确定性,表现为设备的频繁动作。基于负荷预测的变电站电压无功控制策略[4,5],其准确性依赖于负荷预测的正确性和可行性,所以通过负荷预测获得的控制策略在工程实际应用中难以取得很好的效果。还有一些基于人工智能方法的控制策略受到重视,如专家系统[6,7]、禁忌搜索法[8]、遗传算法[9]等,专家系统法能较好地解决电压无功控制的问题,但这种策略的优劣在很大程度上依赖于知识库质量的高低。而禁忌搜索法尽管搜索速度比较快,但其全局解的质量依赖于初值的好坏;而遗传算法以其具有很强的鲁棒性,全局寻优能力强等优点,能较好地解决无功优化控制问题,但已有的基于遗传算法的变电站电压无功控制策略并没有详细考虑控制设备的频繁动作问题。
本文结合实际变电站电压无功控制的要求来研究变电站动态电压无功优化模型和算法。模型中增加变压器的分接头和并联电容器组的控制开关连续调节的时间间隔的约束。优化算法是对基本遗传算法的适应度函数、遗传算子等改进,不但能有效解决动态电压无功控制中开关频繁动作问题,而且有利于进一步提高其计算速度和改善收敛性。
1 数学模型
假设优化周期为N小时,则优化周期内第i时段的负荷为Pi+jQi(i=1 2,…,N),对于第i时段某变电站有r台带分接头的变压器,这r台变压器应该并列运行,变压器的分接头挡位在实际运行过程中都可表示为Tapr(i)(i=1,2,…,N),低压侧用来进行无功补偿的电容器组有l个可投切电容器,设在第i时段上第n个电容器Cn(n=1,2,…,l)的状态为Cn(i),则可定义:Cn(i)=1,表示第i时段第n个电容器是合上的;Cn(i)=0,表示第i时段第n个电容器是断开的。
另外,可以定义此研究系统第i时段主变分接头的位置和电容器的状态为:
式中:Xi表示第i时段变压器分接头的挡位和电容器的状态。动态优化过程是求取一系列变压器分接头的位置和电容器的状态取值,使N小时内目标函数最优。
例如,如图1所示,某一变电站简单的示意图,研究周期为一天(24 h),则N=24。变电站一台主变的分接头有5挡,若Tap1(t)=-2,表示第t小时变电站主变的分接头挡位位于-2挡;补偿电容器组有l=3个电容器,若C2(t)=1,表示第t小时第2个电容器是合上的;C2(t)=0,表示第t小时第2个电容器是断开的。若Xt=[-2,1,0,1],表示第t小时变电站主变的挡位为-2挡;3个有电容器的状态分别为:C1(t)=1,合上;C2(t)=0,断开;C3(t)=1,合上。
1.1 目标函数
本文从安全性和经济性两方面考虑,选择以变电站二次母线电压允许的偏差和主变功率因数为控制目标。
(1)安全性目标
维持变电站二次母线电压在规定的范围内,该范围按照调压的要求进行设置,选择变电站二次母线电压与指定值的偏移为控制目标之一。
(2)经济性目标
以往关于变电站电压无功控制的研究较多都选择流过主变无功作为控制目标之一[4,6]。本文把对无功的评价转化为对功率因数的评价。如果以无功作为控制目标,根据无功投切电容器,特别是允许倒送无功功率的情况下,无法根据有功功率的分量判断是否损耗最小。所以采用功率因数作为控制目标,可以综合反映了有功功率与无功功率,能比较准确地反映损耗。
通过合理选择上述两个子目标的权重,可以对安全性和经济性进行全局考虑。
1.2 约束条件
约束条件有等式和不等式约束。
其中:式(4)为功率平衡方程;式(5)为变电站低压侧母线的电压约束;式(6)是主变的功率因数的限制;式(7)是第i个电容器在调度周期N时段内允许最大总动作次数nQi;式(8)是第k台变压器分接头在调度周期N时段内允许最大总动作次数nTk。本文认为电容器组和变压器分接头开关每调节一次即为动作一次。
考虑到实际的变电站动态电压无功调度过程中,分接头的频繁调节不利于有载调压变压器的安全运行,由于有载调压变压器约有80%的故障都是由有载调压分接头引起的,为了限制分接头在调度周期内连续调节的幅度,必须限制有载变压器的分接头相邻两次动作大于某一最小间隔时间。
式中,m为变压器分接头开关动作的最小间隔时间。
本文对于同一节点上同容量的电容器采用轮换投切的方法,使开关的使用几率平均,避免个别电容器由于频繁动作而降低使用寿命。另外,考虑在整个调度周期内,可能会产生前几个时段电容器动作过多,而后期电容器由于动作次数的限制不再动作,给电容器的动态调度以及经济运行带来不便。所以增加对于每台电容器相邻两次动作必须大于一定的最小时间间隔。
式中,n为每台电容器开关动作的最小间隔时间。
求解式(2)~(10),可以得到变电站动态电压无功优化控制策略。
2 改进遗传算法
变电站动态电压无功优化控制是一个具有时空复杂性的非线性混合整数优化问题。由于遗传算法具有较强离散变量处理能力,并能全局寻优,适合于用遗传算法求解。但是,在实际应用研究中,早熟和收敛速度慢是影响基本遗传算法效率的两个主要因素。本文对基本遗传算法适应度函数、遗传算子等进行了改进。
2.1 适应度函数
在遗传算法中,适应值是用来区分群体中个体好坏的标准,是进行自然选择的唯一依据。改变种群内部结构的操作皆通过适应值加以控制。
本文对适应度函数选取,通过引入隶属度的概念,主要采用对变电站动态电压无功优化控制模型的目标函数的模糊性,然后根据模糊判据,求取目标函数的模糊极大集,确定目标函数的最优。将二次侧电压的允许偏差和功率因数模糊化[5]。
(1)模糊变量|ΔU2i|的隶属度函数(如图2)
表达式为:
(2)模糊变量cosϕi的隶属函数(如图3)
表达式为:
采用隶属度函数概念后,目标函数转化为适应度函数可以表示为:
式中:ρ1、ρ2为权重系数,并且ρ1+ρ2=1。
采用目标函数的模糊化后,隶属度函数的和即为适应度函数,经过如此处理后适应度小于某一门槛值就被淘汰,大大减少了计算量,节省计算时间,加快搜索速度。
2.2 选择算子
选择算子是遗传算法中最能体现自然界“优胜劣汰,适者生存”的基本规律。选择过程要保证优秀的个体有较大的概率产生新个体,同时选择方法要保证有较大的寻优范围搜索全局最优解。本文选择操作采用锦标赛选择法与最佳个体保留法相结合,可以有效避免早熟现象,提高解的质量。
最佳个体保留法是把种群中适应度最高的个体无条件保留下来而复制到下一代,其优点是进化过程中某一代的最优解可不被遗传操作破坏。但也有缺点:局部最优个体的遗传基因急速增加使进化有可能陷入局部解,而出现早熟现象。
锦标赛选择法在选择时,从种群中随机地选取k个个体,找出这k个个体中适应值最好的个体作为最优个体,这个最优个体就是下一代种群中的一个个体,这个过程重复n次就产生了新的种群。这里的k为竞赛规模,k>1,k是与群体规模有关的值。这种方法不但使种群在解空间有较好的分散性,避免早熟,陷入局部最优;还能保证入选的个体有较好的适应度。
2.3 交叉和变异算子
在遗传算法的所有操作中,交叉操作是其中最重要的操作,影响着算法的收敛速度和能否收敛到全局最优解。交叉算子的设计包括如何确定交叉点的位置和交叉概率两个方面的内容。
由于交叉点的位置决定了交叉操作的有效性。如果交叉点的位置选择得不合适,可能产生和父代个体一样的子代个体,导致交叉操作无效,降低算法的计算效率,所以首先确定交叉点的有效区域,然后在该有效区域内随机选择交叉点,确保交叉操作有效性。
本文交叉点的有效区域确定方法如下[10]:
设两个不同的个体:xi=[gi1,gi2,…,gin],xj=[gj1,gj2,…gjn]。
如果存在这样的情况:
则有效交叉区域为[Mmin,Mmax]。
遗传算法的运行参数交叉率Pc和变异率Pm的大小直接影响算法的收敛性。为了避免选取交叉率与变异率的盲目性,提高遗传算法的求解效率,本文根据适应度函数性质在推荐范围内[11],采用交叉率与变异率存在最优组合的思想[12],选取交叉率和变异率。指导思想是:在迭代初期,交叉率应该比较大,选择与其对应的较小的变异率,确保计算过程的平稳进行;在迭代后期,种群中的个体已趋于稳定,交叉率应该降低,选择与其对应的较大的变异率,以便有机会跳出局部最优;同时对于适应度值高于群体平均适应度值的个体,选择较低的交叉率和变异率,使它得以保护进入下一代;对于适应度值低于平均适应度的个体,给予较高的交叉率和变异率,使之被淘汰。
在交叉和变异操作中,考虑得到的新个体可能不满足某些约束条件,如变压器分接头和并联电容器组调节次数的限制,此时若直接将新个体剔除,可能满足约束条件的新个体很少,会降低遗传算法的搜索能力;如果在将新个体剔除的同时重复生成新个体,直至生成符合约束条件的新个体,算法可能时间太长,甚至陷入死循环。因此,本文对于重复生成新个体的次数作了限制,超过一定的次数还未符合约束条件,则放弃。这样,既保证了个体的多样性,又保证了算法的搜索速度。
2.4 最优化原理的应用
在变电站动态电压无功控制的过程中,在一个调度周期内,动态调整变压器分接头的位置和并联电容器组状态,使整个调度周期内目标函数最优。对于调度周期内的最优控制策略,应该满足最优化原理。
其中:F(i)表示调度周期N时段内到达第i时段累计的适应度函数的最大值;f(i)表示调度周期N时段内第i-1时段到第i时段的适应度函数值。
2.5 算法的求解步骤
(1)初始化。输入变电站原始数据,包括变压器的容量、阻抗、分接头的挡位;优化时段及该时段的负荷;并联电容器组的数量、容量等;控制变量的个数及各自的取值范围;遗传算法信息,包括每代的染色体个数、遗传代数等。
(2)编码。对各控制变量变压器分接头的挡位、并联电容器组的状态采用二进制编码,产生初始种群。
(3)解码。将种群中各个个体解码成对应的参数值。
(4)求适应度。采用前推回代法对解码后的参数进行潮流计算,求得各个个体的目标函数和适应度函数,用累加的适应度函数来评价个体。
(5)判敛:采用最大遗传代数与本代群体适应值和上代群体适应值比较相结合作为终止进化判据。若收敛,则输出并记录该时段优化方案以及对应的适应度,转到步骤(9)。否则,转到步骤(6)。
(6)实施选择操作。先采用最佳保留个体法保留染色体适应度最大的个体复制到下一代种群,然后采用锦标赛选择法,根据各染色体适应度的大小选择繁殖下一代的母体。
(7)交叉。首先确定交叉点的有效区域,两个个体按一定的交叉率进行交叉操作,然后在该有效区域内随机选择交叉点,以动态交叉率实施交叉操作。
(8)变异。个体按照一定的变异率变异,随机生成每个个体变异点,根据每个个体的适应值,确定与动态交叉率最优组合的变异率,实施变异操作。转到步骤(3)。
(9)判断一个调度周期内优化是否结束?若结束,则根据各时段的策略记录回溯,可得一个调度周期内一系列的最优控制策略。否则,转到步骤(2)。
3 算例分析
本文以图1所示的110/10 k V变电站为例,部分数据来自文献[4],主变的容量为60 MVA,阻抗为0.336(标幺值),分接头共有5档;电容器C1容量为6 Mvar,电容器C2和C3容量为均为4 Mvar,电容器在调度周期内最大允许动作次数为6次,每次动作时间间隔4 h;变压器在调度周期内最大允许动作次数为4次,每次动作间隔5 h;权重系数ρ1=ρ2=0.5。在考虑有载变压器的分接头和并联电容器合理的调节次数的前提下,用改进遗传算法求解变电站动态电压无功优化控制策略。在遗传算法求解过程中,最大遗传代数90,种群规模为60,交叉率和变异率根据最优组合动态调整。求解其部分计算结果如表1。
表1给出在一个调度周期内,将计及调节次数的方案与未计及调节次数的方案进行比较。结果表明,在计及调节次数的情况下,尽管调节效果有一定的降低,但各控制设备的动作次数明显减少,使变电站动态电压无功控制在降低调节效果和调节次数之间达到平衡,降低了变压器的故障率,均衡了各电容器开关的投切次数,更符合实际情况。
表2给出了采用简单遗传算法和改进遗传算法的进化代数和适应度值进行比较。结果表明改进遗传算法可以提高算法的效率,加速收敛,避免陷入局部最优解。
表3给出了迭代第67代收敛的最优方案,从表的数据看出,分接头和电容器组的动作次数符合实际运行的要求,调节效果明显。
4 结论
(1)在考虑变压器分接头和电容器在一个调度周期内允许最大调节次数、连续动作的时间间隔等限制条件的基础上,本文提出一种变电站动态电压无功优化控制的新模型,从而避免了调节设备过度频繁动作,降低由于控制设备频繁动作引起系统故障的可能性。模型合理,满足变电站电压无功实时调度的要求。
(2)针对基本遗传算法收敛速度慢、易早熟的缺陷,对基本遗传算法在适应度函数、遗传算子等方面进行改进。算例结果表明,本文建议改进遗传算法具有较好的寻优能力和计算效率,是一种有效而实用的方法。
摘要：根据实际变电站电压无功调度的要求,提出一种计及调节次数的变电站动态电压无功优化控制的新模型。以变压器低压侧母线的电压允许偏差和主变的功率因数为控制目标;考虑变电站动态电压无功控制中控制设备的开关动作过于频繁,不但可能增加系统的故障率,而且会减少设备的使用寿命,约束条件增加变压器的分接头和并联电容器组的控制开关连续调节的时间间隔。对基本遗传算法的适应度函数、遗传算子等做了改进,以提高计算效率。仿真算例表明,该方法可以提高变电站的功率因数,并减少变电站动态电压无功调度中控制设备的动作次数。
关键词：变电站,分接头,电容器,调节次数,动态优化
参考文献
[1]罗毅,涂光瑜,金燕云,等.基于多区图控制策略地区电网电压无功优化控制[J].继电器,2004,32(5):44-48.LUO Yi,TU Guang-yu,JIN Yan-yun,et al.Control over optimization of voltage and reactive power in regional power network based on multi-region chart control strategy[J].Relay,2004,32(5):44-48.
[2]熊小伏,王志勇.引入负荷预测的变电站电压无功控制[J].电力系统自动化,2003,30(10):58-60.XIONG Xiao-fu,WANG Zhi-yong.Control of voltage and reactive power of substation with load forecasting[J].Automation of Electric Power Systems,2003,30(10):58-60.
[3]朱春明,刘明波,裴爱华,等.变电站电压无功控制范围的整定计算方法[J].电力系统自动化,2003,27(8):70-74.ZHU Chun-ming,LIU Ming-bo,PEI Ai-hua,et al.Setting method for control range of voltage and reactive power in substations[J].Automation of Electric Power Systems,2003,27(8):70-74.
[4]Lu F C,Hsu Y Y.Reactive power/voltage control in a distribution substation using dynamic programming[J].IEE Proc-C,1995,142(6):639-645.
[5]Lu F C,Hsu Y Y.Fuzzy dynamic programming approach to reactive power/voltage control in a distribution substation[J].IEEE Transactions on Power Systems,1997,12(2):681-688.
[6]刘志超,陈宏钟,张伟,等.基于专家系统的变电站电压无功控制装置[J].电力系统自动化,2003,27(2):74-77.LIU Zhi-chao,CHEN Hong-zhong,ZHANG Wei,et al.Substation voltage and reactive power control device based on expert system[J].Automation of Electric Power Systems,2003,27(2):74-77.
[7]Hsu Yuanyih,Lu Fengchang.Acombined artificial neural network-fuzzy dynamic programming approach to reactive power/voltage control in a distribution substation[J].IEEE Transaction on Power Systems,1998,13(4):1265-1271.
[8]任晓莉,程红丽,刘健.基于禁忌搜索算法的变电站电压无功优化控制[J].继电器,2008,36(8):31-34.REN Xiao-li,CHENG Hong-li,LIU Jian.Voltage and reactive power control based on tabu search algorithm for substations[J].Relay,2008,36(8):31-34.
[9]李国柱,王平,陈星莺.基于免疫算法的变电站电压无功综合控制[J].电力自动化设备,2004,24(4):15-18.LI Guo-zhu,WANG Ping,CHEN Xing-ying.Substation voltage and reactive power control based on IA[J].Electric Power Automation Equipment,2004,24(4):15-18.
[10]蔡良伟,李霞.遗传算法交叉操作的改进[J].系统工程与电子技术,2009,28(6):925-928.CAI Liang-wei,LI Xia.Improvement on crossover operation of genetic algorithms[J].Systems Engineering and Electronics,2009,28(6):925-928.
[11]王小平,曹立明.遗传算法—理论、应用与软件实现[M].西安:西安交通大学出版社,2002.WANG Xiao-ping,CAO Li-ming.Genetic algorithms-theory application and software realization[M].Xi’an:Xi’an Jiaotong University Press,2002.
动态优化控制 篇7
随着电力系统复杂性的增加, 尤其是极端自然灾害的频发, 发生电力系统大停电事故的风险也越来越大[1]。现代社会对电力供应的依存度越来越高, 大范围、长时间的停电事故将给社会、经济带来非常严重的影响[2]。为了尽快恢复供电、减少停电损失, 研究停电后的系统恢复控制问题十分重要[3,4]。
电力系统恢复初期, 高压空载或轻载长线路的投入会产生大量的无功功率, 可能导致系统持续工频过电压[5]、发电机自励磁、变压器励磁涌流和谐波过电压, 甚至破坏避雷器和断路器等[6]。合理的持续工频过电压控制策略是保证系统安全快速恢复的重要条件之一。
目前对工频过电压控制的研究大多是针对恢复过程中的特定网架结构, 以控制变量的操作次数最小为目标函数, 从而获得电压控制方案。文献[7]通过灵敏度分析法确定一组最有效的过电压控制变量或扰动变量, 并采用有效因子来综合考虑设备本身和运行条件的约束以及当前状态的调节裕度, 从而使所需的操作数目最小。文献[8]采用分段优化的方式, 在潮流计算和灵敏度分析的基础上, 依次使用专家系统和非线性规划提供电压控制方案。电力系统恢复是一个步进式过程, 在制定恢复方案时, 需要对每一步恢复操作产生的工频过电压进行校验, 以确保恢复方案的可行性。传统的工频过电压控制方法[7,8]基于静态优化策略, 只关注单个恢复断面的电压调整方案, 忽略了网络拓扑变化的连续性以及各恢复断面电压控制方案之间的相互影响, 难以适应电力系统恢复的要求, 因此, 本文将恢复过程中的工频过电压控制构建为动态优化控制问题。
在分析停电系统的特性之后, 以恢复目标为里程碑[9], 可以将恢复过程分为多个恢复序列, 每个恢复序列由投运线路或变压器等恢复操作组成。恢复过程中的工频过电压动态优化控制结合恢复序列的连续过程, 是以恢复序列为优化周期的全过程优化。恢复过程中的电压优化控制的目的在于使系统在满足电压约束的条件下, 提高恢复成功率, 缩短恢复时间, 不考虑网络损耗等正常系统中的动态无功电压控制目标[10,11]。文献[12]考虑恢复的连续过程, 以系统最优潮流的方式, 求解恢复过程中的电压控制问题, 但文中仅考虑了电压安全问题, 且控制变量的取值不能灵活调整, 可能得不到优化结果。
本文针对恢复过程中工频过电压优化控制策略的要求, 结合系统恢复方案和电压控制方案, 以恢复序列的操作风险、电压控制方案的操作时间以及电压偏差为目标函数, 建立了电力系统恢复过程中的动态多目标工频过电压控制模型;利用改进的强度Pareto进化算法 (SPEA2) 求解模型的Pareto最优解, 并采用字典序法选择出适应不同恢复场景的最优方案;采用实际电网算例对动态优化和静态优化的结果进行了分析对比。
1 动态多目标工频过电压控制模型
1.1 目标函数
恢复过程中的动态电压控制的目的在于使系统在满足电压约束的条件下, 提高恢复成功率, 缩短恢复时间。本文结合系统恢复对工频过电压控制的要求, 构建了动态多目标工频过电压控制模型的3个目标函数:恢复序列的操作风险、电压控制方案的操作时间和电压偏差。
1.2 恢复序列的操作风险
图1所示为系统恢复示意图, 对于一个包含N条线路的恢复序列, 通常可以根据途径站点的投运顺序分为N个阶段, 其中, 每一阶段由线路投运和线路投运之后的工频过电压调整两个连续的步骤组成。恢复序列的操作风险用来表示系统按照恢复序列进行恢复时失败的量化指标, 与每一阶段投运线路时失败的可能性以及调整电压控制设备时失败的可能性有关, 各阶段操作风险的累加作为整个恢复序列的操作风险。
1.2.1 线路投运的操作风险
在系统恢复初期, 通常希望投运高压线路形成主干网架以加快恢复进程。空载高压长线路合闸时, 线路对地电容发出的大量无功功率会引起工频电压升高, 并在工频过电压的基础上出现幅值较高的操作过电压[6]。操作过电压冲击会导致变压器铁芯饱和, 从而激发变压器励磁涌流, 在一定条件下可能激发谐振过电压, 造成系统电压波形畸变[13]。工频过电压、操作过电压以及谐振过电压严重时可能会引起保护跳闸、设备损坏, 从而导致恢复方案操作失败。
线路合闸时的等效电路如图2所示。
图2中:Um和Z1分别为系统等效电源和等效阻抗;Z12为线路阻抗;U1为送端电压;U2为受端电压。
恢复过程中的过电压问题是由线路充电电流引起的容性电压升高导致的, 因此工频过电压是影响线路顺利投运的关键因素。文献[14-16]采用线路充电电容评估黑启动以及网架重构阶段工频过电压对恢复成功率的影响, 但充电电容无法反映线路投运时真实的过电压水平, 本文采用图2所示线路合闸后的受端电压U2表征投运线路时失败的可能性。定义第i阶段线路投运时的操作风险为:
式中:Ui为第i阶段线路合闸后的受端电压;U0为受端电压可能出现的最大值, 本文取U0=1.5。
1.2.2 电压调整的操作风险
对于一个可以分为N阶段的恢复序列, 假设在第i阶段控制变量的取值为[Ui, Ci, Ti, Li], 其中Ui, Ci, Ti, Li分别为第i阶段发电机端电压、并联电容电抗器、变压器分接头以及可控负荷组成的向量。当恢复到第i+1阶段时, 网络拓扑发生变化, 控制变量的维数也可能增加。由于投运了新的线路, 系统中无功功率的平衡发生变化, 为了维持各节点电压在安全范围内, 需要对某些控制变量的取值进行调整, 调整后的控制变量的取值分别为[Ui+1, Ci+1, Ti+1, Li+1]。为了避免全过程优化时控制变量“维数爆炸”的问题, 考虑到恢复过程中的工频过电压由恢复序列中新的恢复操作引起, 在一个优化周期内, 尽量选择恢复序列内部或者邻近的电压控制设备作为控制变量。
当控制设备在高压环境下频繁操作时, 产生的局部高温以及冲击电流会破坏设备的绝缘强度, 加速设备老化, 并造成事故隐患, 增加恢复风险[10]。另外, 由于大停电事故发生的概率极小, 调度员缺乏应对大停电的经验, 在时间紧、任务重和压力大的情况下, 操作次数过多会增加误操作的可能性, 从而影响恢复进程[13]。因此, 本文采用第i阶段到第i+1阶段控制设备的调整次数表征第i+1阶段电压调整失败的可能性。定义第i阶段电压调整时的操作风险为:
式中:ni为第i阶段电压控制设备的调整次数;n0为调整次数的参考值, 这里取n0为恢复序列中所有电压控制设备可调整次数的总和。
综上所述, 考虑线路投运和电压调整的连续过程, 定义恢复序列第i阶段的操作风险pi为该阶段线路投运风险与电压调整风险的乘积, 即
则恢复序列的操作风险可以表示为:
式中:N为恢复序列的阶段数。
1.3 电压控制方案的操作时间
电力系统恢复决策对恢复时机有着严格的要求, 电压控制方案的操作完成时间对能否达到恢复目标有着非常重要的影响。
图3所示为发电机启动特性曲线Pg (t) , 其中Tstart为发电机启动时刻, Tctp为从发电机启动到并网的时间, Rr为机组爬坡速率, Pmax为机组最大出力。
在发电侧, 受火电机组物理特性限制, 如果恢复序列完成到达被启动机组的时间Tstart大于最大临界启动时间, 则该机组在相当长的一段时间内将无法启动[17]。为确保后续机组顺利启动, 要求各恢复序列电压控制方案的操作时间要尽可能短。
在负荷侧, 由于温控负荷的冷负荷启动特性, 负荷重新带电时, 负荷量会增大很多, 局部地区甚至会达到故障前的4~5倍[18]。随着停电时间的增加, 这种特点愈发明显, 从而限制负荷恢复步长, 增加操作次数, 延缓恢复进程。
电压控制方案的操作时间与电压控制设备的调整次数有很大关系, 由于不同控制设备所需要的操作时间不同, 调整次数相同的电压控制方案所需要的操作时间也可能有较大区别。恢复过程中网架强度比较薄弱, 同一时间段内只允许调整一种电压控制设备。取调整发电机端电压、变压器分接头、并联电容电抗器以及可控负荷时所需要的时间分别为3, 5, 7, 7min。另外, 重新调整已恢复厂站的电压控制设备时会增加额外的操作时间[12], 当电压控制设备重新调整时, 操作时间加倍, 则电压控制方案的操作时间可以表示为如下形式:
式中:Mi为第i阶段控制变量的个数;tij为第i阶段调整第j个控制变量需要的时间。
1.4 电压偏差
恢复过程中网架强度比较薄弱, 为应对发电机辅机启动和恢复温控负荷时对电网的冲击以及恢复过程中对电能质量的要求, 需要将电压控制在合理的范围内。因此, 目标函数可以表示为如下形式:
式中:Ni为第i阶段的节点数;Uij为电压优化调整之后第i阶段节点j的电压幅值;U*ij为第i阶段节点j的指定电压, 通常为1;ΔUijmax为第i阶段节点j允许的最大电压偏差, 即ΔUijmax=Uijmax-Uijmin。
1.5 约束条件
1.5.1 功率方程约束
当恢复序列进行至第k阶段时, 节点有功和无功功率平衡约束如下:
式中:Nk为第k阶段的节点数;PGi (k) 和QGi (k) 分别为第k阶段节点i的发电机有功功率和无功功率出力;PLi (k) 和QLi (k) 分别为第k阶段节点i的负荷有功和无功功率;分别为第k阶段节点i和节点j之间的电导、电纳和电压相角差。
1.5.2 变量约束
变量约束可分为控制变量约束和状态变量约束。其中发电机端电压、可控负荷为连续控制变量, 并联电容电抗器、变压器分接头为离散控制变量;发电机无功出力、负荷节点电压为状态变量。
式中:NG (k) , NC (k) , NT (k) , NL (k) 分别为第k阶段的发电机数、并联电容电抗器数、变压器数和负荷节点数;分别为第k阶段发电机端电压、并联电容电抗器、变压器分接头、可控负荷、发电机无功出力和负荷节点电压的取值, 下标min和max分别对应其最小和最大值。
2 工频过电压控制模型求解
本文采用SPEA2[19]得到Pareto前沿, 根据不同恢复场景对电压控制方案的要求, 采用字典序法[20]对目标函数重要度进行排序, 进而选择出最优方案。
2.1 应用SPEA2求解Pareto前沿
SPEA2是新近发展起来的多目标进化算法, 该算法将精确的适应度分配策略、密度估计技术、增强截断方法结合在一起, 具有收敛速度快、参数设置少、Pareto最优解分布均匀的优点[19], 在性能上比强度Pareto进化算法 (SPEA) 和改进的非支配排序遗传算法 (NSGA2) 等有较大程度提高。本文采用SPEA2求解多目标工频过电压控制模型的Pareto前沿。
2.2 基于字典序法的最优方案选择
系统恢复不同阶段, 对目标函数的偏好不同。在恢复初期, 需要优先考虑降低恢复序列的操作风险, 提高机组恢复成功率[16];随着系统逐渐恢复, 网架趋于坚强, 可以优先选择操作时间较短的电压调整方案, 以加快系统恢复进程。
字典序法将所有目标从重要到次要按照相对重要程度排序, 给定每个目标的优先级, 然后依次求解每个目标, 除了第1个目标外, 每个目标都在上一个优先级目标的最优解集中求解, 直至最后一个目标被解决或优化变量失去自由度。
对于多目标优化问题:
其中目标函数的重要度f1>f2>…>fn, 以及得到的Pareto最优解集X, 应用字典序法选择最优方案的步骤如下。
步骤1:对目标函数f1的值进行规范化,
式中:xi为解空间X中的第i个解向量;f1 (xi) 为第i个解向量在第1个目标函数下的取值;f1max和f1min分别为第1个目标函数的最大值和最小值。
步骤2:根据用户偏好选择由目标函数f1确定的最优解集,
式中:p1为目标函数f1的用户偏好;X1为满足目标函数f1用户偏好的最优解集。
步骤3:在步骤2得到的最优解集的基础上, 按照式 (12) 依次选择满足目标函数f2到fn的最优解集, 直到最后得到最优方案,
式中:pk为目标函数fk的用户偏好;Xk为满足目标函数fk用户偏好的最优解集。
3 算例仿真
以山东电网为例, 验证本文所述电力系统恢复过程中的动态多目标工频过电压控制模型的合理性, 网架结构如图4所示。
3.1 恢复场景1:黑启动阶段
山东电网大停电后, 使用泰山抽水蓄能电站 (简称泰抽) 作为黑启动电源, 经泰山、济南、闻韶, 启动黄台电厂7号机组, 完成黑启动过程。该恢复序列包含2台发电机和4条线路。设定该恢复序列中的变压器变比范围为0.90~1.10, 调整步长为2.5%, 上下挡位数为±4;在各个500kV站点都设有并联电抗器, 其容量为8×15 Mvar。由于泰抽—泰山和闻韶—黄台220kV线路电压等级较低, 且距离较短, 线路充电电容较小, 忽略此两段线路对工频过电压的影响, 因此该恢复序列可以分为2个阶段, 投运泰山—济南500kV线路和投运济南—闻韶500kV线路。选取泰抽发电机、泰山站主变压器以及各500kV变电站并联电抗器参与该恢复序列的电压调整。
黑启动阶段恢复目标的成功完成对后续系统恢复过程具有重要意义[16]。为提高机组恢复成功率, 黑启动阶段过电压控制优先考虑降低恢复序列的操作风险, 并将系统电压控制在合理水平。在使用字典序法选择最优方案时, 恢复序列的操作风险f1、电压偏差f3、电压控制方案的操作时间f2的重要度依次递减。对黑启动阶段的恢复序列进行动态优化, 并与对恢复序列各阶段分别进行优化的静态优化相比较, 得到的结果见表1, 其中操作风险f1的取值按式 (10) 做了归一化处理, 最大合闸电压指恢复过程中各段线路合闸后受端电压出现的最大值。
从表1的结果来看, 在黑启动阶段, 与静态优化相比, 动态优化得到的电压控制方案具有较小的最大合闸电压和设备调整次数, 这与动态优化较低的操作风险是一致的, 表明本文定义的操作风险能正确反映成功恢复的可能性的大小。虽然动态优化得到的电压偏差较大, 但是各节点电压仍控制在合理水平, 考虑黑启动阶段优先考虑恢复成功率, 动态优化得到的电压调整方案更适合黑启动阶段的电压控制要求。
3.2 恢复场景2:网架重构阶段
在黄台电厂稳燃, 初步形成稳定网络之后, 系统进入网架重构阶段, 以崂山500kV变电站为恢复目标, 经淄川、益都、潍坊、崂山, 向青岛方向提供功率支援。该恢复序列由4条500kV线路组成, 可分为4个阶段, 控制变量为该恢复序列各500kV变电站并联电抗器。
网架重构阶段, 要求利用恢复初期获得的系统发电容量, 在尽可能短的时间内逐步恢复重要厂站[21], 因此, 网架重构阶段过电压控制优先选择恢复时间较短、操作风险较小的电压调整方案。在使用字典序法选择最优方案时, 电压调整方案的操作时间f2、恢复序列的操作风险f1、电压偏差f3的重要度依次递减。分别对网架重构阶段的工频过电压控制进行动态优化和静态优化, 得到的结果分别如表2、表3所示。
注:“-”表示该站点尚未恢复;“7×15”表示该站点投入7组15 Mvar电抗器。
从表2和表3的结果来看, 静态优化不考虑当前操作对后续阶段的影响, 由于在第1和第3阶段投入了较少的并联电抗器, 导致在第2和第4阶段某些并联电抗器的再次调整;而动态优化将恢复序列作为一个整体来考虑, 避免了不同厂站之间的协调操作和电压控制设备的重复调整, 缩短了恢复序列电压调整的时间。
图5所示为各阶段操作风险变化过程。可以看出, 在优先考虑电压调整时间时, 静态优化各阶段操作风险具有较大的波动性, 由于在第1和第3阶段投入了较少的并联电抗器, 在该阶段操作风险较低的同时, 导致下一阶段较高的合闸电压和较多的操作次数, 从而显著增加了下一阶段恢复失败的可能性;而动态优化各阶段操作风险都维持在较低水平, 更适合网架重构阶段对电压控制方案的要求。
4 结语
动态优化控制 篇8
石油化学工业是国内的支柱产业之一,乙烯工业则是石油化工发展的标志。裂解炉在乙烯生产中占有的重要地位,其所获取的经济效益约占整个乙烯装置的40%—50%[1,2,3]。裂解炉控制的好坏,直接影响乙烯的收率和后续工序的操作稳定。裂解炉的主要控制目标是控制裂解深度、生产量和产品选择性,但由于裂解炉出口裂解气在线色谱仪分析存在测量滞后大,而且数据存在跳变等问题,因此无法直接采用在线色谱仪的数据进行裂解深度的控制,以往一般只能采用裂解炉平均出口温度作为控制指标[4,5,6,7]。
乙烯裂解炉系统作为多变量强耦合的非线性系统,难以用精确的数学模型描述。为了获得较为精确的裂解深度预测模型,近年来,专家系统、模糊系统、神经网络等智能化方法得到广泛的研究,在解决高度非线性系统的模型辨识和控制等方面显示出巨大潜力,取得了成功的应用,已出现了多种基于神经网络的非线性预测控制方法。随着计算机技术的快速发展,数据的智能操作优化算法,如遗传算法、粒子群算法等,也逐渐成为当前的研究热点[8,9]。
现提出一种基于自适应动态等级粒子群优化算法(ADHPSO),研究一种集成ADHPSO-ELMAN神经网络过程建模、裂解深度智能优化控制方法。进而应用ELMAN神经网络进行系统辨识,基于ADHPSO算法滚动寻优实时计算系统的优化控制变量。以乙烯裂解炉裂解深度的仿真计算的精确性和优化控制的有效性,来表明ADHPSO在收敛速度和优化精度上都具有良好的表现。
1 自适应动态等级粒子群优化算法
粒子群优化算法(PSO)是由Kennedy和Eberhart于1995年提出的一种求解复杂优化问题的计算方法[10]。其基本概念源于模拟鸟群觅食过程中的迁徙和群聚行为的研究。设想出一个场景:一群鸟在随机搜寻食物,在这个区域里只有一块食物,所有的鸟都不知道食物在哪里,但它们知道当前的位置离食物还有多远,那么找到食物的最优策略就是搜寻目前离食物最近的鸟的周围区域。
每个鸟就是PSO中的粒子,也就是求解问题的可能解。在搜索空间中随机散布许多粒子点,每个粒子都定义一个速度向量和位置。假设在D维搜索空间中,第t步迭代时所处的位置,粒子的速度和位置按式(1)和式(2)更新。
v
式中,Pid为局部最优;Pgd为全局最优;w为惯性权重;c1、c2为加速因子;r1、r2为[0,1]范围内的均匀随机数。式(1)右边由三部分组成:第一部分代表粒子群维持自己先前速度的趋势;第二部分代表粒子向自身历史最佳位置逼近的趋势;第三部分代表粒子向群体或领域历史最佳位置逼近的趋势。在所有粒子的速度更新后,粒子以更新后的速度移动到新的位置。然后,计算每个粒子在更新后位置的适应度函数值。
由于PSO中粒子向自身历史最佳位置和领域或群体历史最佳位置聚类,形成粒子种群的快速趋同效应。所以,PSO算法有收敛速度快的特点,但是算法容易陷入局部极值,出现早熟收敛或停滞现象,并且PSO算法的性能依赖于算法参数。为了克服上述中的各种缺点,各国专家学者相继提出了许多被证明对粒子群算法有效的改进措施,包括粒子群初始化、领域拓扑、参数选择及混合策略。其中,领域拓扑和参数选择是研究最多,也是最为广泛的。文献[11]以粒子间的距离划分空间领域、文献[12]采用适应度距离比值来选择粒子的相邻粒子,以性能空间来划分领域。文献[13]提出动态社会关系拓扑,初始阶段粒子采用环形拓扑,随着迭代次数增加,逐渐增加粒子间连接,最后形成星形拓扑。文献[14]研究了几个重要参数对PSO算法的影响。
然而,上述文献研究的算法在多峰函数及解决高维问题的表现并不优秀。本文提出以等级树作为领域拓扑结构,将历史最佳位置更优的粒子处于等级上层,每个粒子的速度由自身历史最佳位置和等级树种处于该粒子上一个节点的粒子的历史最佳位置决定。随迭代次数动态调整等级树中分支等级的粒子数量,并根据等级级数所在位置改变惯性权重参数。本算法经测试,其性能在多个典型多峰函数表现良好,能保证粒子既能快速高效地向着最优解搜索,同时也保持种群的多样性,算法能避免陷入局部极值。
1.1 自适应动态等级粒子群(ADHPSO)
1.1.1 等级粒子群形式
等级树领域拓扑结构如图1所示,其中,h为等级级数,d为分支等级中的粒子数量,m为粒子群中粒子的个数。
h=3, d=4, m=21。
在每次迭代中,每一级的粒子先在同级粒子中比较,较优的粒子再同上一级的粒子比较,如果下层较优粒子较上层较优粒子有更高的适应度,则交换位置。需要注意的是,这种比较在每次迭代中是自上而下的,也就是说,在一次迭代中,单个粒子可以向下移动多个等级,而一个粒子只能向上移动最多一个等级。
分支等级中粒子的数量d值越大,即所有的粒子离最上层粒子越近,因此在一开始的求解过程中能表现得较快;然而d值越小,在开始时候较慢,但在最后能找到更好的问题解。由此,产生一种能调整d值的自适应动态等级粒子群。
1.1.2 自适应动态等级粒子群形式
自适应动态等级树领域拓扑结构如图2所示。参数定义同等级粒子群。
在每一次迭代中,每一级的粒子先在同级粒子中比较,较优的粒子再同上一级的粒子比较,如果下层较优粒子较上层较优粒子有更高的适应度,则交换位置。与此同时,随迭代次数的增加(每迭代1 000次)分支等级中的粒子数量从d减少到d-1。这样,每次d减少1时,必然有一个分支子等级树整体被移除(通常为同等级中适应度最高的粒子所在的子等级树),被移除的粒子依次插入到最底层的粒子下方。其中,fadapt为递减频率,k为递减步长,如fadapt=1 000,k=1时,表示迭代1 000次,每个分支等级中的粒子数量减少1个。dmin为随迭代次数增加,分支等级中粒子数量允许达到的最小值。
适应度最高的粒子,其个体携带了更优的位置,选择其所在的子等级树被移除并将其粒子依次插入到最底层,在迭代过程中能快速有效地和上层粒子进行互换,有更大的上升可能性,对进一步寻找较好的可能解有直接的作用。
h=3, d=4到d=3, m=20
1.2 自适应动态等级粒子群算法实施步骤
(1) 初始化,在定义空间R中随机产生m个粒子x1,x2,…,xm,组成初始种群矩阵X(t),根据各测试函数X(t) ∈ [xmin, xmax] ,随机产生各粒子初始位移变化v1,v2,…,vm,组成初始位移矩阵V(t)。当前迭代次数置为1,最大迭代次数Tm=10 000,设定加速度常数c1=c2=1.7。
(2) 设置初始的分支等级中粒子数d,分支等级中粒子数量允许到达的最小值dmin,设定递减频率fadapt=1 000,递减步长k=1。
(3) 在每一次迭代中,计算粒子的适应度,如果下层较优粒子较上层较优粒子有更高的适应度,则交换位置。每一级的粒子先在同级粒子中比较,较优的粒子再同上一级的粒子比较。同时,按式(1)和式(2)更新粒子的速度和位置。每迭代1 000次,移除一个适应度最高的分支子等级树,将移除的粒子依次插入到最底层的粒子下方。
(4) 在每次迭代中,以式(3)来动态改变惯性权重因子wk, wk∈[wmin, wmax],k∈ [0, h-1],文献[15]推荐wmin =0.4,wmax=0.729。
(5) 判断是否满足迭代结束条件,结束条件为是否达到最大迭代次数Tm =10 000或预定目标误差,否则令t=t+1,转至步骤(2)。
表1为常用来检验算法的几个单峰和多峰典型函数,表2为测试函数的参数设置,利用其对ADHPSO和标准粒子群全局算法(PSO-g)、标准粒子群局部算法(PSO-l)、等级粒子群(HPSO)、线性惯性权重粒子群算法(LDWPSO)的快速性和精确性进行比较。
表3表明,ADHPSO和PSO-g, PSO-l, HPSO, LDWPSO算法相比,不论是单峰函数还是多峰函数,都能相对快速地达到目标误差,迭代次数显著少于其他算法。
1达到目标值所需的平均迭代次数。2达到目标值所需的最大迭代次数。3达到目标值所需的最小迭代次数。
下面利用典型的单峰函数Rosenbrock和多峰函数Rastrigin来测试ADHPSO算法的精确性。
从图3(a)和图3(b)可以看出,ADHPSO算法同其他算法相比,在相同的迭代次数下,能找到更为精确的目标值。
由上所述,说明本文提出的ADHPSO算法在解决单峰函数和多峰函数上表现都非常优秀。
2 集成ADHPSO-ELMAN过程建模
ELMAN神经网络是 J. L. Elman于 1990年首先针对语音处理问题而提出来的, 它是一种典型的局部回归网络。ELMAN神经网络可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络[16]。ELMAN神经网络具有与多层前向网络相似的多层结构。
ELMAN神经网络由四个单元组成:输入单元、隐层单元、结构单元和输出单元。其输入单元、隐层单元和输出单元的连接类似于前馈网络,输入单元仅起信号传输作用,输出单元起线性加权作用。隐层单元激发函数可以是线性和非线性函数,通常激发函数取为Sigmoid非线性函数,而结构单元则用来记忆隐层单元前一时刻的输出值,可以认为是一个一步时延算子。在各种不同的动态递归网络中,ELMAN神经网络的结构最为简单,运算量少,所以非常适合实时系统辨识。由于ELMAN神经网络内部的反馈连接提供了动态递归特性,因此,网络训练时只需输入输出信号,无需状态信息。ELMAN神经网络可以克服一般多层前馈网络存在的网络结构及节点数膨胀,以及易将动态建模映射成静态空间建模问题的缺陷,并且能够辨识系统的导数信息。文献[17]指出ELMAN神经网络可以建立线性与非线性动态系统模型,图4所示为ELMAN神经网络结构图。
2.1 ELMAN神经网络的学习算法
ELMAN神经网络的输出矢量为Y(t)∈Rm,输入矢量为U(t-1)∈Rr,隐层单元的输出矢量为X(t)∈Rn,结构单元为Xc(t) ∈Rn。则对于ELMAN神经网络,其非线性状态空间表达式如下
其中,W1、W2 、W3分别为结构单元到隐层、输入层到隐层,隐层到输出层的连接权矩阵,F (·)和G (·)分别为输出单元和隐层单元的激活函数所组成的非线性向量函数。
由于Xc(t-1)= X(t-2),依次类推下去,就可以看出Xc(t)依赖于过去不同时刻的连接权值W
式(8)中m表示输出向量的个数,p为整数,yr, p表示第p个期望输出,ym, p表示第p个模型输出,w表示当前状态下网络的权值,权值修正方案如下式
W(t)表示权值矩阵,W(t+1)表示待修正的权值矩阵,η(t)表示神经网络的学习率,令
则:基本Elman神经网络的动态反向传播学习算法可以归纳如下:
Δw
Δw
j=1,2,…,n; l=1,2,…,n; (14)
w
g′i(·)和f′i(·)和分别代表激活函数gi(·)和fj(·)的导数。
2.2 ADHPSO训练ELMAN算法步骤
(1)初始化ELMAN神经网络,包括网络结构、权值矩阵、训练数据、泛化数据等;
(2)初始化ADHPSO算法参数,包括粒子群中粒子的个数m,加速度常数c1和c2 ,惯性因子wmax和wmin,最大进化迭代数Tm、目标误差E(w),将当前进化迭代数置为t=1;
(3)将ELMAN神经网络结构中所有权值看成一个n维向量xi,然后在定义空间R中随机产生m个粒子x1,x2,x3…,xm;
(4)调用ADHPSO算法;
(5)计算更新每个粒子的适应度,即神经网络在每个粒子下的输出;
(6)判断是否满足迭代结束条件,结束条件为是否达到最大迭代次数Tm=10 000或预定目标误差,否则令t=t+1,转至步骤(4)。
3基于ADHPSO-ELMAN的乙烯裂解深度模型及优化控制
3.1 裂解深度预测模型
由于裂解炉本身具有非线性、复杂性及不确定性,故使用常规方式建模往往难以获得良好的效果。现讨论基于ADHPSO-ELMAN神经网络的建立乙烯裂解深度模型。裂解深度值表示为丙烯与乙烯的质量比。
乙烯和丙烯的收率的变化与原料油密度、进料量、汽烃比、炉管平均出口温度、出口压力、废热锅炉出口温度、停留时间有着紧密的关系,考虑选择控制回路时选择可控可测的变量作为优化控制变量,因此选择进料量、汽烃比、炉管出口温度、炉管出口压力、物料横跨温度作为软测量模型的辅助变量,即网络输入,乙烯收率、丙烯收率和裂解深度作为网络的输出。得到裂解深度软测量模型主变量与辅助变量之间的关系式:
Ye(t)=e[F(t),R(t),T1(t),P(t),T2(t)] (15)
Yp(t)=p[F(t),R(t),T1(t),P(t),T2(t)] (16)
输入变量F(t)为进料量,R(t)为汽烃比,T1(t)为炉管出口温度,P(t)为炉管出口压力,T2(t)为物料横跨温度。e(·)和p(·)分别为乙烯和丙烯收率的激活函数。输出变量Ye(t)为乙烯收率,Yp(t)为丙烯收率,Y(t)为裂解深度。
采用3б准则(正态分布中,距离均值超过标准差1.5倍的数据认为异常),将采集好的数据进行数据预处理。采用归一化方法进行数据变换。
具体计算公式如下
式(18)中,
式中yi为模型值;yA为在线分析仪的值;ηi为第i个泛化数据的误差;
设计的ELMAN神经网络具有5个输入,3个输出网络。在设计中,通过实验,选取5个隐层单元能满足设计要求。
图5和图6分别为乙烯收率和丙烯收率的ADHPSO-ELMAN预测模型实时运行结果与在线仪表分析结果比较,图7为裂解深度实时运行结果与在线仪表分析结果比较,泛化误差如表4所示。
从图5、图6和图7可以看出,ADHPSO训练的ELMAN裂解深度软测量模型取得了良好的仿真效果。表4结果表明,使用ADHPSO-ELMAN来预测乙烯和丙烯及裂解深度,其精度显著高于仅使用ELMAN神经网络进行预测的精度。
3.2 ADHPSO-ELMAN裂解深度优化控制
基于ADHPSO-ELMAN裂解深度优化控制过程如图 8 所示。优化控制的目标为,裂解深度作为最优化控制目标,根据实际生产需要及乙烯和丙烯价格因子的变动情况,使乙烯和丙烯的收率达到最大,并使实际生产效益达到最大。
优化控制方法为:采用本文提出的ADHPSO -ELMAN方法对裂解深度进行估算,该回路首先根据一些工艺参数的测量值和裂解原料烃特性,来在线估算裂解深度值,裂解深度的预测模型估算值与实际过程之间的误差由在线分析仪输出的在线校正进行动态补偿,避免ADHPSO滚动优化时对预测模型的过分依赖。经过ADHPSO优化后,通过裂解深度控制器与成功实施的裂解炉出口温度先进控制系统实现“无缝”集成,裂解深度控制器控制炉管平均出口温度的设定值,再利用炉管平均出口温度控制器调节温度,从而实现裂解深度平稳控制。
ADHPSO滚动优化过程核心即为寻找最佳的可控参数的过程。裂解深度是原料烃入炉量 (F)、稀释蒸汽量(G)、汽烃比(GFR)、裂解气出口温度(COT)、裂解气出口压力(COP)、物料横跨温度(XOT)的非线性函数,其中汽烃比为G与F的比值,用ELMAN神经网络建立函数关系。进料量确定的单台裂解炉满负荷运行,其优化目标函数为
式(21)中,E为乙烯收率的质量分数,P为丙烯收率的质量分数,αC2H4和αC3H6分别为当前乙烯和丙烯价格因子。
约束条件:对于国内某乙烯厂,原料烃入炉量F=46 924 kg·h-1,0.45≤GFR≤0.55,780 ℃≤COT≤850 ℃, 0.15 MPa≤COP≤0.25 MPa,550 ℃≤XOT≤650 ℃。优化目标函数利用建立好的ADHPSO-ELMAN预测模型,给定一组参数,其t时刻的粒子x(t) = {F、G、GFR、COT、COP、XOT},ADHPSO按公式(15)中J计算适应度函数值,找出t时刻使适应度最好的全局最优和局部最优粒子,更新x(t)。在约束条件下迭代,找到最佳的F、G、GFR、COT、COP、XOT组合,即最佳的粒子,使适应度函数值达到最大。
3.3 ADHPSO-ELMAN裂解深度优化控制仿真结果
本文提出的优化控制方案仿真数据与某乙烯厂的设计值比较,从表5的结果可以看出:ADHPSO-ELMAN裂解深度优化控制的使用,提高了乙烯收率1.02%,提高丙烯收率0.28%,双烯收率总共提高了1.3%,裂解深度仿真数据与设计值相比偏离很小,能实现裂解深度的平稳控制,并且裂解气出口温度降低到832 ℃,降低了能耗,带来了显著的经济效益。说明本文提出的基于ADHPSO-ELMAN乙烯裂解深度优化控制达到了优化的目的。
4 结 论
(1)自适应动态等级粒子群算法有良好的全局收敛性,能在有限的迭代次数下,找到精确的目标值。ELMAN神经网络对复杂的多变量多输出系统能进行系统辨识,非线性逼近能力良好。
(2)本文研究的自适应动态等级粒子群-ELMAN过程建模的裂解深度智能优化控制方法,得到了裂解过程的最优操作条件。仿真计算表明,该方法显著提高了乙烯及丙烯的收率,具有良好的稳定性和适应性,能给石油化工企业带来显著的经济效益,对实际生产具有极大的应用潜力。
摘要：提出一种自适应动态等级粒子群算法(ADHPSO)。该算法保持粒子多样性,能摆脱局部极值,有良好的全局收敛性。将ADHPSO训练ELMAN神经网络,建立乙烯裂解炉裂解深度的在线预测模型。研究一种集成ADHPSO-ELMAN过程建模的裂解深度智能优化控制方法,得到裂解过程的最优操作条件。仿真计算表明,该方法显著提高了乙烯及丙烯的收率,具有良好的稳定性和适应性,对实际生产具有极大的应用潜力。
动态优化控制 篇9
摘 要：本文在采用智能优化算法进行交流接触器的动态优化设计的基础上，提出并实现了交流接触器智能化的关键技术。交流接触器智能化的关键技术研究包括智能优化设计、自适应控制并实现稳定可靠的零电流分断和故障自检等技术的研究。
关键词：交流接触器；动态响应；模糊综合评判
目前在分析与设计低压电器及其智能化产品时，仍然主要采用低压电器传统理论进行必要的理论推导。因此，产品设计与实际性能存在较大差异，需要反复修改和试验，导致开发周期长、资金与人力投入大。这是电器设计的现状、难点与瓶颈。随着配电自动化程度的不断提高，亟待开发能快速、准确测试电器动态特性，实现动态过程实时控制，并能对测量数据智能化处理的测试装置。本文介绍了智能交流接触器动态测试装置，利用该装置对智能交流接触器的机构运动形态进行测试，结果显示智能交流接触器全过程动态优化设计技术的研究是智能电器设计的有效手段，是智能化电器虚拟动态优化设计的最新研究方向。
1.交流接触器概述
交流接触器是一种量大面广电磁式电器，其工作原理是将电磁能转换成为机械能，从而带动执行部分触头动作。电磁系统是交流接触器的心脏，电磁系统的好坏直接影响接触器的机械寿命、电寿命与成本。目前，交流接触器的电磁系统正在向节能、节材、提高寿命和可靠性方向发展。为了提高上述指标，电器工作者在结构设计、仿真计算、制造工艺、动态测试等方面做了丈量的研究工作。目前，交流接触器的电磁系统的铁心均为平极面。虽然该种电磁系统的结构简单，易于加工，但其未充分利用铜铁用材量，经济性能差，而且动态吸力特性还可迸一步改进、提高。尽管交流接触器改变铁心极面形状的方案早已提出，但始终未对这种方案进行耀人的分析研究。更没有对其进行高性价比的智能动态优化设计。本文通过优化计算可以实现大幅减小铁心和线圈而达到节材、缩小接触器的体积、提高接触器的寿命和工作可靠性的目的，从而大幅提高其经济与技术指标。
2.动态特性计算模块分析
动态特性计算模块方便用户计算现有样机的吸合时间、运动速度、吸反力配合等动态特性，或改变部分参数查看计算结果是否满足设计要求.以某种额定电压为220V的交流接触器为例，仿真、比较其电磁机构的动态特性。额定电压下，不同合闸相角时吸合过程动态特性在同一电压、不同合闸相角下衔铁吸合时间、末速度、峰值电流均不相同.末速度反映了铁心撞击能量，在吸合时间满足要求的前提下，可通过寻找最佳合闸相角或改变相应参数减小铁心末速度，以提高交流接触器的使用寿命，该接触器在900时撞击能量较小。额定电压下，当交流接触器处于吸持阶段时，即工作在稳定运行状态，主要关心产生的噪声、吸持功耗及线圈绕组温升等问题。在该阶段，各变量呈周期性变化，与合闸相角无关。此次研究对象在额定电压下，吸持阶段最小吸力为10.57N，反力为6.89N，能够保证接触器稳定运行时不会产生振动噪声。可以由吸持阶段电流有效值计算吸持功耗，并结合牛顿公式估算线圈稳定工作时的温升，作为接触器优化设计时的约束条件。
3.斜极面交流接触器优化计算
斜极面交流接触器在打开位置，线圈激磁电流相同时其静态吸力远高于平极面的静态吸力，显然采用斜板面将有很大技术经济方面的潜力。困此本文对其电磁系统进行优化设计，从而充分利用该空间以提高其技术经济指标。
3.1优化计算
由于人工鱼群算法对初值要求不高，根据约束条件和技术要求随机产生50条人工鱼群，同时设定迭代次数；各组人工鱼利用聚集行为和追尾行为进行寻优计算，当连续出现3次最优值没变化或变化很小，则进行遗传算法的选择、交叉、变异操作，防止出现局部最优值。这样既可以提高收敛速度又能保证全局搜索能力，铁心厚度减少了一半，这样可以节约硅钢片50%，另外线圈的线径也减小了43%左右，由于铁心厚度减小了，线圈的平均匝长也减小了，这样可以节约铜达70%以上。
3.2优化算法
遗传算法（genetic algorithm，GA）是Holland教授首先提出来的一类仿生型进化算法。GA通过将当前群体中具有较高适应度的个体遗传给下一代，并且不断淘汰适应度低的个体，从而寻找出适应度最大的个体。其优点是：具有大范围全局搜索的能力，与问题领域无关；搜索从群体出发，具有潜在的并行性；可进行多值比较，鲁棒性强；搜索使用评价函数启发，过程简单；使用概率机制进行迭代，具有随机性，可扩展性，容易与其它算法结合。但是GA算法对于系统中的反馈信息利用不够。人工鱼群算法（artificial fish 8waFIn algorithm，AFSA）是模拟鱼群行为的一种基于动物自治体的优化方法，是集群智能思想的一个具体应用。它能很好地解决函数优化等问题。它的主要特点是：只需要比较目标函数值，对目标函数的性质要求不高；对初值的要求不高；对参数设定的要求不高；具备并行处理的能力，寻优速度较快；算法具备全局寻优的能力。虽然该算法优点较多，但也存在明显的不足，主要表现：当寻优的域较大或处于变化平坦的区域时，收敛于全局的最优解速度减慢、搜索性能劣化；算法一般在优化初期具有较快的收敛性，后期却收敛较慢。本文吸取遗传算法和人工鱼群算法的优点，将遗传算法和人工鱼群算法有机结合应用于斜极面交流接触器的电磁系统优化计算中。
4.结束语
以ANSYS有限元软件为基础，采用基于遗传算法的人工鱼群优化算法对斜极面交流接触器进行动态优化计算，优化结果表明，斜极面交流接触器电磁系统与平极面交流接触器电磁系统相比，可以大幅度节材，其中硅钢片节约50%，铜材节约达70%以上。而且吸合过程铁心撞击时末速度与单位面积撞击能量比平极面交流接触器低，分断速度比平极面交流接触器高。因此，一定斜角的斜极面电磁系统具有很高的技术经济指标，在解决其加工工艺后将是一种很好的选择，可应用于各种交流电磁铁、交流接触器等产品。
参考文献：
[1]孙志强.交流接触器动态过程及触头弹跳的数值分析[J].企业文化，2014
动态武器目标分配优化 篇10
数据链技术发展, 防空导弹及发射平台之间实现实时信息交互, 该技术将来可能应用多个制导武器的协同制导规划。当前防空导弹武器系统的应用通常采用一对一的交战模式, 不同武器系统间不能够实时进行信息交互, 由其分配规则可能导致对目标齐射过度杀伤或对目标的遗漏。因而, 对编队武器的协同制导提出了强烈需求。协同制导的其中一个关键因素是武器目标分配, 而武器—目标分配的主要任务是确保敌方目标到达我方之前全部被拦截。
武器—目标分配的难点之一是目标的机动是不可预测的。敌方目标通常在飞行初始段进行佯攻一个目标, 而在末端改变攻击航路, 以达到诱骗防空系统的目的。本文根据武器—目标间的几何关系提出最早拦截结合和安全区的概念。最早拦截几何应用敌方目标能够攻击的边界, 在该区域内的防御资源可能遭到攻击。安全区可定义为拦截区域和防御对象最小距离的边缘。安全边界随着分配策略和防空系统的性能而改变。因而, 武器—目标分配则是试图找到优化分配策略产生最大的安全边界。由于最早拦截几何和安全边界是在目标能够瞬间改变方向的假设条件下得到, 武器目标分配能够处理目标机动的不确定性。
1 动态武器—目标分配的定义
武器—目标分配是指挥控制辅助决策系统所研究的重要课题。多武器、多目标战场环境中, 可能由多种武器—目标分配方案, 武器—目标分配方案属于非确定性多项式完全问题[1], 其研究的主要目的是针对多个威胁目标有效分配防空武器系统, 最大限度拦截来袭目标。武器目标分配分为两类, 一类是静态武器—目标分配, 一类是动态武器目标分配。这两类问题中, 期望目标要么是使目标生存概率最小, 要么是防御对象整体生存概率最大。静态武器目标分配的主要特征是基于某一时段, 考虑分配时刻所有提供的信息, 对有限资源分配问题。动态武器目标分配问题, 考虑时空的约束, 是一个多阶段的分配问题, 对每个阶段的结果进行评估, 然后用新空中态势对下一阶段进行分配[2]。动态武器目标分配也可表述为连续的静态武器目标分配, 由于实现过程如同贪婪优化过程, 因而不能保证整体优化。
本文动态武器—目标分配的研究不同于一般文献定义的动态武器目标分配[3], 而是基于几何概念进行优化, 采用的分配模型是适合飞行中导弹武器的目标分配问题。
2 最早拦截几何
由于空袭目标航路是不知道的, 其航向角可能随时改变, 且目标飞行加速度很难预测, 因而目标拦截点是不确定的。为了全面描述所有可能的拦截点, 考虑来袭目标所有可能航向, 推导可能拦截点的集合。为了推导最早拦截点集合, 假定防空导弹和目标航向和速度保持不变。导弹—目标拦截三角形如图1所示。M点表示导弹发射位置, T为目标起始位置, I为拦截点, 坐标为 (x, y) 。
拦截点I随着目标航路角的变化而变化。根据图1中三角形MIN和三角形TIN可得:
速度比定义为:
式 (2) 代入 (1) 可得
整理为:
则方程 (4) 为所有拦截点的轨迹, 即最找拦截几何, 用于评估制导策略。
速度比是求解最早拦截几何的重要参数。为了简化, 我们只考虑导弹的速度大于目标的速度。
上述最早拦截几何可推广应用多导弹、多目标交战场景。图3给出两枚导弹交战两批目标的一种拦截几何示意图[4]。
由图3可知, 防空武器系统的任务是在防空安全区域之外拦截来袭目标。因而, 武器—目标分配的策略就是确保所有的交战资源在该区域之外。
3 武器目标优化分配建模
根据上述分析, 所有防御资源应当在最早拦截几何之外, 而最早拦截几何及拦截几何和防御资源之间的距离与武器目标分配方案的变化而改变, 拦截几何与防御对象的距离定义为安全距离d。显然, 安全距离越大, 所采用的制导算法的性能越好。为了充分发挥导弹的拦截性能, 提高拦截目标的命中率, 最优武器目标分配方案为使得安全边界最大化。武器—目标分配模型表述如下:
其中, p表示防御对象的个数, q表示所有可能的分配方案个数, m表示目标的个数, n表示导弹的个数。dijk表示第k个分配方案的资源i与第j个拦截几何之间的距离。p i表示第i个防御资源的位置矢量, cjk表示第j个目标的位置矢量。
4结语
空袭战术的快速性、灵活性, 使得防空系统的反应速度很难与之相匹配, 打乱了指挥决策周期。采用基于最早拦截几何的武器—目标分配方式, 考虑目标的机动性, 在防空导弹飞行过程实时进行目标分配, 将更能有效发挥防空导弹的作战效能。后续工作将根据所建立的模型, 研究合适的优化算法对其进行仿真验证。
参考文献
[1]Lloyd S P, Witsenhausen H S.Weapon Allocation is NP—Complete[C].Proc.1986 Summer Comput.Simulation Conference, 1986.
[2]王士同, 刘征.动态武器目标分配问题的DWTA—GA算法[J].华东船舶工业学院学报, 1999, 13 (5) :17—22.
[3]刘传波, 邱志明, 吴玲, 等.动态武器目标分配问题的研究现状与展望[J].电光与控制, 2010, 17 (11) :43—48.