基于改進(jìn)磷蝦群算法的汽輪機(jī)組最優(yōu)運(yùn)行初壓研究.pdf

1、近年來(lái)，隨著我國(guó)用電結(jié)構(gòu)的改變和經(jīng)濟(jì)的持續(xù)高速發(fā)展，越來(lái)越多的熱電廠(chǎng)大容量機(jī)組參與到電網(wǎng)的調(diào)峰運(yùn)行工作當(dāng)中，這樣就導(dǎo)致機(jī)組長(zhǎng)期在變負(fù)荷的條件下運(yùn)行，從而造成機(jī)組熱經(jīng)濟(jì)性能顯著降低。要想確保汽輪機(jī)組在變負(fù)荷運(yùn)行的條件下依然保持較高的熱經(jīng)濟(jì)性能，就必須對(duì)汽輪機(jī)組熱耗率最低時(shí)對(duì)應(yīng)的主蒸汽壓力進(jìn)行優(yōu)化，將得到的最優(yōu)滑壓運(yùn)行曲線(xiàn)作為機(jī)組主蒸汽壓力的調(diào)整值，結(jié)果表明，該種方法不僅能夠有效降低機(jī)組的熱耗率，而且能夠更好的指導(dǎo)機(jī)組的安全經(jīng)濟(jì)運(yùn)行。若要對(duì)

2、機(jī)組的初壓進(jìn)行優(yōu)化，需要解決兩個(gè)難點(diǎn)：1)建立精度較高的熱耗率模型；2)確定性能較好的優(yōu)化方案。本文主要從上述兩個(gè)問(wèn)題展開(kāi)研究，內(nèi)容如下：
　　首先，對(duì)磷蝦群算法(Krill Herd algorithm, KH)進(jìn)行了研究，針對(duì)其易陷入局部最優(yōu)和收斂精度低等不足，提出了一種修正的磷蝦群算法，即基于反向?qū)W習(xí)自適應(yīng)的磷蝦群算法(Opposition Adaptive Krill Herd algorithm, OAKH)。為了檢驗(yàn)O

3、AKH算法的可行性，采用10個(gè)典型的基準(zhǔn)函數(shù)對(duì)其進(jìn)行測(cè)試，并與生物地理優(yōu)化算法(Biogeography-Based Optimization, BBO)和原始磷蝦群算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明， OAKH算法是可行、有效的。但對(duì)于少數(shù)的測(cè)試函數(shù)，OAKH算法不能快速的跳出局部最優(yōu)值。針對(duì)此問(wèn)題，在OAKH算法的基礎(chǔ)上提出了改進(jìn)的OAKH算法(A-OAKH)。通過(guò)實(shí)驗(yàn)得出，A-OAKH算法較OAKH算法搜索性能更優(yōu)。
　　然后，將A

4、-OAKH算法與快速學(xué)習(xí)網(wǎng)(Fast Learning Network, FLN)結(jié)合，建立汽輪機(jī)熱耗率預(yù)測(cè)模型，A-OAKH算法主要的作用是對(duì)快速學(xué)習(xí)網(wǎng)的輸入權(quán)值和隱藏層閾值進(jìn)行優(yōu)化，然后將最佳模型參數(shù)帶入快速學(xué)習(xí)網(wǎng)中，完成對(duì)汽輪機(jī)熱耗率預(yù)測(cè)模型的搭建任務(wù)，即A-OAKH-FLN模型。
　　最后，在建立好的A-OAKH-FLN模型基礎(chǔ)上，再次采用A-OAKH算法在可行壓力區(qū)間內(nèi)對(duì)機(jī)組熱耗率最低時(shí)所對(duì)應(yīng)的主蒸汽壓力進(jìn)行優(yōu)化。通過(guò)A