本發(fā)明屬于火力發(fā)電，具體涉及一種基于多模型的超超臨界機(jī)組快速動態(tài)響應(yīng)方法。

背景技術(shù)：

1、隨著可再生能源如風(fēng)能、太陽能等隨機(jī)性、不確定性能源的大量接入電網(wǎng)，傳統(tǒng)的電力系統(tǒng)面臨著前所未有的挑戰(zhàn)。超超臨界機(jī)組發(fā)電技術(shù)作為火力發(fā)電領(lǐng)域的一項(xiàng)先進(jìn)技術(shù)，隨著高比例可再生能源不斷接入電網(wǎng)，超超臨界機(jī)組需要具備快速的負(fù)荷響應(yīng)能力以實(shí)現(xiàn)深度調(diào)峰，促進(jìn)新能源消納并保持電網(wǎng)頻率的穩(wěn)定。相比于傳統(tǒng)的火電機(jī)組，隨著超超臨界機(jī)組在高壓環(huán)境下長時間運(yùn)行以及大規(guī)模化，超超臨界機(jī)組的強(qiáng)非線性、強(qiáng)耦合、負(fù)荷擾動等復(fù)雜特性使得機(jī)組的控制變得更加困難。

2、廣義預(yù)測控制(generalizedpredictive?control,gpc)是一種基于模型的滾動優(yōu)化控制策略，它可以根據(jù)目標(biāo)函數(shù)滾動調(diào)節(jié)控制變量來優(yōu)化系統(tǒng)，其憑借較強(qiáng)的魯棒性和克服系統(tǒng)時滯的能力，在超超臨界機(jī)組控制系統(tǒng)中得到了廣泛的應(yīng)用。然而，在實(shí)際控制系統(tǒng)中除了超調(diào)量和魯棒性外，響應(yīng)速度也是一個重要的指標(biāo)。目前，研究人員為了提高控制性能將廣義預(yù)測控制與互補(bǔ)技術(shù)相結(jié)合，如卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)和迭代學(xué)習(xí)。雖然改進(jìn)的gpc方法能夠使超超臨界機(jī)組獲得更好的負(fù)荷跟蹤性能，但是仍無法解決超超臨界機(jī)組動態(tài)響應(yīng)慢的問題。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于多模型的超超臨界機(jī)組快速動態(tài)響應(yīng)方法，旨在解決現(xiàn)有超超臨界機(jī)組動態(tài)響應(yīng)慢的問題。

2、本發(fā)明的技術(shù)方案是：

3、一種基于多模型的超超臨界機(jī)組快速動態(tài)響應(yīng)方法，包括以下步驟：

4、步驟1：構(gòu)建基于lstm-transformer的imc模型，用于獲得usc機(jī)組模型理想的輸入和輸出；

5、步驟2：基于usc機(jī)組模型理想的輸入、輸出，將usc運(yùn)行負(fù)荷范圍劃分為n個局部區(qū)域，構(gòu)建增強(qiáng)復(fù)合加權(quán)人類學(xué)習(xí)優(yōu)化網(wǎng)絡(luò)cwhlo來對每個局部區(qū)域進(jìn)行建模并進(jìn)行處理，得到整個usc機(jī)組的模糊模型；

6、步驟3：基于增強(qiáng)復(fù)合加權(quán)人類學(xué)習(xí)優(yōu)化網(wǎng)絡(luò)cwhlo，設(shè)計(jì)cwhlo-gpc控制算法，獲得每個局部區(qū)域的最優(yōu)局部控制器增量；

7、步驟4：基于最優(yōu)局部控制器增量，設(shè)計(jì)全局控制器，從而對usc機(jī)組模型進(jìn)行控制，達(dá)到usc機(jī)組能夠快速動態(tài)響應(yīng)的目的。

8、進(jìn)一步的，所述步驟1包括以下步驟：

9、步驟1.1：構(gòu)構(gòu)建lstm-transformer模型對usc機(jī)組運(yùn)行中的輸入和輸出進(jìn)行前期處理，并對lstm-transformer模型進(jìn)行訓(xùn)練；

10、步驟1.2：構(gòu)建基于lstm-transformer模型的imc模型，獲得usc機(jī)組模型理想的輸入和輸出；

11、所述imc模型，包括正向模型和反向模型，正向模型作為imc模型的內(nèi)部模型，反向模型作為內(nèi)部模型控制器；在正向模型中，使用lstm-transformer模型根據(jù)歷史輸入和輸出預(yù)測未來的輸出；在反向模型中，同樣使用lstm-transformer模型，但輸入為超超臨界機(jī)組未來期望的輸出和當(dāng)前的實(shí)際輸出，輸出為控制量；通過正向模型和反向模型的聯(lián)合作用，實(shí)現(xiàn)超超臨界機(jī)組的快速動態(tài)響應(yīng)。

12、進(jìn)一步的，所述步驟2包括以下步驟：

13、步驟2.1：使用k-shape聚類算法將usc運(yùn)行負(fù)荷范圍劃分為n個局部區(qū)域，并為每個局部區(qū)域建立模糊隸屬度函數(shù)，得到局部區(qū)域模糊隸屬度；

14、步驟2.2：將局部區(qū)域模糊隸屬度進(jìn)行歸一化處理，得到每個局部區(qū)域的激活強(qiáng)度；

15、步驟2.3：采用增強(qiáng)人類學(xué)習(xí)優(yōu)化hlo算法進(jìn)行局部區(qū)域建模，得到局部區(qū)域模型；

16、(1)采用考慮控制自回歸積分滑動平均形式的usc機(jī)組對局部區(qū)域模型進(jìn)行設(shè)計(jì)，得到局部區(qū)域模型的輸出；對局部區(qū)域模型的輸出使用零階保持器執(zhí)行z變換得到usc機(jī)組局部區(qū)域模型；

17、(2)使用增強(qiáng)hlo算法分批對劃分的局部區(qū)域模型進(jìn)行模型系數(shù)搜索來模擬局部區(qū)域運(yùn)行過程，即對局部區(qū)域模型進(jìn)行未知參數(shù)辨識；

18、(3)為了保證探索的空間更廣和更快的搜索速度，在增強(qiáng)hlo算法中隨機(jī)選擇學(xué)習(xí)算子；

19、(4)采用增強(qiáng)hlo算法的隨機(jī)學(xué)習(xí)算子在搜索開始時擴(kuò)展知識空間；

20、(5)經(jīng)過一定次數(shù)的隨機(jī)搜索后，得到個體知識數(shù)據(jù)庫；

21、(6)個體向其他個體學(xué)習(xí)后獲得社會知識數(shù)據(jù)庫，通過執(zhí)行社會學(xué)習(xí)算子得到個體的解；

22、步驟2.4：基于局部區(qū)域的激活強(qiáng)度，對局部區(qū)域模型進(jìn)行模糊化處理，得到整個usc機(jī)組的模糊模型。

23、進(jìn)一步的，所述步驟3包括以下步驟：

24、步驟3.1：將廣義預(yù)測控制gpc嵌入增強(qiáng)復(fù)合加權(quán)人類學(xué)習(xí)優(yōu)化網(wǎng)絡(luò)，為每個局部區(qū)域設(shè)計(jì)成本函數(shù)；

25、步驟3.2：根據(jù)局部區(qū)域成本函數(shù)計(jì)算局部控制器增量；

26、步驟3.3：不斷迭代尋求最小的局部區(qū)域成本函數(shù)，并獲得最優(yōu)的局部控制器增量。

27、進(jìn)一步的，所述步驟4包括以下步驟：

28、步驟4.1：基于最優(yōu)的局部控制器增量以及gpc的滾動優(yōu)化和預(yù)測控制的特點(diǎn)，設(shè)計(jì)局部控制器；

29、步驟4.2：將局部控制器經(jīng)過復(fù)合得到整個usc機(jī)組的控制器；

30、步驟4.3：將整個usc機(jī)組的控制器加入到步驟2中建立的usc機(jī)組模糊模型，從而對usc機(jī)組模型調(diào)節(jié)輸入，使輸出能夠準(zhǔn)確地跟蹤期望的軌跡，達(dá)到超超臨界機(jī)組快速動態(tài)響應(yīng)的目的。

31、進(jìn)一步的，所述步驟1.1包括以下步驟：

32、步驟1.1.1：采集建立lstm-transformer模型所需的usc機(jī)組運(yùn)行過程中的長時間序列數(shù)據(jù)，將數(shù)據(jù)進(jìn)行歸一化處理，并劃分為訓(xùn)練集、驗(yàn)證集和測試集；

33、步驟1.1.2：定義lstm-transformer模型結(jié)構(gòu)，其中l(wèi)stm層用于捕捉序列的時間依賴性，transformer層用于處理序列中的位置信息和捕捉全局依賴關(guān)系；

34、步驟1.1.3：使用訓(xùn)練集訓(xùn)練lstm-transformer模型，然后根據(jù)需要調(diào)整lstm-transfor?mer模型的超參數(shù)；

35、步驟1.1.4：使用驗(yàn)證集驗(yàn)證lstm-transformer模型的性能；

36、步驟1.1.5：使用測試集評估lstm-transformer模型的準(zhǔn)確性和泛化能力；

37、步驟1.1.6：基于實(shí)際應(yīng)用需求和性能考慮對lstm-transformer模型進(jìn)行迭代優(yōu)化。

38、進(jìn)一步的，所述增強(qiáng)人類學(xué)習(xí)優(yōu)化hlo算法包括隨機(jī)學(xué)習(xí)算子、個體學(xué)習(xí)算子和社會學(xué)習(xí)算子，通過這三種學(xué)習(xí)算子的結(jié)合實(shí)現(xiàn)模型系數(shù)的快速搜索和精確辨識。

39、進(jìn)一步的，所述步驟2.3中，采用自適應(yīng)機(jī)制對人類學(xué)習(xí)優(yōu)化hlo算法實(shí)現(xiàn)增強(qiáng)，公式如下：

40、

41、式中，il(r)和sl(r)分別是個體學(xué)習(xí)算子和社會學(xué)習(xí)算子的第r次迭代后的值，和分別是個體學(xué)習(xí)算子和社會學(xué)習(xí)算子的初始值，和分別是個體學(xué)習(xí)算子和社會學(xué)習(xí)算子的終值，α是形狀系數(shù)，ns是分界點(diǎn)，r表示當(dāng)前迭代數(shù)，epoch表示總迭代數(shù)。

42、與現(xiàn)有技術(shù)相比較，本發(fā)明具有如下有益效果：

43、本發(fā)明提出了一種將內(nèi)模控制(internal?model?control，imc)和廣義預(yù)測控制(gpc)統(tǒng)一起來的非線性控制方法，有效地實(shí)現(xiàn)了對超超臨界機(jī)組(ultra?supercriticalunit，usc)系統(tǒng)的非線性控制；首先通過基于lstm-transformer的內(nèi)模控制，usc機(jī)組實(shí)現(xiàn)了快速收斂到期望值附近，顯著提高了負(fù)荷的響應(yīng)速度；其次，通過增強(qiáng)復(fù)合加權(quán)人類學(xué)習(xí)優(yōu)化網(wǎng)絡(luò)((composite?weighted?human?learning?optimizationnetwork，cwhlo)進(jìn)一步優(yōu)化模型，提高了模型的精確度。最后，通過采用基于增強(qiáng)復(fù)合加權(quán)人類學(xué)習(xí)優(yōu)化網(wǎng)絡(luò)的廣義預(yù)測控制(cwhlo-gpc)算法對usc機(jī)組進(jìn)行控制，實(shí)現(xiàn)了高精度的負(fù)荷跟蹤性能，解決了超超臨界機(jī)組(ultra?supercritical?unit，usc)系統(tǒng)動態(tài)響應(yīng)慢的問題。