于海存，殷建華，李榮麗，郭瑞君，霍紅巖

（內(nèi)蒙古電力（集團(tuán)）有限責(zé)任公司內(nèi)蒙古電力科學(xué)研究院分公司，呼和浩特 010020）

0 引言

火力發(fā)電機(jī)組的一次調(diào)頻性能對電網(wǎng)的電能質(zhì)量和安全運行水平起著至關(guān)重要的作用。隨著新能源發(fā)電量占比的逐步提高，電網(wǎng)對火電機(jī)組的一次調(diào)頻要求越來越高[1-2]。2020年3月內(nèi)蒙古電網(wǎng)開始正式考核一次調(diào)頻指標(biāo)，新的考核辦法著重考查機(jī)組的“15 s出力響應(yīng)指數(shù)”“30 s出力響應(yīng)指數(shù)”和“電量貢獻(xiàn)指數(shù)”三項指標(biāo)，這與原一次調(diào)頻考核指標(biāo)有很大的區(qū)別[3]。根據(jù)考核情況反饋，內(nèi)蒙古電網(wǎng)火電機(jī)組一次調(diào)頻動作綜合合格率僅在20%左右，亟需提升一次調(diào)頻考核指標(biāo)和改善網(wǎng)內(nèi)火電機(jī)組一次調(diào)頻性能。目前，國內(nèi)對火電機(jī)組一次調(diào)頻功能的優(yōu)化方式有兩種：一是采用單一的邏輯組態(tài)優(yōu)化，該種優(yōu)化方案成本低、針對性較差，優(yōu)化效果不穩(wěn)定，可推廣性較差；二是利用儲能輔助一次調(diào)頻，該技術(shù)方案成本投入較大，且頻繁充放電對電池的壽命及容量損耗較大，增加了環(huán)境污染的風(fēng)險性[4-6]。本文提出基于電網(wǎng)考核指標(biāo)的火電機(jī)組一次調(diào)頻綜合優(yōu)化技術(shù)，以一次調(diào)頻考核指標(biāo)為數(shù)據(jù)支撐，利用人工智能算法優(yōu)化信號測量、邏輯運算、執(zhí)行系統(tǒng)和控制調(diào)整等各環(huán)節(jié)。

1 一次調(diào)頻考核指標(biāo)

1.1 定義

1.1.1 出力響應(yīng)指數(shù)

出力響應(yīng)指數(shù)為從頻率偏差出死區(qū)開始至頻率偏差恢復(fù)到死區(qū)范圍結(jié)束，一次調(diào)頻動作時段內(nèi)機(jī)組實際最大出力調(diào)整量占理論最大出力調(diào)整量的百分比，計算見公式（1）—（3）。機(jī)組一次調(diào)頻的負(fù)荷調(diào)整幅度應(yīng)在15 s內(nèi)達(dá)到理論計算的一次調(diào)頻的最大負(fù)荷調(diào)整幅度的75%，在30 s內(nèi)達(dá)到理論計算的一次調(diào)頻的最大負(fù)荷調(diào)整幅度的90%[7]。

式中：ΔPS為一次調(diào)頻實際最大出力調(diào)整幅度，kW；ΔPEmax為機(jī)組一次調(diào)頻理論出力最大調(diào)整量，kW；ΔP%為一次調(diào)頻出力響應(yīng)指數(shù)；P0為電網(wǎng)頻率變化越過機(jī)組一次調(diào)頻死區(qū)時刻機(jī)組的實際出力，kW；PS(t)為一次調(diào)頻機(jī)組在t時刻的實際出力，kW；PN為機(jī)組額定有功出力，kW；Δfmax為一次調(diào)頻動作時段內(nèi)考慮到調(diào)頻死區(qū)的實際最大頻率偏差，Hz；fN為機(jī)組額定頻率，取50 Hz；δ為轉(zhuǎn)速不等率理論整定值，火電機(jī)組一般取0.05。

1.1.2 電量貢獻(xiàn)指數(shù)

電量貢獻(xiàn)指數(shù)為在機(jī)組一次調(diào)頻動作時段內(nèi)，機(jī)組一次調(diào)頻實際貢獻(xiàn)電量占理論貢獻(xiàn)電量的百分比，計算見公式（4）—（7）。從頻率偏差超出死區(qū)開始，直至頻率偏差恢復(fù)到死區(qū)范圍結(jié)束，機(jī)組實際貢獻(xiàn)電量需達(dá)到理論貢獻(xiàn)電量的75%，否則機(jī)組一次調(diào)頻判定為不合格[7]。

式中：ΔQS為機(jī)組一次調(diào)頻實際貢獻(xiàn)電量，kWh；ΔPE為機(jī)組一次調(diào)頻理論出力調(diào)整量，kW；ΔfS為一次調(diào)頻動作時段內(nèi)實際頻率與調(diào)頻死區(qū)（50±0.033 Hz）的頻率偏差，Hz；ΔQE為機(jī)組一次調(diào)頻理論貢獻(xiàn)電量，kWh；Q%為機(jī)組一次調(diào)頻電量貢獻(xiàn)指數(shù)。

1.2 存在的問題及建議

1.2.1 存在的問題

參考出力響應(yīng)指數(shù)的定義和公式，15 s出力響應(yīng)指數(shù)和30 s出力響應(yīng)指數(shù)的合理性值得商榷。原因是如果公式（2）中ΔPEmax對應(yīng)的Δfmax發(fā)生在一次調(diào)頻動作30 s后，那么該次一次調(diào)頻動作15 s內(nèi)以及動作30 s內(nèi)都無法獲知ΔPEmax的大小，在這種情況下要求動作15 s內(nèi)以及30 s內(nèi)的ΔPS分別達(dá)到ΔPEmax的75%和90%顯然不合理。

舉例說明。如圖1所示，14：11：14，電網(wǎng)一次調(diào)頻持續(xù)動作時間在60 s以上，一次調(diào)頻動作考核期間頻率極值點為49.958 Hz，發(fā)生時刻為14：11：57，即一次調(diào)頻動作43 s。一次調(diào)頻動作考核期間前15 s內(nèi)頻率極值點為49.963 Hz，一次調(diào)頻動作考核期間前30 s內(nèi)頻率極值點為49.960 Hz。以300 MW火電機(jī)組為例計算，此次一次調(diào)頻考核期間理論最大出力調(diào)整量為1.08 MW，而實際上前15 s內(nèi)理論最大出力調(diào)整量僅為0.48 MW，前30 s內(nèi)理論最大出力調(diào)整量僅為0.84 MW。即使該機(jī)組能夠完全按照理論值調(diào)整功率，計算得到的15 s出力響應(yīng)指數(shù)僅為44.44%，30 s出力響應(yīng)指數(shù)為77.78%。結(jié)合圖2以某300 MW機(jī)組同時刻實際一次調(diào)頻動作數(shù)據(jù)為例，電網(wǎng)考核計算的該機(jī)組15 s出力響應(yīng)指數(shù)50.542%，30 s出力響應(yīng)指數(shù)80.503%，即兩個指標(biāo)都不合格。而該機(jī)組實際的15 s內(nèi)最大出力調(diào)整量為0.545 MW，為15 s內(nèi)理論最大出力調(diào)整量的113.7%；實際的30 s內(nèi)最大出力調(diào)整量為0.869 MW，為30 s內(nèi)理論最大出力調(diào)整量的103.4%。在這種情況下，即使機(jī)組規(guī)定時間內(nèi)功率調(diào)整量大于理論值，30 s出力響應(yīng)指數(shù)和15 s出力響應(yīng)指數(shù)這兩個一次調(diào)頻考核結(jié)果仍然不合格。

圖1 一次調(diào)頻動作期間電網(wǎng)頻率曲線Fig.1 Grid frequency curve during primary frequency modulation

圖2 一次調(diào)頻動作期間機(jī)組響應(yīng)負(fù)荷曲線Fig.2 Unit response load curve during primary frequency modulation

1.2.2 合理建議

當(dāng)某次一次調(diào)頻考核動作期間頻率極值點出現(xiàn)在15～60 s，計算15 s出力響應(yīng)指數(shù)的公式（3）中分母應(yīng)改成15 s內(nèi)的理論最大出力調(diào)整量；當(dāng)某次一次調(diào)頻考核動作期間頻率極值點出現(xiàn)在30～60 s，則計算30 s出力響應(yīng)指數(shù)的公式（3）的分母應(yīng)改成30 s內(nèi)的理論最大出力調(diào)整量。

2 基于極限學(xué)習(xí)機(jī)算法的一次調(diào)頻性能分析與優(yōu)化

2.1 方法思路

本文利用人工神經(jīng)網(wǎng)絡(luò)極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）算法搭建一次調(diào)頻性能考核指標(biāo)與相關(guān)影響因素的映射模型，以火電機(jī)組一次調(diào)頻性能考核指標(biāo)的結(jié)果數(shù)據(jù)作為輸出層變量，選取多個可調(diào)可控的一次調(diào)頻影響因素作為研究和分析對象，并從調(diào)度中心數(shù)據(jù)庫以及發(fā)電機(jī)組歷史數(shù)據(jù)庫中提取相對應(yīng)的特征量作為輸入層變量，并在此基礎(chǔ)上訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型系統(tǒng)參數(shù)使之達(dá)到符合要求的擬合及預(yù)測精度。再通過對考核指標(biāo)不合格的一次調(diào)頻動作事件所對應(yīng)的輸入層特征變量的適度變異，使得經(jīng)神經(jīng)網(wǎng)絡(luò)算法搭建的系統(tǒng)模型重新計算后一次調(diào)頻考核結(jié)果由不合格變?yōu)楹细瘛Ｌ卣髯兞窟m度變異的變化方向和程度即可為一次調(diào)頻性能優(yōu)化提供指導(dǎo)依據(jù)。

2.2 方法步驟

方法步驟如圖3所示，主要包括獲取輸入輸出數(shù)據(jù)、搭建模型訓(xùn)練模型參數(shù)、變異輸入變量重新計算以及反推優(yōu)化策略等。

圖3 算法流程Fig.3 Flow chart of algorithm step

2.2.1 獲取輸出數(shù)據(jù)

從電網(wǎng)調(diào)度中心系統(tǒng)數(shù)據(jù)庫中調(diào)取一次調(diào)頻性能指標(biāo)考核數(shù)據(jù)，包括15 s出力響應(yīng)指數(shù)、30 s出力響應(yīng)指數(shù)、電量貢獻(xiàn)指數(shù)。

2.2.2 獲取輸入數(shù)據(jù)

從電網(wǎng)調(diào)度中心服務(wù)器數(shù)據(jù)庫中調(diào)取火電發(fā)電機(jī)組同步相量測量（PMU）子系統(tǒng)上傳的運行數(shù)據(jù)，包括有功功率、頻率、轉(zhuǎn)速、機(jī)組調(diào)節(jié)級壓力、協(xié)調(diào)控制系統(tǒng)中一次調(diào)頻修正前負(fù)荷指令、協(xié)調(diào)控制系統(tǒng)中一次調(diào)頻修正后負(fù)荷指令、閥門開度信號、一次調(diào)頻動作信號、一次調(diào)頻投入信號、機(jī)爐協(xié)調(diào)信號。

從對應(yīng)火電發(fā)電機(jī)組分散控制系統(tǒng)（DCS）和數(shù)字電液控制（DEH）系統(tǒng)歷史數(shù)據(jù)庫中調(diào)取機(jī)組相關(guān)運行數(shù)據(jù)，包括主蒸汽壓力、主蒸汽流量、高壓調(diào)節(jié)閥開度指令、高壓調(diào)節(jié)閥開度反饋等。

根據(jù)火電機(jī)組一次調(diào)頻常規(guī)動態(tài)試驗的試驗過程和調(diào)整手段，影響一次調(diào)頻性能考核指標(biāo)的因素較多，但影響效果顯著且可調(diào)可控的因素主要有機(jī)組主蒸汽壓力、機(jī)組轉(zhuǎn)速不等率、機(jī)組閥門流量特性線性度、機(jī)組機(jī)組感應(yīng)頻率與電網(wǎng)基準(zhǔn)頻率偏差、機(jī)組自動（AGC）調(diào)節(jié)指令[8-9]。

發(fā)電控制提取能表征一次調(diào)頻考核指標(biāo)性能影響因素的特征變量。

（1）網(wǎng)頻偏差特征變量c1：

式中：Δf為機(jī)組實際測量的網(wǎng)頻變化量，Hz。

網(wǎng)頻偏差特征變量c1變異值約束范圍：

（2）AGC指令特征變量c2：

式中：Plb為協(xié)調(diào)控制系統(tǒng)中一次調(diào)頻修正前負(fù)荷指令，kW。

（3）主汽壓力特征變量c3：

式中：PTa為一次調(diào)頻動作期間實時主汽壓力均值，MPa；PTN為機(jī)組主汽壓力額定值，MPa。

（4）調(diào)節(jié)閥流量特性特征變量c4表征一次調(diào)頻考核期間機(jī)組流量指令所在區(qū)間內(nèi)的相對流量比值：

式中：ΔS為上述區(qū)間段內(nèi)實際主汽流量的變化量，t/h；Se為機(jī)組額定主汽流量，t/h；ΔSl為上述區(qū)間段內(nèi)流量指令的變化量，%。

（5）轉(zhuǎn)速不等率特征變量c5：

式中：Pla—協(xié)調(diào)控制系統(tǒng)中一次調(diào)頻修正后負(fù)荷指令，kW。

2.2.3 搭建模型訓(xùn)練模型參數(shù)

ELM算法是一種新型的快速學(xué)習(xí)算法，網(wǎng)絡(luò)訓(xùn)練模型見圖4。對于單隱層神經(jīng)網(wǎng)絡(luò)，ELM算法可以隨機(jī)初始化輸入權(quán)重和偏置并得到相應(yīng)的輸出權(quán)重。該算法僅通過一步計算即可解析求出學(xué)習(xí)網(wǎng)絡(luò)的輸出權(quán)值，極大地提高了網(wǎng)絡(luò)的泛化能力和學(xué)習(xí)速度[10]。設(shè)m，M，n分別為網(wǎng)絡(luò)輸入層、隱含層和輸出層的節(jié)點數(shù)，g（x）是隱含層神經(jīng)元的激活函數(shù)，bi為閾值。設(shè)有N個不同樣本(xi.ti)，1≤i≤N，其中，表示連接網(wǎng)絡(luò)輸入層節(jié)點與第i個隱含層節(jié)點的輸入權(quán)值向量；表示連接第i個隱含層節(jié)點與網(wǎng)絡(luò)輸出層節(jié)點的輸出權(quán)值向量。

圖4 極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)訓(xùn)練模型Fig.4 Network training model of extreme learning machine

2.2.4 變異輸入變量重新計算

在合理范疇內(nèi)逐一“變異”單個特征變量，代入上節(jié)訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型重新迭代計算。

2.2.5 反推優(yōu)化策略

在上一步的基礎(chǔ)上根據(jù)滿足要求的特征變量的變異方向和程度，對一次調(diào)頻性能考核指標(biāo)不合格的原因進(jìn)行逆向分析，繼而提出針對性的改善和提升策略。

3 仿真分析

3.1 仿真

綜上，以500組主蒸汽壓力、機(jī)組轉(zhuǎn)速不等率、機(jī)組閥門流量特性線性度、機(jī)組感應(yīng)頻率與電網(wǎng)基準(zhǔn)頻率偏差、機(jī)組AGC調(diào)節(jié)指令五個特征變量為輸入變量；以對應(yīng)的500組一次調(diào)頻性能指標(biāo)考核中的15 s出力響應(yīng)指數(shù)、30 s出力響應(yīng)指數(shù)、電量貢獻(xiàn)指數(shù)分別為輸出變量；結(jié)合ELM算法搭建學(xué)習(xí)訓(xùn)練模型，其中分別選擇sigmoid正切函數(shù)、sin正弦函數(shù)、hardlim硬限幅函數(shù)三種代表性激活函數(shù)以及不同的隱含層節(jié)點數(shù)進(jìn)行組合分別仿真，其中隨機(jī)300組數(shù)據(jù)用于仿真擬合訓(xùn)練，剩下的200組數(shù)據(jù)用于仿真預(yù)測。

仿真結(jié)果如圖5—圖7所示，隱含層節(jié)點相同前提下，sigmoid正切函數(shù)的整體仿真效果最好，且三種激活函數(shù)在隱含層節(jié)點數(shù)為30左右就已經(jīng)達(dá)到各自的最佳仿真精度。因此最終選擇隱含層節(jié)點數(shù)為30，激活函數(shù)為sigmoid正切函數(shù)作為模型的參數(shù)。為進(jìn)一步驗證算法的有效性，將該模型參數(shù)下的ELM算法與以最小二乘法為原理的線性回歸算法（Linear Regression Algorithm，LRA）進(jìn)行對比。計算并統(tǒng)計兩種算法仿真結(jié)果的均方誤差數(shù)據(jù)見表1，平均絕對誤差數(shù)據(jù)見表2。

表1 兩種算法均方誤差數(shù)據(jù)Tab.1 Performance comparison of mean square error of two algorithms

表2 兩種算法平均絕對誤差數(shù)據(jù)Tab.2 Performance comparison of mean absolute error of two algorithms

圖5 15 s出力響應(yīng)指數(shù)仿真參數(shù)及誤差Fig.5 Simulation parameters and deviation of 15 s contribute response index

圖6 30 s出力響應(yīng)指數(shù)仿真參數(shù)及誤差Fig.6 Simulation parameters and deviation of 30 s contribute response index

圖7 電量貢獻(xiàn)指數(shù)仿真參數(shù)及誤差Fig.7 Simulation parameters and deviation of electricity contribution index

由仿真數(shù)據(jù)可知，ELM算法仿真誤差小于LRA仿真誤差，仿真效果優(yōu)于LRA。

將各個特征變量依次變異至限制值后，代入模型中重新計算，結(jié)果見表3。

表3 特征變量變異后考核指標(biāo)合格率Tab.3 Qualification rate of assessment index after variation of characteristic variables %

3.2 仿真結(jié)果分析與反推優(yōu)化策略

分析仿真試驗結(jié)果數(shù)據(jù)可以得出，對于該機(jī)組自動增益控制（AGC）指令、頻率偏差及轉(zhuǎn)速不等率所對應(yīng)的特征變量變異對一次調(diào)頻考核指標(biāo)影響作用較大。其中如降低機(jī)組轉(zhuǎn)速不等率為4%，則能夠使三個考核指標(biāo)合格率平均提升29.90%；在一次調(diào)頻動作期間，如增加反向閉鎖AGC指令的功能，能夠使三個考核指標(biāo)合格率平均提升21.59%；如增設(shè)高精度頻率測量裝置，使得機(jī)組實際響應(yīng)網(wǎng)頻與電網(wǎng)考核基準(zhǔn)網(wǎng)頻一致，則能夠使三個考核指標(biāo)合格率平均提升15.70%。主蒸汽壓力變異對電量貢獻(xiàn)指數(shù)影響作用較為顯著，對15 s出力響應(yīng)指數(shù)、30 s出力響應(yīng)指數(shù)影響作用有限。且由于該機(jī)組在大修后做過流量特性修正試驗（流量特性良好，指令與實際流量基本呈現(xiàn)線性），因此流量特性特征變量變異對機(jī)組一次調(diào)頻性能考核指標(biāo)作用不明顯。因此針對該機(jī)組，可以根據(jù)機(jī)組自身情況從增設(shè)高精度頻率測量裝置、增加AGC反向閉鎖功能以及適當(dāng)降低轉(zhuǎn)速不等率方面入手來優(yōu)化一次調(diào)頻功能。

4 結(jié)語

通過對一次調(diào)頻考核指標(biāo)的定義、公式以及實際考核結(jié)果的分析，針對15 s出力響應(yīng)指數(shù)和30 s出力響應(yīng)指數(shù)的考核計算公式在特定情景下提出了更為合理性的修改建議；通過仿真試驗和數(shù)據(jù)分析發(fā)現(xiàn)：利用ELM算法搭建的神經(jīng)網(wǎng)絡(luò)模型可以在一次調(diào)頻考核指標(biāo)與影響一次調(diào)頻性能的影響因素之間建立良好的非線性映射。根據(jù)特征變量的變異方向和程度，對一次調(diào)頻性能考核指標(biāo)不合格的原因進(jìn)行逆向分析，并在此基礎(chǔ)上提出針對性的改善和提升策略，指導(dǎo)機(jī)組進(jìn)行一次調(diào)頻優(yōu)化。