基于改進磷蝦群算法的汽輪機組最優(yōu)運行初壓研究.pdf

1、近年來，隨著我國用電結(jié)構(gòu)的改變和經(jīng)濟的持續(xù)高速發(fā)展，越來越多的熱電廠大容量機組參與到電網(wǎng)的調(diào)峰運行工作當中，這樣就導致機組長期在變負荷的條件下運行，從而造成機組熱經(jīng)濟性能顯著降低。要想確保汽輪機組在變負荷運行的條件下依然保持較高的熱經(jīng)濟性能，就必須對汽輪機組熱耗率最低時對應的主蒸汽壓力進行優(yōu)化，將得到的最優(yōu)滑壓運行曲線作為機組主蒸汽壓力的調(diào)整值，結(jié)果表明，該種方法不僅能夠有效降低機組的熱耗率，而且能夠更好的指導機組的安全經(jīng)濟運行。若要對

2、機組的初壓進行優(yōu)化，需要解決兩個難點：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問題展開研究，內(nèi)容如下：
　　首先，對磷蝦群算法(Krill Herd algorithm, KH)進行了研究，針對其易陷入局部最優(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習自適應的磷蝦群算法(Opposition Adaptive Krill Herd algorithm, OAKH)。為了檢驗O

3、AKH算法的可行性，采用10個典型的基準函數(shù)對其進行測試，并與生物地理優(yōu)化算法(Biogeography-Based Optimization, BBO)和原始磷蝦群算法進行對比，實驗結(jié)果表明， OAKH算法是可行、有效的。但對于少數(shù)的測試函數(shù)，OAKH算法不能快速的跳出局部最優(yōu)值。針對此問題，在OAKH算法的基礎(chǔ)上提出了改進的OAKH算法(A-OAKH)。通過實驗得出，A-OAKH算法較OAKH算法搜索性能更優(yōu)。
　　然后，將A

4、-OAKH算法與快速學習網(wǎng)(Fast Learning Network, FLN)結(jié)合，建立汽輪機熱耗率預測模型，A-OAKH算法主要的作用是對快速學習網(wǎng)的輸入權(quán)值和隱藏層閾值進行優(yōu)化，然后將最佳模型參數(shù)帶入快速學習網(wǎng)中，完成對汽輪機熱耗率預測模型的搭建任務，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)對機組熱耗率最低時所對應的主蒸汽壓力進行優(yōu)化。通過A