水电机组快速调节负荷控制策略的应用研究
发布时间：2021-10-24 02:33
能源危机意识的增强使各国都致力于开发利用新能源。太阳能、风能等装机容量的不断增大也因此引发了新能源电力消纳的问题和矛盾,导致电网频率出现较大波动,存在安全隐患,因此需要具有快速响应的互补电源来弥补。水电机组控制较简单、响应较快,再加上云南地区水资源丰富,并作为发电的主要来源之一,是作为互补电源的不二选择,因此提高水电机组的负荷响应速度对新能源电力消纳问题有着重要意义。云南水电大部分采用AGC为主的调频模式,当AGC和一次调频同时动作时,两者不能有效配合,常常导致一次调频作用被抵消。为响应南网号召,现对其进行改进,并以功率反馈方式为例,在频差环节引入调差率系数ep,在保证两者能够协调的前提下进而加快响应速度,改善电网质量,满足控制要求。常规PID虽然简单,但适用条件有限,当面临复杂的工况或非线性时效果很差,而水轮机调节系统中恰好存在非最小相位、死区、限幅等环节,为此本文在常规算法之上引入单神经模糊算法。首先分析了导叶、水头对功率的非线性特性,并引入模型以使理论仿真更接近于实际;其次对功率反馈方式的机组协调进行上述改进,经仿真两者能够实现协调控制,但响应较慢,稳态时间...
【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
我国风能和太阳能逐年装机容量
图 2-5 所示。状态转换K 被控对象Z-1+_e(k)u(k)X2(k)X3(k)模糊增益自整定r(k)y(k)图 2-3 单神经元模糊控制框图在单神经元 Simulink 中采用了 S-Function，该模块不能直接用于仿真，需要提前对该函数进行 m 文件的编写，并通过调用子函数来实现。单神经元算法中的相关参数分别设定如下：比例系数 K=2，初始化学习效率 p= 65、 = 68、 = 10，初始化权值 = 0.3、 = 0.3、 = 0.3，采样时间ts= 0.001s，次数 n=20000，仿真结果如图 2-5 中的曲线 3。
图 3-3 非线性电液随动系统图中 1为交流伺服电机的反映时间常数， 为主接力器反应时间。3.2 水轮机及引水系统水轮机在整个调节系统中具有重要作用，主要完成水能到机械能的高效转换，保证机组的安全、稳定运行。该模型中涉及过机流量、力矩、水头、导叶等特性，结构复杂，目前我们所应用的模型都是根据实验获得，并经一定的数学分析与处理得到的，大致分为简化的线性和复杂的非线性模型[1,6,23,34]。3.2.1 复杂的非线性模型非线性模型考虑了水头的沿程损失以及水轮机的机械功率损耗，其表达式如式（3-1）所示，其中 为输出功率； 和 1分别为水轮机的过机、空载流量；H 为导叶开度；h 为转轮入口水压；D 为阻尼系数；fp为引水管道摩擦系数； 为
【参考文献】：
期刊论文
[1]新能源消纳关键因素分析及解决措施研究[J]. 舒印彪,张智刚,郭剑波,张正陵. 中国电机工程学报. 2017(01)
[2]“十三五”骨干网架发展的探讨[J]. 韩丰,宋福龙,罗金山,韩晓男. 中国电力. 2017(01)
[3]基于混沌粒子群算法的水轮机调速系统参数辨识及建模试验[J]. 冯雁敏,王湛,张雪源,张恩博,刘春林. 长江科学院院报. 2016(08)
[4]Coping with climate change and China’s wind energy sustainable development[J]. HE De-Xin. Advances in Climate Change Research. 2016(Z1)
[5]一种改进型粒子群优化算法在电力系统经济负荷分配中的应用[J]. 吴辰斌,李海明,刘栋,吴正阳,武蕾. 电力系统保护与控制. 2016(10)
[6]基于模糊增益单神经元PID控制的地源热泵空调系统的建模与仿真[J]. 曹振华. 系统仿真技术. 2016(02)
[7]借鉴德国新能源消纳的经验[J]. 范征,廖宇. 能源研究与利用. 2016(02)
[8]Gain-scheduling control of a floating offshore wind turbine above rated wind speed[J]. Omid BAGHERIEH,Ryozo NAGAMUNE. Control Theory and Technology. 2015(02)
[9]水电机组一次调频与AGC典型控制策略的工程分析及优化[J]. 何常胜,董鸿魁,翟鹏,苏杭,王新乐,丁永胜. 电力系统自动化. 2015(03)
[10]自适应混沌整体退火遗传算法在水电站群优化调度中的应用[J]. 王森,程春田,武新宇,李保健. 水力发电学报. 2014(05)
博士论文
[1]水轮发电机及其调速系统的参数辨识方法与控制策略研究[D]. 寇攀高.华中科技大学 2012
硕士论文
[1]模糊神经PID控制在水轮机调节系统中的研究与仿真[D]. 邹佳庆.南昌工程学院 2015
[2]粒子群优化算法在AGC机组调配中的应用[D]. 刘佳青.华北电力大学 2014
[3]水轮发电机调速器的控制研究[D]. 任静娜.河北科技大学 2014
[4]云南水电机组功频控制中有功功率振荡的预防研究[D]. 高东磊.华北电力大学 2014
[5]云南水火电机组功率振荡的控制研究[D]. 李晓娇.华北电力大学 2014
[6]基于智能融合算法的水电机组辨识与控制策略研究[D]. 曾仕琦.湖北工业大学 2013
[7]基于模糊PID水轮机调节系统的仿真研究[D]. 刘建交.西北农林科技大学 2012
[8]改进二进制粒子群算法在梯级水电站AGC中的应用研究[D]. 肖文.华中科技大学 2011
[9]水轮机调节系统的模糊神经网络控制研究[D]. 包居敏.桂林电子科技大学 2007
本文编号：3454401
【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
我国风能和太阳能逐年装机容量
图 2-5 所示。状态转换K 被控对象Z-1+_e(k)u(k)X2(k)X3(k)模糊增益自整定r(k)y(k)图 2-3 单神经元模糊控制框图在单神经元 Simulink 中采用了 S-Function，该模块不能直接用于仿真，需要提前对该函数进行 m 文件的编写，并通过调用子函数来实现。单神经元算法中的相关参数分别设定如下：比例系数 K=2，初始化学习效率 p= 65、 = 68、 = 10，初始化权值 = 0.3、 = 0.3、 = 0.3，采样时间ts= 0.001s，次数 n=20000，仿真结果如图 2-5 中的曲线 3。
图 3-3 非线性电液随动系统图中 1为交流伺服电机的反映时间常数， 为主接力器反应时间。3.2 水轮机及引水系统水轮机在整个调节系统中具有重要作用，主要完成水能到机械能的高效转换，保证机组的安全、稳定运行。该模型中涉及过机流量、力矩、水头、导叶等特性，结构复杂，目前我们所应用的模型都是根据实验获得，并经一定的数学分析与处理得到的，大致分为简化的线性和复杂的非线性模型[1,6,23,34]。3.2.1 复杂的非线性模型非线性模型考虑了水头的沿程损失以及水轮机的机械功率损耗，其表达式如式（3-1）所示，其中 为输出功率； 和 1分别为水轮机的过机、空载流量；H 为导叶开度；h 为转轮入口水压；D 为阻尼系数；fp为引水管道摩擦系数； 为
【参考文献】：
期刊论文
[1]新能源消纳关键因素分析及解决措施研究[J]. 舒印彪,张智刚,郭剑波,张正陵. 中国电机工程学报. 2017(01)
[2]“十三五”骨干网架发展的探讨[J]. 韩丰,宋福龙,罗金山,韩晓男. 中国电力. 2017(01)
[3]基于混沌粒子群算法的水轮机调速系统参数辨识及建模试验[J]. 冯雁敏,王湛,张雪源,张恩博,刘春林. 长江科学院院报. 2016(08)
[4]Coping with climate change and China’s wind energy sustainable development[J]. HE De-Xin. Advances in Climate Change Research. 2016(Z1)
[5]一种改进型粒子群优化算法在电力系统经济负荷分配中的应用[J]. 吴辰斌,李海明,刘栋,吴正阳,武蕾. 电力系统保护与控制. 2016(10)
[6]基于模糊增益单神经元PID控制的地源热泵空调系统的建模与仿真[J]. 曹振华. 系统仿真技术. 2016(02)
[7]借鉴德国新能源消纳的经验[J]. 范征,廖宇. 能源研究与利用. 2016(02)
[8]Gain-scheduling control of a floating offshore wind turbine above rated wind speed[J]. Omid BAGHERIEH,Ryozo NAGAMUNE. Control Theory and Technology. 2015(02)
[9]水电机组一次调频与AGC典型控制策略的工程分析及优化[J]. 何常胜,董鸿魁,翟鹏,苏杭,王新乐,丁永胜. 电力系统自动化. 2015(03)
[10]自适应混沌整体退火遗传算法在水电站群优化调度中的应用[J]. 王森,程春田,武新宇,李保健. 水力发电学报. 2014(05)
博士论文
[1]水轮发电机及其调速系统的参数辨识方法与控制策略研究[D]. 寇攀高.华中科技大学 2012
硕士论文
[1]模糊神经PID控制在水轮机调节系统中的研究与仿真[D]. 邹佳庆.南昌工程学院 2015
[2]粒子群优化算法在AGC机组调配中的应用[D]. 刘佳青.华北电力大学 2014
[3]水轮发电机调速器的控制研究[D]. 任静娜.河北科技大学 2014
[4]云南水电机组功频控制中有功功率振荡的预防研究[D]. 高东磊.华北电力大学 2014
[5]云南水火电机组功率振荡的控制研究[D]. 李晓娇.华北电力大学 2014
[6]基于智能融合算法的水电机组辨识与控制策略研究[D]. 曾仕琦.湖北工业大学 2013
[7]基于模糊PID水轮机调节系统的仿真研究[D]. 刘建交.西北农林科技大学 2012
[8]改进二进制粒子群算法在梯级水电站AGC中的应用研究[D]. 肖文.华中科技大学 2011
[9]水轮机调节系统的模糊神经网络控制研究[D]. 包居敏.桂林电子科技大学 2007
本文编号：3454401
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/3454401.html
