一种基于遗传算法的电厂发电优化方法、装置及设备与流程

1.本技术涉及电力调度自动化技术领域，特别是涉及一种基于遗传算法的电厂发电优化方法、装置及设备。


背景技术：

2.在满足与电网签订的年度合同中约定的年度发电总量前提下，报送日前计划时电厂拥有一定的计划制定自主权，可以一定程度上调配年度和月度的发电计划。但电厂在制定长周期发电计划时，通常由人工根据往年运行经验进行规划，缺少对方案整体经济性和排放等指标的认识。而发电机组的经济性受到运行负荷率、环境条件影响的燃料成本，以及由运行状态影响的设备维养费用等诸多因素决定，难以通过经验综合判断经济性最优方案。


技术实现要素：

3.鉴于以上所述现有技术的缺点，本技术的目的在于提供一种基于遗传算法的电厂发电优化方法、装置及设备，用于解决现有技术中根据人为经验进行长周期发电规划时，缺少对方案整体经济性和排放等指标的考量的技术问题，从而改善现有的电厂长周期发电规划的制定。
4.为实现上述目的及其他相关目的，本技术提供一种基于遗传算法的电厂发电优化方法，包括：将待优化的长周期时间范围划分为若干等长的时间段；基于经济性目标和排放目标设计优化目标函数，并基于运行约束条件设计运行约束函数；建立长周期发电计划多目标优化问题数学模型，基于遗传算法计算该模型的pareto最优前沿解集，根据预设目标偏好选择pareto最优前沿解集中的个体，得到各所述时间段对应的计划发电功率优化方案。
5.于本技术的一实施例中，所述经济性目标包括燃料成本和设备维养费用，所述经济性目标的优化目标函数为：f1＝c1+c2(x1,x2…
xn,x
norm
)；其中，f1表示经济性目标；c1表示燃料成本；c2(x1,x2…
xn,x
norm
)表示设备维养费用，由各时间段机组功率和机组额定功率决定；xi表示第i时间段的机组功率；x
norm
表示机组额定功率。
6.于本技术的一实施例中，所述排放目标的优化目标函数为：其中，fj(xi)表示机组在第i时间段内第j种污染物的排放指标，所述污染物包括no
x
、co、so2、烟尘。
7.于本技术的一实施例中，所述运行约束函数为：其中，f
cv
表示惩罚值，当满足全部运行约束时等于预设值；存在违反的运行约束时大于预设值；f
cv,j
表示第j项运行约束函数；m表示运行约束函数的项数。
8.于本技术的一实施例中，所述运行约束函数对应的运行约束条件包括：总发电量约束、机组发电功率上下限约束、机组升降负荷率约束、供热计划约束、最大停机时段数约
束、电网调度及检修约束中任意一种或多种的组合。
9.于本技术的一实施例中，所述运行约束条件对应的所述运行约束函数为以下任意一种或多种的组合：1)总发电量约束函数的表达式包括：其中，f
cv,sum
表示总发电量约束惩罚值；t表示时间段长度；x表示约定总发电量值；2)机组发电功率上下限约束函数的表达式为：其中，f
cv,limit
表示机组发电功率上下限约束惩罚值；f
cv,limit,i
表示第i时间段的机组发电功率上下限约束惩罚值；x
min,i
表示第i时间段机组运行最小功率限制；x
max,i
表示第i时间段机组运行最大功率限制；3)机组升降负荷率约束函数的表达式包括：限制；3)机组升降负荷率约束函数的表达式包括：其中，f
cv,ramp
表示机组升降负荷率约束惩罚值；f
cv,ramp,i
表示第i时间段机组升降负荷率约束惩罚值；x
ramp,u
表示机组升负荷率上限；x
ramp,l
表示机组降负荷率下限；4)供热计划约束函数的表达式包括：其中，f
cv,heat
表示供热计划约束惩罚值；f
cv,limit,i
表示第i时间段的供热计划约束惩罚值；x
min,heat,i
表示第i时间段的供热要求最小功率值；5)最大停机时段数约束函数的表达式包括：f
cv,shutdown
＝其中，f
cv,shutdown
表示最大停机时段数约束惩罚值；n表示停机时段数；n
max
表示最大允许停机时段数；ui表示第i时间段机组停机判断值；6)电网调度及检修约束函数的表达式为：机组停机判断值；6)电网调度及检修约束函数的表达式为：其中：f
cv,dispatch
表示电网调度及检修约束惩罚值；f
cv,dispatch,i
表示第i时间段的电网调度及检修约束惩罚值；x
dispatch,i
表示电网调度及检修约束的第i时间段约束功率值。
10.于本技术的一实施例中，所述基于遗传算法计算该模型的pareto最优前沿解集，根据预设目标偏好选择pareto最优前沿解集中的个体，得到各所述时间段对应的计划发电功率优化方案，包括：1)参数初始化，初始化种群；2)进行重组、变异、随机打乱，以生成与父代个体数量相等的子代个体；3)计算父代与子代合并种群中各个个体的优化目标函数值及运行约束函数值；4)依据pareto支配规则，根据目标函数值和约束函数值对合并种群的个体进行支配分级；5)依据支配等级顺序、支配抵抗解筛去原则和种群多样性原则，挑选合并种群中的个体至下一轮迭代的父代种群中；6)当达到种群最大迭代次数时，得到pareto最优前沿解集，并根据目标偏好权重挑选解集中某一个体，得到各时间段的计划发电功率优化方案；否则返回步骤2)。
11.于本技术的一实施例中，所述进行重组、变异、随机打乱，以生成与父代个体数量相等的子代个体，包括：在通过重组和变异生成新的个体时，对全部所述个体以[0,1]的概
率进行随机打乱，以形成与父代个体数量相等的子代个体；其中，所述随机打乱的方式包括将各所述个体的解向量的分量值随机打乱顺序。
[0012]
为实现上述目的及其他相关目的，本技术提供一种基于遗传算法的电厂发电优化装置，包括：划分模块，用于将待优化的长周期时间范围划分为若干等长的时间段；设计模块，用于基于经济性目标和排放目标设计优化目标函数，并基于运行约束条件设计运行约束函数；寻优模块，用于建立长周期发电计划多目标优化问题数学模型，基于遗传算法计算该模型的pareto最优前沿解集，根据预设目标偏好选择pareto最优前沿解集中的个体，得到各所述时间段对应的计划发电功率优化方案。
[0013]
为实现上述目的及其他相关目的，本技术提供一种计算机设备，包括：存储器和处理器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如上所述的方法。
[0014]
综上所述，本技术提供的一种基于遗传算法的电厂发电优化方法、装置及设备，具有以下有益效果：
[0015]
1、本技术提供的方法无需借助电厂运行人员发电计划制定经验，即可实现对运行目标最优发电计划方案的计算寻找，从而为电厂提供发电计划规划指导。
[0016]
2、本技术提供的方法还可用于评估当前发电计划方案与最优化发电计划方案的优化目标差距，了解当前机组运行指标水平。
[0017]
3、本技术提供的方法还可用于部分停机检修规划的制定优化。
[0018]
4、本技术提供的方法在提高机组运行经济性的同时，无需对机组进行改造，现场实施时间短，成本较低。
附图说明
[0019]
图1显示为本技术于一实施例中的基于遗传算法的电厂发电优化方法的流程示意图。
[0020]
图2显示为本技术于一实施例中的步骤s103的流程示意图。
[0021]
图3显示为本技术于一实施例中的基于遗传算法的电厂发电优化装置的模块示意图。
[0022]
图4显示为本技术于一实施例中的计算机设备的结构示意图。
具体实施方式
[0023]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0024]
需要说明的是，在下述描述中，参考附图，附图描述了本技术的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本技术的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本技术的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定
实施例，而并非旨在限制本技术。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
[0025]
在通篇说明书中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
[0026]
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
[0027]
为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
[0028]
为解决现有问题，本技术提出一种基于遗传算法的电厂发电优化方法、装置及设备，用于解决现有技术中根据人为经验进行长周期发电规划时，缺少对方案整体经济性和排放等指标的考量的技术问题，从而改善现有的电厂长周期发电规划的制定。
[0029]
如图1所示，展示为本技术于一实施例中提供的基于遗传算法的电厂发电优化方法的流程图，所述方法包括以下步骤：
[0030]
步骤s101：将待优化的长周期时间范围划分为若干等长的时间段。
[0031]
需说明的是，获取各所述时间段的环境条件、供热状态和机组计划发电功率等情况，并使其控制在相同的范围内。
[0032]
步骤s102：基于经济性目标和排放目标设计优化目标函数，并基于运行约束条件设计运行约束函数。
[0033]
为便于理解，根据电厂的设计资料或运行数据、计划时间的气象及环境数据和供热要求等，设计优化目标函数和运行约束函数。其中，待优化目标包括但不限于经济性目标和排放目标；运行约束条件包括：总发电量约束、机组发电功率上下限约束、机组升降负荷率约束、供热计划约束、最大停机时段数约束、电网调度及检修约束等其中任意一种或多种的组合。
[0034]
于本技术一实施例中，所述经济性目标包括但不限于燃料成本和设备维养费用的相加等，所述经济性目标的优化目标函数为：
[0035]
f1＝c1+c2(x1,x2…
xn,x
norm
)；
[0036]
其中，f1表示经济性目标；c1表示燃料成本；c2(x1,x2…
xn,x
norm
)表示设备维养费用，由各时间段机组功率和机组额定功率决定；xi表示第i时间段的机组功率；x
norm
表示机组额定功率。
[0037]
具体地，对于联合循环机组而言，燃料成本c1可表示为：
[0038][0039]
其中，c
1i
表示第i时间段的气耗成本；xi表示第i时间段的机组功率；ti表示第i时间段的环境温度；pi表示第i时间段的环境压力；表示第i时间段的环境湿度；qi表示第i时间段的供热抽汽功率；n表示时间段数量。
[0040]
具体地，对于燃煤机组而言，燃料成本c1可表示为：
[0041][0042]
其中，c
1i
表示第i时间段的煤耗成本；xi表示第i时间段的机组功率；qi表示第i时间段的供热抽汽功率；n表示时间段数量。
[0043]
具体地，对于生物质燃料机组而言，燃料成本c1可表示为：
[0044][0045]
其中，c
1i
表示第i时间段的生物质燃料成本；xi表示第i时间段的机组功率；qi表示第i时间段的供热抽汽功率；n表示时间段数量。
[0046]
需说明的是，针对c
1i
函数关系，可应用现有技术多层感知器网络或svm对机组运行数据进行拟合计算；或根据机组设计资料或机组热力模型，直接计算或生成插值表格并线性插值计算得到。
[0047]
于本技术一实施例中，所述排放目标的优化目标函数为：
[0048][0049]
其中，fj(xi)表示机组在第i时间段内第j种污染物的排放指标，所述污染物包括但不限于no
x
、co、so2、烟尘等中任意一种或多种的组合，可通过机组运行数据拟合获得。
[0050]
于本技术一实施例中，对任意一发电计划方案，为评估其满足运行约束的情况而设计运行约束函数。对于不完全满足运行约束要求的发电计划，由运行约束函数给出惩罚值，在优化算法中以便对方案的评估和排序。所述运行约束函数为：
[0051][0052]
其中，f
cv
表示惩罚值，当满足全部运行约束时等于预设值；存在违反的运行约束时大于预设值；f
cv,j
表示第j项约束函数；m表示运行约束函数的项数。
[0053]
例如，f
cv
的惩罚预设值可以为0或任意常数。
[0054]
具体地，所述运行约束函数对应的运行约束条件包括：总发电量约束、机组发电功率上下限约束、机组升降负荷率约束、供热计划约束、最大停机时段数约束、电网调度及检修约束中任意一种或多种的组合。
[0055]
所述运行约束条件对应的所述运行约束函数为以下任意一种或多种的组合：
[0056]
1)总发电量约束函数的表达式包括：
[0057][0058]
其中，f
cv,sum
表示总发电量约束惩罚值；t表示时间段长度；x表示约定总发电量值；
[0059]
2)机组发电功率上下限约束函数的表达式包括：
[0060][0061][0062]
其中，f
cv,limit
表示机组发电功率上下限约束惩罚值；f
cv,limit,i
表示第i时间段的机组发电功率上下限约束惩罚值；x
min,i
表示第i时间段机组运行最小功率限制；x
max,i
表示第i时间段机组运行最大功率限制；
[0063]
3)机组升降负荷率约束函数的表达式包括：
[0064][0065][0066]
其中，f
cv,ramp
表示机组升降负荷率约束惩罚值；f
cv,ramp,i
表示第i时间段机组升降负荷率约束惩罚值；x
ramp,u
表示机组升负荷率上限；x
ramp,l
表示机组降负荷率下限；
[0067]
4)供热计划约束函数的表达式包括：
[0068][0069][0070]
其中，f
cv,heat
表示供热计划约束惩罚值；f
cv,limit,i
表示第i时间段的供热计划约束惩罚值；x
min,heat,i
表示第i时间段的供热要求最小功率值；
[0071]
5)最大停机时段数约束函数的表达式包括：
[0072][0073][0074][0075]
其中，f
cv,shutdown
表示最大停机时段数约束惩罚值；n表示停机时段数；n
max
表示最大允许停机时段数；ui表示第i时间段机组停机判断值；
[0076]
6)电网调度及检修约束函数的表达式包括：
[0077][0078][0079]
其中，f
cv,dispatch
表示电网调度及检修约束惩罚值；f
cv,dispatch,i
表示第i时间段的电网调度及检修约束惩罚值；x
dispatch,i
表示电网调度及检修约束的第i时间段约束功率值。
[0080]
步骤s103：建立长周期发电计划多目标优化问题数学模型，基于遗传算法计算该模型的pareto最优前沿解集，根据预设目标偏好选择pareto最优前沿解集中的个体，得到各所述时间段对应的计划发电功率优化方案。
[0081]
具体地，所述长周期发电计划多目标优化问题数学模型可以用以下方程表示：
[0082]
minimize(f1(x),f2(x),
…fj
(x)),s.t.f
cv
(x)＝0；
[0083]
其中，s.t.是subject to的意思，表示满足该条件。应理解，所述长周期发电计划多目标优化问题数学模型是在满足所述运行条件对应的所述运行约束函数均为0，即所述运行约束条件对应的惩罚值均为0时，取所述优化目标函数的最优解。
[0084]
如图2所示，所述基于遗传算法计算该模型的pareto最优前沿解集，根据预设目标偏好选择pareto最优前沿解集中的个体，得到各所述时间段对应的计划发电功率优化方案，包括以下步骤：
[0085]
步骤s201：参数初始化，初始化种群；
[0086]
需说明的是，所述参数包括：种群规模，种群最大迭代次数，重组、变异、随机打乱超参数，目标偏好权重等其中任意一种或多种的组合。
[0087]
另外，所述种群最大迭代次数是在实际操作中根据经验给定的一个合理的设定值。于本实施例中一般设定为500次。
[0088]
步骤s202：进行重组、变异、随机打乱，以生成与父代个体数量相等的子代个体；
[0089]
需说明的是，在通过重组和变异生成新的个体时，对全部所述个体以[0,1]的概率进行随机打乱，以形成与父代个体数量相等的子代个体；其中，所述随机打乱的方式包括将各所述个体的解向量的分量值随机打乱顺序。
[0090]
步骤s203：计算父代与子代合并种群中各个个体的优化目标函数值及运行约束函数值；
[0091]
步骤s204：依据pareto支配规则，根据目标函数值和约束函数值对合并种群的个体进行支配分级；
[0092]
步骤s205：依据支配等级顺序、支配抵抗解筛去原则和种群多样性原则，挑选合并种群中的个体至下一轮迭代的父代种群中；
[0093]
步骤s206：当达到种群最大迭代次数时，得到pareto最优前沿解集，并根据目标偏好权重挑选解集中某一个体，得到各时间段的计划发电功率优化方案；否则返回步骤s202。
[0094]
为便于理解，以下通过具体的实施例来对本技术的内容进行说明，但不限制本技术的发明内容。
[0095]
实施例一
[0096]
应用在某联合循环机组时，假设在15天时间范围内给定65000mw
·
h的发电总量，机组发电功率上限270mw，发电功率下限140mw，最大允许停机天数2天，第1天电网调度及检修约束功率0mw。
[0097]
应用本方法对联合循环机组的长周期发电计划多目标优化方案的具体过程如下：
[0098]
首先，将待优化的长周期时间范围划分为若干等长的时间段。具体地，将15天时间范围划分为长度为1天的15个时间段，并获取各时间段的环境条件(包括环境温度、湿度和压力)及供热计划如下表1所示：
[0099]
表1各时间段环境条件及供热计划
[0100]
时间段编号环境温度(℃)环境压力(bar)环境湿度(％)供热功率(kw)1141.016002131.01600
3121.0160300004111.0160300005101.016030000691.016030000781.016030000871.016030000961.0160300001051.0160300001141.0160300001231.0160300001321.0160300001411.0160300001501.016030000
[0101]
其次，基于经济性目标和排放目标设计优化目标函数，并基于运行约束条件设计运行约束函数。
[0102]
具体地，优化目标函数包括：经济性目标的优化目标函数和排放目标的优化目标函数。运行约束函数包括但不限于：总发电量约束函数、机组发电功率上下限约束函数、供热计划约束函数、最大停机时段数约束函数、电网调度及检修约束函数等。
[0103]
需说明的是，联合循环机组的升降负荷能力显著强于燃煤或生物质燃料等机组，在一般划分的时间段尺度内几乎不存在“机组升降负荷率上下限”的限制，所以在本实施例1中没有设计这样一项约束条件。
[0104]
于本实施例中，所述经济性目标包括气耗和设备维养费用等；所述经济性目标的优化目标函数的表达式为：
[0105]
f1＝c1+c2(x1,x2…
x
15
,x
norm
)；
[0106]
其中，f1表示经济性目标；c1表示气耗成本；c2(x1,x2…
x
15
,x
norm
)表示设备维养费用，由各时间段机组功率和机组额定功率决定。
[0107]
具体地，c1可表示为：
[0108][0109]
其中，c
1i
表示第i时间段的气耗；xi表示第i时间段的机组功率；ti表示第i时间段的环境温度；pi表示第i时间段的环境压力；表示第i时间段的环境湿度；qi表示第i时间段的供热抽汽功率。
[0110]
需说明的是，对于函数关系，可以根据机组热力模型的计算工况点生成插值表格并线性插值计算得到。
[0111]
于本实施例中，所述排放目标的优化目标函数的表达式为：
[0112][0113]
其中，f(xi)表示第i时间段的机组no
x
的排放指标，可通过机组运行数据拟合获得。
[0114]
于本实施例中，所述总发电量约束函数的表达式为：
[0115]
[0116]
其中，f
cv,sum
表示总发电量约束惩罚值。
[0117]
于本实施例中，所述机组发电功率上下限约束函数的表达式为：
[0118][0119][0120]
其中，f
cv,limit
表示机组发电功率上下限约束惩罚值；f
cv,limit,i
表示第i时间段的机组发电功率上下限约束惩罚值。
[0121]
于本实施例中，所述供热计划约束函数的表达式为：
[0122][0123][0124]
其中，f
cv,heat
表示供热计划约束惩罚值；f
cv,limit,i
表示第i时间段的供热计划约束惩罚值；x
min,heat,i
表示第i时间段的供热要求最小功率值。
[0125]
于本实施例中，所述最大停机时段数约束函数的表达式为：
[0126][0127][0128][0129]
其中，f
cv,shutdown
表示最大停机时段数约束惩罚值；n表示停机时段数；ui表示第i时间段机组停机判断值。
[0130]
于本实施例中，所述电网调度及检修约束函数的表达式为：
[0131]fcv,dispatch
＝|x
1-0|；
[0132]
其中，f
cv,dispatch
表示电网调度及检修约束惩罚值。
[0133]
具体地，针对任意发电计划方案，计算上述运行约束函数值，求和得到总的运行约束惩罚值，表达式为：
[0134]fcv
＝f
cv,sum
+f
cv,limit
+f
cv,heat
+f
cv,shutdown
+f
cv,dispatch
；
[0135]
其中，f
cv
表示运行约束惩罚值。
[0136]
最后，建立长周期发电计划多目标优化问题数学模型，基于遗传算法计算该模型的pareto最优前沿解集，根据预设目标偏好选择pareto最优前沿解集中的个体，得到各所述时间段对应的计划发电功率优化方案。
[0137]
具体地，综合上述各个优化目标函数和各个运行约束函数，建立联合循环电厂长周期发电计划多目标优化问题数学模型，可表示为：
[0138]
minimize(f1(x),f2(x)),s.t.f
cv
(x)＝0；
[0139]
x＝(x1,x2,
…
x
15
)；
[0140]
通过执行如图2所示的步骤s201至步骤s207，利用多目标优化遗传算法获得满足运行约束的pareto多目标最优前沿解集。即，在满足总发电量约束、机组发电功率上下限约束、供热计划约束、最大停机时段数约束、电网调度及检修约束等约束条件的运行约束惩罚
值为0的情况下，根据遗传算法得到经济性目标的优化目标函数和排放目标的优化目标函数的pareto最优前沿解集。
[0141]
最终输出优化时间范围内的机组发电计划方案如表2所示：
[0142]
表2多目标优化发电计划方案
[0143]
时间段编号机组发电功率(mw)10203225.934159.595210.556204.767218.508210.629212.8410217.3911212.7012221.9213207.7814208.2715197.52
[0144]
实施例二
[0145]
应用在燃煤机组或生物质燃料机组时，首先确定需要进行发电计划制定优化的时间范围；其次获取机组发电功率上下限、机组升降负荷率最大值、供热计划、最大允许停机天数、电网调度及检修约束。
[0146]
最后应用本方法对燃煤机组或生物质燃料机组的长周期发电计划多目标优化方案的具体过程如下：
[0147]
首先，将待优化的长周期时间范围划分为若干等长的时间段。
[0148]
具体地，将待优化时间范围等分为2小时长度的n个时间段，并获取各时间段内对应的机组信息，包括但不限于环境条件、供热状态和机组计划发电功率等情况。
[0149]
其次，基于经济性目标和排放目标设计优化目标函数，并基于运行约束条件设计运行约束函数。
[0150]
具体地，优化目标函数包括：经济性目标的优化目标函数和排放目标的优化目标函数。运行约束函数包括但不限于：总发电量约束函数、机组发电功率上下限约束函数、机组升降负荷率上下限约束函数、供热计划约束函数、最大停机时段数约束函数、电网调度及检修约束函数等。
[0151]
于本实施例中，所述排放目标的优化目标函数的表达式为：
[0152][0153]
其中，表示第i时间段的机组no
x
排放指标；表示第i时间段的机组
so2排放指标；f
dust
(xi)表示第i时间段的机组粉尘排放指标；三者均可通过使用机组运行数据拟合获得。
[0154]
于本实施例中，所述总发电量约束函数的表达式为：
[0155][0156]
其中，f
cv,sum
表示总发电量约束惩罚值；p表示发电计划总量。
[0157]
于本实施例中，所述经济性目标的优化目标函数、所述机组发电功率上下限约束函数、所述机组升降负荷率约束函数、所述供热计划约束函数、所述最大停机时段数约束函数、所述电网调度及检修约束函数的表达式均跟前面所描述的一致。
[0158]
具体地，针对任意发电计划方案，计算上述运行约束函数值，求和得到总的运行约束惩罚值，表达式为：
[0159]fcv
＝f
cv,sum
+f
cv,limit
+f
cv,ramp
+f
cv,heat
+f
cv,shutdown
+f
cv,dispatch
；
[0160]
其中，f
cv
表示运行约束惩罚值。
[0161]
最后，建立长周期发电计划多目标优化问题数学模型，基于遗传算法计算该模型的pareto最优前沿解集，根据预设目标偏好选择pareto最优前沿解集中的个体，得到各所述时间段对应的计划发电功率优化方案。
[0162]
具体地，综合上述各个优化目标函数和各个运行约束函数，建立联合循环电厂长周期发电计划多目标优化问题数学模型，可表示为：
[0163]
minimize(f1(x),f2(x)),s.t.f
cv
(x)＝0；
[0164]
x＝(x1,x2,
…
xn)；
[0165]
通过执行如图2所示的步骤s201至步骤s207，利用多目标优化遗传算法获得满足运行约束的pareto多目标最优前沿解集。即，在满足总发电量约束、机组发电功率上下限约束、机组升降负荷率上下限约束、供热计划约束、最大停机时段数约束、电网调度及检修约束等约束条件的运行约束惩罚值为0的情况下，根据遗传算法得到经济性目标的优化目标函数和排放目标的优化目标函数的pareto最优前沿解集。最终得到对应的计划发电功率优化方案。
[0166]
如图3所示，展示为本技术于一实施例中的基于遗传算法的电厂发电优化装置300的模块示意图。所述装置300包括：
[0167]
划分模块310，用于将待优化的长周期时间范围划分为若干等长的时间段；
[0168]
设计模块320，用于基于经济性目标和排放目标设计优化目标函数，并基于运行约束条件设计运行约束函数；
[0169]
寻优模块330，用于建立长周期发电计划多目标优化问题数学模型，基于遗传算法计算该模型的pareto最优前沿解集，根据预设目标偏好选择pareto最优前沿解集中的个体，得到各所述时间段对应的计划发电功率优化方案。
[0170]
应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，寻优模块330可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上寻优模块330
的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0171]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，简称asic)，或，一个或多个微处理器(digital signal processor，简称dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
[0172]
如图4所示，展示为本技术于一实施例中的计算机设备400的结构示意图。所述计算机设备400包括：存储器410和处理器420。
[0173]
于本技术一实施例中，所述计算机设备400中的处理器420会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器410中，并由处理器420来运行存储在存储器410中的应用程序，从而实现如图1所述的方法。
[0174]
在一些实施例中，所述计算机设备400中的所述存储器410和所述处理器420的数量均可以是一或多个，而图4中均以一个为例。
[0175]
所述存储器410可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。所述存储器410存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
[0176]
所述处理器420可以是通用处理器，包括中央处理器(central processingunit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specificintegrated circuit，简称asic)、现场可编程门阵列(field programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0177]
在一些具体的应用中，所述计算机设备400的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见，在图4中将各种总线都成为总线系统。
[0178]
综上所述，本技术提供了一种基于遗传算法的电厂发电优化方法，包括：将待优化的长周期时间范围划分为若干等长的时间段；基于经济性目标和排放目标设计优化目标函数，并基于运行约束条件设计运行约束函数；建立长周期发电计划多目标优化问题数学模型，基于遗传算法计算该模型的pareto最优前沿解集，根据预设目标偏好选择pareto最优前沿解集中的个体，得到各所述时间段对应的计划发电功率优化方案。
[0179]
本技术提供的方法可以在满足给定机组发电总量和其他运行条件的约束下，根据设计的经济性、排放等目标函数，通过遗传算法寻找多目标最优发电计划解集，从而为电厂的发电计划制定提供指导，提高机组运行经济性；既无需借助电厂运行人员发电计划制定
经验，又无需对机组进行改造。
[0180]
本技术有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0181]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。