CN115453931A - 一种水电机组监控***有功功率控制的优化方法及装置 - Google Patents

Abstract

本发明公开了一种水电机组监控***有功功率控制的优化方法及装置，该方法包括：构建水电机组监控***功率控制模型，导入求解模型的基本参数和初始条件；设置多目标遗传算法的相关参数；获取由决策变量集表征的个体，输入模型获取水电机组有功功率调节线程，根据由调节线程得到的优化指标构建目标函数；采用改进型多目标遗传算法对控制模型进行求解，获得最优解集；从最优解集中获取目标函数值最优的决策变量集，进行水电机组有功功率控制。本发明通过水电机组监控***功率控制模型配合改进型多目标遗传算法对水电机组监控***的主要控制参数进行优化，优化效果更好，提高了监控***功率调节品质，保障了水电机组安全运行。

Description

一种水电机组监控***有功功率控制的优化方法及装置

技术领域

本发明涉及水电厂自动化控制技术领域，尤其涉及一种水电机组监控***有功功率控制的优化方法及装置。

背景技术

随着我国新型电力***的加快构建，以风、光为主的新能源大规模并网发电。由于新能源发电功率具有随机性、间歇性以及反调峰性，且目前电能还难以大规模储存，为维持电网功率的平衡和频率的稳定，需要可控性强的常规电源进行调节。水电作为清洁能源，其具有开停机操作灵活方便、负荷调节快、调节范围大等优点，在新型电力***中水电机组将逐渐由“发电为主、调节为辅”向“调节为主、发电为辅”进行角色转变，水电机组有功功率调节更加频繁。

目前，水电机组有功功率调节主要以监控***功率控制模式为主，该模式下水电机组有功功率闭环调节由监控***实现。监控***接收到电网的有功功率调节指令后，计算有功功率指令值与水电机组实际有功功率值的偏差，根据脉宽调制(Pulse WidthModulation，PWM)算法计算指令脉冲，并向水轮机调速器发送增有功功率或减有功功率的指令，水轮机调速器接收到监控***功率调节脉冲后，向水轮机发出导叶开度调整指令，经电液转换以及信号放大后调整水轮机导叶开度从而改变水电机组有功功率。相比调速器直接功率控制模式，该监控***功率控制模式具有通用性强、稳定性好的优点，在水电厂得到广泛应用。

然而，水轮机有功功率控制***是一个复杂的非线性非最小相位***，不同工况下水轮机的响应特性不同，又由于输水流道内的“水锤效应”，水电机组在有功功率调节过程中会出现减有功功率过程中功率增大、增有功功率过程中功率降低的“功率反调”现象，为水电机组有功功率的控制带来了极大的难度。而且水电机组有功功率调节性能对电网稳定有重要影响，各区域电力监管部门印发了《发电厂并网运行管理实施细则》和《并网发电厂辅助服务管理实施细则》，以及相关国家标准如GB/T 31464-2015《电网运行准则》和电力行业标准如DL/T1245-2013《水轮机调节***并网运行技术导则》，均要求水电机组有功功率控制过程中响应快速、调节平稳并具有较高的调节精度，同时为减轻对电网的影响避免功率振荡和频率失稳，还需要尽可能的降低水电机组的功率反调。

水电机组监控***功率控制模式下涉及的控制参数较多，这些控制参数对有功功率调节的精度、响应速度、平稳性及功率反调均有重要影响。然而，由于水轮机非线性因素以及现场试验条件的限制，不可能通过单纯的现场试验或人工方法对以上所有控制参数进行准确优化。

因此，需要针对水轮机监控***功率控制模式下存在优化难度大以及优化目标存在一定的矛盾性的问题，提出一种水电机组监控***有功功率控制的优化方法。

发明内容

基于此，有必要针对上述技术问题，提供一种水电机组监控***有功功率控制的优化方法及装置。

基于上述目的，本发明提供一种水电机组监控***有功功率控制的优化方法，包括：

构建水电机组监控***功率控制模型，导入求解所述水电机组监控***功率控制模型的关键参数，并设置所述水电机组监控***功率控制模型的初始条件；所述关键参数包含水轮机运转特性曲线、水轮机关键参数、水流惯性时间常数和水轮机调速器电液随动***参数；所述初始条件包含水轮机初始参数和有功功率给定阶跃扰度偏差；

设置多目标遗传算法的相关参数；

获取由决策变量集表征的个体，输入所述水电机组监控***功率控制模型获取水电机组有功功率调节线程，并根据由所述水电机组有功功率调节线程得到的优化指标构建目标函数；所述决策变量集包含监控***的脉冲周期、最大脉冲宽度、最小脉冲宽度、脉冲计算参数和开度给定积分器时间常数；所述有功功率调节线程为根据有功功率调节指令改变水轮机有功功率大小的线程；

将非支配快速排序算法引入多目标遗传算法构建改进型多目标遗传算法，采用所述改进型多目标遗传算法对所述水电机组监控***功率控制模型进行求解，获得最优解集；所述最优解集包含优化后的多个决策变量集和对应的目标函数值；

从所述最优解集中获取目标函数值最优的决策变量集进行水电机组有功功率控制。

此外，本发明还提供一种水电机组监控***有功功率控制的优化装置，包括：

模型构建模块，用于构建水电机组监控***功率控制模型，导入求解所述水电机组监控***功率控制模型的关键参数，并设置所述水电机组监控***功率控制模型的初始条件；所述关键参数包含水轮机运转特性曲线、水轮机关键参数、水流惯性时间常数和水轮机调速器电液随动***参数；所述初始条件包含水轮机初始参数和有功功率给定阶跃扰度偏差；

算法参数设置模块，用于设置多目标遗传算法的相关参数；

目标函数构建模块，用于获取由决策变量集表征的个体，输入所述水电机组监控***功率控制模型获取水电机组有功功率调节线程，并根据由所述水电机组有功功率调节线程得到的优化指标构建目标函数；所述决策变量集包含监控***的脉冲周期、最大脉冲宽度、最小脉冲宽度、脉冲计算参数和开度给定积分器时间常数；所述有功功率调节线程为根据有功功率调节指令改变水轮机有功功率大小的线程；

模型求解模块，用于将非支配快速排序算法引入多目标遗传算法构建改进型多目标遗传算法，采用所述改进型多目标遗传算法对所述水电机组监控***功率控制模型进行求解，获得最优解集；所述最优解集包含优化后的多个决策变量集和对应的目标函数值；

功率控制优化模块，用于从所述最优解集中获取目标函数值最优的决策变量集进行水电机组有功功率控制。

由上述可知，本发明提供的水电机组监控***有功功率控制的优化方法及装置，具有以下有益效果：

1)通过水电机组监控***功率控制模型配合改进型多目标遗传算法对监控***的主要控制参数进行优化，相比传统的人工试验方法，不受现场试验条件的限制，且优化效果更好，结果更准确；

2)本发明采用改进型多目标遗传算法优化水电机组监控***的主要控制参数，协调了水电机组功率控制性能和功率反调性能的矛盾关系，提升了水电机组监控***有功功率控制品质，并保障了水电机组安全运行；

3)本发明构建的水电机组监控***功率控制模型，是一种非线性数学模型，计算速度更快，计算更稳定，可以消除模型中存在的代数环。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例中水电机组监控***有功功率控制的优化方法的流程示意图；

图2为本发明一实施例中水电机组监控***功率控制模型的结构示意图；

图3为本发明一实施例中水电机组监控***有功功率控制的优化方法的步骤S40的流程示意图；

图4为本发明一实施例中最优解集的前沿示意图；

图5为本发明一实施例中水电机组监控***有功功率控制的优化装置的结构示意图。

具体实施方式

为使本发明所要解决的技术问题、技术方案及有益效果更为清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明一实施例提供的一种水电机组监控***有功功率控制的优化方法，具体包括以下步骤：

步骤S10，构建水电机组监控***功率控制模型，导入求解水电机组监控***功率控制模型的关键参数，并设置水电机组监控***功率控制模型的初始条件；

在本实施例中，首先基于水电机组有功功率调节所涉及的监控***、水轮机调速器、水轮机和输出***，构建基于水轮机运转特性曲线的水电机组监控***功率控制模型，该水电机组监控***功率控制模型为非线性数学模型；然后导入求解水电机组监控***功率控制模型所需的关键参数，包括：水轮机运转特性曲线、水轮机关键参数(水轮机关键参数包含水轮机的额定功率P_r、额定水头H_r、额定流量Q_r、额定转速n_r和额定导叶开度Y_r)、水流惯性时间常数T_w和水轮机调速器电液随动***参数T_y，并设置求解水电机组监控***功率控制模型的初始条件，包括水轮机初始参数和和根据实际水电厂有功功率调节最大幅值设置的有功功率给定阶跃扰度偏差pc。其中，水轮机关键参数包含水轮机的额定功率(即额定出力)P_r、额定水头H_r、额定流量Q_r、额定转速n_r和额定导叶开度Y_r，相应的，水轮机初始参数包含水轮机的初始功率(即初始出力)P₀、初始水头H₀、初始流量Q₀和初始导叶开度Y₀。

作为优选，步骤S10中构建水电机组监控***有功功率控制模型，具体包括以下步骤：

步骤S101，采用水轮机运转特性曲线对水轮机进行建模，获得水轮机模型；水轮机模型以水轮机流量Q和水轮机导叶开度Y为输入，以水轮机水头H为输出。

在步骤S101中，考虑到水电机组有功功率调节水电机组转速基本恒定，为使水电机组监控***功率控制模型求解速度加快，增加计算稳定性，采用水轮机运转特性曲线对水轮机进行建模。

具体的，首先获取水轮机运转特性曲线，该水轮机运转特性曲线以水轮机水头为横坐标，以水轮机流量为纵坐标，包含导叶等开度线和等有功功率线，可以反映水轮机导叶开度Y、水轮机有功功率P、水轮机水头H和水轮机流量Q的非线性关系。

然后，在水轮机运转特性曲线中，沿不同导叶等开度线，获取水轮机水头H、水轮机流量Q和水轮机效率η，并在确保各导叶等开度线上水轮机水头的取值点相同时，构建水轮机流量矩阵Q_ij和水轮机效率矩阵η_ij。

例如，水轮机运转特性曲线上有n条导叶等开度线，每条导叶等开度线上的导叶开度为{Y₁,Y₂,…,Y_n}，在每条导叶开度线上获取m个水轮机水头，得到水轮机水头矩阵H_j＝{H₁,H₂,…,H_m}，并构建水轮机流量矩阵Q_ij和水轮机效率矩阵η_ij。其中，水轮机流量矩阵Q_ij可以表示为：

水轮机效率矩阵η_ij可以表示为：

最后，将水轮机流量矩阵和水轮机效率矩阵输入预设的水轮机有功功率转换模型，以得到水轮机有功功率矩阵P_ij。其中，水轮机有功功率转换模型可以表示为：

P_ij＝9.81H_jQ_ijη_ij (3)

公式(3)中，H_j为水轮机水头矩阵；Q_ij为水轮机流量矩阵；η_ij为水轮机效率矩阵；P_ij为水轮机有功功率矩阵，可以表示为：

步骤102，采用刚性水锤模型对输水***进行建模，并对建模后的输水***模型进行变换，得到采用积分形式的输水***模型；输水***模型以水轮机水头H为输入，以水轮机流量Q为输出。

在步骤S102中，采用的刚性水锤模型可以表示为：

公式(5)中，h为水轮机水头的标幺值，且

H、H₀和H_r分别为水轮机的实际水头、初始水头和额定水头；q为水轮机流量的标幺值，且

Q、Q₀和Q_r分别为水轮机的实际流量、初始流量和额定流量；t为单位时间；T_w为水流惯性时间常数。

考虑到整个水电机组有功功率调节中存在较多的反馈环节，为了避免输水***模型计算中产生代数环以及使用更复杂的迭代算法，将刚性水锤模型进行变换得到采用积分形式的输水***模型，具体表示为：

步骤S103，根据监控***、调速器、水轮机模型和输水***模型对水电机组有功功率调节线程进行建模，得到水电机组监控***功率控制模型。

在步骤S103中，基于水电机组监控***功率控制模型开展的水电机组有功功率调节线程为：将有功功率调节指令输入监控***获得控制信号u(t)，根据控制信号u(t)输入调速器获得导叶开度调整信号y(t)，将导叶开度调整信号y(t)输入水轮机模型和输水***模型，得到水轮机流量Q、水轮机水头H和水轮机有功功率P。

进一步地，可以构建监控***模型，监控***模型以有功功率控制指令为输入，以控制信号u(t)为输出。其中，有功功率调节指令包括阶跃信号和阶跃信号的参数，阶跃信号的参数包含下达时间t₀和功率调节目标值P_c；监控***输出至调速器的控制信号u(t)可以表示为：

公式(7)中，M为监控***的输出幅值，取值为1；T为监控***的脉冲周期；ΔP为水轮机有功功率P和功率调节目标值P_c的差值，即ΔP＝P-P_c；sign(·)为符号函数；T_k为监控***输出的脉冲宽度；t为时间；k为脉冲输出的周期个数。

符号函数sign(·)可以表示为：

监控***输出的脉冲宽度T_k可以表示为：

公式(9)中，T_up为监控***的脉冲计算参数，T_kmin为监控***的最小脉宽，T_kmax为监控***的最大脉宽。

然后，构建调速器模型，调速器模型以控制信号u(t)为输入，以导叶开度调整信号y(t)为输出。其中，调速器模型的传递函数可以表示为：

公式(10)中，T_iy为调速器开度给定积分器时间常数，T_y为调速器接力器反应时间常数。

最后，根据监控***模型、调速器模型、水轮机模型和输水***模型可以构建如图2所示的水电机组监控***功率控制模型。

可理解的，本实施例构建的水电机组监控***功率控制模型，通过引入水轮机运转特性曲线，并对输水***模型进行了变换，将输水***模型由原来的微分环节转换为积分环节，消除了原输水***模型中的代数环。

进一步地，收集水轮机的相关技术参数，包含水轮机的额定出力P_r、额定水头H_r、额定流量Q_r、额定导叶开度Y_r、水流惯性时间常数T_w和水轮机调速器电液随动***参数T_y，导入水电机组监控***功率控制模型；并根据水轮机有功功率调节的初始工况，包含水轮机的初始水头H₀、初始导叶开度Y₀，结合在水轮机流量矩阵Q_ij中进行插值得到的初始流量Q₀和初始有功功率P₀，设置水电机组监控***功率控制模型的初始条件。本实施例可以准确构建水电机组监控***功率控制模型，为水电机组有功功率调节提供基础保证。

步骤S20，设置多目标遗传算法的相关参数。

在本实施例中，初始化多目标遗传算法，设置多目标遗传算法的相关参数，包括：种群规模大小(即种群中包含由决策变量集表征的个体数量)N、最大进化次数G_num、交叉算法分布指数δ₁、变异算法分布指数δ₂、目标函数维度V_m、表征个体的决策变量集大小(即决策变量集中包含的决策变量数量)N_j、决策变量上下界[X_min,X_max]和决策变量约束条件AX＜B等。

作为优选，步骤S20设置多目标遗传算法的相关参数包括以下步骤：

步骤S201，根据水电机组监控***功率控制模型中的主要控制参数(即决策变量)，设置决策变量集大小N_j为5，决策变量集包含脉冲周期T、最大脉冲宽度T_max、最小脉冲宽度T_min、脉冲计算参数T_up和调速器对监控***脉冲的响应参数(即开度给定积分器时间常数)T_iy这五个决策变量，相应地，由决策变量集所代表的个体可以表示为X＝(T,T_max,T_min,T_up,T_iy)。

步骤S202，根据水电机组的实际运行情况设定决策变量上下界[X_min,X_max]；

具体的，对于脉冲周期T、最大脉冲宽度T_max、最小脉冲宽度T_min、脉冲计算参数T_up这四个决策变量的上界，可以根据相关标准对水电机组功率调节速率的要求进行设置，例如，相关标准对水电机组功率调节速率的要求为大于ΔP/min，该水电机组实际运行中设置的最大有功调节幅度为P_cmax，则上述四个决策变量的上界值可以表示为：

公式(11)中，K₁为系数，可取值为1.5～2。

可理解的，相关标准可以为2015年发布的国家标准GB/T 31464-2015《电网运行准则》，以及2013年发布的电力行业标准DL/T1245-2013《水轮机调节***并网运行技术导则》。

对于开度给定积分器时间常数T_iy的上界，可以根据水轮机设计资料中调节保证计算得到的导叶最快关闭时间T_s进行设置，具体表示为：

(X_i|T_iy)≤K₂T_s (12)

公式(12)中，K₂为系数，可取值为1.5～2。

步骤S203，根据水电厂实际运行过程中控制参数的设置精度，设置决策变量的约束条件。

具体的，水电厂实际运行过程中控制参数的设置精度一般为小数点后一位有效数字，此时，决策变量的量级约束条件可以表示为：

M[T,T_max,T_min,T_up,T_iy]＝0.1 (13)

公式(13)中，M[]为决策变量的量级。

其次，监控***中最大脉冲宽度T_max和最小脉冲宽度T_min均小于脉冲周期T，此时，决策变量的不等式约束条件可以表示为：

T_max≤T

T_min≤T (14)

可理解的，本实施例通过上述步骤S201～步骤S203，可以实现算法参数的有效设置。

步骤S30，获取由决策变量集表征的个体，输入水电机组监控***功率控制模型获取水电机组有功功率调节线程，并根据由水电机组有功功率调节线程得到的优化指标构建目标函数。

在本实施例中，获取由决策变量集表征的个体X＝(T,T_max,T_min,T_up,T_iy)，输入水电机组监控***功率控制模型获取水电机组有功功率调节线程，根据水电机组有功功率调节线程得到优化指标，包含功率调节时间T_p、功率调节精度E_p、功率超调量P_s和功率反调量P_n，并根据上述优化指标构建目标函数，包含功率调节性能目标函数Obj₁＝f(T_p,E_p,P_s)，以及根据功率反调量P_n构建功率反调性能目标函数Obj₂＝f(P_n)。可理解的，水电机组有功功率调节线程是指，根据由电网的有功功率调节指令改变水轮机有功功率大小的线程。

作为优选，步骤S30中根据由水电机组有功功率调节线程得到的优化指标构建目标函数，具体包括以下步骤：

步骤S301，根据水电机组有功功率调节线程获取功率调节时间T_p、功率调节精度E_p、功率超调量P_s和功率反调量P_n；其中，

功率调节时间T_p的获取过程为：获取有功功率调节指令的下发时刻到水电机组有功功率进入死区时的总时长，取该总时长设置为功率调节时间；水电机组有功功率进入死区是指，水电机组有功功率与功率调节目标值的功率偏差在±1％水电机组额定功率范围内。

功率调节精度E_p的获取过程为：获取水电机组有功功率进入死区后的平均值与水电机组额定功率的比值，取该比值设置为功率调节精度。

功率超调量P_s的获取过程为：检测调节线程为减负荷线程还是增负荷线程，若调节线程为减负荷线程，则获取减负荷线程中的最小值，并取功率调节目标值与最小值的差值设置为功率超调量；若调节线程为增负荷线程，则获取增负荷线程中的最大值，并将最大值与功率调节目标值的差值设置为功率超调量。

功率反调量P_n的获取过程为：检测调节线程为减负荷线程还是增负荷线程，若调节线程为减负荷线程，则获取减负荷线程中的最大值，并取最大值与初始值的差值设置为功率反调量；若调节线程为增负荷线程，则获取增负荷线程的最小值，并取初始值与最小值的差值作设置为功率反调量。

步骤S302，根据功率调节时间T_p、功率调节精度E_p、功率超调量P_s构建功率调节性能目标函数，并根据功率反调量P_n构建功率反调性能目标函数，其中，功率调节性能目标函数可以表示为：

功率反调性能目标函数可以表示为：

公式(15)和(16)中，T_p、E_p、P_s和P_n分别为获得的功率调节时间、功率调节精度、功率超调量和功率反调量；T_{p_s}、E_{p_s}、P_{s_s}和P_{n_s}分别为功率调节时间、功率调节精度、功率超调量和功率反调量的最小推荐值。

作为优选，功率调节时间、功率调节精度、功率超调量和功率反调量的最小推荐值根据《发电厂并网运行管理实施细则》和《并网发电厂辅助服务管理实施细则》(简称“两个细则”)，以及相关的国家标准和电力行业标准，如GB/T 31464-2015《电网运行准则》、DL/T1245-2013《水轮机调节***并网运行技术导则》进行设置。

可理解的，本实施例通过上述步骤S301～步骤S302，来构建功率调节性能目标函数和功率反调性能目标函数，为解决功率调节性能和功率反调性能存在的矛盾关系提供基础保证。

步骤S40，将非支配快速排序算法引入多目标遗传算法构建改进型多目标遗传算法，采用改进型多目标遗传算法对水电机组监控***功率控制模型进行求解，获得最优解集。

在本实施例中，由于基于功率调节性能目标函数得到的功率调节性能指标和基于功率反调性能目标函数得到的功率反调性能指标存在一定的冲突关系，可以在多目标遗传算法引入非支配快速排序算法来构建改进型多目标遗传算法，通过改进型多目标遗传算法在兼顾功率反调性能指标的条件下，对功率调节性能指标进行优化。

作为优选，如图3所示，步骤S40中采用改进型多目标遗传算法对水电机组监控***功率控制模型进行求解，具体包括以下步骤：

步骤S401，初始化由决策变量集表征的个体，并根据决策变量上下界和决策变量约束条件对个体进行预处理。

也即，根据种群规模大小随机生成N个决策变量集，每个决策变量集表征一个个体，并根据决策变量上下界和决策变量约束条件，即公式(11)～(14)对每个个体进行预处理，得到初始种群。

步骤S402，从个体中取出决策变量，输入到水电机组监控***功率控制模型中，得到有功功率调节下水电机组动态响应时域变化曲线，根据水电机组动态响应时域变化曲线计算优化指标，并将优化指标输入到功率调节性能目标函数和功率反调性能目标函数得到对应的目标函数值。

也即，从每个个体中取出监控***和调速器的控制参数，包含脉冲周期T、最大脉冲宽度T_max、最小脉冲宽度T_min、脉冲计算参数T_up和调速器对监控***脉冲的响应参数T_iy，输入到水电机组监控***功率控制模型中，得到有功功率调节下水电机组动态响应时域变化曲线，根据水电机组动态响应时域变化曲线计算功率调节时间T_p、功率调节精度E_p、功率超调量P_s和功率反调量P_n这四个优化指标，然后根据功率调节时间T_p、功率调节精度E_p和功率超调量P_s，通过公式(15)计算功率调节性能目标函数的目标函数值(即功率调节性能指标)，以及根据功率反调量P_n，通过公式(16)计算功率反调性能目标函数的目标函数值(即功率反调性能指标)。

步骤S403，根据个体的两个目标函数值进行非支配快速排序和拥挤度评估，得到包含N个个体的第一代种群G＝(X₁,X₂,…,X_N)，且X_i＝(T,T_max,T_min,T_up,T_iy),i＝1,2,…N。

在步骤S403中，非支配的定义为：对于由功率调节性能目标函数和功率反调性能目标函数构成的多目标优化问题，该多目标优化问题表示为Obj(X)＝(minObj₁(X),minObj₂(X))^T，对于种群中任意两个不相同的个体X_i和个体X_j，若对于每一个目标函数，都存在minObj_k(X_i)≤minObj_k(X_j),k＝1,2，则称X_i非支配于X_j，即X_i优于X_j；若对于每一个目标函数，都存在minObj_k(X_a)≥minObj_k(X_b)，则称X_i支配于X_j。

拥挤度评估是指，先根据每一个目标函数值的大小按照升序顺序对种群进行排序，再进行拥挤度评估，每一个目标函数的边界解(即拥有最大值和最小值的解)被指定为无穷大距离的值，所有其它中间的解都被指定为等于两个相邻解的目标函数值归一化后的绝对差值。

步骤S404，将第一代种群作为父代种群，通过遗传操作产生新一代种群，并将新一代种群作为父代种群的子代种群。

在步骤S404中，遗传操作包含交叉操作和变异操作；交叉操作的实现过程为：先对种群中的个体进行随机配对，再随机设置交叉点位置，根据交叉点位置相互交换配对个体之间的部分基因。

变异操作可以采用基本位变异的方法进行变运算，变异操作的实现过程为：先确定每个个体的变异点位置，再依照某一概率将变异点的原有基因取反值。

步骤S405，检测当前进化代数是否达到最大进化代数，若是，将最优种群作为最优解集输出，否则，将父代种群与子代种群进行合并，并进入步骤S406。

步骤S406，对合并后的种群重新计算目标函数值，通过非支配快速排序和拥挤度评估得到下一代种群，将下一代种群作为父代种群，并执行步骤：通过遗传操作产生新一代种群，并将新一代种群作为父代种群的子代种群，直至当前进化代数达到最大进化代数，将最优种群作为最优解集输出。

在步骤S406中，按照步骤S402对合并后的种群重新计算两个目标函数值，再通过非支配快速排序和拥挤度评估得到下一代种群，将下一代种群作为父代种群，并执行步骤S404重新产生新一代种群产生，直至检测到当前进化代数达到最大进化代数，将最优种群作为最优解集输出。

可理解的，本实施例通过上述步骤S401至步骤S406来求解水电机组监控***功率控制模型，可以自动优化水电机组监控***的主要控制参数，为水电机组有功功率调节提供指导。

在一可选实施例中，步骤S403中根据个体的两个目标函数值进行非支配快速排序，具体包括以下步骤：

步骤一，由功率调节性能目标函数和功率反调性能目标函数生成多目标优化问题，该多目标优化问题可以表示为Obj(X)＝(minObj₁(X),minObj₂(X))^T；

步骤二，执行非支配个体检测线程，该非支配个体检测线程为：

步骤a，对待比较个体X_i的序号进行初始赋值，也即将待比较个体X_i的序号i设置为1；

步骤b，对于所有的被比较个体X_j，根据非支配的定义比较待比较个体X_i与被比较个体X_j之间的支配与非支配关系；

步骤c，如果不存在任何一个被比较个体X_j优于待比较个体X_i，则将待比较个体X_i标记为非支配个体；

步骤d，将待比较个体X_i的序号进行加一操作，重新比较待比较个体X_i与被比较个体X_j之间的支配与非支配关系，也即返回至步骤b，直至找到所有的非支配个体；

步骤三，通过非支配个体检测线程得到的非支配个体集设置为种群的第一级非支配层，并在忽略已标记的非支配个体后，重新执行非支配个体检测线程进行下一轮比较，获得第二级非支配层，以此类推，直至整个种群被分层；

步骤四，获取种群中每个个体X_p的两个基本参数，分别为被个体X_p所支配的解个体数量n_p和被个体X_p所支配的解个体集合S_p；

步骤五，获取种群中所有解个体数量n_p为零的个体，存入第一候选集Z₁；

步骤六，对于第一候选集Z₁的每个个体X_q，获取个体X_q所支配的解个体集合S_q，将解个体集合S_q中的每个个体X_k所支配的解个体数量n_k进行减一操作后，若检测到n_k-1＝0，则将个体X_k存入第二候选集H；

步骤七，将第一候选集Z₁设置为第一级非支配个体集合，并赋予第一候选集Z₁中所有个体一个相同的非支配序i_rank＝1，再对第二候选集H进行分级操作，并赋予相应的非支配序，直至所有的个体都被分级。

可理解的，本实施例通过上述步骤可以快速、准确地实现群体分层及个体分级。

在一可选实施例中，步骤S403中拥挤度评估，具体包括以下步骤：

步骤一，对于种群中的各级非支配层，初始化每个个体的拥挤度，也即将每个个体的拥挤度设置为0；

步骤二，对于每个目标函数O_bik(X)，基于该目标函数对各级非支配层进行排序，将两个边界个体的拥挤度设置为无穷，即o_d＝l_d＝∞，其中o_d为第一个个体的拥挤度，l_d为最后一个个体的拥挤度；

步骤三，通过预设的拥挤度模型获取其他中间个体的拥挤度i_d；其中，拥挤度模型为：

公式(17)中，i_d表示个体X_i的拥挤度；

表示个体X_i前一个个体的第k个目标函数值，且k＝1,2；

表示个体X_i后一个个体的第k个目标函数值。

可理解的，本实施例通过非支配快速排序和拥挤度评估之后，种群中的每个个体X_i都具有两个属性，分别为：非支配快速排序得到的非支配序i_rank和拥挤度评估得到的拥挤度i_d；

进一步的，根据这两个属性，可以定义拥挤度比较算子为：待比较个体X_i与被比较个体X_j进行比较，只要使预设条件成立，则待比较个体X_i获胜；其中，预设条件包括：

1)如果待比较个体X_i所处非支配层优于被比较个体X_j所处非支配层，即i_rank＜j_rank；

2)如果待比较个体X_i和被比较个体X_j的等级相同，且待比较个体X_i的拥挤度大于被比较个体X_j的拥挤度，即i_rank＝j_rank，i_d＞j_d。

此时，可以根据拥挤度比较算子将群体中的所有个体进行快速排序。

步骤S50，从最优解集中获取目标函数值最优的决策变量集进行水电机组有功功率控制。

可理解的，本实施例通过步骤S40得到的最优解集中每个解是相互非支配的，最优解集的前沿如图4所示，在步骤S50中，可以从最优解集获取目标函数值值最优的决策变量集，读取所有的决策变量生成有功功率调节指令，并将有功功率调节指令输入水电机组监控***，实现水电机组有功功率调节的优化。

由上述可知，本实施例提供的水电机组监控***有功功率控制的优化方法，具有以下有益效果：

1)通过水电机组监控***功率控制模型配合改进型多目标遗传算法对水电机组监控***的主要控制参数进行优化，相比传统的人工试验方法，不受现场试验条件的限制，且优化效果更好，结果更准确；

2)本发明采用多目标优化策略水电机组监控***的主要控制参数，协调了水电机组功率控制性能和功率反调性能的矛盾关系，提升了水电机组监控***有功功率控制品质，并保障了水电机组安全运行；

3)本发明构建的水电机组监控***功率控制模型，是一种非线性数学模型，计算速度更快，计算更稳定，可以消除模型中存在的代数环。

此外，如图5所示，与上述任意实施例方法相对应的，本发明一实施例还提供了一种水电机组监控***有功功率控制的优化装置，包括模型构建模块110、算法参数设置模块120、目标函数构建模块130、模型求解模块140和功率控制优化模块150，各功能模块的详细说明如下：

模型构建模块110，用于构建水电机组监控***功率控制模型，导入求解水电机组监控***功率控制模型的关键参数，并设置水电机组监控***功率控制模型的初始条件；基本参数包含水轮机运转特性曲线、水轮机基本参数、水流惯性时间常数和水轮机调速器电液随动***参数；初始条件包含水轮机初始参数和有功功率给定阶跃扰度偏差；

算法参数设置模块120，用于设置多目标遗传算法的相关参数；

目标函数构建模块130，用于获取由决策变量集表征的个体，输入水电机组监控***功率控制模型获取水电机组有功功率调节线程，并根据由水电机组有功功率调节线程得到的优化指标构建目标函数；决策变量集包含监控***的脉冲周期、最大脉冲宽度、最小脉冲宽度、脉冲计算参数和开度给定积分器时间常数；有功功率调节线程为根据有功功率调节指令改变水轮机有功功率大小的线程；

模型求解模块140，用于将非支配快速排序算法引入多目标遗传算法构建改进型多目标遗传算法，采用改进型多目标遗传算法对水电机组监控***功率控制模型进行求解，获得最优解集；最优解集包含优化后的多个决策变量集和对应的目标函数值；

功率控制优化模块150，用于从最优解集中获取目标函数值最优的决策变量集进行水电机组有功功率控制优化。

在一可选实施方式中，所述模型构建模块110包括以下子模块，各功能子模块的详细说明如下：

水轮机模型子构建模块，用于采用水轮机运转特性曲线对水轮机进行建模，获得水轮机模型；水轮机模型以水轮机流量和水轮机导叶开度为输入，以水轮机水头为输出；

输水***模型构建子模块，用于采用刚性水锤模型对输水***进行建模，并对建模后的输水***模型进行变换，得到采用积分形式的输水***模型；输水***模型以水轮机水头为输入，以水轮机流量为输出；

目标模型构建子模块，用于根据监控***、调速器、水轮机模型和输水***模型对水电机组有功功率调节线程进行建模，得到水电机组监控***功率控制模型；水电机组有功功率调节线程为：将有功功率调节指令输入监控***获得控制信号，根据控制信号输入调速器获得导叶开度调整信号，将导叶开度调整信号输入水轮机模型和输水***模型，得到水轮机流量、水轮机水头和水轮机有功功率。

在一可选实施方式中，所述算法参数设置模块120包括以下子模块，各功能子模块的详细说明如下：

变量设置子模块，用于根据水电机组监控***功率控制模型中的主要控制参数，设置决策变量集大小；

约束设置子模块，用于根据水电机组的实际运行情况设定决策变量上下界；根据水电厂实际运行过程中控制参数的设置精度，设置决策变量约束条件。

在一可选实施方式中，所述目标函数构建模块130包括以下子模块，各功能子模块的详细说明如下：

优化指标获取子模块，用于根据水电机组有功功率调节线程获取功率调节时间、功率调节精度、功率超调量和功率反调量；其中，优化指标获取子模块包含以下单元：

功率调节时间获取单元，用于获取有功功率调节指令的下发时刻到水电机组有功功率进入死区时的总时长，取该总时长设置为功率调节时间；水电机组有功功率进入死区是指，水电机组有功功率与功率调节目标值的功率偏差在±1％水电机组额定功率范围内；

功率调节精度获取单元，用于获取水电机组有功功率进入死区后的平均值与水电机组额定功率的比值，取该比值设置为功率调节精度；

功率超调量获取单元，用于检测调节线程为减负荷线程还是增负荷线程，若调节线程为减负荷线程，则获取减负荷线程中的最小值，并取功率调节目标值与最小值的差值设置为功率超调量；若调节线程为增负荷线程，则获取增负荷线程中的最大值，并将最大值与功率调节目标值的差值设置为功率超调量；

功率反调量获取单元，用于检测调节线程为减负荷线程还是增负荷线程，若调节线程为减负荷线程，则获取减负荷线程中的最大值，并取最大值与初始值的差值设置为功率反调量；若调节线程为增负荷线程，则获取增负荷线程的最小值，并取初始值与最小值的差值设置为功率反调量；

多目标函数构建子模块，用于根据功率调节时间、功率调节精度、功率超调量构建功率调节性能目标函数，并根据功率反调量构建功率反调性能目标函数，其中，功率调节性能目标函数具体表示为：

功率反调性能目标函数具体表示为：

其中，T_p、E_p、P_s和P_n分别为获取的功率调节时间、功率调节精度、功率超调量和功率反调量；T_{p_s}、E_{p_s}、P_{s_s}和P_{n_s}分别为功率调节时间、功率调节精度、功率超调量和功率反调量的最小推荐值。

在一可选实施方式中，所述模型求解模块140包括以下子模块，各功能子模块的详细说明如下：

初始化子模块，用于初始化由决策变量集表征的个体，并根据决策变量上下界和决策变量约束条件对个体进行预处理；

目标函数值获取子模块，用于从个体中取出决策变量，输入到水电机组监控***功率控制模型中，得到有功功率调节下水电机组动态响应时域变化曲线，根据水电机组动态响应时域变化曲线计算优化指标，并将优化指标输入到功率调节性能目标函数和功率反调性能目标函数得到对应的目标函数值；

种群生成子模块，用于根据个体的两个目标函数值进行非支配快速排序和拥挤度评估，得到包含N个个体的第一代种群；

种群更新子模块，用于将第一代种群作为父代种群，通过遗传操作产生新一代种群，并将新一代种群作为父代种群的子代种群；

群体优化子模块，用于检测当前进化代数是否达到最大进化代数，若是，将最优种群作为最优解集输出，否则，将父代种群与子代种群进行合并；以及对合并后的种群重新计算目标函数值，通过非支配快速排序和拥挤度评估得到下一代种群，将下一代种群作为父代种群，并执行步骤：通过遗传操作产生新一代种群，并将新一代种群作为父代种群的子代种群，直至当前进化代数达到最大进化代数，将最优种群作为最优解集输出。

在一可选实施方式中，所述种群生成子模块包括非支配快速排序子模块和拥挤度评估子模块，各功能子模块的详细说明如下：

非支配快速排序子模块包含：

生成单元，用于由功率调节性能目标函数和功率反调性能目标函数生成多目标优化问题；

非支配个体检测单元，用于执行非支配个体检测线程，包括：

对待比较个体X_i的序号进行初始赋值；

对于所有的被比较个体X_j，根据非支配的定义比较待比较个体X_i与被比较个体X_j之间的支配与非支配关系；

如果不存在任何一个被比较个体X_j优于待比较个体X_i，则将待比较个体X_i标记为非支配个体；

将待比较个体X_i的序号进行加一操作，重新比较待比较个体X_i与被比较个体X_j之间的支配与非支配关系，直至找到所有的非支配个体；

群体分层单元，用于通过非支配个体检测线程得到的非支配个体集设置为种群的第一级非支配层，并在忽略已标记的非支配个体后，重新执行非支配个体检测线程，获得第二级非支配层，以此类推，直至整个种群被分层；

个体分级单元，用于获取种群中每个个体X_p的两个关键参数，分别为被个体X_p所支配的解个体数量n_p和被个体X_p所支配的解个体集合S_p；获取种群中所有解个体数量n_p为零的个体，存入第一候选集Z₁；对于第一候选集Z₁中的每个个体X_q，获取个体X_q所支配的解个体集合S_q，将解个体集合S_q中的每个个体X_k所支配的解个体数量n_k进行减一操作，若检测到n_k-1＝0，则将个体X_k存入第二候选集H；将第一候选集Z₁设置为第一级非支配个体集合，并赋予第一候选集Z₁中所有个体一个相同的非支配序i_rank＝1，再对第二候选集H进行分级操作，并赋予相应的非支配序，直至所有的个体都被分级。

拥挤度评估子模块包含：

初始化单元，用于对于种群中的各级非支配层，初始化每个个体的拥挤度；

边界个体拥挤度评估单元，用于对于每个目标函数，基于该目标函数对各级非支配层进行排序，将两个边界个体的拥挤度设置为无穷；

中间个体拥挤度评估单元，用于通过预设的拥挤度模型获取其他中间个体的拥挤度i_d；其中，拥挤度模型为：

其中，i_d表示个体X_i的拥挤度；

表示个体X_i前一个个体的第k个目标函数值，且k＝1,2；

表示个体X_i后一个个体的第k个目标函数值。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明实施例的，不同方面的许多其它变化，为了简明它们没有在细节中提供。

本发明实施例旨在涵盖落入本发明的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种水电机组监控***有功功率控制的优化方法，其特征在于，包括：

构建水电机组监控***功率控制模型，导入求解所述水电机组监控***功率控制模型的关键参数，并设置所述水电机组监控***功率控制模型的初始条件；所述关键参数包含水轮机运转特性曲线、水轮机关键参数、水流惯性时间常数和水轮机调速器电液随动***参数；所述初始条件包含水轮机初始参数和有功功率给定阶跃扰度偏差；

设置多目标遗传算法的相关参数；

获取由决策变量集表征的个体，输入所述水电机组监控***功率控制模型获取水电机组有功功率调节线程，并根据由所述水电机组有功功率调节线程得到的优化指标构建目标函数；所述决策变量集包含监控***的脉冲周期、最大脉冲宽度、最小脉冲宽度、脉冲计算参数和开度给定积分器时间常数；所述有功功率调节线程为根据有功功率调节指令改变水轮机有功功率大小的线程；

将非支配快速排序算法引入多目标遗传算法构建改进型多目标遗传算法，采用所述改进型多目标遗传算法对所述水电机组监控***功率控制模型进行求解，获得最优解集；所述最优解集包含优化后的多个决策变量集和对应的目标函数值；

从所述最优解集中获取目标函数值最优的决策变量集进行水电机组有功功率控制。

2.根据权利要求1所述的水电机组监控***有功功率控制的优化方法，其特征在于，所述构建水电机组监控***功率控制模型，包括：

采用水轮机运转特性曲线对水轮机进行建模，获得水轮机模型；所述水轮机模型以水轮机流量和水轮机导叶开度为输入，以水轮机水头为输出；

采用刚性水锤模型对输水***进行建模，并对建模后的输水***模型进行变换，得到采用积分形式的输水***模型；所述输水***模型以所述水轮机水头为输入，以水轮机流量为输出；

根据监控***、调速器、所述水轮机模型和所述输水***模型对水电机组有功功率调节线程进行建模，得到水电机组监控***功率控制模型；所述水电机组有功功率调节线程为：将有功功率调节指令输入所述监控***获得控制信号，根据所述控制信号输入所述调速器获得导叶开度调整信号，将所述导叶开度调整信号输入所述水轮机模型和所述输水***模型，得到所述水轮机流量、所述水轮机水头和所述水轮机有功功率。

3.根据权利要求1所述的水电机组监控***有功功率控制的优化方法，其特征在于，所述多目标遗传算法的相关参数包含种群规模大小、最大进化次数、目标函数维度、表征个体的决策变量集大小、决策变量上下界和决策变量约束条件；所述设置多目标遗传算法的相关参数，包括：

根据水电机组监控***功率控制模型中的主要控制参数，设置决策变量集大小；

根据水电机组的实际运行情况设定决策变量上下界；

根据水电厂实际运行过程中控制参数的设置精度，设置决策变量约束条件。

4.根据权利要求1所述的水电机组监控***有功功率控制的优化方法，其特征在于，所述根据由所述水电机组有功功率调节线程得到的优化指标构建目标函数，包括：

根据所述水电机组有功功率调节线程获取功率调节时间、功率调节精度、功率超调量和功率反调量；其中，

所述功率调节时间的获取过程为：获取有功功率调节指令的下发时刻到水电机组有功功率进入死区时的总时长，取该总时长设置为功率调节时间；所述水电机组有功功率进入死区是指，所述水电机组有功功率与功率调节目标值的功率偏差在±1％水电机组额定功率范围内；

所述功率调节精度的获取过程为：获取水电机组有功功率进入死区后的平均值与水电机组额定功率的比值，取该比值设置为功率调节精度；

所述功率超调量的获取过程为：检测调节线程为减负荷线程还是增负荷线程，若调节线程为减负荷线程，则获取减负荷线程中的最小值，并取功率调节目标值与最小值的差值设置为功率超调量；若调节线程为增负荷线程，则获取增负荷线程中的最大值，并将最大值与功率调节目标值的差值设置为功率超调量；

所述功率反调量的获取过程为：检测调节线程为减负荷线程还是增负荷线程，若调节线程为减负荷线程，则获取减负荷线程中的最大值，并取最大值与初始值的差值设置为功率反调量；若调节线程为增负荷线程，则获取增负荷线程的最小值，并取初始值与最小值的差值设置为功率反调量；

根据所述功率调节时间、所述功率调节精度、所述功率超调量构建功率调节性能目标函数，并根据所述功率反调量构建功率反调性能目标函数，其中，所述功率调节性能目标函数具体表示为：

所述功率反调性能目标函数具体表示为：

其中，T_p、E_p、P_s和P_n分别为获取的所述功率调节时间、所述功率调节精度、所述功率超调量和所述功率反调量；T_{p_s}、E_{p_s}、P_{s_s}和P_{n_s}分别为所述功率调节时间、所述功率调节精度、所述功率超调量和所述功率反调量的最小推荐值。

5.根据权利要求4所述的水电机组监控***有功功率控制的优化方法，其特征在于，所述采用所述改进型多目标遗传算法对所述水电机组监控***功率控制模型进行求解，包括：

初始化由决策变量集表征的个体，并根据决策变量上下界和决策变量约束条件对所述个体进行预处理；

从所述个体中取出决策变量，输入到所述水电机组监控***功率控制模型中，得到有功功率调节下水电机组动态响应时域变化曲线，根据所述水电机组动态响应时域变化曲线计算优化指标，并将所述优化指标输入到功率调节性能目标函数和功率反调性能目标函数得到对应的目标函数值；

根据所述个体的两个目标函数值进行非支配快速排序和拥挤度评估，得到包含N个个体的第一代种群；

将第一代种群作为父代种群，通过遗传操作产生新一代种群，并将所述新一代种群作为所述父代种群的子代种群；

检测当前进化代数是否达到最大进化代数，若是，将最优种群作为最优解集输出，否则，将所述父代种群与所述子代种群进行合并；

对合并后的种群重新计算目标函数值，通过非支配快速排序和拥挤度评估得到所述下一代种群，将所述下一代种群作为父代种群，并执行步骤：通过遗传操作产生新一代种群，并将所述新一代种群作为所述父代种群的子代种群，直至当前进化代数达到最大进化代数，将最优种群作为最优解集输出。

6.根据权利要求5所述的水电机组监控***有功功率控制的优化方法，其特征在于，所述根据所述个体的两个目标函数值进行非支配快速排序和拥挤度评估，包括：

由所述功率调节性能目标函数和所述功率反调性能目标函数生成多目标优化问题；

执行非支配个体检测线程，包括：

对待比较个体X_i的序号进行初始赋值；

对于所有的被比较个体X_j，根据非支配的定义比较所述待比较个体X_i与所述被比较个体X_j之间的支配与非支配关系；

如果不存在任何一个所述被比较个体X_j优于所述待比较个体X_i，则将所述待比较个体X_i标记为非支配个体；

将待比较个体X_i的序号进行加一操作，重新比较所述待比较个体X_i与所述被比较个体X_j之间的支配与非支配关系，直至找到所有的所述非支配个体；

通过非支配个体检测线程得到的非支配个体集设置为种群的第一级非支配层，并在忽略已标记的所述非支配个体后，重新执行所述非支配个体检测线程，获得第二级非支配层，以此类推，直至整个种群被分层；

获取所述种群中每个个体X_p的两个关键参数，分别为被所述个体X_p所支配的解个体数量n_p和被所述个体X_p所支配的解个体集合S_p；

获取所述种群中所有解个体数量n_p为零的个体，存入第一候选集Z₁；

对于所述第一候选集Z₁中的每个个体X_q，获取所述个体X_q所支配的解个体集合S_q，将所述解个体集合S_q中的每个个体X_k所支配的解个体数量n_k进行减一操作，若检测到n_k-1＝0，则将所述个体X_k存入第二候选集H；

将所述第一候选集Z₁设置为第一级非支配个体集合，并赋予所述第一候选集Z₁中所有个体一个相同的非支配序i_rank＝1，再对所述第二候选集H进行分级操作，并赋予相应的非支配序，直至所有的所述个体都被分级。

7.根据权利要求6所述的水电机组监控***有功功率控制的优化方法，其特征在于，所述拥挤度评估，包括：

对于所述种群中的各级非支配层，初始化每个个体的拥挤度；

对于每个目标函数，基于该目标函数对所述各级非支配层进行排序，将两个边界个体的拥挤度设置为无穷；

通过预设的拥挤度模型获取其他中间个体的拥挤度i_d；其中，所述拥挤度模型为：

其中，i_d表示个体X_i的拥挤度；

表示个体X_i前一个个体的第k个目标函数值，且k＝1,2；

表示个体X_i后一个个体的第k个目标函数值。

8.一种水电机组监控***有功功率控制的优化装置，其特征在于，包括：

模型构建模块，用于构建水电机组监控***功率控制模型，导入求解所述水电机组监控***功率控制模型的关键参数，并设置所述水电机组监控***功率控制模型的初始条件；所述关键参数包含水轮机运转特性曲线、水轮机关键参数、水流惯性时间常数和水轮机调速器电液随动***参数；所述初始条件包含水轮机初始参数和有功功率给定阶跃扰度偏差；

算法参数设置模块，用于设置多目标遗传算法的相关参数；

目标函数构建模块，用于获取由决策变量集表征的个体，输入所述水电机组监控***功率控制模型获取水电机组有功功率调节线程，并根据由所述水电机组有功功率调节线程得到的优化指标构建目标函数；所述决策变量集包含监控***的脉冲周期、最大脉冲宽度、最小脉冲宽度、脉冲计算参数和开度给定积分器时间常数；所述有功功率调节线程为根据有功功率调节指令改变水轮机有功功率大小的线程；

模型求解模块，用于将非支配快速排序算法引入多目标遗传算法构建改进型多目标遗传算法，采用所述改进型多目标遗传算法对所述水电机组监控***功率控制模型进行求解，获得最优解集；所述最优解集包含优化后的多个决策变量集和对应的目标函数值；

功率控制优化模块，用于从所述最优解集中获取目标函数值最优的决策变量集进行水电机组有功功率控制。

9.根据权利要求8所述的水电机组监控***有功功率控制的优化装置，其特征在于，所述模型构建模块包括：

水轮机模型子构建模块，用于采用水轮机运转特性曲线对水轮机进行建模，获得水轮机模型；所述水轮机模型以水轮机流量和水轮机导叶开度为输入，以水轮机水头为输出；

输水***模型构建子模块，用于采用刚性水锤模型对输水***进行建模，并对建模后的输水***模型进行变换，得到采用积分形式的输水***模型；所述输水***模型以水轮机水头为输入，以所述水轮机流量为输出；

目标模型构建子模块，用于根据监控***、调速器、所述水轮机模型和所述输水***模型对水电机组有功功率调节线程进行建模，得到水电机组监控***功率控制模型；所述水电机组有功功率调节线程为：将有功功率调节指令输入所述监控***获得控制信号，根据所述控制信号输入所述调速器获得导叶开度调整信号，将所述导叶开度调整信号输入所述水轮机模型和所述输水***模型，得到所述水轮机流量、所述水轮机水头和所述水轮机有功功率。

10.根据权利要求8所述的水电机组监控***有功功率控制的优化装置，其特征在于，所述模型求解模块包括：

初始化子模块，用于初始化由决策变量集表征的个体，并根据决策变量上下界和决策变量约束条件对个体进行预处理；

目标函数值获取子模块，用于从所述个体中取出决策变量，输入到所述水电机组监控***功率控制模型中，得到有功功率调节下水电机组动态响应时域变化曲线，根据所述水电机组动态响应时域变化曲线计算优化指标，并将所述优化指标输入到功率调节性能目标函数和功率反调性能目标函数得到对应的目标函数值；

种群生成子模块，用于根据所述个体的两个目标函数值进行非支配快速排序和拥挤度评估，得到包含N个个体的第一代种群；

种群更新子模块，用于将第一代种群作为父代种群，通过遗传操作产生新一代种群，并将所述新一代种群作为所述父代种群的子代种群；

群体优化子模块，用于检测当前进化代数是否达到最大进化代数，若是，将最优种群作为最优解集输出，否则，将所述父代种群与所述子代种群进行合并；以及对合并后的种群重新计算目标函数值，通过非支配快速排序和拥挤度评估得到所述下一代种群，将所述下一代种群作为父代种群，并执行步骤：通过遗传操作产生新一代种群，并将所述新一代种群作为所述父代种群的子代种群，直至当前进化代数达到最大进化代数，将最优种群作为最优解集输出。

Images