发明内容
本发明的目的是克服现有技术的上述不足,提出一种微型燃气轮机冷电联供分布式供能系统优化运行控制方法。
本发明提出的微型燃气轮机冷电联供分布式供能系统优化控制方法,采用如下的技术方案,其步骤如下:
第一步:利用历史相似日的冷、电负荷数据,采用基于神经网络的短期负荷预测方法预测工作日内各个时刻的冷负荷和电负荷的延时变化曲线;
第二步:根据预测得到的冷负荷与电负荷的延时变化曲线,综合考虑电网购电价格、燃气价格和微燃机上网发电价格等因素,采用优化控制数学模型制定工作日各个时刻联供系统的最优发电和制冷功率曲线;
第三步:根据计算得到的最优发电和制冷功率曲线,在各个运行时刻首先判断终端用户的供冷形式,如果联供系统可以完全满足终端用户的最大冷负荷需求,则无需开启电空调。如果联供系统不能满足终端用户的最大冷负荷需求,差额部分冷负荷需要由电空调满足,则通过关闭冷水阀门,使联供系统不再向安装有电空调的部分房间供冷,这些房间的冷负荷完全由电空调满足,房间的多少可根据优化计算得到的电空调的制冷量来确定;
第四步:在各个运行时刻确定完成终端用户的供冷形式后,即可向联供系统下达该时刻的微燃机最优出力指令;
第五步:联供系统实际运行过程中,微型燃气轮机接受新的功率指令后,在每个设定的时间段后,利用分布式监控系统监测终端用户在当前时刻实际的冷负荷和电负荷功率需求,如果实际的冷负荷需求与当前时刻的预测冷负荷需求之差超过某个阀值,则返回第二步的优化控制模型重新计算该时刻联供系统的最优发电功率和制冷功率,并继续执行以下的步骤;如果在当前时刻内,监测得到的实际冷负荷需求与预测冷负荷需求之差未超过阀值,则联供系统继续按照原优化功率指令运行,直到下一个时刻接受新的优化控制指令。
作为优选实施方式,本发明采用优化控制数学模型的目标函数为:Ft=Min(Cf+Ce)=Min(pf·Vfuel+ke·PGrid)·t,式中,Cf表示购买天然气的费用,单位为元;Ce表示购电或者向电网卖电的费用,单位为元;PGrid表示外网联络线的交换功率,单位为kW;如果PGrid>0,表示从电网购电,ke=pe。如果PGria<0,表示倒送给电网的电功率,ke=pMT;ke、pMT、pe的单位为元/千瓦时;pf为燃气价格,单位为元/m3;Vfuel=3.6·Qfuel/LHV为单位时间内的天然气的耗气量,单位为m3/h,Qfuel为天然气的热能,单位为kW;LHV表示低位燃料热值;t的单位为小时;
所述优化控制数学模型的等式约束:
电功率平衡约束:PGrid+PMT-Pair=Pload,式中,电负荷Pload包含有普通照明负荷和电梯、电脑、开水器之类的耗电设备,不包含消防安全用电等电力供应要求较高的负荷,同时还不反映空调设备的电力消耗情况;PMT表示燃气轮机的有功功率;Pair是终端用户电空调的耗电功率;
整个系统冷负荷平衡约束为:Q=Qac+Qair,Qair=COP·Pair,式中,Q为终端用户的冷负荷功率需求,单位为kW;Qair为终端用户电空调的制冷功率,单位为kW;Qac表示吸收式制冷机产生的制冷量,单位为kW;COP表示终端用户电空调的制冷系数;
不等式约束:Qair-min≤Qair≤Qair-max;Qfuel-min≤Qfuel≤Qfuel-max;PMT_min≤PMT≤PMT_max;
n台燃机同时运行时,微燃机组的出力、消耗的燃料热能和废烟流量分别为:Qfuel=n·Qfuel0;PMT=n·PMT0;Vex=n·Vex0,其中,Qfuel0表示单台微燃机消耗的燃料热能;PMT0是其对应的有功出力;Vex0是烟气流速,单位为kg/s。Qfuel是微燃机组消耗的总燃料热能;PMT表示总的燃机出力;Vex是微燃机组产生的总的废烟流速。
本发明的控制方法中,终端用户的电负荷功率需求通过直接采集电功率表的信息获得;终端用户的冷负荷需求需要利用数据采集站采集的制冷机冷冻水流量和出水、回水温度计算得到,计算公式为: 式中,Vc表示冷冻水的流量(m3/h);cpc表示冷冻水的质量定压热容[kJ/(kg℃)];ρw表示冷冻水的密度(kg/m3);tc1、tc2分别表示冷冻水进口和出口的温度(℃)。
本发明最独到之处是提出了一种适合冷电联供系统的优化控制模型,该模型不仅考虑了冷电联供系统与终端用户电制冷空调的运行配合问题,还计及了电网购电价格、燃气价格和微燃机上网发电价格等因素对经济运行的影响;此外,本发明还将利用分布式监控系统计算终端用户的实际冷、电负荷功率需求,并实时修正预测控制结果,在线校正联供系统的各控制量,将预测控制与在线控制方法有机的结合在一起。从而,本发明可根据终端用户的冷、电负荷需求按照经济最优原则控制联供系统的发电量和制冷量,以获得最大化的经济收益,同时满足较高的一次能源利用率指标。
具体实施方式
下面接合附图,对本发明作详细说明。
图1给出了终端用户的供冷、供电系统结构图。终端用户的电负荷、中央电空调和微燃机组一起接在低压母线处。冷电联供系统采用风机盘管设计向终端用户供冷,中央电空调采用全风系统。当联供系统无法满足终端用户的冷负荷需求时,可以通过控制部分房间的冷水管阀门,使联供系统不再向部分安装有电空调的部分房间供冷,这些房间的冷负荷完全由电空调满足。
整个优化控制系统由硬件和软件两部分组成:硬件部分为分布式监控系统,系统结构如图2所示,主要由SCADA层、控制层和现场层组成。SCADA层包括上位机和历史数据库,上位机用于监测整个系统的运行状态,数据库用于存储历史运行数据;控制层包括有数据采集站和协调优化控制站,系统信息主要通过硬接线的方式,连接到本地IO控制器,完成数据采集,采集的数据包括微燃机的有功发电功率,制冷机进口烟气温度与流量、出口冷水温度与流量等。协调优化控制站安装有冷电协调优化控制软件,用于控制微燃机的有功出力和部分楼层阀门的开闭。
冷电协调优化控制软件是整个优化控制系统的分析计算的核心部分,主要进行终端用户的冷电负荷预测、计算最优控制策略、计算终端用户的实时冷电负荷需求功率。
图3给出了本发明方法的整体实施流程,具体步骤如下:(1)在每个工作日开启联供系统之前,调用分布式监控系统历史数据库中终端用户的历史数据,利用历史上相似日的冷、电负荷需求数据和该工作日的环境信息,如气温、湿度,是否有大雨、大雾等信息,采用基于神经网络负荷预测方法提前预测该工作日内各个时刻的冷负荷和电负荷的延时变化曲线。预测结果不仅可以反映冷、电负荷的需求大小,还能够反映负荷发生变化的时刻;(2)根据预测得到的冷负荷与电负荷的延时曲线,综合考虑电网购电价格、燃气价格和微燃机上网发电价格等因素,采用优化控制数学模型制定该工作日各个时刻联供系统的最优发电和制冷功率计划,并将控制策略存储在协调优化控制站中的临时数据库中;(3)制定好联供系统运行计划后,即可开启联供系统。根据优化计算得到的运行计划,在各个运行时刻首先判断终端用户的供冷形式,如果联供系统可以完全满足终端用户的最大冷负荷需求,则无需开启电空调。如果联供系统不能满足终端用户的最大冷负荷需求,部分冷负荷需要由电空调满足,则通过关闭冷水阀门,使联供系统不再向安装有电空调的部分房间供冷,这些房间的冷负荷完全由电空调满足,房间的多少可根据优化计算得到的电空调的制冷量来确定。实际中,由于只在部分楼层安装电空调,因此各个安装电空调房间的冷负荷需求可以提前预测计算得到,根据优化计算得到的电空调的制冷量和各个安装电空调房间的冷负荷需求即可确定那些房间需要单独开启电空调制冷;(4)在各个运行时刻确定完成终端用户的供冷形式后,即可向联供系统下达该时刻的微燃机最优出力指令;(5)在联供系统实际运行过程中,微型燃气轮机接受新的功率指令后的每10分钟,利用分布式监控系统的数据采集站采集制冷机冷冻水流量和出水、回水温度,计算得终端用户实际的冷负荷功率需求,终端用户的电负荷功率需求可以直接采集电功率表的信息获得,如果实际的冷负荷需求与当前时刻的预测冷负荷之差超过某个阀值,则返回第三步,利用优化控制模型重新计算该时刻的联供系统的最优发电和制冷功率;(6)如果在当前时刻内,检测得到的实际冷负荷需求与预测冷负荷需求之差未超过阀值,则联供系统继续按照原优化功率指令运行,直到下一个时刻接受新的优化控制指令。
上述步骤一中的基于神经网络负荷预测方法具体描述如下:
负荷预测就是利用历史负荷数据提前预测下一日各个时刻的负荷平均水平,预测时刻可以是24小时,或者更短。在正常情况下,引起预测日冷、电负荷变化的主要因素有:
日类型不同:由于负荷成分的显著变化导致工作日(周一至周五)和双休日(周六、周日)的负荷往往会有较大的差别;即使是工作日的负荷(如周一晨间、周五晚间都会和一般工作日)也会有一定的不同;
天气情况不同:天气情况发生变化是导致日负荷变化的重要原因。例如气温和湿度的变化引起的制冷负荷和取暖负荷变化,日照度引起的照明负荷变化;
负荷变化的累积效应。随着时间推移,负荷将逐渐发生变化,相隔时间越久,负荷变化也会越发明显。
在进行负荷预测中,并不能事先充分掌握未来各种可能引发负荷变化的因素。为了有效计及上述因素对日冷、电负荷需求的影响,提高短期负荷的预报精度,可采用基于神经网络的负荷预测方法。神经网络通过多个神经元的相互连接,使其输入和输出构成一个复杂的非线性处理系统,能够有效地记忆复杂的非线性输入、输出映射关系的特征。
将神经网络网络用于日负荷预报,其关键工作在于选择样本空间,如果所选取的样本空间能够代表所有负荷的变化模式,则通过训练后的神经网络在进行负荷预报时具有更强的适用性和精度;反之,在某些情况下负荷预报精度下降。一般可以采用两种样本空间的组织方式,一种方法是只使用过去的历史负荷数据,认为负荷历史数据中包含了各种因素对负荷变化的影响;另外一种方法是利用过去的历史负荷资料的影响,同时考虑影响负荷需求的各种因素资料,来形成训练样本。在本专利中采用第二种方法组织神经网络的训练样本空间。
通过观测实际的冷、电负荷曲线,可以发现相似日相同时段的负荷曲线变化不大,最近几个同类型日的同一时段内,负荷更是呈现相近的变化规律。按照时间负荷可被分为工作日负荷、周末负荷和节假日负荷。在组织样本空间训练神经网络时,可采用差异度比较方法分析两天的相似度。假设两天中影响负荷变化趋势的因素向量为α=(α1,α2…,αm)T和β=(β1,β2…,βm)T,其差异度可以表示为:
||α-β||=K1δ1+K2δ2+K3δ3
式中,δ1,δ2,δ3表示日类型、天气情况和负荷变化的累积效应引起的差异,K1,K2,K3分别表示上述影响因素的权重系数。
δ1的取值主要考虑的是日负荷的周特性,其典型取值日如表1所示:
表1日类型参考表
日类型主要分为三类,工作日(星期一至星期五),一般工休日,节假日或重大事件日。
由于天气情况影响产生负荷差异的情况比较复杂,主要有天气的晴雨类型γ1、气温γ2、湿度γ3以及照度γ4等因素。在冷、电负荷预测中,δ2的计算可以分别综合考虑这几项数据前后两天的变化量并作加权处理:
δ2=C1Δγ1+C2Δγ2+C3Δγ3+C4Δγ4
负荷变化的累积效应引起的差异
N表示样本数目,ΔD表示样本与所预测日相隔的天数,显然δ3反映了负荷预报中的“近大远小”的基本原则。
人工神经网络负荷预测模型采用三层前馈神经网络:输入层、隐含层和输出层。网络输入层包括:
1,2,...,24-前日24点负荷;
25-δ1,日负荷的相似性;
26-δ2,日负荷的天气特性;
27-δ3,样本的远近程度。
网络输出层:
1,...,24-预测日24个时刻的负荷。
隐含层输出节点数目凭经验决定。利用样本数据采用BP算法对神经网络进行训练。将第i-1天负荷数据作为网络输入,第i天负荷数据作为网络输出。连续日负荷选取的个数,决定了样本的大小。可采用一种减轻网络训练负担的方法,把一天分为三个时段,分别用三个BP网络分别进行训练,既降低了网络输入向量的维数,又减少了网络中神经元的数目。
上述步骤二中的优化控制数学模型的具体描述如下:
优化控制数学模型的目标函数为:
Ft=Min(Cf+Ce=Min(pf·Vfuel+ke·PGrid)·t (1)
式中,Cf表示购买天然气的费用,单位为元;Ce表示购电或者向电网卖电的费用,单位为元;PGrid表示外网联络线的交换功率,单位为kW;如果PGrid>0,表示从电网购电,ke=pe。如果PGrid<0,表示倒送给电网的电功率,ke=pMT;ke、PMT、pe的单位为元/千瓦时;pf为燃气价格,单位为元/m3;Vfuel=3.6·Qfuel/LHV为单位时间内的天然气的耗气量,单位为m3/h,Qfuel为天然气的热能,单位为kW;LHV表示低位燃料热值;t的单位为小时。
等式约束:
电功率平衡约束:
PGrid+PMT-Pair=Pload (2)
式中,电负荷Pload包含有普通照明负荷和电梯、电脑、开水器等耗电设备,不包含消防安全用电等电力供应要求较高的负荷,同时还不反映空调设备的电力消耗情况;PMT表示燃气轮机的有功功率;Pair是终端用户电空调的耗电功率。
整个系统冷负荷平衡约束为:
Q=Qac+Qair (3)
Qair=COP·Pair (4)
式中,Q为终端用户的冷负荷功率需求,单位为kW;Qair为终端用户电空调的制冷功率,单位为kW;Qac表示吸收式制冷机产生的制冷量,单位为kW;COP表示终端用户电空调的制冷系数。
不等式约束:
Qair-min≤Qair≤Qair-max (5)
Qfuel-min≤Qfuel≤Qfuel-max (6)
PMT_min≤PMT≤PMT_max (7)
电动制冷机和吸收式制冷机制冷量的上下限约束、以及吸收式制冷机的制冷量的计算参考具体设备元件型号。由于在非满负荷工作下,微燃机的发电效率将低于设计效率,且效率下降明显,因此微燃机的出力应大于PMT_min。
废烟的燃料热能与微燃机有功出力之间,废热燃料热能与微燃机排烟温度和排烟流量之间可以用如下函数表示:
PMT0=f1(Qfuel0) (8)
T0=f2(Qfuel0) (9)
Vex0=f3(Qfuel0) (10)
n台燃机同时运行时,微燃机组的出力、消耗的燃料热能和废烟流量分别为:
Qfuel=n·Qfuel0 (11)
PMT=n·PMT0 (12)
Vexn·Vex0 (13)
其中,Qfuel0表示单台微燃机消耗的燃料热能;PMT0是其对应的有功出力;T0是烟气余热温度,单位为℃;Vex0是烟气流速,单位为kg/s。Qfuel是微燃机组消耗的总燃料热能;PMT表示总的燃机出力Vex是微燃机组产生的总的废烟流速。
吸收式制冷机的制冷功率与微燃机的排烟温度和排烟流量有关,可以用如下函数表示:
Qac=f4(Vex,T0) (14)
在该优化模型中,吸收式制冷机的制冷量制约着调度大楼和综合楼电空调的制冷量,而吸收式制冷机的制冷量由燃气的可利用烟气余热来产生,控制燃气轮机的出力即可间接控制废烟的余热。燃机出力大小的改变和电空调制冷量的改变又影响了外购天然气量和电量的大小。因此,该优化问题是一个带有离散变量的非线性规划问题,可采用遗传算法进行求解。
上述步骤五、六中,利用分布式控制系统获得终端用户的实际冷、电负荷功率需求。终端用户的电负荷功率需求可以直接采集电功率表的信息获得,终端用户的冷负荷需求需要利用数据采集站采集的制冷机冷冻水流量和出水、回水温度计算得到,计算公式为:
上式中,Vc表示冷冻水的流量(m3/h);cpc表示冷冻水的质量定压热容[kJ/(kg℃)];ρw表示冷冻水的密度(kg/m3);tc1、tc2分别表示冷冻水进口和出口的温度(℃)。