CN102809928A

CN102809928A - 一种工业企业热力设备能耗的控制优化方法

Info

Publication number: CN102809928A
Application number: CN2012102826591A
Authority: CN
Inventors: 郝勇生; 沈全荣; 李兵; 殷捷; 王建勇; 高健; 孟宪宇
Original assignee: NR Electric Co Ltd; NR Engineering Co Ltd
Current assignee: NR Electric Co Ltd; NR Engineering Co Ltd
Priority date: 2012-08-10
Filing date: 2012-08-10
Publication date: 2012-12-05
Anticipated expiration: 2032-08-10
Also published as: CN102809928B

Abstract

本发明公开一种工业企业热力设备能耗的控制优化方法，包括如下步骤：对热力设备运行参数及能耗数据进行实时采集及分析，利用基础算法进行设备能耗特性的反向建模，获取不同外部不可控运行因素下设备的能耗基准值及其对应的最优运行参数，供能源管控系统进行设备的优化运行控制。此种方法回避了常规物理建模过程中为简化求解而做的若干假设，其可抽取设备的能耗特性模型以及设备的最优运行参数，得到的结果能真实反映设备的特性，为设备的节能诊断以及运行优化提供指导。

Description

一种工业企业热力设备能耗的控制优化方法

技术领域

本发明属于工业企业热力设备经济运行领域，主要涉及一种基于实时数据来源的工业企业热力设备能耗特性基准值及其最优运行参数的获取方法，可用于在线进行能损分析以及控制参数的优化。

背景技术

工业企业热力设备一般存在着多变量、非线性、强耦合的特点，常规物理建模时一般需做若干假设，以简化模型求解难度，因此也降低了模型的准确性，有时不能完全反应现场设备的特性。

能源管控系统的应用使得工业企业热力设备能耗特性模型的获取以及运行参数优化控制出现了一条新路径。能源管控系统中存储了大量的工艺生产原始数据，这些在自然条件下产生的，未经任何假设、简化，带有前因后果联系的“活数据”蕴含着大量有价值的信息，目前这些数据仅仅是存储备份而没有进行有效利用，因此，本发明人结合能源管控系统的存储数据，提出一种控制优化方法，本案由此产生。

发明内容

本发明的目的，在于提供一种工业企业热力设备能耗的控制优化方法，其可抽取设备的能耗特性模型以及设备的最优运行参数，为设备的节能诊断以及运行优化提供指导。

为了达成上述目的，本发明的解决方案是：

一种工业企业热力设备能耗的控制优化方法，包括如下步骤：

（1）对热力设备运行参数及能耗数据进行实时采集、分析；

（2）建立基础算法库；

（3）建立热力设备能耗指标机理模型，确定影响能耗的外部不可控运行因素X与内部可控运行因素Y；

（4）将表征热力设备运行状态{X,Y}以及能耗特性{e}的数据状态空间{e,X,Y}存储到历史数据库中；

（5）从历史数据库中提取待分析数据进行处理，形成适合后行分析的数据状态空间{e,X,Y}；

（6）对每个外部不可控运行因素X下的数据空间{e,Y}进行分析，得到该外部不可控运行因素X下的能耗基准值e₀以及与此对应的最优运行参数Y₀={Y₀₁,Y₀₂,...}；

（7）对每个外部不可控运行因素X下提取出的能耗基准值e₀以及对应的最优运行参数Y₀={Y₀₁,Y₀₂,...}进行拟合回归，获得每个设备的能耗特性基准值模型：e₀=f(X|{Y=Y₀})以及最优运行参数：Y₀=g(X|{e=e₀})；

（8）对设备的能耗e进行分析，如能耗高于同一外部因素下的能耗基准值e₀，则读取该外部因素X下的最优运行参数Y₀={Y₀₁,Y₀₂,...}，控制系统调整运行参数，进行设备的控制优化。

上述步骤（5）中，数据提取的时间以小时、天或月为周期。

上述步骤（6）中，采用基础算法库中的聚类算法得到外部不可控运行因素下的能耗基准值以及与此对应的最优运行参数，包括如下步骤：

a、对每个外部不可控运行因素X下的数据空间{e,Y}进行聚类；

b、确定聚类结果中每个类的最小支持度；

c、将最小支持度满足要求的类按类中心能耗e的数值进行排序，能耗最低的类中心对应的e与Y即为该外部因素下的能耗基准值e₀以及最优运行参数Y₀={Y₀₁,Y₀₂,...}。

上述步骤（7）中，以均方根误差和最小为原则选择基础算法库中的算法对每个外部不可控运行因素下的能耗基准值以及与此对应的最优运行参数进行拟合回归。

上述步骤（8）中，通过实时采集的设备的运行参数，根据步骤（3）建立的热力设备能耗指标机理模型分析设备的能耗。

采用上述方案后，本发明通过对设备运行中产生的历史数据进行分析，利用聚类、多元回归等数据挖掘算法进行设备能耗特性的反向建模，获取不同外部因素下设备能耗的基准值及其对应的最优运行参数，提供给能源管控系统，使设备处于经济运行状态。其优点在于：充分利用能源管控系统存储的数据资源，回避了常规物理建模为简化求解过程而做的若干假设，得到的结果能真实反映设备的运行特性，可用于能源管控系统为运行人员提供指导。

附图说明

图1是应用本发明的硬件系统的架构图；

图2是本发明的算法流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明提供一种工业企业热力设备能耗的控制优化方法，首先进行如下定义：已投产设备的能耗模型可以表示为：e=f(X,Y)，其中，X表示设备负荷、环境温度等外部不可控运行因素，Y表示运行参数等内部可控运行因素。外部运行因素不可调整，不存在优化的空间。设备的基准能耗模型可以定义为在外部不可控运行因素X一定的条件下，Y参数联合调整到最佳状态：Y₀={Y₀₁,Y₀₂,...}，使得设备能耗e最低时的一组集合，即e₀=f(X|{Y=Y₀})。

本发明可基于如图1所示的硬件系统来实现，该硬件系统须包括（但不限于）底层的数据采集系统(SCADA)、实时数据库、历史数据库、应用服务器、客户端、网络安全设备以及连接各个计算机、控制器(PLC等)、传感器的整个网络。其功能分别概述如下：

数据采集系统(SCADA)用于实现热力设备数据的实时采集以及现场监控，采集的数据保存在实时数据库中；

实时数据库用于实时存储数据采集系统采集上来的设备运行参数，为能耗特性的反向建模以及能耗的在线分析提供数据支持；

历史数据库（Oracle）用于存储热力设备的运行及能耗数据{e,X,Y}；

应用服务器通过与数据库以及客户端的通信，实现热力设备的反向建模以及控制优化；

网络安全设备主要负责网络的单向隔离以及病毒防护；

客户端提供人机交互界面，以优化的方式展示建模结果。

本发明所述的优化方法主要通过以下几个功能模块实现：1、历史数据存储、提取模块；2、数据预处理模块；3、能耗特性反向建模模块；4、运行参数在线优化模块。具体方案包括：

（1）建立热力设备能耗指标的机理模型，确定外部不可控运行因素X与内部可控运行因素Y，利用历史数据存储、提取模块，将一一对应的表征设备运行状态的数据空间{e,X,Y}存储到Oracle关系数据库中；

（2）历史数据存储、提取模块对关系数据库进行读取操作，提取建模所需数据，传送到数据预处理模块，数据预处理模块对原始数据进行处理，包括对空值进行平均值替代或剔除的处理、对异常数据进行剔除的处理等，处理后的数据传送到能耗特性反向建模模块；

（3）能耗特性反向建模模块利用处理后的数据，调用建模算法库中的算法进行能耗特性的反向建模，其步骤如下：

步骤一、将处理过的数据按外部因素进行分类，以形成不同外部不可控运行因素X下的数据状态空间{e,Y}；

步骤二、对每一个状态空间{e,Y}内的数据进行分析，利用基础算法库中的聚类、统计等算法，获取每个状态空间中的能耗基准值e₀以及与此对应的运行参数Y₀={Y₀₁,Y₀₂,...}；

步骤三、对每个外部因素X下提取出的能耗基准值e₀以及对应运行参数Y₀={Y₀₁,Y₀₂,...}，利用算法库中的多元回归或神经网络等算法进行模型抽取，获得每个设备的能耗特性基准值模型：e₀=f(X|{Y=Y₀})，以及最优运行参数：Y₀=g(X|{e=e₀})；

步骤四、验证抽取模型的准确性，输出模型的评估参数：均方误差MSE、平均平方误差ASE等，如模型精度达不到要求，则切换算法模型；

（4）反向建模模块获得设备的能耗特性基准值模型以及与此对应的最优运行参数，传递给运行参数在线优化模块指导设备的经济运行：通过实时采集设备的外部因素X的数据，可确定该因素下的最优运行参数Y₀={Y₀₁,Y₀₂,...}，控制系统依此调整运行参数，进行设备的控制优化。

本发明所提供一种工业企业热力设备能耗的控制优化方法，配合图2所示，包括如下步骤：

（1）对热力设备运行参数及能耗数据进行实时采集、分析；

（2）建立包括聚类、多元回归、神经网络等在内的基础算法库；

（5）利用数据提取模块从历史数据库中提取待分析数据传送给数据预处理模块进行处理，形成适合后行分析的数据状态空间{e,X,Y}，数据提取的时间可按小时、天或月为周期，由用户自主配置；

（6）对每个外部不可控运行因素X下的数据空间{e,Y}进行分析，采用基础算法库中的聚类算法得到该外部不可控运行因素X下的能耗基准值e₀以及与此对应的最优运行参数Y₀={Y₀₁,Y₀₂,...}，实现方法如下：

a、对每个外部不可控运行因素X下的数据空间{e,Y}进行聚类；

b、确定聚类结果中每个类的最小支持度；

c、将最小支持度满足要求的类按类中心能耗e的数值进行排序，能耗最低的类中心对应的e与Y即为该外部因素下的能耗基准值e₀以及最优运行参数Y₀={Y₀₁,Y₀₂,...}；

（7）按均方根误差和最小为原则，选择基础算法库（如线性回归、多元回归、神经网络等）中合适的算法对每个外部不可控运行因素X下提取出的能耗基准值e₀以及对应的最优运行参数Y₀={Y₀₁,Y₀₂,...}进行拟合回归，获得每个设备的能耗特性基准值模型：e₀=f(X|{Y=Y₀})以及最优运行参数：Y₀=g(X|{e=e₀})；

（8）通过实时采集的设备的运行参数，根据步骤（3）建立的热力设备能耗指标机理模型分析设备的能耗e，如能耗高于同一外部因素下的能耗基准值e₀，则读取该外部因素X下的最优运行参数Y₀={Y₀₁,Y₀₂,...}，控制系统调整运行参数，进行设备的控制优化。

以工业企业常见的热力设备——预热炉为例，说明本发明的一种具体实施方式。预热炉的能效可表示成：e=f(Q_dw,α,t_py,β)。

式中：Q_dw为燃料热值(kJ/kg)，α为助燃空气与燃料的比值，t_py为燃烧完烟气的温度(℃)，β为烟气中未燃尽燃料的含量(%)；

其中Q_dw与燃料种类有关，由供应部门决定，运行人员运行时不可实时调整，α、t_py、β可实时调整，则：X={Q_dw},Y={α,t_py,β}。

具体步骤如下：

1)对预热炉相关运行参数X、Y进行采集，实时计算能耗e；

2)利用本发明提供的能源数据存储功能，将表征预热炉运行状态以及能耗特性的数据状态空间{e,X,Y}存储到历史数据库中；

3)配置数据提取时间。当系统时间满足配置要求时，数据提取模块从历史数据库中提取待分析数据，并利用数据预处理模块进行处理，形成适合后行分析的数据；

4)反向建模模块按外部因素Q_dw（即燃料种类）对待分析数据进行分类，调用基础算法库中的聚类算法，对每种燃料下的数据空间{e,Y}进行聚类分析，计算每个类的最小支持度，对最小支持度满足要求的类按聚类中心e的数值进行排序，将能耗最低的类中心点对应的e与Y作为使用该燃料时的能耗基准值e₀以及最优运行参数Y₀={α₀,t_py0,β₀}；

5)对每种燃料下提取出的能耗基准值e₀以及最优运行参数Y₀={α₀,t_py0,β₀}，利用基础算法库中的多元回归算法进行模型抽取，如多元回归建模精度达不到要求，则启用神经网络算法，获得预热炉的能耗特性基准值模型：e₀=f(X|{Y=Y₀})以及最优运行参数：Y₀=g(X|{e=e₀})；

6)至此完成了预热炉能耗特性的反向建模，有了以上模型即可进行运行的控制优化：在线分析预热炉的能耗e，如能耗实时值高于该燃料下的能耗基准值e₀，则读取该燃料下的最优运行参数Y₀={α₀,t_py0,β₀}，控制系统依此调整运行参数，进行预热炉的控制优化。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims

1.一种工业企业热力设备能耗的控制优化方法，其特征在于包括如下步骤：

（1）对热力设备运行参数及能耗数据进行实时采集、分析；

（2）建立基础算法库；

2.如权利要求1所述的一种工业企业热力设备能耗的控制优化方法，其特征在于：所述步骤（5）中，数据提取的时间以小时、天或月为周期。

3.如权利要求1所述的一种工业企业热力设备能耗的控制优化方法，其特征在于：所述步骤（6）中，采用基础算法库中的聚类算法得到外部不可控运行因素下的能耗基准值以及与此对应的最优运行参数，包括如下步骤：

a、对每个外部不可控运行因素X下的数据空间{e,Y}进行聚类；

b、确定聚类结果中每个类的最小支持度；

4.如权利要求1所述的一种工业企业热力设备能耗的控制优化方法，其特征在于：所述步骤（7）中，以均方根误差和最小为原则选择基础算法库中的算法对每个外部不可控运行因素下的能耗基准值以及与此对应的最优运行参数进行拟合回归。

5.如权利要求1所述的一种工业企业热力设备能耗的控制优化方法，其特征在于：所述步骤（8）中，通过实时采集的设备的运行参数，根据步骤（3）建立的热力设备能耗指标机理模型分析设备的能耗。