CN102884484B - 用于电厂的过程优化方法和系统 - Google Patents
用于电厂的过程优化方法和系统 Download PDFInfo
- Publication number
- CN102884484B CN102884484B CN201080064995.8A CN201080064995A CN102884484B CN 102884484 B CN102884484 B CN 102884484B CN 201080064995 A CN201080064995 A CN 201080064995A CN 102884484 B CN102884484 B CN 102884484B
- Authority
- CN
- China
- Prior art keywords
- self adaptation
- object function
- power plant
- binding occurrence
- constraint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims description 23
- 230000006978 adaptation Effects 0.000 claims abstract description 74
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000007774 longterm Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000010206 sensitivity analysis Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 239000000446 fuel Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
- F02C9/26—Control of fuel supply
- F02C9/42—Control of fuel supply specially adapted for the control of two or more plants simultaneously
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/40—Type of control system
- F05D2270/44—Type of control system active, predictive, or anticipative
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model
Landscapes
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供一种用于优化具有一个或多个发电单元的电厂的负载调度的方法和系统。该方法和对应的系统涉及检测指示对于调整负载调度中使用的目标函数的一个或多个约束的需要的事件。在这种检测时,分析目标函数以确定为了最优地求解目标函数一个或多个约束的自适应约束值。这些自适应约束值用于求解目标函数,并且用一个或多个经调整约束值的目标函数的解用于操作电厂的一个或多个发电单元。
Description
技术领域
本发明一般涉及用于电厂的过程优化的系统和方法,并且更具体地说,涉及通过在优化方法和系统中使用自适应约束进行电厂中的负载调度优化。
背景技术
通常,电厂由多个单元组成,每个单元都具有对发电的不同阶段起作用的一组设备。此类设备例如包含锅炉、蒸汽涡轮机和发电机。对于电厂的最优运行,关键方面之一是不同单元与它们相应设备之间的最优负载调度以便满足给定电力需求。
负载调度对发电过程的生产率具有主要影响。负载调度的目的是通过判定每一个设备的不同操作参数的值、定时等来最小化电力产生时间和/或成本,以便有效且高效地满足电力需求。负载调度通常由电厂控制系统中的优化器优化。
优化训练的目的例如是,将成本最小化表达为优化问题的目标函数。优化方法在识别的约束内求解这种目标函数。几乎所有操作参数都可表达为成本函数,并且优化器被部署成求解与各种操作相关联的成本函数和它们的结果(例如对于不满足需求的惩罚)。来自优化器的解为各种操作提供设置点以实现期望的优化结果。通常,优化器使用诸如非线性编程(NLP)、混合整数线性编程(MILP)、混合整数非线性编程(MINLP)等技术来求解目标函数。
在目标函数的公式中,存在一种期望,在目标函数中包含许多项(燃料成本、减排成本、起动和关掉成本、老化成本、维护成本、惩罚成本)用来考虑,从而最优地运作可能的每件事情。当在目标函数公式中考虑多个此类项时,为了得到电厂的最优解,目标函数的求解变得困难了,这是因为对于调整不同设备的操作参数,即设置点,自由度减小了。对于具体目标函数要考虑的必要项数基于如何设计过程控制系统以及约束值。如果项数更多,即,它一口气考虑了电厂的几乎所有可能方面,或具有非常紧密的约束,则存在目标函数可能没有解的可能性。这里可能要注意,本文所描述的无解问题还可发生在存在电厂模型中未考虑或从优化器的结果看在电厂中不可控的条件时。
当前,在目标函数在给定一组约束的情况下在合理时间内未解出的情形中,以次最优方式操作电厂。除了无解情形外,还存在其它情形:不确定优化的解是否为最佳解,即,该解在可用的多个解中间是最好的,或者最适合于以稳定方式操作电厂(即使该解看起来略微次最优)。更经常的情况下,不知道如果存在不同的约束值,更好的解是否有可能。
本发明描述了一种识别和对待这种情形使得优化器以定义的方式提供可接受解的方法。更具体地说,本技术描述了用于通过识别和放松一些约束来求解电厂操作的目标函数的系统和方法。
发明内容
根据本发明的一个方面,提供一种用于优化具有一个或多个发电单元的电厂的负载调度的方法。
该方法包含检测指示对于调整负载调度中使用的目标函数的一个或多个约束的需要的事件。在检测到这种事件时,该方法包含分析目标函数以确定用于最优地求解目标函数的一个或多个约束的自适应约束值,并使用一个或多个约束的自适应约束值来求解目标函数。该方法最后包含使用具有一个或多个经调整约束值的目标函数的解来操作电厂的一个或多个发电机。
根据本发明的另一方面,用于优化具有一个或多个发电单元的电厂的负载调度的优化器包含约束分析模块,所述约束分析模块具有用于检测指示对于调整负载调度中使用的目标函数的一个或多个约束的需要的事件的自适应约束评估模块。自适应约束评估模块分析目标函数以确定用于最优地求解目标函数的一个或多个约束的自适应约束值,并使用一个或多个约束的自适应约束值来求解目标函数。优化器然后使用具有一个或多个自适应约束值的目标函数的解来生成用于操作一个或多个发电单元的设置点。
附图说明
当参考附图阅读如下详细说明时本发明的这些和其它特征、方面和优点将变得更好理解,整个附图中相似的字符表示相似的部分,附图中:
图1是根据一个实施例的简化通用化石点火电厂(FFPP)的框图表示;
图2是图1电厂的控制系统的框图表示;以及
图3是图2控制系统的优化器中的约束分析模块的框图表示。
具体实施方式
本文中和权利要求书中所用的单数形式“不定冠词”和“该”包含多个所指对象,除非上下文另外明确指出。
本文描述的系统和方法涉及电厂操作的优化以在具有现有约束的解不收敛的条件下或在当不清楚具有现有约束的解是否是最佳解时的条件下满足期望电力需求。本文描述的系统和方法确保通过恰当定义约束、它们的值并通过确保每次都存在最优解来操作电厂,即,自由度可用于求解目标函数,并且因此动态改进优化解,同时仍考虑在目标函数中定义的所有项。
为了得到优化解,本发明的新颖模块和方法有利地提供用于动态调整约束值以求解目标函数并引起有益解。这种调整在电厂的容许的有利结果(短期和长期)内进行。
在此参考附图说明这些方面。
图1是简化通用化石点火电厂(FFPP)10的框图表示,所述FFPP由控制系统12控制,控制系统12包含用于获得最优解以便操作电厂的优化器14。FFPP10由并行运行的三个FFPP单元16、18、20组成。每个FFPP单元具有三个主要设备,即,锅炉(B)22、与发电机(G)26以机械方式耦合的蒸汽涡轮机(ST)24。在操作下,一般称为u1、u2和u3的蒸汽负载表示由相应锅炉生成的蒸汽,并且对应的燃料消耗表示为y11、y21、y3。操控变量u11、u12和u13是二进制变量,它们定义锅炉的状态是“关”还是“开”。来自锅炉的蒸汽被提供给蒸汽涡轮机以运作发电机。来自发电机的电力输出表示为y12、y22、y32。
控制系统12用于监视和控制电厂10的不同操作参数以确保以最优条件操作电厂。对于电厂的最优运行,如早前所说明的,其中一个关键方面是图1所示的不同FFPP单元之间的最优负载调度,并且在优化器14处完成对于优化解的计算。
在示范实施例中,负载调度优化问题的目标是,在受到不同的约束(诸如燃料成本、起动成本、运行成本、排放成本和寿命成本的最小化)的情况下,通过在三个FFPP单元之间调度负载来满足电力需求。优化器14从电厂接收输入,并应用优化技术进行最优负载调度。基于最优解,控制系统12向电厂中的不同致动器发送命令以控制过程参数。
根据本发明的方面,优化器14包含新颖模块,以处理上面提到的具有现有约束的解不收敛的情形或在当不清楚具有现有约束的解是否是最佳解时的条件下处理。参考图2更详细地说明这些新颖模块以及相关联的方法。
图2是参考图1所说明的控制系统12内的优化器14的框图表示。优化器14内的模块使用来自提供历史电厂操作数据的电厂数据库28、提供未来电力需求预报的电力需求预报模型30、用于任何特定用户需要的用户输入32以及用于提供电厂仿真数据的电厂模型34以及用于提供电流操作数据的电厂10的输入。
优化器14包含优化求解模块36以求解目标函数,例如按照下面给出的等式1-16。
在用于以上FFPP电厂的示范优化方法中,考虑的目标函数是需要最小化的成本函数,如等式1所给出的。在由从10到16的等式所定义的约束内求解优化问题以获得电厂的最优负载调度。
通过选择u的最优值来最小化如下成本函数,从而完成电厂优化:
。
其中:
。
下面说明成本函数(J)中的每一项。
是在预测时域(predictionhorizon)上不满足电力需求的惩罚函数:
,
其中是适当的权重系数,并且,其中,是预测时域内电力需求的预报,并且y12、y22、y32是由相应发电机发生的电力。这里,M是预测时域的长度,T是当前时间,并且是时间间隔。
是在FFPP的模型中由输出y11、y21、y31表示的燃料消耗的成本,并且由此燃料消耗的总成本由下式给出:
,
其中是燃料消耗yi1的成本。
是在减小由电厂产生的污染物排放(NOx,SOx,COx)中涉及的成本,并且由下式给出:
,
其中是用于产生电力yi2的成本系数。
是蒸汽涡轮机的起动成本,由下式给出:
,
其中表示正权重系数。
表示蒸汽涡轮机的固定运行成本。它仅当装置开动时为非零,并且它不取决于蒸汽流u2的等级。
,
其中表示由于使用涡轮机引起的任何固定成本(每小时)。
描述由于加负载效应引起的资产折旧,并且定义为:
,
并且因此,
。
这里,是对于给定负载组件的寿命成本,组件可能是锅炉、涡轮机或发电机,等式8的RHS上的项计算(等效操作小时)EOH消耗相对于基本负载的比率。该项应该乘以单元在那个负载运行的总时间。优化器计算每个采样时间的EOH消耗,并最终将在每个采样实例的EOH消耗加到成本函数中。
项等类似于蒸汽涡轮机中的等效项,并且我们省略了它们的描述。
E是由电力销售获得的收入和来自排放贸易的贷记的项。该项不得不将如下考虑进去:仅可销售所生产的与所要求的之间的最小值:
,
其中是用于所生成电能的成本系数。
上面叙述的优化问题易受到一个或多个如下约束的影响:
a)锅炉和与发电机耦合的涡轮机等的最小和最大负载约束,
。
b)斜升和斜降约束
。
c)最小正常运行时间和停机时间约束
这个约束确保单元的某一最小正常运行时间和停机时间。最小停机时间是指,如果单元被关掉,则它应该保持在同一状态至少某一段时间。相同逻辑应用于最小正常运行时间。这是物理约束,以确保优化器不会太频繁地开启或关掉单元。
,
其中toff是当单元关掉时开始计数的计数器,并且当toff小于最小停机时间时,单元u1的状态应该处于关闭状态。
d)备用单元容量约束
。
e)结线(tieline)容量约束等,
。
通常,当获得最优输出时,存在如下期望:在目标函数的公式中考虑所有不同方面或项,如Cemission、Cfuel、Clife等,连同相关约束。本领域技术人员将已知,这些项中的每项都是操控变量ul1,ul2和ul3的函数,并且这些约束与这些操控变量相关。
如早前说明的,当在目标函数公式中考虑多个此类项时,为了得到电厂的最优解,目标函数的求解变得困难了,这是因为对于调整不同设备的操作参数,即设置点,自由度减小了。另外,存在如下情形:所获得的解可能不是最佳解,如早前说明的。本文在下面更详细说明遇到这些情形后的动作。
当存在如下条件时约束分析模块38被激活:目标函数的不收敛或者不清楚优化求解模块36获得的解是否是最佳解时,这两种情形都产生“事件”,所述“事件”指示对于调整一个或多个约束的需要。在检测os这种事件时,激活约束分析模块38以计算新约束值,从而求解目标函数。
约束分析模块38确定新约束值,如参考图3所说明的。
现在参考图3,约束分析模块38包含自适应约束评估模块40,以选择一个或多个自适应约束(即其值可改变的约束)以及这些自适应约束的值,以求解目标函数。在示范实施例中,自适应约束评估模块40使用电厂模型34和目标函数分析所述一个或多个操控变量中的哪些操控变量可能通过其约束放松,以便优化,在本文称为“灵活操控变量”,以及在值方面放松多少,还分析所述操控变量中的哪些操控变量不能被放松,称为“紧密操控变量”。从而,自适应约束评估模块40选择要放松的约束(它们在本文称为“自适应约束”)以及这种约束的新值,在本文称为“自适应约束值”,以便得到最优解。
在一个特定实施例中,自适应约束和自适应约束值也可被预先配置,例如自适应约束评估模块40已经预先配置了期望约束值的定义,并且还预先配置了可接受的自适应约束值,从而允许与期望约束值有偏差(即可以对约束值可改变多少进行预先定义)。可接受自适应约束值可与制造商或系统设计者为操作电厂规定的极限相同或在其内。
另外,有可能的是,具有基于不同灵活操控变量相关于目标函数的解的影响和重要性预先指配给不同灵活操控变量的优先级(最小化问题)。也可通过像敏感度分析或主分量分析(principalcomponentanalysis)的技术确定优先级,以便选择自适应约束和自适应约束值。在一个示例中,相关于目标函数的解最敏感的约束被指配了最高优先级,使得它的值被首先选择为自适应约束值以求解目标函数。
类似地,可能还存在预先指配给自适应约束值的优先级,即在自适应约束的可接受值内,可能存在两组或更多组可能的值,并且这些可被优先化用于选择和使用。在这个实施例中,自适应约束评估模块40基于已经一起定义的优先级来选择预先配置的可接受自适应约束值(如果它可用的话)。
在应用优先化自适应约束之后仍导致无解的情形下,可通过基于优先级同时放松多于一个自适应约束来尝试解。
在另一个实施例中,自适应约束评估模块40可采用诸如主分量分析等技术来确定哪个成本函数最重要,然后识别哪个操控变量是重要项或支配项,作为“灵活操控变量”或“紧密操控变量”,并使用可接受约束值来仿真(例如通过蒙特卡洛方法)并识别什么可以是灵活操控变量的值,该值是得到解的、可能适合作为尽可能接近现有(或期望)约束值的自适应约束值的值。在这种情况下,通过仿真或通过使用其它统计技术(在实验设计中通常使用的方法),确定哪些约束以及多少约束要被放松,即可考虑多少自适应约束以及到什么程度,即,什么会是这种自适应约束的值。将认识到,确定自适应约束和它们的值是另一个优化问题,以最优地确定哪些自适应约束要被放松以及放松到多少,来产生接近电厂的期望或推荐设置的效应。
然而,在另一个示例中,有可能的是:选择的自适应约束值都不满足解,即,即便与对应的灵活操控变量相关联的多个约束被放松,目标函数也的确不可求解。在这种情况下,与紧密操控变量相关联的约束也可基于优先级放松(首先放松最低优先级的),或如所确定的,通过仿真找到提供解的条件。这个解,虽然是次优解(不是期望约束的结果),但被选择以满足目标函数。
在又一个实施例中,其中约束分析模块38被激活,这是因为不清楚用当前约束获得的解是否是最佳解,在此情形下,分析模块考虑现有约束值(在约束的可接受值内定义的)、紧密操控变量和灵活操控变量以找到新解。可能要注意,可周期性地执行这种激活,并且目的是确定训练的解是否的确是最佳解,即这种事件以预先编程的方式发生在每个有限循环之后。备选地,这种事件也可被用户触发。
自适应约束评估模块40选择用于紧密操控变量和灵活操控变量的相关联约束以便调整它们的值,使得紧密操控变量不被影响,或者它们被进一步加紧以改进该解。因此,这里,代替仅放松约束,加紧一些约束并放松一些其它约束。这确保获得解,并且该解也是可能解当中最好的(长期更稳定且有利的解)。
在通过仿真确定自适应约束值的情况下,自适应约束值可选择为作为初始条件的约束的可接受值,并且通过算法得到新自适应约束值,其中一些自适应约束值用于紧密操控变量,并且这些值使得它有助于用对于紧密操控变量尽可能紧密的值操作电厂。当源于影响电厂的多个方面/功能的紧密操控变量并且对紧密操控变量具有更紧密控制的函数有助于对电厂的所有相关方面/功能具有更好的控制时,这种操作可能是有利的。
约束分析模块38由此找到目标函数的最优解,即发送到控制系统以便由控制系统做出进一步动作的最优负载调度解,从而通过过程控制器传送用于电厂中不同设备的操作参数的设置点。
在另一个实施例中,约束分析模块38可包含附加模块,例如判定模块40,用于分析使用自适应约束值对电厂操作的长期和短期影响。本文所用的术语“短期效应”用于指示新值的即刻效应(在优化问题中使用的约束的推荐的自适应值)。本领域技术人员将认识到,当由通过将至少一个约束从其第一值改变,即使用自适应约束值获得的解操作电厂时,将存在不同于第一值的电厂总体操作中的效应,并且与第一值不同地影响电厂。这个影响被称为与术语“长期效应”相关联。
长期上,如下是不符合需要的:电厂的操作以不期望的方式偏离其预计轨迹,并且由于长期效应是与用具有初始或期望约束的目标函数表达的初始或期望条件不同的条件的结果,因此判定模块比较自适应约束的长期影响以帮助进行判定。
在一个实施例中,目标函数修改成包含补偿项以补偿通过使用自适应约束对电厂操作的长期效应。补偿项由自适应补偿模块42长期计算(长期是电厂模型、预报模块和诸如需求预报等数据可以可靠地用于预报电厂轨迹的时段或者预测时域)。检查包含补偿项的经修改目标函数以确定使用自适应约束值是否在电厂操作中带来了任何重大益处,如下面在示例部分中给出的等式17和18中所示的。在预测时域内的任何时间跨度中还可相关于其它备选解确定益处。
在另一个实施例中,判定模块40可寻求用户干预或使用配置的重要性值来基于长期益处确定优化器是否应该继续如使用自适应约束所做的修改。
在另一个实施例中,判定模块可用于比较新解、即用自适应约束的目标函数的值与在应用自适应约束之前获得的值,并观察这两者的短期或长期效应。该选择然后基于对工厂有益的值(没有如补偿项所表达的太多的副作用,其中副作用没有来自源于自适应约束的新解的益处那么重大)。
下面给出了例证本文上面描述的方法的一些方面的示例,以便更清楚地理解本发明。
示例:
又参考图1,发电机G1、G2和G3被说成标称地(典型值)操作用于45MW生产,并具有50MW功率的最大容量。这里,标称容量在优化问题中用作发电机容量约束(期望约束)的上限。在需求要求高的情形下,将标称容量保持为上限可导致“无解”或具有不满足需求的高惩罚的解。对于这种情形,约束值被调整成具有标称值与最大值之间的上限以便找到最优解。在以下部分讨论调整约束的方法。
从图2的优化求解模块获得具有当前约束值、即具有作为45MW的所有发电机上的上限的成本函数值。在约束分析模块(图3)的自适应约束评估模块中将这个成本函数用于查找等式1中的支配成本项和对成本函数起作用的支配变量。使用统计分析工具(诸如主分量分析(PCA))识别支配变量。例如,考虑所有发电机G1、G2和G3都具有45MW标称容量的情况。假设,G1具有所有三个中最低的操作成本,并且G2具有比G3更低的操作成本。根据预报模型,如果功率需求小于135MW,则优化器将选择运行所有三个发电机,小于或等于其标称值45MW以满足功率需求。但是如果电力需求是140MW,则一些发电机容量必须被放松并操作高达其最大容量50MW以满足电力需求。自适应约束评估模块利用电厂模型(如等式8中所给出的折旧成本与负载之间的关系)连同PCA技术以判定哪个发电机容量约束必须被放松到最大值50MW以便满足需求约束。这个分析被说成将成本项Cdem和识别为等式1中给出的成本函数中的支配成本项。此外,该分析被说成将发电机G1和G2的容量识别为支配变量,并且其上限容量约束值可有利地放松高达50MW。蒙特卡洛仿真可用于识别对应于给出最低成本函数值的支配变量(还考虑了统计置信极限)的新约束值。
对于该示例,在45MW与50MW之间改变用于发电机G1和G2的等式10中的容量约束的上限可导致发电机效率下降。仿真结果可用于判定给出最低成本函数值的45MW与50MW之间的最优值,并且还考虑发电机的EOH(等效操作小时)值。等式10中所给出的容量约束的上限基于分析结果而改变。使用等式1计算基于经调整约束的短期成本函数值(JST),其中等式10中的经调整约束值可能未考虑使用新的经调整约束值的结果,并且可能期望的是:将考虑长期效应的目标函数用于此类目的。
自适应惩罚模块利用需求预报和电厂模型来计算调整约束值的长期的惩罚(Penalty)值。这个惩罚值用作短期成本函数的附加项以计算长期成本函数值(JLT),如等式17所给出的。对于考虑的示例,JLT由等式18给出。
,
,
其中是在长时间范围(timehorizon)上用容量约束的经调整值操作发电机G1和G2时从等式8计算的折旧成本。短期成本函数的适用性或长期成本函数的适用性基于电厂的条件(例如需求预报和使用放松的约束),因此这基于预先配置的重要性值或由判定模块促进的用户干预被更好地判断。如果通过在其标称值以上操作发电机降低来自不满足需求的惩罚的益处相比与发电机折旧相关联的惩罚重大,则新的经调整约束值可仅用在优化解中。
虽然本文已经仅例证和描述了本发明的某些特征,但是本领域技术人员将想到许多修改和改变。因此,要理解到,所附的权利要求书意图含盖落入本发明真实精神内的所有这种修改和改变。
Claims (9)
1.一种用于利用电厂控制系统的优化器优化具有一个或多个发电单元的电厂的负载调度的方法,所述方法包括,所述电厂控制系统:
检测指示对于调整负载调度中使用的目标函数的一个或多个约束的需要的事件,所述指示事件是用所述目标函数求解的解不收敛的条件以及用来评估比具有现有约束的解更好的解的可能性的条件之一;
分析所述目标函数以确定用于调整的一个或多个约束并计算用于最优地求解所述目标函数的所述确定的一个或多个约束的自适应约束值;
使用所述确定的一个或多个约束的所述计算的自适应约束值来求解所述目标函数;以及
使用具有所述确定的一个或多个约束的所述计算的自适应约束值的所述目标函数的解来操作所述电厂的所述一个或多个发电单元,
其中用于分析所述目标函数的步骤包括在应用所述计算的自适应约束值之前确定由于使用所述计算的自适应约束值引起的对所述负载调度的长期效应和短期效应。
2.如权利要求1所述的方法,其中用于分析所述目标函数的步骤包括:
确定作为所述目标函数中支配项的一个或多个操控变量连同相应优先级;以及
为所述一个或多个操控变量确定所述一个或多个自适应约束值。
3.如权利要求2所述的方法,其中所述一个或多个自适应约束值被预先配置并具有预先指配的相关联优先级。
4.如权利要求2所述的方法,其中使用敏感度分析来估计所述一个或多个自适应约束值。
5.如权利要求2所述的方法,其中所述操控变量是至少一个灵活操控变量或紧密操控变量。
6.如权利要求5所述的方法,其中用于分析所述目标函数的步骤还包括:
基于所述灵活操控变量和紧密操控变量确定一个或多个自适应约束来放松和/或加紧;以及
为所确定的一个或多个自适应约束估计自适应约束值。
7.如权利要求1所述的方法,其中通过如下方式来确定长期效应:将所述目标函数修改成包含补偿项以补偿通过使用具有所述一个或多个经调整约束值的所述目标函数的所述解对所述电厂的所述长期效应。
8.如权利要求1所述的方法,其中用来评估比具有现有约束的解更好的解的可能性的条件的所述指示事件是以预先编程的方式周期性地确定的。
9.一种具有用于优化用于具有一个或多个发电单元的电厂的负载调度的优化器的控制系统,所述优化器包括:
-自适应约束评估模块,用于检测指示对于调整负载调度中使用的目标函数的一个或多个约束的需要的事件;用于分析所述目标函数以确定用于最优地求解所述目标函数的所述一个或多个约束的自适应约束值;以及用于使用一个或多个约束的所述自适应约束值来求解所述目标函数;
其中所述优化器使用具有所述一个或多个自适应约束值的所述目标函数的所述解来生成用于操作一个或多个发电单元的设置点,
-自适应惩罚模块,计算对应于在长期负载调度中使用所述一个或多个自适应约束值的效应的补偿项;以及
-判定模块,基于由于使用自适应约束值引起的对所述电厂的长期效应和短期效应来选择所述自适应约束值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN3246/CHE/2009 | 2009-12-31 | ||
IN3246CH2009 | 2009-12-31 | ||
PCT/IB2010/001103 WO2011080547A1 (en) | 2009-12-31 | 2010-05-13 | Process optimization method and system for a power plant |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102884484A CN102884484A (zh) | 2013-01-16 |
CN102884484B true CN102884484B (zh) | 2016-06-01 |
Family
ID=42985551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080064995.8A Active CN102884484B (zh) | 2009-12-31 | 2010-05-13 | 用于电厂的过程优化方法和系统 |
Country Status (10)
Country | Link |
---|---|
US (1) | US10591875B2 (zh) |
EP (1) | EP2519862B1 (zh) |
JP (1) | JP5602878B2 (zh) |
KR (1) | KR101774205B1 (zh) |
CN (1) | CN102884484B (zh) |
AU (1) | AU2010337990B2 (zh) |
CA (1) | CA2785748C (zh) |
RU (1) | RU2533054C2 (zh) |
WO (1) | WO2011080547A1 (zh) |
ZA (1) | ZA201302263B (zh) |
Families Citing this family (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8880202B2 (en) * | 2010-07-09 | 2014-11-04 | Emerson Process Management Power & Water Solutions, Inc. | Optimization system using an iteratively coupled expert engine |
US9335748B2 (en) | 2010-07-09 | 2016-05-10 | Emerson Process Management Power & Water Solutions, Inc. | Energy management system |
WO2012024692A2 (en) | 2010-08-20 | 2012-02-23 | Federspiel Clifford C | Energy-optimal control decisions for hvac systems |
US8781660B2 (en) * | 2012-04-11 | 2014-07-15 | GM Global Technology Operations LLC | Tiered, subtractive method to solve a linear constraint function associated with controlling a hybrid powertrain system |
US20140142766A1 (en) * | 2012-11-20 | 2014-05-22 | General Electric Company | Methods and systems to improve power plant performance by corrective set points |
EP2971699B8 (en) | 2013-03-15 | 2020-01-15 | Rolls-Royce Corporation | Lifing and performance optimization limit management for turbine engine |
US9957843B2 (en) | 2013-12-31 | 2018-05-01 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US20150184549A1 (en) | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US10101731B2 (en) | 2014-05-01 | 2018-10-16 | Johnson Controls Technology Company | Low level central plant optimization |
WO2015171624A1 (en) | 2014-05-05 | 2015-11-12 | Vigilent Corporation | Point-based risk score for managing environmental systems |
JP6188653B2 (ja) * | 2014-08-08 | 2017-08-30 | 三菱電機株式会社 | エネルギー供給システムの管理・制御支援システム |
US9771875B2 (en) * | 2014-11-18 | 2017-09-26 | General Electric Company | Application of probabilistic control in gas turbine tuning, related control systems, computer program products and methods |
US9803561B2 (en) | 2014-11-18 | 2017-10-31 | General Electric Company | Power output and emissions based degraded gas turbine tuning and control systems, computer program products and related methods |
US9771877B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Company | Power output and fuel flow based probabilistic control in part load gas turbine tuning, related control systems, computer program products and methods |
US9771876B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Compnay | Application of probabilistic control in gas turbine tuning with measurement error, related control systems, computer program products and methods |
US9784183B2 (en) | 2014-11-18 | 2017-10-10 | General Electric Company | Power outlet, emissions, fuel flow and water flow based probabilistic control in liquid-fueled gas turbine tuning, related control systems, computer program products and methods |
US9771874B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Company | Power output and fuel flow based probabilistic control in gas turbine tuning, related control systems, computer program products and methods |
JP6816949B2 (ja) * | 2014-11-26 | 2021-01-20 | ゼネラル・エレクトリック・カンパニイ | 発電プラント発電ユニットの制御を強化するための方法 |
JP6453073B2 (ja) * | 2014-12-24 | 2019-01-16 | 株式会社日立製作所 | データ入力支援装置及びデータ入力支援方法 |
WO2016108893A1 (en) * | 2014-12-31 | 2016-07-07 | Halliburton Energy Services, Inc. | Optimizing completion operations |
WO2016108891A1 (en) * | 2014-12-31 | 2016-07-07 | Halliburton Energy Services, Inc. | Optimizing running operations |
WO2016108883A1 (en) * | 2014-12-31 | 2016-07-07 | Halliburton Energy Services, Inc. | Optimizing stimulation and fluid management operations |
US9909507B2 (en) | 2015-01-27 | 2018-03-06 | General Electric Company | Control system for can-to-can variation in combustor system and related method |
JP6522445B2 (ja) | 2015-06-30 | 2019-05-29 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置 |
US9856796B2 (en) | 2015-12-07 | 2018-01-02 | General Electric Company | Application of probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9882454B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9879612B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9856797B2 (en) | 2015-12-16 | 2018-01-02 | General Electric Company | Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9879614B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Machine-specific combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9879615B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Machine-specific probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
US9797315B2 (en) | 2015-12-16 | 2017-10-24 | General Electric Company | Probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
US9879613B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9790865B2 (en) | 2015-12-16 | 2017-10-17 | General Electric Company | Modelling probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
US10359748B2 (en) * | 2017-02-07 | 2019-07-23 | Johnson Controls Technology Company | Building energy cost optimization system with asset sizing |
US11010846B2 (en) | 2017-01-12 | 2021-05-18 | Johnson Controls Technology Company | Building energy storage system with multiple demand charge cost optimization |
US10324483B2 (en) | 2017-01-12 | 2019-06-18 | Johnson Controls Technology Company | Building energy storage system with peak load contribution cost optimization |
US11061424B2 (en) | 2017-01-12 | 2021-07-13 | Johnson Controls Technology Company | Building energy storage system with peak load contribution and stochastic cost optimization |
US11238547B2 (en) | 2017-01-12 | 2022-02-01 | Johnson Controls Tyco IP Holdings LLP | Building energy cost optimization system with asset sizing |
US10282796B2 (en) | 2017-01-12 | 2019-05-07 | Johnson Controls Technology Company | Building energy storage system with multiple demand charge cost optimization |
US10949777B2 (en) | 2017-06-07 | 2021-03-16 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (ELDR) optimization |
US11900287B2 (en) | 2017-05-25 | 2024-02-13 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with budgetary constraints |
US11847617B2 (en) | 2017-02-07 | 2023-12-19 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with financial analysis functionality |
US11374409B2 (en) | 2017-04-03 | 2022-06-28 | Savant Technologies Llc | Power system load flexibility forecasting |
US11409274B2 (en) | 2017-05-25 | 2022-08-09 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system for performing maintenance as soon as economically viable |
JP7184797B2 (ja) | 2017-05-25 | 2022-12-06 | ジョンソン コントロールズ テクノロジー カンパニー | ビルディング機器用のモデル予測的メンテナンスシステム |
US11120411B2 (en) | 2017-05-25 | 2021-09-14 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with incentive incorporation |
US11636429B2 (en) | 2017-05-25 | 2023-04-25 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance systems and methods with automatic parts resupply |
US11416955B2 (en) | 2017-05-25 | 2022-08-16 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with integrated measurement and verification functionality |
US11747800B2 (en) | 2017-05-25 | 2023-09-05 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with automatic service work order generation |
US10284860B1 (en) * | 2018-07-02 | 2019-05-07 | Tencent America LLC | Method and apparatus for video coding |
CN109584099B (zh) * | 2018-10-24 | 2021-08-31 | 华中科技大学 | 电网调峰的水电站短期多目标发电计划编制方法及系统 |
US10758660B2 (en) * | 2018-12-21 | 2020-09-01 | Fresenius Medical Care Holdings, Inc. | Dialysis system with artificial intelligence |
US11281198B2 (en) * | 2019-05-31 | 2022-03-22 | Johnson Controls Tyco IP Holdings LLP | Central plant optimization with optimization modification |
US11480360B2 (en) | 2019-08-06 | 2022-10-25 | Johnson Controls Tyco IP Holdings LLP | Building HVAC system with modular cascaded model |
CN110866632B (zh) * | 2019-10-17 | 2022-05-06 | 杭州电子科技大学 | 一种发电机机组优化的方法 |
CN111476475B (zh) * | 2020-04-01 | 2023-10-13 | 贵州黔源电力股份有限公司 | 多约束条件下梯级水电站短期优化调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5640491A (en) * | 1992-09-14 | 1997-06-17 | Texaco, Inc. | Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process |
CN1497402A (zh) * | 2002-09-11 | 2004-05-19 | 费舍-柔斯芒特系统股份有限公司 | 过程控制系统优化程序中的约束和限制可行性处理 |
EP1420153A2 (en) * | 2002-11-13 | 2004-05-19 | General Electric Company | Adaptive model-based control systems for controlling a gas turbine |
CN1866140A (zh) * | 2005-02-10 | 2006-11-22 | 通用电气公司 | 优化联合循环/联合生产设备的方法和装置 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5873251A (en) * | 1995-09-13 | 1999-02-23 | Kabushiki Kaisha Toshiba | Plant operation control system |
WO2004084371A1 (ja) * | 1998-08-31 | 2004-09-30 | Kaoru Fujita | 発電プラントの最適化制御方法及び最適化制御装置 |
US6321207B1 (en) * | 1999-04-15 | 2001-11-20 | I2 Technologies Us, Inc. | System and method for optimizing the allocation of a resource |
RU2204438C1 (ru) * | 2001-09-14 | 2003-05-20 | Зобнин Борис Борисович | Устройство для автоматического управления процессом дробления материала |
US7474995B2 (en) * | 2002-05-03 | 2009-01-06 | Sungard Energy Systems Inc. | Valuing and optimizing scheduling of generation assets |
US7389209B2 (en) * | 2002-05-03 | 2008-06-17 | Sungard Energy Systems Inc. | Valuing and optimizing scheduling of generation assets for a group of facilities |
US7376472B2 (en) * | 2002-09-11 | 2008-05-20 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
US7219040B2 (en) * | 2002-11-05 | 2007-05-15 | General Electric Company | Method and system for model based control of heavy duty gas turbine |
BRPI0408107A (pt) * | 2003-03-05 | 2006-03-01 | Mohamed M El-Gasseir | projeto de segmentação de corrente contìnua orientado ao mercado de eletricidade e escalonamento ótimo |
US7305282B2 (en) * | 2003-05-13 | 2007-12-04 | Siemens Power Transmission & Distribution, Inc. | Very short term load prediction in an energy management system |
US7689323B2 (en) * | 2003-05-13 | 2010-03-30 | Siemens Aktiengesellschaft | Automatic generation control of a power distribution system |
JP4115958B2 (ja) * | 2004-03-26 | 2008-07-09 | 株式会社東芝 | プラントの運転スケジュール最適化方法および最適化システム |
US7117046B2 (en) * | 2004-08-27 | 2006-10-03 | Alstom Technology Ltd. | Cascaded control of an average value of a process parameter to a desired value |
US7463937B2 (en) * | 2005-11-10 | 2008-12-09 | William Joseph Korchinski | Method and apparatus for improving the accuracy of linear program based models |
WO2008011427A2 (en) * | 2006-07-17 | 2008-01-24 | Syntha Corporation | Calculating and predicting performance of power generating unit |
US8892264B2 (en) * | 2009-10-23 | 2014-11-18 | Viridity Energy, Inc. | Methods, apparatus and systems for managing energy assets |
WO2016108908A1 (en) * | 2014-12-31 | 2016-07-07 | Halliburton Energy Services, Inc. | Real-time control of drilling fluid properties using predictive models |
JP6522445B2 (ja) * | 2015-06-30 | 2019-05-29 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置 |
CN105302315A (zh) * | 2015-11-20 | 2016-02-03 | 小米科技有限责任公司 | 图片处理方法及装置 |
US20180373208A1 (en) * | 2015-12-25 | 2018-12-27 | Nec Corporation | Cost function design system, cost function design method, and cost function design program |
-
2010
- 2010-05-13 AU AU2010337990A patent/AU2010337990B2/en active Active
- 2010-05-13 CN CN201080064995.8A patent/CN102884484B/zh active Active
- 2010-05-13 EP EP10726200.8A patent/EP2519862B1/en active Active
- 2010-05-13 KR KR1020127020235A patent/KR101774205B1/ko active IP Right Grant
- 2010-05-13 WO PCT/IB2010/001103 patent/WO2011080547A1/en active Application Filing
- 2010-05-13 JP JP2012546511A patent/JP5602878B2/ja active Active
- 2010-05-13 RU RU2012132644/08A patent/RU2533054C2/ru active
- 2010-05-13 CA CA2785748A patent/CA2785748C/en active Active
-
2012
- 2012-07-02 US US13/540,075 patent/US10591875B2/en active Active
-
2013
- 2013-03-26 ZA ZA2013/02263A patent/ZA201302263B/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5640491A (en) * | 1992-09-14 | 1997-06-17 | Texaco, Inc. | Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process |
CN1497402A (zh) * | 2002-09-11 | 2004-05-19 | 费舍-柔斯芒特系统股份有限公司 | 过程控制系统优化程序中的约束和限制可行性处理 |
EP1420153A2 (en) * | 2002-11-13 | 2004-05-19 | General Electric Company | Adaptive model-based control systems for controlling a gas turbine |
CN1866140A (zh) * | 2005-02-10 | 2006-11-22 | 通用电气公司 | 优化联合循环/联合生产设备的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
ZA201302263B (en) | 2014-06-25 |
CN102884484A (zh) | 2013-01-16 |
WO2011080547A1 (en) | 2011-07-07 |
AU2010337990B2 (en) | 2014-03-06 |
US10591875B2 (en) | 2020-03-17 |
JP2013516670A (ja) | 2013-05-13 |
US20130006429A1 (en) | 2013-01-03 |
CA2785748C (en) | 2015-08-04 |
JP5602878B2 (ja) | 2014-10-08 |
KR101774205B1 (ko) | 2017-09-04 |
AU2010337990A1 (en) | 2012-07-19 |
CA2785748A1 (en) | 2011-07-07 |
EP2519862A1 (en) | 2012-11-07 |
RU2533054C2 (ru) | 2014-11-20 |
EP2519862B1 (en) | 2016-04-20 |
RU2012132644A (ru) | 2014-02-10 |
KR20120117846A (ko) | 2012-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102884484B (zh) | 用于电厂的过程优化方法和系统 | |
JP5996436B2 (ja) | 発電プラントの負荷をスケジューリングするための方法および制御システム | |
US11620545B2 (en) | Planning apparatus, method of generating operating plan, hydrogen production method, and computer readable storage medium | |
Lin et al. | A PSO approach for the integrated maintenance model | |
CN106462117A (zh) | 控制目标系统 | |
Grosso et al. | Economic MPC for the management of drinking water networks | |
Tan et al. | Assessing the sensitivity of water networks to noisy mass loads using Monte Carlo simulation | |
Mishra et al. | An opportunistic group maintenance model for the multi-unit series system employing Jaya algorithm | |
Li et al. | A closed-loop maintenance strategy for offshore wind farms: Incorporating dynamic wind farm states and uncertainty-awareness in decision-making | |
Fitzmaurice et al. | Effect of short-term risk-aversive dispatch on a complex system model for power systems | |
Mahadevan et al. | Preventive maintenance optimization of critical equipments in process plant using heuristic algorithms | |
JP2021068212A (ja) | 需要予測システム | |
CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
Gutschi et al. | A conceptual modeling framework for evaluating the performance of predictive maintenance for modern, real-world production systems using potentials and risks of Industry 4.0 | |
Nguyen et al. | Optimal scheduling of gas pipeline operation using genetic algorithms | |
Iakovou et al. | Throughput‐dependent periodic maintenance policiesfor general production units | |
KR20230119988A (ko) | 건물 에너지 제어 시스템 | |
Ropponen et al. | Multiobjective optimization of the pulp/water storage towers in design of paper production systems | |
CN117592678A (zh) | 一种基于用电去需求分析的综合能源调度方法及系统 | |
CN117990881A (zh) | 一种用于脱硫系统的瓦斯气总硫含量预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191128 Address after: Baden, Switzerland Patentee after: ABB Switzerland Co., Ltd. Address before: Zurich Patentee before: ABB Research Co., Ltd. |