CN105868867B - 一种供热锅炉集群优化运行方法 - Google Patents

一种供热锅炉集群优化运行方法 Download PDF

Info

Publication number
CN105868867B
CN105868867B CN201610262135.4A CN201610262135A CN105868867B CN 105868867 B CN105868867 B CN 105868867B CN 201610262135 A CN201610262135 A CN 201610262135A CN 105868867 B CN105868867 B CN 105868867B
Authority
CN
China
Prior art keywords
boiler
cluster
unit
load
heat
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
Application number
CN201610262135.4A
Other languages
English (en)
Other versions
CN105868867A (zh
Inventor
陈孝武
于春娣
钟崴
吴燕玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Industrial Technology Research Institute of Zhejiang University
Original Assignee
Changzhou Ying Ji Power Science And Technology Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Ying Ji Power Science And Technology Ltd filed Critical Changzhou Ying Ji Power Science And Technology Ltd
Priority to CN201610262135.4A priority Critical patent/CN105868867B/zh
Publication of CN105868867A publication Critical patent/CN105868867A/zh
Application granted granted Critical
Publication of CN105868867B publication Critical patent/CN105868867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y02P80/15—On-site combined power, heat or cool generation or distribution, e.g. combined heat and power [CHP] supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)

Abstract

本发明涉及一种供热锅炉集群优化运行方法及系统，本供热锅炉集群优化运行方法包括：步骤S1，建立锅炉集群中各锅炉的特性模型；以及步骤S2，计算锅炉集群的负荷分配；本发明的供热锅炉集群优化运行方法及系统采用模糊聚类(FCM)数据分析方法，对每台锅炉的大量历史数据进行分析，获得不同锅炉在负荷和运行条件不同的条件下，燃料的消耗和污染物排放特性，从而建立了锅炉特性的模型；然后利用非支配排序遗传算法(NSGA)求解热源厂锅炉组合多目标优化问题，优化了热水生产负荷分配，降低燃料消耗和污染物的排放。

Description

一种供热锅炉集群优化运行方法
技术领域
本发明属于供暖供热领域,具体涉及一种供热锅炉集群优化运行方法及系统。
背景技术
在集中供热领域，通常热源厂中有多台热电联产锅炉、尖峰热水锅炉联合运行完成热水的生产，锅炉属于大型热工设备，由于制造、安装、运行等条件不同，各台锅炉的实际运行性能存在一定量的差异，即每台锅炉生产单位热量的造成的燃料消耗和污染物的排放量不同，在总的热水温度和流量需求一定的条件下，目前热源厂生产管理凭经验来进行负荷分配，对于整体锅炉集群运行难以达到最优。如何通过热水锅炉组合优化，分配热水生产任务，降低燃料消耗和污染物的排放是需要研究的问题。
发明内容
本发明的目的是提供一种供热锅炉集群优化运行方法及系统，以解决对热水生产负荷分配进行优化，降低燃料消耗和污染物的排放的技术问题。
为了解决上述技术问题，本发明提供了一种供热锅炉集群优化运行方法，其特征在于，包括如下步骤：
步骤S1，建立锅炉集群中各锅炉的特性模型；以及
步骤S2，计算锅炉集群的负荷分配。
进一步，所述步骤S1中建立锅炉集群中各锅炉的特性模型，即
采用模糊聚类算法建立各锅炉的特性模型，以及
根据所述特性模型获得锅炉运行的特性函数；
所述特性函数即描述锅炉在相应负荷率、给水温度和给水流量的条件下，生产单位热量所对应的锅炉燃料消耗量和污染物排放量的函数关系。
进一步，采用模糊聚类算法建立各锅炉的特性模型的方法包括如下步骤：
步骤S11，采集建立特性模型所需的历史运行的样本数据；
所述样本数据包括：
GenPer：锅炉负荷率，单位％；
WaterinT：锅炉给水温度，单位℃；
Mflow：锅炉给水流量，单位t/h；
CostOne：生产单位热量所对应的燃料消耗量，单位GJ/GJ；
EM_NOx：生产单位热量所产生的NOx污染物排放量，单位kg/GJ；
EM_SO2：生产单位热量所产生的SO2污染物排放量，单位kg/GJ。
步骤S12，基于历史运行样本数据，采用模糊聚类算法获得样本数据的聚类中心，且对聚类中心数据进行插值，以获得锅炉运行的特性函数。
进一步，采用模糊聚类算法获得样本的聚类中心，且对聚类中心数据进行插值再处理，获得锅炉运行的特性函数的方法包括如下步骤：
步骤S121，初始化：给定聚类类别数c，权值因子m，设定迭代停止阈值ε，设置迭代计数次数k，初始化聚类原型V(k)，且k＝0；
模糊聚类算法描述如下：
模糊聚类算法的最小化目标函数：
使得
uij∈[0,1]，1≤j≤n，1≤i≤c；
式中：U＝[uij]是一个c×n的模糊划分矩阵，c为给定聚类类别数，权值因子m(m＞1，且一般取值为2)，uij为第j个样本到第i个聚类中心的隶属度，dij＝||xj-vi||是样本xj和聚类中心vi的欧式空间距离；
xj＝(GenPer,WaterinT,Mflow,CostOne,EM_NOx,EM_SO2)
步骤S122，根据下式更新模糊划分矩阵U(k+1)：
若对于任意j,r，j为样本个数，r为公式中聚类中心的序号，drj(k)表示k次迭代获得的样本xj和聚类中心vr的欧式空间距离；若drj(k)＞0V(k)，则有
若对于任意j,r，使得drj＝0，则令：uij＝1且对i≠r，uij＝0；
步骤S123，根据U(k)，按照下式计算新的聚类中心V(k+1)：
步骤S124，判定阈值，比较V(k+1)和V(k)，若||V(k+1)-V(k)||＜ε，则停止迭代，否则令k＝k+1，转到步骤S122；
计算得到聚类中心V，输出聚类中心，获得锅炉的特性模型；
步骤S125，插值计算以获得锅炉运行的特性函数，即
在沿锅炉负荷率GenPer方向上每隔1％的地方进行插值，从而获得锅炉运行的特性函数
(CostOne,EM_NOx,EM_SO2)＝FuncOne(GenPer,WaterinT,Mflow)。
进一步，所述步骤S2中计算锅炉集群的负荷分配的方法，即
采用非支配排序遗传算法计算锅炉集群的负荷分配。
进一步，采用非支配排序遗传算法计算锅炉集群的负荷分配的方法包括如下步骤：
步骤S21，建立锅炉集群优化运行的目标函数；以及
步骤S22，采用非支配排序遗传算法求解优化目标下的最优负荷分配。
进一步，所述步骤S21目标函数的优化目标包括：最小化生产单位热量的燃料消耗、最小化生产单位热量产生的污染物排放NOx、SO2；
对优化目标分别进行降维处理，即构建污染物排放综合指标：
Rex＝EM_NOx×γ1+EM_SO2×γ2
其中：Rex为污染物排放综合指标，γ1和γ2为权重系数，γ1+γ2＝1。
所建立的锅炉集群优化运行的目标函数如下：
(1)
(2)
约束条件如下：
(1)(CostOne,EM_NOx,EM_SO2)＝FuncOne(GenPer,WaterinT,Mflow)；
(2)Rex＝EM_NOx×γ1+EM_SO2×γ2；
(3)
(4)Dneed＝FuncH(Mneed,Tneed,Pneed)；
(5)
(6)
(7)PerMins＜GenPers＜PerMaxs；
(8)Runs＝0或1；
(9)DLoads＝GenPers×Dbmcrs；
(10)GenPers＝FuncH(Ms,Ts,Ps)/Dbmcrs；
(11)Tmin＜Ts＜Tmax；
(12)Mmin＜Mflows＜Mmax；
其中：
Mneed:热水流量需求，单位t/h；
Tneed:热水温度需求，单位℃；
Dneed:需求热量，根据温度和流量计算，为热水的总焓值，GJ/h；
FuncOne:CostOne，EM_NOx，EM_SO2随锅炉负荷率，给水温度，给水流量变化的特性函数；
FuncH：根据流量，温度，压力求焓值，根据水和水蒸气性质计算；
WaterinT：锅炉给水温度，单位℃；
Mflows：第s台锅炉的给水流量，单位t/h；
DLoads：第s台锅炉出口的热量，单位GJ/h；
DbackLoad：备用热量，指的是在未来一段时间可能需要增加的量，单位GJ/h；
Tmax:热水锅炉热水最高温度，单位℃；
Tmin:热水锅炉热水最低温度，单位℃；
Mmax:热水锅炉热水最高流量，单位t/h；
Mmin:热水锅炉热水最低流量，单位t/h；
Pneed:热水出口的压力，单位Mpa，取锅炉额定压力；
Ms：各台锅炉的热水流量，单位t/h；
Ts：各台锅炉的热水温度，单位℃；
PS：各台锅炉的热水压力，单位Mpa；
Dbmcrs：第s台锅炉的最大生产热量，单位GJ/h；
GenPers：第s台锅炉的负荷率；
PerMaxs：第s台锅炉的最大负荷率；
PerMins：第s台锅炉的最小负荷率；
Runs：第s台锅炉是否启用，启用为1，停止使用为0；
Rex：污染物排放综合指标；
γ1：污染物排放权重系数一；
γ2：污染物排放权重系数二；
α1：流量控制下限参数；
α2：流量控制上限参数；
ε1：热量余量控制下限参数；
ε2：热量余量控制上限参数。
进一步，所述步骤S22中采用非支配排序遗传算法求解优化目标下的最优负荷分配的方法包括如下步骤：
步骤S221，初始化父代种群，采用实数编码产生表示各台锅炉负荷率、供水温度和供水流量的群体；
步骤S222，计算种群中个体目标值并进行非支配排序；
步骤S223，通过遗传算法的选择、交叉、变异得到第一代子代种群；
步骤S224，从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算；
步骤S225，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群，回到步骤S222；直至通过非支配排序遗传算法得到Pareto最优解集，即获得负荷分配的最优值。
又一方面，本发明提供了一种供热锅炉集群优化系统，包括：
建模单元，建立锅炉集群中各锅炉的特性模型；
与建模单元相连的负荷分配单元，该负荷分配单元用于计算锅炉集群的负荷分配。
本发明的有益效果是，本发明的供热锅炉集群优化运行方法及系统采用模糊聚类(FCM)数据分析方法，对每台锅炉的大量历史数据进行分析，获得不同锅炉在负荷和运行条件不同的条件下，燃料的消耗和污染物排放特性，从而建立了锅炉特性的模型；然后利用非支配排序遗传算法(NSGA)求解热源厂锅炉组合多目标优化问题，优化了热水生产负荷分配，降低燃料消耗和污染物的排放。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明一种供热锅炉集群优化运行方法的流程图；
图2是本发明中采用非支配排序遗传算法求解优化目标下的最优负荷分配的方法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
实施例1
如图1所示，本发明的一种供热锅炉集群优化运行方法，包括如下步骤：
步骤S1，建立锅炉集群中各锅炉的特性模型；以及步骤S2，计算锅炉集群的负荷分配。
所述步骤S1中建立锅炉集群中各锅炉的特性模型，即采用模糊聚类算法建立各锅炉的特性模型，以及根据所述特性模型获得锅炉运行的特性函数FuncOne()；所述特性函数即描述锅炉在相应负荷率、给水温度和给水流量的条件下，生产单位热量所对应的锅炉燃料消耗量和污染物排放量的函数关系。
采用模糊聚类算法建立各锅炉的特性模型的方法包括如下步骤：
步骤S11，采集建立特性模型所需的历史运行的样本数据；
所述样本数据包括：
GenPer：锅炉负荷率，单位％；
WaterinT：锅炉给水温度，单位℃；
Mflow：锅炉给水流量，单位t/h；
CostOne：生产单位热量所对应的燃料消耗量，单位GJ/GJ；
EM_NOx：生产单位热量所产生的NOx污染物排放量，单位kg/GJ；
EM_SO2：生产单位热量所产生的SO2污染物排放量，单位kg/GJ。
步骤S12，基于历史运行样本数据，采用模糊聚类算法获得样本数据的聚类中心，且对聚类中心数据进行插值，以获得锅炉运行的特性函数。
模糊聚类算法求解样本聚类中心的问题表述如下：
设锅炉样本数据集合n为样本个数，xj是特征空间Rs的一个有限数据集合，s＝6，
xj＝(GenPer,WaterinT,Mflow,CostOne,EM_NOx,EM_SO2)，把集合划分为c类，其中2≤c≤n。
采用模糊聚类算法获得样本的聚类中心，且对聚类中心数据进行插值再处理，获得锅炉运行的特性函数的方法包括如下步骤：
步骤S121，初始化：给定聚类类别数c，权值因子m，设定迭代停止阈值ε且该阈值ε的取值范围为0.001至0.01，设置迭代计数次数k，初始化聚类原型V(k)，且k＝0；
模糊聚类算法描述如下：
模糊聚类算法的最小化目标函数：
使得
uij∈[0,1]，1≤j≤n，1≤i≤c；
式中：U＝[uij]是一个c×n的模糊划分矩阵，c为给定聚类类别数，即V＝{vi,v2…vc}且s×c的矩阵，权值因子m，uij为第j个样本到第i个聚类中心的隶属度，dij＝||xj-vi||是样本xj和聚类中心vi的欧式空间距离；
xj＝(GenPer,WaterinT,Mflow,CostOne,EM_NOx,EM_SO2)
步骤S122，根据V(k)，根据下式更新模糊划分矩阵U(k+1)：
若对于任意j,r，j为样本个数，r为公式中聚类中心的序号，drj(k)表示k次迭代获得的样本xj和聚类中心vr的欧式空间距离；若drj(k)＞0，则有
若对于任意j,r，使得drj＝0，则令：uij＝1且对i≠r，uij＝0；
步骤S123，根据U(k)，按照下式计算新的聚类中心V(k+1)：
步骤S124，判定阈值，比较V(k+1)和V(k)，若||V(k+1)-V(k)||＜ε，则停止迭代，否则令k＝k+1，转到步骤S122；
计算得到聚类中心V，输出聚类中心，获得锅炉的特性模型；
步骤S125，插值计算以获得锅炉运行的特性函数，即
为平滑数据，获取锅炉在不同负荷率下的运行特性，在沿锅炉负荷率GenPer方向上每隔1％的地方进行插值，从而获得锅炉运行的特性函数(CostOne,EM_NOx,EM_SO2)＝FuncOne(GenPer,WaterinT,Mflow)。
所述步骤S2中计算锅炉集群的负荷分配的方法，即采用非支配排序遗传算法计算锅炉集群的负荷分配。
具体的，采用非支配排序遗传算法计算锅炉集群的负荷分配的方法包括如下步骤：步骤S21，建立锅炉集群优化运行的目标函数；以及步骤S22，采用非支配排序遗传算法求解优化目标下的最优负荷分配。
所述步骤S21目标函数的优化目标包括：最小化生产单位热量的燃料消耗、最小化生产单位热量产生的污染物排放NOx、SO2；
为提高寻优速度，对优化目标分别进行降维处理，即构建污染物排放综合指标：
Rex＝EM_NOx×γ1+EM_SO2×γ2；
其中：Rex为污染物排放综合指标，γ1和γ2为是污染物排放权重系数，γ1+γ2＝1。
所建立的锅炉集群优化运行的目标函数如下：
(1)
(2)
约束条件如下：
(1)
(CostOne,EM_NOx,EM_SO2)＝FuncOne(GenPer,WaterinT,Mflow)；
(2)Rex＝EM_NOx×γ1+EM_SO2×γ2；
(3)
(4)Dneed＝FuncH(Mneed,Tneed,Pneed)；
(5)
(6)
(7)PerMins＜GenPers＜PerMaxs；
(8)Runs＝0或1；
(9)DLoads＝GenPers×Dbmcrs；
(10)GenPers＝FuncH(Ms,Ts,Ps)/Dbmcrs；
(11)Tmin＜Ts＜Tmax；
(12)Mmin＜Mflows＜Mmax；
其中：
Mneed:热水流量需求，单位t/h；
Tneed:热水温度需求，单位℃；
Dneed:需求热量，根据温度和流量计算，为热水的总焓值，GJ/h；
FuncOne:CostOne，EM_NOx，EM_SO2随锅炉负荷率，给水温度，给水流量变化的特性函数；
FuncH：根据流量，温度，压力求焓值，根据水和水蒸气性质计算；
WaterinT：锅炉给水温度，单位℃；
Mflows：第s台锅炉的给水流量，单位t/h；
DLoads：第s台锅炉出口的热量，单位GJ/h；
DbackLoad:备用热量，指的是在未来一段时间可能需要增加的量，单位GJ/h；
Tmax:热水锅炉热水最高温度，单位℃；
Tmin:热水锅炉热水最低温度，单位℃；
Mmax:热水锅炉热水最高流量，单位t/h；
Mmin:热水锅炉热水最低流量，单位t/h；
Pneed:热水出口的压力，单位Mpa，取锅炉额定压力；
Ms：各台锅炉的热水流量，单位t/h；
Ts：各台锅炉的热水温度，单位℃；
PS:各台锅炉的热水压力，单位Mpa；
Dbmcrs：第s台锅炉的最大生产热量，单位GJ/h；
GenPers：第s台锅炉的负荷率；
PerMaxs：第s台锅炉的最大负荷率；
PerMins：第s台锅炉的最小负荷率；
Runs：第s台锅炉是否启用，启用为1，停止使用为0；
Rex：污染物排放综合指标；
γ1：污染物排放权重系数一；
γ2：污染物排放权重系数二；
α1：流量控制下限参数；
α2：流量控制上限参数；
ε1：热量余量控制下限参数；
ε2：热量余量控制上限参数。
所述步骤S22中采用非支配排序遗传算法求解优化目标下的最优负荷分配的方法包括如下步骤：
步骤S221，初始化父代种群P0，令t＝0。采用实数编码产生表示各台锅炉负荷率、供水温度和供水流量的群体；
步骤S222，判断t是否大于tmax，若是，停止迭代；若否，计算种群Pt中个体目标值并进行非支配排序；tmax为最大进化代数；
步骤S223，通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群Qt；
步骤S224，从第二代开始，将父代种群与子代种群合并Rt＝Pt∪Qt，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算；
步骤S225，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群Pt+1，回到步骤S222；直至通过非支配排序遗传算法得到Pareto最优解集，即是锅炉集群优化运行的负荷分配的最优值。
实施例2
本实施例2提供了一种供热锅炉集群优化系统，包括：
建模单元，建立锅炉集群中各锅炉的特性模型；
与建模单元相连的负荷分配单元，该负荷分配单元用于计算锅炉集群的负荷分配。
其中，建模单元和负荷分配单元的具体工作方法参见实施例1的相关论述。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.一种供热锅炉集群优化运行方法，其特征在于，包括如下步骤：
步骤S1，建立锅炉集群中各锅炉的特性模型；以及
步骤S2，计算锅炉集群的负荷分配；
所述步骤S1中建立锅炉集群中各锅炉的特性模型，即
采用模糊聚类算法建立各锅炉的特性模型，以及
根据所述特性模型获得锅炉运行的特性函数；
所述特性函数即描述锅炉在相应负荷率、给水温度和给水流量的条件下，生产单位热量所对应的锅炉燃料消耗量和污染物排放量的函数关系；
采用模糊聚类算法建立各锅炉的特性模型的方法包括如下步骤：
步骤S11，采集建立特性模型所需的历史运行的样本数据；
所述样本数据包括：
GenPer：锅炉负荷率，单位％；
WaterinT：锅炉给水温度，单位℃；
Mflow：锅炉给水流量，单位t/h；
CostOne：生产单位热量所对应的燃料消耗量，单位GJ/GJ；
EM_NOx：生产单位热量所产生的NOx污染物排放量，单位kg/GJ；
EM_SO2：生产单位热量所产生的SO2污染物排放量，单位kg/GJ；
步骤S12，基于历史运行样本数据，采用模糊聚类算法获得样本数据的聚类中心，且对聚类中心数据进行插值，以获得锅炉运行的特性函数；
采用模糊聚类算法获得样本数据的聚类中心，且对聚类中心数据进行插值再处理，获得锅炉运行的特性函数的方法包括如下步骤：
步骤S121，初始化：给定聚类类别数c，权值因子m，设定迭代停止阈值ε，设置迭代计数次数k，初始化聚类原型V(k)，且k＝0；
模糊聚类算法描述如下：
模糊聚类算法的最小化目标函数：
使得
uij∈[0,1]，1≤j≤n，1≤i≤c；
式中：U＝[uij]是一个c×n的模糊划分矩阵，c为给定聚类类别数，权值因子m，uij为第j个样本到第i个聚类中心的隶属度，dij＝||xj-vi||是样本xj和聚类中心vi的欧式空间距离；
xj＝(GenPer,WaterinT,Mflow,CostOne,EM_NOx,EM_SO2)
步骤S122，根据下式更新模糊划分矩阵U(k+1)：
若对于任意j,r，j为样本个数，r为公式中聚类中心的序号，drj(k)表示k次迭代获得的样本xj和聚类中心vr的欧式空间距离；若drj(k)＞0，则有
若对于任意j,r，使得drj＝0，则令：uij＝1且对i≠r，uij＝0；
步骤S123，根据U(k)，按照下式计算新的聚类中心V(k+1)：
步骤S124，判定阈值，比较V(k+1)和V(k)，若||V(k+1)-V(k)||＜ε，则停止迭代，否则令k＝k+1，转到步骤S122；
计算得到聚类中心V，输出聚类中心，获得锅炉的特性模型；
步骤S125，插值计算以获得锅炉运行的特性函数，即
在沿锅炉负荷率GenPer方向上每隔1％的地方进行插值，从而获得锅炉运行的特性函数
(CostOne,EM_NOx,EM_SO2)＝FuncOne(GenPer,WaterinT,Mflow)。
2.根据权利要求1所述的供热锅炉集群优化运行方法，其特征在于，所述步骤S2中计算锅炉集群的负荷分配的方法，即
采用非支配排序遗传算法计算锅炉集群的负荷分配。
3.根据权利要求2所述的供热锅炉集群优化运行方法，其特征在于，
采用非支配排序遗传算法计算锅炉集群的负荷分配的方法包括如下步骤：
步骤S21，建立锅炉集群优化运行的目标函数；以及
步骤S22，采用非支配排序遗传算法求解优化目标下的最优负荷分配。
4.根据权利要求3所述的供热锅炉集群优化运行方法，其特征在于，
所述步骤S21目标函数的优化目标包括：最小化生产单位热量的燃料消耗、最小化生产单位热量产生的污染物排放NOx、SO2；
对优化目标分别进行降维处理，即构建污染物排放综合指标：
Rex＝EM_NOx×γ1+EM_SO2×γ2
其中：Rex为污染物排放综合指标，γ1和γ2为权重系数，γ1+γ2＝1；
所建立的锅炉集群优化运行的目标函数如下：
(1)
(2)
约束条件如下：
(1)(CostOne,EM_NOx,EM_SO2)＝FuncOne(GenPer,WaterinT,Mflow)；
(2)Rex＝EM_NOx×γ1+EM_SO2×γ2；
(3)
(4)Dneed＝FuncH(Mneed,Tneed,Pneed)；
(5)
(6)
(7)PerMins＜GenPers＜PerMaxs；
(8)Runs＝0或1；
(9)DLoads＝GenPers×Dbmcrs；
(10)GenPers＝FuncH(Ms,Ts,Ps)/Dbmcrs；
(11)Tmin＜Ts＜Tmax；
(12)Mmin＜Mflows＜Mmax；
其中：
Mneed:热水流量需求，单位t/h；
Tneed:热水温度需求，单位℃；
Dneed:需求热量，根据温度和流量计算，为热水的总焓值，GJ/h；
FuncOne:CostOne，EM_NOx，EM_SO2随锅炉负荷率，给水温度，给水流量变化的特性函数；
FuncH：根据流量，温度，压力求焓值，根据水和水蒸气性质计算；
WaterinT：锅炉给水温度，单位℃；
Mflows：第s台锅炉的给水流量，单位t/h；
DLoads：第s台锅炉出口的热量，单位GJ/h；
DbackLoad：备用热量，指的是在未来一段时间可能需要增加的量，单位GJ/h；
Tmax:热水锅炉热水最高温度，单位℃；
Tmin:热水锅炉热水最低温度，单位℃；
Mmax:热水锅炉热水最高流量，单位t/h；
Mmin:热水锅炉热水最低流量，单位t/h；
Pneed:热水出口的压力，单位Mpa，取锅炉额定压力；
Ms：各台锅炉的热水流量，单位t/h；
Ts：各台锅炉的热水温度，单位℃；
PS：各台锅炉的热水压力，单位Mpa；
Dbmcrs：第s台锅炉的最大生产热量，单位GJ/h；
GenPers：第s台锅炉的负荷率；
PerMaxs：第s台锅炉的最大负荷率；
PerMins：第s台锅炉的最小负荷率；
Runs：第s台锅炉是否启用，启用为1，停止使用为0；
Rex：污染物排放综合指标；
γ1：污染物排放权重系数一；
γ2：污染物排放权重系数二；
α1：流量控制下限参数；
α2：流量控制上限参数；
ε1：热量余量控制下限参数；
ε2：热量余量控制上限参数。
5.根据权利要求4所述的供热锅炉集群优化运行方法，其特征在于，所述步骤S22中采用非支配排序遗传算法求解优化目标下的最优负荷分配的方法包括如下步骤：
步骤S221，初始化父代种群，采用实数编码产生表示各台锅炉负荷率、供水温度和供水流量的群体；
步骤S222，计算种群中个体目标值并进行非支配排序；
步骤S223，通过遗传算法的选择、交叉、变异得到第一代子代种群；
步骤S224，从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算；
步骤S225，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群，回到步骤S222；直至通过非支配排序遗传算法得到Pareto最优解集，即获得负荷分配的最优值。
CN201610262135.4A 2016-04-25 2016-04-25 一种供热锅炉集群优化运行方法 Active CN105868867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610262135.4A CN105868867B (zh) 2016-04-25 2016-04-25 一种供热锅炉集群优化运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610262135.4A CN105868867B (zh) 2016-04-25 2016-04-25 一种供热锅炉集群优化运行方法

Publications (2)

Publication Number Publication Date
CN105868867A CN105868867A (zh) 2016-08-17
CN105868867B true CN105868867B (zh) 2019-11-05

Family

ID=56629060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610262135.4A Active CN105868867B (zh) 2016-04-25 2016-04-25 一种供热锅炉集群优化运行方法

Country Status (1)

Country Link
CN (1) CN105868867B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108613247B (zh) * 2018-04-02 2022-09-20 上海航天智慧能源技术有限公司 一种汽水两用燃气锅炉组的热负荷分配方法
CN109708086A (zh) * 2018-12-05 2019-05-03 新奥数能科技有限公司 一种优化泛能站中燃气锅炉调度的方法和装置
CN110276496B (zh) * 2019-06-27 2020-05-08 成都慧众云信息技术有限公司 基于云计算的燃气能耗数据处理方法、系统及燃气用具
CN111461388A (zh) * 2020-01-13 2020-07-28 杭州电子科技大学 一种基于燃煤锅炉超低排放系统的多目标优化方法
CN111639793A (zh) * 2020-05-13 2020-09-08 新奥数能科技有限公司 一种锅炉群组调度优化方法及装置
CN112364480B (zh) * 2020-10-09 2024-04-16 新奥数能科技有限公司 一种抑制锅炉群组在寻优算法下频繁起停的方法和装置
CN118011835B (zh) * 2024-04-08 2024-06-25 唐山阿诺达自动化有限公司 基于机器学习的高炉炼铁控制系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799778A (zh) * 2012-07-16 2012-11-28 杭州电子科技大学 一种优化锅炉负荷分配方法
CN103886512A (zh) * 2014-02-20 2014-06-25 东南大学 基于灰度聚类的火电机组经济指标评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799778A (zh) * 2012-07-16 2012-11-28 杭州电子科技大学 一种优化锅炉负荷分配方法
CN103886512A (zh) * 2014-02-20 2014-06-25 东南大学 基于灰度聚类的火电机组经济指标评价方法

Also Published As

Publication number Publication date
CN105868867A (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN105868867B (zh) 一种供热锅炉集群优化运行方法
Meng et al. Multi-objective hydropower station operation using an improved cuckoo search algorithm
Xu et al. Mid-term prediction of electrical energy consumption for crude oil pipelines using a hybrid algorithm of support vector machine and genetic algorithm
Wang et al. Stochastic combined heat and power dispatch based on multi-objective particle swarm optimization
Ooka et al. A review on optimization techniques for active thermal energy storage control
Yabanova et al. Development of ANN model for geothermal district heating system and a novel PID-based control strategy
CN106845012B (zh) 一种基于多目标密度聚类的高炉煤气系统模型隶属度函数确定方法
Sala-Cardoso et al. Predictive chiller operation: A data-driven loading and scheduling approach
CN109033511B (zh) 一种结合数据驱动与数据挖掘的水泥窑系统热耗分析方法
CN110264112A (zh) 基于双向加权灰色关联的配电网可靠性影响因素分析方法
CN101231720A (zh) 基于遗传算法的企业过程模型多目标参数优化方法
CN105447509A (zh) 一种光伏发电系统的短期功率预测方法
CN112668909B (zh) 基于遗传算法的水资源优化配置方法及系统
CN109507961A (zh) 一种半导体生产线动态负荷均衡投料控制方法
CN108898243A (zh) 一种电力系统输电网络安全性测试系统
CN108717584A (zh) 一种供水管网多目标分区方法
Zhang et al. Research on the combined prediction model of residential building energy consumption based on random forest and BP neural network
CN105808945B (zh) 一种混合智能锅炉效率燃烧优化方法
CN105240688B (zh) 环状蒸汽热网供汽品质在线优化调节方法及系统
CN110728031B (zh) 一种基于ann建模平衡复杂石化过程产能的多目标优化方法
Xing et al. Partiele Swarm Optimization Algorithm Based on Different Inertia Weights for Solving the P-Hub Allocation Problem
Le Quiniou et al. Optimization of drinking water and sewer hydraulic management: Coupling of a genetic algorithm and two network hydraulic tools
Jiang et al. Energy, economic, environmental and engineering quantity optimization of industrial energy recovery network
CN110033118A (zh) 弹性网络建模且基于遗传算法的风机多目标优化控制方法
CN115983492A (zh) 含氢多能源系统运行碳排放优化决策方法、系统及介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201116

Address after: 213022 Jiangsu city of Changzhou province Hehai new North Road No. 85

Patentee after: CHANGZHOU INDUSTRIAL TECHNOLOGY RESEARCH INSTITUTE OF ZHEJIANG University

Address before: 213022 Jiangsu city of Changzhou province Hehai new North Road No. 85

Patentee before: CHANGZHOU ENGIPOWER TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right