CN107292438B - 一种钢铁工业负荷功率特性建模方法 - Google Patents
一种钢铁工业负荷功率特性建模方法 Download PDFInfo
- Publication number
- CN107292438B CN107292438B CN201710477115.3A CN201710477115A CN107292438B CN 107292438 B CN107292438 B CN 107292438B CN 201710477115 A CN201710477115 A CN 201710477115A CN 107292438 B CN107292438 B CN 107292438B
- Authority
- CN
- China
- Prior art keywords
- power
- steel
- rolling
- electric arc
- arc furnace
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 238
- 239000010959 steel Substances 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 title claims abstract description 53
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims description 62
- 229910052742 iron Inorganic materials 0.000 title claims description 31
- 238000005096 rolling process Methods 0.000 claims abstract description 219
- 238000010891 electric arc Methods 0.000 claims abstract description 120
- 238000004519 manufacturing process Methods 0.000 claims abstract description 49
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Manufacture And Refinement Of Metals (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明属于电力系统运行与控制技术领域,公开了一种钢铁工业负荷功率特性建模方法,轧钢负荷功率特性建模包括:获取轧钢负荷信息;建立轧钢负荷功率基础模型;获取轧钢进入生产线的时序;建立轧钢功率序列。电弧炉负荷功率特性建模包括:获取电弧炉负荷信息;建立电弧炉负荷功率基础模型;获取电弧炉的启停时序;建立电弧炉功率序列。其他类负荷功率特征建模包括:获取其他类负荷的额定总功率;获取其他类负荷的功率波动参数;建立其他类负荷功率模型。本发明解决了现有技术中钢铁负荷的功率建模不能描述短时间内钢铁工业功率波动特征且建模所需数据量较大的问题,达到了能够高精度描述短时间内钢铁工业功率波动特性的技术效果。
Description
技术领域
本发明涉及电力系统运行与控制技术领域,尤其涉及一种钢铁工业负荷功率特性建模方法。
背景技术
钢铁工业负荷具有强烈的波动性,对电网影响十分严重,是电网频率的“污染源”之一,因此对钢铁工业负荷进行波形分析,挖掘其波动规律显得尤为重要。目前,钢铁负荷的功率建模按照用途及时间尺度可分钢铁厂负荷的静态建模方法和负荷预测建模方法。
静态建模方法将钢铁厂负荷等值为静态负荷模型、静态负荷和感应电动机负荷的组合模型;负荷预测建模方法将钢铁工业的负荷功率曲线看成一组时间序列,进行负荷预测建模,常见的方法有神经网络算法、灰色预测法、支持向量机算法等智能算法。
不论是静态建模方法还是负荷预测建模方法均存在种种不足,如静态建模方法仅能体现钢铁企业负荷对于电网电压、频率、功角波动时的响应情况,无法体现钢铁工业本身正常生产时的功率波动性;负荷预测建模方法基于大量历史数据对钢铁企业负荷进行功率预测,预测步长较长,只适用于电力调度时间尺度,无法描述短期内钢铁工业负荷的冲击性和周期性。
发明内容
本发明实施例通过提供一种钢铁工业负荷功率特性建模方法,解决了现有技术中钢铁负荷的功率建模不能描述短时间内钢铁工业功率波动特征且建模所需数据量较大的问题。
本发明实施例提供一种钢铁工业负荷功率特性建模方法,包括:
轧钢负荷功率特性建模、电弧炉负荷功率特性建模、其他类负荷功率特性建模;
其中,所述轧钢负荷功率特性建模包括如下步骤:
获取轧钢负荷信息;
建立轧钢负荷功率基础模型;
获取轧钢进入生产线的时序;
根据所述轧钢负荷功率基础模型和所述轧钢进入生产线的时序建立轧钢功率序列;
其中,所述电弧炉负荷功率特性建模包括如下步骤:
获取电弧炉负荷信息;
建立电弧炉负荷功率基础模型;
获取电弧炉的启停时序;
根据所述电弧炉负荷功率基础模型和所述电弧炉的启停时序建立电弧炉功率序列;
其中,所述其他类负荷功率特征建模包括如下步骤:
获取其他类负荷的额定总功率,所述其他类负荷指钢铁工业厂内除轧钢负荷和电弧炉负荷以外的负荷;
获取其他类负荷的功率波动参数;
根据所述其他类负荷的额定总功率和所述其他类负荷的功率波动参数建立其他类负荷功率模型。
优选的,所述轧钢负荷信息包括:钢坯进入轧机的时刻、钢坯通过轧机的时长、轧机的平均功率、粗轧机的台数、精轧机的台数、每台粗轧机的轧制道次、钢坯的块数。
优选的,一块钢坯通过一台轧机的功率函数如式(1)所示:
其中,t0表示钢坯进入轧机的时刻,Δt表示钢坯通过轧机的时长,a表示轧机在Δt时间内的平均功率;
所述轧机包括nrough台粗轧机和nfinish台精轧机;
第1块钢坯通过第i台ki道次的粗轧机完成粗轧工序的功率如式(2)所示:
第1块钢坯通过nrough台粗轧机完成整个粗轧工序的功率如式(3)所示:
第1块钢坯通过第i台精轧机完成精轧工序的功率如式(4)所示:
PF1i(t)=Proll(t,tFi,ΔtFi,aFi) (4)
第1块钢坯通过nfinish台精轧机完成整个精轧工序的功率如式(5)所示:
得到的PR1(t)和PF1(t)为所述轧钢负荷功率基础模型。
优选的,所述轧钢进入生产线的时序包括:第i块钢坯进入粗轧工序与第1块钢坯进入粗轧工序的时间间隔、第i块钢坯进入精轧工序与第1块钢坯进入精轧工序的时间间隔。
优选的,第i块钢坯完成整个粗轧工序的功率如式(6)所示:
PRi(t)=PR1(t-ΔTRi) (6)
其中,ΔTRi为第i块钢坯进入粗轧工序与第1块钢坯进入粗轧工序的时间间隔;
第i块钢坯完成整个精轧工序的功率如式(7)所示:
PFi(t)=PF1(t-ΔTFi) (7)
其中,ΔTFi为第i块钢坯进入精轧工序与第1块钢坯进入精轧工序的时间间隔;
nsteel块钢坯完成粗轧工序的功率如式(8)所示:
nsteel块钢坯完成精轧工序的功率如式(9)所示:
nsteel块钢坯完成单条轧钢生产线轧制工序的功率如式(10)所示:
得到的PRFtotal(t)即为所述轧钢功率序列。
优选的,所述电弧炉负荷信息包括:从电弧炉起弧时刻达到稳定额定功率时刻所需的时长Δtup、操作人员下令关停电弧炉到电弧炉功率为0所需的时长Δtdown、电弧炉运行时的额定功率Prated、电弧炉功率波动参数δmax;
所述电弧炉负荷功率基础模型如式(11)所示:
其中,δ(t)为(-δmax,+δmax)之间的随机值;
所述电弧炉的启停时序包括:电弧炉通电起弧时刻ton、电弧炉彻底断电时刻toff;
将所述电弧炉通电起弧时刻ton和所述电弧炉彻底断电时刻toff代入式(11)中,得到所述电弧炉功率序列。
优选的,所述电弧炉功率波动参数δmax设置为5%~20%。
优选的,所述其他类负荷功率模型如式(12)所示:
Pothers(t)=[1+δother(t)]Potherrated (12)
其中,Potherrated为其他类负荷的额定总功率,δothermax为其他类负荷的功率波动参数,δother(t)为(-δothermax,+δothermax)之间的随机值。
优选的,所述其他类负荷的功率波动参数δothermax设置为5%。
优选的,所述钢铁工业负荷功率特性建模方法还包括钢铁工业总功率特性建模,步骤如下:
获取轧钢生产线的数量和电弧炉的数量;
根据所述轧钢生产线的数量、所述电弧炉的数量、所述轧钢功率序列、所述电弧炉功率序列、所述其他类负荷功率模型建立所述钢铁工业总功率特性模型。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在本发明实施例中,获取轧钢负荷信息和电弧炉负荷信息,在理解钢铁企业生产原理的基础上,建立轧钢负荷功率基础模型和电弧炉负荷功率基础模型。轧钢负荷信息和电弧炉负荷信息可从PMU数据中辨识得出,相对于传统建模的参数获取,减少了建模的前期调研工作量。轧钢负荷功率基础模型及电弧炉负荷功率基础模型建立后,只需获得轧钢进入生产线的时序及电弧炉的启停时序,即可建立轧钢功率序列及电弧炉功率序列,无需再去钢铁企业调取PMU数据,相对于传统的PMU数据导入式建模方法,减少了建模所需的数据量。根据其他类负荷运行时波动较小的特征,建立其他类负荷功率模型。本发明在充分理解钢铁工业负荷控制原理的基础上建立钢铁工业负荷功率特性模型,相对于传统的建模方式,其物理含义更加明确,能够解释钢铁企业负荷功率的波动原因。本发明首次将钢铁工业的负荷波动与钢铁工业的生产过程控制相结合,通过轧钢负荷功率特性建模、电弧炉负荷功率特性建模、其他类负荷功率特性建模,进而建立钢铁工业总功率序列模型,能够高精度描述短时间内钢铁工业功率波动特性。
附图说明
为了更清楚地说明本实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,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类的附图。
图1为本发明提供的一种钢铁工业负荷功率特性建模方法的框架图。
图2为本发明结合轧钢工艺生产原理,用以解释轧钢生产线功率波动原因的示意图。
图3为本发明以单台轧钢机为例,建立的含模型参数的单台轧钢机功率特性图。
图4为本发明以单台电弧炉为例,建立的含模型参数的单台电弧炉功率特性图。
图5为本发明建立的国内某企业2150轧钢生产线功率模型与实测波形的对比图。
图6为本发明建立的国内某企业1580轧钢生产线功率模型与实测波形的对比图。
图7为本发明建立的国内某企业H型钢轧钢生产线功率模型与实测波形的对比图。
图8为本发明建立的国内某企业单台电弧炉功率模型与实测波形的对比图。
图9为本发明建立的某企业总功率模型与实测波形的对比图。
图10为本发明建立的某企业总功率模型时域误差图。
图11为本发明建立的某企业总功率模型时域误差分布图。
图12为本发明建立的某企业总功率模型频谱对比图。
具体实施方式
本发明实施例通过提供一种钢铁工业负荷功率特性建模方法,解决了现有技术中钢铁负荷的功率建模不能描述短时间内钢铁工业功率波动特征且建模所需数据量较大的问题。
本发明实施例的技术方案为解决上述技术问题,总体思路如下:
一种钢铁工业负荷功率特性建模方法,包括:
轧钢负荷功率特性建模、电弧炉负荷功率特性建模、其他类负荷功率特性建模;
其中,所述轧钢负荷功率特性建模包括如下步骤:
获取轧钢负荷信息;
建立轧钢负荷功率基础模型;
获取轧钢进入生产线的时序;
根据所述轧钢负荷功率基础模型和所述轧钢进入生产线的时序建立轧钢功率序列;
其中,所述电弧炉负荷功率特性建模包括如下步骤:
获取电弧炉负荷信息;
建立电弧炉负荷功率基础模型;
获取电弧炉的启停时序;
根据所述电弧炉负荷功率基础模型和所述电弧炉的启停时序建立电弧炉功率序列;
其中,所述其他类负荷功率特征建模包括如下步骤:
获取其他类负荷的额定总功率,所述其他类负荷指钢铁工业厂内除轧钢负荷和电弧炉负荷以外的负荷;
获取其他类负荷的功率波动参数;
根据所述其他类负荷的额定总功率和所述其他类负荷的功率波动参数建立其他类负荷功率模型。
本发明实施例获取轧钢负荷信息和电弧炉负荷信息,在理解钢铁企业生产原理的基础上,建立轧钢负荷功率基础模型和电弧炉负荷功率基础模型。轧钢负荷信息和电弧炉负荷信息可从PMU数据中辨识得出,相对于传统建模的参数获取,减少了建模的前期调研工作量。轧钢负荷功率基础模型及电弧炉负荷功率基础模型建立后,只需获得轧钢进入生产线的时序及电弧炉的启停时序,即可建立轧钢功率序列及电弧炉功率序列,无需再去钢铁企业调取PMU数据,相对于传统的PMU数据导入式建模方法,减少了建模所需的数据量。根据其他类负荷运行时波动较小的特征,建立其他类负荷功率模型。本发明在充分理解钢铁工业负荷控制原理的基础上建立钢铁工业负荷功率特性模型,相对于传统的建模方式,其物理含义更加明确,能够解释钢铁企业负荷功率的波动原因。本发明首次将钢铁工业的负荷波动与钢铁工业的生产过程控制相结合,通过轧钢负荷功率特性建模、电弧炉负荷功率特性建模、其他类负荷功率特性建模,进而建立钢铁工业总功率序列模型,能够高精度描述短时间内钢铁工业功率波动特性。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供了一种钢铁工业负荷功率特性建模方法,如图1所示,包括:轧钢负荷功率特性建模、电弧炉负荷功率特性建模、其他类负荷功率特性建模。
一、轧钢负荷功率特性建模
轧钢负荷属于电动机的一种,其任务是完成钢坯的塑形。当钢坯进入轧机时,轧机功率会急剧上升,当钢坯离开轧机时,轧机功率急剧下降。通常情况下,轧钢生产线轧机分为粗轧和精轧两类。粗轧机一般为可逆式轧制,钢坯通过奇数次来回轧后,最终通过单台粗轧机。精轧机通常连续排列,钢坯一次性通过精轧机送入下道工序,可以认为精轧机是轧制道次为1的粗轧机。图2所示的国内某钢企轧钢生产线工艺,钢坯通过R1粗轧后,在R2往复粗轧五次送入精轧区,再以一定速度通过F1~F7七台精轧机,至此一块钢坯完成一次轧钢过程。
所述轧钢负荷功率特性建模包括如下步骤:
步骤10:获取轧钢负荷信息。
所述轧钢负荷信息包括:钢坯进入轧机的时刻、钢坯通过轧机的时长、轧机的平均功率、粗轧机的台数、精轧机的台数、每台粗轧机的轧制道次、钢坯的块数。
步骤20:建立轧钢负荷功率基础模型。
为用解析表达式揭示轧钢负荷的功率波动规律,定义自变量为时间t的门型函数,其函数图形如图3所示。
一块钢坯通过一台轧机的功率函数如式(1)所示。
其中,t0表示钢坯进入轧机的时刻,Δt表示钢坯通过轧机的时长,a表示轧机在Δt时间内的平均功率。
将Δt和a合称为轧机的特性参数。每台轧机的特性参数皆不相同,但由于在轧钢过程中,每块钢坯在不同工序时的长度、厚度、传送速度有着严格的要求,因此在同一批产品的轧制过程中,所有钢坯经过同一轧机所耗的时长Δt以及平均功率a可以近似认为是常数。
现考虑有nsteel块钢坯,nrough台粗轧机,nfinish台精轧机,其中第i台粗轧机的轧制道次为ki,对整个轧钢过程所产生的功率波形进行解析描述。
第1块钢坯通过第i台ki道次的粗轧机完成粗轧工序的功率如式(2)所示:
第1块钢坯通过nrough台粗轧机完成整个粗轧工序的功率如式(3)所示:
同理可得,第1块钢坯通过第i台精轧机完成精轧工序的功率如式(4)所示:
PF1i(t)=Proll(t,tFi,ΔtFi,aFi) (4)
第1块钢坯通过nfinish台精轧机完成整个精轧工序的功率如式(5)所示:
得到的PR1(t)和PF1(t)为所述轧钢负荷功率基础模型。
步骤30:获取轧钢进入生产线的时序。
所述轧钢进入生产线的时序包括:第i块钢坯进入粗轧工序与第1块钢坯进入粗轧工序的时间间隔、第i块钢坯进入精轧工序与第1块钢坯进入精轧工序的时间间隔。
步骤40:根据所述轧钢负荷功率基础模型和所述轧钢进入生产线的时序建立轧钢功率序列。
第i块钢坯完成整个粗轧工序的功率如式(6)所示:
PRi(t)=PR1(t-ΔTRi) (6)
其中,ΔTRi为第i块钢坯进入粗轧工序与第1块钢坯进入粗轧工序的时间间隔;
第i块钢坯完成整个精轧工序的功率如式(7)所示:
PFi(t)=PF1(t-ΔTFi) (7)
其中,ΔTFi为第i块钢坯进入精轧工序与第1块钢坯进入精轧工序的时间间隔;
nsteel块钢坯完成粗轧工序的功率如式(8)所示:
nsteel块钢坯完成精轧工序的功率如式(9)所示:
nsteel块钢坯完成单条轧钢生产线轧制工序的功率如式(10)所示:
得到的PRFtotal(t)即为所述轧钢功率序列。
式(10)表明,在某型号轧钢产品生产过程中,只要得知第1块钢坯在整个过程中的粗轧功率、精轧功率和每块钢坯进入粗轧工序和精轧工序的时间间隔序列,则可以模拟出整条轧钢生产线在某段时间内的功率。
二、电弧炉负荷功率特性建模
所述电弧炉负荷功率特性建模包括如下步骤:
步骤10:获取电弧炉负荷信息。
所述电弧炉负荷信息包括:从电弧炉起弧时刻达到稳定额定功率时刻所需的时长Δtup、操作人员下令关停电弧炉到电弧炉功率为0所需的时长Δtdown、电弧炉运行时的额定功率Prated、电弧炉功率波动参数δmax。
Δtup通常为5~10s;Δtdown通常不大于10s。
步骤20:建立电弧炉负荷功率基础模型。
所述电弧炉负荷功率基础模型如式(11)所示:
PLF(t)的函数图形如图4所示。
其中,δ(t)为(-δmax,+δmax)之间的随机值,用以表示电弧炉在稳态运行时的随机功率波动。根据实际工况,所述电弧炉功率波动参数δmax设置为5%~20%。
步骤30:获取电弧炉的启停时序。
所述电弧炉的启停时序包括:电弧炉通电起弧时刻ton、电弧炉彻底断电时刻toff。
步骤40:根据所述电弧炉负荷功率基础模型和所述电弧炉的启停时序建立电弧炉功率序列。
将所述电弧炉通电起弧时刻ton和所述电弧炉彻底断电时刻toff代入式(11)中,得到所述电弧炉功率序列。
对于同一个电弧炉,可根据实际情况将式(11)中的Δtup、Δtdown、Prated、δmax设为常数,则对于一个电弧炉,只需给出某段时间内启停的时间序列ton和toff,即可表征该电弧炉在该段生产过程中所产生的功率波形。
三、其他负荷功率特性建模
除轧钢机和电弧炉以外,钢铁工业中其他负荷(水泵机、鼓风机、除尘机、传送机等)等负荷运行时功率波动小,除非进行阶段性人工调节,否则在中短时间尺度内可近似认为其按恒功率方式运行。
所述其他类负荷功率特征建模包括如下步骤:
步骤10:获取其他类负荷的额定总功率,所述其他类负荷指钢铁工业厂内除轧钢负荷和电弧炉负荷以外的负荷。
Potherrated等效为其他类负荷运行时额定功率之和。
步骤20:获取其他类负荷的功率波动参数。
δother(t)为(-δothermax,+δothermax)之间的随机值,表征其他类负荷运行时的随机波动功率大小,由于其他类负荷功率在中短期内较为稳定,所述其他类负荷的功率波动参数δothermax设置为5%。
步骤30:根据所述其他类负荷的额定总功率和所述其他类负荷的功率波动参数建立其他类负荷功率模型。
所述其他类负荷功率模型如式(12)所示:
Pothers(t)=[1+δother(t)]Potherrated (12)
其中,Potherrated为其他类负荷的额定总功率,δothermax为其他类负荷的功率波动参数,δother(t)为(-δothermax,+δothermax)之间的随机值。
四、钢铁工业总功率特性建模
由式(10)~(12)得出了单条轧钢产生线、单个电弧炉和其他类负荷的功率表达式。依次类推,将单一轧钢生产线和单个电弧炉的功率进行扩展可以得到某个钢铁企业的总功率随时间的变化规律。
钢铁工业负荷功率特性建模方法还包括钢铁工业总功率特性建模,步骤如下:
步骤10:获取轧钢生产线的数量和电弧炉的数量。
步骤20:根据所述轧钢生产线的数量、所述电弧炉的数量、所述轧钢功率序列、所述电弧炉功率序列、所述其他类负荷功率模型建立所述钢铁工业总功率特性模型。
所述钢铁工业总功率特性模型如式(13)所示:
其中,Penterprise(t)为钢铁工业总功率,NR为轧钢生产线的个数,NL为电弧炉的个数。
五、算例及仿真
传统的钢铁企业功率建模方法,是直接将钢功率导入仿真软件运行,若想进行不同工况的功率曲线仿真,需要重新获取PMU数据。本发明的建模方法,是在理解钢铁企业生产原理后,建立基本功率模型,模型中的参数,从PMU数据中辨识得出。一旦模型建立,以后可根据自行安排的钢坯进入生产线的时间序列和电弧炉的启停时刻时间序列自行产生钢铁企业功率波形,无需再去钢厂调取PMU数据。
本发明基于国内某大型钢铁企业实测数据展开算例仿真。该钢厂年产能在1300万吨以上,平均负荷约为1000MW。
算例一:轧钢生产线及电弧炉负荷波形仿真
以该钢铁企业2150轧钢生产线、1580轧钢生产线、H型钢轧钢生产线实测PMU数据(数据时间间隔为100ms)为例,辨识出每块钢坯进入粗轧工序和精轧工序的起始时刻,并形成时间序列输入式(10)中,从而构建不同轧线在生产过程中的功率波形,仿真结果如图5、图6、图7所示。
同样地,以该钢铁企业电弧炉实测PMU数据为例,辨识出电弧炉的启停时刻并形成时间序列输入式(11)中,从而构建电弧炉功率波形,图8为其中一台电弧炉负荷的仿真波形结果。
算例二:钢铁工业总功率特性仿真
算例一呈现了单个轧钢生产线、电弧炉的功率仿真波形。本例通过式(13)将同时段内所有持续性冲击负荷、间歇型冲击负荷及稳定负荷进行叠加,得到国内某钢铁企业1200s时长的总功率仿真波形,如图9所示。本文的主要目的是仿真钢铁工业的波动特性,而稳定负荷并不表现出强烈的波动性,因此稳定负荷Potherrated的数值大小取估计值825MW。
对实测波形和仿真波形进行误差分析,得到每个仿真步长下的误差以及1200s内的误差分布,如图10和图11所示。经分析,每个仿真步长下的误差约为±5%,96.18%的误差集中在(-3%,+3%)之间。
为检验功率仿真模型是否具有与实际数据相同的波动性特征,对图9中的实测波形和仿真波形进行频谱分析。为提高频谱分辨度,将数据扣除相同直流分量后再进行傅里叶变换,得到频谱如图12所示。由频谱图可知,实测功率与仿真功率频谱具有较高的吻合度,主要幅值分量集中在0~0.02Hz的低频范围内,次要分量集中在0.02~0.07Hz的中频范围内,说明本发明所建模型与实际数据具有相同的波动特性。
综上所述,本发明所述建模方法具有可操作性和较高的精度,适用于含钢铁工业负荷的短期仿真研究。
本发明实施例提供的一种钢铁工业负荷功率特性建模方法至少包括如下技术效果:
在本发明实施例中,获取轧钢负荷信息和电弧炉负荷信息,在理解钢铁企业生产原理的基础上,建立轧钢负荷功率基础模型和电弧炉负荷功率基础模型。轧钢负荷信息和电弧炉负荷信息可从PMU数据中辨识得出,相对于传统建模的参数获取,减少了建模的前期调研工作量。轧钢负荷功率基础模型及电弧炉负荷功率基础模型建立后,只需获得轧钢进入生产线的时序及电弧炉的启停时序,即可建立轧钢功率序列及电弧炉功率序列,无需再去钢铁企业调取PMU数据,相对于传统的PMU数据导入式建模方法,减少了建模所需的数据量。根据其他类负荷运行时波动较小的特征,建立其他类负荷功率模型。本发明在充分理解钢铁工业负荷控制原理的基础上建立钢铁工业负荷功率特性模型,相对于传统的建模方式,其物理含义更加明确,能够解释钢铁企业负荷功率的波动原因。本发明首次将钢铁工业的负荷波动与钢铁工业的生产过程控制相结合,通过轧钢负荷功率特性建模、电弧炉负荷功率特性建模、其他类负荷功率特性建模,进而建立钢铁工业总功率序列模型,能够高精度描述短时间内钢铁工业功率波动特性。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种钢铁工业负荷功率特性建模方法,其特征在于,包括:
轧钢负荷功率特性建模、电弧炉负荷功率特性建模、其他类负荷功率特性建模;
其中,所述轧钢负荷功率特性建模包括如下步骤:
获取轧钢负荷信息;
建立轧钢负荷功率基础模型;
获取轧钢进入生产线的时序;
根据所述轧钢负荷功率基础模型和所述轧钢进入生产线的时序建立轧钢功率序列;
其中,所述电弧炉负荷功率特性建模包括如下步骤:
获取电弧炉负荷信息;
建立电弧炉负荷功率基础模型;
获取电弧炉的启停时序;
根据所述电弧炉负荷功率基础模型和所述电弧炉的启停时序建立电弧炉功率序列;
其中,所述其他类负荷功率特征建模包括如下步骤:
获取其他类负荷的额定总功率,所述其他类负荷指钢铁工业厂内除轧钢负荷和电弧炉负荷以外的负荷;
获取其他类负荷的功率波动参数;
根据所述其他类负荷的额定总功率和所述其他类负荷的功率波动参数建立其他类负荷功率模型。
2.根据权利要求1所述的钢铁工业负荷功率特性建模方法,其特征在于,所述轧钢负荷信息包括:钢坯进入轧机的时刻、钢坯通过轧机的时长、轧机的平均功率、粗轧机的台数、精轧机的台数、每台粗轧机的轧制道次、钢坯的块数。
3.根据权利要求2所述的钢铁工业负荷功率特性建模方法,其特征在于,一块钢坯通过一台轧机的功率函数如式(1)所示:
其中,t0表示钢坯进入轧机的时刻,Δt表示钢坯通过轧机的时长,a表示轧机在Δt时间内的平均功率;
所述轧机包括nrough台粗轧机和nfinish台精轧机;
第1块钢坯通过第i台ki道次的粗轧机完成粗轧工序的功率如式(2)所示:
第1块钢坯通过nrough台粗轧机完成整个粗轧工序的功率如式(3)所示:
第1块钢坯通过第i台精轧机完成精轧工序的功率如式(4)所示:
PF1i(t)=Proll(t,tFi,ΔtFi,aFi) (4)
第1块钢坯通过nfinish台精轧机完成整个精轧工序的功率如式(5)所示:
得到的PR1(t)和PF1(t)为所述轧钢负荷功率基础模型;
其中,tRij表示钢坯第j次通过第i台的粗轧机的起始时间,ΔtRij表示钢坯第j次完全通过第i台的粗轧机所需的时长,tFi表示钢坯通过第i台的精轧机的起始时间,ΔtFi表示钢坯完全通过第i台的精轧机所需的时长,aFi表示精轧机的有功功率幅值。
4.根据权利要求3所述的钢铁工业负荷功率特性建模方法,其特征在于,所述轧钢进入生产线的时序包括:第i块钢坯进入粗轧工序与第1块钢坯进入粗轧工序的时间间隔、第i块钢坯进入精轧工序与第1块钢坯进入精轧工序的时间间隔。
5.根据权利要求4所述的钢铁工业负荷功率特性建模方法,其特征在于,第i块钢坯完成整个粗轧工序的功率如式(6)所示:
PRi(t)=PR1(t-ΔTRi) (6)
其中,ΔTRi为第i块钢坯进入粗轧工序与第1块钢坯进入粗轧工序的时间间隔;
第i块钢坯完成整个精轧工序的功率如式(7)所示:
PFi(t)=PF1(t-ΔTFi) (7)
其中,ΔTFi为第i块钢坯进入精轧工序与第1块钢坯进入精轧工序的时间间隔;
nsteel块钢坯完成粗轧工序的功率如式(8)所示:
nsteel块钢坯完成精轧工序的功率如式(9)所示:
nsteel块钢坯完成单条轧钢生产线轧制工序的功率如式(10)所示:
得到的PRFtotal(t)即为所述轧钢功率序列。
7.根据权利要求6所述的钢铁工业负荷功率特性建模方法,其特征在于,所述电弧炉功率波动参数δmax设置为5%~20%。
8.根据权利要求1所述的钢铁工业负荷功率特性建模方法,其特征在于,所述其他类负荷功率模型如式(12)所示:
Pothers(t)=[1+δother(t)]Potherrated (12)
其中,Potherrated为其他类负荷的额定总功率,δothermax为其他类负荷的功率波动参数,δother(t)为(-δothermax,+δothermax)之间的随机值。
9.根据权利要求8所述的钢铁工业负荷功率特性建模方法,其特征在于,所述其他类负荷的功率波动参数δothermax设置为5%。
10.根据权利要求1所述的钢铁工业负荷功率特性建模方法,其特征在于,还包括钢铁工业总功率特性建模,步骤如下:
获取轧钢生产线的数量和电弧炉的数量;
根据所述轧钢生产线的数量、所述电弧炉的数量、所述轧钢功率序列、所述电弧炉功率序列、所述其他类负荷功率模型建立所述钢铁工业总功率特性模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710477115.3A CN107292438B (zh) | 2017-06-21 | 2017-06-21 | 一种钢铁工业负荷功率特性建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710477115.3A CN107292438B (zh) | 2017-06-21 | 2017-06-21 | 一种钢铁工业负荷功率特性建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292438A CN107292438A (zh) | 2017-10-24 |
CN107292438B true CN107292438B (zh) | 2020-06-09 |
Family
ID=60096701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710477115.3A Active CN107292438B (zh) | 2017-06-21 | 2017-06-21 | 一种钢铁工业负荷功率特性建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292438B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298578B (zh) * | 2019-06-24 | 2022-11-29 | 电子科技大学 | 一种混流生产线动态瓶颈预测方法 |
CN111583064B (zh) * | 2020-05-11 | 2022-09-09 | 国网四川省电力公司电力科学研究院 | 基于动态时间规整的负荷生产时段检测方法和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103326361A (zh) * | 2012-03-20 | 2013-09-25 | 上海利思电气有限公司 | 一种低压实时动态有源谐波无功补偿柜 |
CN105137756A (zh) * | 2015-08-31 | 2015-12-09 | 南京南瑞继保电气有限公司 | 钢铁企业电网协调控制方法及系统 |
CN106834640A (zh) * | 2017-03-07 | 2017-06-13 | 华北理工大学 | 一种低合金结构钢热轧钢板的制造方法 |
-
2017
- 2017-06-21 CN CN201710477115.3A patent/CN107292438B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103326361A (zh) * | 2012-03-20 | 2013-09-25 | 上海利思电气有限公司 | 一种低压实时动态有源谐波无功补偿柜 |
CN105137756A (zh) * | 2015-08-31 | 2015-12-09 | 南京南瑞继保电气有限公司 | 钢铁企业电网协调控制方法及系统 |
CN106834640A (zh) * | 2017-03-07 | 2017-06-13 | 华北理工大学 | 一种低合金结构钢热轧钢板的制造方法 |
Non-Patent Citations (2)
Title |
---|
Harmonic Analysis of the Industrial Power System with an AC Electric Arc Furnace;G. W. Chang et al.;《IEEE Power Engineering Society General Meeting》;20061231;第1-4页 * |
电弧炉的有功功率冲击对发电机组的影响;林海雪;《中国电机工程学报》;20141120;第34卷;第232-238页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107292438A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Toward a low cost and high performance MPC: The role of system identification | |
Jelali | Performance assessment of control systems in rolling mills–application to strip thickness and flatness control | |
CN107292438B (zh) | 一种钢铁工业负荷功率特性建模方法 | |
JP2008543566A (ja) | ストリップの圧延工程における平坦度制御を最適化するための方法と装置 | |
CN105404935A (zh) | 一种考虑业扩增量的电力系统月度负荷预测方法 | |
Rakhmonov et al. | Energy saving in industry | |
CN106682159A (zh) | 一种阈值配置方法 | |
JP6641867B2 (ja) | 消費電力量予測方法、装置及びプログラム | |
CN107633316A (zh) | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
Cao et al. | Multi-level energy efficiency evaluation for die casting workshop based on fog-cloud computing | |
CN109926452B (zh) | 应用于轧钢的过程控制方法、过程控制装置及终端 | |
CN105710137A (zh) | 一种基于约束优化算法的冷轧机多变量板形控制方法 | |
CN102277477A (zh) | 一种冷轧钢带抗拉强度预测模型的建立方法 | |
CN107679659B (zh) | 新型工业用电量预测方法 | |
JP2017070134A (ja) | 電力予測方法 | |
Pengfei et al. | Flatness control strategy based on delay compensation for cold rolling mill | |
CN116048023B (zh) | 一种精细化能源管控方法、系统、物联网云管控服务器及其存储介质 | |
Schlang et al. | Neural computation in steel industry | |
Druzhinin et al. | Preventing the development of emergency modes of interlocked electric drives of a rolling mill under the impact loads | |
Zhang et al. | Research and application of computer control system for aluminium single‐stand 4‐high cold rolling mill | |
RU2503015C2 (ru) | Система управления электропотреблением промышленных предприятий и производств | |
Wang et al. | The influence of complexity of imported products on total factor productivity | |
Zhang et al. | Active disturbance rejection control for looper tension of stainless steel strip processing line | |
CN111178575A (zh) | 一种灰色模型电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 430071 Dongsha building, No. 122 Middle North Road, Wuchang District, Hubei, Wuhan Applicant after: CHINA CITY ENVIRONMENT PROTECTION ENGINEERING Ltd. Applicant after: WUHAN University Address before: 430071 Dongsha building, No. 122 Middle North Road, Wuchang District, Hubei, Wuhan Applicant before: CHINA CITY ENVIRONMENT PROTECTION ENGINEERING Co.,Ltd. Applicant before: WUHAN University |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |