CN108490904B - 一种基于设备多工况运行的能源系统优化调度方法 - Google Patents
一种基于设备多工况运行的能源系统优化调度方法 Download PDFInfo
- Publication number
- CN108490904B CN108490904B CN201810444274.8A CN201810444274A CN108490904B CN 108490904 B CN108490904 B CN 108490904B CN 201810444274 A CN201810444274 A CN 201810444274A CN 108490904 B CN108490904 B CN 108490904B
- Authority
- CN
- China
- Prior art keywords
- steam
- production
- boiler
- energy
- working condition
- 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 37
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 128
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 24
- 239000010959 steel Substances 0.000 claims abstract description 24
- 238000013178 mathematical model Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012423 maintenance Methods 0.000 claims abstract description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 38
- 230000005611 electricity Effects 0.000 claims description 36
- 239000000446 fuel Substances 0.000 claims description 24
- 239000003034 coal gas Substances 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 229910052742 iron Inorganic materials 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 239000003638 chemical reducing agent Substances 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000009833 condensation Methods 0.000 claims description 6
- 230000005494 condensation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 5
- 238000012887 quadratic function Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012946 outsourcing Methods 0.000 claims description 4
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000010865 sewage Substances 0.000 claims description 3
- 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 1
- 238000009826 distribution Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 239000000969 carrier Substances 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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]
- G05B19/41885—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] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于设备多工况运行的能源系统优化调度方法;具体方法包括:获取钢铁企业能源系统网络拓扑结构,可调度关键设备信息,能源产耗历史数据以及对应的生产工况;根据能源产耗历史数据和对应的工况构造数据集训练BP神经元网络;识别当前生产工况并结合未来周期生产、检修计划获取能源系统在未来调度周期内的能源供需数据以及能源不平衡量;预先建立设备单元数学模型;结合当前工况约束条件、单元数学模型采用混合整数非线性规划的方法建立经济运行成本EOC函数;求解最优解并获取分配方案;本发明方法针对实时生产数据获取优化调度方案,克服单一能源介质调节的缺陷,全面提高系统的能效及利益。
Description
技术领域
本发明属于钢铁企业能源动态平衡与优化调度领域,尤其涉及一种基于设备多工况运行的能源系统优化调度方法。
背景技术
钢铁工业是国民经济的支柱型产业,是资源和能源密集型产业,同时也是进行能源系统优化的重点。钢铁企业在钢铁生产过程中,产生大量的煤气、蒸汽、电力等二次能源,占企业总能耗的一半以上。钢铁企业能源系统通过收集企业生产过程中的各类能源、载能体的投入产出数据并加以预测分析,采用集中式管理方法,优化不同能源、载能体的配比并统一调度,从整个企业的角度寻求最佳的能源使用方式以期达到节能的目的。在实际生产中,由于煤气、蒸汽不容易管理和储存,而且产生和消耗量波动大,放散严重,不仅造成能源浪费,还会污染环境。因此,提出一种对耦合的能源系统进行优化调度的方法是非常有意义的。
工况是设备在一定时间内的一种工作状态,根据设备类型、规格不同,定义各种工况,如:运行、故障、停机、升温、保温、降温等,因为正常工况下能源的产耗量不变,所以主要考虑重大的异常工况。由于设备产耗能情况不同,有的工况发生了会对能源系统造成较大的影响,如大型高炉休风、高炉加热炉炉停炉、锅炉检修、发电机组停机等这些工况发生时会引起能源介质的产耗量发生较大变化,这些工况是预测时候需要考虑的。由于工况定义的是未来一段时间内设备的状态变化情况,而这段时间内可能有多种设备的工况发生变化,每种设备的状态变化也可能引起多种能源介质的产耗量发生变化,因此,这是一个多工况多时段多能源介质的问题。
钢铁企业能源系统主要包括煤气、蒸汽、电力等介质,这些能源介质是相互耦合的,煤气可以用于产生蒸汽,蒸汽可以用于发电,发电机组将三者耦合在一起。由于煤气、蒸汽、电均不能大量存储(煤气柜主要是稳压作用),当煤气波动时,通过调整发电量保证煤气、蒸汽的平衡;当蒸汽波动时,通过调整发电量进行保证蒸汽的平衡;由于外部电网的存在,电是自动平衡的。因此,煤气、蒸汽、电三者是耦合的,必须一起调度,单一介质的调度没有意义。
发明内容
针对现有技术的不足,本发明提供一种基于设备多工况运行的能源系统优化调度方法,上述方法克服了传统研究对单一能源介质的调节方法综合考虑多种能源耦合的关系以及企业生产的多工况问题。
本发明提供一种基于设备多工况运行的能源系统优化调度方法具体步骤如下:
S1、获取企业能源系统的网络拓扑结构、可调用设备关键信息、调度参数及企业能源系统在过去调度周期内的能源产耗历史数据,确定能源系统在未来调度周期内的生产计划、检修计划;
钢铁企业能源系统包括:煤气系统、蒸汽系统和电力系统;
S2、对能源产耗历史数据进行预处理,并根据预处理后能源产耗历史数据构造适用于BP神经网络的训练数据集;
S3、将训练数据集代入BP神经网络,获得训练的BP神经网络;
采集当前能源系统的实时数据,将实时数据通过训练的BP神经网络获取当前能源系统的当前生产工况;
根据当前生产工况和未来调度周期内的生产计划、检修计划,获取未来调度周期内的生产工况、能源系统在未来调度周期内的煤气需求量、煤气供应量,蒸汽的产汽源、蒸汽需求量,产电量和电力需求量;
S4、根据关键信息、调度参数、能源系统对煤气需求量、煤气供应量,蒸汽的产汽源、蒸汽需求量,产电量和电力需求量,确定输入输出变量集、约束条件;
基于输入、输出变量集、约束条件,建立锅炉,汽轮机设备单元数学模型;
S5、基于当前燃料价格和分时电价,以及煤气需求量、煤气供应量,蒸汽的产汽源、蒸汽需求量,产电量和电力需求量、单元数学模型和约束条件,建立目标函数;
S6、求解目标函数,获取煤气系统、蒸汽系统和电力系统最优调度方案。
可选地,通过能源调度应用服务器从综合数据集成平台服务器中获取网络拓扑结构、过去调度周期内的能源产耗历史数据、可调度设备的关键信息和调度参数,能源产耗历史数据包括过去调度周期的生产工况记录,锅炉的产汽量,燃料消耗量,汽轮机抽汽量、发电量。
可选地,S21、通过小波滤波、数据修补、归一化和/或标准方式对能源产耗历史数据进行预处理;
S22、利用向量空间重构方法对预处理后的能源产耗历史数据进行重新构建,并将预处理后的能源产耗历史数据中的生产工况记录为重新构建的数据匹配工况标签;
S23、将重新构建的数据作为输入数据,工况标签作为输出数据,输入数据和输出数据作为训练数据集。
可选地,S31、采用训练数据集对BP神经网络进行训练,并利用误差反向传播算法获取训练的BP神经网络模型;
S32、采集当前能源系统的实时数据,将实时数据通过S2中预处理和数据重新构建,利用训练的BP神经网络模型进行工况识别,获取当前能源系统的当前生产工况;
S33、根据当前能源系统的当前生产工况、能源系统在未来调度周期内的生产计划、检修计划,确定未来调度周期内的生产工况、能源系统在未来调度周期内的煤气需求量、煤气供应量,蒸汽的产汽源、蒸汽需求量,产电源和电力需求量。
可选地,将识别出的当前能源系统的当前生产工况进行划分,获得当前正常生产工况和当前异常生产工况,当前异常生产工况具有异常工况标签;
异常工况标签包括:与所述异常工况对应的锅炉,汽轮机,减温减压器和除氧器设备输入参数和约束条件;
相应地,步骤S33中的未来调度周期内的生产工况包括:正常生产工况和异常生产工况,每一异常生产工况的异常工况标签。
可选地,S41、根据钢铁企业能源系统每台锅炉的能源产耗历史数据,将锅炉的耗量特性方程拟合为二次函数,表示为:
S42、针对钢铁企业能源系统每台锅炉的历史生产数据用拟合的锅炉负荷特性方程进行拟合使锅炉模型更加贴近锅炉的实际生产过程;
S43、根据钢铁企业能源系统每台汽轮机能源产耗历史数据,利用多元线性回归原理建立汽轮机的耗量特性方程:
S44、针对获取的当前工况,如果是异常工况,则用异常工况标签中的锅炉,汽轮机设备输入参数和约束条件替换单元数学模型中相应的参数和约束条件,获得当前工况下的新单元数学模型。
可选地,设备约束条件和供需约束条件;
设备约束条件还包括:锅炉约束、汽轮机约束、减温减压阀约束、除氧器约束;
第一、锅炉的物料平衡约束:锅炉的t时段的给水量等于该时段蒸汽发生量与锅炉排污量之和;
第二、锅炉的能量平衡约束是指t时段离开锅炉的蒸汽和污水具有的能量等于该t时段锅炉给水具有的能量与锅炉消耗燃料的能量之和;
第三、锅炉的产汽能力约束是指锅炉在t时段的产汽量应在其最大产汽量与最小产汽量之间;
第四、汽轮机的物料平衡约束是指t时段汽机的进汽量等于该t时段汽机的抽汽量和凝汽量之和;
第五、汽轮机主进汽量约束是指汽机在t时段的主进汽量应在其进汽量上限与进汽量下限之间;
第六、汽轮机的发电约束是指汽机在t时段的发电量应在汽轮机满足抽汽的最小发电负荷与最大发电负荷之间;
第七、减温减压器的物料平衡约束是指t时段减温减压器的入口蒸汽流量和水流量之和等于该t时段减温减压器的出口蒸汽流量;
第八、除氧器的物料平衡约束是指其t时段进入除氧器的蒸汽、冷凝水、补充水流量之和等于该时段除氧器的锅炉给水与除氧器的排汽流量之和;
供需约束条件包括:煤气平衡约束、蒸汽平衡约束、电力平衡约束;
a1a2=0,a1,a2∈{0,1} (5)
其中(4)和(5)表示电力的需求约束,保证买电和售电在同一个时间段内不能同时发生,式中Pb,t表示t时间内外购电量,Ps,t表示t时间内外送电量,a1和a2表示零一变量。
可选地,目标函数表示为EOC:
EOC=C1+C2+C3+C4-C5
(6)式中,T为一个调度周期内所包含的时段数目;k表示燃料种类数;Ck表示第k种燃料的价格¥/km3,B表示可调度的锅炉数量,Fbi,k,t表示锅炉bi在时间段t内消耗燃料的量;
(8)式中,Cti表示在汽轮机的单位产电成本,Pti,t表示在时间段t内的产电量;
(9)式中,Cbp,t表示时间段t的外购电价格,Pb,t表示在时间段t的电力外购量;
外送电收益;
(10)式中,Csp,t表示时间段t的外售电价格,Ps,t表示在时间段t的电力外售量。
本发明方法克服了传统研究仅对单一能源介质进行平衡和调度的缺陷且不考虑工况的问题,用一个通用模型描述煤气、蒸汽、电力等多介质多周期集成优化调度这一技术难题,并且能够针对企业复杂生产过程的复杂工况对模型进行及时调整,保证了模型的实际性;本发明实施例不仅综合考虑了钢铁企业多种能源介质的耦合关系和企业生产过程中的多工况问题,还从综合调度和全局优化的角度给出了多工况下煤气、蒸汽、电力系统优化调度的技术方案,对具体实践具有明确的指导意义。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一实施例提供的一种基于设备多工况运行的能源系统优化调度方法流程示意图;
图2为本发明一实施例提供的钢铁企业能源系统工况分类模型训练与识别流程示意图;
图3为本发明一实施例提供的钢铁企业能源系统结构示意图;
图4为本发明一实施例提供的钢铁企业能源系统优化流程图;
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
如图1为本发明提供的钢铁企业煤气、蒸汽、电力系统优化调度方法的流程图,所述方法包括以下步骤:
S1、获取企业能源拓扑网络结构,和煤气蒸汽电力系统的能源产耗历史数据及其对应的生产工况记录;确定产能设备、用能设备和可调度设备;获取可调度设备关键信息和调度参数;获取调度周期内的生产计划和检修计划;
S11、通过企业综合数据集成平台服务器获取企业能源拓扑网络结构、煤气蒸汽电力系统的能源产耗历史数据及其对应的生产工况记录,和未来调度周期内的生产计划和检修计划;
S12、通过所获取的能源拓扑网络结构,确定产能设备、用能设备和可调度设备;
S13、通过企业的综合数据集成平台服务器获取可调度设备的关键信息和调度参数;
S2、工况分类模型的训练。
S21、通过小波滤波、数据修补、归一化和标准化等方法对S1中的能源产耗历史数据进行预处理;
S22、利用向量空间重构方法重新构造数据,依据生产工况记录为每一条数据匹配工况标签,
S23、将重构后的数据作为输入数据,数据标签作为输出数据组成训练数据集;
S3、利用向量空间重构方法重新构造历史数据,依据步骤S1获取的生产工况记录为每一条数据匹配工况标签,将重构后的数据作为输入数据,数据标签作为输出数据组成训练数据集;
S31、用训练数据集进行模型训练,利用误差反向传播算法获得训练的BP神经元网络模型;
S32、采集实时数据,实时数据包括:产汽量、燃料消耗量、汽轮机抽汽量,根据训练的BP神经元网络模型进行工况识别;
S33、结合当前数据识别出的当前生产工况及S1中获取的生产计划和检修计划,确定未来调度周期内的生产工况以及在未来调度周期各用户的煤气需求量和供应量、未来调度周期内三种蒸汽(高、中、低压蒸汽)的产汽源和每种蒸汽的需求量以及在未来生产调度周期内主要的产电源和满足生产的电力需求量;
S4、根据煤气、蒸汽、电力系统中可调度的关键设备、其他公辅设备和主要生产工序用能和产能设备对煤气、蒸汽和电力三种能源介质的需求量和产生量信息,确立其输入、输出变量集,结合工艺模型和约束条件,建立锅炉和汽轮机设备单元数学模型;将识别出的工况分为正常生产工况和异常生产工况,并为每个异常生产工况加一个工况标签,工况标签对应的是模型内输入参数和约束条件的变化;标签通常可设置为一个或多个对应于模型内的变量或约束条件,相当于在模型内也设置了标签。工况发生变化时,首先根据获取的实时数据进行工况识别,获取对应的工况标签,然后在数学模型中获取相匹配的标签,最后用工况标签下的数据和约束条件覆盖数学模型中的对应数据和约束条件,建立一个与标签相对应的分类工况模型;
S41、如图3所示,根据每台锅炉的测试数据和在线生产数据,以锅炉的燃料消耗量和锅炉蒸发量的实际数据为基础,通过简单的热力学计算得到锅炉的热效率和锅炉蒸发量的对应生产数据,并将锅炉的耗量特性方程拟合为二次函数,表示为:
S42、通过获取每台锅炉的历史生产数据并进行处理,进行公式拟合可以得到每台锅炉的热效率与蒸发量之间的二次函数关系,采用拟合的锅炉负荷特性方程代替固定不变的锅炉热效率,使锅炉模型更加贴近锅炉的实际生产过程;
S43、根据每台汽轮机的测试数据和在线生产数据,利用多元线性回归原理建立汽轮机的耗量特性方程,表示为:
S44、单元数学模型建立完成后,用工况标签下的输入参数和约束条件替换数学模型中的相应数据和约束条件;
S45、设备约束和供需约束条件可分别表示为:
设备约束条件:
锅炉的物料平衡约束是指锅炉的水平衡方程,即锅炉的t时段的给水量等于该时段蒸汽发生量与锅炉排污量之和;
锅炉的能量平衡约束是指t时段离开锅炉的蒸汽和污水具有的能量等于该时段锅炉给水具有的能量与锅炉消耗燃料的能量之和;
锅炉的产汽能力约束是指锅炉在t时段的产汽量应在其最大产汽量与最小产汽量之间;
汽轮机的物料平衡约束是指t时段汽机的进汽量等于该时段汽机的抽汽量和凝汽量之和;
汽轮机主进汽量约束是指汽机在t时段的主进汽量应在其进汽量上限与进汽量下限之间;
汽轮机的发电约束是指汽机在t时段的发电量应在其满足抽汽的最小发电负荷与最大发电负荷之间;
减温减压器的物料平衡约束是指其水平衡方程,即t时段减温减压器的入口蒸汽流量和水流量之和等于该时段减温减压器的出口蒸汽流量;
除氧器的物料平衡约束是指其水平衡方程,即t时段进入除氧器的蒸汽、冷凝水、补充水流量之和等于该时段除氧器的锅炉给水与除氧器的排汽流量之和;
供需约束条件:
a1a2=0,a1,a2∈{0,1}(5)
公式(4)和(5)表示电力的需求约束,保证买电和售电在同一个时间段内不能同时发生,式中Pb,t表示t时间内外购电量,Ps,t表示t时间内外送电量,a1和a2表示零一变量;
S5、综合考虑在调度周期内的燃料价格、分时电价、蒸汽需求、电力需求以及煤气设备的缓冲能力,建立多能源介质耦合系统混合整数非线性规划模型,模型包括目标函数和约束条件;
包括燃料使用成本、蒸汽生产成本、电力生产成本、外购电成本和外送电收益,分别表示为:
目标函数表示为EOC:
EOC=C1+C2+C3+C4-C5
式中,Cti表示在汽轮机的单位产电成本,Pti,t表示在时间段t内的产电量;
外购电成本:
式中,Cbp,t表示时间段t的外购电价格,Pb,t表示在时间段t的电力外购量;
式中,Csp,t表示时间段t的外售电价格,Ps,t表示在时间段t的电力外售量。
EOC=C1+C2+C3+C4-C5
上式表示经济运行成本=燃料使用成本+蒸汽生产成本+电力生产成本+外购电成本-外送电收益。
S6、求解目标函数EOC最优解,最优解作为调度方法;
实施例二
如图4所示为本发明的钢铁企业煤气、蒸汽、电力系统优化流程图,在进行优化计算时,首先使用Python软件编程获取步骤S3中得到的工况识别与预测信息、煤气蒸汽电力等能源介质的供需预测结果及不平衡量预测结果;然后在Python软件中编写目标函数与约束条件的程序;最后使用Python软件编程调用求解器CONOPT进行求解,得到经济运行成本最低的能源介质分配方案,与之对应的调度方案以图表的形式显示,并进行优化前后结果的对比分析,保存调度方案至数据库中,具体步骤如下:
S61、使用Python软件编程实现获取S3中得到的工况识别与预测信息、煤气蒸汽电力等能源介质的供需预测结果及不平衡量预测结果;
S62、在Python软件中编写目标函数与约束条件的程序;
S63、使用Python软件编程调用求解器CONOPT进行求解,得到经济运行成本最低的能源介质分配方案,与之对应的调度方案以图表的形式显示,并进行优化前后结果的对比分析,保存调度方案至数据库中
企业的能源决策者权衡本企业煤气蒸汽电力系统的运行状况,将从优化模型中求得的最优解对应的调度方案上传到企业的能源调度应用服务器上,用户参考调度规则即可执行下一周期内的煤气在各消耗用户的分配方案,以及蒸汽和电力在各生产设备的负荷分配方案。
本发明实施例,克服了传统研究仅对单一能源介质进行平衡和调度的缺陷且不考虑工况的问题,用一个通用模型描述煤气、蒸汽、电力等多介质多周期集成优化调度这一技术难题,并且能够针对企业复杂生产过程的复杂工况对模型进行及时调整,保证了模型的实际性;本发明实施例不仅综合考虑了钢铁企业多种能源介质的耦合关系和企业生产过程中的多工况问题,还从综合调度和全局优化的角度给出了多工况下煤气、蒸汽、电力系统优化调度的技术方案,对具体实践具有明确的指导意义。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于设备多工况运行的能源系统优化调度方法,其特征在于,包括:
步骤S1、获取钢铁企业能源系统的网络拓扑结构、可调用设备关键信息、调度参数及钢铁企业能源系统在过去调度周期内的能源产耗历史数据,确定能源系统在未来调度周期内的生产计划、检修计划;
所述钢铁企业能源系统包括:煤气系统、蒸汽系统和电力系统;
步骤S2、对所述能源产耗历史数据进行预处理,并根据预处理后所述能源产耗历史数据构造适用于BP神经网络的训练数据集;
所述预处理包括小波滤波、数据修补、归一化和/或标准方式;
步骤S3、将训练数据集代入BP神经网络,获得训练的BP神经网络;
采集当前能源系统的实时数据,将所述实时数据通过训练的BP神经网络获取当前能源系统的当前生产工况;
根据所述当前生产工况和未来调度周期内的生产计划、检修计划,获取未来调度周期内的生产工况、能源系统在未来调度周期内的煤气需求量、煤气供应量,蒸汽的产汽源、蒸汽需求量,产电量和电力需求量;
其中,将识别出的当前能源系统的当前生产工况进行划分,获得当前正常生产工况和当前异常生产工况,所述当前异常生产工况具有异常工况标签;
异常工况标签包括:与所述异常工况对应的锅炉、汽轮机、减温减压器和除氧器设备输入参数和约束条件;
相应地,未来调度周期内的生产工况包括:正常生产工况和异常生产工况,每一异常生产工况的异常工况标签;
步骤S4、根据所述关键信息、调度参数、所述能源系统对煤气需求量、煤气供应量,蒸汽的产汽源、蒸汽需求量,产电量和电力需求量,确定输入输出变量集、约束条件;
基于输入、输出变量集、约束条件,建立锅炉、汽轮机设备单元数学模型;
具体包括:
步骤S41、根据所述钢铁企业能源系统每台锅炉的所述能源产耗历史数据,将锅炉的耗量特性方程拟合为二次函数,表示为:
步骤S42、针对所述钢铁企业能源系统每台锅炉的历史生产数据用拟合的锅炉负荷特性方程进行拟合使锅炉模型更加贴近锅炉的实际生产过程;
步骤S43、根据所述钢铁企业能源系统每台汽轮机所述能源产耗历史数据,利用多元线性回归原理建立汽轮机的耗量特性方程:
步骤S44、针对获取的当前工况,如果是异常工况,则用所述异常工况标签中的所述锅炉、汽轮机设备输入参数和约束条件替换所述单元数学模型中相应的参数和约束条件,获得当前工况下的新单元数学模型;
步骤S5、基于当前燃料价格和分时电价,以及所述煤气需求量、煤气供应量,蒸汽的产汽源、蒸汽需求量,产电量和电力需求量、单元数学模型和所述约束条件,建立目标函数;
步骤S6、求解所述目标函数,获取煤气系统、蒸汽系统和电力系统最优调度方案。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1包括:
通过能源调度应用服务器从综合数据集成平台服务器中获取网络拓扑结构、过去调度周期内的能源产耗历史数据、可调度设备的关键信息和调度参数,所述能源产耗历史数据包括过去调度周期的生产工况记录,锅炉的产汽量,燃料消耗量,汽轮机抽汽量、发电量。
3.根据权利要求1或2所述的方法,其特征在于,所述步骤S2包括:
步骤S21、通过小波滤波、数据修补、归一化和/或标准方式对所述能源产耗历史数据进行预处理;
步骤S22、利用向量空间重构方法对预处理后的能源产耗历史数据进行重新构建,并将预处理后的能源产耗历史数据中的生产工况记录为重新构建的数据匹配工况标签;
步骤S23、将所述重新构建的数据作为输入数据,所述工况标签作为输出数据,所述输入数据和所述输出数据作为训练数据集。
4.根据权利要求3所述的方法,其特征在于,所述步骤S3包括:
步骤S31、采用所述训练数据集对BP神经网络进行训练,并利用误差反向传播算法获取训练的BP神经网络模型;
步骤S32、采集当前能源系统的实时数据,将实时数据通过步骤S2中所述预处理和数据重新构建,利用训练的BP神经网络模型进行工况识别,获取当前能源系统的当前生产工况;
步骤S33、根据所述当前能源系统的当前生产工况、所述能源系统在未来调度周期内的生产计划、检修计划,确定未来调度周期内的生产工况、能源系统在未来调度周期内的煤气需求量、煤气供应量,蒸汽的产汽源、蒸汽需求量,产电量和电力需求量。
5.根据权利要求4所述的方法,其特征在于,所述约束条件包括:
设备约束条件和供需约束条件;
设备约束条件还包括:锅炉约束、汽轮机约束、减温减压阀约束、除氧器约束;
第一、锅炉的物料平衡约束:锅炉的t时段的给水量等于该时段蒸汽发生量与锅炉排污量之和;
第二、锅炉的能量平衡约束是指t时段离开锅炉的蒸汽和污水具有的能量等于该t时段锅炉给水具有的能量与锅炉消耗燃料的能量之和;
第三、锅炉的产汽能力约束是指锅炉在t时段的产汽量应在其最大产汽量与最小产汽量之间;
第四、汽轮机的物料平衡约束是指t时段汽机的进汽量等于该t时段汽机的抽汽量和凝汽量之和;
第五、汽轮机主进汽量约束是指汽机在t时段的主进汽量应在其进汽量上限与进汽量下限之间;
第六、汽轮机的发电约束是指汽机在t时段的发电量应在汽轮机满足抽汽的最小发电负荷与最大发电负荷之间;
第七、减温减压器的物料平衡约束是指t时段减温减压器的入口蒸汽流量和水流量之和等于该t时段减温减压器的出口蒸汽流量;
第八、除氧器的物料平衡约束是指其t时段进入除氧器的蒸汽、冷凝水、补充水流量之和等于该时段除氧器的锅炉给水与除氧器的排汽流量之和;
供需约束条件包括:煤气平衡约束、蒸汽平衡约束、电力平衡约束;
其中式(3)表示蒸汽的需求约束,式中Ddi,t表示生产过程中蒸汽i的需求量,表示锅炉t时段的产汽量,表示汽机t时段的抽汽量,表示汽机t时段的进汽量;T为一个调度周期内所包含的时段数目;B表示可调度的锅炉数量;
a1a2=0,a1,a2∈{0,1} (5)
其中式(4)和式(5)表示电力的需求约束,保证买电和售电在同一个时间段内不能同时发生,式中Pb,t表示t时间内外购电量,Ps,t表示t时间内外送电量,a1和a2表示零一变量。
6.根据权利要求5所述的方法,其特征在于,所述步骤S5还包括:
目标函数表示为EOC:
EOC=C1+C2+C3+C4-C5
燃料使用成本表示为C1:
式(6)中,T为一个调度周期内所包含的时段数目;k表示燃料种类数;Ck表示第k种燃料的价格¥/km3,B表示可调度的锅炉数量,Fbi,k,t表示锅炉bi在时间段t内消耗燃料的量;
蒸汽生产成本表示为C2:
式(7)中,Cbi表示锅炉的单位产汽成本,表示锅炉bi在时间段t内产生的蒸汽量;
电力生产成本表示为C3:
式(8)中,Cti表示在汽轮机的单位产电成本,Pti,t表示在时间段t内的产电量;
外购电成本表示为C4:
式(9)中,Cbp,t表示时间段t的外购电价格,Pb,t表示在时间段t的电力外购量;
外送电收益表示为C5:
式(10)中,Csp,t表示时间段t的外售电价格,Ps,t表示在时间段t的电力外售量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444274.8A CN108490904B (zh) | 2018-05-10 | 2018-05-10 | 一种基于设备多工况运行的能源系统优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444274.8A CN108490904B (zh) | 2018-05-10 | 2018-05-10 | 一种基于设备多工况运行的能源系统优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108490904A CN108490904A (zh) | 2018-09-04 |
CN108490904B true CN108490904B (zh) | 2020-02-04 |
Family
ID=63352867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810444274.8A Active CN108490904B (zh) | 2018-05-10 | 2018-05-10 | 一种基于设备多工况运行的能源系统优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108490904B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022139198A1 (ko) * | 2020-12-21 | 2022-06-30 | 금오공과대학교 산학협력단 | 인공 신경망에 기반하여 발전 플랜트의 일정 계획을 관리하는 시스템 및 방법 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598045A (zh) * | 2018-11-23 | 2019-04-09 | 冶金自动化研究设计院 | 钢铁企业基于能源仿真的多能源介质综合优化调配系统 |
CN111291958B (zh) * | 2018-12-10 | 2023-09-19 | 中国科学院沈阳自动化研究所 | 一种电网与工业用户用电供需互动装置及实现方法 |
CN109685683A (zh) * | 2018-12-11 | 2019-04-26 | 新奥数能科技有限公司 | 用于泛能站的能源调度模型优化方法、装置、介质及设备 |
CN109711049B (zh) * | 2018-12-26 | 2023-04-18 | 北京工业大学 | 一种混合式的地铁空调冷水机组能效估计方法 |
CN109948858B (zh) * | 2019-03-25 | 2023-09-26 | 东北大学 | 基于数据驱动的工况识别方法 |
CN110147086A (zh) * | 2019-04-29 | 2019-08-20 | 上海外高桥第二发电有限责任公司 | 电厂中在线设备的健康状态的确定方法及系统 |
CN110410820B (zh) * | 2019-07-30 | 2021-03-09 | 杭州和利时自动化有限公司 | 一种大数据自学习的燃料自动调节方法、系统及相关组件 |
CN110930073B (zh) * | 2019-12-14 | 2022-09-20 | 东北电力大学 | 计及价格型需求响应的风-光-光热联合发电系统日前调度方法 |
CN110968063B (zh) * | 2019-12-17 | 2021-05-14 | 南京罕华流体技术有限公司 | 基于人工智能的煤气系统优化调度方法 |
EP4138008A4 (en) * | 2020-04-15 | 2023-08-30 | JFE Steel Corporation | POWER SUPPLY/POWER DEMAND OPERATION GUIDING DEVICE AND POWER SUPPLY/POWER DEMAND OPERATION METHOD IN A STEEL PLANT |
CN112215464B (zh) * | 2020-09-04 | 2024-05-07 | 北京天泽智云科技有限公司 | 一种多工况下高炉煤气的预测平衡调度系统 |
CN111932217B (zh) * | 2020-10-10 | 2022-01-14 | 宁波创元信息科技有限公司 | 一种Neural-MOS神经元网络智能生产操作系统及其运行方法 |
CN112835770B (zh) * | 2021-04-22 | 2021-08-06 | 南京铉盈网络科技有限公司 | 基于稠密神经网络模型的法院自助阅卷终端工况评估方法 |
CN113128894B (zh) * | 2021-04-28 | 2023-10-31 | 东北大学 | 一种多能流动态耦合优化调控方法 |
CN113139353B (zh) * | 2021-05-11 | 2023-09-29 | 东北大学 | 蒸汽管网动态计算及在线监测预警分析方法 |
CN113177369B (zh) * | 2021-06-15 | 2024-03-01 | 中冶赛迪技术研究中心有限公司 | 一种能源调度评估方法及系统 |
CN116679627A (zh) * | 2023-05-04 | 2023-09-01 | 安徽机电职业技术学院 | 一种用于控制多个电气设备的联动控制方法 |
CN116643547B (zh) * | 2023-07-27 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 生产系统的调控方法、生产系统、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5873251A (en) * | 1995-09-13 | 1999-02-23 | Kabushiki Kaisha Toshiba | Plant operation control system |
CN103606018A (zh) * | 2013-12-04 | 2014-02-26 | 冶金自动化研究设计院 | 一种钢铁企业电力负荷短期动态预测系统 |
CN104318321A (zh) * | 2014-10-11 | 2015-01-28 | 中冶南方工程技术有限公司 | 一种钢铁企业多能源介质集成调度优化方法 |
CN105787583A (zh) * | 2016-01-06 | 2016-07-20 | 北京首钢自动化信息技术有限公司 | 一种冶金煤气综合动态平衡调度系统及方法 |
CN106774214A (zh) * | 2016-12-31 | 2017-05-31 | 冶金自动化研究设计院 | 一种基于设备工况组合的能源调度系统 |
CN107169599A (zh) * | 2017-05-12 | 2017-09-15 | 东北大学 | 一种基于钢铁企业能源系统的多目标优化调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261695A (zh) * | 2007-03-07 | 2008-09-10 | 杭州电子科技大学 | 一种流程工业生产调度系统的实时动态再调度方法 |
-
2018
- 2018-05-10 CN CN201810444274.8A patent/CN108490904B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5873251A (en) * | 1995-09-13 | 1999-02-23 | Kabushiki Kaisha Toshiba | Plant operation control system |
CN103606018A (zh) * | 2013-12-04 | 2014-02-26 | 冶金自动化研究设计院 | 一种钢铁企业电力负荷短期动态预测系统 |
CN104318321A (zh) * | 2014-10-11 | 2015-01-28 | 中冶南方工程技术有限公司 | 一种钢铁企业多能源介质集成调度优化方法 |
CN105787583A (zh) * | 2016-01-06 | 2016-07-20 | 北京首钢自动化信息技术有限公司 | 一种冶金煤气综合动态平衡调度系统及方法 |
CN106774214A (zh) * | 2016-12-31 | 2017-05-31 | 冶金自动化研究设计院 | 一种基于设备工况组合的能源调度系统 |
CN107169599A (zh) * | 2017-05-12 | 2017-09-15 | 东北大学 | 一种基于钢铁企业能源系统的多目标优化调度方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022139198A1 (ko) * | 2020-12-21 | 2022-06-30 | 금오공과대학교 산학협력단 | 인공 신경망에 기반하여 발전 플랜트의 일정 계획을 관리하는 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN108490904A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108490904B (zh) | 一种基于设备多工况运行的能源系统优化调度方法 | |
CN109272243B (zh) | 碳资产管理方法及系统 | |
CN107169599B (zh) | 一种基于钢铁企业能源系统的多目标优化调度方法 | |
He et al. | Coordination of interdependent electricity grid and natural gas network—a review | |
CN107123982B (zh) | 一种基于设备异动的配电网可靠性经济效益分析方法 | |
WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN110428144B (zh) | 适用于电厂的燃煤采购与发电指标预测处理系统及方法 | |
Santos et al. | Impacts of operational variability and uncertainty on distributed generation investment planning: A comprehensive sensitivity analysis | |
CN109948858B (zh) | 基于数据驱动的工况识别方法 | |
Benalcazar | Sizing and optimizing the operation of thermal energy storage units in combined heat and power plants: An integrated modeling approach | |
CN106774214B (zh) | 一种基于设备工况组合的能源调度系统 | |
JP2010213477A (ja) | 発電計画作成方法、装置、プログラムおよび記憶装置 | |
Ersoz et al. | Combined cooling, heat and power planning under uncertainty | |
Petrelli et al. | A novel multi-objective method with online Pareto pruning for multi-year optimization of rural microgrids | |
Flaute et al. | Macroeconomic effects of prosumer households in Germany | |
Duenas et al. | Strategic management of multi-year natural gas contracts in electricity markets | |
Franz et al. | Fix-and-optimize procedures for solving the long-term unit commitment problem with pumped storages | |
Ramsebner et al. | Techno-economic evaluation of renewable hydrogen generation strategies for the industrial sector | |
Liu et al. | Energy systems engineering: methodologies and applications | |
Li et al. | Distributed robust optimization scheduling of a steel plant integrated energy system considering the uncertainty of byproduct coal gas | |
CN112508222A (zh) | 燃气轮机冷热电三联供项目装机方案推荐方法、系统以及终端 | |
Ladwig | A techno-economic comparison of demand side management with other flexibility options | |
Boake | A strategy for electrical load management in the South African mining industry | |
Feng et al. | Gas system scheduling strategy for steel metallurgical process based on multi-objective differential evolution | |
Park et al. | Local-Generator-Based Virtual Power Plant Operation Algorithm Considering Operation Time |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |