CN108629458B - 基于大数据的煤电机组优化运行方法 - Google Patents

基于大数据的煤电机组优化运行方法 Download PDF

Info

Publication number
CN108629458B
CN108629458B CN201810437431.2A CN201810437431A CN108629458B CN 108629458 B CN108629458 B CN 108629458B CN 201810437431 A CN201810437431 A CN 201810437431A CN 108629458 B CN108629458 B CN 108629458B
Authority
CN
China
Prior art keywords
unit
coal
electric quantity
benefit ratio
electric
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
CN201810437431.2A
Other languages
English (en)
Other versions
CN108629458A (zh
Inventor
王韬
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.)
Guodian Nanjing Automation Co Ltd
Original Assignee
Guodian Nanjing Automation Co 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 Guodian Nanjing Automation Co Ltd filed Critical Guodian Nanjing Automation Co Ltd
Priority to CN201810437431.2A priority Critical patent/CN108629458B/zh
Publication of CN108629458A publication Critical patent/CN108629458A/zh
Application granted granted Critical
Publication of CN108629458B publication Critical patent/CN108629458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种基于大数据的煤电机组优化运行方法，以提高机组经济效益为目标，提出效益比的计算方法，并利用大数据技术，建立效益比与负荷率关系模型，同时，通过该模型，计算每台机组的最优效益比。最后利用该模型及电量分配算法，实现多机组的电量调度分配，达到效益比高的机组多发电的目标。通过数据实验表明，该模型可以有效实现多机组协调优化运行。并且，该模型的建立，对于下一步煤电机组发电量预测及煤电机组淘汰关停，提供了有效的数据支撑。

Description

基于大数据的煤电机组优化运行方法
技术领域
本发明涉及一种基于大数据的煤电机组优化运行方法，属于煤电机组技术领域。
背景技术
随着电力市场改革和能源互联网的发展，对于煤电机组来说，如何在能源竞争中处于优势地位，保持机组的持续优化运行至关重要。目前，关于机组优化运行的方法，主要是围绕机组煤耗率[1-16]最小为目标函数，建立一些函数关系，但该种建模的建立，需要考虑的因素比较多，比如锅炉、汽轮机等设备的运行效率，并且对于各种设备逐渐老化，效率变低的情况，也不能实时调整函数适应外界环境的变化。在实际的生产过程中，也不是说负荷率越高，煤耗就越低，建模存在一定的局限性。同时，对于多机组负荷分配的问题，主要也是依托煤耗率作为负荷分配的依据，其主要方法有：动态规划法、微增率法、粒子群法、遗传算法、数据分析挖掘法等算法，通过函数方式建立模型，但是不同函数约束条件不同，但同样也存在，设备老化等外在环境的变化，导致煤耗曲线就会偏离设计曲线的问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于大数据的煤电机组优化运行方法，解决现有技术中因外在环境变化导致煤耗曲线偏离设计曲线的技术问题。
为解决上述技术问题，本发明所采用的技术方案是：基于大数据的煤电机组优化运行方法，包括如下步骤：
引进效益比评述标准，把效益比的计算公式定义为式(1)：
Br＝Gi/Gc (1)
式中：Br为效益比；Gi为煤电机组发电收入；Gc为煤电机组发电成本；
运用大数据技术，通过每日效益比数据和对应的每日负荷率数据进行拟合，建立煤电机组效益比与负荷率关系模型；
通过煤电机组效益比与负荷率关系模型计算每台煤电机组的最优效益比；
结合煤电机组效益比与负荷率关系模型，采用电量分配算法进行多机组电量调度分配，达到效益比最高的机组多发电目标。
优选的，所述煤电机组发电收入Gi采用煤电机组发电量数据Eq表示。
优选的，所述煤电机组发电成本Gc采用发电标准煤量Cq表示。
进一步的，所述发电标准煤量Cq的计算方法如下：
将不同煤种转化成标准煤的热值方法，如式(2)
Ecc＝Ecv/Ccv (2)
式中：Ecc为能源折标准煤系数；Ecv为能源实际热值，单位为：千卡/千克；Ccv为标准煤热值，Ccv＝7000千卡/千克；
在各种能源折算标准煤之前，首先测算各种能源的实际平均热值，再折算标准煤；
平均热值计算公式为式(3)：
Vac＝∑[Eecv×Eeq]/Et (3)
式中：Vac为平均热值，单位为：千卡/千克；Eecv为每种能源实测低发热量；Eeq为每种能源数量；Et为能源总量；
由式(2)和式(3)可知：
Cq＝(Vac/Ccv)*Et (4)
通过式(4)折算出每天的标准煤量。
进一步的，所述煤电机组的负荷率计算方法如式(5)所示：
P1＝P2/P3 (5)
式中：P1为负荷率；P2为统计周期内的平均负荷；P3为煤电机组最大负荷。
进一步的，所述煤电机组效益比与负荷率关系模型包括模型一和模型二；
所述模型一是指：以负荷率为横坐标、以效益比为纵坐标，效益比与负荷率关系曲线包括上升段和下降段；
所述模型二是指：以负荷率为横坐标、以效益比为纵坐标，效益比与负荷率关系曲线只包括上升段。
进一步的，多机组电量调度分配的具体方法如下：
层级排序：
计算所有机组的最大效益比数据，然后按照机组最优运行状态效益比由高到低排序；把每个效益比命名为一个层级，其层级顺序由高到低依次为1、2、3…….i，各台机组最优效益比下发电量记作Ni；在每个层级下最优效益比值大于等于该层级效益比值的所有机组，在最优效益比时的电量值累加值，记作Pi；
计算层级电量浮动区域：
在负荷率不大于100％的情况下：
对于模型一，会分别对应两个负荷率数据，根据式(6)计算不同负荷率下所对应的电量数据，和最优效益值时的电量数据相比较，从而形成一个电量浮动期间，设电量浮动期间由第i层级第j个机组形成，记作[Ei,j,1,Ei,j,2]；
Em＝Ul*Ulr*24 (6)
式中：Em为发电量；Ul为机组负荷；Ulr为机组负荷率；
对于模型二，Ei,j,2所对应的值为零；同一效益比下的所有机组浮动区间累加，形成这一区间汇总的浮动数据[Fi,1,Fi,2]；
差值Epd计算：
如果调度电量Deq≥(Pi+Pi+1)/2；Epd＝Deq-Pi+1；
如果调度电量Deq<(Pi+Pi+1)/2；Epd＝Deq-Pi；
差值判断：
(1)判断差值Epd是否在i层级这个级别的浮动区间[Fi,1,Fi,2]之内；
(2)判断差值Epd是否在i+1层级这个级别的浮动区间[Fi+1,1,Fi+1,2]之内；
(3)判断调度电量Deq是否小于i层级这个级别的所有机组日度最大累计发电量；
(4)判断调度电量Deq是否小于或等于i+1层级这个级别的所有机组日度最大累计发电量；
对于满足条件(1)、(2)、(3)、(4)任何一种情况时，把该层级所对应的机组集合记为：Z；
如果是(1)、(2)情况，直接分配；
如果是(3)、(4)两种情况，继续在第i+1层级找到i层级这个级别对应的机组Z所形成的浮动区间[Mi,1,Mi,2]，直到满足条件Epd在区间[Mi,1,Mi,2]为止；
电量分配：
各台电量按照电量差百分比的方式计算：
如果差值Epd≤0，Qi,j＝Epd/Mi,1*Zi,j,1；
如果差值Epd>0，Qi,j＝Epd/Mi,2*Zi,j,2；
其中：Qi,j为第i层级第j台机组实际参与调控的浮动电量；Zi,j,1为在机组集合Z内第i层级第j台机组的最小浮动电量；Zi,j,2为在机组集合Z内第i层级第j台机组的最大浮动电量；
Qj＝Nj+Qi,j (7)
式中：Qj为第j台机组的最终发电量；Nj为第j台机组的最高效益比发电量；Qi,j为第i层级第j台机组实际参与调控的浮动电量；
如果调度电量Deq小于第一层级的Pi，按照调度电量计算机组的负荷率，然后计算效益比，效益比最高的为发电机组；
如果调度电量Deq大于最后一个层级所有机组的最优效益比值下的Pi，且小于所有机组最大电量累计值，直接按照电量算法计算分配；
如果调度电量Deq大于所有机组最大电量累计值，扩充装机容量。
与现有技术相比，本发明所达到的有益效果是：
提出利用大数据技术，从效益比的角度，建立实时的效益比-负荷率模型，获取机组在不同负荷率情况下的效益比的变化情况，实现机组在最大效益比的情况下优化运行，同时，利用该模型，以效益比高的机组多发电为目标，实现多机组的最优经济调度；效益比-负荷率模型的建立，对于下一步煤电机组发电量预测及煤电机组淘汰关停，提供了有效的数据支撑。
附图说明
图1是本发明提出的效益比与负荷率模型中模型一所对应的关系曲线图；
图2是本发明提出的效益比与负荷率模型中模型二所对应的关系曲线图；
图3是本发明中电量调度分配流程图；
图4是调度机组电量浮动区间图。
具体实施方式
本发明针对机组最优运行状态和多机组负荷分配的问题，提出利用大数据技术，从效益比的角度，建立实时的效益比-负荷率模型，获取机组在不同负荷率情况下的效益比的变化情况，实现机组在最大效益比的情况下优化运行，同时，利用该模型，以效益比高的机组多发电为目标，实现多机组的最优经济调度。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
步骤一：以提高机组经济效益为目标，引进效益比评述标准：
关于电力行业大数据的采集、存储等技术方式，在现有技术中已有介绍，已有的通过sap系统建立数据中心的方法，并且方便数据分析，可供本发明借鉴。为利用大数据实现煤电机组的优化运行，本发明引进效益比作为评述标准，效益比的计算公式定义为式(1)：
Br＝Gi/Gc (1)
—Br为效益比；
—Gi为煤电机组发电收入(下称收入)；
—Gc为煤电机组发电成本(下称成本)；
在火电企业中，煤炭成本占比比较高，因此把煤炭成本记作成本，其对应的收入其主要来自发电收入，把发电收入记作收入。
step1.1：煤电机组发电收入计算：
Gi＝Eq*EP (2)
—Gi为煤电机组发电收入；
—Eq为发电量；
—EP为电价；
从式(2)可以看出，电价对收入有一定的影响，所以，为了避免电价的波动，对建模的影响，增强模型的可用性，本发明采用发电量数据Eq记为收入。
step1.2煤电机组发电成本计算
Gc＝Cq*Cp (3)
—Gc为煤电机组发电成本；
—Cq为煤量；
—Cp为煤价；
从式(3)可以看出，煤价成本有一定的影响，所以，为了避免煤价的波动，对建模的影响，增强模型的可用性，就用发电标准煤量Cq记为成本，同时，尽量使发电量数据和发电标准煤量数据保持在同一级别的单位中，使效益比数值维持在0到10区间之内。
同时，为了使数据更有说服力，把发电煤炭数量，转换成标准煤数量。其计算方法如下：
标准煤具有统一的热值标准。我国规定每千克标准煤的热值为7000千卡。因此，不同煤种转化成标准煤的热值方法，如式(4)
Ecc＝Ecv/Ccv (4)
—Ecc为能源折标准煤系数；
—Ecv为能源实际热值(千卡/千克)；
—Ccv为标准煤热值7000(千卡/千克)；
在各种能源折算标准煤之前，首先测算各种能源的实际平均热值，再折算标准煤。平均热值也称平均发热量，是指不同种类或品种的能源实测发热量的加权平均值。计算公式为式(5)：
Vac＝∑[Eecv×Eeq]/Et (5)
—Vac为平均热值(千卡/千克)；
—Eecv为每种能源实测低发热量；
—Eeq为每种能源数量；
—Et为能源总量；
由式(4)和式(5)可知：
Cq＝(Vac/Ccv)*Et (6)
通过式(6)可以折算出每天的标准煤量，至此成本数据，就已经计算出来了。
step1.3负荷率计算
关于煤电机组的负荷率的计算方法如式(7)。
P1＝P2/P3 (7)
—P1为负荷率；
—P2为统计周期内的平均负荷；
—P3为机组最大负荷；
负荷率是指在统计周期(日、月、年)内的平均负荷与最大负荷之间的百分数；可以用来衡量在规定时间内负荷变动情况，以及考核电气设备的利用程度，也在一定程度上反映了机组的运行效率。
步骤二：建立煤电机组效益比与负荷率关系模型：
煤电机组的运行，不是说负荷率越高，效益比就越大，这两者之间，存在一定的函数关系，可以运用大数据技术，通过大量的每日的效益比数据和对应的每日的负荷率数据进行拟合研究，可以发现，当机组处于某一负荷率时，效益比处于最优的状态，就可以让该机组处于这一最优运行状态下，以达到效益最大化。从而形成每台机组的优化运行模型，同时，为保证所建模型防止机组老化等因素的影响，需要把每天新的运行数据，实时输入到计算模型的数据中心中，确保每天所得的两者关系模型，都是由最新的大数据集合拟合而成。其模型关系如图1和图2所示。
假设图1对应函数y1＝f1(x1) (0≤x1≤100) (8)
假设图2对应函数y2＝f2(x2) (0≤x2≤100) (9)
y1和y2为应效益比数据；x1和x2为应负荷率数据。
对于图1，效益比与负荷率关系曲线分成两段：上升AB段和下降BC段(负荷率的有效范围是0到100％)，对于同一效益比值可能对应两个负荷率值，如F点效益比值，其负荷率值就分别对应上升段D点和下降段E点，为了使效率比高的机组多发电，负荷率的值只有在BC段中才可以。
对于图2，效益比与负荷率关系曲线只有上升段，一个效益比值对应唯一的一个负荷率数据。但这并不是说该类型的机组所有机组都直接满负荷发电就可以，就不参与计算，因为可能会出现一种情况：即使是模型二的机组满负荷发电的效益比也比其他机组的效益比低。特别是装机容量小的机组和装机容量大的机组比较时，容易出现这种情况。
步骤三：多机组电量调度分配
多机组调优的原则是：使效益比高的机组多发电。在文献[23]提到一种风机机组优化运行的方式，因为单台风机的容量较小，并且风机启动成本较低，这是火电与风电明显不同的地方。当算出每台机组的最佳效益指标时，而对于区域或集团内的机组，如何保持在一种最佳的效益状态下呢，其过程如下：
Step3.1层级排序：
根据式(8)和式(9)计算所有机组的最大效益比数据，然后按照机组最优运行状态效益比由高到低排序。把每个效益比命名为一个层级，其层级顺序由高到低依次为1,、2、3…….i。各台机组最优效益比下发电量记作Ni。在每个层级下最优效益比值大于等于该层级效益比值的所有机组，在最优效益比时的电量值累加值，记作Pi。
Step3.2计算层级电量浮动区域：
在负荷率不大于100％的情况下，对于模型一，会分别对应两个负荷率数据，根据式(10)，计算不同负荷率下所对应的电量数据，和最优效益值时的电量数据比较，就会形成一个电量浮动期间[Ei,j,1,Ei,j,2](第i层级第j个机组形成的电量浮动区间)。对于模型二，其实，Ei,j,2所对应的值其实就是零，因为模型二就是在效益高的时候，负荷率最大。同一效益比下的所有机组浮动区间累加，形成这一区间汇总的浮动数据[Fi,1,Fi,2]
Em＝Ul*Ulr*24 (10)
—Em为发电量；
—Ul为机组负荷；
—Ulr为机组负荷率；
Step3.3差值Epd计算：
如果调度电量Deq≥(Pi+Pi+1)/2；Epd＝Deq-Pi+1；
如果调度电量Deq<(Pi+Pi+1)/2；Epd＝Deq-Pi；
Step3.4差值判断：
(1)判断Epd是否在i层级这个级别的浮动区间[Fi,1,Fi,2]之内；
(2)判断Epd是否在i+1层级这个级别的浮动区间[Fi+1,1,Fi+1,2]之内；
(3)判断Deq是否小于i层级这个级别的所有机组日度最大累计发电量；
(4)判断Deq是否小于或等于i+1层级这个级别的所有机组日度最大累计发电量；
对于满足条件(1)、(2)、(3)、(4)任何一种情况时，把该层级所对应的机组集合记为：Z。
如果是(1)、(2)情况，可以直接分配，如果是(3)、(4)两种情况，还需要继续在第i+1层级找到i层级这个级别对应的这些机组Z所形成的浮动区间[Mi,1,Mi,2](注意，这个区域和前面提到的区间[Fi,1,Fi,2]不同，[Fi,1,Fi,2]对应的是第i层级下所有机组所形成的区间)。直到满足条件Epd在区间[Mi,1,Mi,2]为止。如果是(1)、(2)情况区间[Mi,1,Mi,2]和[Fi,1,Fi,2]是相同的。
Step3.5电量分配
各台电量按照电量差百分比的方式计算。
如果差值Epd≤0，Qi,j＝Epd/Mi,1*Zi,j,1；
如果差值Epd>0，Qi,j＝Epd/Mi,2*Zi,j,2；
Zi,j,1为在机组集合Z内第i层级第j台机组的最小浮动电量；
Zi,j,2为在机组集合Z内第i层级第j台机组的最大浮动电量；
Qi,j为第i层级第j台机组实际参与调控的浮动电量；
Qj＝Nj+Qi,j (11)
Qj为第j台机组的最终发电量；
Nj为第j台机组的最高效益比发电量；
Qi,j为第i层级第j台机组实际参与调控的浮动电量；
说明：如果调度电量Deq小于第一层级的Pi(正常情况下第一层级只有一个机组)，按照调度电量计算机组的负荷率，然后计算效益比，效益比最高的为发电机组。如果是调度电量Deq大于最后一个层级所有机组的最优效益比值下的Pi，且小于所有机组最大电量累计值，直接按照电量算法计算分配即可，如果大于所有机组最大电量累计值，就只能扩充装机容量。整个电量分配算法流程如图3。
数据验证
关于每台机组的效益比模型计算方法，主要是利用大数据的技术进行数据分析拟合的过程，属于现有技术，而对于在已知模型的情况下，机组如何优化运行的计算方法，其过程如下：
4.1机组指标数据
假设有十台机组参与电量调度，其机组主要信息如表1。
表1机组基本信息表
序号 机组编号 效益比 效益比模型 最高效益比发电量 装机容量 每台日度最大发电量
1 #1 1.3 模型一 1300 60 1440
2 #2 1.2 模型二 1200 50 1200
3 #3 1.15 模型一 1150 60 1440
4 #4 1.1 模型一 1100 60 1440
5 #5 1.05 模型二 1060 50 1200
6 #6 1 模型一 1000 50 1200
7 #7 0.95 模型一 960 50 1200
8 #8 0.9 模型一 900 50 1200
9 #9 0.88 模型一 880 45 1080
10 #10 0.85 模型一 860 45 1080
4.2电量计算
根据每台机组的模型，分别计算每台机组，在不同效益比下的电量浮动区间，如表2。
表2机组电量浮动区间表
Figure BDA0001655032340000121
Figure BDA0001655032340000131
假设调度电量为5000，按照效益比由高到低的顺序比较，可以发现，到表2中第5层级，机组累计发电量，就开始超过5000。
根据四个条件判断，可知，条件(3)符合调度方式，所以，参与调度优化的机组是层级四的四台机组，且差额为250，由此可以计算这四台机组的电量浮动区间如图4。
根据式(11),每台机组的发电量为：
机组#1电量为(5000-4750)/290*120+1300≈1403.45；
机组#2电量为(5000-4750)/290*0+1200＝1200；
机组#3电量为(5000-4750)/290*80+1150≈1218.97；
机组#4电量为(5000-4750)/290*90+1100≈1177.59。
本发明从效益的角度，研究了效益比和负荷率的关系，此种关系模型的建立，相对于平均电量调度方式，至少提高10％的经济效益，同时，该方式还可以实现以下几种作用:
1)为实现机组的最优化运行提供了数据支撑的依据，同时也可以科学实现多机组的电量调度。
2)为下一步煤电机组发电量数据预测奠定了基础。比如使机组处于最好效率比运行时，就可以预测出该机组的发电量。同时，结合风电机组的风功率预测，可以有效实现煤电和风电机组的电量预测，为下一步的能源互联网的发展奠定基础。
3)对发电单位而言，还可以根据每台机组的每日最优电量数据，作为争取电量数据的依据。
4)可以为机组淘汰关停提供数据支撑依据，让数据说话，更有说服力。
5)为电量区域调度提供一定的参考依据，根据电量需求的情况下，依据机组的最优运行状态进行调度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.基于大数据的煤电机组优化运行方法，其特征在于，包括如下步骤：
引进效益比评述标准，把效益比的计算公式定义为式(1)：
Br＝Gi/Gc (1)
式中：Br为效益比；Gi为煤电机组发电收入；Gc为煤电机组发电成本；
运用大数据技术，通过每日效益比数据和对应的每日负荷率数据进行拟合，建立煤电机组效益比与负荷率关系模型；
通过煤电机组效益比与负荷率关系模型计算每台煤电机组的最优效益比；
结合煤电机组效益比与负荷率关系模型，采用电量分配算法进行多机组电量调度分配，达到效益比最高的机组多发电目标；
所述煤电机组效益比与负荷率关系模型包括模型一和模型二；
所述模型一是指：以负荷率为横坐标、以效益比为纵坐标，效益比与负荷率关系曲线包括上升段和下降段；
所述模型二是指：以负荷率为横坐标、以效益比为纵坐标，效益比与负荷率关系曲线只包括上升段；
多机组电量调度分配的具体方法如下：
层级排序：
计算所有机组的最大效益比数据，然后按照机组最优运行状态效益比由高到低排序；把每个效益比命名为一个层级，其层级顺序由高到低依次为1、2、3…….i，各台机组最优效益比下发电量记作Ni；在每个层级下最优效益比值大于等于该层级效益比值的所有机组，在最优效益比时的电量值累加值，记作Pi；
计算层级电量浮动区域：
在负荷率不大于100％的情况下：
对于模型一，会分别对应两个负荷率数据，根据式(6)计算不同负荷率下所对应的电量数据，和最优效益值时的电量数据相比较，从而形成一个电量浮动期间，设电量浮动期间由第i层级第j个机组形成，记作[Ei,j,1,Ei,j,2]；
Em＝Ul*Ulr*24 (6)
式中：Em为发电量；Ul为机组负荷；Ulr为机组负荷率；
对于模型二，Ei,j,2所对应的值为零；同一效益比下的所有机组浮动区间累加，形成这一区间汇总的浮动数据[Fi,1,Fi,2]；
差值Epd计算：
如果调度电量Deq≥(Pi+Pi+1)/2；Epd＝Deq-Pi+1；
如果调度电量Deq<(Pi+Pi+1)/2；Epd＝Deq-Pi；
差值判断：
(1)判断差值Epd是否在i层级这个级别的浮动区间[Fi,1,Fi,2]之内；
(2)判断差值Epd是否在i+1层级这个级别的浮动区间[Fi+1,1,Fi+1,2]之内；
(3)判断调度电量Deq是否小于i层级这个级别的所有机组日度最大累计发电量；
(4)判断调度电量Deq是否小于或等于i+1层级这个级别的所有机组日度最大累计发电量；
对于满足条件(1)、(2)、(3)、(4)任何一种情况时，把该层级所对应的机组集合记为：Z；
如果是(1)、(2)情况，直接分配；
如果是(3)、(4)两种情况，继续在第i+1层级找到i层级这个级别对应的机组Z所形成的浮动区间[Mi,1,Mi,2]，直到满足条件Epd在区间[Mi,1,Mi,2]为止；
电量分配：
各台电量按照电量差百分比的方式计算：
如果差值Epd≤0，Qi,j＝Epd/Mi,1*Zi,j,1；
如果差值Epd>0，Qi,j＝Epd/Mi,2*Zi,j,2；
其中：Qi,j为第i层级第j台机组实际参与调控的浮动电量；Zi,j,1为在机组集合Z内第i层级第j台机组的最小浮动电量；Zi,j,2为在机组集合Z内第i层级第j台机组的最大浮动电量；
Qj＝Nj+Qi,j (7)
式中：Qj为第j台机组的最终发电量；Nj为第j台机组的最高效益比发电量；Qi,j为第i层级第j台机组实际参与调控的浮动电量；
如果调度电量Deq小于第一层级的Pi，按照调度电量计算机组的负荷率，然后计算效益比，效益比最高的为发电机组；
如果调度电量Deq大于最后一个层级所有机组的最优效益比值下的Pi，且小于所有机组最大电量累计值，直接按照电量算法计算分配；
如果调度电量Deq大于所有机组最大电量累计值，扩充装机容量。
2.根据权利要求1所述的基于大数据的煤电机组优化运行方法，其特征在于，所述煤电机组发电收入Gi采用煤电机组发电量数据Eq表示。
3.根据权利要求1所述的基于大数据的煤电机组优化运行方法，其特征在于，所述煤电机组发电成本Gc采用发电标准煤量Cq表示。
4.根据权利要求1所述的基于大数据的煤电机组优化运行方法，其特征在于，所述发电标准煤量Cq的计算方法如下：
将不同煤种转化成标准煤的热值方法，如式(2)
Ecc＝Ecv/Ccv (2)
式中：Ecc为能源折标准煤系数；Ecv为能源实际热值，单位为：千卡/千克；Ccv为标准煤热值，Ccv＝7000千卡/千克；
在各种能源折算标准煤之前，首先测算各种能源的实际平均热值，再折算标准煤；
平均热值计算公式为式(3)：
Vac＝∑[Eecv×Eeq]/Et (3)
式中：Vac为平均热值，单位为：千卡/千克；Eecv为每种能源实测低发热量；Eeq为每种能源数量；Et为能源总量；
由式(2)和式(3)可知：
Cq＝(Vac/Ccv)*Et (4)
通过式(4)折算出每天的标准煤量。
5.根据权利要求1所述的基于大数据的煤电机组优化运行方法，其特征在于，所述煤电机组的负荷率计算方法如式(5)所示：
P1＝P2/P3 (5)
式中：P1为负荷率；P2为统计周期内的平均负荷；P3为煤电机组最大负荷。
CN201810437431.2A 2018-05-09 2018-05-09 基于大数据的煤电机组优化运行方法 Active CN108629458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810437431.2A CN108629458B (zh) 2018-05-09 2018-05-09 基于大数据的煤电机组优化运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810437431.2A CN108629458B (zh) 2018-05-09 2018-05-09 基于大数据的煤电机组优化运行方法

Publications (2)

Publication Number Publication Date
CN108629458A CN108629458A (zh) 2018-10-09
CN108629458B true CN108629458B (zh) 2021-12-07

Family

ID=63692402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810437431.2A Active CN108629458B (zh) 2018-05-09 2018-05-09 基于大数据的煤电机组优化运行方法

Country Status (1)

Country Link
CN (1) CN108629458B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860438A (zh) * 2023-02-23 2023-03-28 大唐山东能源营销有限公司 一种燃煤电厂电量分配方法、系统及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714426A (zh) * 2013-12-24 2014-04-09 国家电网公司 中小径流式水电站群一体化调度系统
CN103956779A (zh) * 2014-05-19 2014-07-30 大唐七台河发电有限责任公司 一种基于能量平衡的火电机组全厂负荷经济调度技术
CN103955752A (zh) * 2014-04-11 2014-07-30 国家电网公司 一种燃煤电厂污染物排放总量控制智能化决策方法
CN106447099A (zh) * 2016-09-22 2017-02-22 广州粤能电力科技开发有限公司 燃煤机组负荷分配方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140310041A1 (en) * 2013-01-30 2014-10-16 Command Alkon Incorporated Scheduling system and method for distribution of perishable loads of pre-mixed concrete to multiple sites

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714426A (zh) * 2013-12-24 2014-04-09 国家电网公司 中小径流式水电站群一体化调度系统
CN103955752A (zh) * 2014-04-11 2014-07-30 国家电网公司 一种燃煤电厂污染物排放总量控制智能化决策方法
CN103956779A (zh) * 2014-05-19 2014-07-30 大唐七台河发电有限责任公司 一种基于能量平衡的火电机组全厂负荷经济调度技术
CN106447099A (zh) * 2016-09-22 2017-02-22 广州粤能电力科技开发有限公司 燃煤机组负荷分配方法和装置

Also Published As

Publication number Publication date
CN108629458A (zh) 2018-10-09

Similar Documents

Publication Publication Date Title
CN107301472B (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
CN109256799B (zh) 一种基于样本熵的新能源电力系统优化调度方法
CN106099993B (zh) 一种适应新能源大规模接入的电源规划方法
CN112072640A (zh) 一种虚拟电厂聚合资源的容量优化方法
CN1737838A (zh) 对发电和配电进行经济分析的方法和装置
CN110094802A (zh) 一种热泵与蓄热式电锅炉联合供暖负荷分配方法及装置
CN110807588B (zh) 一种多能源耦合综合能源系统的优化调度方法
CN110796373B (zh) 面向风电消纳的多阶段场景生成电热系统优化调度方法
CN110322056A (zh) 一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法
CN111313480A (zh) 一种基于多目标寻优的多能互补系统的设计方法
CN114548584A (zh) 一种含有电转气和碳捕集设备的综合能源系统的优化方法
CN111799772A (zh) 一种考虑机组深度调峰的电热系统优化调度方法
CN108629458B (zh) 基于大数据的煤电机组优化运行方法
CN110112779B (zh) 基于多状态概率分布的电采暖消纳风电测算模型
CN113794200B (zh) 一种用于虚拟电厂的多类型负荷资源聚合方法
CN111523204A (zh) 一种并网型综合能源网电-气储能系统优化配置求解方法
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
CN113313351B (zh) 计及多能耦合影响的电-气-热系统灵活性评估方法
CN108899927A (zh) 一种基于风电集群接入电网的多元分区协调控制优化方法
CN108270244B (zh) 一种新能源电力系统在多种调控域运行方式下调度方法
CN115965116A (zh) 一种区域多能源系统多目标协调调控方法
CN114421486B (zh) 一种电动汽车智能充电控制方法
CN105552941A (zh) 一种分布式电源调峰容量优化方法
CN114006414B (zh) 一种基于mpc的风电有功功率分层递阶控制方法及装置
CN109840621A (zh) 考虑储能系统影响的并网型微电网日前多目标优化方法

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
GR01 Patent grant
GR01 Patent grant