CN109978276B - 火电厂机群多台供热机组热电负荷分配的在线优化方法 - Google Patents

Abstract

火电厂机群多台供热机组热电负荷分配的在线优化方法，它属于供热机组热电负荷分配技术领域。本发明解决了现阶段多台供热机组热电负荷分配中没有对不同能量品质的蒸汽的分配进行针对性优化，且没有考虑蒸汽分配之后的热电负荷变化对经济性的影响的问题。本发明在热电负荷分配在线优化过程中，综合考虑不同抽汽机组类型特点以及不同参数对于热耗的影响，实现了对机组边界条件的准确定义以及热耗值的准确计算；优化过程中对边界条件进行更加多层次的定义，提高速度避免陷入局部最优；在机群多台抽汽供热机组且每台存在多个抽汽点情况下，实现了不同能量品质蒸汽以及电功率的合理分配，并减少总能耗。本发明可以应用于供热机组热电负荷分配技术领域。

Description

火电厂机群多台供热机组热电负荷分配的在线优化方法

技术领域

本发明属于供热机组热电负荷分配技术领域，具体涉及一种火电厂机群多台供热机组热电负荷分配的在线优化方法。

背景技术

随着经济的发展和人民生活质量的提高，城市集中供热系统得到迅速发展，其中热电联产能源转换效率具有明显优势，因此，供热抽汽机组得到了大力的发展。抽汽供热机组向用户提供电力和采暖用热，电厂提供的热力和电力的多少，受控于热用户和电用户的需求，因此，电厂必须按照热用户和电用户的需求调整供热抽汽机组的热电负荷。

对于确定的热电负荷，电厂如何根据机组的类型以及机组效率的差异，在各机组间进行热电负荷的分配，使整个电厂的热耗率最低，使整个电厂的经济效益最好，是电厂生产运行中面临的问题。这就需要对电厂供热抽汽机组间的电负荷及热负荷进行分配优化，确定每台机组的电负荷和热负荷。

针对电厂的负荷优化分配，较早开展也较为成熟的是纯凝机组的电负荷分配优化研究，等微增率法得到了广泛的应用，由于抽汽供热机组热负荷也需参与优化分配，因此，无论是从热耗曲线获取、还是优化复杂性角度均较纯凝机组的电负荷分配优化复杂。目前，针对抽汽供热机组的热、电负荷分配优化，已开展了许多研究。现阶段多台汽轮机组组成机群对外进行供热供电已成常态，且不同用户对于热能品质的需求也不同，需要从机群中获取不同参数的蒸汽。不同能量品质的蒸汽对机组经济性的影响是不同的，但是现阶段均将不同能量品质的蒸汽考虑为一个整体，没有对不同能量品质的蒸汽的分配进行针对性优化，并且没有考虑之后时间段内热电负荷变化对于经济性影响的效果。

发明内容

本发明的目的是为了解决现阶段多台供热机组热电负荷分配中没有对不同能量品质的蒸汽的分配进行针对性优化，且没有考虑蒸汽分配之后的热电负荷变化对经济性的影响的问题。

本发明为解决上述技术问题采取的技术方案是：火电厂机群多台供热机组热电负荷分配的在线优化方法，该方法包括以下步骤：

步骤一、根据试验得到n台供热机组中每台供热机组的实际热耗曲线，再根据每台供热机组的耗差修正总系数θ_i对实际热耗曲线进行修正获得机组设计热耗曲线；其中：i＝1,2,…,n；

步骤二、根据每台供热机组在机组设计热耗曲线中对应的热耗值R_i，设置供热机组热电负荷分配优化的目标函数；

步骤三、设定步骤二的目标函数的约束条件；

步骤四、根据步骤三设定的目标函数约束条件，求出n台供热机组的总热耗值的最小值，并输出最小的总热耗值所对应的各台供热机组的功率值、各台供热机组的每个抽汽位置的抽汽量值和各台供热机组的热耗值；

利用功率值表征供热机组的电负荷，利用抽汽量表征供热机组的热负荷，实现火电厂机群多台供热机组热电负荷分配的在线优化。

本发明的有益效果是：本发明的火电厂机群多台供热机组热电负荷分配的在线优化方法，本发明在热电负荷分配在线优化过程中，综合考虑不同抽汽机组类型特点以及不同参数对于热耗的影响，实现了对机组边界条件的准确定义以及热耗值的准确计算，增强计算结果准确性；优化过程中对边界条件进行更加多层次的定义，提高算法计算速度以及准确性，避免陷入局部最优；在机群多台抽汽供热机组且每台存在多个抽汽点情况下，在确定时间段范围内利用预测热电负荷变化曲线，综合考虑动态变化过程能量损失，实现了不同能量品质蒸汽以及电功率的合理分配，并减少了总能耗，达到节能的目的，具有很好的经济效益。

附图说明

图1是本发明的火电厂机群多台供热机组热电负荷分配的在线优化方法的流程图；

具体实施方式

具体实施方式一：如图1所示，本实施方式所述的火电厂机群多台供热机组热电负荷分配的在线优化方法，该方法包括以下步骤：

步骤一、根据试验得到n台供热机组中每台供热机组的实际热耗曲线，再根据每台供热机组的耗差修正总系数θ_i对实际热耗曲线进行修正获得机组设计热耗曲线；其中：i＝1,2,…,n；

步骤二、根据每台供热机组在机组设计热耗曲线中对应的热耗值R_i，设置供热机组热电负荷分配优化的目标函数；

步骤三、设定步骤二的目标函数的约束条件；

步骤四、根据步骤三设定的目标函数约束条件，求出n台供热机组的总热耗值的最小值，并输出最小的总热耗值所对应的各台供热机组的功率值、各台供热机组的每个抽汽位置的抽汽量值和各台供热机组的热耗值；

利用功率值表征供热机组的电负荷，利用抽汽量表征供热机组的热负荷，实现火电厂机群多台供热机组热电负荷分配的在线优化。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一的具体过程为：

根据试验得到n台供热机组中每台供热机组的实际热耗曲线，所述实际热耗曲线是指：以第i台供热机组的功率P_i和第i台供热机组的m个不同抽汽位置的抽汽量Q_i1,…,Q_im为自变量，以第i台供热机组的热耗值R_i为因变量的一簇曲线；

利用每台供热机组的耗差修正总系数θ_i对实际热耗曲线进行修正获得机组设计热耗曲线，机组设计热耗曲线表示为：

第1台供热机组：R₁＝θ₁·f(P₁,Q₁₁,…,Q_1m)；

第2台供热机组：R₂＝θ₂·f(P₂,Q₂₁,…,Q_2m)；

……

第n台供热机组：R_n＝θ_n·f(P_n,Q_n1,…,Q_nm)；

其中：P₁,P₂,…,P_n分别代表第1台、第2台、…、第n台供热机组的功率，用功率表征对应供热机组的电负荷；Q₁₁，···Q_1m分别代表第1台供热机组的第一个、第m个抽汽位置的抽汽量，用抽汽量表征对应供热机组的热负荷，θ₁,θ₂,…,θ_n分别代表第1台、第2台、…、第n台供热机组的耗差修正总系数，R₁,R₂,…,R_n分别代表第1台、第2台、…、第n台供热机组的热耗值，f(·)代表设计的热耗曲线的函数。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述每台供热机组的耗差修正总系数θ_i根据冷凝器背压、主蒸汽压力、主蒸汽温度、再热压力、再热蒸汽温度和给水温度这六个因素的偏离设计值大小来确定。

具体实施方式四：本实施方式与具体实施方式一不同的是：所述步骤二的具体过程为：

设置供热机组热电负荷分配优化的目标函数为：

其中：R为n台供热机组的总热耗值，ε_i为第i台供热机组由现工况变化至优化工况时造成的经济性损失值，是根据机组进行实际试验数据分析得到的，具体值为机组从一稳态调整至下一稳态工况过程中计算热耗率积分值与稳态热耗率总和的差值。

具体实施方式五：本实施方式与具体实施方式四不同的是：所述步骤三的具体过程为：

设定目标函数的约束条件如下：

第一个约束条件为：P_z＝P₁+P₂+···+P_n＝常数；

第二个约束条件为：Q_z1＝Q₁₁+Q₂₁+···+Q_n1＝常数

……

Q_zm＝Q_1m+Q_2m+···+Q_nm＝常数

即n台供热机组的不同能量品质蒸汽抽汽量总和为常数，n台供热机组的总功率P_z为常数；Q_z1为每台供热机组的第一个抽汽位置的抽汽量的总和，Q_z1为常数；

第三个约束条件为：P_i∈(P_imin,P_imax)

P_imin和P_imax分别表示第i台供热机组的最小功率值和最大功率值；i＝1,2,…,n；

第四个约束条件为：Q_ij∈(Q_ijmin,Q_ijmax)

Q_ijmin和Q_ijmax分别表示第i台供热机组的第j个抽汽位置的最小抽汽量和最大抽汽量；其中：j＝1,2,…,m。

具体实施方式六：本实施方式与具体实施方式五不同的是：所述步骤四的具体过程为：

步骤三一、设定初始种群：

用下面的(2n+m)×k的矩阵表示初始种群：

其中：k为设定的个体数目，P₁₁、P₁₂、P_1n分别为第1个个体对应的第1台、第2台、第n台供热机组的功率，Q₁₁₁、Q₁₂₁、Q_1n1分别为第1个个体对应的第1台、第2台、第n台供热机组的第1个抽汽位置的抽汽量，Q_11m、Q_12m、Q_1nm分别为第1个个体对应的第1台、第2台、第n台供热机组的第m个抽汽位置的抽汽量；

初始种群中前n-1个供热机组的功率和抽汽量进行满足第二个约束条件的编码，第n台供热机组的功率通过总功率与前n-1个供热机组的功率和做差获得，第n台供热机组的抽汽量通过各抽汽位置总抽汽量与前n-1个供热机组的抽汽量和做差获得；

即获得一个所有供热机组满足第一个约束条件和前n-1个供热机组满足第二约束条件的初始种群；

步骤三二、构建适应度函数：利用适应度函数计算初始种群中每个个体的适应度，实现个体的优化选择；

对于符合条件的个体：若个体对应的功率满足P_imin≤P_li≤P_imax且Q_ijmin≤Q_lij≤Q_ijmax，则定义该个体为符合条件的个体；即符合条件的个体满足第三个约束条件和第四个约束条件；

其中：P_li代表第l个个体对应的第i台供热机组的功率，Q_lij代表第l个个体对应的第i台供热机组的第j个抽汽位置的抽汽量；

定义适应度函数ObjV为：

其中：R_l为第l个个体对应的n台供热机组的总热耗值；

对于不符合条件的个体：若个体对应的功率满足P_imin＞P_l′i或者P_l′i＞P_imax，或个体的任一抽汽位置的抽汽量满足Q_ijmin＞Q_l′ij或者Q_l′ij＞Q_ijmax，则定义该个体为不符合条件的个体；即不符合条件的个体不满足第三个约束条件或第四个约束条件；

定义适应度函数ObjV为：

其中：l′代表第l′个个体，R_l′为第l′个个体对应的n台供热机组在运行过程中的总热耗值，通过电厂生产和试验数据得到；α为常系数，在实验中α取5；

当P_imin＞P_l′i时，

当P_l′i＞P_imax时，

当Q_ijmin＞Q_l′ij时，

当Q_l′ij＞Q_ijmax时，

β_Q＝Πβ_Q′

β_Q为第l′个个体中不符合抽汽量要求的抽汽位置对应的β_Q′的乘积；

中间变量β的取值为：β＝max(β_P,β_Q)；

若P_imin≤P_l′i，则β₁取0，若P_l′i＞P_imax，则β₂取0，若Q_ijmin≤Q_l′ij，则β₃取0，若Q_l′ij≤Q_ijmax，则β₄取0；

在选择过程中，适应度小的个体将有很大的概率被淘汰掉，同时不满足约束条件的个体也将有很大的概率被淘汰掉，从而实现个体的优化选择，理想状况下得到最大适应度即总热耗值R最小的个体；

步骤三三、基于传统遗传算法的选择、交叉和变异过程对代表初始种群的矩阵中的元素进行更新，来获得新的种群；并采用步骤三二的方法计算新的种群中每个个体的适应度；

通过选择、交叉和变异，继续随机组合种群组，生成新的种群；

步骤三四、重复步骤三三的过程，直至遗传代数达到N代时(每次迭代均筛选掉一部分个体，然后再随机生成补齐至k个个体，这些随机生成和交叉变异的仍然有可能存在不符合条件，继续对个体进行适应度计算，直至适应度函数不再变大)，遗传过程终止，获得n台供热机组的总热耗值的最小值，并输出具有最小的总热耗值的个体所对应的各台供热机组的功率值、各台供热机组的每个抽汽位置的抽汽量值和各台供热机组的热耗值；

利用功率值表征供热机组的电负荷，利用抽汽量表征供热机组的热负荷，实现火电厂机群多台供热机组热电负荷分配的在线优化。

针对本发明的步骤三进行进一步论述：

遗传算法的一般过程是：设置初始种群，计算适应度，选择，交叉，变异，产生新种群，重新计算适应度，依次循环迭代，直到迭代次数达到初始设定值，遗传结束，得到的最后一代种群为最优种群，种群里的个体为最优个体。在本发明中，我们优化的目的是使所有机组的总热耗值R最小，其中

在界面中用户输入或者从系统中实时获取每个供热机组的抽汽量(用其表征热负荷)和功率(用其表征电负荷)，可以通过查实际热耗曲线取得每个电负荷和抽汽量相应的热耗R_i，i∈[1,n]，通过R_i和上式便可以计算出所有机组的总热耗。

对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (2)

1.火电厂机群多台供热机组热电负荷分配的在线优化方法，其特征在于，该方法包括以下步骤：

步骤一、根据试验得到n台供热机组中每台供热机组的实际热耗曲线，再根据每台供热机组的耗差修正总系数θ_i对实际热耗曲线进行修正获得机组设计热耗曲线；其中：i＝1,2,…,n；

所述步骤一的具体过程为：

根据试验得到n台供热机组中每台供热机组的实际热耗曲线，所述实际热耗曲线是指：以第i台供热机组的功率P_i和第i台供热机组的m个不同抽汽位置的抽汽量Q_i1,…,Q_im为自变量，以第i台供热机组的热耗值R_i为因变量的一簇曲线；

利用每台供热机组的耗差修正总系数θ_i对实际热耗曲线进行修正获得机组设计热耗曲线，机组设计热耗曲线表示为：

第1台供热机组：R₁＝θ₁·f(P₁,Q₁₁,…,Q_1m)；

第2台供热机组：R₂＝θ₂·f(P₂,Q₂₁,…,Q_2m)；

……

第n台供热机组：R_n＝θ_n·f(P_n,Q_n1,…,Q_nm)；

其中：P₁,P₂,…,P_n分别代表第1台、第2台、…、第n台供热机组的功率，用功率表征对应供热机组的电负荷；Q₁₁，···Q_1m分别代表第1台供热机组的第一个、第m个抽汽位置的抽汽量，用抽汽量表征对应供热机组的热负荷，θ₁,θ₂,…,θ_n分别代表第1台、第2台、…、第n台供热机组的耗差修正总系数，R₁,R₂,…,R_n分别代表第1台、第2台、…、第n台供热机组的热耗值，f(·)代表设计的热耗曲线的函数；

步骤二、根据每台供热机组在机组设计热耗曲线中对应的热耗值R_i，设置供热机组热电负荷分配优化的目标函数；

所述步骤二的具体过程为：

设置供热机组热电负荷分配优化的目标函数为：

其中：R为n台供热机组的总热耗值，ε_i为第i台供热机组由现工况变化至优化工况时造成的经济性损失值；ε_i为第i台供热机组从一稳态调整至下一稳态工况过程中计算热耗率积分值与稳态热耗率总和的差值；

步骤三、设定步骤二的目标函数的约束条件；

所述步骤三的具体过程为：

设定步骤二目标函数的约束条件如下：

第一个约束条件为：P_z＝P₁+P₂+···+P_n＝常数；

第二个约束条件为：Q_z1＝Q₁₁+Q₂₁+···+Q_n1＝常数

……

Q_zm＝Q_1m+Q_2m+···+Q_nm＝常数

即n台供热机组的总功率P_z为常数；Q_z1为每台供热机组的第一个抽汽位置的抽汽量的总和，且Q_z1为常数；

第三个约束条件为：P_i∈(P_imin,P_imax)

P_imin和P_imax分别表示第i台供热机组的最小功率值和最大功率值；i＝1,2,…,n；

第四个约束条件为：Q_ij∈(Q_ijmin,Q_ijmax)

Q_ijmin和Q_ijmax分别表示第i台供热机组的第j个抽汽位置的最小抽汽量和最大抽汽量；其中：j＝1,2,…,m；

步骤四、根据步骤三设定的目标函数约束条件，求出n台供热机组的总热耗值的最小值，并输出最小的总热耗值所对应的各台供热机组的功率值、各台供热机组的每个抽汽位置的抽汽量值和各台供热机组的热耗值；

利用功率值表征供热机组的电负荷，利用抽汽量表征供热机组的热负荷，实现火电厂机群多台供热机组热电负荷分配的在线优化；

所述步骤四的具体过程为：

步骤三一、设定初始种群：

用下面的(2n+m)×k的矩阵表示初始种群：

其中：k为设定的个体数目，P₁₁、P₁₂、P_1n分别为第1个个体对应的第1台、第2台、第n台供热机组的功率，Q₁₁₁、Q₁₂₁、Q_1n1分别为第1个个体对应的第1台、第2台、第n台供热机组的第1个抽汽位置的抽汽量，Q_11m、Q_12m、Q_1nm分别为第1个个体对应的第1台、第2台、第n台供热机组的第m个抽汽位置的抽汽量；

初始种群中前n-1个供热机组的功率和抽汽量进行满足第二个约束条件的编码，第n台供热机组的功率通过总功率与前n-1个供热机组的功率和做差获得，第n台供热机组的抽汽量通过各抽汽位置总抽汽量与前n-1个供热机组的抽汽量和做差获得；

即获得一个所有供热机组满足第一个约束条件和前n-1个供热机组满足第二约束条件的初始种群；

步骤三二、构建适应度函数：利用适应度函数计算初始种群中每个个体的适应度；

对于符合条件的个体：若个体对应的功率满足P_imin≤P_li≤P_imax且Q_ijmin≤Q_lij≤Q_ijmax，则定义该个体为符合条件的个体；

其中：P_li代表第l个个体对应的第i台供热机组的功率，Q_lij代表第l个个体对应的第i台供热机组的第j个抽汽位置的抽汽量；

定义适应度函数ObjV为：

其中：R_l为第l个个体对应的n台供热机组的总热耗值；

对于不符合条件的个体：若个体对应的功率满足P_imin＞P_l′i或者P_l′i＞P_imax，或个体的任一抽汽位置的抽汽量满足Q_ijmin＞Q_l′ij或者Q_l′ij＞Q_ijmax，则定义该个体为不符合条件的个体；

定义适应度函数ObjV为：

其中：l′代表第l′个个体，R_l′为第l′个个体对应的n台供热机组在运行过程中的总热耗值；α为常系数；

当P_imin＞P_l′i时，

当P_l′i＞P_imax时，

当Q_ijmin＞Q_l′ij时，

当Q_l′ij＞Q_ijmax时，

β_Q＝Πβ_Q′

β_Q为第l′个个体中不符合抽汽量要求的抽汽位置对应的β_Q′的乘积；

中间变量β的取值为：β＝max(β_P,β_Q)；

步骤三三、基于传统遗传算法的选择、交叉和变异过程对代表初始种群的矩阵中的元素进行更新，来获得新的种群；并采用步骤三二的方法计算新的种群中每个个体的适应度；

步骤三四、重复步骤三三的过程，直至遗传代数达到N代时，遗传过程终止，获得n台供热机组的总热耗值的最小值，并输出具有最小的总热耗值的个体所对应的各台供热机组的功率值、各台供热机组的每个抽汽位置的抽汽量值和各台供热机组的热耗值。

2.根据权利要求1所述的火电厂机群多台供热机组热电负荷分配的在线优化方法，其特征在于，所述每台供热机组的耗差修正总系数θ_i根据冷凝器背压、主蒸汽压力、主蒸汽温度、再热压力、再热蒸汽温度和给水温度这六个因素的偏离设计值大小来确定。

Images