CN111950118A - 一种燃气-蒸汽联合发电机组操作优化方法及设备 - Google Patents
一种燃气-蒸汽联合发电机组操作优化方法及设备 Download PDFInfo
- Publication number
- CN111950118A CN111950118A CN202010601398.XA CN202010601398A CN111950118A CN 111950118 A CN111950118 A CN 111950118A CN 202010601398 A CN202010601398 A CN 202010601398A CN 111950118 A CN111950118 A CN 111950118A
- Authority
- CN
- China
- Prior art keywords
- gas
- steam
- turbine
- ith
- pressure
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000007789 gas Substances 0.000 claims description 153
- 239000002918 waste heat Substances 0.000 claims description 50
- 238000010248 power generation Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 19
- 238000007418 data mining Methods 0.000 abstract description 6
- 239000002737 fuel gas Substances 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C6/00—Plural gas-turbine plants; Combinations of gas-turbine plants with other apparatus; Adaptations of gas-turbine plants for special use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Engine Equipment That Uses Special Cycles (AREA)
Abstract
本发明公开了一种燃气‑蒸汽联合发电机组操作优化方法及设备，所述方法包括：获取燃气‑蒸汽联合发电机组的原始数据；对所述原始数据进行数据清洗和加工处理后存储；根据所述处理后的原始数据建立燃气‑蒸汽联合发电机组机理特征模型；根据所述燃气‑蒸汽联合发电机组机理特征模型建立燃气‑蒸汽联合发电机组通用智能优化模型；采用列队竞争算法对所述燃气‑蒸汽联合发电机组通用智能优化模型求解得到最优运行参数；根据最优运行参数进行优化调整。本发明通过大数据挖掘技术，有约束的非线性优化算法列队竞争算法，精确感知生产数据，快速获得有价值信息，找出生产实际中的最优操作值，指导操作人员操作运行。
Description
技术领域
本发明涉及热电燃气技术领域，特别涉及一种燃气-蒸汽联合发电机组操作优化方法、设备及存储介质。
背景技术
现有的燃气-蒸汽联合发电机组在发电时，存在以下难题：一是对燃气-蒸汽联合发电机组操作而言，在满足供电量需求的前提下，由于各台燃气轮机、余热锅炉和蒸汽轮机的运行效率存在差异，不同的供电负荷分配运行方案所消耗的总燃料气量不同，燃气-蒸汽联合发电机组运行负荷分配操作优化存在较大的优化空间；二是供电需求时常变化，仅靠以往操作经验进行调整，难以实时、快速和准确达到供需平衡；三是能量发电及供热系统整体极其复杂，能量梯级利用优化空间巨大。
目前对燃气-蒸汽联合发电机组操作优化的研究仅停留在操作参数的趋势研究，主要有清华大学焦树建教授基于热力学机理对余热锅炉和汽轮机参数的优化配置进行了计算分析，分析了不同压力等级余热锅炉的运行特性，对联合发电机组提出了建设性的意见；华北电力大学周伟伟、钱江波等人以国内PG9171E型燃气-蒸汽联合循环机组为研究对象，分析了燃机负荷率、环境温度、大气压力、叶片积垢、大气湿度五方面因素对于机组热经济性的影响，并将分析的结果为电厂运行提出了指导性建议；它们对实际操作虽然能起到指导作用，但是数据挖掘深度不足，未能实现精确感知生产数据、实时优化生产过程以及减少人工干预，做不到智能化。
因而现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种燃气-蒸汽联合发电机组操作优化方法、设备及存储介质，以解决现有技术中无法精确感知生产数据、实时优化生产过程、减少人工干预的技术问题。
为了达到上述目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种燃气-蒸汽联合发电机组操作优化方法，包括如下步骤：
S1、获取燃气-蒸汽联合发电机组的原始数据；
S2、对所述原始数据进行数据清洗和加工处理后存储；
S3、根据所述处理后的原始数据建立燃气-蒸汽联合发电机组机理特征模型，其中，所述燃气-蒸汽联合发电机组机理特征模型包括燃气轮机特性模型、余热锅炉特性模型和蒸汽轮机特性模型；
S4、根据所述燃气-蒸汽联合发电机组机理特征模型建立燃气-蒸汽联合发电机组通用智能优化模型；
S5、采用列队竞争算法对所述燃气-蒸汽联合发电机组通用智能优化模型求解，以得到燃气-蒸汽联合发电机组的最优运行参数；
S6、根据所述燃气-蒸汽联合发电机组的最优运行参数进行优化调整，以使所述燃气-蒸汽联合发电机组调整至最优运行状态。
第二方面，本发明提供了一种燃气-蒸汽联合发电机组操作优化设备，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的燃气-蒸汽联合发电机组操作优化方法中的步骤。
第三方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的燃气-蒸汽联合发电机组操作优化方法中的步骤。
相较于现有技术，本发明提供的燃气-蒸汽联合发电机组操作优化方法、设备及存储介质，通过大数据挖掘技术，有约束的非线性优化算法列队竞争算法，精确感知生产数据，快速获得有价值信息，找出生产实际中的最优操作值，指导操作人员操作运行，为提高联合发电机组经济效益提供理论支撑，优化生产过程，减少人工干预。
附图说明
图1为本发明提供的燃气-蒸汽联合发电机组操作优化方法的一较佳实施例的流程图；
图2为本发明提供的燃气-蒸汽联合发电机组操作优化方法的实施对象的一较佳实施例的示意图。
具体实施方式
本发明提供一种燃气-蒸汽联合发电机组操作优化方法、设备及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明实施例提供的燃气-蒸汽联合发电机组操作优化方法，包括如下步骤：
S1、获取燃气-蒸汽联合发电机组的原始数据；
S2、对所述原始数据进行数据清洗和加工处理后存储；
S3、根据所述处理后的原始数据建立燃气-蒸汽联合发电机组机理特征模型，其中，所述燃气-蒸汽联合发电机组机理特征模型包括燃气轮机特性模型、余热锅炉特性模型和蒸汽轮机特性模型；
S4、根据所述燃气-蒸汽联合发电机组机理特征模型建立燃气-蒸汽联合发电机组通用智能优化模型；
S5、采用列队竞争算法对所述燃气-蒸汽联合发电机组通用智能优化模型求解，以得到燃气-蒸汽联合发电机组的最优运行参数；
S6、根据所述燃气-蒸汽联合发电机组的最优运行参数进行优化调整，以使所述燃气-蒸汽联合发电机组调整至最优运行状态。
具体的，所述燃气轮机、余热锅炉和蒸汽轮机的数量均可以为多台，请参阅图2，本发明一优选实施例中所述燃气轮机的数量为两台，所述蒸汽轮机的数量为1台(所述燃气轮机包括高压缸、低压缸和中压缸)，余热锅炉的数量为1台，本发明基于此进行操作优化。在进行原始数据采集时，通过OPC通讯协议，组建OPC工业数据采集网络，实时采集燃气-蒸汽联合发电机组DCS系统操作的原始数据，其中，至少包括燃气轮机数据、余热锅炉数据和蒸汽轮机数据，其中，所述燃气轮机数据至少包括燃气耗量、空气流量、大气温度、大气压力、燃气轮机发电量、燃气轮机尾气流量、尾气温度以及尾气压力等；所述余热锅炉数据至少包括进出口高压主蒸汽温度、压力、高压主蒸汽流量、进出口中压主蒸汽温度、压力、中压主蒸汽流量、进出口低压主蒸汽温度、压力以及低压主蒸汽流量、余热锅炉不同测温点尾气温度、尾气出口温度等；所述蒸汽轮机数据至少包括高压汽轮机进气量、发电量以及抽气量、中压汽轮机进气量、发电量以及抽气量和低压汽轮机进气量、发电量以及抽气量等。
进一步的，所述步骤S2具体包括：
采用数据仓库技术抽取所述原始数据，并将抽取出的原始数据的格式转换为浮点型；
对格式转换后的原始数据进行卡方分布数据预处理，并删除预处理后的数据中的空数据和误差大于阈值的数据，以得到燃气-蒸汽联合发电机组的准确原始数据并存储。
具体的，对燃气-蒸汽联合发电机组原始数据进行存储的时候，采用了ETL(数据仓库技术)方法，即将燃气-蒸汽联合发电机组原始数据从DCS系统或者非结构化文档中抽取出来，将原始数据格式统一转换为浮点型，然后对转换后的浮点型汽轮机数据进行卡方分布数据预处理，将结果数据中的NaN空数据及随机误差大于阈值的数据删除掉，得到燃气-蒸汽联合发电机组准确原始数据并全部存储。
进一步的，所述步骤S3中，所述燃气轮机特性模型包括燃气耗量与发电有功功率特征方程、燃气轮机尾气流量与燃气耗量特性方程以及燃气轮机尾气温度特性方程。具体来说，燃气轮机的燃料气消耗特性表现为燃料气耗量与发电有功功率的函数关系，而且还与环境温度和机组运行时间等因素有关，燃气轮机尾气流量与燃气轮机燃料气量有关，尾气温度与发电有功功率有关。因此，
所述燃气耗量与发电有功功率特征方程为：
F＝η1×η2×(P+a)+b；
其中，F为机组燃气耗量；P为燃气轮机发电量；η1为环境温度校正系数；η2为燃气轮机运行时间校正系数；a、b为燃气耗量特性系数；
所述环境温度矫正系数η1的计算公式为：η1＝c×T+d，
其中，T为环境温度；c、d为温度特性系数；
所述燃气轮机运行时间校正系数η2的计算公式为：η2＝e×t+f；
其中，t为燃气轮机运行时间；e、f为时间特性系数。
燃气轮机内天然气充分燃烧，成为高温、高压的气体，气体膨胀做功后变成燃烧尾气，据此，所述燃气轮机尾气流量与燃气耗量特性方程为：Gg＝g×F+h；
其中，Gg为燃气轮机尾气流量；g、h为尾气流量特性系数。
燃气轮机尾气温度Tg与有效功率P、环境温度关联，故所述燃气轮机尾气温度特性方程为：Tg＝(P+n)×(T+m)；
其中，Tg为燃气轮机尾气温度；m、n为尾气温度特性系数。
应用MATLAB中统计回归方法求解得到特征系数，实时得出燃气轮机的运行机理特性方程，从而帮助技术人员掌握燃气机组运行机理特征，协助安全生产，为燃气-蒸汽发电机组的智能操作优化建模提供依据。
进一步的，所述步骤S3中，所述余热锅炉特性模型包括高压蒸汽热量平衡特性方程、中压蒸汽热量平衡特性方程以及低压蒸汽热量平衡特性方程。具体的，随着外界环境及负荷的变化，燃气轮机经常处于变工况情况下运行，因此与燃气轮机匹配的余热锅炉也经常处于变工况条件下运行。余热锅炉的产汽量与燃气轮机排气温度和流量有很大的关系，这是因为随着排气温度和流量的增加，余热锅炉可回收的热量増加。而且余热锅炉的产汽量还与余热锅炉流程有很大关系，本发明仅分析余热锅炉能量梯级利用模式。即余热锅炉热量全部来源于燃气轮机尾气热量，为了最大限度利用尾气热量，余热锅炉一般生产不同规格蒸汽，本发明中余热锅炉产汽规格有三种，即高压蒸汽、中压蒸汽、低压蒸汽三种压力。本发明按照3种规格蒸汽建立热量平衡特性方程。
具体的，所述高压蒸汽热量平衡特性方程为：
Dh＝k1×Gg×(T0-T1)+m1；
其中，Dh为高压主蒸汽流量；Gg为燃气轮机尾气流量；T0，T1为进出口高压主蒸汽温度；k1，m1为高压加热特性因子。
所述中压蒸汽热量平衡特性方程为：Dm＝k2×Gg×(T2-T3)+m2；
其中，Dm为中压主蒸汽流量；Gg为燃气轮机尾气流量；T2，T3为进出口中压主蒸汽温度；k2，m2为中压加热特性因子。
所述低压蒸汽热量平衡特性方程为：D1＝k3×Gg×(T4-T5)+m3；
其中，Dl为低压主蒸汽流量；Gg为燃气轮机尾气流量；T4，T5为进出口低压主蒸汽温度；k3，m3为低压加热特性因子。
应用统计回归方法求解得到上述特征系数，得出余热锅炉的实时运行特性方程，从而帮助技术人员掌握余热锅炉运行机理特征。
进一步的，所述步骤S3中，所述蒸汽轮机特征模型为：
W＝α×Mh+β×Mm+γ×Ml+δ×E+θ，
其中，α、β、γ、δ、θ为蒸汽轮机特征系数，可以反映蒸汽轮机效率，W为蒸汽轮机发电量、E为蒸汽轮机抽气量，Mh为蒸汽轮机的高压进气量，Mm为蒸汽轮机的中压进气量，Ml为蒸汽轮机的低压进气量。本发明基于蒸汽轮机组的准确原始数据中蒸汽轮高中低压进汽量Mh、Mm、Ml与发电量W、抽汽量E数据，应用统计回归方法求解得到特征系数，得出蒸汽轮机组的实时运行机理特征。
进一步的，所述步骤S4中，所述燃气-蒸汽联合发电机组通用智能优化模型包括目标函数和约束条件；
其中，所述目标函数为：min(F1+F2+…+Fj)；
所述约束条件包括六个：
第一个约束条件为：P1+P2+...+Pj+W1+...+Wn＝P；
第二个约束条件为：
第三个约束条件为：
第四个约束条件为：
第五个约束条件为：
wi＝α×Mh，i+β×Mm，i+γ×Ml，i+δ×Ei+θ，i＝1，2，...，n；
第六个约束条件为：
其中，
Fi表示第i台燃气轮机的燃气耗量，η1，i表示第i台燃气轮机的环境温度矫正系数，η2，i是第i台燃气轮机的运行时间校正系数，ai，bi是第i台燃气轮机的燃气耗量特征系数；
Gg,i表示第i台燃气轮机尾气流量，gi，hi是第i台燃气轮机的尾气流量特征系数；
Tg，i表示第i台燃气轮机的尾气温度，mi，ni是第i台燃气轮机的尾气温度特征系数；
Gtotal表示余热锅炉进口总尾气量，Ttotal表示余热锅炉进口的混气尾气温度；
Dh，i表示第i台余热锅炉高压主蒸汽流量，k1，i，m1，i表示第i台余热锅炉的高压加热特性因子，T0，i，T1，i为第i台余热锅炉的进出口高压主蒸汽温度；
Dm，i表示第i台余热锅炉中压主蒸汽流量，k2，i，m2，i表示第i台余热锅炉的中压加热特性因子，T2，i，T3，i为第i台余热锅炉的进出口中压主蒸汽温度；
Dl，i表示第i台余热锅炉低压主蒸汽流量，k3，i，m3，i表示第i台余热锅炉的低压加热特性因子，T4，i，T5，i为第i台余热锅炉的进出口低压主蒸汽温度；
Pi表示第i台燃气轮机的发电量；
Wi为第i台蒸汽轮机的发电量，Mh，i为蒸汽轮机的高压进汽量，Mm，i为蒸汽轮机的中压进汽量，Ml，i为蒸汽轮机的低压进汽量；
Ei表示第i台蒸汽轮机的抽气量；
Fi，max和Fi，min表示第i台燃气轮机的燃气耗量的上限值和下限值；
Pi，max和Pi，min表示第i台燃气轮机的发电量的上限值和下限值；
Wi，max和Wi，min表示第i台蒸汽轮机的发电量的上限值和下限值；
Gg,i，max和Gg,i，min表示第i台燃气轮机尾气流量的上限值和下限值；
Dh，i，max和Dh，i，min表示第i台余热锅炉高压主蒸汽流量的上限值和下限值；
Dm，i，max和Dm，i，min表示第i台余热锅炉中压主蒸汽流量的上限值和下限值；
Dl，i，max和Dl，i，min表示第i台余热锅炉低压主蒸汽流量的上限值和下限值；
Mh，i，max和Mh，i，min表示第i台汽轮机高压主蒸汽流量的上限值和下限值；
Mm，i，max和Mm，i，min表示第i台汽轮机中压主蒸汽流量的上限值和下限值；
Ml，i，max和Ml，i，min表示第i台汽轮机低压主蒸汽流量的上限值和下限值；
Ei，max和Ei，min表示第i台蒸汽轮机的抽气量的上限值和下限值。
具体来说，第一个约束条件即总发电量P一定，第二个约束条件即多台燃气轮机运行特征模型公式，第三个约束条件即余热锅炉进口总为气量和混合尾气温度的约束，第四个约束条件即余热锅炉高、中、低压蒸汽热平衡特性方程，第五个约束条件即蒸汽轮机特性方程，第六个约束条件即燃气轮机进燃料气量Fi、燃气轮机尾气量Gg,i、燃气轮机发电量Pi和蒸汽轮机发电量Wi在上下限值范围之内(上下限值的确定参考锅炉机组安全可靠性、运行实际需求及设计参数)；余热锅炉产汽量(高、中、低3种规格蒸汽量Dh、Dm、Dl)，蒸汽轮机抽汽量Ei，蒸汽轮机高中低压进汽量Mh、Mm、Ml均在上下限值范围之内。
进一步的，所述步骤S5中，本发明对燃气-蒸汽联合发电机组通用智能优化模型进行求解的方法为：
采用MATLAB编程语言并结合列队竞争算法编程求解上述燃气-蒸汽联合发电机组通用智能优化模型，得到全局最优解和全局最优近似解。
具体的，所述步骤S5具体包括：
S51、将在所述约束条件下的原始数据均匀分散生成q个家族(每个家族包含s个个体，即包括燃气-蒸汽联合发电机组中2台燃气轮机燃料气量F，燃气轮机发电量P和蒸汽轮机发电量W、燃气轮机尾气量Dg，余热锅炉产汽量Dh、Dm、Dl，蒸汽轮机抽汽量E，蒸汽轮机进汽量Mh、Mm、Ml)，组成初始家族群体，并根据所述目标函数计算各个家族的目标函数值，目标函数值以f(m,k)＝F1+F2+...+Fj表示，其中，所述约束条件下的原始数据形成一搜索空间；
S52、根据所述目标函数值f(m,k)的大小，对q个家族进行升序排序(求总燃料气量全局最小值时采用升序排序)，以生成一有序列队；
S53、根据各个家族在列队中的位置，给各个家族重新分配搜索空间，其中，处于列队首位的家族的搜索空间最大，处于列队末位的家族的搜索空间最小，其中，首次分配参照约束条件，再次分配参照步骤五中的压缩后的搜索空间；
S54、使q个家族在各自的搜索空间内进行无性繁殖变异(s个个体在相应搜索空间内随机衍生值)，以产生x个具有差异的子代家族群体，其中q＝x；
S55、整体收缩x个子代家族群体的搜索空间，检验变异后的x个子代家族群体是否满足压缩后的搜索空间要求，并将满足压缩后的搜索空间要求的子代家族群体保留，并分别计算保留后的子代家族群体中的子代家族的目标函数值f(m,k)＝F1+F2+...+Fj，将目标函数值最小的子代家族群体中的子代家族保留，并组成一个新的家族群体后，统计新家族群体中的家族数量并更新q值，判断是否达到终止条件，如果没有，则参加下次列队地位的竞争，即执行步骤二。
其中，所述终止条件为搜索空间收缩到接近于一点或者达到给定的演化代数，每个家族应与搜索空间进行绑定。
进一步来说，根据得到的燃气-蒸汽联合发电机组燃气量最优解，得到各燃气轮机进燃料气量、发电量的优化值，进而得到余热锅炉运行参数的优化值，同时得到蒸汽轮机运行参数的优化值，将联合发电机组各实际操作参数往优化值方向进行控制调节，按照当前值往优化值方向分别以10％、20％、30％…100％的执行深度对整个系统进行协调与控制，快速将联合发电机组调整至最优运行状态，实现燃气-蒸汽联合发电机组经济、安全运行。
本发明提供的燃气-蒸汽联合发电机组操作优化方法具有以下优点：
(1)本发明将数据挖掘与分析与二拖一燃气-蒸汽联合发电机组生产运行相结合，对燃气轮机组进行燃料气操作负荷分配优化调节，达到节能降低燃气消耗的效果；
(2)本发明利用数据分析技术、应用统计回归方法，得到燃气轮机、余热锅炉和蒸汽轮机的机理特征模型，精确度可满足工程要求；
(3)本发明通过理论分析，建立了燃气-蒸汽联合发电机组优化模型，通过求解计算，证明所建优化模型是可行的；
(4)本发明通过大数据挖掘技术，有约束的非线性优化算法列队竞争算法，快速获得有价值信息，找出生产实际中的最优操作值，指导操作人员操作运行，为提高联合发电机组经济效益提供理论支撑；
(5)本联合发电机组节能优化系统，无需改造设备，降低成本，优化效益高，安全稳定；
(6)本发明提升了得出结果的概率，有效降低优化失败的可能性。
燃气-蒸汽联合发电机组智能操作优化方法实施后，联合发电机组总燃料气消耗量预期减少1.5％，数据清洗后，优化模型误差低于1％。而且本优化方法能深入挖掘数据，实时精确感知燃气-蒸汽联合发电机组生产数据、优化生产过程、减少人工干预。
请参阅图2，在一个具体应用实施例中，所述燃气轮机的数量为两台，所述蒸汽轮机的数量为1台(所述燃气轮机包括高压缸、低压缸和中压缸)，余热锅炉的数量为1台。通过本发明中所述燃气-蒸汽联合发电机组通用智能优化模型进行优化后，快速将联合发电机组调整至最优运行状态，实现燃气-蒸汽联合发电机组经济、安全运行。
基于上述燃气-蒸汽联合发电机组操作优化方法，本发明还相应的提供一种燃气-蒸汽联合发电机组操作优化设备，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上述实施例所述的燃气-蒸汽联合发电机组操作优化方法中的步骤，所述燃气-蒸汽联合发电机组操作优化方法所具备的技术效果，燃气-蒸汽联合发电机组操作优化设备同样具备，在此不再赘述。
综上所述，本发明提供的燃气-蒸汽联合发电机组操作优化方法、设备及存储介质，通过大数据挖掘技术，有约束的非线性优化算法列队竞争算法，精确感知生产数据，快速获得有价值信息，找出生产实际中的最优操作值，指导操作人员操作运行，为提高联合发电机组经济效益提供理论支撑，优化生产过程，减少人工干预。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种燃气-蒸汽联合发电机组操作优化方法，其特征在于，包括如下步骤：
S1、获取燃气-蒸汽联合发电机组的原始数据；
S2、对所述原始数据进行数据清洗和加工处理后存储；
S3、根据所述处理后的原始数据建立燃气-蒸汽联合发电机组机理特征模型，其中，所述燃气-蒸汽联合发电机组机理特征模型包括燃气轮机特性模型、余热锅炉特性模型和蒸汽轮机特性模型；
S4、根据所述燃气-蒸汽联合发电机组机理特征模型建立燃气-蒸汽联合发电机组通用智能优化模型；
S5、采用列队竞争算法对所述燃气-蒸汽联合发电机组通用智能优化模型求解，以得到燃气-蒸汽联合发电机组的最优运行参数；
S6、根据所述燃气-蒸汽联合发电机组的最优运行参数进行优化调整，以使所述燃气-蒸汽联合发电机组调整至最优运行状态。
2.根据权利要求1所述的燃气-蒸汽联合发电机组操作优化方法，其特征在于，所述原始数据至少包括燃气轮机数据、余热锅炉数据和蒸汽轮机数据，其中，所述燃气轮机数据至少包括燃气耗量、燃气轮机发电量、燃气轮机尾气流量、尾气温度以及尾气压力；所述余热锅炉数据至少包括进出口高压主蒸汽温度、高压主蒸汽流量、进出口中压主蒸汽温度、中压主蒸汽流量、进出口低压主蒸汽温度以及低压主蒸汽流量；所述蒸汽轮机数据至少包括高压汽轮机进气量、发电量以及抽气量、中压汽轮机进气量、发电量以及抽气量和低压汽轮机进气量、发电量以及抽气量。
3.根据权利要求1所述的燃气-蒸汽联合发电机组操作优化方法，其特征在于，所述步骤S2具体包括：
采用数据仓库技术抽取所述原始数据，并将抽取出的原始数据的格式转换为浮点型；
对格式转换后的原始数据进行卡方分布数据预处理，并删除预处理后的数据中的空数据和误差大于阈值的数据，以得到燃气-蒸汽联合发电机组的准确原始数据并存储。
4.根据权利要求2所述的燃气-蒸汽联合发电机组操作优化方法，其特征在于，所述步骤S3中，所述燃气轮机特性模型包括燃气耗量与发电有功功率特征方程、燃气轮机尾气流量与燃气耗量特性方程以及燃气轮机尾气温度特性方程，其中，
所述燃气耗量与发电有功功率特征方程为：
F＝η1×η2×(P+a)+b；
其中，F为机组燃气耗量；P为燃气轮机发电量；η1为环境温度校正系数；η2为燃气轮机运行时间校正系数；a、b为燃气耗量特性系数；
所述环境温度矫正系数η1的计算公式为：η1＝c×T+d，
其中，T为环境温度；c、d为温度特性系数；
所述燃气轮机运行时间校正系数η2的计算公式为：η2＝e×t+f；
其中，t为燃气轮机运行时间；e、f为时间特性系数；
所述燃气轮机尾气流量与燃气耗量特性方程为：Gg＝g×F+h；
其中，Gg为燃气轮机尾气流量；g、h为尾气流量特性系数；
所述燃气轮机尾气温度特性方程为：Tg＝(P+n)×(T+m)；
其中，Tg为燃气轮机尾气温度；m、n为尾气温度特性系数。
5.根据权利要求4所述的燃气-蒸汽联合发电机组操作优化方法，其特征在于，所述步骤S3中，所述余热锅炉特性模型包括高压蒸汽热量平衡特性方程、中压蒸汽热量平衡特性方程以及低压蒸汽热量平衡特性方程，其中，
所述高压蒸汽热量平衡特性方程为：Dh＝k1×Gg×(T0-T1)+m1；
其中，Dh为高压主蒸汽流量；Gg为燃气轮机尾气流量；T0，T1为进出口高压主蒸汽温度；k1，m1为高压加热特性因子；
所述中压蒸汽热量平衡特性方程为：Dm＝k2×Gg×(T2-T3)+m2；
其中，Dm为中压主蒸汽流量；Gg为燃气轮机尾气流量；T2，T3为进出口中压主蒸汽温度；k2，m2为中压加热特性因子；
所述低压蒸汽热量平衡特性方程为：D1＝k3×Gg×(T4-T5)+m3；
其中，D1为低压主蒸汽流量；Gg为燃气轮机尾气流量；T4，T5为进出口低压主蒸汽温度；k3，m3为低压加热特性因子。
6.根据权利要求5所述的燃气-蒸汽联合发电机组操作优化方法，其特征在于，所述步骤S3中，所述蒸汽轮机特征模型为：
W＝α×Mh+β×Mm+γ×Ml+δ×E+θ，
其中，α、β、γ、δ、e为蒸汽轮机特征系数，W为蒸汽轮机发电量、E为蒸汽轮机抽汽量，Mh为蒸汽轮机的高压进汽量，Mm为蒸汽轮机的中压进汽量，M1为蒸汽轮机的低压进汽量。
7.根据权利要求6所述的燃气-蒸汽联合发电机组操作优化方法，其特征在于，所述步骤S4中，所述燃气-蒸汽联合发电机组通用智能优化模型包括目标函数和约束条件；
其中，所述目标函数为：min(F1+F2+...+Fj)；
所述约束条件包括六个：
第一个约束条件为：P1+P2+...+Pj+W1+...+Wn＝P；
第二个约束条件为：
第三个约束条件为：
第四个约束条件为：
第五个约束条件为：
Wi＝α×Mh，I+β×Mm，i+γ×Ml，i+δ×Ei+θ，i＝1，2，...，n；
第六个约束条件为：
其中，
Fi表示第i台燃气轮机的燃气耗量，η1，i表示第i台燃气轮机的环境温度矫正系数，η2，i是第i台燃气轮机的运行时间校正系数，ai，bi是第i台燃气轮机的燃气耗量特征系数；
Gg，i表示第i台燃气轮机尾气流量，gi，hi是第i台燃气轮机的尾气流量特征系数；
Tg，i表示第i台燃气轮机的尾气温度，mi，ni是第i台燃气轮机的尾气温度特征系数；
Gtotal表示余热锅炉进口总尾气量，Ttotal表示余热锅炉进口的混气尾气温度；
Dh，i表示第i台余热锅炉高压主蒸汽流量，k1，i，m1，i表示第i台余热锅炉的高压加热特性因子，T0，i，T1，i为第i台余热锅炉的进出口高压主蒸汽温度；
Dm，i表示第i台余热锅炉中压主蒸汽流量，k2，i，m2，i表示第i台余热锅炉的中压加热特性因子，T2，i，T3，i为第i台余热锅炉的进出口中压主蒸汽温度；
Dl，i表示第i台余热锅炉低压主蒸汽流量，k3，i，m3，i表示第i台余热锅炉的低压加热特性因子，T4，i，T5，i为第i台余热锅炉的进出口低压主蒸汽温度；
Pi表示第i台燃气轮机的发电量；
Wi为第i台蒸汽轮机的发电量，Mh，i为蒸汽轮机的高压进汽量，Mm，i为蒸汽轮机的中压进汽量，Ml，i为蒸汽轮机的低压进汽量；
Ei表示第i台蒸汽轮机的抽气量；
Fi，max和Fi，min表示第i台燃气轮机的燃气耗量的上限值和下限值；
Pi，max和Pi，min表示第i台燃气轮机的发电量的上限值和下限值；
Wi，max和Wi，min表示第i台蒸汽轮机的发电量的上限值和下限值；
Gg，i，max和Gg，i，min表示第i台燃气轮机尾气流量的上限值和下限值；
Dh，i，max和Dh，i，min表示第i台余热锅炉高压主蒸汽流量的上限值和下限值；
Dm，i，max和Dm，i，min表示第i台余热锅炉中压主蒸汽流量的上限值和下限值；
Dl，i，max和Dl，i，min表示第i台余热锅炉低压主蒸汽流量的上限值和下限值；
Mh，i，max和Mh，i，min表示第i台汽轮机高压主蒸汽流量的上限值和下限值；
Mm，i，max和Mm，i，min表示第i台汽轮机中压主蒸汽流量的上限值和下限值；
Ml，i，max和Ml，i，min表示第i台汽轮机低压主蒸汽流量的上限值和下限值；
Ei，max和Ei，min表示第i台蒸汽轮机的抽气量的上限值和下限值。
8.根据权利要求7所述的燃气-蒸汽联合发电机组操作优化方法，其特征在于，所述步骤S5具体包括：
S51、将在所述约束条件下的原始数据均匀分散生成q个家族，组成初始家族群体，并根据所述目标函数计算各个家族的目标函数值，其中，所述约束条件下的原始数据形成一搜索空间；
S52、根据所述目标函数值的大小，对q个家族进行升序排序，以生成一有序列队；
S53、根据各个家族在列队中的位置，给各个家族重新分配搜索空间，其中，处于列队首位的家族的搜索空间最大，处于列队末位的家族的搜索空间最小；
S54、使q个家族在各自的搜索空间内进行无性繁殖变异，以产生x个具有差异的子代家族群体，其中q＝x；
S55、整体收缩x个子代家族群体的搜索空间，检验变异后的x个子代家族群体是否满足压缩后的搜索空间要求，并将满足压缩后的搜索空间要求的子代家族群体保留，并分别计算保留后的子代家族群体中的子代家族的目标函数值，将目标函数值最小的子代家族群体中的子代家族保留，并组成一个新的家族群体后，判断是否达到终止条件，如果没有，则执行步骤S52。
9.一种燃气-蒸汽联合发电机组操作优化设备，其特征在于，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的燃气-蒸汽联合发电机组操作优化方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任意一项所述的燃气-蒸汽联合发电机组操作优化方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601398.XA CN111950118B (zh) | 2020-06-29 | 2020-06-29 | 一种燃气-蒸汽联合发电机组操作优化方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601398.XA CN111950118B (zh) | 2020-06-29 | 2020-06-29 | 一种燃气-蒸汽联合发电机组操作优化方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950118A true CN111950118A (zh) | 2020-11-17 |
| CN111950118B CN111950118B (zh) | 2024-03-12 |
Family
ID=73337297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010601398.XA Active CN111950118B (zh) | 2020-06-29 | 2020-06-29 | 一种燃气-蒸汽联合发电机组操作优化方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950118B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685683A (zh) * | 2020-12-29 | 2021-04-20 | 苏州西热节能环保技术有限公司 | 一种单轴联合循环机组燃机功率和汽机功率的计算方法 |
| CN113449443A (zh) * | 2021-09-01 | 2021-09-28 | 深圳百胜扬工业电子商务平台发展有限公司 | 一种数据加载建模调度方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE29605939U1 (de) * | 1996-04-03 | 1997-08-07 | Siemens AG, 80333 München | System zur Lastprognose, Einsatzplanung und Momentanoptimierung bei der Energieerzeugung |
| CN103235512A (zh) * | 2013-04-23 | 2013-08-07 | 国家电网公司 | 一种发电机组运行的方法 |
| CN105700494A (zh) * | 2014-12-15 | 2016-06-22 | 爱默生过程管理电力和水解决方案公司 | 基于模型的组合循环发电厂负载控制 |
| CN105787211A (zh) * | 2016-03-24 | 2016-07-20 | 华南理工大学 | 针对燃气透平劣化的联合循环余热锅炉压力调整方法 |
| CN110765627A (zh) * | 2019-10-30 | 2020-02-07 | 汉谷云智(武汉)科技有限公司 | 一种基于大数据的热电企业汽轮机组智能操作优化系统及方法 |
-
2020
- 2020-06-29 CN CN202010601398.XA patent/CN111950118B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE29605939U1 (de) * | 1996-04-03 | 1997-08-07 | Siemens AG, 80333 München | System zur Lastprognose, Einsatzplanung und Momentanoptimierung bei der Energieerzeugung |
| CN103235512A (zh) * | 2013-04-23 | 2013-08-07 | 国家电网公司 | 一种发电机组运行的方法 |
| CN105700494A (zh) * | 2014-12-15 | 2016-06-22 | 爱默生过程管理电力和水解决方案公司 | 基于模型的组合循环发电厂负载控制 |
| CN105787211A (zh) * | 2016-03-24 | 2016-07-20 | 华南理工大学 | 针对燃气透平劣化的联合循环余热锅炉压力调整方法 |
| CN110765627A (zh) * | 2019-10-30 | 2020-02-07 | 汉谷云智(武汉)科技有限公司 | 一种基于大数据的热电企业汽轮机组智能操作优化系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685683A (zh) * | 2020-12-29 | 2021-04-20 | 苏州西热节能环保技术有限公司 | 一种单轴联合循环机组燃机功率和汽机功率的计算方法 |
| CN113449443A (zh) * | 2021-09-01 | 2021-09-28 | 深圳百胜扬工业电子商务平台发展有限公司 | 一种数据加载建模调度方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950118B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103440528B (zh) | 基于耗差分析的火电机组运行优化方法及装置 | |
| CN111950118A (zh) | 一种燃气-蒸汽联合发电机组操作优化方法及设备 | |
| CN108038306A (zh) | 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法 | |
| CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
| CN112906292A (zh) | 热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质 | |
| CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
| CN114169614A (zh) | 一种基于风力机尾流模型优化的风电场优化调度方法及系统 | |
| CN111191712A (zh) | 基于梯度提升决策树的印染定型机能耗分类预测方法 | |
| CN112686445A (zh) | 一种基于arima-lstm-dbn的光伏发电预测方法 | |
| CN112927097A (zh) | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 | |
| CN106371319A (zh) | 一种基于多抽汽点大抽汽量的火电机组滑压运行优化系统及优化方法 | |
| CN113962140A (zh) | 基于ga-lstm的汽轮机阀门流量特性函数的优化方法 | |
| CN111723331B (zh) | 一种联合循环二拖一机组汽轮机负荷的权益分配计算方法 | |
| CN113868836B (zh) | 基于大数据的智慧热力系统在线专家分析平台 | |
| CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
| CN107944066B (zh) | 一种基于大数据的余热锅炉节能潜力分析方法 | |
| KR102439311B1 (ko) | 희소화된 웨이크 방향 그래프를 이용한 풍력 발전 단지의 조정 최적화 방법 및 이를 수행하는 장치 | |
| CN112348696B (zh) | 基于bp神经网络的供热机组调峰上限评估方法及系统 | |
| CN110765627B (zh) | 基于大数据的热电企业汽轮机组智能操作优化系统及方法 | |
| CN113191083B (zh) | 考虑全工况外部参数变化的烟气余热回收系统优化设计方法 | |
| CN105974818B (zh) | 一种云可视化机网协调控制响应特性数据挖掘方法 | |
| CN112749205B (zh) | 一种燃煤发电机组功率与供电煤耗关系曲线获取系统及方法 | |
| CN111414573B (zh) | 一种工程应用领域的输入输出数据处理方法和系统 | |
| CN113837459B (zh) | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 | |
| CN111852596B (zh) | 一种锅炉汽轮发电机组运行参数及相对发电煤耗率预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |