CN112734158A - 发电机组的热电负荷分配方法、装置及电子设备 - Google Patents
发电机组的热电负荷分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112734158A CN112734158A CN202011377719.9A CN202011377719A CN112734158A CN 112734158 A CN112734158 A CN 112734158A CN 202011377719 A CN202011377719 A CN 202011377719A CN 112734158 A CN112734158 A CN 112734158A
- Authority
- CN
- China
- Prior art keywords
- generator set
- coal consumption
- historical data
- load
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000009826 distribution Methods 0.000 title claims abstract description 47
- 239000003245 coal Substances 0.000 claims abstract description 128
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明提供了一种发电机组的热电负荷分配方法、装置及电子设备，涉及火力发电技术领域，上述方法包括：获取发电机组的目标历史数据；其中，目标历史数据为发电机组在稳态下的历史运行数据；基于目标历史数据确定发电机组的煤耗特性方程；确定发电机组的约束条件，基于约束条件及煤耗特性方程计算发电机组的最小总煤耗量对应的热负荷和电负荷。本发明从发电机组的成本端考虑热电负荷分配变化时对发电机组经济性的影响，可以有效降低发电机组的总煤耗量。
Description
技术领域
本发明涉及火力发电技术领域，尤其是涉及一种发电机组的热电负荷分配方法、装置及电子设备。
背景技术
火力发电机组是以煤炭、油类或可燃气体等为燃料，加热锅炉内的水，使之增温，再用有一定压力的蒸气推动气轮方式发电的机组。随着用户供电需求的增长，电力机组也逐渐趋于大型化。与此同时，由于风电水电等可再生新能源无法提供热力服务，因此许多大型煤电发电机组既要承担电网调峰的责任，又要承担供热服务。因此，如何通过优化热电负荷分配，降低机组平均煤耗成为需要考虑的问题。
发明内容
有鉴于此，本发明的目的在于提供一种发电机组的热电负荷分配方法、装置及电子设备，能够有效降低发电机组的总煤耗量。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种发电机组的热电负荷分配方法，包括：获取发电机组的目标历史数据；其中，所述目标历史数据为所述发电机组在稳态下的历史运行数据；基于所述目标历史数据确定所述发电机组的煤耗特性方程；确定所述发电机组的约束条件，基于所述约束条件及所述煤耗特性方程计算所述发电机组的最小总煤耗量对应的热负荷和电负荷。
进一步，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述获取发电机组的目标历史数据的步骤，包括：获取所述发电机组的历史运行数据；基于所述发电机组的供热抽气量和机组发电量进行工况划分，得到多组机组工况；基于滑窗算法及稳态工况判据对所述历史运行数据进行数据筛选，确定所述发电机组在各所述机组工况下的目标历史数据。
进一步，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述基于滑窗算法及稳态工况判据对所述历史运行数据进行数据筛选，确定所述发电机组在各所述机组工况下的目标历史数据的步骤，包括：获取所述发电机组在各所述机组工况下的历史运行数据；利用预设的时间宽窗在各所述机组工况下的历史运行数据中，以预设的时间滑步进行滑动；将各所述预设的时间宽窗内满足所述稳态工况判据的历史数据作为目标历史数据。
进一步，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述稳态工况判据包括：所述发电机组的主蒸汽温度、主蒸汽压力、再热蒸汽温度和再热蒸汽压力在所述预设的时间宽窗内均满足对应的稳态阈值。
进一步，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述热负荷包括机组供热抽气流量；所述基于所述目标历史数据确定所述发电机组的煤耗特性方程的步骤，包括：基于所述发电机组的总煤耗量、电负荷和机组供热抽气流量，建立所述发电机组的煤耗回归模型；基于预设的聚类算法对所述目标历史数据进行聚类运算，得到所述发电机组在各工况下的目标电负荷和目标供热抽气流量；基于所述目标供电负荷和所述目标供热抽气流量对所述煤耗回归模型进行训练，得到所述发电机组的煤耗特性方程。
进一步，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述预设的聚类算法包括模糊C聚类均值算法。
进一步，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述确定所述发电机组的约束条件，基于所述约束条件及所述煤耗特性方程计算所述发电机组的最小总煤耗量对应的热负荷和电负荷的步骤，包括：基于广义既约梯度法求解所述煤耗特性方程在满足所述约束条件下的最优解；其中，所述最优解包括所述发电机组在最小总煤耗量下的电负荷和供热抽气流量。
第二方面，本发明实施例还提供了一种发电机组的热电负荷分配装置，包括：获取模块，用于获取发电机组的目标历史数据；其中，所述目标历史数据为所述发电机组在稳态下的历史运行数据；确定模块，用于基于所述目标历史数据确定所述发电机组的煤耗特性方程；计算模块，用于确定所述发电机组的约束条件，基于所述约束条件及所述煤耗特性方程计算所述发电机组的最小总煤耗量对应的热负荷和电负荷。
第三方面，本发明实施例提供了一种电子设备，包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如第一方面任一项所述的方法。
第四方面，本发明实施例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上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述第一方面任一项所述的方法的步骤。
本发明实施例提供了一种发电机组的热电负荷分配方法、装置及电子设备，首先，获取发电机组的目标历史数据；其中，目标历史数据为发电机组在稳态下的历史运行数据；然后，基于目标历史数据确定发电机组的煤耗特性方程；最后，确定发电机组的约束条件，基于约束条件及煤耗特性方程计算发电机组的最小总煤耗量对应的热负荷和电负荷。通过基于发电机组在稳态下的目标历史数据构建煤耗特性方程，有效避免了发电机组的异常历史数据对煤耗特性方程带来的误差；通过煤耗特性方程计算发电机组在最小总煤耗量下的热负荷和电负荷，从发电机组的成本端考虑热电负荷分配变化时对发电机组经济性的影响，可以有效降低发电机组的总煤耗量。
本发明实施例的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明实施例的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1示出了本发明实施例所提供的一种发电机组的热电负荷分配方法流程图；
图2示出了本发明实施例所提供的一种稳态数据筛选流程图；
图3示出了本发明实施例所提供的一种热电负荷分配流程图；
图4示出了本发明实施例所提供的一种发电机组的热电负荷分配装置结构示意图；
图5示出了本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
目前，现有的热电负荷分配技术主要分为两种，一种是计算机组的燃料利用系数ηtp，一种是计算热化发电比ω，两种方法都有一定缺陷：计算燃料利用系数没有考虑到热和电是两种不同品位的能量，因此不能比较同一机组在不同工况下(即热点分配变化时)的热经济性。而热化发电比不能比较不同机组的供热时不同热电负荷分配的热经济性。
考虑到现有的热电负荷分配技术存在不能较好地考虑不同热电负荷分配的热经济性的问题，为改善此问题，本发明实施例提供的一种发电机组的热电负荷分配方法、装置及电子设备，该技术可应用于从发电机组的成本端考虑热电负荷分配变化时对发电机组经济性的影响，有效降低发电机组的总煤耗量。以下对本发明实施例进行详细介绍。
本实施例提供了一种发电机组的热电负荷分配方法，该方法可以应用于计算机等电子设备，参见图1所示的发电机组的热电负荷分配方法流程图，该方法主要包括以下步骤S102～步骤S106：
步骤S102，获取发电机组的目标历史数据。
采集电厂SIS系统(火电厂厂级监控信息系统，Supervisory InformationSystem，是为火电厂全厂实时生产过程综合优化服务的厂级监控管理信息系统)的历史运行数据，该历史运行数据包括发电机组的主蒸汽温度、主蒸汽温度、再热蒸汽温度、再热蒸汽压力、机组供热抽气流量和机组电负荷等构建煤耗特性方程所需的参数。从该历史运行数据中筛选出发电机组处于稳态运行时的历史数据，将发电机组处于稳态运行时的历史数据作为目标历史数据。
步骤S104，基于目标历史数据确定发电机组的煤耗特性方程。
通过基于发电机组在稳态下的目标历史数据确定煤耗特性方程，可以使用稳态数据集计算发电机组的总煤耗量。由于现有的热电负荷分配优化技术，通常是采用机组设计值或热力实验值构建发电机组的煤耗模型的，然而，由于发电机组在长期运行过程中已经出现了不同程度的劣化，相比与实际情况，机组设计值或热力实验数据过于理想，导致构建的煤耗模型误差较大。而本申请是采用筛选过后的目标历史数据确定煤耗特性方程的，可以有效避免上述煤耗模型误差较大的问题。
步骤S106，确定发电机组的约束条件，基于约束条件及煤耗特性方程计算发电机组的最小总煤耗量对应的热负荷和电负荷。
基于发电机组的功率平衡条件、热负荷平衡条件及各机组的热负荷和电负荷设定范围，得到发电机组的约束条件。求解上述煤耗特性方程，计算在满足上述约束条件下，求解煤耗特性方程得到的总煤耗量的最小值，及最小总煤耗量对应的热负荷值和电负荷值，以得到发电机组在最小煤耗量时的热负荷和电负荷分配方式。
本实施例提供的上述发电机组的热电负荷分配方法，通过基于发电机组在稳态下的目标历史数据构建煤耗特性方程，有效避免了发电机组的异常历史数据对煤耗特性方程带来的误差；通过该煤耗特性方程计算发电机组在最小总煤耗量下的热负荷和电负荷，从发电机组的成本端考虑热电负荷分配变化时对发电机组经济性的影响，可以有效降低发电机组的总煤耗量。
为了快速准确筛选出目标历史数据，本实施例提供了获取发电机组的目标历史数据的实施方式，具体可参照如下步骤(1)～步骤(3)执行：
步骤(1)：获取发电机组的历史运行数据。
采集电厂SIS系统的历史运行数据，该历史运行数据包括发电机组的主蒸汽温度、主蒸汽温度、再热蒸汽温度、再热蒸汽压力、机组供热抽气流量和机组电负荷等构建煤耗特性方程所需的参数。
步骤(2)：基于发电机组的供热抽气量和机组发电量进行工况划分，得到多组机组工况。
将发电机组的供热抽气量和机组发电量作为特征参数进行机组工况划分，并基于如下表一所示的工况划分表进行工况划分：
表一 工况划分表
| 特征参数 | 划分范围 | 划分刻度 |
| 机组供热抽气流量 | 0-380(t/h) | 20t/h |
| 机组电负荷 | 0-300(MW) | 10MW |
如表一所示，以20t/h的划分刻度对0-380(t/h)的机组供热抽气流量进行工况划分，以10MW的划分刻度对0-300(MW)的机组电负荷进行工况划分，将机组供热抽气流量划分到的各工况与机组电负荷划分到的各工况进行组合，得到570种机组工况。
步骤(3)：基于滑窗算法及稳态工况判据对历史运行数据进行数据筛选，确定发电机组在各机组工况下的目标历史数据。
获取发电机组在各机组工况下的历史运行数据；利用预设的时间宽窗在各机组工况下的历史运行数据中，以预设的时间滑步进行滑动；将各预设的时间宽窗内满足稳态工况判据的历史数据作为目标历史数据。
上述稳态工况判据包括：发电机组的主蒸汽温度、主蒸汽压力、再热蒸汽温度和再热蒸汽压力在预设的时间宽窗内均满足对应的稳态阈值。参见如下表二所示的稳态工况判据表，表二中示出了各个参数对应的稳态阈值：
表二 稳态工况判据表
基于滑窗算法判断每一种工况下的历史运行数据是否为稳态下的历史数据，将稳态数据收录至稳态数据库，得到目标历史数据，在筛选稳态数据时，可以先确定滑窗算法的预设的时间宽窗，诸如可以是30min。
基于时间宽窗为30min的滑窗对每种工况下的历史运行数据进行判定，由于时间窗宽为30min，首先判断0-30min时所有参数的稳定性，即搜寻0-30min内各参数的最大值和最小值，当各参数均满足以下条件时，确定此阶段内的数据满足稳态工况判据：
max(t0)-min(t0)≤10℃
max(p0)-min(p0)≤0.25MPa
max(t1)-min(t1)≤10℃
max(p1)-min(p1)≤0.15MPa
其中，t0上述为主蒸汽温度，p0为主蒸汽压力，t1为再热蒸汽温度，p1为再热蒸汽压力。当在0-30min内主蒸汽温度的最大值与最小值之差小于等于10度、主蒸汽压力的最大值与最小值之差小于等于0.25MPa、再热蒸汽温度的最大值与最小值之差小于等于10度且再热蒸汽压力的最大值与最小值之差小于等于0.15MPa时，确定0-30min内的历史运行数据为目标历史数据(即稳态历史数据)。
将滑窗按照预设的时间滑步移动，该预设的时间滑步诸如可以是1min，即判断1-31min时的历史运行数据是否满足上述稳态工况判据，使上述滑窗按照预设的时间滑步依次移动，直至遍历每个工况下的历史运行数据，得到满足稳态判据的目标历史数据。参见如图2所示的稳态数据筛选流程图，对历史数据进行数据清洗，得到各个机组工况下的历史运行数据，基于稳态工况判据对各个机组工况下的历史运行数据进行稳态筛选，得到各个工况下的稳态历史数据(即目标历史数据)和非稳态历史数据。
为了提升热电负荷分配的合理性，本实施例提供了基于目标历史数据确定发电机组的煤耗特性方程的实施方式，具体可参照如下步骤1～步骤3执行：
步骤1：基于发电机组的总煤耗量、电负荷和机组供热抽气流量，建立发电机组的煤耗回归模型。
为了实现供热负荷与供电负荷在机组某一工况下的最佳分配方式，采用回归算法建立总煤耗量B与供电负荷(即机组发电量)P、机组供热抽气流量Dgex的煤耗回归模型，该煤耗回归模型可以是二元二次多项回归模型：
其中，ε为残差，β0，β1，β2，β11，β22，β12是回归模型参数。为了得到煤耗特性方程，计算上述煤耗回归模型中的各回归模型参数。
步骤2：基于预设的聚类算法对目标历史数据进行聚类运算，得到发电机组在各工况下的目标电负荷和目标供热抽气流量。
对于每一种工况下的每一时刻的稳态历史数据，根据步骤21计算此时刻的总煤耗量B，并将总煤耗量B加入步骤22中计算每种工况下最典型供电负荷
及最典型供热抽气流量
步骤21，计算机组在各工况下的总煤耗量B：
其中，B为总煤耗量，Q为热耗量；Be为发电煤耗量，Bh为供热煤耗量。
其中，Qe为发电热耗量，Qh为供热热耗量，Qsr为汽轮机从外界获得热量，ηb为锅炉效率，ηb的取值可以是0.99，ηp为管道效率，取定值0.98。
Qsr＝Dzqhzq-Dgshgs+Dzrhzr-Dlzrhlzr-Dgjhgj-Dzjhzj
其中，D为蒸汽流量，h为蒸汽焓值(由蒸汽温度与压力确定)；Dzq为汽轮机主汽流量，Dgs为给水流量，Dzr为再热蒸汽流量，Dlzr为冷再热蒸汽流量，Dgj为过热器减温水流量，Dzj代表再热器减温水流量。hzq为主蒸汽焓值、hgs为给水焓、hzr为再热蒸汽焓值、hlzr为冷再热蒸汽焓值、hgj为过热减温水焓值、hzj为再热减温水焓值。
Dzq＝Dgs-Dbl-Dml-Dsl+Dgj
其中，Dbl为锅炉不明泄露量，Dml为锅炉明漏量，Dsl为汽包水位变化量。
步骤22，使用模糊C聚类均值算法求解每一种工况下的目标电负荷(即最典型供电负荷
)和目标供热抽气流量(即最典型供热抽气流量
)。
对于每一种工况下的每一时刻的稳态历史数据，按步骤21计算此时刻的总煤耗量B，将B加入聚类计算，选择聚类数c＝3及当前工况下机组运行数据所构成的聚类向量xk，k为当前工况下的稳态数据量。
上述预设的聚类算法可以是模糊C聚类均值算法，确定目标函数：
其中，
指第i个聚类所产生的典型参数向量(聚类中心)，uij表示第i个聚类中心对第j个样本的隶属度函数，即
初始随机设定三个聚类中心
(i＝1，2，3)，利用数学规划评估函数J是否有可行下降方向，如果有，则说明这三个聚类中心不是最典型参数向量，需要重新生成三个聚类中心
(i＝1，2，3)，重复执行该步骤，生成新的聚类中心，计算方法如下：
如果评估函数J没有可行下降方向：则说明这三个聚类中心分别对应每个聚类的最典型参数值。对于最终求取的三个聚类中心，选取总煤耗
最低的聚类参数向量：
其中，聚类参数向量
中的下角标i＝1，2，3，表示第i个聚类中心下各个参数的典型值，得到了每个工况下的最典型供电负荷
和最典型供热抽气流量
即得到每个工况下的目标供电负荷和目标供热抽气流量。将每种工况下最典型供电负荷
最典型供热抽气流量
及此种工况对应下的总煤耗量绘制成三维散点图，可以看出散点分布大致呈曲面形状。因此采用二元二次多项回归模型。
步骤3：基于目标供电负荷和目标供热抽气流量对煤耗回归模型进行训练，得到发电机组的煤耗特性方程。
由于上述煤耗回归模型中的各回归模型为未知参数，采用逐步回归法，以每个工况下最典型供电负荷
和最典型供热抽气流量
作为训练数据集，对上述煤耗回归模型进行训练，最终确定煤耗回归模型中的各个回归模型参数β0，β1，β2，β11，β22，β12，将求解得到的各回归模型参数值代入上述煤耗回归模型中，得到煤耗特性方程。通过采用基于模糊C聚类均值算法得到当前工况下对机组运行状态有代表意义的典型数据，作为煤耗回归模型的训练数据，可以使得到的煤耗特性方程中的各归回模型参数更加准确合理，进而提升了热电负荷分配的合理性。
为了提升热电负荷分配的准确性，本实施例提供了确定发电机组的约束条件，基于约束条件及煤耗特性方程计算发电机组的最小总煤耗量对应的热负荷和电负荷的具体实施方式：基于广义既约梯度法求解煤耗特性方程在满足约束条件下的最优解；其中，最优解包括发电机组在最小总煤耗量下的电负荷和供热抽气流量。
上述约束条件包括以下条件一～条件三：
条件一，功率平衡条件，
即各机组电负荷之和满足总电负荷要求。
条件二，热负荷平衡条件，即
用机组供热抽气流量表示供热量，使各机组供热量之和等于供热需求。
条件三，各机组的电负荷Pi及热负荷Dgexi分别不能超过各机组的最大及最小负荷，即Pmin≤Pi≤Pmax，Dgexmin≤Dgexi≤Dgexmax。
使用非线性规划方法的广义既约梯度法求解煤耗特性方程的最优解，完成热电负荷分配优化，上述最优解为煤耗特性方程在满足上述约束条件的情况下，得到的总煤耗量B的最小值，以及总煤耗量B的最小值对应的电负荷P及机组供热抽气流量Dgex。
在一种具体的实施方式中，参见如图3所示的热电负荷分配流程图，基于模糊C聚类均值算法对各工况下的稳态历史数据进行聚类，得到各参数(包括总煤耗量、电负荷和供热抽气流量)的聚类均值，即各参数的典型值，基于各工况下的参数典型值对煤耗回归模型进行训练，得到煤耗特性方程，确立发电机组的约束条件，使用非线性规划中的广义既约梯度法求解煤耗特性方程，得到各工况下热电负荷分配的最优解。
本实施例提供的上述发电机组的热电负荷分配方法，通过将总煤耗量作为热电优化分配的目标函数对象，可以得到在总煤耗量最小的情况下热负荷和电负荷的最优分配方式，可以降低发电机组的煤耗量，进而降低发电成本；通过基于模糊C聚类均值算法得到的各工况下的典型历史数据，对煤耗回归模型进行训练，避免了煤耗回归模型误差较大的问题，提升了热电负荷分配的精确度。
对应于上述实施例所提供的发电机组的热电负荷分配方法，本发明实施例提供了一种发电机组的热电负荷分配装置，参见图4所示的一种发电机组的热电负荷分配装置结构示意图，该装置包括以下模块：
获取模块41，用于获取发电机组的目标历史数据；其中，目标历史数据为发电机组在稳态下的历史运行数据。
确定模块42，用于基于目标历史数据确定发电机组的煤耗特性方程。
计算模块43，用于确定发电机组的约束条件，基于约束条件及煤耗特性方程计算发电机组的最小总煤耗量对应的热负荷和电负荷。
本实施例提供的上述发电机组的热电负荷分配装置，通过基于发电机组在稳态下的目标历史数据构建煤耗特性方程，有效避免了发电机组的异常历史数据对煤耗特性方程带来的误差；通过该煤耗特性方程计算发电机组在最小总煤耗量下的热负荷和电负荷，从发电机组的成本端考虑热电负荷分配变化时对发电机组经济性的影响，可以有效降低发电机组的总煤耗量。
在一种实施方式中，上述获取模块41，进一步用于获取发电机组的历史运行数据；基于发电机组的供热抽气量和机组发电量进行工况划分，得到多组机组工况；基于滑窗算法及稳态工况判据对历史运行数据进行清洗，确定发电机组在各机组工况下的目标历史数据。
在一种实施方式中，上述获取模块41，进一步用于获取发电机组在各机组工况下的历史运行数据；利用预设的时间宽窗在各机组工况下的历史运行数据中，以预设的时间滑步进行滑动；将各预设的时间宽窗内满足稳态工况判据的历史数据作为目标历史数据。
在一种实施方式中，上述稳态工况判据包括：发电机组的主蒸汽温度、主蒸汽压力、再热蒸汽温度和再热蒸汽压力在预设的时间宽窗内均满足对应的稳态阈值。
在一种实施方式中，上述确定模块42，进一步用于基于发电机组的总煤耗量、电负荷和机组供热抽气流量，建立发电机组的煤耗回归模型；基于预设的聚类算法对目标历史数据进行聚类运算，得到发电机组在各工况下的目标电负荷和目标供热抽气流量；基于目标供电负荷和目标供热抽气流量对煤耗回归模型进行训练，得到发电机组的煤耗特性方程。
在一种实施方式中，上述预设的聚类算法包括模糊C聚类均值算法。
在一种实施方式中，上述计算模块43，进一步用于基于广义既约梯度法求解煤耗特性方程在满足约束条件下的最优解；其中，最优解包括发电机组在最小总煤耗量下的电负荷和供热抽气流量。
本实施例提供的上述发电机组的热电负荷分配装置，通过将总煤耗量作为热电优化分配的目标函数对象，可以得到在总煤耗量最小的情况下热负荷和电负荷的最优分配方式，可以降低发电机组的煤耗量，进而降低发电成本；通过基于模糊C聚类均值算法得到的各工况下的典型历史数据，对煤耗回归模型进行训练，避免了煤耗回归模型误差较大的问题，提升了热电负荷分配的精确度。
本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，如图5所示的电子设备结构示意图，电子设备包括处理器51、存储器52，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。
参见图5，电子设备还包括：总线54和通信接口53，处理器51、通信接口53和存储器52通过总线54连接。处理器51用于执行存储器52中存储的可执行模块，例如计算机程序。
其中，存储器52可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线54可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器52用于存储程序，所述处理器51在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器51中，或者由处理器51实现。
处理器51可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等。还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器52，处理器51读取存储器52中的信息，结合其硬件完成上述方法的步骤。
本发明实施例提供了一种计算机可读介质，其中，所述计算机可读介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指令促使所述处理器实现上述实施例所述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。
本发明实施例所提供的发电机组的热电负荷分配方法、装置及电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种发电机组的热电负荷分配方法，其特征在于，包括：
获取发电机组的目标历史数据；其中，所述目标历史数据为所述发电机组在稳态下的历史运行数据；
基于所述目标历史数据确定所述发电机组的煤耗特性方程；
确定所述发电机组的约束条件，基于所述约束条件及所述煤耗特性方程计算所述发电机组的最小总煤耗量对应的热负荷和电负荷。
2.根据权利要求1所述的方法，其特征在于，所述获取发电机组的目标历史数据的步骤，包括：
获取所述发电机组的历史运行数据；
基于所述发电机组的供热抽气量和机组发电量进行工况划分，得到多组机组工况；
基于滑窗算法及稳态工况判据对所述历史运行数据进行数据筛选，确定所述发电机组在各所述机组工况下的目标历史数据。
3.根据权利要求2所述的方法，其特征在于，所述基于滑窗算法及稳态工况判据对所述历史运行数据进行数据筛选，确定所述发电机组在各所述机组工况下的目标历史数据的步骤，包括：
获取所述发电机组在各所述机组工况下的历史运行数据；
利用预设的时间宽窗在各所述机组工况下的历史运行数据中，以预设的时间滑步进行滑动；
将各所述预设的时间宽窗内满足所述稳态工况判据的历史数据作为目标历史数据。
4.根据权利要求3所述的方法，其特征在于，所述稳态工况判据包括：
所述发电机组的主蒸汽温度、主蒸汽压力、再热蒸汽温度和再热蒸汽压力在所述预设的时间宽窗内均满足对应的稳态阈值。
5.根据权利要求1所述的方法，其特征在于，所述热负荷包括机组供热抽气流量；所述基于所述目标历史数据确定所述发电机组的煤耗特性方程的步骤，包括：
基于所述发电机组的总煤耗量、电负荷和机组供热抽气流量，建立所述发电机组的煤耗回归模型；
基于预设的聚类算法对所述目标历史数据进行聚类运算，得到所述发电机组在各工况下的目标电负荷和目标供热抽气流量；
基于所述目标供电负荷和所述目标供热抽气流量对所述煤耗回归模型进行训练，得到所述发电机组的煤耗特性方程。
6.根据权利要求5所述的方法，其特征在于，所述预设的聚类算法包括模糊C聚类均值算法。
7.根据权利要求1所述的方法，其特征在于，所述确定所述发电机组的约束条件，基于所述约束条件及所述煤耗特性方程计算所述发电机组的最小总煤耗量对应的热负荷和电负荷的步骤，包括：
基于广义既约梯度法求解所述煤耗特性方程在满足所述约束条件下的最优解；其中，所述最优解包括所述发电机组在最小总煤耗量下的电负荷和供热抽气流量。
8.一种发电机组的热电负荷分配装置，其特征在于，包括：
获取模块，用于获取发电机组的目标历史数据；其中，所述目标历史数据为所述发电机组在稳态下的历史运行数据；
确定模块，用于基于所述目标历史数据确定所述发电机组的煤耗特性方程；
计算模块，用于确定所述发电机组的约束条件，基于所述约束条件及所述煤耗特性方程计算所述发电机组的最小总煤耗量对应的热负荷和电负荷。
9.一种电子设备，其特征在于，包括：处理器和存储装置；
所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011377719.9A CN112734158B (zh) | 2020-12-01 | 2020-12-01 | 发电机组的热电负荷分配方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011377719.9A CN112734158B (zh) | 2020-12-01 | 2020-12-01 | 发电机组的热电负荷分配方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112734158A true CN112734158A (zh) | 2021-04-30 |
| CN112734158B CN112734158B (zh) | 2023-12-29 |
Family
ID=75597976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011377719.9A Active CN112734158B (zh) | 2020-12-01 | 2020-12-01 | 发电机组的热电负荷分配方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112734158B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268699A (zh) * | 2021-05-20 | 2021-08-17 | 西安热工研究院有限公司 | 一种工业供汽电厂热负荷厂级优化分配系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104953592A (zh) * | 2014-03-27 | 2015-09-30 | 宝山钢铁股份有限公司 | 多燃料混合燃烧发电机组的负荷优化分配方法 |
| CN107330543A (zh) * | 2017-06-01 | 2017-11-07 | 华北电力大学 | 一种基于负荷聚类和相关度分析的煤耗优化分析方法 |
| CN109407506A (zh) * | 2018-11-28 | 2019-03-01 | 深圳圣缘节能科技有限公司 | 一种基于数据挖掘的火电厂机组动态最优值的获取方法 |
| CN111445141A (zh) * | 2020-03-26 | 2020-07-24 | 华润电力技术研究院有限公司 | 一种供热机组的负荷分配方法、系统和装置 |
| CN111754030A (zh) * | 2020-06-11 | 2020-10-09 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
-
2020
- 2020-12-01 CN CN202011377719.9A patent/CN112734158B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104953592A (zh) * | 2014-03-27 | 2015-09-30 | 宝山钢铁股份有限公司 | 多燃料混合燃烧发电机组的负荷优化分配方法 |
| CN107330543A (zh) * | 2017-06-01 | 2017-11-07 | 华北电力大学 | 一种基于负荷聚类和相关度分析的煤耗优化分析方法 |
| CN109407506A (zh) * | 2018-11-28 | 2019-03-01 | 深圳圣缘节能科技有限公司 | 一种基于数据挖掘的火电厂机组动态最优值的获取方法 |
| CN111445141A (zh) * | 2020-03-26 | 2020-07-24 | 华润电力技术研究院有限公司 | 一种供热机组的负荷分配方法、系统和装置 |
| CN111754030A (zh) * | 2020-06-11 | 2020-10-09 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 徐婧;顾煜炯;王仲;李倩倩;杨楠;: "基于数据挖掘的煤电机组能效特征指标及其基准值的研究", 中国电机工程学报, no. 07, pages 150 - 157 * |
| 曾德良;杨婷婷;程晓;刘吉臻;: "数据挖掘方法在实时厂级负荷优化分配中的应用", 中国电机工程学报, no. 11, pages 111 - 116 * |
| 李慧君;赵翔;刘聪;: "区域热电厂负荷优化分配的研究", 汽轮机技术, no. 04, pages 47 - 50 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268699A (zh) * | 2021-05-20 | 2021-08-17 | 西安热工研究院有限公司 | 一种工业供汽电厂热负荷厂级优化分配系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112734158B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108494021B (zh) | 电-热-气综合能源系统的稳定评估与静态控制方法 | |
| Zhou et al. | Integrated power and heat dispatch considering available reserve of combined heat and power units | |
| CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
| CN113051769A (zh) | 一种基于非对称损失与混合智能优化算法的功率曲线建模方法 | |
| CN112734158B (zh) | 发电机组的热电负荷分配方法、装置及电子设备 | |
| Qian et al. | N-1 static security assessment method for power grids with high penetration rate of renewable energy generation | |
| Chen et al. | Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station | |
| CN113268698A (zh) | 综合能源系统新能源消纳能力优化方法、装置及终端设备 | |
| CN105870913B (zh) | 考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及系统 | |
| CN116957391A (zh) | 用于综合能源运维的多维度评估方法及系统 | |
| CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
| CN115807956A (zh) | 一种热力站阀门开度的控制方法及装置 | |
| 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 | |
| CN112365134B (zh) | 一种基于点估计法概率多能流的能源网络随机规划方法 | |
| CN114548828A (zh) | 一种分布式光伏电源的选址和定容方法、装置及设备 | |
| CN114091767A (zh) | 数据驱动的综合能源系统鲁棒随机规划的方法及系统 | |
| CN112163323A (zh) | 一种综合能源系统的状态估计方法和系统 | |
| CN113591283B (zh) | 燃气锅炉的运行氧量调整方法、装置和计算机设备 | |
| CN117436153B (zh) | 一种应用于电厂供热的实体特征参数化实现方法 | |
| Xie et al. | A transparent data-driven method for stability-constrained load restoration considering multi-phase load dynamics | |
| CN111541249B (zh) | 一种多能源配电网供电能力评估方法、装置及设备 | |
| Yin et al. | How Much Energy Storage is Required in High-Penetration Renewable Power Systems? A Simulation-based Optimization Approach | |
| Li et al. | Calculating the Distributed Photovoltaic Hosting Capacity of Distribution Grids Based on the Photovoltaic Centroid Principle | |
| Fang et al. | Point Estimation Method Considering Estimator Boundary Constraints to Calculate Probabilistic Power Flow | |
| CN115423297A (zh) | 基于拉格朗日乘子的园区综合能源系统可靠性评估方法 |
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 |