CN112906292B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112906292B
CN112906292B CN202110106579.XA CN202110106579A CN112906292B CN 112906292 B CN112906292 B CN 112906292B CN 202110106579 A CN202110106579 A CN 202110106579A CN 112906292 B CN112906292 B CN 112906292B
Authority
CN
China
Prior art keywords
load
unit
constraint
natural gas
characteristic function
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
CN202110106579.XA
Other languages
English (en)
Other versions
CN112906292A (zh
Inventor
刘圣冠
乔磊
雷少博
尚海军
贺凯
翟鹏程
耿如意
万小艳
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.)
Xian Thermal Power Research Institute Co Ltd
Xian Xire Energy Saving Technology Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Xian Xire Energy Saving Technology 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 Xian Thermal Power Research Institute Co Ltd, Xian Xire Energy Saving Technology Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202110106579.XA priority Critical patent/CN112906292B/zh
Publication of CN112906292A publication Critical patent/CN112906292A/zh
Application granted granted Critical
Publication of CN112906292B publication Critical patent/CN112906292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种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，包括以下步骤：考虑燃气蒸汽联合循环热电联产机组不同的运行方式，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数；考虑机组的经济性及环保性，在满足机组在安全负荷范围内运行的前提下，对机组气耗率及NOx排放率同时进行寻优，以建立寻优模型；确定寻优模型的约束条件；基于寻优模型的约束条件，求解该寻优模型，得总经济成本最低时对应的每台燃气蒸汽联合循环机组的热负荷及电负荷分配，该方法、系统、设备及存储介质能够实现燃气蒸汽联合循环热电联产机组热电负荷的优化分配，实现全厂的总运行成本最低。

Description

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
技术领域
本发明属于燃气蒸汽联合循环热电联产机组负荷优化分配领域，涉及一种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。
背景技术
随着可再生能源并网比例的增加，电网调峰任务不断加剧，燃气蒸汽联合循环热电联产机组一方面需要参与电网调峰运行，频繁快速地变化电负荷；另一方面，仍承担着厂区附近工业热负荷供给的任务，在供热采暖期需要根据热用户需求进行热负荷实时调整。因此，需要确立一套合理的优化方法，指导燃气蒸汽联合循环热电联产机组热电负荷优化分配，使得实现全厂的总运行成本最低。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种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，该方法、系统、设备及存储介质能够实现燃气蒸汽联合循环热电联产机组热电负荷的优化分配，实现全厂的总运行成本最低。
为达到上述目的，本发明所述的热电联产机组厂级热电负荷在线优化分配的方法包括以下步骤：
考虑燃气蒸汽联合循环热电联产机组不同的运行方式，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数；
考虑机组的经济性及环保性，在满足机组在安全负荷范围内运行的前提下，对机组气耗率及NOx排放率同时进行寻优，以建立寻优模型；
确定寻优模型的约束条件；
基于寻优模型的约束条件，求解该寻优模型，得总经济成本最低时对应的每台燃气蒸汽联合循环机组的热负荷及电负荷分配。
利用广义回归神经网络，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数。
气耗特性函数及NOx排放特性函数的表达式分别为：
mi＝f(P,D,T,H)
ni＝g(P,D,T,H)
其中，mi为第i台机组的气耗率，ni为第i台机组的NOx排放率，P为每台机组的电负荷，D为每台机组的热负荷，T为环境温度，H为环境湿度。
建立的寻优模型为：
其中，n为厂内机组的个数，c1为天然气单价，c2为NOx处理成本。
寻优模型的约束条件包括电负荷平衡约束、热负荷平衡约束、电负荷上下限约束、热负荷上线限约束、有热效率约束、热电比约束、天然气供给约束及天然气燃气轮机组的NOX排放量约束。
电负荷平衡约束为：
其中，PD为电网调度中心在t时刻下达至电厂的电负荷指令，PL为电网系统总网损；
热负荷平衡约束为：
其中，DD为热网调度中心在t时刻下达至电厂的热负荷指令，DL为热网系统总网损；
电负荷上下限约束为：
Pmin≤P≤Pmax
其中，Pmin及Pmax分别为第i台机组发电机的最小负荷及最大负荷；
热负荷上线限约束为：
其中，Dh1min及Dh1max分别为背压供热最大负荷及最小负荷，Dh2min及Dh2max分别为抽气供热的最大负荷及最小负荷；
有热效率约束为：
热电比约束为：
其中，Qnet为全年统计的供热量，Wnet为全年统计的发电量，mftotal为全年统计的天然气消耗量，LHV为天然气低位发热量；
天然气供给约束为：
其中，St为天然气在t时刻的供应上限；
天然气燃气轮机组的NOX排放量约束为：天然气燃气轮机组的NOX排放量小于等于50mg/m3。
利用基于差分进化策略改进的花授粉算法求解寻优模型。
一种热电联产机组厂级热电负荷在线优化分配的系统包括：
函数构建模块，用于考虑燃气蒸汽联合循环热电联产机组不同的运行方式，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数；
模型构建模块，用于考虑机组的经济性及环保性，在满足机组在安全负荷范围内运行的前提下，对机组气耗率及NOx排放率同时进行寻优，以建立寻优模型；
约束确定模块，用于确定寻优模型的约束条件；
求解模块，用于基于寻优模型的约束条件，求解该寻优模型，得总经济成本最低时对应的每台燃气蒸汽联合循环机组的热负荷及电负荷分配。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并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所述热电联产机组厂级热电负荷在线优化分配的方法的步骤。
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计算机程序，所述计算机程序被处理器执行时实现所述热电联产机组厂级热电负荷在线优化分配的方法的步骤。
本发明具有以下有益效果：
本发明所述的热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质在具体操作时，考虑机组的经济性及环保性，在满足机组在安全负荷范围内运行的前提下，对机组气耗率及NOx排放率同时进行寻优，以建立寻优模型，再求解该寻优模型，以得到总经济成本最低时对应的每台燃气蒸汽联合循环机组的热负荷及电负荷分配，操作方便、简单，实用性极强。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，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本发明的流程图；
图2为建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数的流程图；
图3为寻优模型的求解流程图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
本发明所述的热电联产机组厂级热电负荷在线优化分配的方法包括以下步骤：
1)考虑燃气蒸汽联合循环热电联产机组不同的运行方式，例如，抽气供热、背压供热及纯凝运行，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数；
利用广义回归神经网络，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数，其中，气耗特性函数及NOx排放特性函数的表达式分别为：
mi＝f(P,D,T,H)
ni＝g(P,D,T,H)
其中，mi为第i台机组的气耗率，ni为第i台机组的NOx排放率，P为每台机组的电负荷，D为每台机组的热负荷，T为环境温度，H为环境湿度。
步骤1)的具体过程为：
11)确定机组运行方式的种类及相应的特点，整理并汇总机组在抽气供热、背压供热及纯凝不同运行方式下参数的历史运行数据；
12)建立机组气耗特性函数及NOx排放特性函数的广义回归神经网络模型，其中，广义回归神经网络分为四层，分别为输入层、模式层、求和层及输出层，其中，输入层的神经元包括机组的电负荷P、机组的热负荷D、环境温度T及环境湿度H，气耗特性函数及NOx排放特性函数的输出层的神经元分别对应机组的气耗率及NOx排放率。
模式层神经元的数目等于学习样本的数目n，各神经元对应不同的样本，模式层神经元的传递函数为：
神经元i的输出为输入变量与其对应的样本X之间Euclid距离平方的指数平方Di 2＝(X-Xi)T(X-Xi)的指数形式。
其中，X为网络输入变量，Xi为第i个神经元对应的学习样本。
平滑参数σ的选取为影响网络性能的一个关键因素，采用平滑参数σ的选取方法，令σ在区间[0.01,1.201]内以0.05的步长递增，采用不同σ进行网络训练，得输出样本额原始值与估计值之间的平均绝对百分比误差(MAPE)，则MAPE最小时对应的σ为最优平滑参数，MAPE的表达式为：
其中，MAPE为平均绝对百分比误差，xi’为输出样本原始值，f(xi’)为GRNN模型的回归值；
13)利用模型输入输出变量特征参数的历史运行数据对模型进行训练，确定模型的特征参数，在利用模型求解每台机组不同运行方式下的气耗特性函数和NOx排放特性函数；
2)考虑机组的经济性及环保性，在满足机组在安全负荷范围内运行的前提下，对机组气耗率及NOx排放率同时进行寻优，以建立寻优模型，即
为加快寻优求解速度，实现负荷的实时在线分配，将气耗率折算成天然气消耗成本，将NOx排放率折算成NOx排放环保处理成本，将成本统一量纲，将多目标优化转变为单目标优化，则最终建立的寻优模型为：
其中，n为厂内机组的个数，c1为天然气单价，c2为NOx处理成本。
3)确定寻优模型的约束条件；
寻优模型的约束条件包括电负荷平衡约束、热负荷平衡约束、电负荷上下限约束、热负荷上线限约束、有热效率约束、热电比约束、天然气供给约束及天然气燃气轮机组的NOX排放量约束。
其中，电负荷平衡约束为：
其中，PD为电网调度中心在t时刻下达至电厂的电负荷指令，PL为电网系统总网损；
热负荷平衡约束为：
其中，DD为热网调度中心在t时刻下达至电厂的热负荷指令，DL为热网系统总网损；
电负荷上下限约束为：
Pmin≤P≤Pmax
其中，Pmin及Pmax分别为第i台机组发电机的最小负荷及最大负荷；
热负荷上线限约束为：
其中，Dh1min及Dh1max分别为背压供热最大负荷及最小负荷，Dh2min及Dh2max分别为抽气供热的最大负荷及最小负荷；
有热效率约束为：
热电比约束为：
其中，Qnet为全年统计的供热量，Wnet为全年统计的发电量，mftotal为全年统计的天然气消耗量，LHV为天然气低位发热量；
天然气供给约束为：
其中，St为天然气在t时刻的供应上限；
天然气燃气轮机组的NOX排放量约束为：天然气燃气轮机组的NOX排放量小于等于50mg/m3。
4)基于寻优模型的约束条件，求解该寻优模型，得总经济成本最低时对应的每台燃气蒸汽联合循环机组的热负荷及电负荷分配。
其中，利用基于差分进化策略改进的花授粉算法求解寻优模型。
具体的，花朵授粉算法的寻优能力主要依赖花朵个体之间的影响和相互作用，但种群中的个体缺乏变异机制，而变异机制能够增加种群的多样性，多样性能够提高算法的寻优能力，故将差分进化策略引入到花朵授粉算法中，以达到提高算法的寻优能力，加快收敛速度的目的，在相关的约束条件下，得总经济成本最低，对应下的每台燃气蒸汽联合循环机组的热、电负荷分配；
步骤4)的具体操作过程为：
41)对花朵授粉算法内各参数进行初始化，包括花朵种群数目、转换概率及最大迭代数目，其中，转换概率p∈[0,1]，控制全局授粉与局部授粉之间的转换为全局搜索和局部搜索之间转换的决定因素；
42)选择目标函数为花朵授粉算法的适应度函数，计算每个解的适应度值，在约束边界条件范围内求解初步的局部最优值；
43)当p>rand，按下式对当前解进行更新，并对当前解进行越界处理；
其中，Xi t+1及Xi t分别为第t+1代及第t代的解，g*为全局最优解，L为步长，L为：
其中，λ＝3/2，Γ(λ)为标准的伽马函数。
当p<rand，按下式对当前解进行更新，并对当前解进行越界处理；
其中，ε为[0,1]上服从均匀分布的随机数，Xj t及Xj t为相同植物种类的不同花朵的花粉。
对求得的新解对应的适应度值进行评估，当评估结果为合格，则更新当前解及当前适应度值，否则，保留当前解及当前适应度值；
44)将步骤43)得到的解作为差分进化的初始点进行变异、交叉及选择操作，得一组新解，计算该新解对应的全局最优值，更新全局最优解，判断结束条件，当满足结束条件，则输出最优解，否则，则转至步骤43)。
本发明所述的热电联产机组厂级热电负荷在线优化分配的系统包括：
函数构建模块，用于考虑燃气蒸汽联合循环热电联产机组不同的运行方式，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数；
模型构建模块，用于考虑机组的经济性及环保性，在满足机组在安全负荷范围内运行的前提下，对机组气耗率及NOx排放率同时进行寻优，以建立寻优模型；
约束确定模块，用于确定寻优模型的约束条件；
求解模块，用于基于寻优模型的约束条件，求解该寻优模型，得总经济成本最低时对应的每台燃气蒸汽联合循环机组的热负荷及电负荷分配。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述热电联产机组厂级热电负荷在线优化分配的方法的步骤。
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计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述热电联产机组厂级热电负荷在线优化分配的方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (4)

1.一种热电联产机组厂级热电负荷在线优化分配的方法，其特征在于，包括以下步骤：
考虑燃气蒸汽联合循环热电联产机组不同的运行方式，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数；
考虑机组的经济性及环保性，在满足机组在安全负荷范围内运行的前提下，对机组气耗率及NOx排放率同时进行寻优，以建立寻优模型；
确定寻优模型的约束条件；
基于寻优模型的约束条件，求解该寻优模型，得总经济成本最低时对应的每台燃气蒸汽联合循环机组的热负荷及电负荷分配；
利用广义回归神经网络，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数；
利用基于差分进化策略改进的花授粉算法求解寻优模型；
气耗特性函数及NOx排放特性函数的表达式分别为：
mi＝f(P,D,T,H)
ni＝g(P,D,T,H)
其中，mi为第i台机组的气耗率，ni为第i台机组的NOx排放率，P为每台机组的电负荷，D为每台机组的热负荷，T为环境温度，H为环境湿度；
建立的寻优模型为：
其中，n为厂内机组的个数，c1为天然气单价，c2为NOx处理成本；
寻优模型的约束条件包括电负荷平衡约束、热负荷平衡约束、电负荷上下限约束、热负荷上线限约束、有热效率约束、热电比约束、天然气供给约束及天然气燃气轮机组的NOX排放量约束；
电负荷平衡约束为：
其中，PD为电网调度中心在t时刻下达至电厂的电负荷指令，PL为电网系统总网损；
热负荷平衡约束为：
其中，DD为热网调度中心在t时刻下达至电厂的热负荷指令，DL为热网系统总网损；
电负荷上下限约束为：
Pmin≤P≤Pmax
其中，Pmin及Pmax分别为第i台机组发电机的最小负荷及最大负荷；
热负荷上线限约束为：
其中，Dh1min及Dh1max分别为背压供热最大负荷及最小负荷，Dh2min及Dh2max分别为抽气供热的最大负荷及最小负荷；
有热效率约束为：
热电比约束为：
其中，Qnet为全年统计的供热量，Wnet为全年统计的发电量，mftotal为全年统计的天然气消耗量，LHV为天然气低位发热量；
天然气供给约束为：
其中，S t为天然气在t时刻的供应上限；
天然气燃气轮机组的NOX排放量约束为：天然气燃气轮机组的NOX排放量小于等于50mg/m3。
2.一种热电联产机组厂级热电负荷在线优化分配的系统，其特征在于，包括：
函数构建模块，用于考虑燃气蒸汽联合循环热电联产机组不同的运行方式，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数；
模型构建模块，用于考虑机组的经济性及环保性，在满足机组在安全负荷范围内运行的前提下，对机组气耗率及NOx排放率同时进行寻优，以建立寻优模型；
约束确定模块，用于确定寻优模型的约束条件；
求解模块，用于基于寻优模型的约束条件，求解该寻优模型，得总经济成本最低时对应的每台燃气蒸汽联合循环机组的热负荷及电负荷分配；
利用广义回归神经网络，建立机组在不同运行方式下的气耗特性函数及NOx排放特性函数；
利用基于差分进化策略改进的花授粉算法求解寻优模型；
气耗特性函数及NOx排放特性函数的表达式分别为：
mi＝f(P,D,T,H)
ni＝g(P,D,T,H)
其中，mi为第i台机组的气耗率，ni为第i台机组的NOx排放率，P为每台机组的电负荷，D为每台机组的热负荷，T为环境温度，H为环境湿度；
建立的寻优模型为：
其中，n为厂内机组的个数，c1为天然气单价，c2为NOx处理成本；
寻优模型的约束条件包括电负荷平衡约束、热负荷平衡约束、电负荷上下限约束、热负荷上线限约束、有热效率约束、热电比约束、天然气供给约束及天然气燃气轮机组的NOX排放量约束；
电负荷平衡约束为：
其中，PD为电网调度中心在t时刻下达至电厂的电负荷指令，PL为电网系统总网损；
热负荷平衡约束为：
其中，DD为热网调度中心在t时刻下达至电厂的热负荷指令，DL为热网系统总网损；
电负荷上下限约束为：
Pmin≤P≤Pmax
其中，Pmin及Pmax分别为第i台机组发电机的最小负荷及最大负荷；
热负荷上线限约束为：
其中，Dh1min及Dh1max分别为背压供热最大负荷及最小负荷，Dh2min及Dh2max分别为抽气供热的最大负荷及最小负荷；
有热效率约束为：
热电比约束为：
其中，Qnet为全年统计的供热量，Wnet为全年统计的发电量，mftotal为全年统计的天然气消耗量，LHV为天然气低位发热量；
天然气供给约束为：
其中，S t为天然气在t时刻的供应上限；
天然气燃气轮机组的NOX排放量约束为：天然气燃气轮机组的NOX排放量小于等于50mg/m3。
3.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述热电联产机组厂级热电负荷在线优化分配的方法的步骤。
4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述热电联产机组厂级热电负荷在线优化分配的方法的步骤。
CN202110106579.XA 2021-01-26 2021-01-26 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 Active CN112906292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110106579.XA CN112906292B (zh) 2021-01-26 2021-01-26 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110106579.XA CN112906292B (zh) 2021-01-26 2021-01-26 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

Publications (2)

Publication Number Publication Date
CN112906292A CN112906292A (zh) 2021-06-04
CN112906292B true CN112906292B (zh) 2024-02-23

Family

ID=76120391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110106579.XA Active CN112906292B (zh) 2021-01-26 2021-01-26 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

Country Status (1)

Country Link
CN (1) CN112906292B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091718A (zh) * 2021-06-29 2022-02-25 华能南京燃机发电有限公司 一种联合循环供热机组电热组合经营优化研究方法
CN113361828B (zh) * 2021-07-22 2023-04-07 西安热工研究院有限公司 多机组、多供热模式的热电厂供热负荷分配优化方法
CN113610328A (zh) * 2021-08-25 2021-11-05 浙江浙能台州第二发电有限责任公司 一种发电负荷预测方法
CN113705911A (zh) * 2021-08-31 2021-11-26 西安热工研究院有限公司 一种基于灰狼算法的热电负荷经济性优化分配方法
CN113738510A (zh) * 2021-09-27 2021-12-03 上海电气燃气轮机有限公司 一种双压无再热联合循环电厂及其性能优化方法
CN114781945B (zh) * 2022-06-21 2022-11-04 汉谷云智(武汉)科技有限公司 热电联产机组负荷分配方法、设备、终端及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737351A (zh) * 2012-06-15 2012-10-17 广东电网公司电力科学研究院 燃气-蒸汽联合循环发电机组多目标多约束优化调度方法
CN103426032A (zh) * 2013-07-25 2013-12-04 广东电网公司电力科学研究院 一种热电联产机组的经济优化调度方法
RU2015135417A (ru) * 2015-08-20 2017-02-27 Федеральное Государственное Бюджетное Образовательное Учреждение Высшего Образования "Новосибирский Государственный Технический Университет" Способ разнесения топливных затрат на ТЭЦ
CN110070460A (zh) * 2019-04-16 2019-07-30 东南大学 多套燃气-蒸汽联合循环机组热电负荷优化调度系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107732983A (zh) * 2017-10-22 2018-02-23 清华大学 一种电‑热耦合多能流系统的日内滚动调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737351A (zh) * 2012-06-15 2012-10-17 广东电网公司电力科学研究院 燃气-蒸汽联合循环发电机组多目标多约束优化调度方法
CN103426032A (zh) * 2013-07-25 2013-12-04 广东电网公司电力科学研究院 一种热电联产机组的经济优化调度方法
RU2015135417A (ru) * 2015-08-20 2017-02-27 Федеральное Государственное Бюджетное Образовательное Учреждение Высшего Образования "Новосибирский Государственный Технический Университет" Способ разнесения топливных затрат на ТЭЦ
CN110070460A (zh) * 2019-04-16 2019-07-30 东南大学 多套燃气-蒸汽联合循环机组热电负荷优化调度系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Wei Wang ; Xi Wu ; Lili Wang ; Hao Chang ; Chunhui Zhao.Optimal load distribution based on maximization of comprehensive economic benefit in power plant.The 27th Chinese Control and Decision Conference (2015 CCDC).2015,全文. *
一种考虑燃气蒸汽联合循环机组运行模式的综合能源系统备用配置与校核模型;王春晓;严超;别朝红;李更丰;;中国电机工程学报;20200120(第02期);全文 *
燃气-蒸汽联合循环机组厂级负荷分配研究;孙达康;《能源研究与利用》;20200815(第04期);正文第39-41页 *

Also Published As

Publication number Publication date
CN112906292A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112906292B (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
CN110956266B (zh) 基于层次分析法的多电源电力系统多目标优化调度方法
CN101598109B (zh) 一种风力发电机偏航系统的智能控制方法
CN109084415A (zh) 基于神经网络和遗传算法的中央空调运行参数寻优方法
CN104268712B (zh) 基于改进的混合多种群进化算法的能源平衡与调度方法
CN113378100B (zh) 考虑碳排放的配电网源网荷储协同优化调度模型和方法
CN109615146A (zh) 一种基于深度学习的超短时风功率预测方法
CN110212551B (zh) 基于卷积神经网络的微网无功自动控制方法
CN107516892A (zh) 基于处理有功优化约束条件提高电能质量的方法
CN111917111B (zh) 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质
CN111798037B (zh) 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法
Yin et al. Hybrid multi-agent emotional deep Q network for generation control of multi-area integrated energy systems
CN116316636A (zh) 一种基于麻雀搜索算法的微电网优化调度方法
CN115374692A (zh) 一种用于区域综合能源系统的双层优化调度决策方法
CN115795992A (zh) 一种基于运行态势虚拟推演的园区能源互联网在线调度方法
CN105633971B (zh) 一种基于帝国主义竞争算法的智能配电网随机潮流方法
CN108734349A (zh) 基于改进遗传算法的分布式电源选址定容优化方法及系统
CN117291390A (zh) 一种基于SumTree-TD3算法的调度决策模型建立方法
CN116799856A (zh) 一种多微网系统的能量控制方法、控制器及系统
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
Jadhav et al. An elitist artificial bee colony algorithm for combined economic emission dispatch incorporating wind power
CN112183843B (zh) 一种基于混合智能算法的火电厂负荷优化分配方法
Haifeng et al. An adaptive BP-network approach to short term load forecasting
CN114091720A (zh) 一种基于决策者偏好的多目标配煤方法
CN113705911A (zh) 一种基于灰狼算法的热电负荷经济性优化分配方法

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