CN112950409A - 煤气和蒸汽能源综合利用系统生产调度优化方法 - Google Patents
煤气和蒸汽能源综合利用系统生产调度优化方法 Download PDFInfo
- Publication number
- CN112950409A CN112950409A CN202110417917.1A CN202110417917A CN112950409A CN 112950409 A CN112950409 A CN 112950409A CN 202110417917 A CN202110417917 A CN 202110417917A CN 112950409 A CN112950409 A CN 112950409A
- Authority
- CN
- China
- Prior art keywords
- steam
- gas
- model
- production
- variable
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 239000003034 coal gas Substances 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 230000036541 health Effects 0.000 claims abstract description 4
- 239000007789 gas Substances 0.000 claims description 125
- 238000010248 power generation Methods 0.000 claims description 35
- 230000000694 effects Effects 0.000 claims description 17
- 238000002485 combustion reaction Methods 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 10
- 239000003546 flue gas Substances 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 239000002918 waste heat Substances 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000004134 energy conservation Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Engine Equipment That Uses Special Cycles (AREA)
Abstract
本发明提供一种煤气和蒸汽能源综合利用系统生产调度优化方法，包括以下步骤：基于工艺机理的历史生产数据清洗，去除工艺逻辑错误的数据样本，将健康数据用于模型训练；基于高维近似模型的煤气燃机生产负荷模型训练；基于高维近似模型的煤气燃机安全生产控制模型训练；基于高维近似模型的煤气锅炉生产负荷模型训练；基于高维近似模型的蒸汽机生产负荷模型训练；基于高维近似模型的蒸汽发电机安全生产控制模型训练；建立煤气和蒸汽系统调度优化模型；煤气和蒸汽能源综合利用系统调度优化问题求解。本发明建立煤气和蒸汽能源系统调度数学模型，寻找最优的系统调度生产条件，最终制定出生产效益最优的各生产参数联调策略。
Description
技术领域
本发明属于发电技术领域，具体涉及一种煤气和蒸汽能源综合利用系统生产调度优化方法。
背景技术
煤气和蒸汽能源综合利用系统最大痛点是如何提高煤气和蒸汽的利用率，在满足煤气和蒸汽供应需求的前提下，发更多的电，并产生更少的污染排放。能源综合利用系统输送和供应大量煤气、蒸汽，并发电以供工业园内使用，可有效提高能源利用率。工业级的煤气和蒸汽能源综合利用系统包含大量生产设备(煤气燃机、锅炉、汽机等)，各设备的生产效率和状态差性大，并受到煤气和蒸汽生产及外供客户需求波动的影响。要实现这类生产系统的智能化调度，其复杂程度超过了一般的优化问题，典型的能源综合利用系统包含：20000多个传感器测点，500多个主要控制参数，5000多个生产约束规则。
现有煤气和蒸汽能源综合利用系统控制方法采用能量平衡计算方法，由操作工人根据各能源的供应量和需求量，以及相关运行装置的负荷约束来分配能源在管道内的流向和流量。保证能源供需发生波动时，对能源的输送和使用实现及时调整，提高能源的利用率(比如煤气锅炉产汽率、煤气燃机发电率和产汽率、蒸汽机发电率等)，减少能源的浪费和生产成本。
基于人工计算的能量平衡系统调度方法，在实际生产中常常遇到以下几个问题：
(1)工人操作更多关注的是有限设备操作，对系统优化效果并不明显，有时还会对整体优化起到相反
(2)各设备效率为动态变化，煤气和蒸汽管网属于多设备单元相互影响的耦合系统，需要对所有设备单元进行实时分析和动态联调，对于人工经验操作是巨大的挑战。
(3)当外供客户需求发生较大波动时，需要工厂对煤气和蒸汽管网系统的关键设备做出迅速调整，而多个设备的开、停机策略属于大规模的组合爆炸问题。针对这类连续生产调度系统做优化，是世界级难题。
综上所述，基于人工操作的生产调度模式无法最大发挥该系统的节能和能源综合利用潜力。
发明内容
针对上述技术问题，本发明提供一种煤气和蒸汽能源综合利用系统生产调度优化方法，主要目的有：
(1)基于煤气和蒸汽利用系统工艺，采用机理分析方法，选取过程关键影响参数，提出关键设备(煤气燃机、锅炉和蒸汽机)生产模型训练方法，实现关键设备生产指标精准预测。
(2)基于关键发电设备(煤气燃机和蒸汽机)操作规程，以及实时生产数据，提出发电设备安全生产参数训练方法，保证生产过程中发电设备的安全稳定地运行。
(3)建立煤气和蒸汽系统调度优化模型，对各生产参数和设备操作进行联调优化，实现全系统能源利用率最高和生产效益最优的目标。
本发明首先采用过程机理分析方法，将海量工业历史数据进行清洗，去除与工艺机理相矛盾的历史数据。随后，选取过程设备关键影响参数，提出高维数据训练方法，建立与实际生产高度吻合的关键设备预测模型，实现设备生产精准控制。最后通过建立能源系统生产调度优化模型，提出最优控制算法指导生产，保证能源利用率最优，并摆脱对工人经验的依赖。
具体的技术方案为：
煤气和蒸汽能源综合利用系统生产调度优化方法，包括以下步骤：
步骤S100：基于工艺机理的历史生产数据清洗，去除工艺逻辑错误的数据样本,将健康数据用于模型训练。
受工厂现场生产环境干扰和传感器检测误差的影响，从工厂采回的历史生产数据会出现违反工艺逻辑的情况，主要包括：
(1)其他生产操作不变的情况下，增加煤气燃机进气量，燃机发电下降；减少煤气燃机进气量，燃机发电上升；
(2)其他生产操作不变的情况下，增加煤气燃机进气量，燃机余热锅炉产蒸汽量降低；减少煤气燃机进气量，燃机余热锅炉产蒸汽量增加；
(3)其他生产操作不变的情况下，增加煤气锅炉进气量，锅炉产蒸汽量降低；减少煤气锅炉进气量，锅炉产蒸汽量增加。
(4)其他生产操作不变的情况下，增加蒸汽机进汽量，汽机发电下降；减少蒸汽机进汽量，汽机发电上升；
将历史生产数据中存在的上述工艺逻辑错误样本去除后，用于关键设备生产控制模型的训练。
步骤S200：基于高维近似模型的煤气燃机生产负荷模型训练。
基于煤气燃机运行机理，影响燃机发电量的关键变量包括：煤气进气流量、煤气供气压力、空气进气温度、压气机压比、出口透平温度和排气压力。因此，需根据上述6种生产参数来准确预测燃机负荷。
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出燃机发电量(yr)与煤气进气流量(xr1)、煤气供气压力(xr2)、空气进气温度(xr3)、压气机压比(xr4)、出口透平温度(xr5)和排气压力(xr6)的高维近似模型。
具体地，输出变量yr的高维近似模型为：
式(1)中，K为输入变量xr的最大阶数，i和i’表示每一个具体变量xr，k和k’表示每变量xr的阶数，模型参数包括：Cr、Ari，k和Bri，i’，k，k，，其中，Cr表示对输出变量yr的零阶响应；Ari，k指输入变量xri单独作用时对输出变量yt的影响；Bri，i’，k，k，是输入变量xri和xri’耦合作用时对输出变量yr的影响。
步骤S210：建立基于高维近似模型(式(1))的输出变量预测值(yr)与输入变量xr之间的计算关系，如式(2)，其中下标m表示每一组数据，M为数据的组数，其他符号说明可参考式(1)。
步骤S220：约束高维近似模型的误差范围(ar)。引入两个不小于0的变量(yram和yrbm)，建立式(3)-(6)，yr* m为输出变量的样本值。
0≤yram≤σr，m∈M (5)
0≤yrbm≤σr，m∈M (6)
步骤S230：建立线性优化的目标值(rn)，使预测值与数据样本值的误差(yram+yrbm)最小，如式(7)。
步骤S240：设置误差范围(σr)，输入变量(xr)的初始阶数K＝1。
步骤S250：线性优化问题求解。针对步骤S210-S240建立的线性优化问题，利用数学编程技术，采用经典的对偶单纯形算法可对其进行高效地求解。
步骤S260：判断线性优化问题是否有解。有解，输出结果，算法停止；无解，则进入步骤S270。
步骤S270：增加输入变量(xr)的阶数，K＝K+1。返回步骤S250，求解更新变量(xr)阶数后的线性优化问题。通过不断增加变量(xr)的阶数K，反复执行步骤S250-S270，可得到高维近似模型在误差范围(σr)内的所有参数(Cr、Ari，k和Bri，i’，k，k’)。
步骤S300：基于高维近似模型的煤气燃机安全生产控制模型训练。
煤气燃机安全生产指标由出口透平温度来监控，基于燃机运行机理，影响燃机出口透平温度的关键变量包括：煤气进气流量、煤气供气压力、空气进气温度、压气机压比、燃机负荷和排气压力。因此，需根据上述6种生产参数来准确预测燃机负荷。
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出出口透平温度(yrs)与煤气进气流量(xrs1)、煤气供气压力(xrs2)、空气进气温度(xrs3)、压气机压比(xrs4)、燃机负荷(xrs5)和排气压力(xrs6)的高维近似模型。
具体地，输出变量yrs的高维近似模型为：
式(8)中，K为输入变量xrs的最大阶数，i和i’表示每一个具体变量xrs，k和k’表示每变量xrs的阶数，模型参数包括：Crs、Arsi,k和Brsi,i’,k,k’，其中，Crs表示对输出变量yrs的零阶响应；Arsi,k指输入变量xrsi单独作用时对输出变量yrs的影响；Brsi,i’,k,k’是输入变量xrsi和xrsi’耦合作用时对输出变量yrs的影响。
建立基于高维近似模型(式(8))的输出变量预测值(yrs)与输入变量xrs之间的计算关系，如式(9)，其中下标m表示每一组数据，M为数据的组数，其他符号说明可参考式(8)。
执行步骤S220-S270，可得到高维近似模型的所有参数(Crs、Arsi,k和Brsi,i’,k,k’)。
步骤S400：基于高维近似模型的煤气锅炉生产负荷模型训练。
基于煤气锅炉生产工艺机理，影响煤气锅炉生产蒸汽量的关键变量包括：煤气流量、送风量、燃烧器调节阀门开度、烟气温度、烟气含氧量、引风机电流和引风机挡板阀位。因此，需根据上述7种生产参数来准确预测煤气锅炉产蒸汽量。
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出煤气锅炉产蒸汽量(yg)与煤气流量(xg1)、送风量(xg2)、燃烧器调节阀门开度(xg3)、烟气温度(xg4)、烟气含氧量(xg5)、引风机电流(xg6)和引风机挡板阀位(xg7)的高维近似模型。
具体地，输出变量yg的高维近似模型为：
式(10)中，K为输入变量xg的最大阶数，i和i’表示每一个具体变量xg，k和k’表示每变量xg的阶数，模型参数包括：Cg、Agi,k和Bgi,i’,k,k’，其中，Cg表示对输出变量yg的零阶响应；Agi,k指输入变量xgi单独作用时对输出变量yg的影响；Bgi,i’,k,k’是输入变量xgi和xgi’耦合作用时对输出变量yg的影响。
建立基于高维近似模型(式(10))的输出变量预测值(yg)与输入变量xg之间的计算关系，如式(11)，其中下标m表示每一组数据，M为数据的组数，其他符号说明可参考式(10)。
执行步骤S220-S270，可得到高维近似模型的所有参数(Cg、Agi,k和Bgi,i’,k,k’)。
步骤S500：基于高维近似模型的蒸汽机生产负荷模型训练。
基于蒸汽机发电生产工艺机理，影响蒸汽机发电量的关键变量包括：蒸汽流量、进汽温度、进汽压力和凝汽器真空。因此，需根据上述4种生产参数来准确预测蒸汽机发电量。
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出蒸汽机发电量(yq)与蒸汽流量(xq1)、进汽温度(xq2)、进汽压力(xq3)和凝汽器真空(xq4)的高维近似模型。
具体地，输出变量yq的高维近似模型为：
式(12)中，K为输入变量xq的最大阶数，i和i’表示每一个具体变量xq，k和k’表示每变量xq的阶数，模型参数包括：Cq、Aqi,k和Bqi,i’,k,k’，其中，Cq表示对输出变量yq的零阶响应；Aqi,k指输入变量xqi单独作用时对输出变量yq的影响；Bqi,i’,k,k’是输入变量xqi和xqi’耦合作用时对输出变量yq的影响。
建立基于高维近似模型(式(12))的输出变量预测值(yq)与输入变量xq之间的计算关系，如式(13)，其中下标m表示每一组数据，M为数据的组数，其他符号说明可参考式(12)。
执行步骤S220-S270，可得到高维近似模型的所有参数(Cq、Aqi,k和Bqi,i’,k,k’)。
步骤S600：基于高维近似模型的蒸汽发电机安全生产控制模型训练。
蒸汽发电机安全生产指标由凝汽器真空度来监控，基于蒸汽发电机运行机理，影响汽机凝汽器真空度的关键变量包括：蒸汽流量、进汽温度、进汽压力和汽机发电量。因此，需根据上述4种生产参数来准确预测凝汽器真空度。
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出凝汽器真空度(yqz)与蒸汽流量(xqz1)、进汽温度(xqz2)、进汽压力(xqz3)和汽机发电量(xqz4)的高维近似模型。
具体地，输出变量yqz的高维近似模型为：
式(14)中，K为输入变量xqz的最大阶数，i和i’表示每一个具体变量xqz，k和k’表示每变量xqz的阶数，模型参数包括：Cqz、Aqzi,k和Bqzi,i’,k,k’，其中，Cqz表示对输出变量yqz的零阶响应；Aqzi,k指输入变量xqzi单独作用时对输出变量yqz的影响；Bqzi,i’,k,k’是输入变量xqzi和xqzi’耦合作用时对输出变量yqz的影响。
建立基于高维近似模型(式(14))的输出变量预测值(yqz)与输入变量xqz之间的计算关系，如式(15)，其中下标m表示每一组数据，M为数据的组数，其他符号说明可参考式(14)。
执行步骤S220-S270，可得到高维近似模型的所有参数(Cqz、Aqzi,k和Bqzi,i’,k,k’)。
步骤S700：建立煤气和蒸汽系统调度优化模型；
首先，关键设备生产约束如式(16)-(18)，即煤气燃烧发电机、煤气锅炉和蒸汽发电机的负荷受到最大/最小值的操作约束。下标r表示每一台煤气燃机，R为煤气燃机集合；g表示每一台煤气锅炉，G为煤气锅炉集合；q表示每一台蒸汽发电机，Q为蒸汽发电机集合。
min YRr≤yrr≤maX YRr，r∈R (16)
min YGg≤ygg≤maX YGg，g∈G (17)
min YQq≤yqq≤max YQq，q∈Q (18)
式(19)描述了能源系统煤气管网能量平衡关系，其中zmq为煤气总供应量，xmq为煤气总需求量，rmqr为燃机r的煤气进气量，gmqg为锅炉g的煤气进气量。
式(20)描述了能源系统蒸汽管网能量平衡关系，其中zzq为蒸汽总供应量，xzq为蒸汽总需求量，qzqq为蒸汽发电机q的蒸汽进汽量。
能源综合利用系统调度优化的目标是，在满足煤气和蒸汽供需平衡的约束条件下，实现总发电量最高，如式(21)。
由步骤S200～步骤S600的各个关键设备高维近似模型(式1、8、10、12和14)、设备操作约束方程(式16-18)、能量守恒(式19和20)，以及目标函数(式21)，组成了能源综合利用系统调度优化数学规划模型。
步骤S800：煤气和蒸汽能源综合利用系统调度优化问题求解。
针对步骤S700建立的非线性数学规划问题，利用数学编程技术，采用经典的连续凸逼近(Successive Convex Approximation)算法可对其进行高效地求解。
本发明提供的煤气和蒸汽能源综合利用系统生产调度优化方法，具有以下技术效果：
(1)基于煤气和蒸汽能源系统生产工艺机理，对工业历史生产数据进行分析和清洗，去除与工艺机理逻辑相反的数据样本，为后续工艺模型训练提供健康的训练样本数据。
(2)基于煤气和蒸汽能源利用生产工艺机理，确定影响关键设备的关键生产参数。并提出高维表征近似模型训练算法，采用清洗后的工业历史生产数据，训练出燃机、锅炉和汽机操作模型来对关键设备生产指标进行精准预测。
(3)采用训练得到的设备预测模型，建立煤气和蒸汽能源系统调度数学模型，寻找最优的系统调度生产条件，最终制定出生产效益最优的各生产参数联调策略。
附图说明
图1为本发明的流程示意图；
图2为本发明求解煤气燃机生产负荷高维近似模型参数的方法示意图。
具体实施方式
结合实施例说明本发明的具体技术方案。
结合实施例说明本发明的具体技术方案。本发明的流程图如图1所示。
某能源综合利用系统：煤气管网包含4台煤气燃机用于发电，4台燃机余热锅炉和3台煤气锅炉生产蒸汽，以及十多家外供煤气客户；蒸汽管网有5台汽机用于蒸汽发电，以及十几家内供和外供蒸汽。该系统主要设备生产约束条件为：4台煤气燃机的出口最大透平温度为760℃，4台煤气燃机的最小和最大进气量为5000和7500方/时；3台煤气锅炉的最小和最大进气量为4500和6400方/时；5台汽机的最小和最大进蒸汽量分别为：1#汽机10～28吨/时，其余汽机15～65吨/时。当煤气总发生量为111500方/时，煤气外供和内供需求量为64590.9方/时，煤气系统管损为1.95％，煤气系统再生量为4192方/时，蒸汽总发生量为125.35吨/时，蒸汽内供需求为40.84吨/时，蒸汽外供为16.793吨/时，求系统总发电量最大时各关键设备的操作状态。
步骤S100：过程工业数据分析及清洗
基于能源系统工艺机理，确定影响煤气燃机、锅炉和蒸汽发电机的关键生产因素。正常生产情况下，生产实时数据每分钟更新。采用生产实时数据半小时平均计算的策略，组成一组数据样本。因此，在工厂连续生产状态下，每天会产生48组数据样本。去除工艺逻辑错误数据和工厂停车检修情况下的数据后，得到健康样本属于用于关键设备预测模型的训练。
如图2所示，步骤S200：针对影响燃机发电量的6种生产参数历史数据来训练燃机负荷预测模型。燃机发电量(yr)的高维近似模型结构。
采用步骤S210-S270建立的线性优化方法，求解步骤S200中燃机发电量(yr)高维近似模型的参数。
步骤S300：针对影响燃机出口透平温度的6种生产参数历史数据来训练燃机出口透平温度预测模型。燃机出口透平温度(yrs)的高维近似模型结构。
采用步骤S210-S270建立的线性优化方法，求解步骤S200中燃机出口透平温度(yrs)高维近似模型的参数。
步骤S400：针对影响锅炉产蒸汽量的7种生产参数历史数据来训练锅炉产蒸汽量预测模型。锅炉产蒸汽量(yg)的高维近似模型结构。
采用步骤S210-S270建立的线性优化方法，求解步骤S200中锅炉产蒸汽量(yg)高维近似模型的参数。
步骤S500：针对影响蒸汽机发电量的4种生产参数历史数据来训练蒸汽机发电量预测模型。蒸汽机发电量(yq)的高维近似模型结构。
采用步骤S210-S270建立的线性优化方法，求解步骤S200中蒸汽机发电量(yq)高维近似模型的参数。
步骤S600：针对影响蒸汽机凝汽器真空度的4种生产参数历史数据来训练蒸汽机凝汽器真空度预测模型。蒸汽机凝汽器真空度(yqz)的高维近似模型结构。
采用步骤S210-S270建立的线性优化方法，求解步骤S200中蒸汽机真空度(yqz)高维近似模型的参数。
步骤S700：首先，建立关键设备生产约束方程。
5000≤yrr≤7500，r∈[1，2，3，4]
4500≤ygg≤6400，g∈[1，2，3]
10≤yq1≤28
15≤yqq≤65，q∈[2，3，4，5]
其次，能源系统煤气管网能量平衡约束方程为：
能源系统蒸汽管网能量平衡约束方程为：
能源综合系统调度优化的目标为：
最终，各关键设备运行预测方程(步骤S200-S600)和步骤S700建立的生产约束方程和操作目标函数组成了能源综合系统调度优化数学规划模型。
步骤S800：基于步骤S700建立的非线性数学规划问题，利用数学编程技术，采用经典的连续凸逼近(Successive Convex Approximation)算法可对其进行高效地求解。优化结果为：
1号煤气燃机：进气量为7246.376方/时，发电量为14.637MW，产蒸汽量19.317吨/时；
2号煤气燃机：进气量为6500方/时，发电量为13.471MW，产蒸汽量18.009吨/时；
3号煤气燃机：进气量为7000方/时，发电量为14.051MW，产蒸汽量19.602吨/时；
4号煤气燃机：进气量为7000方/时，发电量为14.802MW，产蒸汽量20.336吨/时；
1号锅炉：进气量为6400方/时，产蒸汽量38.654吨/时；
2号锅炉：进气量为0方/时，产蒸汽量0吨/时；
3号锅炉：进气量为6400方/时，产蒸汽量40.502吨/时；
1号蒸汽发电机：进汽量为0吨/时，发电量为0MW；
2号蒸汽发电机：进汽量为65吨/时，发电量为16.751MW；
3号蒸汽发电机：进汽量为51.214吨/时，发电量为9.58MW；
4号蒸汽发电机：进汽量为65吨/时，发电量为16.751MW；
5号蒸汽发电机：进汽量为37.543吨/时，发电量为9.212MW。
Claims (9)
1.煤气和蒸汽能源综合利用系统生产调度优化方法，其特征在于，包括以下步骤：
步骤S100：基于工艺机理的历史生产数据清洗，去除工艺逻辑错误的数据样本，将健康数据用于模型训练；
将历史生产数据中存在的工艺逻辑错误样本去除后，用于关键设备生产控制模型的训练；
步骤S200：基于高维近似模型的煤气燃机生产负荷模型训练；
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出燃机发电量yr与煤气进气流量xr1、煤气供气压力xr2、空气进气温度xr3、压气机压比xr4、出口透平温度xr5和排气压力xr6的高维近似模型；
步骤S300：基于高维近似模型的煤气燃机安全生产控制模型训练；
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出出口透平温度yrs与煤气进气流量xrs1、煤气供气压力xrs2、空气进气温度xrs3、压气机压比xrs4、燃机负荷xrs5和排气压力xrs6的高维近似模型；
步骤S400：基于高维近似模型的煤气锅炉生产负荷模型训练；
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出煤气锅炉产蒸汽量yg与煤气流量xg1、送风量xg2、燃烧器调节阀门开度xg3、烟气温度xg4、烟气含氧量xg5、引风机电流xg6和引风机挡板阀位xg7的高维近似模型；
步骤S500：基于高维近似模型的蒸汽机生产负荷模型训练；
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出蒸汽机发电量yq与蒸汽流量xq1、进汽温度xq2、进汽压力xq3和凝汽器真空xq4的高维近似模型；
步骤S600：基于高维近似模型的蒸汽发电机安全生产控制模型训练；
采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出凝汽器真空度yqz与蒸汽流量xqz1、进汽温度xqz2、进汽压力xqz3和汽机发电量xqz4的高维近似模型；
步骤S700：建立煤气和蒸汽系统调度优化模型；
由步骤S200～步骤S600的各个关键设备高维近似模型、设备操作约束方程、能量守恒，以及目标函数，组成了能源综合利用系统调度优化数学规划模型；
步骤S800：煤气和蒸汽能源综合利用系统调度优化问题求解；
针对步骤S700建立的非线性数学规划问题，利用数学编程技术，采用经典的连续凸逼近算法对其进行高效地求解。
2.根据权利要求1所述的煤气和蒸汽能源综合利用系统生产调度优化方法，其特征在于，步骤S100中，所述的工艺逻辑错误的情况，主要包括：
(1)其他生产操作不变的情况下，增加煤气燃机进气量，燃机发电下降；减少煤气燃机进气量，燃机发电上升；
(2)其他生产操作不变的情况下，增加煤气燃机进气量，燃机余热锅炉产蒸汽量降低；减少煤气燃机进气量，燃机余热锅炉产蒸汽量增加；
(3)其他生产操作不变的情况下，增加煤气锅炉进气量，锅炉产蒸汽量降低；减少煤气锅炉进气量，锅炉产蒸汽量增加；
(4)其他生产操作不变的情况下，增加蒸汽机进汽量，汽机发电下降；减少蒸汽机进汽量，汽机发电上升。
3.根据权利要求1所述的煤气和蒸汽能源综合利用系统生产调度优化方法，其特征在于，步骤S200中，输出变量yr的高维近似模型为：
式(1)中，K为输入变量xr的最大阶数，i和i’表示每一个具体变量xr，k和k’表示每变量xr的阶数，模型参数包括：Cr、Ari，k和Bri，i’，k，k’，其中，Cr表示对输出变量yr的零阶响应；Ari，k指输入变量xri单独作用时对输出变量yr的影响；Bri，i’，k，k’是输入变量xri和xri’耦合作用时对输出变量yr的影响。
4.根据权利要求3所述的煤气和蒸汽能源综合利用系统生产调度优化方法，其特征在于，步骤S200中模型训练包括以下步骤：
步骤S210：建立基于高维近似模型即式(1)的输出变量预测值yr与输入变量xr之间的计算关系，如式(2)，其中下标m表示每一组数据，M为数据的组数，其他符号说明参考式(1)；
步骤S220：约束高维近似模型的误差范围σr；引入两个不小于0的变量yram和yrbm，建立式(3)-(6)，yr* m为输出变量的样本值；
0≤yram≤σr，m∈M (5)
0≤yrbm≤σr，m∈M (6)
步骤S230：建立线性优化的目标值rn，使预测值与数据样本值的误差yram+yrbm最小，如式(7)；
步骤S240：设置误差范围σr，输入变量xr的初始阶数K＝1；
步骤S250：线性优化问题求解；针对步骤S210-S240建立的线性优化问题，利用数学编程技术，采用经典的对偶单纯形算法对其进行高效地求解；
步骤S260：判断线性优化问题是否有解；有解，输出结果，算法停止；无解，则进入步骤S270；
步骤S270：增加输入变量xr的阶数，K＝K+i；返回步骤S250，求解更新变量xr阶数后的线性优化问题；通过不断增加变量xr的阶数K，反复执行步骤S250-S270，得到高维近似模型在误差范围σr内的所有参数Cr、Ari，k和Bri，i’，k，k’。
5.根据权利要求4所述的煤气和蒸汽能源综合利用系统生产调度优化方法，其特征在于，步骤S300中，输出变量yrs的高维近似模型为：
式(8)中，K为输入变量xrs的最大阶数，i和i’表示每一个具体变量xrs，k和k’表示每变量xrs的阶数，模型参数包括：Crs、Arsi，k和Brsi，i’，k，k’，其中，Crs表示对输出变量yrs的零阶响应；Arsi，k指输入变量xrsi单独作用时对输出变量yrs的影响；Brsi，i’，k，k’是输入变量xrsi和xrsi’耦合作用时对输出变量yrs的影响；
建立基于高维近似模型即式(8)的输出变量预测值yrs与输入变量xrs之间的计算关系，如式(9)，其中下标m表示每一组数据，M为数据的组数，其他符号说明参考式(8)；
执行步骤S220-S270，得到高维近似模型的所有参数Crs、Arsi，k和Brsi，i’，k，k’。
6.根据权利要求4所述的煤气和蒸汽能源综合利用系统生产调度优化方法，其特征在于，步骤S400中，输出变量yg的高维近似模型为：
式(10)中，K为输入变量xg的最大阶数，i和i’表示每一个具体变量xg，k和k’表示每变量xg的阶数，模型参数包括：Cg、Agi，k和Bgi，i’，k，k’，其中，Cg表示对输出变量yg的零阶响应；Agi，k指输入变量xgi单独作用时对输出变量yg的影响；Bgi，i’，k，k’是输入变量xgi和xgi’耦合作用时对输出变量yg的影响；
建立基于高维近似模型即式(10)的输出变量预测值yg与输入变量xg之间的计算关系，如式(11)，其中下标m表示每一组数据，M为数据的组数，其他符号说明参考式(10)；
执行步骤S220-S270，得到高维近似模型的所有参数Cg、Agi，k和Bgi，i’，k，k’。
7.根据权利要求4所述的煤气和蒸汽能源综合利用系统生产调度优化方法，其特征在于，步骤S500中，输出变量yq的高维近似模型为：
式(12)中，K为输入变量xq的最大阶数，i和i’表示每一个具体变量xq，k和k’表示每变量xq的阶数，模型参数包括：Cq、Aqi，k和Bqi，i’，k，k’，其中，Cq表示对输出变量yq的零阶响应；Aqi，k指输入变量xqi单独作用时对输出变量yq的影响；Bqi，i’，k，k’是输入变量xqi和xqi’耦合作用时对输出变量yq的影响；
建立基于高维近似模型即式(12)的输出变量预测值yq与输入变量xq之间的计算关系，如式(13)，其中下标m表示每一组数据，M为数据的组数，其他符号说明参考式(12)；
执行步骤S220-S270，得到高维近似模型的所有参数Cq、Aqi，k和Bqi，i’，k，k’。
8.根据权利要求4所述的煤气和蒸汽能源综合利用系统生产调度优化方法，其特征在于，步骤S600中，输出变量yqz的高维近似模型为：
式(14)中，K为输入变量xqz的最大阶数，i和i’表示每一个具体变量xqz，k和k’表示每变量xqz的阶数，模型参数包括：Cqz、Aqzi，k和Bqzi，i’，k，k’，其中，Cqz表示对输出变量yqz的零阶响应；Aqzi，k指输入变量xqzi单独作用时对输出变量yqz的影响；Bqzi，i’，k，k’是输入变量xqzi和xqzi’耦合作用时对输出变量yqz的影响；
建立基于高维近似模型即式(14)的输出变量预测值yqz与输入变量xqz之间的计算关系，如式(15)，其中下标m表示每一组数据，M为数据的组数，其他符号说明参考式(14)；
执行步骤S220-S270，得到高维近似模型的所有参数Cqz、Aqzi，k和Bqzi，i’，k，k’。
9.根据权利要求1所述的煤气和蒸汽能源综合利用系统生产调度优化方法，其特征在于，步骤S500中，关键设备生产约束如式(16)-(18)，即煤气燃烧发电机、煤气锅炉和蒸汽发电机的负荷受到最大/最小值的操作约束；下标r表示每一台煤气燃机，R为煤气燃机集合；g表示每一台煤气锅炉，G为煤气锅炉集合；q表示每一台蒸汽发电机，Q为蒸汽发电机集合；
min YRr≤yrr≤max YRr，r∈R (16)
min YGg≤ygg≤max YGg，g∈G (17)
min YQq≤yqq≤max YQq，q∈Q (18)
式(19)描述了能源系统煤气管网能量平衡关系，其中zmq为煤气总供应量，xmq为煤气总需求量，rmqr为燃机r的煤气进气量，gmqg为锅炉g的煤气进气量；
式(20)描述了能源系统蒸汽管网能量平衡关系，其中zzq为蒸汽总供应量，xzq为蒸汽总需求量，qzqq为蒸汽发电机q的蒸汽进汽量；
能源综合利用系统调度优化的目标是，在满足煤气和蒸汽供需平衡的约束条件下，实现总发电量最高，如式(21)；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110417917.1A CN112950409A (zh) | 2021-04-19 | 2021-04-19 | 煤气和蒸汽能源综合利用系统生产调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110417917.1A CN112950409A (zh) | 2021-04-19 | 2021-04-19 | 煤气和蒸汽能源综合利用系统生产调度优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112950409A true CN112950409A (zh) | 2021-06-11 |
Family
ID=76232909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110417917.1A Pending CN112950409A (zh) | 2021-04-19 | 2021-04-19 | 煤气和蒸汽能源综合利用系统生产调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950409A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591388A (zh) * | 2021-08-09 | 2021-11-02 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的汽轮机热耗率优化方法 |
| CN113609684A (zh) * | 2021-08-09 | 2021-11-05 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8468482B1 (en) * | 2010-03-12 | 2013-06-18 | Worldwide Pro Ltd. | Modeling and simulating the impact of imperfectly patterned via arrays on integrated circuits |
| CN105335822A (zh) * | 2015-10-29 | 2016-02-17 | 中国电力科学研究院 | 一种面向大数据分析的智能电网统一数据模型建模方法 |
| US20160132616A1 (en) * | 2013-06-10 | 2016-05-12 | Siemens Aktiengesellschaft | Planning a power distribution network |
| KR20160081222A (ko) * | 2014-12-31 | 2016-07-08 | 주식회사 포스코아이씨티 | 가상환경을 이용한 에너지 관리 시스템의 예측 알고리즘 검증 시스템 및 방법 |
| CN107516148A (zh) * | 2017-08-22 | 2017-12-26 | 厦门逸圣科智能科技有限公司 | 系统建模优化方法及存储介质 |
| CN111985805A (zh) * | 2020-08-17 | 2020-11-24 | 国网山东省电力公司经济技术研究院 | 综合能源系统动态需求响应的方法及系统 |
| CN112163671A (zh) * | 2020-12-02 | 2021-01-01 | 中国电力科学研究院有限公司 | 一种新能源场景生成方法及系统 |
| CN112508239A (zh) * | 2020-11-22 | 2021-03-16 | 国网河南省电力公司电力科学研究院 | 一种基于vae-cgan的储能出力预测方法 |
-
2021
- 2021-04-19 CN CN202110417917.1A patent/CN112950409A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8468482B1 (en) * | 2010-03-12 | 2013-06-18 | Worldwide Pro Ltd. | Modeling and simulating the impact of imperfectly patterned via arrays on integrated circuits |
| US20160132616A1 (en) * | 2013-06-10 | 2016-05-12 | Siemens Aktiengesellschaft | Planning a power distribution network |
| KR20160081222A (ko) * | 2014-12-31 | 2016-07-08 | 주식회사 포스코아이씨티 | 가상환경을 이용한 에너지 관리 시스템의 예측 알고리즘 검증 시스템 및 방법 |
| CN105335822A (zh) * | 2015-10-29 | 2016-02-17 | 中国电力科学研究院 | 一种面向大数据分析的智能电网统一数据模型建模方法 |
| CN107516148A (zh) * | 2017-08-22 | 2017-12-26 | 厦门逸圣科智能科技有限公司 | 系统建模优化方法及存储介质 |
| CN111985805A (zh) * | 2020-08-17 | 2020-11-24 | 国网山东省电力公司经济技术研究院 | 综合能源系统动态需求响应的方法及系统 |
| CN112508239A (zh) * | 2020-11-22 | 2021-03-16 | 国网河南省电力公司电力科学研究院 | 一种基于vae-cgan的储能出力预测方法 |
| CN112163671A (zh) * | 2020-12-02 | 2021-01-01 | 中国电力科学研究院有限公司 | 一种新能源场景生成方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 梁占伟: "煤/气混燃协同分级配风锅炉机组燃烧特性与优化研究", 《万方学位论文数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591388A (zh) * | 2021-08-09 | 2021-11-02 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的汽轮机热耗率优化方法 |
| CN113609684A (zh) * | 2021-08-09 | 2021-11-05 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2775108A2 (en) | Improved plant control systems and methods | |
| CN112950409A (zh) | 煤气和蒸汽能源综合利用系统生产调度优化方法 | |
| CN112859780B (zh) | 一种基于云数据、云计算的火电厂智慧燃烧控制方法 | |
| CN105955210A (zh) | 余热锅炉与工业锅炉发电协调运行动态优化方法与系统 | |
| CN109886471A (zh) | 基于神经网络与智能优化算法的火电机组负荷分配方法 | |
| CN113843039B (zh) | 一种基于人工智能的磨煤机开关机智能运行优化方法 | |
| CN112016754A (zh) | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 | |
| CN112329959B (zh) | 一种热力设备智能运维系统及方法 | |
| CN116720446B (zh) | 一种锅炉水冷壁渣层厚度实时监测方法 | |
| CN114239197A (zh) | 供热系统碳转化过程建模和低碳优化运行调度决策的方法 | |
| 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 | |
| CN112783115A (zh) | 一种蒸汽动力系统的在线实时优化方法及装置 | |
| 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 | |
| CN111428906B (zh) | 一种基于图像变换的工业锅炉蒸汽量预测方法 | |
| CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
| CN111091251A (zh) | 一种基于大数据技术的锅炉操作优化方法及系统 | |
| CN114779722B (zh) | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 | |
| Li et al. | A data‐based optimal setting method for the coking flue gas denitration process | |
| CN111520740B (zh) | 一种多个多孔介质燃烧器协调优化运行的方法 | |
| 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 | |
| Śladewski et al. | Close loop optimisation of large CHP based on approximation model | |
| CN111539615B (zh) | 一种基于深度学习的锅炉燃烧过程状态监测方法及系统 | |
| Ni et al. | Improved genetic algorithm applied to model identification of typical thermal process of gas-steam combined cycle unit | |
| Ning et al. | Application of Multivariate Reinforcement Learning Engine in Optimizing the Power Generation Process of Domestic Waste Incineration | |
| Dolotovsky et al. | Information and analytical platform for evaluating the effectiveness and choosing directions for improving the energy and water supply systems of oil and gas chemical complexes |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |