CN113191083B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113191083B CN113191083B CN202110484537.XA CN202110484537A CN113191083B CN 113191083 B CN113191083 B CN 113191083B CN 202110484537 A CN202110484537 A CN 202110484537A CN 113191083 B CN113191083 B CN 113191083B
- Authority
- CN
- China
- Prior art keywords
- waste heat
- recovery system
- flue gas
- heat recovery
- gas waste
- 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
Links
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
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种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,该方法依据各智能优化算法的工作原理和特性将其耦合运用于烟气余热回收系统优化设计,通过合理地构建设计优化流程,实现了对全工况外部参数变化的条件下综合技术经济效益最大的余热回收系统设计构型的有效求解;由该方法获得的余热回收系统综合技术经济性高、适应性强、灵活性高。
Description
技术领域
本发明涉及烟气余热回收系统优化设计技术领域,具体涉及一种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。
背景技术
近年来,我国新能源发电装机容量迅速增长,燃煤发电由主体能源向基础能源过渡。燃煤发电将更多的承担调峰任务并将长期频繁地变负荷运行,这对火电机组的灵活性提出了新的要求。烟气余热回收技术是提高燃煤发电机组效率、降低电厂污染物排放的有效手段。随着燃煤机组变工况运行的日趋频繁,实现燃煤机组烟气余热回收系统在全工况范围内的高效运行,对提高燃煤机组整体效率具有重要意义。
但在现有的烟气余热回收系统优化设计中缺乏对在变工况条件下系统运行的安全性和经济性的考虑。不利于变工况条件下烟气余热回收系统的高效运行。因此,基于燃煤机组的变工况特性和运行情况,开展燃煤机组余热回收系统设计,以获得一个可实现全工况高效与安全协同运行的余热回收系统设计构型有着重要的意义。
发明内容
为了克服上述现有技术存在的问题,本发明的目的在于提供一种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,通过建立余热回收系统相应的热力计算模型并采用多种智能优化算法以结合燃煤机组已有的历年运行数据进行优化求解,最终可以获得全工况外部参数变化的条件下综合技术经济效益最大的余热回收系统设计构型。该方法适用于由多个换热器与相应的管路阀门等部件构成的烟气余热回收系统,该方法所获得的最优余热回收系统设计构型,能有效适应于当前机组调峰调频、机组余热回收系统变负荷日趋频繁的能源现状,实现在全工况下的综合技术经济性最优。该方法简便易行,有着良好的优化设计效果。
为了达到上述目的,本发明采用如下技术方案:
一种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,烟气余热回收系统由h个换热器HEk(k=1~h)及换热器间管路阀门系统连接构成;
该烟气余热回收系统优化设计方法以获得全工况外部参数变化的条件下综合技术经济效益最大的余热回收系统设计构型S0为最终的优化目标;在各阶段以系统技术经济性最大为优化目标;在利用热力计算模型采集离散数据样本以建立代理模型阶段以换热器HEk的设计面积Ak、换热器HEk的工质进出口流量Dl、换热器HEk的工质进出口设计温度tg为待优化参数;在采用运筹学规划方法优化阶段以设计温度Td和设计负荷Nd为待优化参数,采用运筹学规划方法配合代理模型进行优化求解获得最优设计负荷Nd0及最优设计温度Td0,并进一步获得最终的最优余热回收系统设计构型S0。具体包括如下步骤:
(1)建立描述系统热力特性的烟气余热回收系统热力计算模型;
(2)利用烟气余热回收系统热力计算模型采集离散数据样本以建立烟气余热回收系统代理模型:
离散数据样本采集的流程为:输入一组设计负荷Nd,i和设计温度Td,i,i=1~n,由所建立的烟气余热回收系统热力计算模型,采用多参数智能优化算法以烟气余热回收系统使用年限间的总净现值最大为优化目标,优化得到这组设计参数下最优的设计构型Si;
由最优的设计构型Si的构型参数,输入一组变运行负荷Nj和变环境温度Tj,j=1~m,结合烟气余热回收系统调控措施,由所建立的余热回收系统热力计算模型得到变工况下换热器HEk工质进出口温度tk,j,i及变工况下最优的设计构型Si在使用年限间的总净现值NPVj,i;
基于人工智能算法建立描述换热器HEk工质进出口温度及烟气余热回收系统使用年限间的总净现值与设计负荷、设计温度、变运行负荷、变环境温度之间函数关系的烟气余热回收系统代理模型:
(NPV,tk)=f(Nd,Td,N,T)
式中:NPV为烟气余热回收系统使用年限间的总净现值,元;tk为换热器HEk工质进出口温度,℃;Nd为设计负荷,W;Td为设计温度,℃;N为变运行负荷,W;T为变环境温度,℃;
(3)采用多阶段随机规划方法配合烟气余热回收系统代理模型进行优化求解,以设计温度Td和设计负荷Nd为待优化参数;以在情景集bs下的期望总净现值最大为优化目标函数,s=1~E,即:
式中ps为情景bs所对应的概率;NPVs为烟气余热回收系统在情景bs下系统使用年限间的总净现值,元,当情景bs下的换热器HEk工质进出口温度tk,s满足换热器运行温度约束时
(NPVs,tk,s)=f(Nd,Td,Ns,Ts)
当情景bs下的换热器HEk工质进出口温度tk,s不满足换热器运行温度约束时
NPVs=0
约束条件为换热器HEk运行温度约束和随机运行负荷Ns、随机环境温度Ts对应于情景bs的约束:
Ts∈bs{TL…T…TH}
Ns∈bs{NL…N…NH}
式中tk,s为情景bs下换热器HEk工质进出口温度,℃;th,s为情景bs下尾部换热器HEh出口烟气进入除尘器ESP的温度,℃;T为变环境温度,℃;N为变运行负荷,W;TL为变环境温度T的下限,℃;TH为变环境温度T的上限,℃;NL为变运行负荷N的下限,W;NH为变运行负荷N的上限,W。
本发明的优点
(1)本发明可用于多种类型的烟气余热回收系统的构型设计优化,适用性广;
(2)本发明采用多种智能优化算法相互结合进行烟气余热回收系统的优化设计。在充分发挥各智能优化算法运用于热力系统设计的特点和优势的同时,有效地实现了对烟气余热回收系统的综合优化设计,弥补了只采用多参数优化智能算法进行常规优化设计所得的设计构型无法兼顾变工况特性的缺点;
(3)本发明合理地利用了已有的机组运行数据和环境气象数据,在烟气余热回收系统的设计阶段科学合理地考虑了其可能经历的变工况情况,所得设计构型更为完善。由本发明设计所得的余热回收系统可在全工况外部参数变化的条件下取得最大的综合技术经济效益;
(5)本发明有效地将燃煤机组的变负荷运行及机组运行过程中环境温度变化对烟气余热回收系统的影响考虑到了烟气余热回收系统的设计之中,且方法灵活、适应性强、易于施行。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
如图1所示,本发明一种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,烟气余热回收系统由h个换热器HEk(k=1~h)及换热器间管路阀门系统连接构成;
该烟气余热回收系统优化设计方法以获得全工况外部参数变化的条件下综合技术经济效益最大的余热回收系统设计构型S0为最终的优化目标;在各阶段以系统技术经济性最大为优化目标;在利用热力计算模型采集离散数据样本以建立代理模型阶段以换热器HEk的设计面积Ak、换热器HEk的工质进出口流量Dl、换热器HEk的工质进出口设计温度tg为待优化参数;采用运筹学规划方法配合代理模型进行优化求解获得最优设计负荷Nd0及最优设计温度Td0,并进一步获得最终的最优余热回收系统设计构型S0。具体包括如下步骤:
(1)建立描述系统热力特性的烟气余热回收系统热力计算模型;
(2)利用烟气余热回收系统热力计算模型采集离散数据样本以建立烟气余热回收系统代理模型:
离散数据样本采集的流程为:输入一组设计负荷Nd,i和设计温度Td,i,i=1~n,由所建立的烟气余热回收系统热力计算模型,采用多参数智能优化算法以烟气余热回收系统使用年限间的总净现值最大为优化目标,优化得到这组设计参数下最优的设计构型Si;
由最优的设计构型Si的构型参数,输入一组变运行负荷Nj和变环境温度Tj,j=1~m,结合烟气余热回收系统调控措施,由所建立的余热回收系统热力计算模型得到变工况下换热器HEk工质进出口温度tk,j,i及变工况下最优的设计构型Si在使用年限间的总净现值NPVj,i;
基于人工智能算法建立描述换热器HEk工质进出口温度及烟气余热回收系统使用年限间的总净现值与设计负荷、设计温度、变运行负荷、变环境温度之间函数关系的烟气余热回收系统代理模型:
(NPV,tk)=f(Nd,Td,N,T)
式中:NPV为烟气余热回收系统使用年限间的总净现值,元;tk为换热器HEk工质进出口温度,℃;Nd为设计负荷,W;Td为设计温度,℃;N为变运行负荷,W;T为变环境温度,℃;
(3)采用多阶段随机规划方法配合烟气余热回收系统代理模型进行优化求解,以设计温度Td和设计负荷Nd为待优化参数;以在情景集bs s=1~E下的期望总净现值最大为优化目标函数,s=1~E,即:
式中ps为情景bs所对应的概率;NPVs为烟气余热回收系统在情景bs下系统使用年限间的总净现值,元,当情景bs下的换热器HEk工质进出口温度tk,s满足换热器运行温度约束时
(NPVs,tk,s)=f(Nd,Td,Ns,Ts)
当情景bs下的换热器HEk工质进出口温度tk,s不满足换热器运行温度约束时
NPVs=0
约束条件为换热器HEk运行温度约束和随机运行负荷Ns、随机环境温度Ts对应于情景bs的约束:
Ts∈bs{TL…T…TH}
Ns∈bs{NL…N…NH}
式中tk,s为情景bs下换热器HEk工质进出口温度,℃;th,s为情景bs下尾部换热器HEh出口烟气进入除尘器ESP的温度,℃;T为变环境温度,℃;N为变运行负荷,W;TL为变环境温度T的下限,℃;TH为变环境温度T的上限,℃;NL为变运行负荷N的下限,W;NH为变运行负荷N的上限,W。
作为本发明的优选实施方式,进行离散数据样本采集时采用带精英策略的非支配排序遗传算法NSGA-II作为多参数智能优化算法,优化得到相应的最优设计构型Si。
作为本发明的优选实施方式,采用带精英策略的非支配排序遗传算法NSGA-II进行优化设计时其目标函数为:烟气余热回收系统使用年限间的总净现值NPV最大;待优化参数为:换热器HEk的设计面积Ak k=1~h,m2、换热器HEk的工质进出口流量Dl l=1~2h,kg/s、设计点处换热器HEk的工质进出口温度tg g=1~y即:
maxNPV=NSGA(Ak,Dl,tg)
约束条件为:
式中tk为换热器HEk工质进出口温度,℃;th为尾部换热器HEh出口烟气进入除尘器ESP的温度,℃;Dl,min为换热器HEk的工质进出口流量的下限,kg/s;Dl,max为换热器HEk的工质进出口流量的上限,kg/s。
作为本发明的优选实施方式,烟气余热回收系统在使用年限z内的总净现值NPV的计算方法为:
CIx=Δb·NR·Pc·hour
式中:NPV为总净现值,元;x为使用年限z年中的第x年;z为烟气余热回收系统使用年限;CIx为第x年的收益,元;COx为第x年的成本,元;r为基准收益率;Δb为烟气余热回收系统的标准煤节煤率,kg/kWh;NR为汽轮机额定功率,kW;Pc为标准煤煤价,元/kg;hour为烟气余热回收系统的年运行小时数,小时/年;E为烟气余热回收系统的总建设成本,元;EHEk为换热器HEk的建设成本,元;Et为烟气余热回收系统年维护费、管理费及材料费的总和。
作为本发明的优选实施方式,换热器HEk的建设成本EHEk的计算方法为:
EHEk=aHEk·cHEk·Ak
式中:Ak为换热器HEk的换热面积,m2;cHEk为烟气冷却器FGCi单位面积换热面的价格,元/m2;aHEk为换热器HEk的换热面建设成本与整体建设成本的换算系数。
作为本发明的优选实施方式,烟气余热回收系统的标准煤节煤率Δb计算方法为:
Δb=SCCR-SCCR1
ηnet=ηb·ηp·ηi·ηm·ηg(1-ξ)
ηnet1=ηb1·ηp·ηi1·ηm·ηg(1-ξ1)
式中:SCCR为电厂原标准煤耗率,g(kW h)-1;SCCR1为电厂耦合了余热回收系统后的标准煤耗率,g(kW h)-1;LHV0为标准煤的低位发热量,LHV0=29,270kJ kg-1;ηb为电厂原锅炉效率;ηb1为电厂耦合了余热回收系统后的锅炉效率;ηp为电厂管道效率;ηi为电厂原汽轮机机组绝对内效率;ηi1为电厂耦合了余热回收系统后的汽轮机机组绝对内效率;ηm为电厂机械效率;ηg为电厂发电机效率;ξ为电厂原厂用电率;ξ1为电厂耦合了余热回收系统后的厂用电率。
作为本发明的优选实施方式,烟气余热回收系统年维护费、管理费及材料费的总和Et按余热利用系统的总建设成本E的百分比进行估算,取为总建设成本的2.5%。
作为本发明的优选实施方式,基准收益率r按10%估取,余热利用系统使用年限z按10~15年估取。
作为本发明的优选实施方式,人工智能算法采用基于叶贝斯优化的渐进梯度回归树算法GBRT。
作为本发明的优选实施方式,由电厂至少近3年内的年运行负荷变化数据和历年环境温度变化数据确定变环境温度T的下限TL和上限TH,℃、变运行负荷N的下限NL和上限NH,W;并采用拉丁超立方采样方法LHS作为情景采样方法,获得情景集bs。
本发明所采用的以带精英策略的非支配排序遗传算法(NSGA-II)为代表的多参数智能优化算法是通过模拟自然界生物现象来寻找最优解的一种优化求解方法。其不需要了解优化问题的最优解的数学特征,而是对优化问题进行启发式地优化求解,能够在最短的时间内得到最接近最优解的解决方案。因此其在工程领域有着广泛的应用。多参数智能优化算法的这一特点可以用来对烟气余热回收系统等有着多个待优化参数的热力系统进行快速有效的整体优化求解,有利于离散数据样本采样工作的高效进行。
以基于叶贝斯优化的渐进梯度回归树算法(GBRT)为代表的人工智能算法是一种功能强大的机器学习算法,其可以在样本数据量较小的情况下获得拥有较高回归精度的代理模型。同时基于叶贝斯优化可以使GBRT算法有着较高的运行速度,可以快速有效地获得代理模型。该算法同时适用于处理包含较多中间变量和有着较强非线性关系的数据,保证了在离散数据样本采样过程中考虑了烟气余热回收系统变工况及各系统调控措施的影响之后仍可以使用GBRT算法求取相应的代理模型。
多阶段随机规划方法是求解含不确定性约束问题的一种优化方法,其在随机事件发生前事先制定初始决策,当随机事件发生后,根据前一阶段决策与实际偏差进行追索决策,实现二次补偿,因此能够灵活地实现在随机参数的约束下获得最优决策。而采用电厂至少近3年内的年运行负荷变化数据和历年环境温度变化数据并结合拉丁超立方采样方法(LHS)作为情景采样方法,可以生成大量有代表性的情景来表示运行负荷与环境温度的不确定性,使用该情景集可有效地考虑全工况外部参数变化的影响,使所获得的余热回收系统设计构型在全工况下综合技术经济效益最大。
Claims (10)
1.一种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,其特征在于:
烟气余热回收系统由h个换热器HEk及换热器间管路阀门系统连接构成,k=1~h;
该烟气余热回收系统优化设计方法以获得全工况外部参数变化的条件下综合技术经济效益最大的余热回收系统设计构型S0为最终的优化目标;在各阶段以系统技术经济性最大为优化目标;在利用热力计算模型采集离散数据样本以建立代理模型阶段以换热器HEk的设计面积Ak、换热器HEk的工质进出口流量Dl、换热器HEk的工质进出口设计温度tg为待优化参数;在采用运筹学规划方法优化阶段以设计温度Td和设计负荷Nd为待优化参数,采用运筹学规划方法配合代理模型进行优化求解获得最优设计负荷Nd0及最优设计温度Td0,并进一步获得最终的最优余热回收系统设计构型S0; 具体包括如下步骤:
(1)建立描述系统热力特性的烟气余热回收系统热力计算模型;
(2)利用烟气余热回收系统热力计算模型采集离散数据样本以建立烟气余热回收系统代理模型:
离散数据样本采集的流程为:输入一组设计负荷Nd,i和设计温度Td,i,i=1~n,由所建立的烟气余热回收系统热力计算模型,采用多参数智能优化算法以烟气余热回收系统使用年限间的总净现值最大为优化目标,优化得到这组设计参数下最优的设计构型Si;
由最优的设计构型Si的构型参数,输入一组变运行负荷Nj和变环境温度Tj,j=1~m,结合烟气余热回收系统调控措施,由所建立的余热回收系统热力计算模型得到变工况下换热器HEk工质进出口温度tk,j,i及变工况下最优的设计构型Si在使用年限间的总净现值NPVj,i;
基于人工智能算法建立描述换热器HEk工质进出口温度及烟气余热回收系统使用年限间的总净现值与设计负荷、设计温度、变运行负荷、变环境温度之间函数关系的烟气余热回收系统代理模型:
(NPV,tk)=f(Nd,Td,N,T)
式中:NPV为烟气余热回收系统使用年限间的总净现值,元;tk为换热器HEk工质进出口温度,℃;Nd为设计负荷,W;Td为设计温度,℃;N为变运行负荷,W;T为变环境温度,℃;
(3)采用多阶段随机规划方法配合烟气余热回收系统代理模型进行优化求解,以设计温度Td和设计负荷Nd为待优化参数;以在情景集bs下的期望总净现值最大为优化目标函数,s=1~E,即:
式中ps为情景bs所对应的概率;NPVs为烟气余热回收系统在情景bs下系统使用年限间的总净现值,元,当情景bs下的换热器HEk工质进出口温度tk,s满足换热器运行温度约束时
(NPVs,tk,s)=f(Nd,Td,Ns,Ts)
当情景bs下的换热器HEk工质进出口温度tk,s不满足换热器运行温度约束时
NPVs=0
约束条件为换热器HEk运行温度约束和随机运行负荷Ns、随机环境温度Ts对应于情景bs的约束:
Ts∈bs{TL…T…TH}
Ns∈bs{NL…N…NH}
式中tk,s为情景bs下换热器HEk工质进出口温度,℃;th,s为情景bs下尾部换热器HEh出口烟气进入除尘器ESP的温度,℃;T为变环境温度,℃;N为变运行负荷,W;TL为变环境温度T的下限,℃;TH为变环境温度T的上限,℃;NL为变运行负荷N的下限,W;NH为变运行负荷N的上限,W。
2.根据权利要求1所述的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,其特征在于:进行离散数据样本采集时采用带精英策略的非支配排序遗传算法NSGA-II作为多参数智能优化算法,优化得到相应的最优设计构型Si。
3.根据权利要求2所述的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,其特征在于:采用带精英策略的非支配排序遗传算法NSGA-II进行优化设计时其目标函数为:烟气余热回收系统使用年限间的总净现值NPV最大;待优化参数为:换热器HEk的设计面积Ak k=1~h,m2、换热器HEk的工质进出口流量Dl l=1~2h,kg/s、设计点处换热器HEk的工质进出口温度tg g=1~y即:
maxNPV=NSGA(Ak,Dl,tg)
约束条件为:
式中tk为换热器HEk工质进出口温度,℃;th为尾部换热器HEh出口烟气进入除尘器ESP的温度,℃;Dl,min为换热器HEk的工质进出口流量的下限,kg/s;Dl,max为换热器HEk的工质进出口流量的上限,kg/s。
4.根据权利要求1所述的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,其特征在于:烟气余热回收系统在使用年限z内的总净现值NPV的计算方法为:
CIx=Δb·NR·Pc·hour
式中:NPV为总净现值,元;x为使用年限z年中的第x年;z为烟气余热回收系统使用年限;CIx为第x年的收益,元;COx为第x年的成本,元;r为基准收益率;Δb为烟气余热回收系统的标准煤节煤率,kg/kWh;NR为汽轮机额定功率,kW;Pc为标准煤煤价,元/kg;hour为烟气余热回收系统的年运行小时数,小时/年;E为烟气余热回收系统的总建设成本,元;EHEk为换热器HEk的建设成本,元;Et为烟气余热回收系统年维护费、管理费及材料费的总和。
5.根据权利要求4所述的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,其特征在于:换热器HEk的建设成本EHEk的计算方法为:
EHEk=aHEk·cHEk·Ak
式中:Ak为换热器HEk的换热面积,m2;cHEk为烟气冷却器FGCi单位面积换热面的价格,元/m2;aHEk为换热器HEk的换热面建设成本与整体建设成本的换算系数。
6.根据权利要求4所述的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,其特征在于:烟气余热回收系统的标准煤节煤率Δb计算方法为:
Δb=SCCR-SCCR1
ηnet=ηb·ηp·ηi·ηm·ηg(1-ξ)
ηnet1=ηb1·ηp·ηi1·ηm·ηg(1-ξ1)
式中:SCCR为电厂原标准煤耗率,g(kW h)-1;SCCR1为电厂耦合了余热回收系统后的标准煤耗率,g(kW h)-1;LHV0为标准煤的低位发热量,LHV0=29,270kJ kg-1;ηb为电厂原锅炉效率;ηb1为电厂耦合了余热回收系统后的锅炉效率;ηp为电厂管道效率;ηi为电厂原汽轮机机组绝对内效率;ηi1为电厂耦合了余热回收系统后的汽轮机机组绝对内效率;ηm为电厂机械效率;ηg为电厂发电机效率;ξ为电厂原厂用电率;ξ1为电厂耦合了余热回收系统后的厂用电率。
7.根据权利要求4所述的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,其特征在于:烟气余热回收系统年维护费、管理费及材料费的总和Et按余热利用系统的总建设成本E的百分比进行估算,取为总建设成本的2.5%。
8.根据权利要求4所述的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,其特征在于:基准收益率r按10%估取,余热利用系统使用年限z按10~15年估取。
9.根据权利要求1所述的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,其特征在于:人工智能算法采用基于叶贝斯优化的渐进梯度回归树算法GBRT。
10.根据权利要求1所述的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,其特征在于:由电厂至少近3年内的年运行负荷变化数据和历年环境温度变化数据确定变环境温度T的下限TL和上限TH,℃、变运行负荷N的下限NL和上限NH,W;并采用拉丁超立方采样方法LHS作为情景采样方法,获得情景集bs。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484537.XA CN113191083B (zh) | 2021-04-30 | 2021-04-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484537.XA CN113191083B (zh) | 2021-04-30 | 2021-04-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191083A CN113191083A (zh) | 2021-07-30 |
CN113191083B true CN113191083B (zh) | 2022-12-02 |
Family
ID=76983759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110484537.XA Active CN113191083B (zh) | 2021-04-30 | 2021-04-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191083B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703086A (zh) * | 2023-06-06 | 2023-09-05 | 中国电力建设工程咨询有限公司 | 一种基于烟气回收系统的节煤方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880795A (zh) * | 2012-09-18 | 2013-01-16 | 江西省电力科学研究院 | 一种锅炉优化运行经济参数目标值获取方法 |
WO2016013094A1 (ja) * | 2014-07-24 | 2016-01-28 | 日産自動車株式会社 | 排熱回収システム |
AU2016200020A1 (en) * | 2007-12-07 | 2016-01-28 | Dresser-Rand Company | Compressor system and method for gas liquefaction system |
CN105955210A (zh) * | 2016-04-29 | 2016-09-21 | 湖南工业大学 | 余热锅炉与工业锅炉发电协调运行动态优化方法与系统 |
WO2017050207A1 (zh) * | 2015-09-21 | 2017-03-30 | 华北电力科学研究院有限责任公司 | 发电机组能效分析方法 |
CN106907932A (zh) * | 2015-12-23 | 2017-06-30 | 江苏蓝创聚联数据与应用研究院有限公司 | 基于动态模型的环保烟气和余热回收实时系统 |
CN108008629A (zh) * | 2016-10-29 | 2018-05-08 | 南京理工大学 | 一种多种能源互补利用系统的优化运行方法 |
CN108731490A (zh) * | 2018-06-20 | 2018-11-02 | 苏州领跑者能源科技有限公司 | 一种新型烟气余热循环回收系统及方法 |
WO2019233134A1 (zh) * | 2018-06-06 | 2019-12-12 | 南京工程学院 | 数据驱动下基于风电不确定性的电热气网三阶段调度方法 |
CN110864274A (zh) * | 2019-12-03 | 2020-03-06 | 石家庄良村热电有限公司 | 一种用于烟气余热回收的热水再循环系统 |
CN112364556A (zh) * | 2020-11-27 | 2021-02-12 | 国网河北省电力有限公司经济技术研究院 | 基于多能互补的智慧能源优化配置方法及终端设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7866157B2 (en) * | 2008-05-12 | 2011-01-11 | Cummins Inc. | Waste heat recovery system with constant power output |
-
2021
- 2021-04-30 CN CN202110484537.XA patent/CN113191083B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016200020A1 (en) * | 2007-12-07 | 2016-01-28 | Dresser-Rand Company | Compressor system and method for gas liquefaction system |
CN102880795A (zh) * | 2012-09-18 | 2013-01-16 | 江西省电力科学研究院 | 一种锅炉优化运行经济参数目标值获取方法 |
WO2016013094A1 (ja) * | 2014-07-24 | 2016-01-28 | 日産自動車株式会社 | 排熱回収システム |
WO2017050207A1 (zh) * | 2015-09-21 | 2017-03-30 | 华北电力科学研究院有限责任公司 | 发电机组能效分析方法 |
CN106907932A (zh) * | 2015-12-23 | 2017-06-30 | 江苏蓝创聚联数据与应用研究院有限公司 | 基于动态模型的环保烟气和余热回收实时系统 |
CN105955210A (zh) * | 2016-04-29 | 2016-09-21 | 湖南工业大学 | 余热锅炉与工业锅炉发电协调运行动态优化方法与系统 |
CN108008629A (zh) * | 2016-10-29 | 2018-05-08 | 南京理工大学 | 一种多种能源互补利用系统的优化运行方法 |
WO2019233134A1 (zh) * | 2018-06-06 | 2019-12-12 | 南京工程学院 | 数据驱动下基于风电不确定性的电热气网三阶段调度方法 |
CN108731490A (zh) * | 2018-06-20 | 2018-11-02 | 苏州领跑者能源科技有限公司 | 一种新型烟气余热循环回收系统及方法 |
CN110864274A (zh) * | 2019-12-03 | 2020-03-06 | 石家庄良村热电有限公司 | 一种用于烟气余热回收的热水再循环系统 |
CN112364556A (zh) * | 2020-11-27 | 2021-02-12 | 国网河北省电力有限公司经济技术研究院 | 基于多能互补的智慧能源优化配置方法及终端设备 |
Non-Patent Citations (4)
Title |
---|
Numerical simulation and analysis of the hot air recirculation phenomenon observed in direct air-cooled system;Wensheng Zhao等;《2008 3rd IEEE Conference on Industrial Electronics and Applications》;20080801;全文 * |
余热锅炉排烟温度参数优化;彭根南;《华中理工大学学报》;19980728(第07期);全文 * |
使用净现值法优化余热回收换热器;李子奥等;《工业加热》;20170630(第03期);全文 * |
油田注汽锅炉烟气余热回收节能经济性分析;王勇;《财经界(学术版)》;20160310(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113191083A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657031B (zh) | 基于数字孪生的供热调度自动化实现方法、系统及平台 | |
Afzali et al. | Optimal design, operation and analytical criteria for determining optimal operating modes of a CCHP with fired HRSG, boiler, electric chiller and absorption chiller | |
Čuček et al. | Approaches for retrofitting heat exchanger networks within processes and Total Sites | |
Sim et al. | Design and Analysis of Heat Regeneration Technique in Combined Cycle Power Plant | |
CN113822496B (zh) | 一种多机组热电厂供热模式及参数在线寻优方法 | |
CN114424217A (zh) | 综合能源系统的优化方法、装置和计算机可读存储介质 | |
CN101893877A (zh) | 一种发电厂基于能耗分析的优化运行方法及其系统 | |
CN105787271B (zh) | 基于大数据分析技术的供热机组可调出力区间评估方法 | |
CN115409396A (zh) | 基于双层滚动优化的综合能源系统多时间尺度调度方法 | |
Sun et al. | Optimal performance of a combined heat-power system with a proton exchange membrane fuel cell using a developed marine predators algorithm | |
Savola et al. | MINLP optimisation model for increased power production in small-scale CHP plants | |
CN112636373A (zh) | 一种电气热综合能源系统优化调度方法 | |
CN113850409A (zh) | 一种考虑可再生能源接入的综合能源系统优化运行方法 | |
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 | |
CN115423161A (zh) | 基于数字孪生的多能耦合优化调度方法及系统 | |
CN113159989B (zh) | 基于㶲、㶲经济及㶲环境分析的异构能源系统性能优化方法 | |
Wang et al. | Optimal design of solar-assisted steam and power system under uncertainty | |
CN108734419B (zh) | 一种基于知识迁移的高炉煤气调度系统建模方法 | |
CN113868836B (zh) | 基于大数据的智慧热力系统在线专家分析平台 | |
CN113110356A (zh) | 一种低温热系统的智能优化控制装备 | |
Li et al. | Synthesis and optimization of utility system using parameter adaptive differential evolution algorithm | |
CN113237075A (zh) | 烟气余热回收系统的设计优化及调控方法 | |
Omirgaliyev et al. | Industrial Application of Machine Learning Clustering for a Combined Heat and Power Plant: A Pavlodar Case Study | |
CN112686447A (zh) | 海上油气田开发多能流耦合负荷预测方法 | |
CN114424128A (zh) | 非线性模型的建模方法、装置及存储介质 |
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 |