CN113250768B - 一种热电联产供热机组热电负荷优化方法 - Google Patents

一种热电联产供热机组热电负荷优化方法 Download PDF

Info

Publication number
CN113250768B
CN113250768B CN202110673852.7A CN202110673852A CN113250768B CN 113250768 B CN113250768 B CN 113250768B CN 202110673852 A CN202110673852 A CN 202110673852A CN 113250768 B CN113250768 B CN 113250768B
Authority
CN
China
Prior art keywords
steam
max
steam turbine
optimization
data
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
CN202110673852.7A
Other languages
English (en)
Other versions
CN113250768A (zh
Inventor
陈超
裴彬
宫玉柱
薛菲
鄢烈祥
周力
刘立柱
彭愿
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.)
Hangu Yunzhi Wuhan Technology Co ltd
Original Assignee
Hangu Yunzhi Wuhan 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 Hangu Yunzhi Wuhan Technology Co ltd filed Critical Hangu Yunzhi Wuhan Technology Co ltd
Priority to CN202110673852.7A priority Critical patent/CN113250768B/zh
Publication of CN113250768A publication Critical patent/CN113250768A/zh
Application granted granted Critical
Publication of CN113250768B publication Critical patent/CN113250768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01K—STEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
    • F01K11/00—Plants characterised by the engines being structurally combined with boilers or condensers
    • F01K11/02—Plants characterised by the engines being structurally combined with boilers or condensers the engines being turbines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D13/00—Combinations of two or more machines or engines
    • F01D13/02—Working-fluid interconnection of machines or engines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D15/00—Adaptations of machines or engines for special use; Combinations of engines with devices driven thereby
    • F01D15/10—Adaptations for driving, or combinations with, electric generators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01K—STEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
    • F01K17/00—Using steam or condensate extracted or exhausted from steam engine plant
    • F01K17/02—Using steam or condensate extracted or exhausted from steam engine plant for heating purposes, e.g. industrial, domestic
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1003—Arrangement or mounting of control or safety devices for steam heating systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E20/00—Combustion technologies with mitigation potential
    • Y02E20/14—Combined heat and power generation [CHP]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Thermal Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Control Of Turbines (AREA)

Abstract

本发明公开了一种热电联产供热机组热电负荷优化方法，包括基于OPC接口标准实时采集热电机组的运行数据；数据预处理；建立汽轮机特性方程特性模型，并应用统计回归方法求解得到特性系数；建立优化模型；以“汽轮机进汽流量”为衡量机组运行状态的标准，用滑动窗口法，对机组运行数据按照时间序列进行稳态分析，判断机组运行状态：运用列队竞争算法进行优化计算；基于OPC接口，将列队竞争算法优化计算得到的优化方案，实时写入DCS系统中，实现对机组运行的闭环优化；本发明还公开对应装置及存储介质；可实时、快速和精准的得到优化的热、电分配方案，实现对机组运行的闭环优化；无需改造设备，降低成本，优化效益高，安全稳定。

Description

一种热电联产供热机组热电负荷优化方法
技术领域
本发明的实施例属于热电厂生产过程优化领域，更具体地，涉及一种热电联产供热机组热电负荷优化方法。
背景技术
现有的热电联产机组负荷分配方法一般有以下两种：其一是根据现场操作人员的经验对热、电负荷分配进行测算，然后根据测算的结果对汽轮机组进行操作，再根据实际运行情况进行校核调整，反复迭代，该方法需要消耗大量的人力，且因没有考虑汽轮机运行的特性方程，所以负荷分配方案存在较大的随机性，因此，该方法存在较大的局限性。其二是运用线性规划技术的负荷分配方法。该方法以汽轮机组总进汽量为目标，以各汽轮机进汽量、抽汽量和发电量为优化变量，通过机轮机组历史运行数据，建立形如“进汽量 = a1*抽汽量 + a2*发电量”的特性方程，然后给定各优化变量的上下限约束，通过线性规划进行计算，得到各汽轮机的进汽量和抽汽量，从而指导汽轮机操作。该方法较前文所述的第一种方法，有了很大的提升，其考虑了汽轮机特性方程，并运用线性规划进行计算，计算结果的准确性得到明显的提高，优化空间也能够得到很大的体现，但其仍然存在一些问题，首先，由于用电负荷的波动较大，而且线性规划是属于卡边操作，计算得到的优化参数（变量）也是波动较大的，而优化参数瞬间跳跃会对机组设备造成一定的损坏，其次，该方法的约束条件考虑得不够全面，没有考虑汽轮机进汽压力约束、抽汽发电约束等，这样会造成有些优化的结果在实际运行中无法操作到。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种热电联产供热机组热电负荷优化方法，是为解决热电联产机组热负荷和电负荷难以合理分配的问题，该方法能够实时、快速和精准的计算得到最佳的热、电分配方案。
一种热电联产供热机组热电负荷优化方法，包括如下步骤:
步骤1：基于OPC接口标准实时采集热电机组的运行数据；
步骤2：通过剔除异常值、稳态分析及相关性分析进行数据预处理；，剔除异常和非稳态的数据，以提高建模的精确度；
步骤3：分析汽轮机进汽量D与发电量W、抽汽量E的关系，建立汽轮机特性方程特性模型，并应用统计回归方法求解得到特性系数；
步骤4：在满足供热蒸汽量、用电需求的前提下，以产汽、买电和卖电的综合成本最小为优化目标，并考虑特性方程约束、热电供需平衡约束、供热需求约束、抽汽约束、买卖电约束、汽轮机进 汽压力约束、参数上下限约束，建立优化模型；
步骤5：以“汽轮机进汽流量”为衡量机组运行状态的标准，用滑动窗口法，对机组当前运行数据按照时间序列进行稳态分析，若当前机组非稳态运行，则不进行优化，若当前机组稳态运行，则进行优化计算；
步骤6：运用列队竞争算法进行优化计算；
步骤7：基于OPC接口，将列队竞争算法优化计算得到的优化方案，实时写入DCS系统中，实现对机组运行的闭环优化。
进一步的，所述步骤1中运行数据包括各锅炉主汽流量、各锅炉主汽压力、各汽轮机进汽流量、各汽轮机进汽压力、各汽轮机抽汽流量、各发电机发电量、各电网买卖电量、各电网用电量、供热蒸汽需量。
进一步的，所述步骤2中剔除异常值的方法为：删除锅炉系统运行数据中的NAN空数据、数值为0及违反常理的异常值的数据。
进一步的， 所述步骤2中稳态分析的方法为：以“锅炉主蒸汽流量”为衡量锅炉运行状态的标准，用滑动窗口法，对锅炉运行数据按照时间序列进行稳态分析，从数据的开始时间位置往后取一段时间内的运行数据作为一个窗口，计算窗口内数据的波动情况，若“锅炉主蒸汽流量”波动较大，则认为窗口内数据处于非稳态，不保留数据；否则数据处于稳态，保留数据。以此流程从开始时间点滑动到结束时间点，得到所有的锅炉稳态数据；
计算公式如下：
Figure 59480DEST_PATH_IMAGE001
式中：δ表示窗口内锅炉主蒸汽流量的标准差；t表示开始时间；N表示滑动窗口的 宽度；
Figure 741128DEST_PATH_IMAGE002
表示t到t+N-1之间锅炉主蒸汽流量的均值；xt表示第t个锅炉主蒸汽流量的值；λ为 主蒸汽流量波动范围。
进一步的， 所述步骤2中相关性分析的方法为：运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量。相关系数是反应变量之间关系密切程度的统计指标，相关系数的取值区间在1到-1之间。1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关,数据越趋近于0表示相关关系越弱,以下是相关系数的计算公式：
Figure 915757DEST_PATH_IMAGE003
其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示y的样本标准差。下面分别是Sxy协方差和Sx和Sy标准差的计算公式。由于是样本协方差和样本标准差，因此分母使用的是n-1。
Sxy样本协方差计算公式：
Figure 408181DEST_PATH_IMAGE004
Sx样本标准差计算公式：
Figure 668261DEST_PATH_IMAGE005
Sy样本标准差计算公式：
Figure 153600DEST_PATH_IMAGE006
进一步的， 所述步骤3中汽轮机特性方程建模的方法为：
分析汽轮机进汽量D与发电量W、抽汽量E的关系，建立汽轮机组的特性模型为：
汽轮机组的特性模型如公式所示：
Figure 182736DEST_PATH_IMAGE007
其中，a、b、c为特性系数，用于反映汽轮机效率；基于汽轮机组准确原始数据中汽轮机进汽量D与发电量W、抽汽量E数据，应用统计回归方法求解得到特性系数。
进一步的，所述步骤4中汽轮机特性方程建模的方法为：
步骤4.1：确定优化目标
满足供热蒸汽量、用电需求的前提下，产汽、买电和卖电的综合成本最小；
步骤4.2：确定目标函数
Figure 875754DEST_PATH_IMAGE008
步骤4.3：考虑约束条件：
4.31. 特性方程约束
D 1 =a 1 +b 1 W 1 +c 1 E 11
D 2 =a 2 +b 2 W 2 +c 2 E 12
…
D n =a n +b n W n +c n E 1n
a1…an， b1…bn，c 1 …c n 为特性系数，用于反映汽轮机效率，W 1 …W n 为发电量, E 11 …E 1n 为抽汽量;
4.32.热电供需平衡约束
W 1 +W m1 - W s1 =W x1
W 2 +W m2 - W s2 =W x2
W n +W mn -W sn =W xn
4.33.供热需求约束
D 1 +D 2 +…+D n = D g
E 11 +E 12 +…+E 1n =G 1
4.34.抽汽约束
E 11 ≤η 1 *D 1
E 12 ≤η 2 *D 2
…
E ln ≤η n *D n
4.35.买卖电约束
W m1 ≤Y 1 *W m1,max
W s1 ≤(1-Y 1 )*W s1,max
W m2 ≤Y 2 *W m2,max
W s2 ≤(1-Y 2 )*W s2,max
…
W mn ≤Y n *W mn,max
W sn ≤(1-Y n )*W sn,max
4.36.汽轮机进汽压力约束
T p,min ≤k 1,t1 *D 1 + k 1,t2 *D 2 +…+ k 1,tn *D n +k 1,bm1 *B m1 + k 1,bm2 *B m2 +…+ k 1,bmn *B mn + k 1,bp1 *B p1 + k 1,bp2 *B p2 +…+ k 1,bpn *B pn ；
k 1,t1 *D 1 + k 1,t2 *D 2 +…+ k 1,tn *D n +k 1,bm1 *B m1 + k 1,bm2 *B m2 +…+ k 1,bmn *B mn + k 1,bp1 *B p1 + k 1,bp2 *B p2 +…+ k 1,bpn *B pn ≤T p,max ；
T p,min ≤k 2,t1 *D 1 + k 2,t2 *D 2 +…+ k 2,tn *D n +k 2,bm1 *B m1 + k 2,bm2 *B m2 +…+ k 2,bmn *B mn + k 2,bp1 *B p1 + k 2,bp2 *B p2 +…+ k 2,bpn *B pn ；
k 2,t1 *D 1 + k 2,t2 *D 2 +…+ k 2,tn *D n +k 2,bm1 *B m1 + k 2,bm2 *B m2 +…+ k 2,bmn *B mn + k 2,bp1 *B p1 + k 2,bp2 *B p2 +…+ k 2,bpn *B pn ≤T p,max ；
…
T p,min ≤k n,t1 *D 1 + k n,t2 *D 2 +…+ k n,tn *D n +k n,bm1 *B m1 + k n,bm2 *B m2 +…+ k n,bmn *B mn + k n,bp1 *B p1 + k n,bp2 *B p2 +…+ k n,bpn *B pn ；
k n,t1 *D 1 + k n,t2 *D 2 +…+ k n,tn *D n +k n,bm1 *B m1 + k n,bm2 *B m2 +…+ k n,bmn *B mn + k n,bp1 *B p1 + k n,bp2 *B p2 +…+ k n,bpn *B pn ≤T p,max ；
4.37.参数上下限约束
D i,min ≤D i ≤D i,max , i=1,2,…,n
D g,min ≤D g ≤D g,max
W i,min ≤W i ≤W i,max i=1,2,…,n
W mi,min ≤W mi ≤W mi,max i=1,2,…,n
W si,min ≤W si ≤W si,max i=1,2,…,n
E 1i,min ≤E 1i ≤E 1i,max i=1,2,…,n
式中：
W mi （i=1,2,…n）为第i条电网买电量；
W si （i=1,2,…n）为第i条电网卖电量；
W xi （i=1,2,…n）为第i条电网用电需求；
p s （i=1,2,…n）为主蒸汽生产成本单价；
p mi （i=1,2,…n）为第i条电网买电单价；
p si （i=1,2,…n）为第i条电网卖电价格；
Y i (i=1,2,…n)第i条电网买电整数变量（值等于0或1）
W i (i=1,2,…n)为第i台汽轮机的发电量；
D g 为汽轮机组总进汽量；
G 1 为供热流量；
D i 为各汽轮机的进汽流量， i=1,2,…n；
E 1i 为各汽轮机的抽汽流量， i=1,2,…n；
B mi 表示第i台锅炉的主汽压力，i=1,2,…n；
B pi 表示第i台锅炉的主汽流量i=1,2,…n；
D i,min (i=1,2,…n)为第i个汽轮机组的进汽量的下限值；
D i,max (i=1,2,…n)为第i个汽轮机组的进汽量的上限值；
D g,min 为汽轮机组总进汽量的下限值；
D g,max 为汽轮机组总进汽量的上限值；
W i,min (i=1,2,…n)为第i个汽轮机组的发电量下限值；
W i,max (i=1,2,…n)为第i个汽轮机组的发电量上限值；
W mi,min (i=1,2,…n)为第i线的买电量下限值；
W mi,max (i=1,2,…n)为第i线的买电量上限值；
W si,min (i=1,2,…n)为第i线的卖电量下限值；
W si,max (i=1,2,…n)为第i线的卖电量上限值；
E 1i,min （i=1,2,…n）第i台汽轮机组的抽汽量的下限值；
E 1i,max （i=1,2,…n）第i台汽轮机组的抽汽量的上限值；
η i （i=1,2,…n）为汽轮机抽汽系数，取值范围为0.8—0.9；
T p,min （i=1,2,…n）为各汽轮机进汽量压力下限；
T p,max （i=1,2,…n）为各汽轮机进汽量压力上限；
K i,tj （i=1,2,…n; j=1,2,…n）为系数；
K i,bmj （i=1,2,…n; j=1,2,…n）为系数；
K i,bpj （i=1,2,…n; j=1,2,…n）为系数。
进一步的，所述步骤6中运用列队竞争算法进行优化计算的方法为：
优化目标：满足供热蒸汽量、用电需求的前提下，产汽、买电和卖电的综合成本最小。即
Figure 357551DEST_PATH_IMAGE008
优化变量：各汽轮机的进汽流量，D i , i=1,2,…n
各汽轮机的抽汽流量，E 1i , i=1,2,…n
各发电机的发电量，W i , i=1,2,…n
列队竞争算法的步骤如下：
1)
Figure 646581DEST_PATH_IMAGE009
t=1，在自变量范围内采用随机的方法产 生m个候选解代表m个家族 ,组成该节点的初始子家族群，随机方法如下所示：
式中，x1 i,j为第1代进化中,列队中第i个家族的第j个变量的值,ib j为自变量下限，ub j为自变量上限，r为随机数；
2) 计算各家族的适应值；
3) 根据各家族的适应值，将m个家族排成一个列队，按升序排列。
4) 判断是否满足迭代终止条件，如果满足，选择排列在首位的个体作为最优解，对应的适应值作为最优值，否则转向步骤5）；
5) 根据在列队中所处的位置，由小到大依次分配给各家族相应的搜索空间。排在列队前面的家族分得最小的搜索空间,而排在列队最后面的家族分得最大的搜索空间，分配方法如下所示：
Figure 733486DEST_PATH_IMAGE010
式中，ib t i,j和 ub t i,j分别表示某子家族群第t代进化中,列队中第i个家族的第j个变量所分配的搜索空间的下限与上限；x t i,j是第t代进化中,列队中第i个家族的第j个变量的值；Δ t j是第j个变量在第t代的取值区间长度；
6) 每个家族在其搜索空间内通过无性繁殖产生n个子代，并与父代一起竞争，仅保留一个最优秀的个体代表此家族参与下一轮的家族地位竞争，繁殖方法同1)中方法类似。
7) 每个家族中的最优个体组成新的家族，转向步骤2），t=t+1。
进一步的，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的热电联产供热机组热电负荷优化方法。
进一步的，所述计算机程序被处理器执行时，实现如权利要求1-8任一所述的热电联产供热机组热电负荷优化方法。
总体而言，通过本发明的所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
（1）本发明的热电联产供热机组热电负荷优化方法，实时、快速和精准的得到优化的热、电分配方案；
（2）本发明的热电联产供热机组热电负荷优化方法，运用OPC技术，将优化方案写入DCS，实现对机组运行的闭环优化；
（3）本发明的热电联产供热机组热电负荷优化方法，无需改造设备，降低成本，优化效益高，安全稳定。
附图说明
图1为本发明较佳实施例的优化方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明的进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明的，并不用于限定本发明的。此外，下面所描述的本发明的各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
一种热电联产供热机组热电负荷优化方法，包括如下步骤:
步骤1：基于OPC接口标准实时采集热电机组的运行数据；
步骤2：通过剔除异常值、稳态分析及相关性分析与变量约减进行数据预处理，剔除异常和非稳态的数据，以提高建模的精确度；
步骤3：分析汽轮机进汽量D与发电量W、抽汽量E的关系，建立汽轮机特性方程特性模型，并应用统计回归方法求解得到特性系数；
步骤4：在满足供热蒸汽量、用电需求的前提下，以产汽、买电和卖电的综合成本最小为优化目标，并考虑特性方程约束、热电供需平衡约束、供热需求约束、抽汽约束、买卖电约束、汽轮机进 汽压力约束、参数上下限约束，建立优化模型；
步骤5：以“汽轮机进汽流量”为衡量机组运行状态的标准，用滑动窗口法，对机组当前运行数据按照时间序列进行稳态分析，若当前机组非稳态运行，则不进行优化，若当前机组稳态运行，则进行优化计算；
步骤6：运用列队竞争算法进行优化计算；
步骤7：基于OPC接口，将列队竞争算法优化计算得到的优化方案，实时写入DCS系统中，实现对机组运行的闭环优化。
所述步骤1中运行数据包括各锅炉主汽流量、各锅炉主汽压力、各汽轮机进汽流量、各汽轮机进汽压力、各汽轮机抽汽流量、各发电机发电量、各电网买卖电量、各电网用电量、供热蒸汽需量。
所述步骤2中剔除异常值的方法为：删除锅炉系统运行数据中的NAN空数据、数值为0及违反常理的异常值的数据。
所述步骤2中稳态分析的方法为：由于锅炉在变负荷（即非稳态）运行时，锅炉各运行参数存在剧烈波动，此时的数据难以反映锅炉的真实运行水平，因此对锅炉系统运行数据采用滑动窗口法进行稳分析，剔除锅炉非稳态运行的异常数据，得到稳定状态下的运行数据。
锅炉主蒸汽流量是反映机组运行工况是否稳定的重要因素，以“锅炉主蒸汽流量”为衡量锅炉运行状态的标准，用滑动窗口法，对锅炉运行数据按照时间序列进行稳态分析，从数据的开始时间位置往后取一段时间内的运行数据作为一个窗口，计算窗口内数据的波动情况，若“锅炉主蒸汽流量”波动较大，则认为窗口内数据处于非稳态，不保留数据；否则数据处于稳态，保留数据。以此流程从开始时间点滑动到结束时间点，得到所有的锅炉稳态数据，
计算公式如下：
Figure 207193DEST_PATH_IMAGE011
式中：δ表示窗口内锅炉主蒸汽流量的标准差；t表示开始时间；N表示滑动窗口的 宽度；
Figure 802384DEST_PATH_IMAGE012
表示从t到t+N-1之间锅炉主蒸汽流量的均值；xt表示第t个锅炉主蒸汽流量的值； λ为主蒸汽流量波动范围
所述步骤2中相关性分析的方法为：运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量。相关系数是反应变量之间关系密切程度的统计指标，相关系数的取值区间在1到-1之间。1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关,数据越趋近于0表示相关关系越弱,以下是相关系数的计算公式：
Figure 754160DEST_PATH_IMAGE013
其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示Y的样本标准差。下面分别是Sxy协方差和Sx和Sy标准差的计算公式。由于是样本协方差和样本标准差，因此分母使用的是n-1。
Sxy样本协方差计算公式：
Figure 898833DEST_PATH_IMAGE014
Sx样本标准差计算公式：
Figure 543441DEST_PATH_IMAGE015
Sy样本标准差计算公式：
Figure 124464DEST_PATH_IMAGE016
上面协方差、标准差计算式均为现有技术公式，所以没有对参数详细解释，xi,yi为 样本数据点，
Figure 83193DEST_PATH_IMAGE017
，
Figure 347952DEST_PATH_IMAGE018
分别为x，y样本集合均值。
所述步骤3中汽轮机特性方程建模的方法为：
分析汽轮机进汽量D与发电量W、抽汽量E的关系，建立汽轮机组的特性模型为：
汽轮机组的特性模型如公式所示：
Figure 366724DEST_PATH_IMAGE019
其中，a、b、c为特性系数，用于反映汽轮机效率；基于汽轮机组准确原始数据中汽轮机进汽量D与发电量W、抽汽量E数据，应用统计回归方法求解得到特性系数。
所述步骤4中汽轮机特性方程建模的方法为：
步骤4.1：确定优化目标
满足供热蒸汽量、用电需求的前提下，产汽、买电和卖电的综合成本最小；
步骤4.2：确定目标函数
Figure 310409DEST_PATH_IMAGE020
步骤4.3：考虑约束条件：
4.31.特性方程约束
D 1 =a 1 +b 1 W 1 +c 1 E 11
D 2 =a 2 +b 2 W 2 +c 2 E 12
…
D n =a n +b n W n +c n E 1n
a1…an， b1…bn，c 1 …c n 为特性系数，用于反映汽轮机效率，W 1 …W n 为发电量, E 11 …E 1n 为抽汽量;
4.32.热电供需平衡约束
W 1 +W m1 - W s1 =W x1
W 2 +W m2 - W s2 =W x2
W n +W mn -W sn =W xn
4.33.供热需求约束
D 1 +D 2 +…+D n = D g
E 11 +E 12 +…+E 1n =G 1
4.34.抽汽约束
E 11 ≤η 1 *D 1
E 12 ≤η 2 *D 2
…
E ln ≤η n *D n
4.35.买卖电约束
W m1 ≤Y 1 *W m1,max
W s1 ≤(1-Y 1 )*W s1,max
W m2 ≤Y 2 *W m2,max
W s2 ≤(1-Y 2 )*W s2,max
…
W mn ≤Y n *W mn,max
W sn ≤(1-Y n )*W sn,max
4.36.汽轮机进汽压力约束
T p,min ≤k 1,t1 *D 1 + k 1,t2 *D 2 +…+ k 1,tn *D n +k 1,bm1 *B m1 + k 1,bm2 *B m2 +…+ k 1,bmn *B mn + k 1,bp1 *B p1 + k 1,bp2 *B p2 +…+ k 1,bpn *B pn
k 1,t1 *D 1 + k 1,t2 *D 2 +…+ k 1,tn *D n +k 1,bm1 *B m1 + k 1,bm2 *B m2 +…+ k 1,bmn *B mn + k 1,bp1 *B p1 + k 1,bp2 *B p2 +…+ k 1,bpn *B pn ≤T p,max
T p,min ≤k 2,t1 *D 1 + k 2,t2 *D 2 +…+ k 2,tn *D n +k 2,bm1 *B m1 + k 2,bm2 *B m2 +…+ k 2,bmn *B mn + k 2,bp1 *B p1 + k 2,bp2 *B p2 +…+ k 2,bpn *B pn
k 2,t1 *D 1 + k 2,t2 *D 2 +…+ k 2,tn *D n +k 2,bm1 *B m1 + k 2,bm2 *B m2 +…+ k 2,bmn *B mn + k 2,bp1 *B p1 + k 2,bp2 *B p2 +…+ k 2,bpn *B pn ≤T p,max
…
T p,min ≤k n,t1 *D 1 + k n,t2 *D 2 +…+ k n,tn *D n +k n,bm1 *B m1 + k n,bm2 *B m2 +…+ k n,bmn *B mn + k n,bp1 *B p1 + k n,bp2 *B p2 +…+ k n,bpn *B pn
k n,t1 *D 1 + k n,t2 *D 2 +…+ k n,tn *D n +k n,bm1 *B m1 + k n,bm2 *B m2 +…+ k n,bmn *B mn + k n,bp1 *B p1 + k n,bp2 *B p2 +…+ k n,bpn *B pn ≤T p,max
4.37.参数上下限约束
D i,min ≤D i ≤D i,max , i=1,2,…,n
D g,min ≤D g ≤D g,max
W i,min ≤W i ≤W i,max i=1,2,…,n
W mi,min ≤W mi ≤W mi,max i=1,2,…,n
W si,min ≤W si ≤W si,max i=1,2,…,n
E 1i,min ≤E 1i ≤E 1i,max i=1,2,…,n
式中：
W mi （i=1,2,…n）为第i条电网买电量；
W si （i=1,2,…n）为第i条电网卖电量；
W xi （i=1,2,…n）为第i条电网用电需求；
p s （i=1,2,…n）为主蒸汽生产成本单价；
p mi （i=1,2,…n）为第i条电网买电单价；
p si （i=1,2,…n）为第i条电网卖电价格；
Y i (i=1,2,…n)第i条电网买电整数变量（值等于0或1）
W i (i=1,2,…n)为第i台汽轮机的发电量；
D g 为汽轮机组总进汽量；
G 1 为供热流量；
D i 为各汽轮机的进汽流量， i=1,2,…n；
E 1i 为各汽轮机的抽汽流量， i=1,2,…n；
B mi 表示第i台锅炉的主汽压力，i=1,2,…n；
B pi 表示第i台锅炉的主汽流量i=1,2,…n；
D i,min (i=1,2,…n)为第i个汽轮机组的进汽量的下限值；
D i,max (i=1,2,…n)为第i个汽轮机组的进汽量的上限值；
D g,min 为汽轮机组总进汽量的下限值；
D g,max 为汽轮机组总进汽量的上限值；
W i,min (i=1,2,…n)为第i个汽轮机组的发电量下限值；
W i,max (i=1,2,…n)为第i个汽轮机组的发电量上限值；
W mi,min (i=1,2,…n)为第i线的买电量下限值；
W mi,max (i=1,2,…n)为第i线的买电量上限值；
W si,min (i=1,2,…n)为第i线的卖电量下限值；
W si,max (i=1,2,…n)为第i线的卖电量上限值；
E 1i,min （i=1,2,…n）第i台汽轮机组的抽汽量的下限值；
E 1i,max （i=1,2,…n）第i台汽轮机组的抽汽量的上限值；
η i （i=1,2,…n）为汽轮机抽汽系数，取值范围为0.8—0.9；
T p,min （i=1,2,…n）为各汽轮机进汽量压力下限；
T p,max （i=1,2,…n）为各汽轮机进汽量压力上限；
K i,tj （i=1,2,…n; j=1,2,…n）为系数；
K i,bmj （i=1,2,…n; j=1,2,…n）为系数；
K i,bpj （i=1,2,…n; j=1,2,…n）为系数。
所述步骤6中运用列队竞争算法进行优化计算的方法为：
优化目标：满足供热蒸汽量、用电需求的前提下，产汽、买电和卖电的综合成本最小；即：
Figure 761244DEST_PATH_IMAGE021
优化变量：各汽轮机的进汽流量，D i , i=1,2,…n
各汽轮机的抽汽流量，E 1i , i=1,2,…n
各发电机的发电量，W i , i=1,2,…n
列队竞争算法的步骤如下：
1) t=1，在自变量范围内采用随机的方法产生m个候选解代表m个家族 ,组成该节点的初始子家族群，随机方法如下所示：
Figure 208406DEST_PATH_IMAGE022
式中，x1 i,j为第1代进化中,列队中第i个家族的第j个变量的值,ib j为自变量下限，ub j为自变量上限，r为随机数；
2) 计算各家族的适应值；
3) 根据各家族的适应值，将m个家族排成一个列队，本发明按升序排列。
4) 判断是否满足迭代终止条件，如果满足，选择排列在首位的个体作为最优解，对应的适应值作为最优值，否则转向步骤5）；
5) 根据在列队中所处的位置，由小到大依次分配给各家族相应的搜索空间。排在列队前面的家族分得最小的搜索空间,而排在列队最后面的家族分得最大的搜索空间，分配方法如下所示：
Figure 804603DEST_PATH_IMAGE023
式中，lb t i,j和 ub t i,j分别表示某子家族群第t代进化中,列队中第i个家族的第j个变量所分配的搜索空间的下限与上限；x t i,j是第t代进化中,列队中第i个家族的第j个变量的值；Δ t j是第j个变量在第t代的取值区间长度；
6) 每个家族在其搜索空间内通过无性繁殖产生n个子代，并与父代一起竞争，仅保留一个最优秀的个体代表此家族参与下一轮的家族地位竞争，繁殖方法同1)中方法类似。
7) 每个家族中的最优个体组成新的家族，转向步骤2），t=t+1。
所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的热电联产供热机组热电负荷优化方法。
实施例2
本发明的实施例2提供了热电联产供热机组热电负荷优化装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现实施例1提供的热电联产供热机组热电负荷优化。
本发明实施例提供的热电联产供热机组热电负荷优化装置，用于实现热电联产供热机组热电负荷优化方法，因此，热电联产供热机组热电负荷优化方法所具备的技术效果，热电联产供热机组热电负荷优化装置同样具备，在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例1提供的热电联产供热机组热电负荷优化方法。
基于大数据的热电企业汽轮机组智能操作优化系统实施后，汽轮机组总蒸汽耗量减少2%，数据清洗后，优化模型误差低于2%。
领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明的，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种热电联产供热机组热电负荷优化方法，其特征在于包括如下步骤:
步骤1：基于OPC接口标准实时采集热电机组的运行数据；
步骤2：通过剔除异常值、稳态分析及相关性分析进行数据预处理，剔除异常和非稳态的数据，以提高建模的精确度；
步骤3：分析汽轮机进汽量D与发电量W、抽汽量E的关系，建立汽轮机特性方程特性模型，并应用统计回归方法求解得到特性系数；
步骤4：在满足供热蒸汽量、用电需求的前提下，以产汽、买电和卖电的综合成本最小为优化目标，并考虑特性方程约束、热电供需平衡约束、供热需求约束、抽汽约束、买卖电约束、汽轮机进 汽压力约束、参数上下限约束，建立优化模型；
步骤5：以“汽轮机进汽流量”为衡量机组运行状态的标准，用滑动窗口法，对机组当前运行数据按照时间序列进行稳态分析，若当前机组非稳态运行，则不进行优化，若当前机组稳态运行，则进行优化计算；
步骤6：运用列队竞争算法进行优化计算；
步骤7：基于OPC接口，将列队竞争算法优化计算得到的优化方案，实时写入DCS系统中，实现对机组运行的闭环优化。
2.根据权利要求1所述的热电联产供热机组热电负荷优化方法，其特征在于，所述步骤1中运行数据包括各锅炉主汽流量、各锅炉主汽压力、各汽轮机进汽流量、各汽轮机进汽压力、各汽轮机抽汽流量、各发电机发电量、各电网买卖电量、各电网用电量、供热蒸汽需量。
3.根据权利要求1所述的热电联产供热机组热电负荷优化方法，其特征在于，所述步骤2中剔除异常值的方法为：删除锅炉系统运行数据中的NAN空数据、数值为0及违反常理的异常值的数据。
4.根据权利要求1所述的热电联产供热机组热电负荷优化方法，其特征在于: 所述步骤2中稳态分析的方法为：以“锅炉主蒸汽流量”为衡量锅炉运行状态的标准，用滑动窗口法，对锅炉运行数据按照时间序列进行稳态分析，从数据的开始时间位置往后取一段时间内的运行数据作为一个窗口，计算窗口内数据的波动情况，若“锅炉主蒸汽流量”波动较大，则认为窗口内数据处于非稳态，不保留数据；否则数据处于稳态，保留数据；以此流程从开始时间点滑动到结束时间点，得到所有的锅炉稳态数据，
计算公式如下：
Figure 326718DEST_PATH_IMAGE001
式中：δ表示窗口内锅炉主蒸汽流量的标准差；t表示开始时间；N表示滑动窗口的宽度；
Figure 298347DEST_PATH_IMAGE002
表示从t到t+N-1之间锅炉主蒸汽流量的均值；xt表示第t个锅炉主蒸汽流量的值；λ为主蒸 汽流量波动范围。
5.根据权利要求4所述的热电联产供热机组热电负荷优化方法，其特征在于: 所述步骤2中相关性分析的方法为：运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量；相关系数是反应变量之间关系密切程度的统计指标，相关系数的取值区间在1到-1之间；1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关,数据越趋近于0表示相关关系越弱,以下是相关系数的计算公式：
Figure 651968DEST_PATH_IMAGE003
其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示Y的样本标准差；下面分别是Sxy协方差和Sx和Sy标准差的计算公式；由于是样本协方差和样本标准差，因此分母使用的是n-1；
Sxy样本协方差计算公式：
Figure 325526DEST_PATH_IMAGE004
Sx样本标准差计算公式：
Figure 55584DEST_PATH_IMAGE005
Sy样本标准差计算公式：
Figure 380255DEST_PATH_IMAGE006
。
6.根据权利要求1所述的热电联产供热机组热电负荷优化方法，其特征在于: 所述步骤3中汽轮机特性方程建模的方法为：
分析汽轮机进汽量D与发电量W、抽汽量E的关系，建立汽轮机组的特性模型为：
汽轮机组的特性模型如公式所示：
D=a+b×W +c×E
其中，a、b、c为特性系数，用于反映汽轮机效率；基于汽轮机组准确原始数据中汽轮机进汽量D与发电量W、抽汽量E数据，应用统计回归方法求解得到特性系数。
7.根据权利要求1所述的热电联产供热机组热电负荷优化方法，其特征在于: 所述步骤4中汽轮机特性方程建模的方法为：
步骤4.1：确定优化目标
满足供热蒸汽量、用电需求的前提下，产汽、买电和卖电的综合成本最小；
步骤4.2：确定目标函数
Figure 904778DEST_PATH_IMAGE007
步骤4.3：考虑约束条件：
4.31．特性方程约束
D 1 =a 1 +b 1 W 1 +c 1 E 11
D 2 =a 2 +b 2 W 2 +c 2 E 12
…
D n =a n +b n W n +c n E 1n
a1…an， b1…bn，c 1 …c n 为特性系数，用于反映汽轮机效率，W 1 …W n 为发电量, E 11 …E 1n 为抽汽量;
4.32．热电供需平衡约束
W 1 +W m1 -W s1 =W x1
W 2 +W m2 -W s2 =W x2
W n +W mn -W sn =W xn
4.33.供热需求约束
D 1 +D 2 +…+D n =D g
E 11 +E 12 +…+E 1n =G 1
4.34.抽汽约束
E 11 ≤η 1 *D 1
E 12 ≤η 2 *D 2
…
E ln ≤η n *D n
4.35.买卖电约束
W m1 ≤Y 1 *W m1,max
W s1 ≤(1-Y 1 )*W s1,max
W m2 ≤Y 2 *W m2,max
W s2 ≤(1-Y 2 )*W s2,max
…
W mn ≤Y n *W mn,max
W sn ≤(1-Y n )*W sn,max
4.36.汽轮机进汽压力约束
T p,min ≤k 1,t1 *D 1 + k 1,t2 *D 2 +…+ k 1,tn *D n +k 1,bm1 *B m1 + k 1,bm2 *B m2 +…+ k 1,bmn *B mn + k 1,bp1 *B p1 + k 1,bp2 *B p2 +…+ k 1,bpn *B pn ;
k 1,t1 *D 1 + k 1,t2 *D 2 +…+ k 1,tn *D n +k 1,bm1 *B m1 + k 1,bm2 *B m2 +…+ k 1,bmn *B mn + k 1,bp1 *B p1 + k 1,bp2 *B p2 +…+ k 1,bpn *B pn ≤T p,max ;
T p,min ≤k 2,t1 *D 1 + k 2,t2 *D 2 +…+ k 2,tn *D n +k 2,bm1 *B m1 + k 2,bm2 *B m2 +…+ k 2,bmn *B mn + k 2,bp1 *B p1 + k 2,bp2 *B p2 +…+ k 2,bpn *B pn ;
k 2,t1 *D 1 + k 2,t2 *D 2 +…+ k 2,tn *D n +k 2,bm1 *B m1 + k 2,bm2 *B m2 +…+ k 2,bmn *B mn + k 2,bp1 *B p1 + k 2,bp2 *B p2 +…+ k 2,bpn *B pn ≤T p,max ;
…
T p,min ≤k n,t1 *D 1 + k n,t2 *D 2 +…+ k n,tn *D n +k n,bm1 *B m1 + k n,bm2 *B m2 +…+ k n,bmn *B mn + k n,bp1 *B p1 + k n,bp2 *B p2 +…+ k n,bpn *B pn ;
k n,t1 *D 1 + k n,t2 *D 2 +…+ k n,tn *D n +k n,bm1 *B m1 + k n,bm2 *B m2 +…+ k n,bmn *B mn + k n,bp1 *B p1 + k n,bp2 *B p2 +…+ k n,bpn *B pn ≤T p,max ;
4.37.参数上下限约束
D i,min ≤D i ≤D i,max , i=1,2,…,n
D g,min ≤D g ≤D g,max
W i,min ≤W i ≤W i,max i=1,2,…,n
W mi,min ≤W mi ≤W mi,max i=1,2,…,n
W si,min ≤W si ≤W si,max i=1,2,…,n
E 1i,min ≤E 1i ≤E 1i,max i=1,2,…,n
式中：
W mi 为第i条电网买电量,i=1,2,…n；
W si 为第i条电网卖电量,i=1,2,…n；
W xi 为第i条电网用电需求,i=1,2,…n；
p s 为主蒸汽生产成本单价,i=1,2,…n；
p mi 为第i条电网买电单价,i=1,2,…n；
p si 为第i条电网卖电价格,i=1,2,…n；
Y i 第i条电网买电整数变量,值等于0或1,i=1,2,…n;
W i 为第i台汽轮机的发电量,i=1,2,…n；
D i 为第i台汽轮机的进汽量,i=1,2,…n；
D g 为汽轮机组总进汽量；
G 1 为供热流量；
E 1i 为各汽轮机的抽汽流量， i=1,2,…n；
B mi 表示第i台锅炉的主汽压力，i=1,2,…n；
B pi 表示第i台锅炉的主汽流量i=1,2,…n；
D i,min 为第i个汽轮机组的进汽量的下限值,i=1,2,…n；
D i,max 为第i个汽轮机组的进汽量的上限值,i=1,2,…n；
D g,min 为汽轮机组总进汽量的下限值；
D g,max为汽轮机组总进汽量的上限值；
W i,min 为第i个汽轮机组的发电量下限值,i=1,2,…n；
W i,max 为第i个汽轮机组的发电量上限值,i=1,2,…n；
W mi,min 为第i线的买电量下限值,i=1,2,…n；
W mi,max 为第i线的买电量上限值,i=1,2,…n；
W si,min为第i线的卖电量下限值,i=1,2,…n；
W si,max为第i线的卖电量上限值,i=1,2,…n；
E 1i,min第i台汽轮机组的抽汽量的下限值,i=1,2,…n；
E 1i,max第i台汽轮机组的抽汽量的上限值,i=1,2,…n；
η i 为汽轮机抽汽系数，取值范围为0.8—0.9,i=1,2,…n；
T p,min 为各汽轮机进汽量压力下限,i=1,2,…n；
T p,max 为各汽轮机进汽量压力上限,i=1,2,…n；
K i,tj 为系数, i=1,2,…n; j=1,2,…n；
K i,bmj 为系数, i=1,2,…n; j=1,2,…n；
K i,bpj 为系数, i=1,2,…n; j=1,2,…n。
8.根据权利要求7所述的热电联产供热机组热电负荷优化方法，其特征在于:所述步骤6中运用列队竞争算法进行优化计算的方法为：
优化目标：满足供热蒸汽量、用电需求的前提下，产汽、买电和卖电的综合成本最小；即
Figure 65632DEST_PATH_IMAGE008
优化变量：各汽轮机的进汽流量，D i , i=1,2,…n
各汽轮机的抽汽流量，E 1i , i=1,2,…n
各发电机的发电量，W i , i=1,2,…n
列队竞争算法的步骤如下：
1）t=1，在自变量范围内采用随机的方法产生m个候选解代表m个家族 ,组成该节点的初始子家族群，随机方法如下所示：
Figure 599381DEST_PATH_IMAGE009
式中，x1 i,j为第1代进化中,列队中第i个家族的第j个变量的值,
Figure 280024DEST_PATH_IMAGE010
为自变量下限，ub j 为自变量上限，r为随机数；
2）计算各家族的适应值；
3）根据各家族的适应值，将m个家族排成一个列队，按升序排列；
4）判断是否满足迭代终止条件，如果满足，选择排列在首位的个体作为最优解，对应的适应值作为最优值，否则转向步骤5）；
5）根据在列队中所处的位置，由小到大依次分配给各家族相应的搜索空间；在列队前面的家族分得最小的搜索空间,而排在列队最后面的家族分得最大的搜索空间，分配方法如下所示：
Figure 241026DEST_PATH_IMAGE011
式中，lb t i,j和 ub t i,j分别表示某子家族群第t代进化中,列队中第i个家族的第j个变量所分配的搜索空间的下限与上限；x t i,j是第t代进化中,列队中第i个家族的第j个变量的值；Δ t j是第j个变量在第t代的取值区间长度；
6）每个家族在其搜索空间内通过无性繁殖产生n个子代，并与父代一起竞争，仅保留一个最优秀的个体代表此家族参与下一轮的家族地位竞争，繁殖方法同1)中方法类似；
7）每个家族中的最优个体组成新的家族，转向步骤2），t=t+1。
9.一种热电联产供热机组热电负荷优化装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一权利要求所述的热电联产供热机组热电负荷优化方法。
10.一种计算机存储介质，其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执行时，实现如权利要求1-8任一所述的热电联产供热机组热电负荷优化方法。
CN202110673852.7A 2021-06-17 2021-06-17 一种热电联产供热机组热电负荷优化方法 Active CN113250768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110673852.7A CN113250768B (zh) 2021-06-17 2021-06-17 一种热电联产供热机组热电负荷优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110673852.7A CN113250768B (zh) 2021-06-17 2021-06-17 一种热电联产供热机组热电负荷优化方法

Publications (2)

Publication Number Publication Date
CN113250768A CN113250768A (zh) 2021-08-13
CN113250768B true CN113250768B (zh) 2021-10-26

Family

ID=77188498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110673852.7A Active CN113250768B (zh) 2021-06-17 2021-06-17 一种热电联产供热机组热电负荷优化方法

Country Status (1)

Country Link
CN (1) CN113250768B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113377212B (zh) * 2021-08-16 2021-11-16 南京中谷芯信息科技有限公司 基于脑电检测的眼动跟踪ar界面导航系统及方法
CN113807196A (zh) * 2021-08-24 2021-12-17 华能国际电力股份有限公司德州电厂 一种获得热电联产机组热电耦合特性的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9399927B2 (en) * 2014-01-17 2016-07-26 Mitsubishi Hitachi Power Systems Americas, Inc. Method and apparatus for operating a gas turbine power plant at low load conditions with stack compliant emissions levels
JP6839760B2 (ja) * 2017-06-30 2021-03-10 株式会社日立製作所 発電システム、エネルギー管理装置、及び発電制御方法
CN107515598A (zh) * 2017-09-06 2017-12-26 东南大学 基于多参数动态矩阵控制的火电机组分布式协调控制系统
CN110543966A (zh) * 2019-07-23 2019-12-06 四川大学 一种电热气联供的微能源网的日前调度优化方法
CN110333660A (zh) * 2019-07-29 2019-10-15 西安科技大学 一种冷热电联供系统多目标优化方法

Also Published As

Publication number Publication date
CN113250768A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Wang et al. Energy-efficient distributed heterogeneous welding flow shop scheduling problem using a modified MOEA/D
CN109272405B (zh) 碳资产交易方法及系统
CN108490904B (zh) 一种基于设备多工况运行的能源系统优化调度方法
Moradi et al. An energy management system (EMS) strategy for combined heat and power (CHP) systems based on a hybrid optimization method employing fuzzy programming
CN113250768B (zh) 一种热电联产供热机组热电负荷优化方法
Allen et al. Price-based commitment decisions in the electricity market
Gopalakrishnan et al. Operational planning of combined heat and power plants through genetic algorithms for mixed 0–1 nonlinear programming
Delarue et al. Effect of the accuracy of price forecasting on profit in a price based unit commitment
CN113592133A (zh) 一种能量枢纽优化配置方法及系统
JP2010213477A (ja) 発電計画作成方法、装置、プログラムおよび記憶装置
CN113887973A (zh) 一种综合能源系统的多目标规划方法、装置及终端设备
CN112084705A (zh) 一种用于综合能源系统的并网协调规划方法及系统
CN112308411B (zh) 基于动态碳交易模型的综合能源站随机规划方法及系统
CN111476399A (zh) 一种现货交易机制下售电公司购电方法及系统
CN112952807A (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
Jia et al. A reinforcement-learning-based bidding strategy for power suppliers with limited information
CN109976155B (zh) 参与气电市场的虚拟电厂内部随机优化控制方法及系统
CN115169916A (zh) 一种基于安全经济的电热综合能源控制方法
Qing et al. Distributionally robust unit commitment with an adjustable uncertainty set and dynamic demand response
Covarrubias Expansion planning for electric power systems
JP2009070200A (ja) プラント運用適正化装置、プラント運用適正化方法およびプラント運用適正化プログラム
JP5940724B1 (ja) プラント設備の保守計画方法
Khasanah et al. Developing Simulation Optimization Model to Minimize Total Inventory Cost under Uncertain Demand
Amjady et al. Optimal reliable operation of hydrothermal power systems with random unit outages
Arneja et al. Probabilistic OPF using linear fuzzy relation

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