CN115712976A

CN115712976A - 基于多元供热机组的热能及电负荷优化方法及相关设备

Info

Publication number: CN115712976A
Application number: CN202211012018.4A
Authority: CN
Inventors: 范志强; 焦晓峰; 王新建; 段学友; 贾斌; 李晓波; 云锋; 魏超; 张利慧; 杨彦平; 俎海东
Original assignee: Inner Mongolia Electric Power Research Institute of Inner Mongolia Power Group Co Ltd
Current assignee: Inner Mongolia Electric Power Research Institute of Inner Mongolia Power Group Co Ltd
Priority date: 2022-08-23
Filing date: 2022-08-23
Publication date: 2023-02-24

Abstract

本发明公开了基于多元供热机组的热能及电负荷优化方法及相关设备，方法包括：获取步骤，从机组DCS中获取机组负荷、主蒸汽、再热蒸汽、抽汽和排汽状态参数，并利用数据处理模块进行处理，得到稳定工况数据；处理步骤，将所述稳定工况数据输入至目标函数进行计算，并利用热电负荷寻优模块进行求解，所述电负荷寻优模块采用粒子群优化算法，并融入动态自适应惯性权重与动态学习因子，求取最优解；优化步骤，根据所述最优解实现厂级经济性最优、厂级深度调峰能力最大或碳排放量最少。实现了厂级多元供热机组热能、电负荷分配经济性最优、厂级深度调峰能力最大或碳排放量最少的技术目的。

Description

基于多元供热机组的热能及电负荷优化方法及相关设备

技术领域

本发明涉及热能数据分析技术,特别涉及一种基于多元供热机组的热能及电负荷优化方法及相关设备。

背景技术

热电联产机组能够有效提高电厂能源利用率、降低碳排放，在我国火力发电机组中占比越来越高。随着新能源并网越来越多、电网峰谷差日益增大，对供热机组的深度调峰性能提出了更高的要求。同时在双碳背景下，如何有效提高供热机组能源的利用率、减少碳排放已成为亟需解决的问题。

热电联产机组的电负荷与热负荷存在明显的耦合关系。目前热电联产机组主要有抽汽凝汽、低压缸零出力、储热罐、热泵、高背压等多种供热技术。同一电厂可能多种供热技术共存，即使是同一供热技术，由于供热机组的热力性能各异，其热效率、调峰能力和碳排放量也互不相同，使得多机组、多元供热模式下的热、电负荷耦合关系变得更加复杂。

而现有技术中，厂级多元供热机组热能、电负荷分配欠佳，导致供热供电成本高、碳排放量大。

发明内容

本发明的目的在于，实现厂级多元供热机组热能、电负荷分配经济性最优、厂级深度调峰能力最大或碳排放量最少的技术目的。

一种基于多元供热机组的热能及电负荷优化方法，包括：

如下步骤：

获取步骤，从机组DCS中获取机组负荷、主蒸汽、再热蒸汽、抽汽和排汽状态参数，并利用数据处理模块进行处理；

处理步骤，将所述处理后数据输入至目标函数进行计算，并利用热电负荷寻优模块进行求解，所述电负荷寻优模块采用粒子群优化算法，并融入动态自适应惯性权重与动态学习因子，求取最优解；

优化步骤，根据所述最优解实现厂级经济性最优、厂级深度调峰能力最大或碳排放量最少。

优选地，还包括：建模步骤，具体实现为：

获取机组历史状态参数并进行准确性判断、异常值重构、筛选工况及划分稳定工况；

热力系统建模模块中进行建模处理，以得到不同工况下机组特性模型；

所述建模处理包括：通过设定目标函数模块中的寻优目标及约束条件，运用寻优模块中的求解算法，即可得出给定边界条件下厂级最佳热、电负荷分配方案及机组的优化运行方式。

优选地，所述准确性判断、异常值重构的步骤实现为：

式中，zt为t时刻某状态点参数；

为t时刻前后两个时间段的状态点参数平均值；

若t时刻某点数据值满足式(1)，则该点为异常点，对于异常点可采用取平均值的方法进行数据重构。

优选地，所述筛选工况步骤，包括：

依据机组负荷、主蒸汽压力、主蒸汽温度、给水流量4个变量的波动来判断机组的稳定工况；

在预设周期，如上述4个变量的最大值与最小值之差均满足各自对应的判别阀值，则认为该时刻机组处于稳态工况。

优选地，所述划分稳定工况步骤，具体实现为：

选用发电负荷、主蒸汽温度作为聚类指标，应用K-均值聚类算法，依据聚类指标的相似程度将不同时间的数据结合划分为若干个工况。

优选地，还包括：数据时效性判断步骤，具体实现为：

根据数据储存及获取的时间进行判断，优先对最近时间段的机组数据进行处理。

优选地，当所述目标函数为厂级经济性最优的目标函数时，采用下式：

max(E)＝c_eP_e+c_hQ_h+G_P-c_coalB_coal (3)

式中，ce为上网电价，元/kWh；Pe为厂级发电功率，kW；ch为热价，元/GJ；Qh为厂级供热总负荷，GJ/h；ccoal为标煤价格，元/t；Bcoal为耗煤量，t/h；Gp为厂级深度调峰的补偿收益，元/h。

优选地，当所述目标函数为厂级深度调峰能力最大为目标函数时，在全厂满足供热需求且保证汽轮机最小安全流量的前提下，厂级输出功率最小，采用下式：

式中，Pe,i为第i台机组功率；n为全厂供热机组的台数。

当所述目标函数为以全厂碳排放最小为目标函数时，采用下式：

式中，

为全厂CO2排放量，t/h；

为第i台机组CO2排放量，t/h。

优选地，利用热电负荷寻优模块进行求解，具体实现：

采用改进的粒子群算法，通过迭代过程中粒子和群体发现的最优值，按公式(6)、(7)更新粒子速度和位置，求解过程中引入动态自适应惯性权重与学习因子，通过在迭代过程中对学习因子、惯性权重的不断调整来提高求解的精度和收敛速度，寻求全局最优解，采用下式

ν_k+1＝wν_k+c₁(k)r₁(p_best,k-x_k)+c₂(k)r₂(g_best,k-x_k) (6)

x_k+1＝x_k+ν_k+1 (7)

式中，vk为粒子的速度向量；xk为粒子当前的位置；pbest，k为粒子本身找到的最优解的位置；gbest，k为整个种群当前找到的最优解位置；r1、r2是0到1之间的随机数；w为动态自适应惯性权重；c1(k)、c2(k)为动态学习因子。

一种计算设备，至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上任一项所述的基于多元供热机组的热能及电负荷优化方法。

一种可读介质，存储有计算机可执行指令，可执行指令用于执行以上基于多元供热机组的热能及电负荷优化方法。

本发明提出的基于多元供热机组的热能及电负荷优化方法将当前的状态数据进行处理后得到稳定工况数据后，即可在热力系统建模模块中进行建模处理，得到不同工况下机组特性模型，通过设定目标函数模块中的寻优目标及约束条件，运用寻优模块中的求解算法，即可得出给定边界条件下厂级最佳热、电负荷分配方案及机组的优化运行方式。实现了厂级多元供热机组热能、电负荷分配经济性最优、厂级深度调峰能力最大或碳排放量最少的技术目的。

附图说明

此处所说明的附图用来提供对发明的进一步理解，构成本发明的一部分，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为本发明一实施例的基于多元供热机组的热能及电负荷优化方法的流程步骤图；

图2为本发明一实施的基于多元供热机组的热能及电负荷优化方法的流程步骤图；

图3为本发明一实施的基于多元供热机组的热能及电负荷优化方法的流程步骤图；

图4为本发明一实施的基于多元供热机组的热能及电负荷优化方法的流程步骤图；

图5为本发明实施例中的计算设备的结构示意图；

图6为本申请实施例中的可读介质结构示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明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，并不用于限定本发明。

本发明提供了一种基于多元供热机组的热能及电负荷优化方法，实现了厂级多元供热机组热能、电负荷分配经济性最优、厂级深度调峰能力最大或碳排放量最少的技术目的。

一种基于多元供热机组的热能及电负荷优化方法，包括：

如下步骤：

S11:获取步骤，从机组DCS中获取机组负荷、主蒸汽、再热蒸汽、抽汽和排汽状态参数，并利用数据处理模块进行处理；

从机组DCS中获取机组负荷、主蒸汽、再热蒸汽、抽汽、排汽等状态参数，之后进行数据准确性、可靠性判断，并提供异常数据的重构。以机组负荷、主蒸汽压力、主蒸汽温度、给水流量作为判定稳定工况的参数，获得稳定工况数据后，采用K-均值算法，依据聚类指标的相似程度将不同时间的数据结合划分为若干个工况。

S12:处理步骤，将所述处理后数据输入至目标函数进行计算，并利用热电负荷寻优模块进行求解，所述电负荷寻优模块采用粒子群优化算法，并融入动态自适应惯性权重与动态学习因子，求取最优解；

S13:优化步骤，根据所述最优解实现厂级经济性最优、厂级深度调峰能力最大或碳排放量最少。

参考图2，还包括：建模步骤，具体实现为：

S21:获取机组历史状态参数并进行准确性判断、异常值重构、筛选工况及划分稳定工况；

S22:热力系统建模模块中进行建模处理，以得到不同工况下机组特性模型；

S23:所述建模处理包括：通过设定目标函数模块中的寻优目标及约束条件，运用寻优模块中的求解算法，即可得出给定边界条件下厂级最佳热、电负荷分配方案及机组的优化运行方式。

处理得到的机组历史数据，可进行热力系统建模。热力性能建模模块可基于成熟商业软件进行计算，也可根据设备的机理模型进行计算。

优选地，所述准确性判断、异常值重构的步骤实现为：

式中，zt为t时刻某状态点参数；

为t时刻前后两个时间段的状态点参数平均值；

参考图3，S21中所述筛选工况步骤，包括：

S31:依据机组负荷、主蒸汽压力、主蒸汽温度、给水流量4个变量的波动来判断机组的稳定工况；

S32:在预设周期，如上述4个变量的最大值与最小值之差均满足各自对应的判别阀值，则认为该时刻机组处于稳态工况。

优选地，S21中所述划分稳定工况步骤，具体实现为：

工况划分也是机组运行优化的重要前提，获得稳态工况数据后，需根据边界条件将稳态数据划分到合适的运行工况。本发明中选用发电负荷、主蒸汽温度作为聚类指标，应用K-均值聚类算法依据聚类指标的相似程度将不同时间的数据结合划分为若干个工况。如图4所示，K-均值聚类算法具体步骤如下：

选取步骤，随机选取k个数据值作为初始聚类中心c0。

聚类中心计算步骤，以欧式距离作为相似性指标，通过如下公式计算各样本点与各聚类中心的欧式距离，之后将样本点划分到与其距离最近的聚类中心所在的簇中。

d(j,i)＝||x_j-c_i||²

式中，d(j,i)为欧式距离；xj为样本数据；ci为各聚类中心。

所有样本计算并划分完毕后，计算各簇中样本数据平均值，作为新的聚类中心ci+1。

比较步骤，比较ci+1与ci是否相同，若相同则输出结果，否则转聚类中心计算步骤进行重复计算。

在上述步骤基础上还包括：数据时效性判断步骤，具体实现为：

对机组数据进行时效性处理。划分稳态工况后得到的数据即可作为机组优化计算所需的有效数据，但为保证寻优结果更具时效性，需要根据数据储存及获取的时间进行判断，优先对最近时间段的机组数据进行处理。

需要说明的是，基于图2步骤对应的图示及说明所处理得到的机组历史数据，可进行热力系统建模，计算步骤，可分为设计工况建模和变工况建模。

其中，设计工况建模以阀门全开工况为基准，通过阀门全开工况下各计算点的汽水参数、端差、管道阻力损失、排汽压力等参数，计算出汽轮机各级组效率、加热器换热面积、凝汽器换热面积、循环水流量等参数，并作为变工况建模的依据。变工况建模时，汽轮机级组的效率由100％THA、75％THA、50％THA、40％THA工况下级组效率与主汽流量的关系拟合得到；加热器出口水温由传热量、换热面积和变工况下的传热系数计算得到；排汽压力由凝汽器变工况热力性能计算得到。

根据设备的机理模型进行热力计算时，按各抽汽口位置划分若干级组，以稳定工况数据按压力高低依次计算调节级、各压力级组的热力性能，最后得到整台机组的热力性能。为了提高计算精度，汽轮机变工况采用改进后的弗留格尔公式进行计算。

改进后的弗留格尔公式：

式中：G——流经级组的蒸汽流量，kg/s；a——级组前后压比；p0、p2——级组前后压力，Pa；下标A、B表示不同的工况。

调节级级后压力的计算：

式中：p2表示级组后的压力，MPa；下角标d表示设计值。

按级组压力高低，结合回热加热器热平衡方程式依次对各压力级组进行迭代计算，得到各级组热力状态。对于抽汽供热机组，供热抽汽口后级组压力由式(6)计算，抽汽口之前级组压力按下式计算：

式中，p0表示级组前的压力；T0表示级组前的温度；下角标0表示级组前的参数；下角标2表示级组后的参数。

max(E)＝c_eP_e+c_hQ_h+G_P-c_coalB_coal (3)

式中，Pe,i为第i台机组功率；n为全厂供热机组的台数。

式中，

为全厂CO2排放量，t/h；

为第i台机组CO2排放量，t/h。

为了得到更优的目标函数(模型)需要设定目标函数的约束条件。由于机组容量的约束以及机组安全运行的需要，设定以下约束条件。

供热约束条件为：

0≤Q_h,i≤Q_h

0≤Q_h,i≤Q_h,imax (5-1)

式中Qh、Qh,i分别表示总热负荷和第i台机组热负荷，MW；Qh,imax为第i台机组最大热负荷，MW。

发电约束条件为：

0≤P_e,i≤P_e

P_e,imin≤P_e,i≤P_e,imax (5-2)

式中，Pe、Pe,i分别表示总电负荷和第i台机组电负荷，MW；Pe,imax、Pe,imin分别为第i台机组发电负荷上限与下限，MW。

低压缸末级最小流量约束条件：

式中，Gi,min为第i台机组低压缸末级最小安全质量流量，t/h；Gi为第i台机组低压缸末级质量流量，t/h；Vmin为厂家给定的末级最小安全容积流量，m3/s；v为排汽比容，m3/kg。

机组最低稳燃负荷约束：

F_i≥F_i,min (5-4)

式中，Fi为第i台机组负荷率，％；Fi，min为第i台机组最低负荷率，％。

优选地，S12步骤中利用热电负荷寻优模块进行求解，具体实现：

ν_k+1＝wν_k+c₁(k)r₁(p_best,k-x_k)+c₂(k)r₂(g_best,k-x_k) (6)

x_k+1＝x_k+ν_k+1 (7)

本发明采用改进后的粒子群算法以提高求解的精度和收敛速度。具体按以下步骤实施：

设置步骤，

设置粒子初始种群，初始化每个粒子的位置和速度，设定最大迭代次数N，设定惯性权重的最大值与最小值，一般取wmin＝0.4、wmax＝0.9。

评估步骤，

评估各粒子适应度，保存个体最优位置pbest，k和全局最优位置gbest，k。权重计算步骤，引入自适应惯性权重，由下式计算当前迭代次数的惯性权重：

式中，f为当前粒子的目标函数；favg和fmi n分别为当前所有粒子的平均目标值和最小目标值；w为当前惯性权重。

动态因子计算步骤，

计算当前迭代次数下的学习因子，为保证粒子群算法在前期有较强的全局搜索能力，在迭代计算中可使c1逐渐减小，c2渐渐增大，动态学习因子由下式计算：

式中，k为当前迭代次数；N为总迭代次数。

更新步骤，

由上述引入的惯性权重和动态学习因子，可按照公式(5-4))、(8)更新粒子位置和速度。重新计算各粒子的目标函数值，更新并保留最佳函数值所对应的微粒。

迭代步骤，

判定迭代次数是否达到最大值，若是，则求解终止，输出结果，否则转步骤评估步骤再次进行迭代计算。

综上所述：

本发明对厂级多元供热机组进行负荷优化是从机组DCS实时数据库中获取机组历史状态参数，并对数据进行准确性判断、异常值重构、筛选及划分稳定工况等处理。得到稳定工况数据后，即可在热力系统建模模块中进行建模处理，得到不同工况下机组特性模型，通过设定目标函数模块中的寻优目标及约束条件，运用负荷分配模块中的求解算法，即可得出给定边界条件下厂级最佳热、电负荷分配方案及机组的优化运行方式。

图5示出的是匹配图1-4方法的计算设备50，包括：

需要说明的是，图5显示的计算设备50仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，服务器以通用计算设备50的形式表现。计算设备50的组件可以包括但不限于：上述至少一个处理器51、上述至少一个存储器52、连接不同系统组件(包括存储器52和处理器51)的总线53。

总线53表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储器52可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)521和/或高速缓存存储器522，还可以进一步包括只读存储器(ROM)523。

存储器52还可以包括具有一组(至少一个)程序模块524的程序/实用工具525，这样的程序模块524包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

计算设备50也可以与一个或多个外部设备54(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算设备50交互的设备通信，和/或与使得该计算设备50能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口55进行。并且，计算设备50还可以通过网络适配器55与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器55通过总线53与用于计算设备50的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAI D系统、磁带驱动器以及数据备份存储系统等。

在一些可能的实施方式中，根据本申请的计算设备可以包括至少一个处理器、以及至少一个存储器(如第一服务器)。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的系统权限开启方法中的步骤。

参考图6，图1-4图示及对应实施例的厂级多元供热机组进行负荷优化f方法还可通过计算机可读介质61来实现，参考图6，存储有计算机可执行指令，即本发明方法中本地服务器或云端服务器所需执行的程序指令，所述计算机或者高速芯片可执行指令用于执行以上实施例所述的厂级多元供热机组进行负荷优化方法。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、控制装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本申请的实施方式的用于系统权限开启的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、控制装置或者器件使用或者与其结合使用。

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。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。