CN116308474A - 一种入炉动态煤耗成本分析方法及系统 - Google Patents
一种入炉动态煤耗成本分析方法及系统 Download PDFInfo
- Publication number
- CN116308474A CN116308474A CN202310052179.4A CN202310052179A CN116308474A CN 116308474 A CN116308474 A CN 116308474A CN 202310052179 A CN202310052179 A CN 202310052179A CN 116308474 A CN116308474 A CN 116308474A
- Authority
- CN
- China
- Prior art keywords
- coal
- cost
- batch
- consumption
- furnace
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 370
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010248 power generation Methods 0.000 claims abstract description 37
- 238000002156 mixing Methods 0.000 claims description 35
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 229910052717 sulfur Inorganic materials 0.000 claims description 30
- 239000011593 sulfur Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 230000002068 genetic effect Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 239000003344 environmental pollutant Substances 0.000 claims description 17
- 231100000719 pollutant Toxicity 0.000 claims description 17
- 239000000446 fuel Substances 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 239000003546 flue gas Substances 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007728 cost analysis Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010977 unit operation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明涉及燃煤发电技术领域，提出了一种入炉动态煤耗成本分析方法及系统，包括对入炉煤的混合批次进行实时有效识别，计算混合批次中各批次入炉煤参配比例，得到入炉煤实际价格，根据采集的机组实时功率数据以及煤耗数据，拟合动态煤耗特性曲线，获得实时功率与煤耗之间的动态关系；根据入炉煤成本和动态煤耗特性曲线计算火电厂实时入炉动态煤耗成本。通过上述技术方案，解决了相关技术中动态煤耗成本分析不精准的问题。
Description
技术领域
本发明涉及燃煤发电技术领域，具体的，涉及一种入炉动态煤耗成本分析方法及系统。
背景技术
目前，我国大多电厂的实际入炉煤均是混合煤，即通过煤仓当前的全部或者部分批次煤混合研磨后形成的煤。但是混合煤批次及混合比例的精准识别难度较大，而且很多电厂并未建立入炉煤质与燃煤消耗量的实时关系，因此入炉煤的真实价格往往不能得到准确的计算。同时，锅炉燃烧具有连续性、机组负荷具有时变性，导致入炉动态煤耗成本无法实现精准分析。随着数字化技术的发展，将数字化分析的方法引入煤耗分析，有利于提高入炉煤动态煤耗成本分析的精准度。
发明内容
本发明提出一种入炉动态煤耗成本分析方法及系统，解决了相关技术中动态煤耗成本分析不精准的问题。
本发明的技术方案如下：
第一方面，一种入炉动态煤耗成本分析方法，对入炉煤的混合批次进行实时有效识别，计算混合批次中各批次入炉煤参配比例，得到入炉煤实际价格，具体包括以下步骤：
采集火电厂所有批次入厂煤的煤质化验结果，将所有批次入厂煤的煤质化验结果形成资料库，用m表示煤仓现存的入厂煤批次总数，各批次入厂煤用集合表示为{a1，a2，…am}，
其中ai(i＝1，2，…m)表示标记为第i批次的入厂煤，
实时获取入炉煤燃烧的燃煤热值Q和硫份S，入炉煤与各批次入厂煤的热值和硫份的关系如下：
x1Q1+x2Q2+...+xmQm＝Q,(i＝1,2,...m,0≤xi≤1)
x1S1+x2S2+...+xmSm＝S,(i＝1,2,...m,0≤xi≤1)
其中，Qi(i＝1，2，…m)表示第i批次入厂煤的燃煤热值，Si(i＝1，2，…m)表示第i批次入厂煤的硫份，xi表示第i批次入厂煤在本次测算的入炉煤中的掺配比例；
通过进化算法计算混合批次中各批次入厂煤在入炉煤中的掺配比例；
根据所述各批次入厂煤在入炉煤中的掺配比例得到入炉煤成本，具体表示为：
其中，Ci(i＝1，2，…m)表示第i批次入厂煤的单价，C表示入炉煤实际单位成本，CSC表示入炉煤折标煤价；
根据采集的机组实时功率数据以及煤耗数据，拟合动态煤耗特性曲线，获得实时功率与煤耗之间的动态关系；
根据入炉煤成本和动态煤耗特性曲线计算火电厂实时入炉动态煤耗成本。
第二方面，一种入炉动态煤耗成本分析系统，包括
第一计算模块：对入炉煤的混合批次进行实时有效识别，计算混合批次中各批次入炉煤参配比例，得到入炉煤实际价格；具体包括以下步骤：
采集火电厂所有批次入厂煤的煤质化验结果，将所有批次入厂煤的煤质化验结果形成资料库，用m表示煤仓现存的入厂煤批次总数，各批次入厂煤用集合表示为{a1，a2，…am}，
其中ai(i＝1，2，…m)表示标记为第i批次的入厂煤，
实时获取入炉煤燃烧的燃煤热值Q和硫份S，入炉煤与各批次入厂煤的热值和硫份的关系如下：
x1Q1+x2Q2+...+xmQm＝Q,(i＝1,2,...m,0≤xi≤1)
x1S1+x2S2+...+xmSm＝S,(i＝1,2,...m,0≤xi≤1)
其中，Qi(i＝1，2，…m)表示第i批次入厂煤的燃煤热值，Si(i＝1，2，…m)表示第i批次入厂煤的硫份，xi表示第i批次入厂煤在本次测算的入炉煤中的掺配比例；
通过进化算法计算混合批次中各批次入厂煤在入炉煤中的掺配比例；
根据所述各批次入厂煤在入炉煤中的掺配比例得到入炉煤成本，具体表示为：
其中，Ci(i＝1，2，…m)表示第i批次入厂煤的单价，C表示入炉煤实际单位成本，CSC表示入炉煤折标煤价；
特性曲线拟合模块：根据采集的机组实时功率数据以及煤耗数据，拟合动态煤耗特性曲线，获得实时功率与煤耗之间的动态关系；
第二计算模块：根据入炉煤成本和动态煤耗特性曲线计算火电厂实时入炉动态煤耗成本。
本发明的工作原理及有益效果为：
本发明中首先将入炉煤的燃煤热值及硫份作为识别煤的重要因素，然后利用进化算法对入炉煤的混合批次进行有效识别，进而计算各批次入炉煤中入厂煤的掺配比例，然后再根据每批次入厂煤的价格，计算得到实际入炉煤价格，最终得到入炉煤实际成本；同时，通过实时采集的机组实时功率数据以及煤耗数据，拟合得到机组的动态煤耗特性曲线，实现对入炉煤耗成本的动态分析，进而有效解决了燃煤成本动态计算的关键问题，实现对入炉煤动态煤耗成本的精准识别。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明中一种入炉动态煤耗成本分析方法流程图；
图2为本发明中各批次入炉煤参配比例计算流程图；
图3为本发明中拟合动态煤耗特性曲线的流程图；
图4为本发明中基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型结构图；
图5为本发明一种入炉动态煤耗成本分析方法的一个实施例流程图；
图6为本发明中一种入炉动态煤耗成本分析系统结构示意图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。
实施例1
如图1-图5所示，本实施例提出了一种入炉动态煤耗成本分析方法，包括
S100：对入炉煤的混合批次进行实时有效识别，计算混合批次中各批次入炉煤参配比例，得到入炉煤实际价格，
首先将入炉煤的热值及硫分作为识别煤的重要因素，然后利用进化算法对入炉煤的混合批次进行有效识别，进而计算各批次入炉煤掺配比例，最终得到入炉煤实际价格。
具体包括以下步骤：
S110：采集火电厂所有批次入厂煤的煤质化验结果，将所有批次入厂煤的煤质化验结果形成资料库，用m表示煤仓现存的煤批次总数，各批次入厂煤用集合表示为{a1，a2，…am}，其中ai(i＝1，2，…m)表示标记为第i批次的入厂煤，
火电厂所有批次入厂煤的煤质化验结果数据均从燃料信息系统获取。
S120：实时获取入炉煤燃烧的燃煤热值Q和硫份S，入炉煤与各批次入厂煤的热值和硫份的关系如下：
x1Q1+x2Q2+...+xmQm＝Q,(i＝1,2,...m,0≤xi≤1)
x1S1+x2S2+...+xmSm＝S,(i＝1,2,...m,0≤xi≤1)
其中，Qi(i＝1，2，…m)表示第i批次入厂煤的燃煤热值，Si(i＝1，2，…m)表示第i批次入厂煤的硫份，xi表示第i批次入厂煤在本次测算的入炉煤中的掺配比例；
各批次入厂煤在入炉煤中的掺配比例，需要满足以下公式：
x1+x2+...+xm＝1,(i＝1,2,...m,0≤xi≤1)
S130：通过进化算法计算混合批次中各批次入厂煤在入炉煤中的掺配比例；
将燃煤热值和硫份作为初始系数来求解，采用算数平均值为中心进行偏离程度计算，从而调整系数更快速求解，利用进化算法(本实施例中利用进化算法中的遗传算法)进行求解。
考虑到煤仓底部有很多遗留煤层，无法得到完全的精确解，故将问题转化成与入炉煤燃煤热值Q、硫份S偏差都最小为目标函数的多目标优化问题。本实施例利用遗传算法来求解多目标优化问题，有效的避免了将多目标问题转化为单目标问题的求解过程中对于多重目标进行权重选择这一主观过程，能够更好的刻画并解决实际问题。具体步骤为；
步骤1：参数初始化设置。读取燃料管理系统的相关经济参数(包括各批次入厂煤燃煤热值Qi、硫份Si和入炉煤的燃煤热值Q和硫份S)；
步骤2：初始化遗传算法的种群。随机生成K个可能的遗传个体，将其作为初始种群；
步骤3：设置遗传算法适应度函数，评价初始种群U的适应程度；
步骤4：整理初始种群U。计算各个体之间的适应度函数，并计算种群拥挤度；
步骤5：更新遗传算法的初始种群U。通过选择、交叉和变异操作得到新的子代种群U2，U3。
步骤6：更新评价U3种群的适合程度；
步骤7：整理初始种群{U，U3}；
步骤8：从初始种群{U，U3}中选择目标函数最小化对应的排序层级高的个体，形成新的种群Uz；
步骤9：若达到最大迭代数，则停止运行，否则返回步骤5；
步骤10：将得到的解作为多目标规划问题的最优解，即各批次入炉煤的掺配比例。
S140：根据各批次入厂煤在入炉煤中的掺配比例得到入炉煤成本，具体表示为：
其中，Ci(i＝1，2，…m)表示第i批次入厂煤的单价，C表示入炉煤实际单位成本，CSC表示入炉煤折标煤价；
S200：根据采集的机组实时功率数据以及煤耗数据，拟合动态煤耗特性曲线，获得实时功率与煤耗之间的动态关系；
电厂投建阶段，根据机组设计说明书及煤耗数据拟合得到煤耗测试曲线，但是考虑到实际运转过程中，随着机组运行状态变化(如老化等问题)、季节特性、煤质等的影响，实际运行状态难免会偏离设计运行状态，进而影响煤耗。故需要以试验数据为依据重新计算机组不同负荷下的供电标准煤耗，通过简单的机理模型分析，并不能全面、准确地反映机组的能耗特性情况，因此需要找到一种新的建模方法，既符合机组的实际运行情况，又能反映机组的能耗特性特点。
燃煤机组在各设备之间的影响因素具有非线性、强耦合的特征，针对这一特性，可采用精度较高的数据回归的建模方法来进行分析，所以本发明利用机组运行的历史数据，建立基于L1范式距离(L1-normdistance)的最小二乘孪生支持向量回归模型(LeastSquaresTwinSupportVectorRegression(LSTSVR))，并通过贪婪公式改进沙丘猫群优化算法((SandCatSwarmOptimization，SCSO)来寻找支持向量机的最佳参数，对机组的能耗特性进行分析，最后利用K-means聚类方法拟合动态煤耗特性曲线。
采用基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型作为煤耗特性曲线拟合模型，具体步骤为：
S210：获取影响机组的供电煤耗因素的样本数据；
考虑到影响机组的供电煤耗因素非常多，重点分析影响锅炉效率的煤质、烟气含氧量、一次风量、二次风量、给水流量、给水温度、排烟温度、过热减温水流量、再热减温水流量等参数作为燃煤侧输入参数，输出参数为机组标准供电煤耗。
S220：将采集到的样本进行预处理，划分为训练样本和测试样本；
将所选择的训练样本导入计算机组煤耗特性曲线的基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型中，对模型中参数进行设置，通过模型计算，得到机组的供电煤耗值。
S230：通过基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型与K-means聚类-最小二乘法拟合动态煤耗特性曲线。
通过基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型作为基础，通过采集得到的机组运行参数，根据数据特征进行分类得到聚类中心点。然后以距离作为K-means算法的分类划分标准，实现高效聚类。将机组煤耗特性曲线所用的样本数据，按照负荷分为组，对于每一组样本，都采用K-means聚类算法进行聚类分析，步骤如下：
步骤1：随机选择g个输入参数的样本数据作为起始聚类中心点。
步骤2：计算各个样本与起始聚类中心点的距离，通过对比分析，将所有样本点依据距离进行划分。
步骤3：分类后，利用训练好的改进SCSO-L1-norm-LSTSVR模型计算各类样本数据的平均值即煤耗取平均值，即该负荷对应的煤耗基准值，并将其作为新一轮聚类的中心点。重复聚类这一过程，当且仅当满足以下准则函数时可判定已达到收敛：
其中，E代表样本数据的平方误差和，xj代表第i类样本点，mi为聚类后第i类样本集合的中心点。
步骤4：采用Silhouette聚类有效评价函数对聚类数g进行确定，如以下公式表达：
其中，S(i)表示衡量聚类合理程度的轮廓值，S(i)越大代表分类越合理。x代表第i个点与该类中其他点的平均距离，y表示该类中第i个点与其他类中各样本点间的距离的向量。
最后，将每组的负荷及其对应煤耗数据绘制成散点图，并利用matlab软件，利用最小二乘法拟合负荷与供电标煤耗之间的关系，即可得到动态煤耗特性曲线。
S300：根据入炉煤成本和动态煤耗特性曲线计算火电厂实时入炉动态煤耗成本。
火电厂的实时成本包括变动成本和固定成本。变动成本包括燃料成本、辅机电耗成本、排污成本、维护成本。固定成本包括容量成本、财务成本、材料费、工资福利和其他费用(该项费用直接从财务部门获取即可)。为了更具体的描述入炉动态煤耗成本，用边际成本、变动成本以及月度平均发电成本三个指标来表示。
1、发电边际成本主要由三部分构成，即煤耗费用、水费及污染物处理费用，计算公式如下：
其中，
为动态煤耗特性曲线的斜率，代表边际发电煤耗，/>
即为煤耗费用；Ff为单位发电量产生的第f种污染物的量；Gf为第f中污染物排放收费标准；u代表污染物处理需要收费的总项目数量，/>
即为单位发电的污染物处理费用；W为单位发电量用水量；CW为单位水价，W×CW即为单位发电耗水成本；Ee为单位发电量对应的辅机运行功率，ce为电厂自用电价格，Ee×ce即为辅机电耗成本；g为单位发电量的运行维护成本。
2、变动成本用入炉煤成本、辅机电耗成本、排污成本、运行维护成本之和表示，计算公式如下：
其中，RT和QT分别为第T小时燃煤消耗量及发电量，Pt为t时刻发电机组输出功率，。
3、月度平均发电成本用全月变动成本与月度固定成本之和来衡量，计算公式如下：
其中，d表示日，D表示统计周期月的天数，FC表示月度固定成本。
实施例2
如图6所示，基于与上述实施例1相同的构思，本实施例还提出了一种入炉动态煤耗成本分析系统，包括
第一计算模块：对入炉煤的混合批次进行实时有效识别，计算混合批次中各批次入炉煤参配比例，得到入炉煤实际价格；具体包括以下步骤：
采集火电厂所有批次入厂煤的煤质化验结果，将所有批次入厂煤的煤质化验结果形成资料库，用m表示煤仓现存的入厂煤批次总数，各批次入厂煤用集合表示为{a1，a2，…am}，
其中ai(i＝1，2，…m)表示标记为第i批次的入厂煤，
实时获取入炉煤燃烧的燃煤热值Q和硫份S，入炉煤与各批次入厂煤的热值和硫份的关系如下：
x1Q1+x2Q2+...+xmQm＝Q,(i＝1,2,...m,0≤xi≤1)
x1S1+x2S2+...+xmSm＝S,(i＝1,2,...m,0≤xi≤1)
其中，Qi(i＝1，2，…m)表示第i批次入厂煤的燃煤热值，Si(i＝1，2，…m)表示第i批次入厂煤的硫份，xi表示第i批次入厂煤在本次测算的入炉煤中的掺配比例；
通过进化算法计算混合批次中各批次入厂煤在入炉煤中的掺配比例；
根据各批次入厂煤在入炉煤中的掺配比例得到入炉煤成本，具体表示为：
其中，Ci(i＝1，2，…m)表示第i批次入厂煤的单价，C表示入炉煤实际单位成本，CSC表示入炉煤折标煤价；
特性曲线拟合模块：根据采集的机组实时功率数据以及煤耗数据，拟合动态煤耗特性曲线，获得实时功率与煤耗之间的动态关系；
第二计算模块：根据入炉煤成本和动态煤耗特性曲线计算火电厂实时入炉动态煤耗成本。
进一步，通过进化算法计算混合批次中各批次入厂煤在入炉煤中的掺配比例，具体包括：
步骤1：参数初始化设置，读取燃料管理系统的相关经济参数，包括各批次入厂煤燃煤热值Qi、硫份Si和入炉煤的燃煤热值Q和硫份S；
步骤2：初始化遗传算法的种群，随机生成K个可能的遗传个体，将其作为初始种群；
步骤3：设置遗传算法适应度函数，评价初始种群U的适应程度；
步骤4：整理初始种群U，计算各个体之间的适应度函数，并计算种群拥挤度；
步骤5：更新遗传算法的初始种群U，通过选择、交叉和变异操作得到新的子代种群U2，U3；
步骤6：更新评价U3种群的适合程度；
步骤7：整理初始种群{U，U3}；
步骤8：从初始种群{U，U3}中选择目标函数最小化对应的排序层级高的个体，形成新的种群Uz；
步骤9：若达到最大迭代数，则停止运行，否则返回步骤5；
步骤10：将得到的解作为多目标规划问题的最优解，即各批次入炉煤的掺配比例。
进一步，特性曲线拟合模块包括：
采用基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型作为煤耗特性曲线拟合模型，具体步骤为：
获取影响机组的供电煤耗因素的样本数据；
将采集到的样本进行预处理，划分为训练样本和测试样本；
通过基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型与K-means聚类-最小二乘法拟合动态煤耗特性曲线。
进一步，获取影响机组的供电煤耗因素的样本数据，具体包括：煤质、烟气含氧量、一次风量、二次风量、给水流量、给水温度、排烟温度、过热减温水流量、再热减温水流量。
进一步，第二计算模块具体包括：发电边际成本计算、变动成本计算和月度平均发电成本计算，
发电边际成本计算包括：
其中，
为动态煤耗特性曲线的斜率，代表边际发电煤耗，/>
即为煤耗费用；Ff为单位发电量产生的第f种污染物的量；Gf为第f中污染物排放收费标准；u代表污染物处理需要收费的总项目数量，/>
即为单位发电的污染物处理费用；W为单位发电量用水量；CW为单位水价，W×CW即为单位发电耗水成本；g为单位发电量对应的辅机运行功率，ce为电厂自用电价格，Ee×ce即为辅机电耗成本；g为单位发电量维护成本；
变动成本计算包括：
其中，RT和QT分别为第T小时燃煤消耗量及发电量，Pt为t时刻发电机组输出功率；
月度平均发电成本计算包括：
其中，d表示日，D表示统计周期月的天数，FC表示月度固定成本。
前述实施例1中的一种入炉动态煤耗成本分析方法的各种变化方式和具体实例同样适用于本实施例的一种入炉动态煤耗成本分析系统，通过前述一种入炉动态煤耗成本分析方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种入炉动态煤耗成本分析系统的实施方法，所以为了说明书的简洁，在此不再详述。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种入炉动态煤耗成本分析方法，其特征在于，包括
对入炉煤的混合批次进行实时有效识别，计算混合批次中各批次入炉煤参配比例，得到入炉煤实际价格；具体包括以下步骤：
采集火电厂所有批次入厂煤的煤质化验结果，将所有批次入厂煤的煤质化验结果形成资料库，用m表示煤仓现存的入厂煤批次总数，各批次入厂煤用集合表示为{a1，a2，…am}，
其中ai(i＝1，2，…m)表示标记为第i批次的入厂煤，
实时获取入炉煤燃烧的燃煤热值Q和硫份S，入炉煤与各批次入厂煤的热值和硫份的关系如下：
x1Q1+x2Q2+...+xmQm＝Q,(i＝1,2,...m,0≤xi≤1)
x1S1+x2S2+...+xmSm＝S,(i＝1,2,...m,0≤xi≤1)
其中，Qi(i＝1，2，…m)表示第i批次入厂煤的燃煤热值，Si(i＝1，2，…m)表示第i批次入厂煤的硫份，xi表示第i批次入厂煤在本次测算的入炉煤中的掺配比例；
通过进化算法计算混合批次中各批次入厂煤在入炉煤中的掺配比例；
根据所述各批次入厂煤在入炉煤中的掺配比例得到入炉煤成本，具体表示为：
其中，Ci(i＝1，2，…m)表示第i批次入厂煤的单价，C表示入炉煤实际单位成本，CSC表示入炉煤折标煤价；
根据采集的机组实时功率数据以及煤耗数据，拟合动态煤耗特性曲线，获得实时功率与煤耗之间的动态关系；
根据入炉煤成本和动态煤耗特性曲线计算火电厂实时入炉动态煤耗成本。
2.根据权利要求1所述的一种入炉动态煤耗成本分析方法，其特征在于，所述通过进化算法计算混合批次中各批次入厂煤在入炉煤中的掺配比例，具体包括：
步骤1：参数初始化设置，读取燃料管理系统的相关经济参数，包括各批次入厂煤燃煤热值Qi、硫份Si和入炉煤的燃煤热值Q和硫份S；
步骤2：初始化遗传算法的种群，随机生成K个可能的遗传个体，将其作为初始种群；
步骤3：设置遗传算法适应度函数，评价初始种群U的适应程度；
步骤4：整理初始种群U，计算各个体之间的适应度函数，并计算种群拥挤度；
步骤5：更新遗传算法的初始种群U，通过选择、交叉和变异操作得到新的子代种群U2，U3；
步骤6：更新评价U3种群的适合程度；
步骤7：整理初始种群{U，U3}；
步骤8：从初始种群{U，U3}中选择目标函数最小化对应的排序层级高的个体，形成新的种群Uz；
步骤9：若达到最大迭代数，则停止运行，否则返回步骤5；
步骤10：将得到的解作为多目标规划问题的最优解，即各批次入炉煤的掺配比例。
3.根据权利要求1所述的一种入炉动态煤耗成本分析方法，其特征在于，所述拟合动态煤耗特性曲线，获得实时功率与煤耗之间的动态关系，具体包括：
采用基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型作为煤耗特性曲线拟合模型，具体步骤为：
获取影响机组的供电煤耗因素的样本数据；
将采集到的样本进行预处理，划分为训练样本和测试样本；
通过基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型与K-means聚类-最小二乘法拟合动态煤耗特性曲线。
4.根据权利要求3所述的一种入炉动态煤耗成本分析方法，其特征在于，所述获取影响机组的供电煤耗因素的样本数据，具体包括：煤质、烟气含氧量、一次风量、二次风量、给水流量、给水温度、排烟温度、过热减温水流量、再热减温水流量。
5.根据权利要求1所述的一种入炉动态煤耗成本分析方法，其特征在于，所述根据入炉煤成本和动态煤耗特性曲线计算火电厂实时入炉动态煤耗成本，具体包括：发电边际成本计算、变动成本计算和月度平均发电成本计算，
所述发电边际成本计算包括：
其中，
为动态煤耗特性曲线的斜率，代表边际发电煤耗，/>
即为煤耗费用；Ff为单位发电量产生的第f种污染物的量；Gf为第f中污染物排放收费标准；u代表污染物处理需要收费的总项目数量，/>
即为单位发电的污染物处理费用；W为单位发电量用水量；CW为单位水价，W×CW即为单位发电耗水成本；g为单位发电量对应的辅机运行功率，ce为电厂自用电价格，Ee×ce即为辅机电耗成本；g为单位发电量维护成本；
所述变动成本计算包括：
其中，RT和QT分别为第T小时燃煤消耗量及发电量，Pt为t时刻发电机组输出功率；
月度平均发电成本计算包括：
其中，d表示日，D表示统计周期月的天数，FC表示月度固定成本。
6.一种入炉动态煤耗成本分析系统，其特征在于，包括
第一计算模块：对入炉煤的混合批次进行实时有效识别，计算混合批次中各批次入炉煤参配比例，得到入炉煤实际价格；具体包括以下步骤：
采集火电厂所有批次入厂煤的煤质化验结果，将所有批次入厂煤的煤质化验结果形成资料库，用m表示煤仓现存的入厂煤批次总数，各批次入厂煤用集合表示为{a1，a2，…am}，
其中ai(i＝1，2，…m)表示标记为第i批次的入厂煤，
实时获取入炉煤燃烧的燃煤热值Q和硫份S，入炉煤与各批次入厂煤的热值和硫份的关系如下：
x1Q1+x2Q2+...+xmQm＝Q,(i＝1,2,...m,0≤xi≤1)
x1S1+x2S2+...+xmSm＝S,(i＝1,2,...m,0≤xi≤1)
其中，Qi(i＝1，2，…m)表示第i批次入厂煤的燃煤热值，Si(i＝1，2，…m)表示第i批次入厂煤的硫份，xi表示第i批次入厂煤在本次测算的入炉煤中的掺配比例；
通过进化算法计算混合批次中各批次入厂煤在入炉煤中的掺配比例；
根据所述各批次入厂煤在入炉煤中的掺配比例得到入炉煤成本，具体表示为：
其中，Ci(i＝1，2，…m)表示第i批次入厂煤的单价，C表示入炉煤实际单位成本，CSC表示入炉煤折标煤价；
特性曲线拟合模块：根据采集的机组实时功率数据以及煤耗数据，拟合动态煤耗特性曲线，获得实时功率与煤耗之间的动态关系；
第二计算模块：根据入炉煤成本和动态煤耗特性曲线计算火电厂实时入炉动态煤耗成本。
7.根据权利要求6所述的一种入炉动态煤耗成本分析系统，其特征在于，所述通过进化算法计算混合批次中各批次入厂煤在入炉煤中的掺配比例，具体包括：
步骤1：参数初始化设置，读取燃料管理系统的相关经济参数，包括各批次入厂煤燃煤热值Qi、硫份Si和入炉煤的燃煤热值Q和硫份S；
步骤2：初始化遗传算法的种群，随机生成K个可能的遗传个体，将其作为初始种群；
步骤3：设置遗传算法适应度函数，评价初始种群U的适应程度；
步骤4：整理初始种群U，计算各个体之间的适应度函数，并计算种群拥挤度；
步骤5：更新遗传算法的初始种群U，通过选择、交叉和变异操作得到新的子代种群U2，U3；
步骤6：更新评价U3种群的适合程度；
步骤7：整理初始种群{U，U3}；
步骤8：从初始种群{U，U3}中选择目标函数最小化对应的排序层级高的个体，形成新的种群Uz；
步骤9：若达到最大迭代数，则停止运行，否则返回步骤5；
步骤10：将得到的解作为多目标规划问题的最优解，即各批次入炉煤的掺配比例。
8.根据权利要求6所述的一种入炉动态煤耗成本分析系统，其特征在于，所述特性曲线拟合模块包括：
采用基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型作为煤耗特性曲线拟合模型，具体步骤为：
获取影响机组的供电煤耗因素的样本数据；
将采集到的样本进行预处理，划分为训练样本和测试样本；
通过基于贪婪公式改进的SCSO-L1-norm-LSTSVR模型与K-means聚类-最小二乘法拟合动态煤耗特性曲线。
9.根据权利要求8所述的一种入炉动态煤耗成本分析系统，其特征在于，所述获取影响机组的供电煤耗因素的样本数据，具体包括：煤质、烟气含氧量、一次风量、二次风量、给水流量、给水温度、排烟温度、过热减温水流量、再热减温水流量。
10.根据权利要求6所述的一种入炉动态煤耗成本分析系统，其特征在于，所述第二计算模块具体包括：发电边际成本计算、变动成本计算和月度平均发电成本计算，
所述发电边际成本计算包括：
其中，
为动态煤耗特性曲线的斜率，代表边际发电煤耗，/>
即为煤耗费用；Ff为单位发电量产生的第f种污染物的量；Gf为第f中污染物排放收费标准；u代表污染物处理需要收费的总项目数量，/>
即为单位发电的污染物处理费用；W为单位发电量用水量；CW为单位水价，W×CW即为单位发电耗水成本；g为单位发电量对应的辅机运行功率，ce为电厂自用电价格，Ee×ce即为辅机电耗成本；g为单位发电量维护成本；
所述变动成本计算包括：
其中，RT和QT分别为第T小时燃煤消耗量及发电量，Pt为t时刻发电机组输出功率；
月度平均发电成本计算包括：
其中，d表示日，D表示统计周期月的天数，FC表示月度固定成本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310052179.4A CN116308474A (zh) | 2023-02-02 | 2023-02-02 | 一种入炉动态煤耗成本分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310052179.4A CN116308474A (zh) | 2023-02-02 | 2023-02-02 | 一种入炉动态煤耗成本分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116308474A true CN116308474A (zh) | 2023-06-23 |
Family
ID=86829505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310052179.4A Pending CN116308474A (zh) | 2023-02-02 | 2023-02-02 | 一种入炉动态煤耗成本分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116308474A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094748A (zh) * | 2023-09-14 | 2023-11-21 | 江苏亨通数字智能科技有限公司 | 成本分析训练系统及方法 |
-
2023
- 2023-02-02 CN CN202310052179.4A patent/CN116308474A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094748A (zh) * | 2023-09-14 | 2023-11-21 | 江苏亨通数字智能科技有限公司 | 成本分析训练系统及方法 |
| CN117094748B (zh) * | 2023-09-14 | 2024-05-14 | 江苏亨通数字智能科技有限公司 | 成本分析训练系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754093B (zh) | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 | |
| CN109214449A (zh) | 一种电网投资需求预测方法 | |
| CN116167657A (zh) | 一种企业全生命周期碳足迹评价方法和系统、存储介质 | |
| CN1831087A (zh) | 焦炭热性质预测与控制方法 | |
| CN101067828A (zh) | 焦炉火道温度集成建模与软测量方法 | |
| CN109583585A (zh) | 一种电站锅炉壁温预测神经网络模型 | |
| CN110975597B (zh) | 一种水泥脱硝的神经网络混合优化方法 | |
| CN116308474A (zh) | 一种入炉动态煤耗成本分析方法及系统 | |
| CN115018198A (zh) | 一种考虑差异化需求响应方案的居民用户用电优化策略 | |
| CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
| CN114707120A (zh) | 一种测算碳排放规模的统计学建模方法 | |
| CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
| CN106594794A (zh) | 一种混合智能锅炉效率燃烧优化模型更新方法 | |
| CN115759604A (zh) | 一种综合能源系统优化调度方法 | |
| CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
| CN107203140A (zh) | 一种基于模糊综合的烧结生产过程性能评估方法 | |
| Liu et al. | Surrogate-assisted many-objective optimization of building energy management | |
| CN116644562B (zh) | 一种新能源电站运维费用评估系统 | |
| Bard et al. | Determining tax credits for converting nonfood crops to biofuels: an application of bilevel programming | |
| CN106651094B (zh) | 一种基于等效节能量的企业能效评价方法 | |
| CN110210642A (zh) | 一种城市电能替代量预测方法及装置 | |
| CN112508280A (zh) | 一种综合能源系统实时性能的评价和优化方法及系统 | |
| Chen et al. | The Application of Adaptive Generalized NGBM (1, 1) To Sales Forecasting: A Case Study of an Underwear Shop. | |
| CN112394643B (zh) | 钢铁企业热电系统调度方法、系统及计算机可读存储介质 | |
| CN112825103B (zh) | 气化工艺的反向设计装置及方法 |
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 |