RU2533054C2 - Способ и система оптимизации технологического процесса для электростанции - Google Patents

Способ и система оптимизации технологического процесса для электростанции Download PDF

Info

Publication number
RU2533054C2
RU2533054C2 RU2012132644/08A RU2012132644A RU2533054C2 RU 2533054 C2 RU2533054 C2 RU 2533054C2 RU 2012132644/08 A RU2012132644/08 A RU 2012132644/08A RU 2012132644 A RU2012132644 A RU 2012132644A RU 2533054 C2 RU2533054 C2 RU 2533054C2
Authority
RU
Russia
Prior art keywords
adaptive
objective function
constraints
values
power plant
Prior art date
Application number
RU2012132644/08A
Other languages
English (en)
Other versions
RU2012132644A (ru
Inventor
Мохан Кумар ШАНМУГАМ
Сентхил Кумар СУНДАРАМ
Гопинатх СЕЛВАРАДЖ
Шрикант БХАТ
Original Assignee
Абб Рисерч Лтд
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 Абб Рисерч Лтд filed Critical Абб Рисерч Лтд
Publication of RU2012132644A publication Critical patent/RU2012132644A/ru
Application granted granted Critical
Publication of RU2533054C2 publication Critical patent/RU2533054C2/ru

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • F02C9/26—Control of fuel supply
    • F02C9/42—Control of fuel supply specially adapted for the control of two or more plants simultaneously
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/40—Type of control system
    • F05D2270/44—Type of control system active, predictive, or anticipative
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model

Abstract

Изобретение относится к системе и способу для оптимизации технологического процесса для электростанции, в частности к оптимизации планирования нагрузки в электростанции посредством использования адаптивных ограничений. Технический результат - возможность минимизировать время генерирования электроэнергии. Способ и соответствующая система включают в себя детектирование события, указывающего необходимость адаптации одного или более ограничений целевой функции, используемой при планировании нагрузки. При таком детектировании целевая функция анализируется для определения адаптивных значений ограничений для одного или более ограничений для оптимального решения целевой функции. Эти адаптивные значения ограничений используются для решения целевой функции, и решение целевой функции с одним или более адаптированными значениями ограничений используется для того, чтобы управлять одним или более блоками генерирования электроэнергии электростанции. 2 н. и 7 з.п. ф-лы, 3 ил.

Description

ОБЛАСТЬ ТЕХНИКИ
Изобретение, в общем, относится к системе и способу для оптимизации технологического процесса для электростанций, а более конкретно к оптимизации планирования нагрузки в электростанции посредством использования адаптивных ограничений в способе и системе оптимизации.
ПРЕДШЕСТВУЮЩИЙ УРОВЕНЬ ТЕХНИКИ
Типично электростанция состоит из нескольких блоков, каждый из которых имеет набор оборудования, участвующего в различных стадиях генерирования электроэнергии. Такое оборудование включает в себя, например, бойлеры, паровые турбины и электрические генераторы. Для оптимальной эксплуатации электростанции одним из критических аспектов является оптимальное планирование нагрузки между различными блоками и их соответствующим оборудованием, чтобы удовлетворять заданным потребностям мощности.
Планирование нагрузки оказывает большое влияние на производительность технологического процесса генерирования электроэнергии. Цель планирования нагрузки заключается в том, чтобы минимизировать время генерирования электроэнергии и/или стоимость посредством определения времени, значений и т.д. различных рабочих параметров для каждого из видов оборудования, чтобы рационально и эффективно удовлетворять потребностям мощности. Планирование нагрузки обычно оптимизируется посредством оптимизатора в системе управления электростанцией.
Цель осуществления оптимизации, например минимизация стоимости, выражается как целевая функция для задачи оптимизации. Метод оптимизации решает такую целевую функцию в пределах идентифицированных ограничений. Почти все рабочие параметры могут выражаться как функция стоимости, и оптимизатор используется для решения функции стоимости, ассоциированной с множеством операций и их результатами (например, штрафом за неудовлетворение потребности). Решение от оптимизатора предоставляет заданные значения для различных операций для достижения требуемых оптимизированных результатов. Типично оптимизатор использует такие технологии, как нелинейное программирование (NLP), частично-целочисленное линейное программирование (MILP), частично-целочисленное нелинейное программирование (MINLP) и т.д. для решения целевой функции.
В записи целевой функции в виде формулы желательно включать столько членов (затраты на топливо, затраты на сокращение выбросов, затраты на пуск и остановку, затраты вследствие старения, затраты на техническое обслуживание, неустойка) в целевую функцию, сколько необходимо для обеспечения оптимальной работы всех возможных компонентов. Когда несколько таких членов учитываются при записи целевой функции в виде формулы, решение целевой функции затрудняется, поскольку возникает уменьшение степени свободы для внесения изменений в рабочие параметры, т.е. в заданные значения для различного оборудования, для достижения оптимального решения для электростанции. Необходимое число членов, которые должны учитываться для конкретной целевой функции, основано на том, как спроектирована система управления технологическим процессом, и на значениях ограничений. Если число членов больше, т.е. оно сразу учитывает почти все возможные аспекты электростанции или имеет очень жесткие ограничения, то существует вероятность того, что целевая функция может не иметь решения. Здесь можно отметить, что проблема отсутствия решения, как описано в данном документе, также может возникать, когда существуют состояния, которые не рассматриваются в модели электростанции или не могут управляться в электростанции по результатам оптимизатора.
В настоящее время, в случаях, когда целевая функция не решается в течение соответствующего времени с учетом набора ограничений, электростанция управляется субоптимальным способом. В дополнение к случаям отсутствия решений существуют другие случаи, когда нет уверенности в том, является или нет оптимизированное решение наилучшим решением, т.е. в том, является решение наилучшим из нескольких доступных решений или самым подходящим для того, чтобы стабильно управлять станцией, даже если оказывается, что решение является немного субоптимальным. Зачастую неизвестно, имеются ли различные значения ограничений и возможно ли наилучшее решение.
Изобретение описывает способ идентификации и определения таких случаев, таким образом, что оптимизатор предоставляет допустимое решение определенным образом. Более конкретно, настоящая технология описывает систему и способ решения целевой функции для работы электростанции посредством идентификации и ослабления некоторых ограничений.
КРАТКОЕ ИЗЛОЖЕНИЕ СУЩЕСТВА ИЗОБРЕТЕНИЯ
Согласно одному аспекту изобретения, предоставляется способ оптимизации планирования нагрузки для электростанции, имеющей один или более блоков генерирования электроэнергии.
Способ включает в себя детектирование события, указывающего необходимость адаптации одного или более ограничений для целевой функции, используемой в планировании нагрузки. При детектировании такого события способ включает в себя анализ целевой функции для определения адаптивных значений ограничений для одного или более ограничений для оптимального решения целевой функции и использование адаптивных значений ограничений для одного или более ограничений с тем, чтобы решать целевую функцию. В завершение, способ включает в себя использование решения целевой функции с одним или более адаптированных значений ограничений для управления одним или более генераторами электростанции.
Согласно другому аспекту изобретения, оптимизатор для оптимизации планирования нагрузки для электростанции, имеющей один или более блоков генерирования электроэнергии, включает в себя модуль анализа ограничений, имеющий модуль оценки адаптивных ограничений для детектирования события, указывающего необходимость адаптации одного или более ограничений для целевой функции, используемой при планировании нагрузки. Модуль оценки адаптивных ограничений анализирует целевую функцию, чтобы определять адаптивные значения ограничений для одного или более ограничений для оптимального решения целевой функции, и использует адаптивные значения ограничений для одного или более ограничений с тем, чтобы решать целевую функцию. Оптимизатор затем использует решение целевой функции с одним или более адаптивных значений ограничений для формирования заданных значений, которые используются для того, чтобы управлять одним или более блоками генерирования электроэнергии.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
В дальнейшем изобретение поясняется описанием предпочтительных вариантов воплощения со ссылками на сопроводительные чертежи, на которых:
Фиг.1 изображает структурную схему упрощенной общей электростанции на ископаемом топливе (FFPP) согласно одному варианту осуществления изобретения;
Фиг.2 изображает структурную схему системы управления для электростанции по Фиг.1; и
Фиг.3 изображает структурную схему модуля анализа ограничений в оптимизаторе системы управления по Фиг.2.
ОПИСАНИЕ ПРЕДПОЧТИТЕЛЬНЫХ ВАРИАНТОВ ВОПЛОЩЕНИЯ ИЗОБРЕТЕНИЯ
Использованные в данном документе и в формуле изобретения формы единственного числа включают в себя несколько упоминаемых объектов, если контекст явно не указывает иное.
Система и способ, описанные в данном документе, относятся к оптимизации работы электростанции для удовлетворения требуемой потребности мощности в условиях несходимости решения с существующими ограничениями или в условиях, когда непонятно, что решение с существующими ограничениями является наилучшим решением. Система и способ, описанные в данном документе, обеспечивают то, что электростанция управляется посредством надлежащего задания ограничений, их значений и посредством обеспечения того, что каждый раз существует оптимальное решение, т.е. доступна степень свободы для решения целевой функции, и, следовательно, решение по оптимизации динамически улучшается при одновременном учете всех членов, заданных в целевой функции.
Для достижения оптимизированного решения новые модули и способы изобретения преимущественно предусматривают динамическую адаптацию значения ограничений, чтобы решать целевую функцию и получать в результате преимущественные решения. Такие адаптации выполняются в рамках допустимых преимущественных результатов работы (краткосрочных и долгосрочных) электростанции.
Эти аспекты поясняются далее в отношении чертежей.
Фиг.1 изображает структурную схему упрощенной общей электростанции на ископаемом топливе (FFPP) 10, которая управляется посредством системы 12 управления, которая включает в себя оптимизатор 14 для получения оптимального решения по управлению электростанцией. FFPP 10 состоит из трех FFPP-блоков 16, 18, 20, работающих параллельно. Каждый FFPP-блок имеет три главных элемента оборудования, а именно бойлер (B) 22, паровую турбину (ST) 24, которая механически соединяется с электрическим генератором (G) 26. При работе паровые нагрузки, в общем, упоминаемые как u1, u2 и u3, представляют пар, формируемый посредством соответствующего бойлера, и соответствующий расход топлива выражается как y11, y21, y3. Регулируемые переменные u11, u12 и u13 являются двоичными переменными, которые задают состояние бойлера как "выключен" или "включен". Пар из бойлера подается в паровую турбину, чтобы осуществлять работу генераторов. Выходная мощность из генераторов выражается как y12, y22, y32.
Система 12 управления используется для того, чтобы отслеживать и управлять различными рабочими параметрами электростанции 10 так, чтобы обеспечивать работу электростанции в оптимальных состояниях. Для оптимальной эксплуатации электростанции, как пояснено выше, одним из критических аспектов является оптимальное планирование нагрузки между различными FFPP-блоками, как показано на Фиг.1, и вычисление для оптимизированного решения выполняется в оптимизаторе 14.
В примерном варианте осуществления задача оптимизации планирования нагрузки состоит в том, чтобы удовлетворять потребности мощности посредством планирования нагрузки для трех FFPP-блоков согласно различным ограничениям, таким как минимизация затрат на топливо, затрат на пуск, эксплуатационных затрат, затрат вследствие выбросов и затрат в течение срока службы. Оптимизатор 14 принимает входные данные из электростанции и применяет технологии оптимизации для оптимального планирования нагрузки. На основе оптимального решения система 12 управления отправляет команды в различные органы управления в электростанции, чтобы управлять параметрами технологического процесса.
Согласно аспектам настоящей технологии, оптимизатор 14 включает в себя новые модули, чтобы обрабатывать вышеуказанные случаи несходимости решения с существующими ограничениями или в условиях, когда непонятно, что решение с существующими ограничениями является наилучшим решением. Эти новые модули и ассоциированные способы подробнее поясняются в отношении Фиг.2.
Фиг.2 изображает структурную схему оптимизатора 14 в системе 12 управления, как поясняется в отношении Фиг.1. Модули в оптимизаторе 14 используют входные данные из базы 28 данных электростанции, которая предоставляет статистические рабочие данные электростанции, модели 30 прогнозирования потребления мощности, которая предоставляет прогнозы будущего потребления мощности, пользовательские входные данные 32 для всех конкретных потребностей пользователя и модели 34 электростанции для предоставления моделированных данных для электростанции и электростанции 10 для предоставления текущих рабочих данных.
Оптимизатор 14 включает в себя модуль 36 нахождения решений по оптимизации, чтобы решать целевую функцию, например, согласно уравнениям 1-16, приведенным ниже.
В примерном способе оптимизации для вышеуказанной FFPP-электростанции рассматриваемая целевая функция является функцией стоимости, которая должна быть минимизирована, как задано уравнением 1. Задача оптимизации решается в ограничениях, как задано уравнениями 10-16, чтобы получать оптимальный план нагрузки для электростанции.
Оптимизация электростанции осуществляется посредством минимизации следующей функции стоимости посредством выбора оптимальных значений для u:
Figure 00000001
где
Figure 00000002
Каждый член в функции стоимости (J) поясняется ниже.
Cdem является штрафной функцией за неудовлетворение потребности электроэнергии в горизонте прогнозирования:
Figure 00000003
где
Figure 00000004
является подходящим весовым коэффициентом, и
Figure 00000005
, для t=T, ..., T+M-dt, является прогнозом потребления электроэнергии в пределах горизонта прогнозирования, а y12, y22, y32 представляют мощность, вырабатываемую посредством соответствующих генераторов. Здесь M является длиной горизонта прогнозирования, T является текущим временем, и dt является временным интервалом.
Cfuel является затратами на расход топлива, представленный в модели для FFPP посредством выводов y11, y21, y31, и тем самым совокупные затраты на расход топлива задаются следующим образом:
Figure 00000006
где ki fuel является затратами на расход yi1 топлива.
Cemission является затратами на уменьшение выбросов загрязняющих веществ (NOx, SOx, COx), вырабатываемых посредством электростанции, и задается следующим образом:
Figure 00000007
где ki emission является коэффициентом затрат для генерирования мощности yi2.
Cst startup является затратами на пуск паровой турбины, заданными посредством следующего:
Figure 00000008
где kst startup представляет положительный весовой коэффициент.
Cst fixed представляет фиксированные эксплуатационные затраты паровой турбины. Он является ненулевым только тогда, когда устройство работает, и он не зависит от уровня расхода пара.
Figure 00000009
где kst fixed представляет все фиксированные затраты (в час) вследствие использования турбины.
Cst life описывает амортизацию основных фондов вследствие эффекта нагрузки и задается следующим образом:
Figure 00000010
и, следовательно:
Figure 00000011
Здесь,
Figure 00000012
является затратами в течение срока службы компонента, который может быть бойлером, турбиной или генератором для данной нагрузки, член
Figure 00000013
в RHS уравнения 8 вычисляет норму EOH-потребления (в эквивалентных часах эксплуатации) относительно базисной нагрузки
Figure 00000014
. Этот член должен быть умножен на общее время, в течение которого блок работает при этой нагрузке. Оптимизатор вычисляет EOH-потребление для каждого времени дискретизации и в конечном счете суммирует EOH-потребление в каждом проходе дискретизации в функцию стоимости.
Члены
Figure 00000015
и т.д. являются аналогичными эквивалентным членам в паровой турбине, и их описание опускается.
Е является членом для доходов, полученных посредством продаж электричества и кредитов от торговли квотами на выбросы. Этот член должен принимать во внимание то, что только минимум между тем, что вырабатывается, и тем, что требуется, может быть продан:
Figure 00000016
где
Figure 00000017
является коэффициентом затрат для вырабатываемой электроэнергии.
Вышеуказанная задача оптимизации имеет одно или более следующих ограничений.
a) Ограничения на минимальную и максимальную нагрузку для бойлеров и турбины, соединенных с генераторами, и т.д.:
Figure 00000018
Figure 00000019
b) Ограничения на постепенный рост и снижение:
Figure 00000020
c) Ограничения на минимальное время безотказной работы и время простоя.
Это ограничение обеспечивает определенное минимальное время безотказной работы и время простоя для блока. Минимальное время простоя означает, что если блок отключается, он должен оставаться в этом состоянии в течение, по меньшей мере, определенного периода времени. Идентичная логика применяется к минимальному времени безотказной работы. Это физическое ограничение, обеспечивает то, что оптимизатор не включает или не выключает блок слишком часто.
Figure 00000021
где toff
Figure 00000022
является счетчиком, который начинает подсчет, когда блок отключается, и когда toff
Figure 00000022
меньше минимального времени простоя, состояние блока
Figure 00000023
должно быть отключенным состоянием.
d) Ограничения по установленной мощности резервных блоков:
Figure 00000024
e) Ограничения по установленной мощности соединительной линии и т.д.:
Figure 00000025
Типично, при получении оптимального вывода желательно учитывать все различные аспекты или члены в записи целевой функции в виде формулы, к примеру, Cemission, Cfuel, Clife и т.д. вместе со связанными ограничениями. Специалистам в данной области техники должно быть известно, что каждый из этих членов является функцией от регулируемых переменных u11, u12 и u13, и что ограничения связаны с этими регулируемыми переменными.
Как пояснено выше, когда несколько таких членов учитываются при записи целевой функции в виде формулы, решение целевой функции затрудняется, поскольку возникает уменьшение степени свободы для внесения изменений в рабочие параметры, т.е. в заданные значения для различного оборудования, чтобы обеспечить оптимальное решение по электростанции. Кроме того, существуют случаи, когда полученное решение может не быть наилучшим решением, как поясняется выше. Действия после возникновения этих случаев подробнее поясняются в данном документе ниже.
Модуль 38 анализа ограничений активируется, когда возникает состояние несходимости целевой функции или непонятно, является или нет решение, полученное посредством модуля 36 нахождения решений оптимизации, наилучшим решением, причем оба этих случая создают "событие", которое указывает необходимость адаптации одного или более ограничений. При детектировании такого события модуль 38 анализа ограничений активируется, чтобы вычислять новые значения ограничений для решения целевой функции.
Модуль 38 анализа ограничений определяет новые значения ограничений, как поясняется в отношении Фиг.3.
Ссылаясь теперь на Фиг.3, модуль 38 анализа ограничений включает в себя модуль 40 оценки адаптивных ограничений, чтобы выбирать одно или более адаптивных ограничений, т.е. ограничений, значения которых могут изменяться, и значений для этих адаптивных ограничений для решения целевой функции. В примерном варианте осуществления, модуль 40 оценки адаптивных ограничений анализирует с использованием модели 34 электростанции и целевой функции то, какая из регулируемых переменных может быть ослаблена через ограничения для оптимизации, упоминаемых в данном документе как "нежестко регулируемые переменные", и насколько с точки зрения значений, а также то, какая из регулируемых переменных не может быть ослаблена, упоминаемых в данном документе как "жестко регулируемые переменные". Соответственно, модуль 40 оценки адаптивных ограничений выбирает ограничения, которые должны быть ослаблены, которые упоминаются в данном документе как "адаптивные ограничения", и новые значения таких ограничений, упоминаемые в данном документе как "адаптивные значения ограничений", чтобы находить оптимальное решение.
В одном конкретном варианте осуществления, адаптивные ограничения и адаптивные значения ограничений также могут быть предварительно сконфигурированными, например, модуль 40 оценки адаптивных ограничений имеет предварительно сконфигурированные задания для требуемых значений ограничений, а также для допустимых адаптивных значений ограничений, предоставляющих возможность отклонения от требуемых значений ограничений (т.е. то, насколько может варьироваться значение ограничения, может предварительно задаваться). Допустимые адаптивные значения ограничений могут быть идентичными или находиться в пределах, указываемых изготовителем или разработчиком системы для того, чтобы управлять станцией.
Дополнительно, можно иметь приоритеты, которые заранее назначаются различным не жестко регулируемым переменным на основе их влияния и значимости относительно решения целевой функции (задачи минимизации). Приоритеты также могут быть определены так, чтобы выбирать адаптивные ограничения и адаптивные значения ограничений через такие технологии, как анализ чувствительности или анализ главных компонентов. В одном примере, самому чувствительному ограничению относительно решения целевой функции назначается наивысший приоритет, так что его значение выбирается первым в качестве адаптивного значения ограничения, чтобы решать целевую функцию.
Аналогично, также могут быть приоритеты, заранее назначаемые адаптивным значениям ограничений, т.е. в пределах допустимых значений для адаптивных ограничений может быть два или более набора значений, которые являются возможными, и они могут быть обеспечены приоритетом для выбора и использования. В этом варианте осуществления, модуль 40 оценки адаптивных ограничений выбирает предварительно сконфигурированные допустимые адаптивные значения ограничений на основе приоритета, уже заданного одновременно с ними, если он доступен.
В случае если отсутствие решения по-прежнему получается в результате после применения приоритезированного адаптивного ограничения, попытка получения решения может предприниматься посредством одновременного ослабления нескольких адаптивных ограничений на основе приоритетов.
В другом варианте осуществления, модуль 40 оценки адаптивных ограничений может развертывать такие технологии, как анализ главных компонентов, чтобы определять то, какая функция стоимости является наиболее значимой, и затем идентифицировать то, какая регулируемая переменная является значимым членом или доминирующим членом в качестве "нежестко регулируемой переменной" или "жестко регулируемой переменной", и использовать допустимые значения ограничений для того, чтобы моделировать (например, по методу Монте-Карло) и идентифицировать то, что может быть значением для не жестко регулируемой переменной, которое может быть подходящим в качестве адаптивного значения ограничения, максимально близкого к существующему (или желательному) значению ограничения, которое приводит к решению. В этом случае, через моделирование или посредством использования других статистических методов (способов, типично используемых при расчетах в экспериментах) определяется то, какие и сколько ограничений должны быть ослаблены, т.е. сколько адаптивных ограничений может учитываться и в какой степени, т.е. то, какими должны быть значения таких адаптивных ограничений. Можно понять, что определение адаптивных ограничений и их значения является другой задачей оптимизации, чтобы оптимально определять то, какие адаптивные ограничения должны быть ослаблены и насколько, чтобы создавать эффект, максимально приближенный к требуемым или рекомендуемым параметрам для электростанции.
Тем не менее, в другом примере, возможно то, что ни одно из выбранных адаптивных значений ограничений не удовлетворяет решению, т.е. целевая функция фактически является нерешаемой, даже если ослабляются несколько ограничений, ассоциированных с соответствующими не жестко регулируемыми переменными. В этом случае, ограничения, ассоциированные с жестко регулируемыми переменными, также могут быть ослаблены на основе приоритета (наименьший приоритет ослабляется первым) или согласно определению через моделирование, чтобы находить состояния, которые обеспечивают решение. Это решение, хотя и является субоптимальным решением (не вытекающим из требуемых ограничений), выбирается так, что оно удовлетворяет целевой функции.
В еще одном другом варианте осуществления, в котором модуль 38 анализа ограничений активируется, поскольку непонятно, является или нет решение, полученное с текущими ограничениями, наилучшим решением, в этом сценарии модуль анализа рассматривает существующие значения ограничений (заданные в пределах допустимых значений ограничений), жестко регулируемые переменные и не жестко регулируемые переменные для того, чтобы находить новое решение. Можно отметить, что такая активация может выполняться периодически и намеренно для того, чтобы определять то, является или нет фактически осуществленное решение наилучшим решением, т.е. такие события происходят предварительно запрограммированным способом после каждого конечного цикла. Альтернативно, такое событие также может инициироваться пользователем.
Модуль 40 оценки адаптивных ограничений выбирает ассоциированные ограничения как для жестко, так и для не жестко регулируемых переменных для адаптации их значений, так что жестко регулируемые переменные не затрагиваются или они дополнительно ужесточаются для улучшения решения. Таким образом, здесь вместо только ослабления ограничений, некоторые ограничения ужесточаются, а некоторые другие ослабляются. Это обеспечивает получение решения, и это решение также является наилучшим из возможных решений (более стабильным и преимущественным решением за долгосрочный период).
В случае если значения адаптивных ограничений определяются через моделирование, адаптивные значения ограничений могут быть выбраны в качестве допустимых значений ограничений в качестве начальных состояний, и новые адаптивные значения ограничений находятся алгоритмически, при этом некоторые значения адаптивных ограничений предназначены для жестко регулируемых переменных, и значения являются такими, что они помогают управлять станцией с максимально жестким значением для жестко регулируемой переменной. Такая операция может быть преимущественной, когда функции, являющиеся результатом жестко регулируемой переменной, влияют на несколько аспектов/функций станции, и более жесткое управление жестко регулируемой переменной помогает обеспечить лучшее управление всеми связанными аспектами/функциями станции.
Модуль 38 анализа ограничений тем самым находит оптимальное решение целевой функции, т.е. оптимальное решение по планированию нагрузки, которое отправляется в систему управления для дальнейших действий посредством системы управления, чтобы доставлять заданные значения через контроллеры технологического процесса для управления параметрами различного оборудования в электростанции.
В другом варианте осуществления, модуль 38 анализа ограничений может включать в себя дополнительные модули, например модуль 40 определения, чтобы анализировать влияние использования адаптивных значений ограничений на работу электростанции в краткосрочном и долгосрочном периоде. Термин "краткосрочный эффект влияния" при использовании в данном документе используется для того, чтобы указывать немедленный эффект влияния новых значений (рекомендованных адаптивных значений ограничений, которые должны использоваться в задаче оптимизации). Специалисты в данной области техники должны принимать во внимание, что когда электростанция управляется посредством решения, полученного посредством изменения, по меньшей мере, одного из ограничений от первых значений, т.е. использования адаптивных значений ограничений, должен быть эффект влияния на общую работу электростанции, отличающийся от первых значений и влияющий на электростанцию по-иному относительно влияния первых значений. Это влияние упоминается как связанное с термином "долгосрочный эффект".
В долгосрочном периоде нежелательно, чтобы работа электростанции нежелательным образом отклонялась от ожидаемой траектории, и поскольку долгосрочный эффект является результатом состояния, отличающегося от начальных или требуемых состояний, выражаемых с помощью целевой функции с начальными или требуемыми ограничениями, модуль определения сравнивает влияние адаптивных ограничений в долгосрочном периоде, чтобы помогать принятию решений.
В одном варианте осуществления, целевая функция модифицируется так, что она включает в себя компенсирующий член, чтобы компенсировать эффект влияния на работу электростанции в долгосрочном периоде посредством использования адаптивных ограничений. Компенсирующий член вычисляется посредством адаптивного 42 модуля штрафов за долгосрочный период (долгосрочный период - это горизонт прогнозирования или период времени, в течение которого модель электростанции, модули прогнозирования и такие данные, как прогноз потребления, могут быть надежно использованы для того, чтобы прогнозировать траекторию модели станции). Модифицированная целевая функция, которая включает в себя компенсирующий член, проверяется, чтобы выявлять то, обеспечивает или нет использование адаптивных значений ограничений какую-либо существенную выгоду в работе электростанции, как показано в уравнениях 17 и 18, приведенных ниже в разделе "Пример". Выгода также может выявляться относительно других альтернативных решений в любом промежутке времени в пределах горизонта прогнозирования.
В другом варианте осуществления, модуль 40 определения может выполнять поиск на предмет вмешательства пользователя или использовать сконфигурированные значения значимости для того, чтобы определять то, должен или нет оптимизатор продолжать модификацию, выполняемую с использованием адаптивных ограничений на основе преимущества за долгосрочный период.
В другом варианте осуществления, модуль определения может быть использован для того, чтобы сравнивать новое решение, т.е. значение целевой функции с адаптивными ограничениями, с решением, полученным до применения адаптивных ограничений, и наблюдать эффект влияния обоих из этих решений в краткосрочном или долгосрочном периоде. После этого выбор основан на значениях, которые являются преимущественными для станции (без слишком больших побочных влияний, выражаемых как компенсирующий член, при этом побочные влияния являются менее значимыми, чем преимущества от нового решения, являющиеся результатом адаптированных ограничений).
Пример, иллюстрирующий некоторые аспекты способа, описанного в данном документе выше, представляется ниже для более ясного понимания изобретения.
Пример
Снова ссылаясь на Фиг.1, предполагается, что электрогенераторы G1, G2 и G3 управляются номинально (с типичным значением) для генерирования 45 МВт и имеют максимальную установленную мощность для генерирования электроэнергии в 50 МВт. Здесь, номинальная установленная мощность используется в качестве верхней границы для ограничения по установленной мощности генератора (желательного ограничения) в задаче оптимизации. В случаях, когда требуемое потребление является высоким, поддержание номинальной установленной мощности в качестве верхней границы может приводить к "отсутствию решения" или к решению с высоким штрафом за неудовлетворение потребления. Для таких случаев значения ограничений адаптируются так, чтобы иметь верхнюю границу между номинальным и максимальным значением, чтобы находить оптимальное решение. Способ адаптации ограничений поясняется в следующем разделе.
Значение функции стоимости с текущим значением ограничений, т.е. с верхней границей для всех генераторов как 45 МВт, получается из модуля нахождения решений по оптимизации по Фиг.2. Эта функция стоимости используется в модуле оценки адаптивных ограничений модуля анализа ограничений (Фиг.3) для того, чтобы находить доминирующие члены функции стоимости в уравнении 1 и доминирующие переменные, которые участвуют в функции стоимости. Доминирующие переменные идентифицируются с использованием такого инструментального средства статистического анализа, как анализ главных компонентов (PCA). Например, рассмотрим случай, в котором все генераторы G1, G2 и G3 имеют номинальную установленную мощность в 45 МВт. Допустим, что G1 имеет наименьшие эксплуатационные затраты из всех трех, и G2 имеет меньшие эксплуатационные затраты, чем G3. Из модели прогнозирования, если потребление мощности меньше 135 МВт, то оптимизатор должен выбирать эксплуатацию всех трех генератора при значении, меньшем или равном их номинальному значению в 45 МВт, чтобы удовлетворять потребности мощности. Но если потребность мощности составляет 140 МВт, то часть установленной мощности генераторов должна управляться вплоть до максимальной установленной мощности в 50 МВт, чтобы удовлетворять потребности мощности. Модуль оценки адаптивных ограничений использует модель электростанции (к примеру, взаимосвязь между амортизационными затратами и нагрузкой, как задано в уравнении 8) наряду с PCA-технологией для того, чтобы определять, какое ограничение по установленной мощности генератора должно быть ослаблено до максимального значения в 50 МВт, чтобы удовлетворять ограничению на потребность. Этот анализ, скажем, идентифицирует члены Cdem и Cst,life функции стоимости в качестве доминирующих членов функции стоимости в функции стоимости, заданной в уравнении 1. Также предполагается, что анализ идентифицирует установленную мощность генераторов G1 и G2 как доминирующую переменную, и ее верхнее граничное значение ограничения по установленной мощности преимущественно может ослабляться до 50 МВт. Моделирование по методу Монте-Карло может быть использовано для того, чтобы идентифицировать новые значения ограничений, соответствующие доминирующим переменным (также с учетом статистических доверительных пределов), которые задают наименьшее значение функции стоимости.
Согласно примеру, изменение верхней границы ограничения по установленной мощности в уравнении 10 для генераторов G1 и G2 между 45 МВт и 50 МВт может приводить к снижению эффективности генератора. Результаты моделирования могут быть использованы при определении оптимального значения между 45 и 50 МВт, которое дает наименьшее значение функции стоимости, а также при рассмотрении значения EOH (в эквивалентных часах эксплуатации) генератора. Верхняя граница ограничения yi,max по установленной мощности, как задано в уравнении 10, изменяется на основе результатов анализа. Значение функции краткосрочной стоимости (JST) на основе адаптированных ограничений вычисляется с использованием уравнения 1 с адаптированным значением ограничения в уравнении 10, может не учитывать следствие использования новых адаптированных значений ограничений, и может быть желательным использовать целевую функцию, которая учитывает долгосрочный эффект влияния для таких целей.
Адаптивный модуль штрафов использует прогноз потребления и модель электростанции для того, чтобы вычислять штрафное значение адаптации значения ограничения для долгосрочного периода. Это штрафное значение используется в качестве аддитивного члена к функции краткосрочной стоимости, чтобы вычислять значение функции долгосрочной стоимости (JLT), как задано уравнением 17. В рассматриваемом примере, JLT задается уравнением 18.
Figure 00000026
где Clife является амортизационными затратами, вычисленными из уравнения 8, при управлении генераторами G1 и G2 с адаптированным значением ограничения по установленной мощности за долговременный горизонт. Применимость функции краткосрочной стоимости или функции долгосрочной стоимости основана на режиме (например, прогнозе потребления и использовании ослабленных ограничений) станции, следовательно, она лучше определяется на основе предварительно сконфигурированных значений значимости или вмешательства пользователя, упрощаемого посредством модуля определения. Новое адаптированное значение ограничения может быть использовано в решении по оптимизации только в том случае, если преимущество от снижения штрафа от неудовлетворения потребления посредством управления генераторами в диапазоне выше номинальных значений является существенным по сравнению со штрафом, ассоциированным с амортизацией генераторов.
Хотя только конкретные признаки вариантов изобретения проиллюстрированы и описаны в данном документе, различные модификации и изменения должны быть очевидными специалистам в данной области техники. Следовательно, необходимо понимать, что прилагаемая формула изобретения имеет намерение охватывать все эти модификации и изменения как попадающие в пределы сущности изобретения.

Claims (9)

1. Способ оптимизации планирования нагрузки для электростанции, имеющей один или более блоков генерирования электроэнергии, при этом способ содержит этапы, на которых:
детектируют событие, указывающее необходимость адаптации одного или более ограничений для целевой функции, используемой при планировании нагрузки;
анализируют целевую функцию, чтобы определять адаптивные значения ограничений для одного или более ограничений для оптимального решения целевой функции;
используют адаптивные значения ограничений для одного или более ограничений для решения целевой функции; и
используют решение целевой функции с одним или более адаптированными значениями ограничений для управления одним или более блоками генерирования электроэнергии электростанции; причем
на этапе анализа целевой функции определяют долгосрочный эффект и краткосрочный эффект влияния на планирование нагрузки вследствие использования адаптивных значений ограничений до применения адаптивных значений ограничений.
2. Способ по п.1, в котором этап анализа целевой функции содержит этапы, на которых:
определяют одну или более регулируемых переменных вместе с соответствующими приоритетами, которые являются доминирующими членами в целевой функции; и
выбирают одно или более адаптивных значений ограничений для одной или более регулируемых переменных.
3. Способ по п.2, в котором одно или более адаптивных значений ограничений являются предварительно сконфигурированными и имеют заранее назначенные ассоциированные приоритеты.
4. Способ по п.2, в котором одно или более адаптивных значений ограничений оценивают с использованием анализа чувствительности.
5. Способ по п.2, в котором регулируемые переменные являются, по меньшей мере, одними из не жестко регулируемых переменных или жестко регулируемых переменных.
6. Способ по п.5, в котором этап анализа целевой функции дополнительно содержит этапы, на которых:
выбирают одно или более адаптивных ограничений для ослабления и/или ужесточения на основе не жестко регулируемых переменных и жестко регулируемых переменных; и
оценивают адаптивные значения ограничений для выбранного одного или более адаптивных ограничений.
7. Способ по п.1, в котором долгосрочный эффект влияния определяют посредством модификации целевой функции так, что она включает в себя компенсирующий член, чтобы компенсировать долгосрочный эффект влияния на электростанцию посредством использования решения целевой функции с одним или более адаптированных значений ограничений.
8. Модуль анализа ограничений в оптимизаторе для оптимизации планирования нагрузки для электростанции, имеющей один или более блоков генерирования электроэнергии, причем модуль анализа ограничений содержит:
модуль оценки адаптивных ограничений для детектирования события, указывающего необходимость адаптации одного или более ограничений целевой функции, используемой при планировании нагрузки, для анализа целевой функции, чтобы определять адаптивные значения ограничений для одного или более ограничений для оптимального решения целевой функции, и для использования адаптивных значений ограничений для одного или более ограничений с тем, чтобы решать целевую функцию,
модуль принятия решения для выбора адаптивных значений ограничений на основе долгосрочного эффекта и краткосрочного эффекта влияния на электростанцию вследствие использования адаптивных значений ограничений,
при этом оптимизатор использует решение целевой функции с одним или более адаптивных значений ограничений, чтобы формировать заданные значения, которые используются для управления одним или более блоками генерирования электроэнергии.
9. Модуль анализа ограничений по п.8, дополнительно содержащий адаптивный модуль штрафов вычисления компенсирующего члена, соответствующего эффекту использования одного или более адаптивных значений ограничений в долгосрочном планировании нагрузки.
RU2012132644/08A 2009-12-31 2010-05-13 Способ и система оптимизации технологического процесса для электростанции RU2533054C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IN3246/CHE/2009 2009-12-31
IN3246CH2009 2009-12-31
PCT/IB2010/001103 WO2011080547A1 (en) 2009-12-31 2010-05-13 Process optimization method and system for a power plant

Publications (2)

Publication Number Publication Date
RU2012132644A RU2012132644A (ru) 2014-02-10
RU2533054C2 true RU2533054C2 (ru) 2014-11-20

Family

ID=42985551

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2012132644/08A RU2533054C2 (ru) 2009-12-31 2010-05-13 Способ и система оптимизации технологического процесса для электростанции

Country Status (10)

Country Link
US (1) US10591875B2 (ru)
EP (1) EP2519862B1 (ru)
JP (1) JP5602878B2 (ru)
KR (1) KR101774205B1 (ru)
CN (1) CN102884484B (ru)
AU (1) AU2010337990B2 (ru)
CA (1) CA2785748C (ru)
RU (1) RU2533054C2 (ru)
WO (1) WO2011080547A1 (ru)
ZA (1) ZA201302263B (ru)

Families Citing this family (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8880202B2 (en) * 2010-07-09 2014-11-04 Emerson Process Management Power & Water Solutions, Inc. Optimization system using an iteratively coupled expert engine
US9335748B2 (en) 2010-07-09 2016-05-10 Emerson Process Management Power & Water Solutions, Inc. Energy management system
US8924026B2 (en) * 2010-08-20 2014-12-30 Vigilent Corporation Energy-optimal control decisions for systems
US8781660B2 (en) * 2012-04-11 2014-07-15 GM Global Technology Operations LLC Tiered, subtractive method to solve a linear constraint function associated with controlling a hybrid powertrain system
US20140142766A1 (en) * 2012-11-20 2014-05-22 General Electric Company Methods and systems to improve power plant performance by corrective set points
WO2014143187A1 (en) * 2013-03-15 2014-09-18 Michael Armstrong Lifing and performance optimization limit management for turbine engine
US9957843B2 (en) 2013-12-31 2018-05-01 General Electric Company Methods and systems for enhancing control of power plant generating units
US20150184549A1 (en) 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
US10101730B2 (en) * 2014-05-01 2018-10-16 Johnson Controls Technology Company Incorporating a load change penalty in central plant optimization
WO2015171624A1 (en) 2014-05-05 2015-11-12 Vigilent Corporation Point-based risk score for managing environmental systems
JP6188653B2 (ja) * 2014-08-08 2017-08-30 三菱電機株式会社 エネルギー供給システムの管理・制御支援システム
US9771877B2 (en) 2014-11-18 2017-09-26 General Electric Company Power output and fuel flow based probabilistic control in part load gas turbine tuning, related control systems, computer program products and methods
US9771874B2 (en) 2014-11-18 2017-09-26 General Electric Company Power output and fuel flow based probabilistic control in gas turbine tuning, related control systems, computer program products and methods
US9784183B2 (en) 2014-11-18 2017-10-10 General Electric Company Power outlet, emissions, fuel flow and water flow based probabilistic control in liquid-fueled gas turbine tuning, related control systems, computer program products and methods
US9803561B2 (en) 2014-11-18 2017-10-31 General Electric Company Power output and emissions based degraded gas turbine tuning and control systems, computer program products and related methods
US9771875B2 (en) * 2014-11-18 2017-09-26 General Electric Company Application of probabilistic control in gas turbine tuning, related control systems, computer program products and methods
US9771876B2 (en) 2014-11-18 2017-09-26 General Electric Compnay Application of probabilistic control in gas turbine tuning with measurement error, related control systems, computer program products and methods
JP6816949B2 (ja) * 2014-11-26 2021-01-20 ゼネラル・エレクトリック・カンパニイ 発電プラント発電ユニットの制御を強化するための方法
JP6453073B2 (ja) * 2014-12-24 2019-01-16 株式会社日立製作所 データ入力支援装置及びデータ入力支援方法
WO2016108893A1 (en) * 2014-12-31 2016-07-07 Halliburton Energy Services, Inc. Optimizing completion operations
US10253599B2 (en) * 2014-12-31 2019-04-09 Halliburton Energy Services, Inc. Optimizing stimulation and fluid management operations
US10301913B2 (en) * 2014-12-31 2019-05-28 Halliburton Energy Services, Inc. Optimizing running operations
US9909507B2 (en) 2015-01-27 2018-03-06 General Electric Company Control system for can-to-can variation in combustor system and related method
JP6522445B2 (ja) * 2015-06-30 2019-05-29 三菱日立パワーシステムズ株式会社 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置
US9856796B2 (en) 2015-12-07 2018-01-02 General Electric Company Application of probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods
US9879615B2 (en) 2015-12-16 2018-01-30 General Electric Company Machine-specific probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods
US9882454B2 (en) 2015-12-16 2018-01-30 General Electric Company Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods
US9790865B2 (en) 2015-12-16 2017-10-17 General Electric Company Modelling probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods
US9879612B2 (en) 2015-12-16 2018-01-30 General Electric Company Combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods
US9879614B2 (en) 2015-12-16 2018-01-30 General Electric Company Machine-specific combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods
US9879613B2 (en) 2015-12-16 2018-01-30 General Electric Company Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods
US9797315B2 (en) 2015-12-16 2017-10-24 General Electric Company Probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods
US9856797B2 (en) 2015-12-16 2018-01-02 General Electric Company Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods
US10949777B2 (en) 2017-06-07 2021-03-16 Johnson Controls Technology Company Building energy optimization system with economic load demand response (ELDR) optimization
US11010846B2 (en) 2017-01-12 2021-05-18 Johnson Controls Technology Company Building energy storage system with multiple demand charge cost optimization
US11061424B2 (en) 2017-01-12 2021-07-13 Johnson Controls Technology Company Building energy storage system with peak load contribution and stochastic cost optimization
US10324483B2 (en) 2017-01-12 2019-06-18 Johnson Controls Technology Company Building energy storage system with peak load contribution cost optimization
US11238547B2 (en) 2017-01-12 2022-02-01 Johnson Controls Tyco IP Holdings LLP Building energy cost optimization system with asset sizing
US10282796B2 (en) 2017-01-12 2019-05-07 Johnson Controls Technology Company Building energy storage system with multiple demand charge cost optimization
US10359748B2 (en) * 2017-02-07 2019-07-23 Johnson Controls Technology Company Building energy cost optimization system with asset sizing
US11487277B2 (en) 2017-05-25 2022-11-01 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system for building equipment
US11847617B2 (en) 2017-02-07 2023-12-19 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with financial analysis functionality
US11900287B2 (en) 2017-05-25 2024-02-13 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with budgetary constraints
US11374409B2 (en) 2017-04-03 2022-06-28 Savant Technologies Llc Power system load flexibility forecasting
US11747800B2 (en) 2017-05-25 2023-09-05 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with automatic service work order generation
US11120411B2 (en) 2017-05-25 2021-09-14 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with incentive incorporation
US11409274B2 (en) 2017-05-25 2022-08-09 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system for performing maintenance as soon as economically viable
US11416955B2 (en) 2017-05-25 2022-08-16 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with integrated measurement and verification functionality
US11636429B2 (en) 2017-05-25 2023-04-25 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance systems and methods with automatic parts resupply
US10382772B1 (en) * 2018-07-02 2019-08-13 Tencent America LLC Method and apparatus for video coding
CN109584099B (zh) * 2018-10-24 2021-08-31 华中科技大学 电网调峰的水电站短期多目标发电计划编制方法及系统
US10758660B2 (en) * 2018-12-21 2020-09-01 Fresenius Medical Care Holdings, Inc. Dialysis system with artificial intelligence
US11281198B2 (en) * 2019-05-31 2022-03-22 Johnson Controls Tyco IP Holdings LLP Central plant optimization with optimization modification
US11480360B2 (en) 2019-08-06 2022-10-25 Johnson Controls Tyco IP Holdings LLP Building HVAC system with modular cascaded model
CN110866632B (zh) * 2019-10-17 2022-05-06 杭州电子科技大学 一种发电机机组优化的方法
CN111476475B (zh) * 2020-04-01 2023-10-13 贵州黔源电力股份有限公司 多约束条件下梯级水电站短期优化调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5640491A (en) * 1992-09-14 1997-06-17 Texaco, Inc. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
RU2204438C1 (ru) * 2001-09-14 2003-05-20 Зобнин Борис Борисович Устройство для автоматического управления процессом дробления материала
EA008413B1 (ru) * 2003-03-05 2007-04-27 Мохамед М. Эл-Гассеир Устройство распределительной электрической сети с сегментацией секторами передачи постоянного тока с учётом рынка сбыта электрической энергии и оптимальное планирование её передачи
RU2343525C2 (ru) * 2004-08-27 2009-01-10 Альстом Текнолоджи Лтд Каскадное регулирование для задания требуемого среднего значения технологического параметра

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5873251A (en) * 1995-09-13 1999-02-23 Kabushiki Kaisha Toshiba Plant operation control system
WO2004084371A1 (ja) * 1998-08-31 2004-09-30 Kaoru Fujita 発電プラントの最適化制御方法及び最適化制御装置
US6321207B1 (en) * 1999-04-15 2001-11-20 I2 Technologies Us, Inc. System and method for optimizing the allocation of a resource
US7474995B2 (en) * 2002-05-03 2009-01-06 Sungard Energy Systems Inc. Valuing and optimizing scheduling of generation assets
US7389209B2 (en) * 2002-05-03 2008-06-17 Sungard Energy Systems Inc. Valuing and optimizing scheduling of generation assets for a group of facilities
DE10341762B4 (de) * 2002-09-11 2014-05-15 Fisher-Rosemount Systems, Inc. Handhabung der Realisierbarkeit von Beschränkungen und Grenzen in einem Optimierer für Prozesssteuerungssysteme
US7376472B2 (en) 2002-09-11 2008-05-20 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
US7219040B2 (en) 2002-11-05 2007-05-15 General Electric Company Method and system for model based control of heavy duty gas turbine
US6823675B2 (en) * 2002-11-13 2004-11-30 General Electric Company Adaptive model-based control systems and methods for controlling a gas turbine
US7689323B2 (en) * 2003-05-13 2010-03-30 Siemens Aktiengesellschaft Automatic generation control of a power distribution system
US7305282B2 (en) * 2003-05-13 2007-12-04 Siemens Power Transmission & Distribution, Inc. Very short term load prediction in an energy management system
JP4115958B2 (ja) * 2004-03-26 2008-07-09 株式会社東芝 プラントの運転スケジュール最適化方法および最適化システム
US7356383B2 (en) * 2005-02-10 2008-04-08 General Electric Company Methods and apparatus for optimizing combined cycle/combined process facilities
US7463937B2 (en) * 2005-11-10 2008-12-09 William Joseph Korchinski Method and apparatus for improving the accuracy of linear program based models
WO2008011427A2 (en) * 2006-07-17 2008-01-24 Syntha Corporation Calculating and predicting performance of power generating unit
US8892264B2 (en) * 2009-10-23 2014-11-18 Viridity Energy, Inc. Methods, apparatus and systems for managing energy assets
AU2014415580B2 (en) * 2014-12-31 2018-04-26 Halliburton Energy Services, Inc. Real-time control of drilling fluid properties using predictive models
JP6522445B2 (ja) * 2015-06-30 2019-05-29 三菱日立パワーシステムズ株式会社 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置
CN105302315A (zh) * 2015-11-20 2016-02-03 小米科技有限责任公司 图片处理方法及装置
WO2017109820A1 (en) * 2015-12-25 2017-06-29 Nec Corporation Cost function design system, cost function design method, and cost function design program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5640491A (en) * 1992-09-14 1997-06-17 Texaco, Inc. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
RU2204438C1 (ru) * 2001-09-14 2003-05-20 Зобнин Борис Борисович Устройство для автоматического управления процессом дробления материала
EA008413B1 (ru) * 2003-03-05 2007-04-27 Мохамед М. Эл-Гассеир Устройство распределительной электрической сети с сегментацией секторами передачи постоянного тока с учётом рынка сбыта электрической энергии и оптимальное планирование её передачи
RU2343525C2 (ru) * 2004-08-27 2009-01-10 Альстом Текнолоджи Лтд Каскадное регулирование для задания требуемого среднего значения технологического параметра

Also Published As

Publication number Publication date
JP5602878B2 (ja) 2014-10-08
AU2010337990B2 (en) 2014-03-06
US20130006429A1 (en) 2013-01-03
CN102884484A (zh) 2013-01-16
JP2013516670A (ja) 2013-05-13
US10591875B2 (en) 2020-03-17
CA2785748A1 (en) 2011-07-07
ZA201302263B (en) 2014-06-25
AU2010337990A1 (en) 2012-07-19
RU2012132644A (ru) 2014-02-10
EP2519862A1 (en) 2012-11-07
EP2519862B1 (en) 2016-04-20
KR101774205B1 (ko) 2017-09-04
KR20120117846A (ko) 2012-10-24
CN102884484B (zh) 2016-06-01
WO2011080547A1 (en) 2011-07-07
CA2785748C (en) 2015-08-04

Similar Documents

Publication Publication Date Title
RU2533054C2 (ru) Способ и система оптимизации технологического процесса для электростанции
JP5996436B2 (ja) 発電プラントの負荷をスケジューリングするための方法および制御システム
CN101919134B (zh) 用于风力涡轮发电机的基于事件的控制系统及控制方法
JP2017041253A (ja) 発電プラントの動作方法
KR20160060132A (ko) 기술 시스템의 컴퓨터-도움 제어 및/또는 조절을 위한 방법
KR20170099790A (ko) 권장된 서비스 간격의 최적화를 위한 시스템 및 방법
JP2006202171A (ja) 保守費配分システム及び保守費配分方法
JP6535173B2 (ja) 分散型エネルギーシステムの構成最適化方法及び装置
JP4810550B2 (ja) 受電点電力運用制御装置及び受電点電力運用制御方法
US11761623B2 (en) Apparatus for combustion optimization and method therefor
US11629856B2 (en) Apparatus for managing combustion optimization and method therefor
Beura et al. Load frequency control of two area microgrid using reinforcement learning controller
Trivedi et al. A multi-objective genetic algorithm for unit commitment with significant wind penetration
Somvársky et al. Economic load allocation
KR20210089029A (ko) 발전소 제어기의 제어 파라미터 튜닝 방법
Šomvársky et al. ECONOMIC LOAD ALLOCATION

Legal Events

Date Code Title Description
PC43 Official registration of the transfer of the exclusive right without contract for inventions

Effective date: 20200528