数据驱动的发电厂煤耗建模与负荷优化分配

发电论文第六篇：数据驱动的发电厂煤耗建模与负荷优化分配

　　摘要：本文研究了智慧电厂建设中智慧AGC打造的主要核心技术,并对该核心技术研发和实施所涉及的关键技术点进行了深入分析。

　　关键词：AGC;数据驱动;火力发电;

　　Key Points Analysis of Data-Driven Intelligent AGC Technology in Thermal Power Plants

　　ZHAO Ri-xiao

　　Research Institute of Thermal Power Generation Technology,China Datang Group Science and Technology Research Institute Limited

　　Abstract：This paper studies the main core technology of building intelligent AGC in the construction of intelligent power plant, and deeply analyses the key technologies involved in the development and implementation of the core technology.

　　0 引言

　　随着包括云计算、大数据、物联网等新一代信息技术的快速发展,工业化领域的智能化、智慧化正成为国内外技术和产业发展的主要趋势。目前全国发电企业正在掀起建设智慧电厂的热潮。作为智慧电厂的重要组成部分,智慧厂级负荷优化分配系统(以下简称S-AGC)的打造,对智慧电厂的建设具有重要意义。上线S-AGC的目的是在发电厂的整个运行时段内,在满足电网调度系统对电源点总体负荷要求、机组环境变化及机组自身出力限制的条件下,根据各台机组的运行特性,对各台机组的承载负荷进行科学合理地分配,以实现机组的总体煤耗最少、对电网的负荷要求响应最快,在最大程度地提升整个发电厂整体运行水平的同时,提高电厂经济性,降低电厂降低污染物排放和碳排放,以及提高电网电能质量。

　　S-AGC首先应具备厂级负荷分配特点,即电网调度部门将全厂负荷总指令下达电厂后,电厂需根据各机组实际运行情况对电网调度指令进行响应,并将响应后的机组运行数据回传电网调度,从而完成全厂功率的闭环控制。在此基础上,S-AGC系统还需将智能发电控制、智慧系统运行、复杂运筹管理以及与之配套的大数据计算和通讯系统等方面的技术融为一体进行综合应用。因此系统实施将面临诸多新问题,亟需研究和解决多项关键技术。这其中比较有代表性的,是煤耗计算问题和负荷分配问题。这两方面的问题使得S-AGC系统的指令实时性和准确性不足,导致发电厂节煤量不多以及对电网的响应速度变慢,影响了系统的安全性和经济性等指标。

　　1 数据驱动的煤耗建模

　　目前,研发及应用S-AGC系统的直接驱动力是能够降低发电厂的供电煤耗。然而供电煤耗受到多种内外部因素的影响难于进行直接测量和建模。首先,机组的锅炉效率、汽机热耗以及厂用电率会影响机组煤耗;其次,机组所处的环境温度,会影响凝汽器换热温差、排汽温度及锅炉进风温度等,这些都会引起机组供电煤耗率变化;最后,国内发电厂多会进行配煤掺烧,锅炉燃用煤煤种复杂多变,机组供电煤耗测量受到显著影响[1]。因此,煤耗模型是电厂中典型的具有非线性和时变性特点的参数,通过传统的机理建模很难得到比较准确和能获得广泛应用的模型。因此,需要使用数据驱动的方式进行数据建模[2]。对于在役机组,数据建模的具体过程为:

　　(1)数据获取。从DCS历史库数据库获得包括不同机组负荷、环境温度和煤种煤质状态下的运行数据,以及现有的煤耗计算值。(2)数据预处理。通过稳定性判断去除原始数据中的不稳定数据,在保证样本多样性的前提下,删减近似数据,建立出样本数据库。(3)数据挖掘。依据不同环境温度以及煤种煤质进行划分,借助大数据分析方法,进行数据挖掘,获取不同负荷工况下的煤耗。(4)模型建立。将数据挖掘结果作为训练样本,采用机器学习方法建模,建立包括机组负荷、环境温度、煤种煤质等数据与煤耗的多维模型。(5)模型完善。考虑将煤种特性、配煤特性、运行操作习惯、甚至二次潮流模型等纳入总体模型,使用贝叶斯分析等数学工具获取模型与这些特性的概率相关特性,进一步提高煤耗模型精度。(6)模型应用。煤耗特性模型添加到负荷优化调度软件中,便于实际工程中调用。

　　通过数据驱动的方式获得的煤耗模型的重要优势在于,模型可以在线进行更新。这就要求在模型建立之初,考虑大数据与深度学习的模型框架,以应对机组自身煤耗特性的时变特性,使得AGC系统能够时时能够获取最准确的煤耗数据,这也是S-AGC所应具备的核心功能模块。在线更新能耗特性曲线时,同时考虑以下几点:

　　(1)稳态判别。由于机组运行稳态过程中所记录的实时和历史数据才具有参照意义和处理价值,这就需要在能耗实时更新模块中嵌入稳态数据的判别程序。(2)更新间隔。为了减轻软件的运算量和处理器的负荷率,设定合适的更新计算模块启动时间间隔。(3)算法选择。数据更新的算法需具备深度学习能力,在保证数据更新稳定性的同时,使算法本身能够不断演进。

　　2 数据驱动的负荷优化分配

　　获取到优质的机组煤耗模型后,就可以进行全厂所有机组的负荷优化分配工作。一般来说,评价负荷优化分配质量最重要的指标,就是发电厂的整体煤耗经济性,也即在满足电网电厂两侧诸多运行约束的条件下,使全厂总的供电煤耗最低。评价函数可以写为:

　　式中:F表示全厂机组的总供电煤耗;Pi表示第i台机组的有功功率指令,为优化目标的第i个搜索变量;Fi(Pi)表示第i台机组的供电煤耗,反应机组在稳定运行状态下,其与输出功率Pi间存在对应关系,也就是机组煤耗模型的具体数学表达,MW。

　　除了考虑经济性,负荷响应的快速性也至关重要。由于用户用电具有随机性、和不可预见性等特点,为保证整体电网运行的平稳可靠,发电企业需要在电网调度指令的要求下对发电机组的输出负荷进行实时调整。这就要求在对全厂机组进行负荷优化分配时,将负荷响应时间考虑在内,也即具备快速响应特性。数据驱动的机组变负荷分配优化在这方面拥有重要优势。因为快速响应特性具有较为明确的数学模型。总的来说,当电网调度向发电厂下达负荷指令后,发电厂每台机组都要向负荷指令方向(也即“增”或者“减”)进行负荷调整,直至整个电厂完成调度指令任务。这是因为,每台机组的负荷调整速率相对固定,只有当所有机组均在向着负荷指令方向进行调整,才能保证负荷调整期间全场瞬时负荷调整速率最大,从而保证负荷响应时间最短。

　　在考虑全厂机组负荷分配的经济性以及快速性的基础之上,在满足电厂环保指标的条件下,还需将机组启停时间、安稳运行特性、主要辅机启停节点、设备损耗、厂用电率等方面的指标纳入目标评价函数[3],进行多个目标的全面优化,多目标优化函数向量表达式为:

　　多目标优化模型求解方面,由于单元机组优化的解决方案是一个高维,非凸的,离散的,非线性的问题,很难找到一个最佳理论解。随着大数据、深度学习以及智能优化理论等科学技术的不断发展,禁忌(免疫)搜索算法、模拟退火算法、遗传算法、神经网络、粒子群算法等正逐渐被应用于电厂机组负荷优化分配问题以及其它工业优化控制领域,这些智能算法的不断完善和应用,将为负荷分配模型的求解提供愈加有力的支撑。

　　3 结语

　　总之,在发电厂的生产实践中,由于纯粹的数据驱动建模和纯粹的理论建模均难以有效解决复杂的生产问题,这些问题的解决还需数据科学和相关控制理论的不断发展才能进行有效推动。

　　参考文献

　　[1]王欢.复杂煤种下的大型电厂厂级AGC综合节能优化[D].浙江大学,2016.

　　[2]崔乐乐.火电厂厂级AGC系统的研究[D].兰州理工大学,2014.

　　[3]王治国.基于SIS平台的厂级负荷优化分配系统研究[D].华北电力大学,2006.