數據驅動的火力發電廠智慧AGC技術關鍵點分析

趙日曉

摘要：本文研究了智慧電廠建設中智慧AGC打造的主要核心技術，并對該核心技術研發和實施所涉及的關鍵技術點進行了深入分析。

關鍵詞：AGC;數據驅動;火力發電

中圖分類號：TM621.6 文獻標識碼：A 文章編號：1007-9416（2019）08-0187-02

0 引言

隨著包括云計算、大數據、物聯網等新一代信息技術的快速發展，工業化領域的智能化、智慧化正成為國內外技術和產業發展的主要趨勢。目前全國發電企業正在掀起建設智慧電廠的熱潮。作為智慧電廠的重要組成部分，智慧廠級負荷優化分配系統（以下簡稱S-AGC）的打造，對智慧電廠的建設具有重要意義。上線S-AGC的目的是在發電廠的整個運行時段內，在滿足電網調度系統對電源點總體負荷要求、機組環境變化及機組自身出力限制的條件下，根據各臺機組的運行特性，對各臺機組的承載負荷進行科學合理地分配，以實現機組的總體煤耗最少、對電網的負荷要求響應最快，在最大程度地提升整個發電廠整體運行水平的同時，提高電廠經濟性，降低電廠降低污染物排放和碳排放，以及提高電網電能質量。

S-AGC首先應具備廠級負荷分配特點，即電網調度部門將全廠負荷總指令下達電廠后，電廠需根據各機組實際運行情況對電網調度指令進行響應，并將響應后的機組運行數據回傳電網調度，從而完成全廠功率的閉環控制。在此基礎上，S-AGC系統還需將智能發電控制、智慧系統運行、復雜運籌管理以及與之配套的大數據計算和通訊系統等方面的技術融為一體進行綜合應用。因此系統實施將面臨諸多新問題，亟需研究和解決多項關鍵技術。這其中比較有代表性的，是煤耗計算問題和負荷分配問題。這兩方面的問題使得S-AGC系統的指令實時性和準確性不足，導致發電廠節煤量不多以及對電網的響應速度變慢，影響了系統的安全性和經濟性等指標。

1 數據驅動的煤耗建模

目前，研發及應用S-AGC系統的直接驅動力是能夠降低發電廠的供電煤耗。然而供電煤耗受到多種內外部因素的影響難于進行直接測量和建模。首先，機組的鍋爐效率、汽機熱耗以及廠用電率會影響機組煤耗;其次，機組所處的環境溫度，會影響凝汽器換熱溫差、排汽溫度及鍋爐進風溫度等，這些都會引起機組供電煤耗率變化;最后，國內發電廠多會進行配煤摻燒，鍋爐燃用煤煤種復雜多變，機組供電煤耗測量受到顯著影響[1]。因此，煤耗模型是電廠中典型的具有非線性和時變性特點的參數，通過傳統的機理建模很難得到比較準確和能獲得廣泛應用的模型。因此，需要使用數據驅動的方式進行數據建模[2]。對于在役機組，數據建模的具體過程為：

（1）數據獲取。從DCS歷史庫數據庫獲得包括不同機組負荷、環境溫度和煤種煤質狀態下的運行數據，以及現有的煤耗計算值。（2）數據預處理。通過穩定性判斷去除原始數據中的不穩定數據，在保證樣本多樣性的前提下，刪減近似數據，建立出樣本數據庫。（3）數據挖掘。依據不同環境溫度以及煤種煤質進行劃分，借助大數據分析方法，進行數據挖掘，獲取不同負荷工況下的煤耗。（4）模型建立。將數據挖掘結果作為訓練樣本，采用機器學習方法建模，建立包括機組負荷、環境溫度、煤種煤質等數據與煤耗的多維模型。（5）模型完善。考慮將煤種特性、配煤特性、運行操作習慣、甚至二次潮流模型等納入總體模型，使用貝葉斯分析等數學工具獲取模型與這些特性的概率相關特性，進一步提高煤耗模型精度。（6）模型應用。煤耗特性模型添加到負荷優化調度軟件中，便于實際工程中調用。

通過數據驅動的方式獲得的煤耗模型的重要優勢在于，模型可以在線進行更新。這就要求在模型建立之初，考慮大數據與深度學習的模型框架，以應對機組自身煤耗特性的時變特性，使得AGC系統能夠時時能夠獲取最準確的煤耗數據，這也是S-AGC所應具備的核心功能模塊。在線更新能耗特性曲線時，同時考慮以下幾點：

（1）穩態判別。由于機組運行穩態過程中所記錄的實時和歷史數據才具有參照意義和處理價值，這就需要在能耗實時更新模塊中嵌入穩態數據的判別程序。（2）更新間隔。為了減輕軟件的運算量和處理器的負荷率，設定合適的更新計算模塊啟動時間間隔。（3）算法選擇。數據更新的算法需具備深度學習能力，在保證數據更新穩定性的同時，使算法本身能夠不斷演進。

2 數據驅動的負荷優化分配

獲取到優質的機組煤耗模型后，就可以進行全廠所有機組的負荷優化分配工作。一般來說，評價負荷優化分配質量最重要的指標，就是發電廠的整體煤耗經濟性，也即在滿足電網電廠兩側諸多運行約束的條件下，使全廠總的供電煤耗最低。評價函數可以寫為：

min F=min（ΣF_i（P_i））? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

式中：F表示全廠機組的總供電煤耗;Pi表示第i臺機組的有功功率指令，為優化目標的第i個搜索變量;Fi（Pi）表示第i臺機組的供電煤耗，反應機組在穩定運行狀態下，其與輸出功率Pi間存在對應關系，也就是機組煤耗模型的具體數學表達，MW。

除了考慮經濟性，負荷響應的快速性也至關重要。由于用戶用電具有隨機性、和不可預見性等特點，為保證整體電網運行的平穩可靠，發電企業需要在電網調度指令的要求下對發電機組的輸出負荷進行實時調整。這就要求在對全廠機組進行負荷優化分配時，將負荷響應時間考慮在內，也即具備快速響應特性。數據驅動的機組變負荷分配優化在這方面擁有重要優勢。因為快速響應特性具有較為明確的數學模型。總的來說，當電網調度向發電廠下達負荷指令后，發電廠每臺機組都要向負荷指令方向（也即“增”或者“減”）進行負荷調整，直至整個電廠完成調度指令任務。這是因為，每臺機組的負荷調整速率相對固定，只有當所有機組均在向著負荷指令方向進行調整，才能保證負荷調整期間全場瞬時負荷調整速率最大，從而保證負荷響應時間最短。

在考慮全廠機組負荷分配的經濟性以及快速性的基礎之上，在滿足電廠環保指標的條件下，還需將機組啟停時間、安穩運行特性、主要輔機啟停節點、設備損耗、廠用電率等方面的指標納入目標評價函數[3]，進行多個目標的全面優化，多目標優化函數向量表達式為：

opt F（P）=[F₁（P），F₂（P），…，F_m（P）]T? ? ? ? ? ? ? ? ? ? ?（2）

多目標優化模型求解方面，由于單元機組優化的解決方案是一個高維，非凸的，離散的，非線性的問題，很難找到一個最佳理論解。隨著大數據、深度學習以及智能優化理論等科學技術的不斷發展，禁忌（免疫）搜索算法、模擬退火算法、遺傳算法、神經網絡、粒子群算法等正逐漸被應用于電廠機組負荷優化分配問題以及其它工業優化控制領域，這些智能算法的不斷完善和應用，將為負荷分配模型的求解提供愈加有力的支撐。

3 結語

總之，在發電廠的生產實踐中，由于純粹的數據驅動建模和純粹的理論建模均難以有效解決復雜的生產問題，這些問題的解決還需數據科學和相關控制理論的不斷發展才能進行有效推動。

參考文獻

[1] 王歡.復雜煤種下的大型電廠廠級AGC綜合節能優化[D].浙江大學，2016.

[2] 崔樂樂.火電廠廠級AGC系統的研究[D].蘭州理工大學，2014.

[3] 王治國.基于SIS平臺的廠級負荷優化分配系統研究[D].華北電力大學，2006.

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，Beijing? 100040）

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.

Key words：AGC;data-driven;thermal power generation