熱電生產的智能調控及其關鍵技術

王棟 黨海峰 夏建濤 楊寶剛 陳銘甬

(1.上海全應科技有限公司，上海 200336；2.用友網絡科技有限公司，北京 100094；3.寧波眾茂杭州灣熱電有限公司，浙江 寧波 315399)

自2020 年我國明確提出碳達峰、碳中和目標以來，學術界、工業界已經對“雙碳”目標的推進路徑進行了長足探索。在此基礎上，國家能源局于2023 年3 月發布《關于加快推進能源數字化智能化發展的若干意見》。在意見中，國家能源局明確提出要加強傳統能源與數字化智能化技術的融合，并推動能源系統智能調控技術的突破。

然而，能源智能調控技術應當如何實現尚未得到很好地解答。鑒于分布式能源背景下，我國大大小小的熱電廠足有數千家，提高熱電生產的智能調控水平既可以強化燃煤機組的節能降碳，又可以幫助探索多種能源的全局智能調控體系，并將其作為源網荷儲一體化智能調控體系的有機組成部分。

本文嘗試以熱電生產場景為應用場景，對智能調控技術的含義、應用和技術體系進行初步探討：首先，介紹熱電生產中的典型調控場景并嘗試闡述熱電生產中智能調控的含義；其次，以具體場景為例，對智能調控在熱電生產中的應用與特點加以介紹；再次，介紹工業互聯網架構對智能調控起到的決定性作用；接著，介紹一些智能調控中的重要支撐性技術；最后，對文章進行總結并展望未來智能調控技術的發展方向。

一、從熱電生產到智能調控

鑒于智能調控的含義、技術與實施路徑尚未在業界達成共識，本文首先介紹典型熱電廠在生產運行過程中遇到的若干實際需要進行調控的場景，并嘗試闡述人工智能技術與這些調控問題的契合點。

（一）熱電生產中的調控需求

熱電生產場景中的調控被認為是通過調整鍋爐、汽輪機組及相應的主輔機設備，使其在有效地響應外界需求的同時盡量保持安全、高效、環保、經濟的生產。因此，熱電生產保持平穩運行時，對調控技術的要求也較低；熱電生產發生了明顯變化時，對調控則有較高的要求。

1.負荷的大幅變化

一個典型的熱電廠需要同時考慮滿足供汽負荷的需求和供電負荷的需求。作為分布式能源的熱電廠通常承擔下游工業生產中所需過熱蒸汽的供給及用電的供給，因此下游用戶的生產狀況變化可能引發供汽負荷或供電負荷的大幅變化。這種變化通常具備某種時間上的規律，但規律并不精確。在這種狀況下，當下游負荷突然變化時，鍋爐、汽輪機組等設備需要進行短時間的大幅調節以適應負荷的改變。

2.設備運行組合的改變

熱電生產通常采用母管制連接多臺鍋爐與汽輪機組、減溫減壓器等設備。當因檢修等因素進行設備切換時，其設備的負荷分配策略也應當相應地發生變化，以維持較高的生產效率。從理論出發，當給定下游負荷時，一定存在最優的設備負荷分配方法，在滿足安全、環保生產要求的同時，其生產效率優于其他的負荷分配方法。因此，設備間的有效調控在這種場景下是具有實用價值的。

3.外界因素的影響

（1）煤炭市場的變化

作為分布式能源的熱電廠通常在煤炭市場上議價能力較低。煤炭價格和電價分別為熱電廠生產的成本和收益，當電價一段時間內維持穩定時，隨著煤炭價格的持續升高，發電的邊際收益從正值變為負值。在這種情況下，熱電廠的調控策略會發生較大的改變，比如從維持汽輪機組的高負荷生產變為盡量降低汽輪機組的發電量。

除價格的變化外，煤炭品質的變化對熱電生產的調控也有較大影響。由于難以保證煤炭來源的穩定，煤質的變化在許多熱電廠的生產過程中較為頻繁。當煤質發生變化時，通常熱電廠也需要調整鍋爐的運行策略以維持高效生產。

（2）電力市場的變化

除少數孤網運行場景外，多數熱電廠都需要與電網進行交互。此時，電網側的變化也會引起熱電生產的調控需求。

一種典型的場景是電網峰谷電的價格變動。當峰電價切換到谷電價時，熱電廠的調控策略可能也會從盡量靠自身發電滿足用電需求切換到盡量靠下網電量滿足用電需求，因為谷電價可能低于熱電廠自身發電成本。

另外一種典型的場景是電網的調度指令。電網有時可能會根據自身的平衡狀況要求熱電廠發電不得上網或者盡量令汽輪機組滿發。此時熱電廠需要通過自身的調控指令盡可能滿足電網的要求。

（3）工業蒸汽用戶的變化

典型的為工業園區提供工業蒸汽的熱電廠需要滿足下游各種各樣蒸汽用戶對蒸汽參數的要求，而下游用戶僅考慮自身需求決定生產狀況。

因此，需要考慮這樣一種情況：熱電廠的下游蒸汽用戶中存在一個用戶，該用戶對過熱蒸汽的壓力、過熱度參數要求都明顯高于其他用戶，而該用戶的生產存在明顯的晝夜節律，即白天使用大量蒸汽而夜晚沒有蒸汽需求。在這種假設場景中，熱電廠白天的調控需要盡量生產高參數等級的過熱蒸汽，而夜晚時生產較低參數等級的過熱蒸汽。

（二）人工智能視角下的熱電生產調控

1.熱電生產的控制方法

從控制論的角度來看，熱電生產的運行控制仍然遵循“感知－決策－執行”的方法論。因此，自動控制系統應當有能力在熱電生產場景中完成控制需求，且事實上自動化技術也支撐了電力系統的發展[1-3]。然而，在實際的熱電生產過程中，自動控制系統通常會面臨較大的困難，以至于幾乎無法用于實際的熱電運行控制中。

首先是熱電生產常見的母管制運行。由于下游蒸汽用戶需求的不確定性，母管制運行可以通過母管的緩沖較好地應對負荷波動。然而，母管制運行意味著自動控制系統無法忽略不同設備間的相互影響，使得設計可靠而易用的控制方案變得相當困難[4]。

其次，作為分布式能源的重要組成部分，多數熱電廠規模較小，難以維持煤種、煤質、設備狀態、工況等條件的穩定，從而令自動控制系統難以保持長時間的有效運行，且任何因素的明顯變化都可能使原本表現良好的自動控制系統失效，直到這些變化因素恢復原先的狀態。

再次，考慮到成本和收益的平衡，多數中小型熱電廠難以保證傳感器件和執行機構的良好運行。隨著時間的推移，自動控制系統無法正確地對環境進行感知，也不能保證決策結果得到良好執行，從而無法維持其控制效果。

事實上，在熱電生產中，熱電廠的管理者普遍選擇讓運行人員手動進行絕大多數場景的控制，而非盡量采用自動控制回路。在某種程度上，這種情況也可以被理解為在熱電生產場景中，人是更好的控制系統，因其在感知、決策、執行三個維度都能夠持續達到可用的狀態，同時僅需付出較低的管理成本即可。

2.智能調控技術的概念與內涵

從更長遠、更廣泛的角度來看，人并不是調控問題最終的答案。無數的事例已經證明，在高度復雜的、快速變化的場景中，一個經過精心設計、良好調試的調控系統一定遠優于人。因此，在未來的能源調控場景中，起到支撐性、決定性作用的勢必是廣泛利用數字化、智能化技術的智能調控體系。

通過觀察熱電生產場景，可以發現感知手段的變化、決策場景的多樣、執行機構的特性限制了自動控制系統的應用。然而人通常能夠較好地通過一段時間的適應達到熱電生產調控場景的要求，同時隨著經驗的積累還能夠改善自身的控制效果。

鑒于人工智能技術研究的任務就是在理解自然智能（特別是人類智能）的基礎上，創制具有一定智能水平的智能機器[5]，不妨通過借鑒人工智能技術的核心思路來構建智能調控技術。即，通過理解調控問題中的人類智能創制智能調控方法，以增強調控的效果。

然而，人工智能技術當前在電力系統中應用的主要研究熱點仍然停留在使用具體的人工智能技術解決獨立問題層面[6]，而非借鑒人工智能理念與思路創造新方法、解決新問題。因而，如何構建智能調控技術體系仍然需要長期的探索。

參考人類智能在熱電生產中調控場景的表現，智能調控技術應當達到自運行、自優化、自適應的效果。即智能調控體系運行可不依賴于人類參與，能夠根據長期的運行數據改善自身表現，并且能夠適應多樣化的運行場景。

二、熱電生產場景中的智能調控技術

（一）熱電生產場景示例

要理解智能調控技術，可以設定智能調控的運行場景，并觀察其實際表現。因此，這里首先設定一個典型的熱電生產場景，可以稱其為示例熱電廠。同時認為在示例熱電廠中，其生產調控交由智能調控技術完成。

如圖1 所示，示例熱電廠采用母管制生產方式，現有4 爐3 機運行。該熱電廠的主要業務是通過數十公里的蒸汽管網為下游工業園區提供過熱蒸汽，同時冬季承擔城市供暖的任務。因其發電量較小，電網允許其發電上網，但不計價；同時，若從電網下電，則執行工業電價，并有峰谷平的電價變化。

圖1 示例熱電廠熱力系統圖

（二）熱電生產場景中的“調”

在熱電生產過程中，智能調控技術應當實時監控生產狀況，并決策是否需要對生產進行調整。這種調整既包括生產狀況穩定時對各個設備的調節，也包括生產需要發生明顯變化時對不同設備的調度。綜合來看，可以將這種“調”類問題視為在各類生產狀況中對控制方向和控制目標進行決策。

1.生產狀況穩定時的調節

當示例熱電廠的負荷相對穩定時，其生產狀況也較為穩定。此時熱電廠的運行目標主要是通過持續調節令生產運行處在安全、環保的狀態下，并盡量令收益最大化。此時，智能調控技術應當持續、實時地對生產進行小幅調節，從而令生產始終處于較為高效的場景。

例如，隨著外界環境溫濕度的變化，煤倉中的煤炭顆粒也會緩慢發生相應的變化，因此入爐煤的狀態也會隨時間發生小幅改變（如濕度增加）。這時，智能調控系統可以通過傳感器數據感知燃燒狀況的變化（如流化床鍋爐床溫在數分鐘內持續降低），并進一步結合環境信息及先驗知識對可能的變化原因進行認知。當認識到可能是入爐煤濕度增加時，智能監控技術可以根據上煤的歷史狀況、煤的消耗速率、近期的環境濕度等信息預判接下來一段時間煤的濕度變化以及對流化床鍋爐燃燒造成的影響。同時，智能監控技術可以在此基礎上尋找可能的調整策略（例如是否需要降低一次風量、降低床料厚度以維持有利于燃燒的較高床溫），并預判調整對鍋爐的有利影響和不利影響，最終做出最優決策，決定如何進行調節。

2.生產狀況變化時的調度

下游用戶對過熱蒸汽需求的大幅變化顯然會影響示例熱電廠的生產。在這種變化過程中，示例熱電廠的優先目標是維持過熱蒸汽的供需平衡，同時在該目標的基礎上盡量保持生產的安全、高效、環保。

不妨考慮其中一個典型場景：在工作日早上的上班時間前后，下游工業用戶的產線陸續開啟，對過熱蒸汽的需求持續大幅增加。由于這種負荷的變化速率可能超過鍋爐的響應速率，因此不做額外設計，僅靠壓力的反饋信號進行調控是難以達到調控需求的。

由于這種變化是可解釋、可預估的，因此智能調控技術有能力從下游用戶的歷史消費數據中挖掘信息，并結合一些先驗信息，如根據當年假日信息等對下游的負荷變化的時間、速率、總量建立概率分布模型。在對未來進行預判的基礎上，結合實時的流量變化和設備運行情況，智能監控技術應當時刻修正自身對現狀的認知和對未來的預估，并綜合決定如何對設備運行進行調度。

在示例熱電廠的生產過程中，一種可能的狀況如下所述。智能調控技術首先在早上下游負荷提升前約半小時，根據歷史運行數據和當天的先驗信息，判斷應該持續平穩增加鍋爐出力從而提高管網壓力水平，并且增加凝汽式汽輪機組的凝汽量。當下游負荷開始升高時，鍋爐出力仍然保持持續小幅增加，并且逐漸通過降低凝汽式汽輪機組的凝汽量來增加其抽汽量用于下游供汽，最終過渡至高負荷下的穩定生產狀態。在整個變化過程中，智能調控技術維持了整體變化過程盡量平穩，以保證生產過程的安全環保，避免了快速改變設備出力帶來的生產效率損失，并且通過調度各個設備的響應節奏來保證整體生產的高能效。實際上，上述調控方式和現實中運行人員的調控方式是類似的，但智能調控技術可以通過更準確的時機判斷、更量化的預測能力、更有效的調度分配實現更加安全、更加環保、更加高效的調控效果。

（三）熱電生產場景中的“控”

在熱電生產過程中，智能調控技術應當有能力對生產系統進行穩定控制，以達到其控制目標。從控制論的角度出發，控制目標的實現仍然遵循“感知－決策－執行”的方法論，并且人工智能思想可以在其中作出重要貢獻。

1.生產狀況穩定時的控制

當生產狀況趨于平穩時，影響完成控制任務的因素主要來源于整個生產環境中的自然變化。以主汽母管的壓力控制為例，智能調控技術的運行過程如下所述。

智能調控技術可以實時對主汽母管的蒸汽壓力數據進行監控，并預測對鍋爐、汽輪機組可能產生的調整對主汽壓力的影響。當獲取所有可能的調整對主汽壓力走勢的預估時，智能調控技術可以綜合考慮對設備壽命的影響、對環保的影響、對能效的影響，以及對上下游其他設備造成的影響，最終得到最優的調整方法，并將合適的操作指令發送給具體設備的控制機構以完成控制操作。

2.生產狀況變化時的控制

當生產狀況發生比較明顯的變化時，智能調控技術需要更多地考慮變動對控制效果造成的影響，并且執行合適的運行操作以完成控制目標。

與生產狀況較為穩定時類似，智能調控技術仍然可以在生產狀況發生變化時根據已知的信息和模型對未來可能的發展進行預測。

同時，煤質改變、下游負荷變化等一些不確定性的變化會使智能調控技術對未來的預測不夠準確。因此，相比于預測準確時的最優發展，在生產狀況變化時智能調控技術需要花費更多的精力考慮預測失效甚至與實際發展背道而馳時，控制目標是否還能夠被完成。

一種可行的思路是：既然生產的變化具備不確定性，且任意時刻的控制效果都與先前一段時間的控制決策相關，則智能調控技術應該使用“留有余地”的控制方式，即通過修改最優化問題的定義，將控制決策視為在時間軸上持續控制決策的組合，所求的是控制決策組合的最優，而不是單次控制決策的最優。

（四）智能調控技術的核心思路

綜合不同調控場景下智能調控技術的表現，可以將智能調控技術的核心思路總結如下。

首先，智能調控技術應當具有對歷史數據進行學習的能力。通過對長期歷史數據、近期歷史數據的分析和挖掘以及基于機理的先驗知識，智能調控技術應當能夠建立對設備狀態、運行規律等信息的認知。

其次，基于不斷學習產生的認知，并結合實時數據，智能調控技術應當能夠建立符合機理的、對當前情況的正確感知和理解；可以分析當前正在發生的情況；判斷發生該情況的可能原因以及接下來可能的發展。

再次，智能調控技術應當可以判斷所有可執行的操作，并對這些操作可能產生的影響進行預估，在此基礎上選擇最優的操作作為決策。

最后，智能調控技術應當能夠根據所做的決策進行盡量精準地執行。應當注意到，執行操作是否可在各種場景下被相對準確地完成，實際上在做決策的時候就已經被納入考慮。同時，在部分設備條件較差場景下執行操作的不確定性也應當在決策時考慮其產生的可能影響。

基于以上認識，智能調控技術的核心流程應如圖2 所示。智能調控技術應當能夠利用歷史數據進行建模并在線更新模型；應能夠利用實時數據和既有模型進行現狀感知、預測未來和產生決策；應能夠根據現實狀況產生合適的控制指令以完成控制閉環。

圖2 智能調控技術核心流程示意圖

三、工業互聯網架構對智能調控技術的支撐作用

智能調控技術通過實時感知熱電廠的各類數據，并基于模型預測結果進行實時決策。顯然，智能調控技術中的計算屬于實時計算的范疇，對網絡延遲和網絡中斷有天然的敏感性。同時，為了更準確、更全面地形成對生產狀況的認知，智能調控需要分析大量的實時與歷史生產數據。這種計算屬于大數據處理計算的范疇，對海量的數據處理和強大的算力有天然的敏感性。

智能調控技術既需要實時產生計算結果，又需要對海量數據進行處理。借鑒已有工業場景中使用邊緣計算的經驗[7-8]可以明確，智能調控的這種特性決定了其只有采用云邊端的工業互聯網架構才能有效落地。

（一）基于云-邊-端的工業互聯網架構

工業互聯網平臺在使云側、邊緣側、終端的有機結合的同時滿足了實時計算和海量數據處理的需求，其在智能調控技術中的關鍵架構如圖3 所示。

圖3 用于智能調控的工業互聯網架構示意圖

其中，云側借助云計算、大數據等底層技術提供的強大存儲和算力，運行離線的數據分析、模型構建等大規模計算任務。同時，邊緣側憑借更低的網絡延遲、更穩定的局域網絡等優點，進行實時控制，確保在發生任何互聯網異常時均能實時控制熱電廠各類設備，做到熱電廠自動控制穩定運行。最后，熱電廠的工作人員通過智能看板、手機、電腦等終端，隨時隨地感知電廠的工作情況，做到數字化的運行和管理。

（二）邊緣自治

智能調控技術自運行的特性決定了其對安全性的高要求。若網絡延遲、中斷等情況導致決策結果不夠及時有效，則調控效果也無法得到保證，甚至可能產生極大的安全問題。

因此，邊緣側必須具有邊緣自治的能力，即邊緣端具有獨立運行智能調控系統的能力，不受短時間網絡波動的影響。為了實現邊緣自治的能力，智能調控系統需要在邊緣側緩存必要的各類數據和程序，并且具有完整的感知、決策、執行的能力，從而確保其在脫離互聯網情況下仍然能夠保持很長一段時間的正常運行，直至足以安全退出。

（三）云邊協同

雖然邊緣側可以獨立運行智能調控系統并完成智能調控，但邊緣側計算能力、存儲能力的不足使邊緣側難以獨立完成自優化、自適應的要求。

因而，需要設計有效的云邊協同策略，在云側對海量數據進行處理、分析和挖掘，始終保持數據中隱含的熱電生產規律變化可以及時地被獲取，并令模型、策略等隨時間變化的信息與熱電生產現場同步。云邊協同策略可以把最有效的、最實時的更新信息同步到邊緣側，確保邊緣側的智能調控系統準確地感知現場生產狀況，并做出有效的決策。

四、熱電生產運行智能調控中的其他關鍵技術

（一）歷史數據挖掘

數據挖掘技術可以在熱電場景中體現重大價值，但尚未得到足夠的重視[9]。基于大量的傳感器累積數據，智能調控技術可以通過分析和挖掘這些數據來獲取一些先驗信息，從而幫助建立對實時情況的認知。因此，數據挖掘技術可以有效支撐智能調控技術。

1.面板數據挖掘

面板數據挖掘指忽略數據間的時序聯系，將不同時間發生的數據平等看待，并利用數據挖掘技術從中獲取有用信息。通過對面板數據的挖掘，可以對比歷史運行中不同參數下各設備的能效狀況從而確定合適的運行參數，可以分析數據間的相關關系，從而避免無效決策等。

2.時序數據挖掘

時序數據挖掘指通過觀察數據隨時間的變化規律，挖掘出數據中蘊含的有用信息。例如，通過在時間序列上對熱電生產數據進行挖掘，發現熱電生產隨時間變化的規律，從而判斷有些歷史規律是否在近期已經失效，并發現新的規律等。

（二）軟測量

智能調控技術的感知、決策、執行都要在數據的基礎上進行。然而，由于測量技術的約束，部分重要的數據無法直接甚至無法間接地被測量。這時可以利用軟測量技術對數據進行補充，以更好地支撐智能調控技術，如燃料軟測量[10]、氧量軟測量[11]等。參考智能調控技術的核心思路，這種軟測量方法通常不必盡善盡美，只需獲取比人類感知和推斷更為準確、能夠支撐智能調控技術進行有效感知和認知即可。

（三）工業場景建模

智能調控技術產生決策時需要依賴對未來的預測，因此便需要盡量準確的模型。現有的仿真建模技術和機器學習技術均可以作為智能調控技術的支撐。

1.仿真建模

系統、模型、仿真三個概念是一根鏈條上的三個環節，對它們的研究是一個工作程序的三個步驟[12]。仿真建模方法論通常通過數學建模的方式依照工業機理建立底層物理過程的模型，然后通過建模方法構建基于這些小模型的仿真模型。這種方法通常需要比較大的工作量，同時其保真度也比較高。

2.機器學習

機器學習技術通過數學方法，基于訓練數據建立符合數據概率分布的機器學習模型，并有能力在此基礎上進行有效預測。機器學習技術作為人工智能的重要技術之一，在過去的若干年內呈現出巨大的潛力，同時也在許多工業場景中取得了成功。此外，其受數據的噪聲影響非常大，因此在智能調控技術中使用機器學習時，需要考慮其適用性。

（四）智能決策

智能決策，即使用人工智能技術解決決策問題。顯然，智能決策技術是智能調控技術“決策”步驟中的支撐性技術。在模型足夠準確的情況下，智能調控技術可以對當前情況精確感知并對未來發展做出足夠準確的預測時，決策問題可以退化為最優化問題。而生產過程中的不確定性增強勢必需要進行更仔細的決策方法設計。關于這方面的研究便可以歸于智能決策領域。

五、總結與展望

隨著數字化、智能化技術的發展，能源的智能調控技術也有了堅實的技術支撐。熱電聯產作為分布式能源的典型代表，也是能源戰略和“雙碳”目標的重要組成部分。本文以熱電聯產場景為基礎，嘗試對智能調控技術的概念、應用及相關的支撐性技術加以探討，并期望以此為基礎探索完整能源生產利用場景中的智能調控技術。本文所述的理念、方法已經在若干熱電聯產的場景中進行了初步驗證，呈現出了令人欣喜的效果。隨著文中所述技術的發展以及這些技術在智能調控領域中的深入應用，智能調控技術必將在不遠的未來更加成熟并得到廣泛應用。