基于遗传算法的燃气分布式能源系统负荷优化分配

2018-04-28柳玉宾阙亚卫吴政华孔飞孙思宇王恒涛刘洁陆永卿刘庆阳

综合智慧能源 2018年3期

柳玉宾，阙亚卫，吴政华，孔飞，孙思宇，王恒涛，刘洁，陆永卿，刘庆阳

(1.中国华电集团科学技术研究总院有限公司，北京 100070； 2.上海华电集科分布式能源有限公司，上海 200120)

0 引言

随着我国经济发展转型的逐渐深入，能源短缺、环境污染等问题与国家经济发展之间的矛盾日益突出，如何在提高能源利用效率的同时大大减少环境污染已成为目前能源发展的重要方向之一，燃气分布式能源的出现有效地解决了上述问题。燃气分布式能源是指分布在用户端的能源综合利用系统，以天然气为主要驱动能源，以冷、热、电联供技术为基础，实现直接满足用户多种需求的能源梯级利用，是高效、清洁、灵活的供能系统[1-3]。然而，在燃气分布式能源系统的实际运行过程中，由于负荷多变，常常需要调整机组的运行方式。燃气分布式能源机组的负荷分配大多依靠人为操作，为了快速响应负荷，运行人员往往凭经验调整运行方式，而没有详细考虑能源站的经济性、能源利用效率等，难以达到负荷的最优分配。如果对能源站各机组负荷进行优化分配，并提高负荷分配的科学性，就能够明显提高其运行的经济性[4-5]。负荷优化分配是能源系统经济、安全运行的一项重要工作，其目的是在满足系统运行约束条件的基础上合理分配各机组负荷，使得分布式能源站经济效益最大化[6-7]。

燃气分布式能源站负荷分配优化研究工作主要分为两个部分，一是建立准确的机组特性曲线模型，二是建立机组智能负荷分配模型。本文将研究不同冷、热负荷情况下，各机组间的负荷优化分配问题。针对上海某校园的燃气分布式能源站的能源结构，通过现场数据采集与曲线拟合相结合的方法，基于曲线学习与在线修正算法建立每台机组不同冷、热、电负荷时的特性曲线模型。在所建立特性曲线模型的基础上，以利润最大化为目标建立负荷优化分配模型，通过遗传算法求解冷、热、电负荷分配方式，从而使能源站的经济效益最优，同时达到节约能源的目的。

1 燃气分布式能源站概况

上海某校园燃气分布式能源站以3台燃气内燃机匹配3台烟气热水溴化锂机组作为供冷热负荷的主力机型，同时配置3台离心式电制冷机组、2台螺杆式电制冷机组和3台燃气真空锅炉作为冷热负荷及热水调峰设备，设备主要性能指标见表1。燃气内燃机发电除自用外全部上网，燃气内燃机的高温烟气进入烟气热水溴化锂机组实现制冷、采暖。在内燃机开机的情况下，制冷(或采暖)优先采用余热，不足部分根据负荷开启电制冷机组或燃气真空锅炉。

为了实现能源站冷热电负荷的优化分配，利用现有的资源，研究开发出一套适合该能源站实际情况的智能决策优化系统(iDOS)，优化模型框架如图1所示。iDOS的数据采集模块从能源站的分散控制系统(DCS)上获取机组的运行参数和负荷信息，对运行参数进行性能计算，基于机组特性学习模块，得到机组的运行特性曲线，通过优化算法计算得到最优的负荷分配结果，并将该结果通过DCS下达到机组，从而完成闭环控制，由此实时完成对能源站的负荷分配任务，对提高能源站运行的经济性、节能降耗具有重要意义。

表1 分布式能源站主机性能指标

图1 能源站优化模型框架

2 能源站冷热电负荷分配的建模分析

2.1 机组特性建模

对能源站各类供能设备的输入输出关系进行建模，本文采用函数曲线模型描述，建模如下(其中i用于对机组进行索引)。

(1)内燃机-溴化锂机组模型(以右上角编号为1标志)。

发电曲线：ei1=Ei1(gi1) ，

制热曲线：wi1=Wi1(ei1)，ci1=0 ，

制冷曲线：wi1=0，ci1=Ci1(ei1) ，

式中：gi1为第i台内燃机所消耗的天然气量；ei1为第i台内燃机的发电功率；wi1为第i台溴化锂机组的制热负荷；ci1为第i台溴化锂机组的制冷负荷；Ei1为燃气内燃机发电曲线；Wi1为烟气热水溴化锂机组制热曲线；Ci1为烟气热水溴化锂机组制冷曲线。

(2)燃气真空锅炉模型(以右上角编号为2标志)。

制热曲线：wi2=Wi2(gi2) 。

(3)电制冷机组模型(以右上角编号为3标志，制冷量包括离心式制冷机和螺杆式制冷机)。

制冷曲线：ci3=Ci3(ei3) 。

2.2 机组特性曲线学习

机组特性模型包括燃气内燃机发电曲线Ei1、烟气热水溴化锂机组制冷曲线Ci1、烟气热水溴化锂机组制热曲线Wi1、燃气真空锅炉制热曲线Wi2、电制冷机制冷曲线Ci3。所有特性曲线均采用实际数据进行曲线学习，即通过DCS实时获取各机组的进、出口参数，实时绘制输入、输出参数曲线，并通过指数滤波的方式进行曲线平滑。经过一段时间的运行，就会逐渐形成机组特性的曲线模型，如图2所示。

图2 机组特性模型框架

2.3 负荷优化分配数学模型

根据能源站工艺流程，建立全局优化问题模型，以能源站综合毛利润F最大为目标函数。

(1)

等式约束条件为：

(2)

(3)

不等式约束条件为：

(4)

(5)

(6)

(7)

表2 机组负荷优化分配结果

(8)

2.4 遗传算法

鉴于以上优化问题中的特性曲线为数据模型，并无显式函数表达式，无法通过普通直接求解的方法进行求解，因此本文采用遗传算法进行求解。

遗传算法是建立在自然选择和群体遗传学机理基础上的、具有广泛适用性的随机、迭代、进化搜索算法。遗传算法的基本过程可描述为：初始化一群个体组成的种群P(t)(t代表遗传代数)，每一个体均代表问题的一个潜在的解，即一种负荷分配方案，每一个体按照一定标准评价优劣，选择能源站的经济效益作为其适应值，适应值越大该方案越优，其被选中的概率越大；被选中的某些个体经过交叉(crossover)和变异(mutation)产生新的个体，新产生的后代个体继续被评价优劣；因适应值大的个体被选择的概率高，适应值小的个体逐渐被淘汰掉，经过无数代优胜劣汰的进化过程，种群中的个体会趋向于最优，可以认为当前最优个体即为问题的最优解[6,8]。

3 基于遗传算法的冷热电负荷分配优化

3.1 评价指标

本文中分布式能源系统负荷优化分配效果的评价指标主要是内燃机-溴化锂机组综合效率η和能源站综合毛利润F，分别通过以下公式计算得到。

(9)

(10)

式中：qV为内燃机的天然气流量；Q为天然气的低位热值。

3.2 特定工况下的负荷分配优化

利用所开发的负荷优化分配系统，以某一工况为例，该对机组的负荷进行优化分配，见表2(文中所选取的工况为夏季工况，无热负荷需求)。

由表2可以看出，优化前的运行模式是3台内燃机-溴化锂机组发电并供冷，优化后的运行模式是只有#3内燃机-溴化锂机组发电并供冷，不足的冷量由#1离心制冷机组和#1，#2螺杆制冷机组提供。优化前的供冷量为28.50 GJ/h，优化后的供冷量为28.39 GJ/h，供冷偏差小于1%，在误差允许的范围内。通过该优化系统对机组的冷、电负荷分配进行优化，在机组总的冷负荷需求不变的情况下，将冷负荷在各机组之间进行分配，使内燃机-溴化锂机组的综合效率由优化前的72.94%提升为优化后的88.32%，能源站综合毛利润由优化前的3 033元/h提升为3 465元/h，经济效益良好。

3.3 不同冷、热负荷下的分配优化

文中所选取的分布式能源站，在每年的5月至8月提供冷负荷，11月至次年3月提供热负荷，根据2016年和2017年的数据进行负荷优化，得到不同冷、热负荷下的优化结果，如图3、图4所示。

图3 不同制冷负荷下的优化结果

图4 不同制热负荷下的优化结果

图3选取了2017年5月至8月的数据，其经济效益平均提高18.24%。从图中可以看出，在冷负荷需求较低时，优化效果更为明显，而随着冷负荷需求的增大，实际运行结果与优化结果逐渐持平。这是由于在冷负荷需求较高时，内燃机-溴化锂机组基本都达到满负荷运行，不足的冷负荷需求由电制冷机组提供，优化空间较小；而在冷负荷需求较低时，可以选择的运行方式较多，运行人员通常会选择内燃机-溴化锂机组提供全部或者绝大部分冷负荷，而较少使用电制冷机组。经过负荷分配优化，从系统综合电价、冷价、制冷效率等多方面考量，可能会选择使某一台内燃机-溴化锂机组提供部分冷负荷，其余的冷负荷由电制冷机组提供，使能源站综合毛利润最高，因此负荷分配优化效果较为明显。

图4选取的是2016年11月至2017年3月的数据，其经济效益平均提高42.04%。可以看出，与冷负荷的优化结果相反，当热负荷需求较高时，优化效果明显，而随着热负荷需求的减小，实际运行结果与优化结果不相上下。这是由于在热负荷需求较低时，单台或2台内燃机-溴化锂机组能够满足用户的热负荷需求，优化空间较小；而在热负荷需求较高时，运行人员可能会启动燃气真空锅炉提供热负荷，而锅炉并未实现能源的梯级利用，其经济效益较差，从而导致能源站综合毛利润较低。而负荷分配优化通过对电价、热价、制热效率等多方面综合计算分析，得到一个使能源站综合毛利润更高的运行方式。