燃气-蒸汽联合循环机组厂级负荷分配研究

2020-09-01孙达康

能源研究与利用 2020年4期

孙达康

（南京华盾电力信息安全测评有限公司，南京 211106）

随着可再生能源发电并网比例的增加，电网调峰任务不断加剧，燃气-蒸汽联合循环热电联产机组一方面需要参与电网调峰运行，频繁快速地调节电负荷；另一方面，仍承担着厂区附近工业热负荷供给的任务，特别是在供热采暖期需要根据热用户需求进行热负荷实时调整[1]。因此，需要确立一套合理的优化方法，指导燃气-蒸汽联合循环热电联产机组热电负荷分配与优化。

电厂长时间以来在分配机组间负荷时，一般给发电效率较高的机组分配较多负荷，或是将负荷平均分配给厂内各个机组，这样的负荷分配方式一般情况下不是最科学和经济的。虽然，电厂可以通过技术改造和提高机组设备性能的方式来提高整体经济运行水平，但是这样的方法经济成本太高，通过优化负荷分配方式来提高机组经济运行水平是性价比最高的方法。

机组在热电负荷调整过程中，其气耗率会发生变化，因此，在对每台机组进行负荷分配的过程中，应该考虑每台机组的能耗特性水平，建立考虑机组经济成本优化模型[2]。燃气电厂降低气耗量，即在发出相同电量的情况下消耗更少的天然气燃料，意味着在不影响产出的情况下降低电厂生产运行成本，可以有效增强电厂的市场竞争力。在全厂负荷一定的条件下，优化机组间的负荷分配，在保证机组安全稳定运行的同时，可以使电厂的气耗量降到最低，促进发电企业节能降耗，提高其市场竞争力，这样既满足了国家节能减排和可持续发展的战略要求，又能适应电力生产市场化的策略[3-5]。另外，为了实现负荷的在线优化分配，需要选择一种高效和快速的优化算法，及时响应负荷指令并准确进行机组间负荷调整，从而实现全厂总运行最低成本的目标。

针对此类问题，国内外学者进行了广泛深入的研究，提出了动态规划法[6]、等微增率法[7]、拉格朗日松弛法[8]和优先次序法[9]等传统方法，以及粒子群[10]、免疫算法[11]和遗传算法[12]等智能化方法。这些方法都有各自的优势和改进的空间[13]，既可以对传统算法增加约束条件，在保证其快速性的同时增加其适用范围；也可以进一步优化智能算法，更多地结合现场情况，尽可能地提高其快速性以及准确性[14]。

本文针对燃气热电厂实际的运行情况，首先依据机组性能试验数据建立线性回归模型，建立机组在不同热负荷工况下的负荷可调区间，保证机组热电负荷的安全调整；其次，将厂级热电负荷分配问题抽象成一个多目标多约束的规划问题，选取遗传算法对优化模型进行求解，保证在安全调整范围内机组实现经济运行；最后用机组实际运行验证了工程应用效果。

1 基于安全性的热电负荷可调区间的确定

在进行热电负荷调整时，无论是调峰运行还是寻求成本最低的热电负荷最优值，热电负荷的变动需要在安全范围内。因此，依据机组性能试验数据建立线性回归模型，建立机组在不同热负荷工况下的负荷可调区间。保证机组热电负荷的安全调整。线性回归模型形式如公式（1）所示：

式（1）中，X1为低压供热，范围为0～180 t/h；X2为中压供热，范围为0～37.5 t/h；y（W,X）为机组供热总量；W0、W1和W2为线性方程回归系数。

为了提高回归模型的精度，根据供热参数实测数据，对中、低压供热量进行工况划分，在每个工况内分段拟合，共设计11个工况。它们分别是：（0＜X1＜60，0＜X2＜10）、（60＜X1＜120，0＜X2＜10）、（120＜X1＜180，0＜X2＜10）、（0＜X1＜60，10＜X2＜25）、（60＜X1＜120，10＜X2＜25）、（120＜X1＜180，10＜X2＜25）、（0＜X1＜60，25＜X2＜37.5）、（60＜X1＜120，25＜X2＜37.5），（120＜X1＜180，25＜X2＜37.5）、（0＜X1＜180，X2=0）、（X1=0，0＜X2＜37.5）。

2 基于运行成本最低的热电负荷最优值的确定

在实际运行中，机组的热电负荷在安全范围内调整的前提下，如何在不同机组间分配不同比例的热电负荷从而使整体运行成本达到最低，这里的运行成本应充分考虑燃气-蒸汽联合循环热电联产机组的经济成本和环保成本两方面因素，因此，可以将厂级热电负荷分配问题抽象成一个多目标多约束的规划问题。选择合适的寻优算法对该问题进行求解，从而实现燃气-蒸汽联合循环热电联产机组厂级热电负荷的优化分配，进一步降低机组的运行成本。

在模型建立前，需要做出以下合理假设条件：在负荷分配过程中，只考虑气耗成本，而不考虑其它成本；同一机组的气耗与热和电负荷的关系模型在相同边界条件下视为固定；电负荷分配只考虑不同机组间燃气-蒸汽联合循环热电联产机组的总输出功率的分配，而不考虑同一机组燃气轮机和蒸汽轮机各自的输出功率分配；不同机组消耗的天然气单价相同；不用机组输送给电网的电负荷单价相同；不同机组输送给热网的热负荷单价相同。因此，建立的寻优模型如公式（2）所示：

式（2）中，W是指电厂单位时间段内的总收益，元；Ei是指电厂第i台机组的电负荷，MW；Hi是指电厂第i台机组的热负荷，GJ；Mi是指电厂第i台机组的天然气消耗，m3；ce、ch、cm分别为电负荷、热负荷和气耗的单价。模型的目标是总收益最大。由于可以建立气与热负荷与电负荷的关系，即Mi=f（Ei、Hi），所以问题的求解转变为，在总成本最大的情况下，确定Ei和Hi等6 个变量的值。

模型的约束条件如下：

1）气、热和电三者关系。

式（3）中，T、S和P分别表示为环境（大气）温度、湿度和压力，由电厂当地环境决定，不作为变量。

2）电负荷平衡。

式（4）中，E是电网的总负荷指令，EL是电网系统总网损。N=3，E、EL为常数，数值根据实际情况给定。

3）热负荷平衡。

式（5）中，H为热网的总热负荷指令；HL为热网系统总损失。H、HL为常数，数值根据实际情况给定。

4）天然气供应约束。

式（6）中，M为天然气供应上限，ML为天然气网系统总损失。M、ML为常数，数值根据实际情况给定。

5）机组电负荷上下限。

式（7）中，Emin和Emax分别表示为机组运行过程中电负荷允许的最小值和最大值。

6）机组热负荷上下限。

式（8）中，Hmin和Hmax分别表示为机组运行过程中电负荷允许的最小值和最大值。

在模型的求解过程中，选用遗传算法进行迭代寻优。遗传算法（GA）是演化算法（EA）的一种，通常利用计算机编程模拟的方式进行搜索并确定最优解。在进行最优解搜索的过程中，把相当数量的该问题的解（个体）抽象为遗传进化中的染色体，通过适应度函数的自然选择，使整体种群向更优解的方向进化。基本的遗传算法以初始种群为起点，经过自然选择、交叉和突变操作生成下一代的新种群，经过反复更新种群直到寻找到最优解。其具体计算步骤如下：

1）编码：把问题空间参数转换为遗传空间，一组解通常对应一个编码。

2）确定初始种群：随机产生一定数量的染色体作为初始种群。

3）求解种群适应度：给定适应度函数，求解种群中每个染色的适应度。

4）选择：按照第3 步计算出的适应度，通过选择算子选择染色体。

5）交叉：根据交叉概率对第4 步中选择的染色体进行交叉操作，产生下一代种群。

6）突变：根据突变概率对第5 步产生的新种群中的染色体进行突变操作。

7）判断是否满足终止条件，否则返回第3 步继续迭代。

3 案例分析

以广东某电厂为例，该厂运行三台热电联产机组。选取其中一个机组为例，机组供热实测参数如表1所示。

根据线性回归可得到11 个工况下公式（1）里机组供热量与最小和最大电负荷回归模型系数分别见表2和表3。

根据上述表1、表2和表3得到的这些系数，利用不同工况下电负荷与热负荷之间的线性回归模型，可以得到不同供热条件下电负荷的可调区间如图1所示。

该电厂总功率为2 0 00 MW、热负荷的调度总量为500 kJ/s、电价为0.5 元/（kW·h）、供热单价为104 元/kJ、天然气单价为2 元/m3、天然气的供应量上限为4.5×105m3，热电比约束和总热效率约束为0.3。在可调区间内基于成本最低进行热电负荷最优值的计算，根据遗传算法迭代，最后得到3 台机组的热电负荷分别为：1#机组电负荷为850 kW，供热量为250 kJ/s；2#机组电负荷为850 kW，供热量为245 kJ/s；3#机组电负荷为320 kW，供热为量5 kJ/s；当前时刻最佳成本为4 943.58 元/min。