热电生产的智能调控及其关键技术

王栋 党海峰 夏建涛 杨宝刚 陈铭甬

(1.上海全应科技有限公司，上海 200336；2.用友网络科技有限公司，北京 100094；3.宁波众茂杭州湾热电有限公司，浙江 宁波 315399)

自2020 年我国明确提出碳达峰、碳中和目标以来，学术界、工业界已经对“双碳”目标的推进路径进行了长足探索。在此基础上，国家能源局于2023 年3 月发布《关于加快推进能源数字化智能化发展的若干意见》。在意见中，国家能源局明确提出要加强传统能源与数字化智能化技术的融合，并推动能源系统智能调控技术的突破。

然而，能源智能调控技术应当如何实现尚未得到很好地解答。鉴于分布式能源背景下，我国大大小小的热电厂足有数千家，提高热电生产的智能调控水平既可以强化燃煤机组的节能降碳，又可以帮助探索多种能源的全局智能调控体系，并将其作为源网荷储一体化智能调控体系的有机组成部分。

本文尝试以热电生产场景为应用场景，对智能调控技术的含义、应用和技术体系进行初步探讨：首先，介绍热电生产中的典型调控场景并尝试阐述热电生产中智能调控的含义；其次，以具体场景为例，对智能调控在热电生产中的应用与特点加以介绍；再次，介绍工业互联网架构对智能调控起到的决定性作用；接着，介绍一些智能调控中的重要支撑性技术；最后，对文章进行总结并展望未来智能调控技术的发展方向。

一、从热电生产到智能调控

鉴于智能调控的含义、技术与实施路径尚未在业界达成共识，本文首先介绍典型热电厂在生产运行过程中遇到的若干实际需要进行调控的场景，并尝试阐述人工智能技术与这些调控问题的契合点。

（一）热电生产中的调控需求

热电生产场景中的调控被认为是通过调整锅炉、汽轮机组及相应的主辅机设备，使其在有效地响应外界需求的同时尽量保持安全、高效、环保、经济的生产。因此，热电生产保持平稳运行时，对调控技术的要求也较低；热电生产发生了明显变化时，对调控则有较高的要求。

1.负荷的大幅变化

一个典型的热电厂需要同时考虑满足供汽负荷的需求和供电负荷的需求。作为分布式能源的热电厂通常承担下游工业生产中所需过热蒸汽的供给及用电的供给，因此下游用户的生产状况变化可能引发供汽负荷或供电负荷的大幅变化。这种变化通常具备某种时间上的规律，但规律并不精确。在这种状况下，当下游负荷突然变化时，锅炉、汽轮机组等设备需要进行短时间的大幅调节以适应负荷的改变。

2.设备运行组合的改变

热电生产通常采用母管制连接多台锅炉与汽轮机组、减温减压器等设备。当因检修等因素进行设备切换时，其设备的负荷分配策略也应当相应地发生变化，以维持较高的生产效率。从理论出发，当给定下游负荷时，一定存在最优的设备负荷分配方法，在满足安全、环保生产要求的同时，其生产效率优于其他的负荷分配方法。因此，设备间的有效调控在这种场景下是具有实用价值的。

3.外界因素的影响

（1）煤炭市场的变化

作为分布式能源的热电厂通常在煤炭市场上议价能力较低。煤炭价格和电价分别为热电厂生产的成本和收益，当电价一段时间内维持稳定时，随着煤炭价格的持续升高，发电的边际收益从正值变为负值。在这种情况下，热电厂的调控策略会发生较大的改变，比如从维持汽轮机组的高负荷生产变为尽量降低汽轮机组的发电量。

除价格的变化外，煤炭品质的变化对热电生产的调控也有较大影响。由于难以保证煤炭来源的稳定，煤质的变化在许多热电厂的生产过程中较为频繁。当煤质发生变化时，通常热电厂也需要调整锅炉的运行策略以维持高效生产。

（2）电力市场的变化

除少数孤网运行场景外，多数热电厂都需要与电网进行交互。此时，电网侧的变化也会引起热电生产的调控需求。

一种典型的场景是电网峰谷电的价格变动。当峰电价切换到谷电价时，热电厂的调控策略可能也会从尽量靠自身发电满足用电需求切换到尽量靠下网电量满足用电需求，因为谷电价可能低于热电厂自身发电成本。

另外一种典型的场景是电网的调度指令。电网有时可能会根据自身的平衡状况要求热电厂发电不得上网或者尽量令汽轮机组满发。此时热电厂需要通过自身的调控指令尽可能满足电网的要求。

（3）工业蒸汽用户的变化

典型的为工业园区提供工业蒸汽的热电厂需要满足下游各种各样蒸汽用户对蒸汽参数的要求，而下游用户仅考虑自身需求决定生产状况。

因此，需要考虑这样一种情况：热电厂的下游蒸汽用户中存在一个用户，该用户对过热蒸汽的压力、过热度参数要求都明显高于其他用户，而该用户的生产存在明显的昼夜节律，即白天使用大量蒸汽而夜晚没有蒸汽需求。在这种假设场景中，热电厂白天的调控需要尽量生产高参数等级的过热蒸汽，而夜晚时生产较低参数等级的过热蒸汽。

（二）人工智能视角下的热电生产调控

1.热电生产的控制方法

从控制论的角度来看，热电生产的运行控制仍然遵循“感知－决策－执行”的方法论。因此，自动控制系统应当有能力在热电生产场景中完成控制需求，且事实上自动化技术也支撑了电力系统的发展[1-3]。然而，在实际的热电生产过程中，自动控制系统通常会面临较大的困难，以至于几乎无法用于实际的热电运行控制中。

首先是热电生产常见的母管制运行。由于下游蒸汽用户需求的不确定性，母管制运行可以通过母管的缓冲较好地应对负荷波动。然而，母管制运行意味着自动控制系统无法忽略不同设备间的相互影响，使得设计可靠而易用的控制方案变得相当困难[4]。

其次，作为分布式能源的重要组成部分，多数热电厂规模较小，难以维持煤种、煤质、设备状态、工况等条件的稳定，从而令自动控制系统难以保持长时间的有效运行，且任何因素的明显变化都可能使原本表现良好的自动控制系统失效，直到这些变化因素恢复原先的状态。

再次，考虑到成本和收益的平衡，多数中小型热电厂难以保证传感器件和执行机构的良好运行。随着时间的推移，自动控制系统无法正确地对环境进行感知，也不能保证决策结果得到良好执行，从而无法维持其控制效果。

事实上，在热电生产中，热电厂的管理者普遍选择让运行人员手动进行绝大多数场景的控制，而非尽量采用自动控制回路。在某种程度上，这种情况也可以被理解为在热电生产场景中，人是更好的控制系统，因其在感知、决策、执行三个维度都能够持续达到可用的状态，同时仅需付出较低的管理成本即可。

2.智能调控技术的概念与内涵

从更长远、更广泛的角度来看，人并不是调控问题最终的答案。无数的事例已经证明，在高度复杂的、快速变化的场景中，一个经过精心设计、良好调试的调控系统一定远优于人。因此，在未来的能源调控场景中，起到支撑性、决定性作用的势必是广泛利用数字化、智能化技术的智能调控体系。

通过观察热电生产场景，可以发现感知手段的变化、决策场景的多样、执行机构的特性限制了自动控制系统的应用。然而人通常能够较好地通过一段时间的适应达到热电生产调控场景的要求，同时随着经验的积累还能够改善自身的控制效果。

鉴于人工智能技术研究的任务就是在理解自然智能（特别是人类智能）的基础上，创制具有一定智能水平的智能机器[5]，不妨通过借鉴人工智能技术的核心思路来构建智能调控技术。即，通过理解调控问题中的人类智能创制智能调控方法，以增强调控的效果。

然而，人工智能技术当前在电力系统中应用的主要研究热点仍然停留在使用具体的人工智能技术解决独立问题层面[6]，而非借鉴人工智能理念与思路创造新方法、解决新问题。因而，如何构建智能调控技术体系仍然需要长期的探索。

参考人类智能在热电生产中调控场景的表现，智能调控技术应当达到自运行、自优化、自适应的效果。即智能调控体系运行可不依赖于人类参与，能够根据长期的运行数据改善自身表现，并且能够适应多样化的运行场景。

二、热电生产场景中的智能调控技术

（一）热电生产场景示例

要理解智能调控技术，可以设定智能调控的运行场景，并观察其实际表现。因此，这里首先设定一个典型的热电生产场景，可以称其为示例热电厂。同时认为在示例热电厂中，其生产调控交由智能调控技术完成。

如图1 所示，示例热电厂采用母管制生产方式，现有4 炉3 机运行。该热电厂的主要业务是通过数十公里的蒸汽管网为下游工业园区提供过热蒸汽，同时冬季承担城市供暖的任务。因其发电量较小，电网允许其发电上网，但不计价；同时，若从电网下电，则执行工业电价，并有峰谷平的电价变化。

图1 示例热电厂热力系统图

（二）热电生产场景中的“调”

在热电生产过程中，智能调控技术应当实时监控生产状况，并决策是否需要对生产进行调整。这种调整既包括生产状况稳定时对各个设备的调节，也包括生产需要发生明显变化时对不同设备的调度。综合来看，可以将这种“调”类问题视为在各类生产状况中对控制方向和控制目标进行决策。

1.生产状况稳定时的调节

当示例热电厂的负荷相对稳定时，其生产状况也较为稳定。此时热电厂的运行目标主要是通过持续调节令生产运行处在安全、环保的状态下，并尽量令收益最大化。此时，智能调控技术应当持续、实时地对生产进行小幅调节，从而令生产始终处于较为高效的场景。

例如，随着外界环境温湿度的变化，煤仓中的煤炭颗粒也会缓慢发生相应的变化，因此入炉煤的状态也会随时间发生小幅改变（如湿度增加）。这时，智能调控系统可以通过传感器数据感知燃烧状况的变化（如流化床锅炉床温在数分钟内持续降低），并进一步结合环境信息及先验知识对可能的变化原因进行认知。当认识到可能是入炉煤湿度增加时，智能监控技术可以根据上煤的历史状况、煤的消耗速率、近期的环境湿度等信息预判接下来一段时间煤的湿度变化以及对流化床锅炉燃烧造成的影响。同时，智能监控技术可以在此基础上寻找可能的调整策略（例如是否需要降低一次风量、降低床料厚度以维持有利于燃烧的较高床温），并预判调整对锅炉的有利影响和不利影响，最终做出最优决策，决定如何进行调节。

2.生产状况变化时的调度

下游用户对过热蒸汽需求的大幅变化显然会影响示例热电厂的生产。在这种变化过程中，示例热电厂的优先目标是维持过热蒸汽的供需平衡，同时在该目标的基础上尽量保持生产的安全、高效、环保。

不妨考虑其中一个典型场景：在工作日早上的上班时间前后，下游工业用户的产线陆续开启，对过热蒸汽的需求持续大幅增加。由于这种负荷的变化速率可能超过锅炉的响应速率，因此不做额外设计，仅靠压力的反馈信号进行调控是难以达到调控需求的。

由于这种变化是可解释、可预估的，因此智能调控技术有能力从下游用户的历史消费数据中挖掘信息，并结合一些先验信息，如根据当年假日信息等对下游的负荷变化的时间、速率、总量建立概率分布模型。在对未来进行预判的基础上，结合实时的流量变化和设备运行情况，智能监控技术应当时刻修正自身对现状的认知和对未来的预估，并综合决定如何对设备运行进行调度。

在示例热电厂的生产过程中，一种可能的状况如下所述。智能调控技术首先在早上下游负荷提升前约半小时，根据历史运行数据和当天的先验信息，判断应该持续平稳增加锅炉出力从而提高管网压力水平，并且增加凝汽式汽轮机组的凝汽量。当下游负荷开始升高时，锅炉出力仍然保持持续小幅增加，并且逐渐通过降低凝汽式汽轮机组的凝汽量来增加其抽汽量用于下游供汽，最终过渡至高负荷下的稳定生产状态。在整个变化过程中，智能调控技术维持了整体变化过程尽量平稳，以保证生产过程的安全环保，避免了快速改变设备出力带来的生产效率损失，并且通过调度各个设备的响应节奏来保证整体生产的高能效。实际上，上述调控方式和现实中运行人员的调控方式是类似的，但智能调控技术可以通过更准确的时机判断、更量化的预测能力、更有效的调度分配实现更加安全、更加环保、更加高效的调控效果。

（三）热电生产场景中的“控”

在热电生产过程中，智能调控技术应当有能力对生产系统进行稳定控制，以达到其控制目标。从控制论的角度出发，控制目标的实现仍然遵循“感知－决策－执行”的方法论，并且人工智能思想可以在其中作出重要贡献。

1.生产状况稳定时的控制

当生产状况趋于平稳时，影响完成控制任务的因素主要来源于整个生产环境中的自然变化。以主汽母管的压力控制为例，智能调控技术的运行过程如下所述。

智能调控技术可以实时对主汽母管的蒸汽压力数据进行监控，并预测对锅炉、汽轮机组可能产生的调整对主汽压力的影响。当获取所有可能的调整对主汽压力走势的预估时，智能调控技术可以综合考虑对设备寿命的影响、对环保的影响、对能效的影响，以及对上下游其他设备造成的影响，最终得到最优的调整方法，并将合适的操作指令发送给具体设备的控制机构以完成控制操作。

2.生产状况变化时的控制

当生产状况发生比较明显的变化时，智能调控技术需要更多地考虑变动对控制效果造成的影响，并且执行合适的运行操作以完成控制目标。

与生产状况较为稳定时类似，智能调控技术仍然可以在生产状况发生变化时根据已知的信息和模型对未来可能的发展进行预测。

同时，煤质改变、下游负荷变化等一些不确定性的变化会使智能调控技术对未来的预测不够准确。因此，相比于预测准确时的最优发展，在生产状况变化时智能调控技术需要花费更多的精力考虑预测失效甚至与实际发展背道而驰时，控制目标是否还能够被完成。

一种可行的思路是：既然生产的变化具备不确定性，且任意时刻的控制效果都与先前一段时间的控制决策相关，则智能调控技术应该使用“留有余地”的控制方式，即通过修改最优化问题的定义，将控制决策视为在时间轴上持续控制决策的组合，所求的是控制决策组合的最优，而不是单次控制决策的最优。

（四）智能调控技术的核心思路

综合不同调控场景下智能调控技术的表现，可以将智能调控技术的核心思路总结如下。

首先，智能调控技术应当具有对历史数据进行学习的能力。通过对长期历史数据、近期历史数据的分析和挖掘以及基于机理的先验知识，智能调控技术应当能够建立对设备状态、运行规律等信息的认知。

其次，基于不断学习产生的认知，并结合实时数据，智能调控技术应当能够建立符合机理的、对当前情况的正确感知和理解；可以分析当前正在发生的情况；判断发生该情况的可能原因以及接下来可能的发展。

再次，智能调控技术应当可以判断所有可执行的操作，并对这些操作可能产生的影响进行预估，在此基础上选择最优的操作作为决策。

最后，智能调控技术应当能够根据所做的决策进行尽量精准地执行。应当注意到，执行操作是否可在各种场景下被相对准确地完成，实际上在做决策的时候就已经被纳入考虑。同时，在部分设备条件较差场景下执行操作的不确定性也应当在决策时考虑其产生的可能影响。

基于以上认识，智能调控技术的核心流程应如图2 所示。智能调控技术应当能够利用历史数据进行建模并在线更新模型；应能够利用实时数据和既有模型进行现状感知、预测未来和产生决策；应能够根据现实状况产生合适的控制指令以完成控制闭环。

图2 智能调控技术核心流程示意图

三、工业互联网架构对智能调控技术的支撑作用

智能调控技术通过实时感知热电厂的各类数据，并基于模型预测结果进行实时决策。显然，智能调控技术中的计算属于实时计算的范畴，对网络延迟和网络中断有天然的敏感性。同时，为了更准确、更全面地形成对生产状况的认知，智能调控需要分析大量的实时与历史生产数据。这种计算属于大数据处理计算的范畴，对海量的数据处理和强大的算力有天然的敏感性。

智能调控技术既需要实时产生计算结果，又需要对海量数据进行处理。借鉴已有工业场景中使用边缘计算的经验[7-8]可以明确，智能调控的这种特性决定了其只有采用云边端的工业互联网架构才能有效落地。

（一）基于云-边-端的工业互联网架构

工业互联网平台在使云侧、边缘侧、终端的有机结合的同时满足了实时计算和海量数据处理的需求，其在智能调控技术中的关键架构如图3 所示。

图3 用于智能调控的工业互联网架构示意图

其中，云侧借助云计算、大数据等底层技术提供的强大存储和算力，运行离线的数据分析、模型构建等大规模计算任务。同时，边缘侧凭借更低的网络延迟、更稳定的局域网络等优点，进行实时控制，确保在发生任何互联网异常时均能实时控制热电厂各类设备，做到热电厂自动控制稳定运行。最后，热电厂的工作人员通过智能看板、手机、电脑等终端，随时随地感知电厂的工作情况，做到数字化的运行和管理。

（二）边缘自治

智能调控技术自运行的特性决定了其对安全性的高要求。若网络延迟、中断等情况导致决策结果不够及时有效，则调控效果也无法得到保证，甚至可能产生极大的安全问题。

因此，边缘侧必须具有边缘自治的能力，即边缘端具有独立运行智能调控系统的能力，不受短时间网络波动的影响。为了实现边缘自治的能力，智能调控系统需要在边缘侧缓存必要的各类数据和程序，并且具有完整的感知、决策、执行的能力，从而确保其在脱离互联网情况下仍然能够保持很长一段时间的正常运行，直至足以安全退出。

（三）云边协同

虽然边缘侧可以独立运行智能调控系统并完成智能调控，但边缘侧计算能力、存储能力的不足使边缘侧难以独立完成自优化、自适应的要求。

因而，需要设计有效的云边协同策略，在云侧对海量数据进行处理、分析和挖掘，始终保持数据中隐含的热电生产规律变化可以及时地被获取，并令模型、策略等随时间变化的信息与热电生产现场同步。云边协同策略可以把最有效的、最实时的更新信息同步到边缘侧，确保边缘侧的智能调控系统准确地感知现场生产状况，并做出有效的决策。

四、热电生产运行智能调控中的其他关键技术

（一）历史数据挖掘

数据挖掘技术可以在热电场景中体现重大价值，但尚未得到足够的重视[9]。基于大量的传感器累积数据，智能调控技术可以通过分析和挖掘这些数据来获取一些先验信息，从而帮助建立对实时情况的认知。因此，数据挖掘技术可以有效支撑智能调控技术。

1.面板数据挖掘

面板数据挖掘指忽略数据间的时序联系，将不同时间发生的数据平等看待，并利用数据挖掘技术从中获取有用信息。通过对面板数据的挖掘，可以对比历史运行中不同参数下各设备的能效状况从而确定合适的运行参数，可以分析数据间的相关关系，从而避免无效决策等。

2.时序数据挖掘

时序数据挖掘指通过观察数据随时间的变化规律，挖掘出数据中蕴含的有用信息。例如，通过在时间序列上对热电生产数据进行挖掘，发现热电生产随时间变化的规律，从而判断有些历史规律是否在近期已经失效，并发现新的规律等。

（二）软测量

智能调控技术的感知、决策、执行都要在数据的基础上进行。然而，由于测量技术的约束，部分重要的数据无法直接甚至无法间接地被测量。这时可以利用软测量技术对数据进行补充，以更好地支撑智能调控技术，如燃料软测量[10]、氧量软测量[11]等。参考智能调控技术的核心思路，这种软测量方法通常不必尽善尽美，只需获取比人类感知和推断更为准确、能够支撑智能调控技术进行有效感知和认知即可。

（三）工业场景建模

智能调控技术产生决策时需要依赖对未来的预测，因此便需要尽量准确的模型。现有的仿真建模技术和机器学习技术均可以作为智能调控技术的支撑。

1.仿真建模

系统、模型、仿真三个概念是一根链条上的三个环节，对它们的研究是一个工作程序的三个步骤[12]。仿真建模方法论通常通过数学建模的方式依照工业机理建立底层物理过程的模型，然后通过建模方法构建基于这些小模型的仿真模型。这种方法通常需要比较大的工作量，同时其保真度也比较高。

2.机器学习

机器学习技术通过数学方法，基于训练数据建立符合数据概率分布的机器学习模型，并有能力在此基础上进行有效预测。机器学习技术作为人工智能的重要技术之一，在过去的若干年内呈现出巨大的潜力，同时也在许多工业场景中取得了成功。此外，其受数据的噪声影响非常大，因此在智能调控技术中使用机器学习时，需要考虑其适用性。

（四）智能决策

智能决策，即使用人工智能技术解决决策问题。显然，智能决策技术是智能调控技术“决策”步骤中的支撑性技术。在模型足够准确的情况下，智能调控技术可以对当前情况精确感知并对未来发展做出足够准确的预测时，决策问题可以退化为最优化问题。而生产过程中的不确定性增强势必需要进行更仔细的决策方法设计。关于这方面的研究便可以归于智能决策领域。

五、总结与展望

随着数字化、智能化技术的发展，能源的智能调控技术也有了坚实的技术支撑。热电联产作为分布式能源的典型代表，也是能源战略和“双碳”目标的重要组成部分。本文以热电联产场景为基础，尝试对智能调控技术的概念、应用及相关的支撑性技术加以探讨，并期望以此为基础探索完整能源生产利用场景中的智能调控技术。本文所述的理念、方法已经在若干热电联产的场景中进行了初步验证，呈现出了令人欣喜的效果。随着文中所述技术的发展以及这些技术在智能调控领域中的深入应用，智能调控技术必将在不远的未来更加成熟并得到广泛应用。