韓 義，張奇月，段倫博，王研凱，于英利，付旭晨，榮 俊，孫世超

(1.內蒙古電力(集團)有限責任公司 內蒙古電力科學研究院分公司，內蒙古 呼和浩特 010020；2.東南大學 能源熱轉換及其過程測控教育部重點實驗室，江蘇 南京 210096)

0 引 言

隨著我國能源革命的推進，清潔能源在電力結構中的比重日益增加[1]，清潔能源發(fā)電裝機占比預計由2020年的44%提高到2025年的57.5%，2035年將達到75%。風電和光伏等清潔能源的隨機波動與間歇特性，為電網穩(wěn)定安全運行帶來巨大挑戰(zhàn)。為此，電力十四五規(guī)劃明確煤電功能定位為新能源消納的重要調節(jié)手段。火電廠通過投產時最小及額定出力試驗來確定機組邊界出力特性并上報電網調度參與電力系統(tǒng)調峰，然而由于劣質煤摻燒、輔機受限及設備老化等原因，煤電機組邊界出力范圍呈動態(tài)變化，運行中存在出力受阻，無法達到設計額定工況[2]。電網調度無法準確掌握機組調峰出力范圍，嚴重影響電力系統(tǒng)安全穩(wěn)定與新能源消納工作[3]。

數字革命與能源革命融合是大勢所趨，以現(xiàn)代網絡為載體的“云大物移智鏈”等信息技術成為火電機組發(fā)展重要方向，“數字孿生”作為關鍵技術，核心和難點在于如何在信息空間構建與物理實體映射的高精度數字模型，從而進行系統(tǒng)分析與預測[4]。

基于此，國內外學者開展了大量研究。付忠廣等[5]采用支持向量機算法建立機組能耗敏感性分析模型，指導機組節(jié)能優(yōu)化。徐游波[6]利用熱力計算方法對機組動態(tài)調峰能力進行深入分析。于浩洋等[7]通過分析機組深度調峰運行數據，建立性能分析評價流程，計算深度調峰經濟性。林正根等[8]建立了PCA-LMBP神經網絡模型，進行煙氣脫硝催化劑性能檢測、質量監(jiān)控預測。孫栓柱等[9]采用現(xiàn)場試驗法和理論計算法建立燃煤機組出力監(jiān)測模型，提高機組調峰性能。

綜上，采用人工智能算法的數據建模預測研究較多，火電出力特性研究大多側重基于運行機理開展性能與預測分析，但單純的機理仿真或數據仿真很難實現(xiàn)高精度的建模預測。

筆者提出一種將機理仿真與數據驅動深度融合的煤電出力特性映射模型構建方法，綜合機理映射的理論準確性與數據仿真的廣泛深入性，實現(xiàn)多因素耦合條件下的機組動態(tài)邊界出力預測及出力受阻因素分析，對于拓展煤電調峰裕度、提高電力系統(tǒng)安全穩(wěn)定和新能源消納水平具有重要作用。

1 動態(tài)邊界出力預測建模方法

1.1 技術路線

為有效解決機組摻燒效益與調峰需求間的矛盾，提升新能源消納水平，促進電力系統(tǒng)安全穩(wěn)定運行，將機理仿真與數據驅動深度融合開展火電機組動態(tài)出力預測。首先，基于鍋爐物理結構與系統(tǒng)工作原理建立機理仿真模型，利用設計及運行的工況數據進行模型辨識修正，確保機理模型的仿真精度。其次，利用機理模型進行變工況迭代計算，通過監(jiān)測設備各子系統(tǒng)關鍵參數的有效性，追溯分析鍋爐最大工況預測與受阻因素。最后，利用模型全工況迭代獲取的工況數據及實際運行工況數據構造樣本空間，利用人工神經網絡構建機組出力預測模型，將鍋爐迭代預測工況數據作為輸入進行機組出力預測。

1.2 機理模型構建

1.2.1機理模型建立

純凝機組出力主要受鍋爐出力影響，建立機組鍋爐模型意義重大。鍋爐是集燃燒、煙氣及水汽換熱于一體的復雜動力設備，本文依據鍋爐設備燃燒換熱過程進行模型單元劃分，基于“序貫模塊迭代”計算分析模式，建立爐膛及受熱面熱力性能分析模型和分區(qū)段物理傳熱模型，采用過程系統(tǒng)穩(wěn)態(tài)模擬計算分析理論進行高精度仿真，構建熱力系統(tǒng)機理仿真模型[10-11]?；驹矸匠贪芰科胶夥匠?、質量平衡方程、工質特性方程、邊界約束方程[12]：

能量平衡方程：

(1)

質量平衡方程：

(2)

工質特性方程：

f(h，p，T)=0，

(3)

約束方程：

f(λ1，λ2，…,λn)=0，

(4)

式中，ρ為密度，kg/m3；c為比熱容，kJ/(kg·K)；V為體積，m3；T為溫度，K；τ為時間，s；qin為輸入能量，kJ；qout為輸出能量，kJ；Din為入口流量，kg/s；Dout為出口流量，kg/s；h為焓值，kJ/kg；p為壓力，MPa；λ1、λ2、λn為約束條件。

1.2.2模型辨識修正

基于熱力系統(tǒng)機理建立的仿真模型，在模型特征參數及系統(tǒng)關聯(lián)方面存在不確定性，為了驗證提升機理仿真模型的精度，需要利用有限工況對其進行辨識與修正。首先，機理模型應滿足機組設計煤種條件下的參數特性，為此進行設計工況的模型辨識，對偏差進行特性系數的優(yōu)化修正。其次，機組運行中煤種變化、設備老化，性能參數會有一定偏離，需進行運行工況的模型辨識與參數修正。通過設計與實際工況的2類修正，可確保機理模型對于機組特性仿真精度較高。

1.2.3鍋爐最大出力預測

燃用劣質煤對鍋爐出力特性影響較大，針對機組實際燃用煤種，利用熱力系統(tǒng)機理仿真模型進行變工況迭代計算，通過變煤種、遞增煤量計算進行變工況鍋爐熱平衡特性與分段受熱面性能指標仿真，基于寬步長變出力鍋爐熱力系統(tǒng)靜態(tài)仿真計算，得到特定劣質煤種下鍋爐關鍵熱力參數動態(tài)特性。甄選煤量、煙氣量及各段受熱面特性參數，結合鍋爐運行安全節(jié)能環(huán)保要求，從輔機出力特性、受熱面安全與關鍵參數指標3方面，分析劣質煤影響鍋爐出力的關聯(lián)性、校核鍋爐設備實際穩(wěn)定運行的可行性。仿真性能參數超出機組實際運行限制范圍時，說明該煤種工況下鍋爐安全穩(wěn)定運行平衡被打破，仿真系統(tǒng)迭代計算終止，終止前工況參數即為該煤種下鍋爐最大蒸發(fā)量出力預測值[13]。

1.3 數理模型構建

面對復雜非線性關聯(lián)映射問題，選用合理的人工智能算法建立輸入到輸出之間的數學模型，通過大量典型數據對數學模型進行訓練優(yōu)化，最終有效獲取輸入與輸出之間的非線性關系。

1.3.1樣本空間構造

利用高精度熱力系統(tǒng)機理仿真模型，可以構建用于數據仿真建模的樣本庫[14]。數據驅動建模仿真的核心是篩選大量代表性好的樣本工況，采用運行數據作為樣本時，運行數據量大、重復率高且隨機性強。由于運行安全要求，歷史運行數據中設備故障工況數量有限、覆蓋面和代表性不足，使篩選有效比例的典型樣本工況較困難，直接影響數據建模仿真的有效性和精度。因此，有必要利用高精度機理仿真模型進行樣本空間的針對性拓展。

采用高精度熱力系統(tǒng)機理仿真模型，進行多維變輸入條件下的全工況仿真，通過變煤種、變邊界參數及變運行方式的系統(tǒng)仿真，針對性獲取充足的典型樣本空間庫，達到數據仿真建模與狀態(tài)預警的數據需求。

1.3.2模型算法選擇

BP神經網絡是一種多層前饋神經網絡，按照誤差反向傳播算法訓練，能夠實現(xiàn)輸入到輸出的黑盒非線性映射，具有較強的自學習、自組織、自適應性，預測精度高、泛化能力強[15]，結構如圖1所示。

圖1 BP網絡結構Fig.1 BP network structure

典型BP神經網絡由輸入層、隱藏層和輸出層構成。輸入層為n個神經元，用來接收輸入變量，輸出層為m個神經元，用來輸出映射變量，中間隱藏層神經元層數與數量可以根據實際需求設計，各層之間由權值ωij與閾值θj構成關聯(lián)矩陣，非線性映射函數為y=f(ω,x)[16]。通過輸入到輸出的訓練實現(xiàn)函數逼近，達到預測出力的效果。

1.3.3數理模型建立

改革開放40年來，我國經濟、政治、社會等各方面都經歷了深刻變革，社會公共需求不斷變化，對應的政府職能也應隨之不斷地變化調整，而政府職能的變化必然要求政府機構不斷深化改革與之適應，我國歷次政府機構改革都是在這樣的邏輯下進行的[28]。如隨著老齡化現(xiàn)象對我國經濟發(fā)展的影響，以及公眾對生活質量與醫(yī)療需求的逐漸提高（圖3），2008年衛(wèi)生部歸口國家藥品食品監(jiān)督局，體現(xiàn)要落實相關的責任主體，切實保障公眾的人身安全權益；2013年與2018年的改組基于提高人口素質和人民健康水平而開展的。政府以職能整合與機構變革的方式積極介入，以行政體制改革積極應對社會需求，進而深入推動經濟體制變革。

2 工程應用分析

以300 MWe循環(huán)流化床機組為例，針對機組煤質波動、輔機出力受限等問題，基于前文方法進行機組出力預測。利用鍋爐熱力系統(tǒng)機理模型進行鍋爐最大蒸發(fā)量仿真，將仿真結果輸入煤電機組數理模型實現(xiàn)機組出力預測分析。

2.1 機組特性

某電廠2×300 MWe空冷循環(huán)流化床機組配置循環(huán)流化床鍋爐、亞臨界中間再熱單軸雙缸雙排汽、直接空冷式汽輪發(fā)電機組。鍋爐由東方鍋爐(集團)股份有限公司制造，為亞臨界、循環(huán)流化床、一次中間再熱自然循環(huán)汽包爐。鍋爐基本參數見表1。

表1 鍋爐基本參數Table 1 Basic parameters of boiler

2.2 鍋爐熱力系統(tǒng)機理建模與仿真

2.2.1機理建模與驗證

采用浙江大學熱工與動力系統(tǒng)研究所開發(fā)的通用鍋爐設計計算系統(tǒng)BESS5.0軟件進行鍋爐機理建模，BESS5.0集成多類標準構建豐富模塊庫，基于可視化圖形組態(tài)搭建系統(tǒng)模型，具有較強的仿真計算能力，機理仿真流程如圖2所示。

圖2 機理仿真流程Fig.2 Mechanism simulation process

為驗證機理模型的準確度和有效性，選取機組高中低3組已存在的典型工況進行系統(tǒng)仿真驗算，篩選鍋爐熱力系統(tǒng)重要的排煙溫度、分段蒸氣溫度及爐膛出口煙溫等核心參數作為驗算指標，對比系統(tǒng)仿真與已有工況參數之間的仿真誤差[21]。用于仿真驗算的工況涵蓋了設計與實際運行數據，涵蓋了高中低全工況段參數，具有很強的代表性，主要包括1組100%負荷設計工況及2組實際運行工況，部分仿真比對數據見表2。由表2可知，3個工況下，仿真結果與已有設計及運行工況數據各關鍵指標最大偏差為3 ℃，誤差率均在2%內，滿足實際應用的精度要求，因此，本文搭建的鍋爐熱力系統(tǒng)機理模型具有較強的準確度和有效性。

表2 典型工況仿真精度驗證Table 2 Verification of simulation accuracy under typical working conditions

續(xù)表

2.2.2機理仿真

1)報警條件設計。依據機組運行特性設計迭代預測報警條件，主要考慮輔機受限、受熱面參數超限、關鍵參數超限3方面影響因素。輔機受限主要包括給煤機受限、風機受限、冷渣器受限等，給煤機實際出力直接影響鍋爐最大出力特性，通過給煤機最大出力試驗，確定其出力上限報警值[22]。風機流量及阻力特性影響鍋爐出力特性，利用風機性能試驗確定關鍵參數上限報警值。冷渣器的上限報警值結合設計值與試驗值確定。受熱面參數超限方面，結合受熱面管材特性確定關鍵部件的壁溫報警值。其他關鍵參數包括機組流化風速、床溫等報警值均根據機組特性選定，鍋爐迭代結束條件按蒸發(fā)量不超過105% BMCR設定。部分報警條件值見表3。

表3 報警條件值Table 3 Alarm condition value

針對不同配煤的4個工況進行預測計算，結果見表4。除工況3外，工況1、2、4均未達到額定出力。工況1煤質固定碳與發(fā)熱量較高，燃燒所需空氣量偏高，使得稀相區(qū)流化風速上升，導致鍋爐主蒸氣流量由于流化風速達到上限5.5 m/s而受限，受限率11%；工況2、4煤質水分與灰分普遍偏高，固定碳與發(fā)熱量偏低，造成床溫低、燃煤量大、排渣量上升，使得主蒸氣流量由于給煤出力達到上限400 t/h而受限，且排渣量也接近受限報警值，受限率分別約為25%、13%；工況3煤質發(fā)熱量介于工況1與2、揮發(fā)分較高，各項參數合適，能達到105% BMCR蒸發(fā)量。

表4 程序計算結果Table 4 Program calculation results

2.3 火電機組出力預測數理建模與仿真

2.3.1樣本空間構建

綜合機組配煤方式，多組合進行變煤種計算形成多煤質樣本空間。綜合仿真數據和現(xiàn)場數據構建樣本空間，對數據進行歸一化降維及主成分分析(Principal Component Analysis,PCA)。經分析得到主蒸氣流量對機組電負荷的影響占比為96.3%，主蒸氣溫度、壓力等參數也有一定影響，符合機理分析結論。依據輸出影響值選取鍋爐主蒸氣流量、床溫、主蒸氣溫度壓力、再熱器溫度壓力、給水溫度作為非線性映射模型輸入，影響比例總和超過99.9%，機組電負荷作為輸出。

2.3.2數據建模與仿真

基于遺傳算法(Genetic Algorithm,GA)優(yōu)化的BP神經網絡原理建立火電機組出力預測數理模型，網絡結構為3層，輸入層節(jié)點數為7，輸出層節(jié)點數為1，隱藏層節(jié)點數按經驗計算選為12個。訓練樣本數32個，測試樣本5個，為提高模型泛化能力，采用GA優(yōu)化BP神經網絡初始權值與閾值。

經過反向傳播算法與梯度下降權值學習算法的網絡訓練，機組出力的仿真結果和誤差如圖3所示。

圖3 機組出力仿真結果及誤差Fig.3 Simulation results and error

由圖3可知，機組出力最大仿真偏差為3 MWe、最大相對偏差不超過1.2%，符合工程應用精度。

2.3.3基于數理模型的出力預測

利用已構建的數理模型，對現(xiàn)場運行工況進行仿真預測，仿真輸出與實際工況參數對比見表5，模型現(xiàn)場數據工況輸入參數見表6。數據映射模型的仿真效果與實際工況參數的絕對偏差均在4 MWe以內，相對偏差均小于1.5%，仿真精度較高。

表5 預測值與實際值對比Table 5 Comparison of predicted value and actual value

表6 數理預測模型輸入工況參數Table 6 Input condition parameters of mathematical prediction model

3 結 論

1)提出一種基于機理仿真與數據驅動深度融合的高精度映射模型建立方法，利用機理仿真構造鍋爐熱力系統(tǒng)樣本空間，基于數理映射進行機組出力預測。

2)利用本文提出的方法構建了基于BESS軟件機理仿真與BP-GA數理映射深度融合的機組出力預測模型，模型兼顧了機理仿真的理論準確性和數理映射的強泛化深入性，實現(xiàn)多因素耦合條件下的燃煤機組邊界出力預測及出力受阻因素分析。

3)經300 MWe級示范循環(huán)流化床機組測試表明：模型訓練相對誤差在±1.2%內，預測相對誤差在±1.5%內，具有較高的精確度和泛化能力。