丁 衡, 胡 慧, 曹 越, 孫 健, 司風(fēng)琪

(1. 東南大學(xué) 能源熱轉(zhuǎn)換及其過程測控教育部重點實驗室, 南京 210096; 2. 內(nèi)蒙古京隆發(fā)電有限責(zé)任公司, 內(nèi)蒙古豐鎮(zhèn) 012100)

近年來,隨著我國各地區(qū)采暖需求逐步增加及風(fēng)電、光伏等可再生能源的迅速發(fā)展[1],部分火力發(fā)電企業(yè)為提升發(fā)電競爭力與盈利能力,對純凝機(jī)組進(jìn)行了供熱改造。然而,在多臺熱電聯(lián)供機(jī)組聯(lián)合供熱情況下,因不同機(jī)組間熱力性能存在差異,研究給定的熱電負(fù)荷總指令下,各機(jī)組間熱電負(fù)荷的最優(yōu)分配方式,以實現(xiàn)系統(tǒng)經(jīng)濟(jì)效益和可再生能源消納能力最大化具有非常重要的意義[2-3]。

李坤[4]提出了一種基于模糊集空間劃分的改進(jìn)多目標(biāo)粒子群優(yōu)化算法,并對區(qū)域內(nèi)多個熱電聯(lián)產(chǎn)機(jī)組的電熱負(fù)荷分配問題進(jìn)行研究。韓中合等[5]從熱經(jīng)濟(jì)學(xué)和經(jīng)濟(jì)學(xué)角度出發(fā),以單位輸出功率的系統(tǒng)總投資成本和系統(tǒng)產(chǎn)品單價為目標(biāo)函數(shù)構(gòu)建了多目標(biāo)優(yōu)化模型,并采用多目標(biāo)優(yōu)化灰狼算法(MOGWO)對模型進(jìn)行求解。李軍等[6]針對某電廠多機(jī)型、多熱源的復(fù)雜機(jī)組,提出了一種改進(jìn)的遺傳算法,對該機(jī)組進(jìn)行負(fù)荷優(yōu)化分配。Kang等[7]利用遺傳算法對熱電聯(lián)供系統(tǒng)與熱泵系統(tǒng)相結(jié)合的新型耦合系統(tǒng)的發(fā)電量、熱泵出口溫度等關(guān)鍵參數(shù)進(jìn)行優(yōu)化,使其綜合性能最大化。許可[8]建立了汽輪機(jī)側(cè)和鍋爐側(cè)的熱電負(fù)荷優(yōu)化分配目標(biāo)函數(shù),分別為汽輪機(jī)發(fā)電汽耗率和鍋爐產(chǎn)汽煤耗率最低,利用蟻群算法對其進(jìn)行求解,以獲得最佳負(fù)荷分配方式。?etin等[9]采用模擬退火算法對某電廠仿真模型中的17個優(yōu)化參數(shù)同時進(jìn)行優(yōu)化,使其達(dá)到最大效率。衛(wèi)治廷等[10]采用黏菌優(yōu)化算法,以先汽機(jī)側(cè)、后鍋爐側(cè)的順序,對某“三爐兩機(jī)”母管制熱電聯(lián)產(chǎn)機(jī)組進(jìn)行負(fù)荷優(yōu)化分配。韓朝兵等[11]提出了一種改進(jìn)的混沌粒子群算法,并將其應(yīng)用于考慮汽輪機(jī)閥點效應(yīng)的火電廠經(jīng)濟(jì)負(fù)荷分配模型中。目前,多種優(yōu)化算法均被運用到熱電負(fù)荷優(yōu)化分配研究中,隨著深入研究,各類優(yōu)化算法也在不斷被改進(jìn),以提高尋優(yōu)性能并降低時間成本。

筆者針對傳統(tǒng)灰狼優(yōu)化算法中繁瑣的更新機(jī)制導(dǎo)致的時效性差等問題,提出了一種改進(jìn)的多目標(biāo)灰狼算法(MOGGWO),并將該算法應(yīng)用于某600 MW雙機(jī)熱電聯(lián)供系統(tǒng)的多目標(biāo)熱電負(fù)荷優(yōu)化分配策略研究中,以提高系統(tǒng)的運行經(jīng)濟(jì)性和可再生能源消納能力。

1 系統(tǒng)概況

以某電廠600 MW雙機(jī)熱電聯(lián)供系統(tǒng)為研究對象,包括1臺600 MW的高背壓抽凝供熱機(jī)組、1臺600 MW的抽凝供熱機(jī)組以及熱網(wǎng)首站等設(shè)備,其系統(tǒng)圖如圖1所示。

圖1 600 MW 雙機(jī)熱電聯(lián)供系統(tǒng)圖Fig.1 Diagram for the CHP system consisting of two 600 MW units

抽凝機(jī)組通過從汽輪機(jī)中壓缸末級抽取部分蒸汽對外供熱,高背壓抽凝機(jī)組則在抽凝機(jī)組的基礎(chǔ)上增加了高背壓乏汽加熱熱網(wǎng)循環(huán)水,充分利用了機(jī)組排汽的汽化潛熱,以提高機(jī)組循環(huán)熱效率,最終在熱網(wǎng)首站中,熱網(wǎng)循環(huán)水被2臺機(jī)組的中間抽汽進(jìn)一步加熱,升溫至所需溫度后送至熱用戶。

2 熱電負(fù)荷分配模型

2.1 目標(biāo)函數(shù)

選取機(jī)組熱耗量Qtp作為熱經(jīng)濟(jì)性評價指標(biāo),其數(shù)學(xué)模型為:

(1)

式中:Btp為總?cè)剂舷牧?kg/s;qnet為燃料低位發(fā)熱量,kJ/kg;Q0為汽機(jī)總熱耗量,MW,由式(2)計算得到;ηb、ηp分別為鍋爐效率和管道效率。

(2)

式中:qm、qm,fw、qm,zr、qm,lz、qm,jws分別為主汽質(zhì)量流量、給水質(zhì)量流量、再熱蒸汽質(zhì)量流量、冷再熱蒸汽質(zhì)量流量和減溫水質(zhì)量流量,kg/s;h0、hfw、hzr、hlz、hjws分別為主汽焓、給水焓、再熱蒸汽焓、冷再熱蒸汽焓和減溫水焓,kJ/kg。

所研究的熱電聯(lián)供系統(tǒng)包含高背壓抽凝機(jī)組和抽凝機(jī)組,則系統(tǒng)總熱耗量Qtp,D可表示為:

Qtp,D(PD,GD)=Qtp,1(P1,G1)+Qtp,2(P2,G2)

(3)

式中:PD、P1和P2分別為總電負(fù)荷指令、高背壓抽凝機(jī)組電負(fù)荷和抽凝機(jī)組電負(fù)荷,MW;GD、G1和G2分別為總熱負(fù)荷指令、高背壓抽凝機(jī)組熱負(fù)荷和抽凝機(jī)組熱負(fù)荷,MW;Qtp,1、Qtp,2分別為高背壓抽凝機(jī)組和抽凝機(jī)組熱耗量,MW。

定義可再生能源消納容量表達(dá)式如式(4)所示,以定量表示熱電聯(lián)供機(jī)組在不同工況下的可再生能源消納能力。

PREC=P-Pmin(G)

(4)

式中:PREC為可再生能源消納容量,MW;P為機(jī)組電負(fù)荷指令,MW;Pmin(G)為熱負(fù)荷為G時機(jī)組最小電功率函數(shù)。

熱電聯(lián)供系統(tǒng)的可再生能源消納容量PREC,D可表示為:

PREC,D(PD,GD)=PREC,1(P1,G1)+PREC,2(P2,G2)=P1+P2-(Pmin,1(G1)+Pmin,2(G2))

(5)

式中:PREC,1、PREC,2分別為高背壓抽凝機(jī)組和抽凝機(jī)組的可再生能源消納容量,MW;Pmin,1(G1)為高背壓抽凝機(jī)組熱負(fù)荷為G1時的最小電功率函數(shù);Pmin,2(G2)為抽凝機(jī)組熱負(fù)荷為G2時的最小電功率函數(shù)。

綜合考慮系統(tǒng)經(jīng)濟(jì)性和可再生能源消納能力,建立多目標(biāo)熱電負(fù)荷優(yōu)化分配模型。多目標(biāo)優(yōu)化的顯著特點是優(yōu)化各個目標(biāo)使其同時達(dá)到綜合最優(yōu)值,該600 MW雙機(jī)熱電聯(lián)供系統(tǒng)的熱電負(fù)荷優(yōu)化分配目標(biāo)為:在給定的總電、熱負(fù)荷指令(PD,GD)條件下,實現(xiàn)系統(tǒng)總熱耗量Qtp,D最小化及可再生能源消納容量PREC,D最大化。

2.2 約束條件

熱電負(fù)荷優(yōu)化分配模型的約束條件主要為各機(jī)組及系統(tǒng)的熱電負(fù)荷可行域。

機(jī)組熱電負(fù)荷可行域除受汽輪機(jī)最大進(jìn)汽量、鍋爐最小蒸發(fā)量及低壓缸最小凝汽量限制外,筆者還綜合考慮了機(jī)組中排壓力限制、高背壓供熱機(jī)組允許投入抽汽限制和乏汽利用裕量邊界,更貼合現(xiàn)場實際運行情況。

抽凝機(jī)組的熱電負(fù)荷可行域如圖2所示。圖中A2B2為汽輪機(jī)最大進(jìn)汽量工況線,與之平行的均是主汽質(zhì)量流量一定時電功率隨供熱量的變化曲線,且主汽質(zhì)量流量從A2B2逐漸遞減至鍋爐最小蒸發(fā)量工況線E2F2。A2E2為純凝工況線,B2D2F2為低壓缸最小凝汽量工況線,此時供熱量達(dá)到了各主汽質(zhì)量流量下的最大供熱量。C2D2為抽汽供熱壓力轉(zhuǎn)折工況線,該工況線對應(yīng)的主汽質(zhì)量流量為1 615 t/h,當(dāng)主汽質(zhì)量流量大于該值時,抽汽供熱壓力最大可達(dá)上限值1.15 MPa,當(dāng)主汽質(zhì)量流量小于該值時,為保證中排溫度不超限,最大抽汽供熱壓力隨主汽質(zhì)量流量的減小而逐漸降低。

圖2 抽凝機(jī)組熱電負(fù)荷可行域Fig.2 Feasible range of thermoelectric load of condensing unit with intermediate extraction

高背壓抽凝機(jī)組的熱電負(fù)荷可行域如圖3所示。其中A1B1C1為汽輪機(jī)最大進(jìn)汽量工況線,與之平行的均是主汽質(zhì)量流量一定時電功率隨供熱量的變化曲線。A1K1L1為乏汽供熱工況線,此時抽汽供熱質(zhì)量流量為0 t/h,其中A1K1段因主汽質(zhì)量流量較大,使得低壓缸排汽量較大,乏汽供熱量達(dá)到了高背壓凝汽器最大負(fù)荷490 MW,剩余排汽進(jìn)入空冷凝汽器,且空冷進(jìn)汽量隨主汽質(zhì)量流量的減小而逐漸減小至空冷最小防凍流量,如工況點K1所示,此后K1L1段因主汽質(zhì)量流量進(jìn)一步減小,乏汽供熱量無法滿足490 MW,因此供熱量隨電功率減小(主汽質(zhì)量流量減小)而逐漸減小至鍋爐最小蒸發(fā)量工況點L1。G1H1J1為機(jī)組允許投入抽汽臨界工況線,此時調(diào)節(jié)級后壓力為8.152 MPa,對應(yīng)的主汽質(zhì)量流量為1 279.45 t/h,當(dāng)機(jī)組調(diào)節(jié)級后壓力小于該臨界值時,機(jī)組僅具備乏汽供熱能力,如G1K1L1工況線所示。C1F1J1為低壓缸最小凝汽量工況線,此時供熱量達(dá)到了各主汽質(zhì)量流量下的最大供熱量。D1E1F1為抽汽供熱壓力轉(zhuǎn)折工況線,此時主汽質(zhì)量流量為1 610 t/h,當(dāng)主汽質(zhì)量流量大于該值時,抽汽供熱壓力最大可達(dá)上限值1.15 MPa,當(dāng)主汽質(zhì)量流量小于該值時,為保證中排溫度不超限,最大抽汽供熱壓力隨主汽質(zhì)量流量的減小而逐漸降低。B1E1H1為乏汽供熱量轉(zhuǎn)折工況線,A1B1E1H1G1A1區(qū)域內(nèi)工況供熱抽汽量較小,低壓缸排汽量較大,在滿足高背壓凝汽器最大熱負(fù)荷的前提下,還有剩余蒸汽進(jìn)入空冷凝汽器,且空冷進(jìn)汽量隨著供熱抽汽量增大而逐漸減小至空冷最小防凍流量,B1C1F1J1H1E1B1區(qū)域內(nèi)工況供熱抽汽量進(jìn)一步增大,在保證空冷最小防凍流量的情況下,高背壓凝汽器進(jìn)汽量逐漸減小,因此該區(qū)域內(nèi)乏汽供熱量隨供熱抽汽量增大而逐漸減小。

圖3 高背壓抽凝機(jī)組熱電負(fù)荷可行域

通過將2臺機(jī)組的熱電負(fù)荷可行域進(jìn)行矢量疊加,可得該雙機(jī)熱電聯(lián)供系統(tǒng)總的熱電負(fù)荷可行域如圖4所示。由圖4可知,系統(tǒng)熱負(fù)荷可行區(qū)間為285.6～1 825.9 MW,電負(fù)荷可行區(qū)間為353.2～1 230.5 MW。根據(jù)高背壓抽凝機(jī)組允許投入抽汽臨界工況線,可將該系統(tǒng)可行域分成兩部分:區(qū)域1中2臺機(jī)組在給定熱負(fù)荷的條件下均具備一定的調(diào)峰能力,是后續(xù)特性分析與負(fù)荷優(yōu)化分配的基礎(chǔ);區(qū)域2中高背壓抽凝機(jī)組僅投入乏汽供熱,熱電負(fù)荷一一對應(yīng),系統(tǒng)靈活度受到極大限制。

圖4 系統(tǒng)熱電負(fù)荷可行域Fig.4 Feasible range of thermoelectric load of the CHP system

3 改進(jìn)的多目標(biāo)灰狼算法

灰狼優(yōu)化算法是一種新興高效的群體智能優(yōu)化算法,已成功應(yīng)用于諸多領(lǐng)域[12]。該算法通過前三等級的狼群位置來更新種群,采用的更新機(jī)制收斂性和尋優(yōu)效果均較好,然而其在相同的迭代次數(shù)下相比其他算法所需要的時間可能更長?？紤]到熱電負(fù)荷實時分配的問題,提出一種改進(jìn)的多目標(biāo)灰狼優(yōu)化算法,以縮短負(fù)荷優(yōu)化求解時間。

3.1 算法改進(jìn)

該算法改進(jìn)之處在于直接利用前三等級狼的位置和高斯采樣完成進(jìn)化過程,極大簡化了種群更新機(jī)制。高斯采樣過程如下:

(6)

式中:Xid(t+1)為個體i在第d維位置的隨機(jī)變量,服從高斯分布,新位置xid(t+1)是Xid(t+1)的1個采樣點;N(μ,σ2)為均值為μ,標(biāo)準(zhǔn)差為σ的高斯分布;μid為第i個灰狼第d維的高斯分布均值參數(shù);σid為第i個灰狼第d維的高斯分布標(biāo)準(zhǔn)差參數(shù)。

μid=(αd+βd+δd)/3

(7)

σid=(|αd|+|βd|+|δd|)/c

(8)

式中:αd、βd、δd分別為前三等級狼第d維的位置;c為常數(shù),根據(jù)實際情況選取。

為了平衡改進(jìn)算法的搜索性能與收斂性能,針對標(biāo)準(zhǔn)差增加一個自適應(yīng)系數(shù)m,進(jìn)化過程表示為:

m=1.5-(iter/iter,max)

(9)

Xid(t+1)=μid+m·N(0,1)·σid

(10)

式中:iter為當(dāng)前迭代次數(shù);iter,max為最大迭代次數(shù)。

在迭代前期m較大,可以增加離搜索中心較遠(yuǎn)粒子的選擇概率,增強(qiáng)算法的探索性能;在迭代后期m較小,可以加強(qiáng)算法的收斂性能。

3.2 求解流程

圖5給出了MOGGWO算法的求解流程圖,具體步驟如下:

步驟1,隨機(jī)初始化灰狼種群的位置Xi(i=1,2,…,n),根據(jù)雙目標(biāo)適應(yīng)度函數(shù)計算每個灰狼個體的適應(yīng)度值,并對不滿足約束條件的個體施加懲罰。

步驟2,計算初始種群中的非支配解集(大小固定),對非支配解集中的解進(jìn)行網(wǎng)格計算,求各個個體的網(wǎng)格坐標(biāo)值。

步驟3,從非支配解集中根據(jù)網(wǎng)格選擇當(dāng)前的最優(yōu)解Xα、次優(yōu)解Xβ和第三優(yōu)解Xδ。

步驟4,根據(jù)式(7)和式(8)分別計算高斯分布的均值和標(biāo)準(zhǔn)差。

步驟5,利用高斯采樣更新灰狼種群中灰狼個體的位置。

步驟6,根據(jù)適應(yīng)度函數(shù)重新計算每個灰狼個體的適應(yīng)度值,對不滿足約束條件的個體施加懲罰。

步驟7,計算更新后灰狼種群的非支配解集,并將該解集與上次的非支配解集進(jìn)行合并,獲得新的非支配解集。

步驟8,對非支配解集中的解進(jìn)行網(wǎng)格計算,求各個個體的網(wǎng)格坐標(biāo)值。

步驟9,判斷非支配解集是否超過預(yù)先設(shè)置的大小,若是,則根據(jù)網(wǎng)格坐標(biāo)刪除多余的非支配解。

步驟10,判斷是否達(dá)到最大迭代次數(shù),若是,則停止迭代并輸出非支配解集;反之,轉(zhuǎn)至步驟3。

圖5 MOGGWO算法流程圖Fig.5 Algorithm flow of MOGGWO

4 結(jié)果與分析

4.1 熱負(fù)荷分配對系統(tǒng)性能的影響

根據(jù)電網(wǎng)調(diào)度指令,保持高背壓抽凝機(jī)組電負(fù)荷為300 MW、抽凝機(jī)組電負(fù)荷為400 MW不變,在給定系統(tǒng)總熱負(fù)荷指令1 373 MW條件下,分析機(jī)組間熱負(fù)荷轉(zhuǎn)移對系統(tǒng)熱耗及可再生能源消納容量的影響。

圖6給出了該典型工況下系統(tǒng)總熱耗量及可再生能源消納容量隨抽凝機(jī)組供熱量的變化。圖中1號機(jī)表示高背壓抽凝機(jī)組,2號機(jī)表示抽凝機(jī)組。由圖6可知,在熱負(fù)荷從高背壓抽凝機(jī)組向抽凝機(jī)組轉(zhuǎn)移的過程中,系統(tǒng)總熱耗量呈先減小后緩慢增大的趨勢,并在抽凝機(jī)組供熱量為695 MW時達(dá)到極小值。這是因為當(dāng)抽凝機(jī)組供熱量小于695 MW時,高背壓抽凝機(jī)組熱耗減小速率大于抽凝機(jī)組熱耗增大速率,當(dāng)抽凝機(jī)組供熱量大于695 MW時,高背壓抽凝機(jī)組熱耗減小速率略小于抽凝機(jī)組熱耗增大速率。

圖6 系統(tǒng)總熱耗量及可再生能源消納容量隨抽凝機(jī)組 供熱量的變化

此外,從圖6還可以看出,隨著抽凝機(jī)組供熱量的增大,高背壓抽凝機(jī)組的可再生能源消納容量呈先增大后減小的趨勢,在抽凝機(jī)組供熱量為690 MW時達(dá)到極大值,而抽凝機(jī)組的可再生能源消納容量則呈逐漸減小的變化趨勢,且在抽凝機(jī)組供熱量大于630 MW時減小速率進(jìn)一步加快。這是因為在抽凝機(jī)組供熱量逐漸增大的過程中,其對應(yīng)的最小電功率逐漸增大,高背壓抽凝機(jī)組供熱量逐漸減小的過程中,其對應(yīng)的最小電功率呈先減小后增大的趨勢。2臺機(jī)組的可再生能源消納容量疊加最終導(dǎo)致整個系統(tǒng)的可再生能源消納容量呈先緩慢增大再緩慢減小隨后迅速減小的變化趨勢。

綜上所述,在熱負(fù)荷轉(zhuǎn)移過程中,系統(tǒng)經(jīng)濟(jì)性和可再生能源消納能力無法同時達(dá)到最優(yōu),可通過相應(yīng)優(yōu)化算法進(jìn)一步探究多目標(biāo)下的最優(yōu)分配策略。

4.2 電負(fù)荷分配對系統(tǒng)性能的影響

保持高背壓抽凝機(jī)組熱負(fù)荷為803 MW、抽凝機(jī)組熱負(fù)荷為570 MW不變,在給定系統(tǒng)總電負(fù)荷指令850 MW條件下,分析機(jī)組間電負(fù)荷轉(zhuǎn)移對系統(tǒng)熱耗及可再生能源消納容量的影響。

圖7給出了該典型工況下系統(tǒng)總熱耗量及可再生能源消納容量隨高背壓抽凝機(jī)組電功率的變化。由圖7可知,在電負(fù)荷從抽凝機(jī)組向高背壓抽凝機(jī)組轉(zhuǎn)移的過程中,系統(tǒng)總熱耗量呈先減小后增大的趨勢,在高背壓抽凝機(jī)組電功率為450 MW時減小速率有所減緩,且在電功率為490 MW時達(dá)到極小值。這是因為當(dāng)高背壓抽凝機(jī)組電功率小于490 MW時,抽凝機(jī)組熱耗減小速率大于高背壓抽凝機(jī)組熱耗增大速率;當(dāng)高背壓抽凝機(jī)組電功率大于490 MW時,抽凝機(jī)組熱耗減小速率小于高背壓抽凝機(jī)組熱耗增大速率。

圖7 系統(tǒng)總熱耗量及可再生能源消納容量隨高背壓抽凝 機(jī)組電功率的變化

此外,從圖7還可以看出,隨著高背壓抽凝機(jī)組電功率的增大,高背壓抽凝機(jī)組的可再生能源消納容量呈遞增趨勢,而抽凝機(jī)組的可再生能源消納容量則呈遞減趨勢。這是因為當(dāng)各機(jī)組熱負(fù)荷一定時,其所對應(yīng)的機(jī)組最小電負(fù)荷也一定,因此各機(jī)組可再生能源消納容量與其電負(fù)荷指令的變化趨勢一致。2臺機(jī)組的可再生能源消納容量疊加最終導(dǎo)致整個系統(tǒng)的可再生能源消納容量基本保持不變。

綜上所述,在電負(fù)荷轉(zhuǎn)移過程中,系統(tǒng)可再生能源消納能力基本保持不變,此時應(yīng)重點探究系統(tǒng)熱耗最小時的負(fù)荷分配策略。

4.3 基于MOGGWO算法的熱電負(fù)荷優(yōu)化分配

根據(jù)各工況運行數(shù)據(jù)擬合得到高背壓抽凝機(jī)組和抽凝機(jī)組熱耗特性曲面,如圖8和圖9所示。

2臺機(jī)組的熱耗特性曲面表達(dá)式如式(11)所示,其中i=1,2,式中各項系數(shù)取值見表1。

(11)

圖8 高背壓抽凝機(jī)組熱耗特性曲面Fig.8 Fitting surface of heat consumption for high-back pressure unit with intermediate extraction

圖9 抽凝機(jī)組熱耗特性曲面Fig.9 Fitting surface of heat consumption for condensing unit with intermediate extraction

表1 各機(jī)組熱耗特性曲面擬合系數(shù)Tab.1 Fitting coefficients of heat consumption surface ofeach unit

定義系統(tǒng)最小電功率函數(shù)Pmin,D(G1,G2) =Pmin,1(G1)+Pmin,2(G2),根據(jù)各工況運行數(shù)據(jù)擬合得系統(tǒng)最小電功率曲面如圖10所示。

系統(tǒng)最小電功率函數(shù)表達(dá)式如式(12)所示,式中各項系數(shù)取值見表2。

(12)

表2 系統(tǒng)最小電功率曲面擬合系數(shù)

將MOGGWO算法應(yīng)用于所建立的多目標(biāo)熱電負(fù)荷優(yōu)化分配模型中,種群數(shù)目設(shè)置為80,最大迭代次數(shù)為100。

圖11給出了系統(tǒng)總電負(fù)荷指令為800 MW,總熱負(fù)荷指令為1 200 MW時,通過該算法獲得的帕累托前沿。由圖11可知,當(dāng)系統(tǒng)總熱耗量降低5.02%時,系統(tǒng)可再生能源消納容量相應(yīng)降低6.53%,因此提高系統(tǒng)經(jīng)濟(jì)性的同時其可再生能源消納能力將會降低,應(yīng)根據(jù)現(xiàn)場實際情況權(quán)衡,進(jìn)而選擇熱電負(fù)荷最優(yōu)分配策略。

圖11 多目標(biāo)尋優(yōu)結(jié)果Fig.11 Multi-objective optimization results

所提出的改進(jìn)多目標(biāo)灰狼算法極大地簡化了種群更新機(jī)制,大大縮短了負(fù)荷分配求解的時間。在“雙碳”大背景下,該算法能為大型熱電聯(lián)供系統(tǒng)的實時優(yōu)化運行提出指導(dǎo)建議,有望獲得可觀的節(jié)能收益,具有未來工程應(yīng)用的前景。

5 結(jié) 論

(1) 建立了600 MW雙機(jī)熱電聯(lián)供系統(tǒng)的多目標(biāo)熱電負(fù)荷優(yōu)化分配模型,其目標(biāo)函數(shù)為系統(tǒng)總熱耗量最小化及可再生能源消納能力最大化,約束條件為各機(jī)組及系統(tǒng)的熱電負(fù)荷可行域,結(jié)果表明,綜合考慮中排壓力限制、高背壓供熱機(jī)組允許投入抽汽限制和乏汽利用裕量邊界后,機(jī)組可行域范圍更準(zhǔn)確,更具實際參考價值。

(2) 提出了一種基于高斯采樣的改進(jìn)多目標(biāo)灰狼優(yōu)化算法,該算法極大地簡化了種群的更新機(jī)制,能大大縮短負(fù)荷分配求解的時間。

(3) 采用MOGGWO算法獲得了多目標(biāo)下的負(fù)荷優(yōu)化分配解集,結(jié)果表明,提升系統(tǒng)經(jīng)濟(jì)性的同時其可再生能源消納能力將會減弱,應(yīng)根據(jù)現(xiàn)場實際情況權(quán)衡,進(jìn)而選擇熱電負(fù)荷最優(yōu)分配策略。