一种供热锅炉集群优化运行方法及系统

摘要

本发明涉及一种供热锅炉集群优化运行方法及系统，本供热锅炉集群优化运行方法包括：步骤S1，建立锅炉集群中各锅炉的特性模型；以及步骤S2，计算锅炉集群的负荷分配；本发明的供热锅炉集群优化运行方法及系统,采用模糊聚类(FCM)数据分析方法，对每台锅炉的大量历史数据进行分析，获得不同锅炉在负荷和运行条件不同的条件下，燃料的消耗和污染物排放特性，从而建立了锅炉特性的模型；然后利用非支配排序遗传算法(NSGA)求解热源厂锅炉组合多目标优化问题，优化了热水生产负荷分配，降低燃料消耗和污染物的排放。

说明书

技术领域

本发明属于供暖供热领域,具体涉及一种供热锅炉集群优化运行方法及系统。

背景技术

在集中供热领域，通常热源厂中有多台热电联产锅炉、尖峰热水锅炉联合运行完成热水的生产，锅炉属于大型热工设备，由于制造、安装、运行等条件不同，各台锅炉的实际运行性能存在一定量的差异，即每台锅炉生产单位热量的造成的燃料消耗和污染物的排放量不同，在总的热水温度和流量需求一定的条件下，目前热源厂生产管理凭经验来进行负荷分配，对于整体锅炉集群运行难以达到最优。如何通过热水锅炉组合优化，分配热水生产任务，降低燃料消耗和污染物的排放是需要研究的问题。

发明内容

本发明的目的是提供一种供热锅炉集群优化运行方法及系统，以解决对热水生产负荷分配进行优化，降低燃料消耗和污染物的排放的技术问题。

为了解决上述技术问题，本发明提供了一种供热锅炉集群优化运行方法，其特征在于，包括如下步骤：

步骤S1，建立锅炉集群中各锅炉的特性模型；以及

步骤S2，计算锅炉集群的负荷分配。

进一步，所述步骤S1中建立锅炉集群中各锅炉的特性模型，即

采用模糊聚类算法建立各锅炉的特性模型，以及

根据所述特性模型获得锅炉运行的特性函数；

所述特性函数即描述锅炉在相应负荷率、给水温度和给水流量的条件下，生产单位热量所对应的锅炉燃料消耗量和污染物排放量的函数关系。

进一步，采用模糊聚类算法建立各锅炉的特性模型的方法包括如下步骤：

步骤S11，采集建立特性模型所需的历史运行的样本数据；

所述样本数据包括：

GenPer：锅炉负荷率，单位％；

WaterinT：锅炉给水温度，单位℃；

Mflow：锅炉给水流量，单位t/h；

CostOne：生产单位热量所对应的燃料消耗量，单位GJ/GJ；

EM_NO_x：生产单位热量所产生的NOx污染物排放量，单位kg/GJ；

EM_SO₂：生产单位热量所产生的SO₂污染物排放量，单位kg/GJ。

步骤S12，基于历史运行样本数据，采用模糊聚类算法获得样本数据的聚类中心，且对聚类中心数据进行插值，以获得锅炉运行的特性函数。

进一步，采用模糊聚类算法获得样本的聚类中心，且对聚类中心数据进行插值再处理，获得锅炉运行的特性函数的方法包括如下步骤：

步骤S121，初始化：给定聚类类别数c，权值因子m，设定迭代停止阈值ε，设置迭代计数次数k，初始化聚类原型V^(k)，且k＝0；

模糊聚类算法描述如下：

模糊聚类算法的最小化目标函数：

使得

u_ij∈[0,1]，1≤j≤n，1≤i≤c；

式中：U＝[u_ij]是一个c×n的模糊划分矩阵，c为给定聚类类别数，权值因子m(m＞1，且一般取值为2)，u_ij为第j个样本到第i个聚类中心的隶属度，d_ij＝||x_j-v_i||是样本x_j和聚类中心v_i的欧式空间距离；

x_j＝(GenPer,WaterinT,Mflow,CostOne,EM_NO_x,EM_SO₂)

步骤S122，根据，根据下式更新模糊划分矩阵U^(k+1)：

若对于任意j,r，j为样本个数，r为公式中聚类中心的序号，d_rj(k)表示k次迭代获得的样本x_j和聚类中心v_r的欧式空间距离；若d_rj(k)＞0V^(k)，则有

$>u_{ij}=1/\underset{r=1}{\overset{c}{\Sigma }}{\left(\frac{d_{ij}}{d_{rj}}\right)}^{\frac{2}{m-1}}$>

若对于任意j,r，使得d_rj＝0，则令：u_ij＝1且对i≠r，u_ij＝0；

步骤S123，根据U^(k)，按照下式计算新的聚类中心V^(k+1)：

$>{v_i}^{(k+1)}=\frac{\underset{j=1}{\overset{n}{\Sigma }}{u}_{ij}^m\left(k\right)x_j}{\underset{j=1}{\overset{n}{\Sigma }}{u}_{ij}^m\left(k\right)};$>

步骤S124，判定阈值，比较V^(k+1)和V^(k)，若||V^(k+1)-V^(k)||＜ε，则停止迭代，否则令k＝k+1，转到步骤S122；

计算得到聚类中心V，输出聚类中心，获得锅炉的特性模型；

步骤S125，插值计算以获得锅炉运行的特性函数，即

在沿锅炉负荷率GenPer方向上每隔1％的地方进行插值，从而获得锅炉运行的特性函数

(CostOne,EM_NO_x,EM_SO₂)＝FuncOne(GenPer,WaterinT,Mflow)。

进一步，所述步骤S2中计算锅炉集群的负荷分配的方法，即

采用非支配排序遗传算法计算锅炉集群的负荷分配。

进一步，采用非支配排序遗传算法计算锅炉集群的负荷分配的方法包括如下步骤：

步骤S21，建立锅炉集群优化运行的目标函数；以及

步骤S22，采用非支配排序遗传算法求解优化目标下的最优负荷分配。

进一步，所述步骤S21目标函数的优化目标包括：最小化生产单位热量的燃料消耗、最小化生产单位热量产生的污染物排放NO_x、SO₂；

对优化目标分别进行降维处理，即构建污染物排放综合指标：

Rex＝EM_NO_x×γ₁+EM_SO₂×γ₂

其中：Rex为污染物排放综合指标，γ₁和γ₂为权重系数，γ₁+γ₂＝1。

所建立的锅炉集群优化运行的目标函数如下：

>

>

约束条件如下：

(1)(CostOne,EM_NO_x,EM_SO₂)＝FuncOne(GenPer,WaterinT,Mflow)；

(2)Rex＝EM_NO_x×γ₁+EM_SO₂×γ₂；

$>\left(3\right)---{ϵ}_1<\underset{s=1}{\overset{n}{\Sigma }}({\mathrm{Dbmcr}}_s\times {\mathrm{GenPer}}_s\times {\mathrm{Run}}_s)-Dneed<{ϵ}_2;$>

(4)Dneed＝FuncH(Mneed,Tneed,Pneed)；

$>\left(5\right)---{\alpha }_1<\underset{s=1}{\overset{n}{\Sigma }}{\mathrm{Mfow}}_s-Mneed<{\alpha }_2;$>

$>\left(6\right)---\underset{s=1}{\overset{n}{\Sigma }}({\mathrm{Dbmcr}}_s\times ({\mathrm{PerMax}}_s-{\mathrm{GenPer}}_s)\times {\mathrm{Run}}_s)>DbackLoad;$>

(7)PerMin_s＜GenPer_s＜PerMax_s；

(8)Run_s＝0或1；

(9)DLoad_s＝GenPer_s×Dbmcr_s；

(10)GenPer_s＝FuncH(M_s,T_s,P_s)/Dbmcr_s；

(11)T_min＜T_s＜T_max；

(12)M_min＜Mflow_s＜M_max；

其中：

Mneed:热水流量需求，单位t/h；

Tneed:热水温度需求，单位℃；

Dneed:需求热量，根据温度和流量计算，为热水的总焓值，GJ/h；

FuncOne:CostOne，EM_NO_x，EM_SO₂随锅炉负荷率，给水温度，给水流量变化的特性函数；

FuncH：根据流量，温度，压力求焓值，根据水和水蒸气性质计算；

WaterinT：锅炉给水温度，单位℃；

Mflow_s：第s台锅炉的给水流量，单位t/h；

DLoad_s：第s台锅炉出口的热量，单位GJ/h；

DbackLoad：备用热量，指的是在未来一段时间可能需要增加的量，单位GJ/h；

T_max:热水锅炉热水最高温度，单位℃；

T_min:热水锅炉热水最低温度，单位℃；

M_max:热水锅炉热水最高流量，单位t/h；

M_min:热水锅炉热水最低流量，单位t/h；

Pneed:热水出口的压力，单位Mpa，取锅炉额定压力；

M_s：各台锅炉的热水流量，单位t/h；

T_s：各台锅炉的热水温度，单位℃；

P_S：各台锅炉的热水压力，单位Mpa；

Dbmcr_s：第s台锅炉的最大生产热量，单位GJ/h；

GenPer_s：第s台锅炉的负荷率；

PerMax_s：第s台锅炉的最大负荷率；

PerMin_s：第s台锅炉的最小负荷率；

Run_s：第s台锅炉是否启用，启用为1，停止使用为0；

Rex：污染物排放综合指标；

γ₁：污染物排放权重系数一；

γ₂：污染物排放权重系数二；

α₁：流量控制下限参数；

α₂：流量控制上限参数；

ε₁：热量余量控制下限参数；

ε₂：热量余量控制上限参数。

进一步，所述步骤S22中采用非支配排序遗传算法求解优化目标下的最优负荷分配的方法包括如下步骤：

步骤S221，初始化父代种群，采用实数编码产生表示各台锅炉负荷率、供水温度和供水流量的群体；

步骤S222，计算种群中个体目标值并进行非支配排序；

步骤S223，通过遗传算法的选择、交叉、变异得到第一代子代种群；

步骤S224，从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算；

步骤S225，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群，回到步骤S222；直至通过非支配排序遗传算法得到Pareto最优解集，即获得负荷分配的最优值。

又一方面，本发明提供了一种供热锅炉集群优化系统，包括：

建模单元，建立锅炉集群中各锅炉的特性模型；

与建模单元相连的负荷分配单元，该负荷分配单元用于计算锅炉集群的负荷分配。

本发明的有益效果是，本发明的供热锅炉集群优化运行方法及系统采用模糊聚类(FCM)数据分析方法，对每台锅炉的大量历史数据进行分析，获得不同锅炉在负荷和运行条件不同的条件下，燃料的消耗和污染物排放特性，从而建立了锅炉特性的模型；然后利用非支配排序遗传算法(NSGA)求解热源厂锅炉组合多目标优化问题，优化了热水生产负荷分配，降低燃料消耗和污染物的排放。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明一种供热锅炉集群优化运行方法的流程图；

图2是本发明中采用非支配排序遗传算法求解优化目标下的最优负荷分配的方法流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例1

如图1所示，本发明的一种供热锅炉集群优化运行方法，包括如下步骤：

步骤S1，建立锅炉集群中各锅炉的特性模型；以及步骤S2，计算锅炉集群的负荷分配。

所述步骤S1中建立锅炉集群中各锅炉的特性模型，即采用模糊聚类算法建立各锅炉的特性模型，以及根据所述特性模型获得锅炉运行的特性函数FuncOne()；所述特性函数即描述锅炉在相应负荷率、给水温度和给水流量的条件下，生产单位热量所对应的锅炉燃料消耗量和污染物排放量的函数关系。

采用模糊聚类算法建立各锅炉的特性模型的方法包括如下步骤：

步骤S11，采集建立特性模型所需的历史运行的样本数据；

所述样本数据包括：

GenPer：锅炉负荷率，单位％；

WaterinT：锅炉给水温度，单位℃；

Mflow：锅炉给水流量，单位t/h；

CostOne：生产单位热量所对应的燃料消耗量，单位GJ/GJ；

EM_NO_x：生产单位热量所产生的NOx污染物排放量，单位kg/GJ；

EM_SO₂：生产单位热量所产生的SO₂污染物排放量，单位kg/GJ。

步骤S12，基于历史运行样本数据，采用模糊聚类算法获得样本数据的聚类中心，且对聚类中心数据进行插值，以获得锅炉运行的特性函数。

模糊聚类算法求解样本聚类中心的问题表述如下：

设锅炉样本数据集合n为样本个数，x_j是特征空间R^s的一个有限数据集合，s＝6，

x_j＝(GenPer,WaterinT,Mflow,CostOne,EM_NO_x,EM_SO₂)，把集合划分为c类，其中2≤c≤n。

采用模糊聚类算法获得样本的聚类中心，且对聚类中心数据进行插值再处理，获得锅炉运行的特性函数的方法包括如下步骤：

步骤S121，初始化：给定聚类类别数c，权值因子m，设定迭代停止阈值ε且该阈值ε的取值范围为0.001至0.01，设置迭代计数次数k，初始化聚类原型V^(k)，且k＝0；

模糊聚类算法描述如下：

模糊聚类算法的最小化目标函数：

使得

u_ij∈[0,1]，1≤j≤n，1≤i≤c；

$>0<\underset{j=1}{\overset{n}{\Sigma }}{u}_{ij}<n,1\le i\le c;$>

式中：U＝[u_ij]是一个c×n的模糊划分矩阵，c为给定聚类类别数，即V＝{v_i,v2…v_c}且s×c的矩阵，权值因子m，u_ij为第j个样本到第i个聚类中心的隶属度，d_ij＝||x_j-v_i||是样本x_j和聚类中心v_i的欧式空间距离；

x_j＝(GenPer,WaterinT,Mflow,CostOne,EM_NO_x,EM_SO₂)

步骤S122，根据V^(k)，根据下式更新模糊划分矩阵U^(k+1)：

若对于任意j,r，j为样本个数，r为公式中聚类中心的序号，d_rj(k)表示k次迭代获得的样本x_j和聚类中心v_r的欧式空间距离；若d_rj(k)＞0，则有

$>u_{ij}=1/\underset{r=1}{\overset{c}{\Sigma }}{\left(\frac{d_{ij}}{d_{rj}}\right)}^{\frac{2}{m-1}}$>

若对于任意j,r，使得d_rj＝0，则令：u_ij＝1且对i≠r，u_ij＝0；

步骤S123，根据U^(k)，按照下式计算新的聚类中心V^(k+1)：

$>{v_i}^{(k+1)}=\frac{\underset{j=1}{\overset{n}{\Sigma }}{u}_{ij}^m\left(k\right)x_j}{\underset{j=1}{\overset{n}{\Sigma }}{u}_{ij}^m\left(k\right)};$>

步骤S124，判定阈值，比较V^(k+1)和V^(k)，若||V^(k+1)-V^(k)||＜ε，则停止迭代，否则令k＝k+1，转到步骤S122；

计算得到聚类中心V，输出聚类中心，获得锅炉的特性模型；

步骤S125，插值计算以获得锅炉运行的特性函数，即

为平滑数据，获取锅炉在不同负荷率下的运行特性，在沿锅炉负荷率GenPer方向上每隔1％的地方进行插值，从而获得锅炉运行的特性函数(CostOne,EM_NO_x,EM_SO₂)＝FuncOne(GenPer,WaterinT,Mflow)。

所述步骤S2中计算锅炉集群的负荷分配的方法，即采用非支配排序遗传算法计算锅炉集群的负荷分配。

具体的，采用非支配排序遗传算法计算锅炉集群的负荷分配的方法包括如下步骤：步骤S21，建立锅炉集群优化运行的目标函数；以及步骤S22，采用非支配排序遗传算法求解优化目标下的最优负荷分配。

所述步骤S21目标函数的优化目标包括：最小化生产单位热量的燃料消耗、最小化生产单位热量产生的污染物排放NO_x、SO₂；

为提高寻优速度，对优化目标分别进行降维处理，即构建污染物排放综合指标：

Rex＝EM_NO_x×γ₁+EM_SO₂×γ₂；

其中：Rex为污染物排放综合指标，γ₁和γ₂为是污染物排放权重系数，γ₁+γ₂＝1。

所建立的锅炉集群优化运行的目标函数如下：

>

>

约束条件如下：

(1)

(CostOne,EM_NO_x,EM_SO₂)＝FuncOne(GenPer,WaterinT,Mflow)；

(2)Rex＝EM_NO_x×γ₁+EM_SO₂×γ₂；

$>\left(3\right)---{ϵ}_1<\left[\underset{s=1}{\overset{n}{\Sigma }}\right({\mathrm{Dbmcr}}_s\times {\mathrm{GenPer}}_s\times {\mathrm{Run}}_s\left)\right]-Dneed<{ϵ}_2;$>

(4)Dneed＝FuncH(Mneed,Tneed,Pneed)；

$>\left(5\right)---{\alpha }_1<\left(\underset{s=1}{\overset{n}{\Sigma }}{\mathrm{Mfow}}_s\right)-Mneed<{\alpha }_2;$>

$>\left(6\right)---\underset{s=1}{\overset{n}{\Sigma }}({\mathrm{Dbmcr}}_s\times ({\mathrm{PerMax}}_s-{\mathrm{GenPer}}_s)\times {\mathrm{Run}}_s)>DbackLoad;$>

(7)PerMin_s＜GenPer_s＜PerMax_s；

(8)Run_s＝0或1；

(9)DLoad_s＝GenPer_s×Dbmcr_s；

(10)GenPer_s＝FuncH(M_s,T_s,P_s)/Dbmcr_s；

(11)T_min＜T_s＜T_max；

(12)M_min＜Mflow_s＜M_max；

其中：

Mneed:热水流量需求，单位t/h；

Tneed:热水温度需求，单位℃；

Dneed:需求热量，根据温度和流量计算，为热水的总焓值，GJ/h；

FuncOne:CostOne，EM_NO_x，EM_SO₂随锅炉负荷率，给水温度，给水流量变化的特性函数；

FuncH：根据流量，温度，压力求焓值，根据水和水蒸气性质计算；

WaterinT：锅炉给水温度，单位℃；

Mflow_s：第s台锅炉的给水流量，单位t/h；

DLoad_s：第s台锅炉出口的热量，单位GJ/h；

DbackLoad:备用热量，指的是在未来一段时间可能需要增加的量，单位GJ/h；

T_max:热水锅炉热水最高温度，单位℃；

T_min:热水锅炉热水最低温度，单位℃；

M_max:热水锅炉热水最高流量，单位t/h；

M_min:热水锅炉热水最低流量，单位t/h；

Pneed:热水出口的压力，单位Mpa，取锅炉额定压力；

M_s：各台锅炉的热水流量，单位t/h；

T_s：各台锅炉的热水温度，单位℃；

P_S:各台锅炉的热水压力，单位Mpa；

Dbmcr_s：第s台锅炉的最大生产热量，单位GJ/h；

GenPer_s：第s台锅炉的负荷率；

PerMax_s：第s台锅炉的最大负荷率；

PerMin_s：第s台锅炉的最小负荷率；

Run_s：第s台锅炉是否启用，启用为1，停止使用为0；

Rex：污染物排放综合指标；

γ₁：污染物排放权重系数一；

γ₂：污染物排放权重系数二；

α₁：流量控制下限参数；

α₂：流量控制上限参数；

ε₁：热量余量控制下限参数；

ε₂：热量余量控制上限参数。

所述步骤S22中采用非支配排序遗传算法求解优化目标下的最优负荷分配的方法包括如下步骤：

步骤S221，初始化父代种群P₀，令t＝0。采用实数编码产生表示各台锅炉负荷率、供水温度和供水流量的群体；

步骤S222，判断t是否大于t_max，若是，停止迭代；若否，计算种群Pt中个体目标值并进行非支配排序；t_max为最大进化代数；

步骤S223，通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群Q_t；

步骤S224，从第二代开始，将父代种群与子代种群合并R_t＝P_t∪Q_t，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算；

步骤S225，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群P_t+1，回到步骤S222；直至通过非支配排序遗传算法得到Pareto最优解集，即是锅炉集群优化运行的负荷分配的最优值。

实施例2

本实施例2提供了一种供热锅炉集群优化系统，包括：

建模单元，建立锅炉集群中各锅炉的特性模型；

与建模单元相连的负荷分配单元，该负荷分配单元用于计算锅炉集群的负荷分配。

其中，建模单元和负荷分配单元的具体工作方法参见实施例1的相关论述。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。