一种火电厂多煤种掺烧的燃烧优化方法及系统与流程

摘要: 本发明涉及火电厂智能化调控,尤其是一种火电厂多煤种掺烧的燃烧优化方法及系统。背景技术:1、随着电力行业转型升级,火电厂面临严苛环保约束与市场竞争,降本增效、绿色...
一种火电厂多煤种掺烧的燃烧优化方法及系统与流程

本发明涉及火电厂智能化调控,尤其是一种火电厂多煤种掺烧的燃烧优化方法及系统。

背景技术:

1、随着电力行业转型升级,火电厂面临严苛环保约束与市场竞争,降本增效、绿色低碳成为核心诉求,配煤掺烧作为燃料管理关键环节,可实现劣质煤资源化利用、降本控排并保障机组稳定,是节能环保的重要因素。当前我国火电厂来煤种类多样、煤质波动大,劣质煤掺烧比例不断提升,而多数电厂仍采用经验配煤模式,存在难以兼顾多目标、掺配精度低、效率低下等痛点,造成燃料浪费与排放超标。

技术实现思路

1、本发明实施例提供了一种火电厂多煤种掺烧的燃烧优化方法及系统,用以解决现有的存在的问题。

2、本发明实施例提供了一种火电厂多煤种掺烧的燃烧优化方法,包括:

3、获取待掺烧的至少两个煤种的煤质参数和火电厂中机组运行工况;

4、基于每个所述煤种的煤质参数和所述机组运行工况,利用改进粒子群优化算法,对以经济性、环保性和安全性为优化目标的多目标优化模型进行求解,输出包含所述至少两个煤种的最优掺烧方案;

5、所述多目标优化模型中经济性优化目标包括至少两个煤种构成的混合煤的单位发电量燃料成本最小化;环保性优化目标包括所述混合煤燃烧后污染物排放总量最小化;安全性优化目标包括所述混合煤的煤质适配火电厂中锅炉设计参数与所述机组运行工况;

6、所述改进粒子群优化算法中引入动态惯性权重调整策略、学习因子优化策略和约束处理机制中的至少一项。

7、进一步地,所述基于每个所述煤种的煤质参数和所述机组运行工况,利用改进粒子群优化算法,对以经济性、环保性和安全性为优化目标的多目标优化模型进行求解,输出包含所述至少两个煤种的最优掺烧方案,包括:

8、对改进粒子群优化算法进行参数初始化,初始化后的参数包括粒子种群、惯性权重、学习参数和最大迭代次数;所述粒子种群中每个粒子表示一个掺烧方案,不同掺烧方案中每个所述煤种的掺配比例不同;

9、利用初始化参数后的改进粒子群优化基于以经济性、环保性和安全性为优化目标的多目标优化模型,计算每个粒子的适应度,并利用约束处理机制,动态更新每个粒子的速度和位置,直至达到所述最大迭代次数;

10、基于所述最大迭代次数对应的粒子,输出包含所述至少两个煤种的最优掺烧方案。

11、进一步地,所述动态惯性权重调整策略包括在求解过程中靠前的若干迭代次数对所述惯性权重增大,其余迭代次数对所述惯性权重减少。

12、进一步地,所述学习因子优化策略包括在求解过程中调整每个粒子的个体学习因子和粒子种群的群体学习因子。

13、进一步地,所述约束处理机制包括在求解过程中对更新后的粒子进行约束检验。

14、进一步地,所述经济性优化目标满足如下公式:

15、min c = σ(wi× pi) / σ(wi× qi)

16、其中,c为混合煤的单位发电量燃料成本,wi为第i种煤的掺配比例,pi为第i种煤的采购价格,qi为第i种煤的热值;

17、所述环保性优化目标满足如下公式:

18、min e = λ1×σ(wi×si) + λ2×σ(wi×ni) + λ3×σ(wi×ai)

19、其中,e为混合煤燃烧后污染物排放总量,si为第i种煤的硫分,ni为第i种煤的氮分,ai为第i种煤的灰分。

20、进一步地,所述安全性优化目标中所述混合煤的煤质包括热值、挥发分、灰熔点和可磨性指数。

21、进一步地,所述基于每个所述煤种的煤质参数和所述机组运行工况,利用改进粒子群优化算法,对以经济性、环保性和安全性为优化目标的多目标优化模型进行求解,输出包含所述至少两个煤种的最优掺烧方案,包括:

22、对所述最优掺烧方案进行验证,得到验证结果;

23、将所述验证结果与实际燃烧效果进行对比,得到对比结果;

24、基于所述对比结果,对所述多目标优化模型进行反馈调整。

25、本发明实施例还提供了一种火电厂多煤种掺烧的燃烧优化系统,包括:

26、获取模块,用于获取待掺烧的至少两个煤种的煤质参数和火电厂中机组运行工况;

27、优化模块,用于基于每个所述煤种的煤质参数和所述机组运行工况,利用改进粒子群优化算法,对以经济性、环保性和安全性为优化目标的多目标优化模型进行求解,输出包含所述至少两个煤种的最优掺烧方案;

28、所述多目标优化模型中经济性优化目标包括至少两个煤种构成的混合煤的单位发电量燃料成本最小化;环保性优化目标包括所述混合煤燃烧后污染物排放总量最小化;安全性优化目标包括所述混合煤的煤质适配火电厂中锅炉设计参数与所述机组运行工况;

29、所述改进粒子群优化算法中引入动态惯性权重调整策略、学习因子优化策略和约束处理机制中的至少一项。

30、进一步地,所述优化模块,具体用于:

31、对改进粒子群优化算法进行参数初始化,初始化后的参数包括粒子种群、惯性权重、学习参数和最大迭代次数;所述粒子种群中每个粒子表示一个掺烧方案,不同掺烧方案中每个所述煤种的掺配比例不同;

32、利用初始化参数后的改进粒子群优化基于以经济性、环保性和安全性为优化目标的多目标优化模型,计算每个粒子的适应度,并利用约束处理机制,动态更新每个粒子的速度和位置,直至达到所述最大迭代次数;

33、基于所述最大迭代次数对应的粒子,输出包含所述至少两个煤种的最优掺烧方案。

34、进一步地,所述动态惯性权重调整策略包括在求解过程中靠前的若干迭代次数对所述惯性权重增大,其余迭代次数对所述惯性权重减少。

35、进一步地,所述学习因子优化策略包括在求解过程中调整每个粒子的个体学习因子和粒子种群的群体学习因子。

36、进一步地,所述约束处理机制包括在求解过程中对更新后的粒子进行约束检验。

37、进一步地,所述经济性优化目标满足如下公式:

38、min c = σ(wi× pi) / σ(wi× qi)

39、其中,c为混合煤的单位发电量燃料成本,wi为第i种煤的掺配比例,pi为第i种煤的采购价格,qi为第i种煤的热值;

40、所述环保性优化目标满足如下公式:

41、min e = λ1×σ(wi×si) + λ2×σ(wi×ni) + λ3×σ(wi×ai)

42、其中,e为混合煤燃烧后污染物排放总量,si为第i种煤的硫分,ni为第i种煤的氮分,ai为第i种煤的灰分。

43、进一步地,所述安全性优化目标中所述混合煤的煤质包括热值、挥发分、灰熔点和可磨性指数。

44、进一步地,所述优化模块,还用于:

45、对所述最优掺烧方案进行验证,得到验证结果;

46、将所述验证结果与实际燃烧效果进行对比,得到对比结果;

47、基于所述对比结果,对所述多目标优化模型进行反馈调整。

48、本技术还提供了一种电子设备,所述电子设备至少包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述火电厂多煤种掺烧的燃烧优化方法的步骤。

49、本技术还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述火电厂多煤种掺烧的燃烧优化方法的步骤。

50、本技术还提供了一种计算机程序产品,其计算机程序产品包括:计算机程序代码、当所述计算机程序代码在计算机上运行时,使得计算机执行上述任一所述火电厂多煤种掺烧的燃烧优化方法的步骤。

51、由于在本发明实施例中,获取待掺烧的至少两个煤种的煤质参数和火电厂中机组运行工况;基于每个煤种的煤质参数和机组运行工况,利用改进粒子群优化算法,对以经济性、环保性和安全性为优化目标的多目标优化模型进行求解,输出包含至少两个煤种的最优掺烧方案;多目标优化模型中经济性优化目标包括至少两个煤种构成的混合煤的单位发电量燃料成本最小化;环保性优化目标包括混合煤燃烧后污染物排放总量最小化;安全性优化目标包括混合煤的煤质适配火电厂中锅炉设计参数与机组运行工况;改进粒子群优化算法中引入动态惯性权重调整策略、学习因子优化策略和约束处理机制中的至少一项。本发明中将经济性、环保性和安全性三大目标纳入统一的多目标优化模型,通过改进后的粒子群优化算法进行求解,能够同时兼顾三大目标,且改进后的粒子群优化算法具有收敛速度快、求解精度高的优势,能够快速求解配煤掺烧多目标优化问题,满足火电厂实时调控的需求,显著提升了配煤掺烧的效率,且能够精确计算出各煤种的最优掺配比例,避免了人工经验带来的掺配误差,有效提高了掺配精度。