基于工业互联网的热电智能调控技术

1.背景 1.1.行业特性 热能作为化工、生物、医药、造纸、食品加工、纺织等工业生产过程中必备的基础能源之一，是与电能地位相当的工业基础能源。但热能由于无法远距离传输，所以热能的供给和消费都是区域化的。在有规模化热能需求产业存在的工业园区，基本上都需要有一个热源厂，而为了热能的高效梯次利用，国内目前的热源都以热电联产为主。与以供应公共电网为主的火力发电大机组不同，热电联产机组有以下特点： 作为区域能源供应主体，仅响应工业园区内部热电能源需求，有面向政府公共工业园区的公共热电联产工厂，也有面向企业大型生产园区的自备热电联产工厂。 由于我国能源结构特性，绝大多数热电联产都是燃煤机组，燃煤由于来源多样而导致燃煤品质波动大、不稳定。 根据工业园区中生产企业的工艺特性对能源的不同需求，热电联产厂有的以供热为主、供电为辅，有的以供电为主、供热为辅。作为工业园区唯一的供热源，热电联产厂需要连续供应，锅炉、汽机等设备都采用冗余配置，所以热电联产厂都采用母管制结构，而且既供热又供电，供热还可能存在多种蒸汽等级、多条供热管道，整个生产工艺复杂，运行控制挑战大。热电联产锅炉、汽机等设备数量多但每个机组规模小，整厂在投资建设阶段与火力发电大机组相比，基建投资预算少很多，在辅机、传感器、执行机构等设备的选型采购时通常受预算约束，往往质量不高，容易出故障。 1.2.政策背景 从启动双碳政策以来，风电和光伏的新增机组容量和总装机容量占比持续攀升。截止2023年，绿能的装机容量已经超过了煤电。但风资源的波动、风力机组调峰能力弱，风电出力存在随机波动性和反调峰特性；太阳能光伏发电严重依赖光照情况，存在天然的不确定性和间歇性，大量“阴晴不定”的新能源并网给电网带来前所未有的调峰压力。2023年3月28日，国家能源局27号文件发布《国家能源局关于加快推进能源数字化智能化发展的若干意见》中指出要将数字技术与能源产业发展深度融合，提高能源产业数字化智能化水平，加快构建清洁低碳、安全高效的新型能源体系。 作为能源使用主要存在形态的区域能源，也是新型能源体系的重要组成部分。自2023年《意见》发布以来，越来越多的区域能源应国家要求加快光伏、风电等新能源的建设，这就构成了分布式新型区域能源体系，如下图所示： 在新型区域能源体系中，除了原来热电用户的波动性外，还增加了新的波动性： 新能源波动性：光伏、风电对于区域电网的供电引入了巨大的不确定性； 电价波动性：越来越多的省份开始推行电力现货交易，区域电网使用公共电网电量时不再是稳定的电价，而是动态的电价，这对电网用电成本引入了不确定性； 热电厂作为区域能源唯一可大幅调控的能源主体，为了能够更好地实现新能源的利用，以及在动态电价政策下实现区域能源综合用能成本最低，热电厂的实时动态调控成为关键。 1.3.痛点问题 我国的热电联产机组普遍应用了DCS来监控和运行生产系统，由于热电联产机组“非线性、强耦合、大延迟、多时变”的特性，目前基本上所有的热电联产机组均无法实现全厂常态化自动控制运行，而是采用人工调控运行的模式，DCS仅作为集中控制的手段实现数据和控制的集中。其主要原因是以DCS为基础的控制体系在热电联产场景下存在不足： 1)协调与耦合控制能力弱 DCS更擅长局部单回路的自动控制，而对于系统级的耦合控制或协调控制并不擅长。这导致对于煤电与新能源协调、多机组协调、热/电协调、机炉协调、母管制锅炉间的协调、燃烧与环保协调等场景当前的自动控制系统无法适应，需要运行人员人工操作。 2)大延迟控制效果差 PID以反馈控制为主，对于延迟较大的场景容易造成波动大、控制跳出等问题。这导致流化床锅炉控制、脱硝控制、大供热管网的压力响应等大延迟场景当前的控制系统无法自动控制，仍广泛依赖运行人员。 3)控制逻辑适应性、健壮性差 DCS为了强调硬件的稳定性和健壮性，在数据存储容量、计算能力等方面均采用比较稳定可靠但算力较弱的硬件，所以在控制逻辑算法上均只能支持较初级的算法。控制逻辑完全依靠调试人员现场调试并将验证好的控制规则和控制参数写死在DCS中。而同一套控制规则和控制参数往往适应性窄、健壮性差，对于热电联产这种负荷区间波动范围大、机炉运行组合多样、设备条件容易变化、燃料成分波动频繁的场景，固定的控制规则和控制参数是无法适应的。 4)对数据质量要求高、容忍度低 以DCS为基础的控制技术对数据统计算法缺乏支持，简单的数据判断和清洗算法很难解决热电厂质量较差的数据质量，极易发生由于数据质量问题导致的控制异常。 目前国内也有一些自动控制厂家为热电联产小机组提供基于APC技术的自动控制产品，但从市场反应来看，仍然存在机组覆盖不全、工况适应性差、负荷适应性差、 自动投用率低等问题，这些产品目前仅在少数工业场景的单炉控制有少数成功案例，大量的都是失败案例。 以DCS为代表的第三次工业革命产生的控制技术已经成熟了几十年，在煤电行业的应用也超过了30年，但母管制的热电联产小机组仍然以人工运行为主，自动范围覆盖和自动投用率均非常低。运行效果严重依赖运行人员的经验、责任心、精力等，运行人员招聘、培养、管理负担重；而且人工运行几乎无法实现长时间及时、准确地调控，这也会导致系统能效、环保控制、辅料消耗、蒸汽品质等均存在较大提升空间。 尤其是当下在建设新型能源体系的大背景下，热电联产生产过程依赖人工运行的现状完全无法适应区域能源调控体系对热电厂的调控需求，这成为了新型区域能源系统高质量发展的重大瓶颈。 2.市场分析 中国现存工业锅炉40多万台，其中燃煤锅炉30万台，燃气/油/电锅炉10万台，其余为生物质、地热等新能源锅炉。 对于热电联产机组，一个电厂普遍配置运行人员在70-80人，每个运行人员一年的成本在10万元左右，而且随着社会发展，越来越少的年轻人愿意从事电厂运行工作，尤其是经济发达地区或偏远地区，电厂普遍面临招人难、培养难、留人难、管理难的问题。智能调控技术的应用可以有效降低对运行人员在数量、能力、工作强度、管理难度方面的需求，降低企业的用人成本。另外，智能调控技术在替代人工运行后可以规避由于运行人员在经验、责任心等方面的不足，有效改善机组的运行效果，提升系统能效。考虑一个中等规模的电厂，每年生产成本2亿，智能调控技术可以节省 20人、带来1%的系统能效提升，那该技术可以每年为电厂节省400万元的直接经济价值。 对于配备了新能源的区域能源系统，智能调控技术的有效应用，可以大幅改善新能源、公共电网、热电厂之间的协调，提高新能源的利用率，降低区域能源系统的综合用能成本，综合经济效益也可达数百万元每年。 智能调控技术不仅在新型区域能源系统中可以发挥重大价值，对于纯粹发电或发电附带供热的公共电厂，智能调控技术也可以改善机组的灵活性、控制的稳定性和系统的经济性。 在国家加快推进新型能源体系建设的大背景下，智能调控技术成为了电厂迫切需要的新技术，无论是在小型工业锅炉机组还是在大型电站锅炉机组均有非常广阔的应用前景。而且，智能调控技术符合国家战略，是建立新型能源体系、保障能源安全、实施碳达峰碳中和的关键技术之一。 3.方案 本案例是一套面向热电生产企业进行智能化升级改造和智能化运行的完整产品和服务体系，重点面向热电机组的智能调控技术，实现热电机组全厂级的自动化运行。 3.1.总体方案 3.1.1.智能调控体系 要实现电厂的常态化自动运行，仅依赖DCS是远远不够的。如下图所示为电厂的运行数字化体系： DCS在整个运行体系中的定位是最底层的生产系统，是生产运行的底座。它实现生产系统的数据集中和控制指令集中；实现在时效性和安全性要求较高的单回路控制；实现基本的安全联锁保护等。所以，DCS强调可靠性、健壮性、实时性，而反对复杂性、可能的延迟等。所以如前所述，DCS不适合做复杂的计算。 所以在许多DCS不适合的控制场景，如多参数耦合控制、大延迟控制、自适应控制等场景下，就需要应用APC控制技术。 无论是DCS的控制还是APC的控制，有很多目标需要根据实时运行情况进行动态决定，RTO就是基于历史运行数据，应用寻优算法对目标值进行计算和下发。 无论是控制层的APC和DCS以及优化层的RTO均解决的是局部问题，而无法考虑全局问题，RTS用于解决系统性问题，通过在顶层进行全局统筹和优化决策对各子系统进行协调。 智能调控技术是在DCS之上，将APC、RTO、RTS融合在一起，弥补DCS的不足，从而实现热电机组的自动化运行。智能调控技术将调度、寻优、控制进行融合，调度解决宏观协调问题，以全局最优为出发点；寻优解决局部参数优化问题，实现实时工艺参数优化；控制解决自动执行问题，实现指令更精准更安全地执行。智能调控强调三方面的一体化决策，综合考虑、统一决策、全局最优、高效执行。 3.1.2.智能决策算法 智能调控技术的核心是将RTS、RTO和APC三个层次的调度、优化和控制问题，模拟人工运行人员的思维过程，当作决策问题进行解决。智能决策算法是整个智能调控系统的核心。智能决策算法有通用的公共基础算法、也有面向特定工艺环节的场景决策算法。 智能决策算法的主体思想如下图所示： 智能决策算法将一个控制决策分为四个步骤： 解空间构造：面对一个控制问题，所有可能的决策结果构成一个解空间；每个控制量构成解空间的一个维度；每个控制量单次最大调节量构成该维度的上下限；每个控制量的单次最小调节量构成该维度的一个刻度； 可行解筛选：设备不可调区间所对应的解剔除掉，明显不符合逻辑的解剔除掉，与当前状态不匹配的解剔除掉，剩余所有的解称为可行解； 控制结果变换：针对每一个可行解，通过数字孪生模型预测，计算出按照这一组操作所产生的未来系统状态；结果可能包括压力、氧量、NOx等控制指标，也可能包括效率、热损失等经济性指标； 控制结果寻优：设计评价函数对所有结果进行对比，选出最优结果（Y）；再通过最优结果找到对应的可行解（X），确定最佳操作；评价函数可以按照影响程度进行设计，例如安全＞环保＞保供＞能效；如果所有结果均不佳，则产生预警； 3.1.3.数字孪生模型 此处用“数字孪生模型”重点是体现“在数字空间对物理世界进行模拟和预测”的概念，而非特指数字孪生仿真技术。热电生产系统由于其测量数据的精确度和稳定性不足，无法基于常规仿真建模技术进行系统仿真。此处“数字孪生模型”的本质是一整套相互关联面向全厂调度和控制的预测模型体系；这些模型是以机理和专家知识为框架，基于生产数据训练的一系列数据统计和机器学习模型。 在每个智能决策过程中非常重要的一个环节就是从解空间到状态空间的变换，这个变换的本质是对每一组运行控制指令利用各级数据模型对未来运行结果进行预测，获得未来整个电厂的状态空间，作为寻优算法的评价基础。另外，热电厂由于其数据质量总体不高，这些预测模型需要在控制的精准性和鲁棒性之间取得平衡。 数字孪生模型的有效性是智能决策技术实现控制效果的关键。 数字孪生模型必须具备两个特性： 全厂耦合：对于强耦合的热电机组而言，任何一个设备的工作可能都会影响到全局的其它指标，所以数字孪生模型需要全厂耦合，能够将任何一个动作或一组动作的执行结果都能够反映到全厂的其它指标。动态更新：为匹配热电机组的多时变特性，数字孪生模型需要能够动态实时更新，以及时反映实体电厂的特性变化，从而适应最新的电厂运行情况。 3.1.4.智能感知技术 对系统状态的准确感知是控制的基础，热电机组的生产数据质量普遍不高。主要存在的问题有： 没有在线检测：燃煤热值、成分、量等由于缺乏在线检测手段或未安装相应检测设备而无法在线检测；在线测量不准确：风量、蒸汽流量等由于流体不稳定容易测不准；检测设备有盲区：流量计、称重等测量设备特性存在测量死区导致某些区间反馈量错误或偏差较大；检测仪表易漂移：氧量、温度等传感器随着使用容易出现漂移； 智能感知技术是利用大数据和机器学习技术，基于热电系统机理，对数据进行软测量以提高数据感知的全面性和精度