基于大数据分析技术的供热机组可调出力区间评估方法

摘要

本发明公开了一种基于大数据分析技术的供热机组可调出力区间评估方法，从机组供热负荷、环境温度和当量负荷给煤量三维角度运用多维聚类算法，对供热机组生产运行大数据进行划分，然后运用高斯分布，按照设定的约束条件进行寻优迭代计算，评估特定工况下机组的调峰能力区间，可以实现全网可调出力的及时更新，有利于电力调度运行人员尽早了解全省机组发电能力变化情况，保证电网的稳定运行。

权利要求

1.基于大数据分析技术的供热机组可调出力区间评估方法，其特征在于：包括以下步骤，步骤1，定义给定机组的历史供热数据集为其中， 为机组工况数据， 为机组运行数据，M为机组历史供热数据样本数，i∈[1,M]；

步骤2，运用多维聚类算法，将整个历史供热数据集按不同的工况，划分成若干个数据子集S＝{S1,S2,…,SK}；

其中，K为工况类型个数，Sj为第j种工况的供热数据；

步骤3，采用高斯分布 对每个工况下机组发电功率集P＝{p1,p2,…,pn}进行描述；

其中，μP为均值， 为方差，n为一工况下机组放电功率样本数，pl为一工况下机组第l个放电功率样本，l∈[1,n]；

步骤4，对每个工况下，对机组发电功率集的高斯分布的置信区间进行寻优迭代计算，使该置信区间满足预先设定的约束条件，该置信区间的上、下限为相应工况下调峰能力区间的上、下限。

2.根据权利要求1所述的基于大数据分析技术的供热机组可调出力区间评估方法，其特征在于：多维聚类算法的维度划分标准包括供热负荷、环境温度和当量负荷给煤量。

3.根据权利要求1或2所述的基于大数据分析技术的供热机组可调出力区间评估方法，其特征在于：多维聚类算法为k-means算法。

4.根据权利要求1所述的基于大数据分析技术的供热机组可调出力区间评估方法，其特征在于：约束条件为，一、机组调峰能力区间上限小于等于机组额定负荷；

二、机组调峰能力区间下限大于等于R％机组额定负荷；

R％根据政府部门对每台机组核定的最低不投油运行负荷来确定；

三、置信区间的置信水平大于等于Y％，Y≥90。

5.根据权利要求4所述的基于大数据分析技术的供热机组可调出力区间评估方法，其特征在于：寻优迭代计算的过程为，A1)定义j＝1；

A2)计算置信水平X＝100％-jα；

其中，jα为步长；

A3)计算置信区间的上、下限；

置信区间的上限，

Pmax＝μp+λ×σP

置信区间的下限，

Pmax＝μp-λ×σP；

其中，λ为参数，λ＝tjα/2(n-1)表示根据jα和n在t分布表上查找λ；

A4)判断置信水平X是否等于Y％或者置信区间的上、下限分别满足约束条件一、二，如果是，则结束；否则，j＝j+1，转至步骤A2。

说明书

基于大数据分析技术的供热机组可调出力区间评估方法

技术领域

[0001] 本发明涉及一种基于大数据分析技术的供热机组可调出力区间评估方法，具体讲是一种运用大数据分析技术，对机组历史供热数据进行深度分析，进而评估在不同工况条件下机组发电负荷的可调整区间的方法。

背景技术

[0002] 由于大型燃煤机组较传统供热锅炉、小型热电联产机组拥有更高的能源利用效率、更加清洁环保的污染物治理设施，随着节能减排工作的不断深化，相关政府部门积极推动国内大型燃煤机组进行供热改造，替代周边传统供热小锅炉、小型热电联产企业，以提高整体能源利用效率、大幅降低各种污染物排放。以江苏省为例，截至2015年6月底，全省100MW及以上供热机组容量达到38845MW，占全省大型燃煤机组总容量的61.85％，供热量接近全省煤电机组供热量的20％，供热流量达到3180t/h，而且随着小型燃煤机组的不断关停与替代，全省大型燃煤机组供热量将继续不断攀升。

[0003] 大型燃煤机组供热改造后，对机组的调峰能力有一定限制。一般而言，供热抽汽量越大，最大发电能力越小，最小发电能力越大，即燃煤机组参与供热后，其发电能力将受到一定限制。据不完全统计，目前由于供热等因素，导致江苏全网出力受限最大达到5000MW左右，在电网平衡计划制定与电力调度(特别是迎峰度夏和迎峰度冬期间)时，必须对大型燃煤供热机组出力受限情况予以评估。

[0004] 因此，为了满足电网调度平衡要求，国家相关政府部门出台了一系列加强供热机组调峰能力监管的措施。例如，国家能源局东北电管局于2011年就出台了《东北区域火电厂最小运行方式核定管理暂行办法》，旨在提高东北电网调峰调度的规范化和科学化水平，在保证居民和用电企业基本供暖供热的基础上，挖掘火电机组调峰空间，进一步缓解东北电网调峰能力下降的突出矛盾。

[0005] 但是在大型供热机组调峰能力评估方面，由于现场试验工作过于复杂，涉及工况调整较多，同时，理论变工况计算工况图与机组实际运行数据相差较大，导致机组调峰能力区间准确评估较为困难。

发明内容

[0006] 为了解决上述技术问题，本发明提供了一种基于大数据分析技术的供热机组可调出力区间评估方法。

[0007] 为了达到上述目的，本发明所采用的技术方案是：

[0008] 基于大数据分析技术的供热机组可调出力区间评估方法，包括以下步骤，[0009] 步骤1，定义给定机组的历史供热数据集为

[0010] 其中， 为机组工况数据， 为机组运行数据，M为机组历史供热数据样本数，i∈[1,M]；

[0011] 步骤2，运用多维聚类算法，将整个历史供热数据集按不同的工况，划分成若干个数据子集S＝{S1,S2,...,SK}；

[0012] 其中，K为工况类型个数，Sj为第j种工况的供热数据；

[0013] 步骤3，采用高斯分布 对每个工况下机组发电功率集P＝{p1,p2,...,pn}进行描述；

[0014]

[0015]

[0016] 其中，μP为均值， 为方差，n为一工况下机组放电功率样本数，pl为一工况下机组第l个放电功率样本，l∈[1,n]；

[0017] 步骤4，对每个工况下，对机组发电功率集的高斯分布的置信区间进行寻优迭代计算，使该置信区间满足预先设定的约束条件，该置信区间的上、下限为相应工况下调峰能力区间的上、下限。

[0018] 多维聚类算法的维度划分标准包括供热负荷、环境温度和当量负荷给煤量。

[0019] 多维聚类算法为k-means算法。

[0020] 约束条件为，

[0021] 一、机组调峰能力区间上限小于等于机组额定负荷；

[0022] 二、机组调峰能力区间下限大于等于R％机组额定负荷；

[0023] R％根据政府部门对每台机组核定的最低不投油运行负荷来确定；

[0024] 三、置信区间的置信水平大于等于Y％，Y≥90。

[0025] 寻优迭代计算的过程为，

[0026] A1)定义j＝1；

[0027] A2)计算置信水平X＝100％-jα；

[0028] 其中，jα为步长；

[0029] A3)计算置信区间的上、下限；

[0030] 置信区间的上限，

[0031] Pmax＝μp+λ×σP

[0032] 置信区间的下限，

[0033] Pmax＝μp-λ×σP；

[0034] 其中，λ为参数，λ＝tjα/2(n-1)表示根据jα和n在t分布表上查找λ；

[0035] A4)判断置信水平X是否等于Y％或者置信区间的上、下限分别满足约束条件一、二，如果是，则结束；否则，j＝j+1，转至步骤A2。

[0036] 本发明所达到的有益效果：本发明从机组供热负荷、环境温度和当量负荷给煤量三维角度运用多维聚类算法，对供热机组生产运行大数据进行划分，然后运用高斯分布，按照设定的约束条件进行寻优迭代计算，评估特定工况下机组的调峰能力区间，可以实现全网可调出力的及时更新，有利于电力调度运行人员尽早了解全省机组发电能力变化情况，保证电网的稳定运行。

附图说明

[0037] 图1为本发明的流程图。

[0038] 图2为本发明的对比效果图。

具体实施方式

[0039] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

[0040] 如图1所示，基于大数据分析技术的供热机组可调出力区间评估方法，包括以下步骤：

[0041] 步骤1，定义给定机组的历史供热数据集为

[0042] 其中， 为机组工况数据， 为机组运行数据，M为机组历史供热数据样本数，i∈[1,M]。

[0043] 步骤2，运用多维聚类算法，将整个历史供热数据集按不同的工况，划分成若干个数据子集S＝{S1,S2,...,SK}；其中，K为工况类型个数，Sj为第j种工况的供热数据。

[0044] 多维聚类算法的维度划分标准包括供热负荷、环境温度和当量负荷给煤量。这里的多维聚类算法为k-means算法，该算法以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。

[0045] 步骤3，采用高斯分布 对每个工况下机组发电功率集P＝{p1,p2,...,pn}进行描述；

[0046]

[0047]

[0048] 其中，μP为均值， 为方差，n为一工况下机组放电功率样本数，pl为一工况下机组第l个放电功率样本，l∈[1,n]。

[0049] 步骤4，对每个工况下，对机组发电功率集的高斯分布的置信区间进行寻优迭代计算，使该置信区间满足预先设定的约束条件，该置信区间的上、下限为相应工况下调峰能力区间的上、下限。

[0050] 约束条件具体如下：

[0051] 一、机组调峰能力区间上限小于等于机组额定负荷；

[0052] 二、机组调峰能力区间下限大于等于R％机组额定负荷；

[0053] R％根据政府部门对每台机组核定的最低不投油运行负荷来确定；

[0054] 三、置信区间的置信水平大于等于Y％，Y≥90。

[0055] 上述约束条件中R一般为30，Y一般为90。

[0056] 寻优迭代计算的过程如下：

[0057] A1)定义j＝1；

[0058] A2)计算置信水平X＝100％-jα；

[0059] 其中，jα为步长，α＝0.01；

[0060] A3)计算置信区间的上、下限；

[0061] 置信区间的上限，

[0062] Pmax＝μp+λ×σP

[0063] 置信区间的下限，

[0064] Pmax＝μp-λ×σP；

[0065] 其中，λ为参数，λ＝tjα/2(n-1)表示根据jα和n在t分布表上查找λ；

[0066] A4)判断置信水平X是否等于Y％或者置信区间的上、下限分别满足约束条件一、二，如果是，则结束；否则，j＝j+1，转至步骤A2。

[0067] 上述方法从机组供热负荷、环境温度和当量负荷给煤量三维角度运用多维聚类算法，对供热机组生产运行大数据进行划分，然后运用高斯分布，按照设定的约束条件进行寻优迭代计算，评估特定工况下机组的调峰能力区间。

[0068] 为了进一步说明上述方法，以某140MW等级超高压供热机组，对其进行可调出力区间分析如下所示：

[0069] 在对机组供热运行数据进行多维空间划分时，出于以下考虑选取了工况划分指标：

[0070] 1、煤质特性：由于煤种状况对机组制粉、燃烧等系统影响较大，因此在对供热机组调峰能力分析时应予以考虑。

[0071] 选择当量负荷给煤量作为煤质特性的度量指标，其计算方法为，[0072]

[0073] 式中，G为总给煤量，单位为t/h，p为发电功率，单位为MW，ε为当量负荷给煤量，单位为t/MWh。

[0074] 例中，当量负荷给煤量以0.05t/MWh为间隔进行划分。

[0075] 2、大气环境：发电过程需要从自然环境中获取空气、水等热量传递及交换介质，外部大气环境对其影响不容小觑，因此在分析供热机组调峰能力时，首先要选择样本数据中机组运行的外部环境一致的数据进行对比分析，否则不同的外部环境条件下数据之间并不一定具有可比性。针对这一特性，本方法中选择环境温度作为大气环境特性的度量指标，该指标为现场监测参数。

[0076] 例中，环境温度以1℃为间隔进行划分。

[0077] 3、供热负荷：以1t/h为间隔进行划分。

[0078] 通过对机组运行数据进行聚类分析、高斯分布最优置信区间搜索等处理，从海量数据集中提取出各种工况下机组的调峰能力区间。

[0079] 图2为该供热机组运用大数据分析方法、工况图方法评估结果的对比分析图。图中横坐标为燃煤机组供热流量，纵坐标分别为发电功率和机组供热流量分布概率，虚线和实线分别为使用工况图法和本文大数据分析法得到的各供热流量下机组的最大可调出力与最小可调出力。

[0080] 从图中可以看出，大数据分析法与供热工况图法两种方法分析结果总体趋势基本一致：两种方法评估调峰能力上限均随着供热流量的增大而减小，而调峰能力下限随着供热流量的增大而增大。

[0081] 但两种方法也存在一定差别，主要表现在：

[0082] 1、在60t/h以下供热工况中，大数据分析法得到的调峰能力下限比工况图法计算结果更低；

[0083] 2、在60t/h以上供热工况中，大数据分析法得到的调峰能力下限比工况图法计算结果更高；同时，大数据分析法得到的调峰能力上限总体比工况图法计算结果更高。

[0084] 由于大数据分析法是根据机组全年的实际运行数据提取分析得到的计算结果，因此其输出的最大、最小出力基本均是可复现的，较工况图等理论推导方法更加真实可靠。

[0085] 而且，随着机组运行数据的不断积累，从环境温度、煤质状况、回水温度等多维度应用大数据分析方法进行深入分析，其应用效果将更加准确可靠，评估结果也将更加真实有效。

[0086] 传统方法通过对供热机组开展性能试验，从试验准备到开展现场试验，耗时达数周。而本方法则能够在几小时内完成相关评估工作，且现场几乎不需要开展任何复杂的测试工作，从时间及成本角度而言均具有不可替代的优势。

[0087] 综上所述，上述方法可以实现全网可调出力的及时更新，有利于电力调度运行人员尽早了解全省机组发电能力变化情况，保证电网的稳定运行。

[0088] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。