基于聚类的火电机组深度调峰负荷优化分配研究.pdf

based on clusterirhermalPowerGeneratio52(9):48-57.48-57.REN Yanyan,CAO Huilin,JIANetal.Loadoptimaldistributionofdeepegulation for thermal power unitsHaivan.oeak引用本文格式任燕燕，曹惠琳，姜海岩，等.基于聚类的火电机组深度调峰负荷优化分配研究 .热力发电，2 0 2 3，5 2(9)：Sep.2023THERMALPOWERGENERATION2023年9 月No.9Vo1.52第9 期第5 2 卷热力发电DOI:10.19666/j.rlfd.202306096基于聚类的火电机组深度调峰负荷优化分配研究任燕燕1，曹惠琳，姜海岩1，喻良1，胡才宝1，郭晓桐1，周怀春1（1.中国矿业大学低碳能源与动力工程学院，江苏徐州221116;2.天津大学内燃机燃烧学国家重点实验室，天津300072)摘要为了给深度调峰工况下火电机组负荷优化分配提供方法指导，分别建立了机组中高负荷与低负荷下的优化分配目标函数，并对不同状态下的负荷优化分配进行了研究。利用k均值聚类算法处理数据，拟合出2 台机组中高负荷与低负荷下的煤耗特性曲线；建立负荷分配目标函数，对比负荷静态分配、增量分配及持续变负荷条件下优化前后的煤耗量；设定深度调峰工况下2 台机组总负荷指令，对比负荷平均分配和优化分配2 种方案的煤耗量。结果表明：利用基于聚类的煤耗特性曲线建立中高负荷与低负荷下的优化分配目标函数，方法可靠，深度调峰工况下优化效果显著。k均值聚类算法可用于火电机组负荷优化分配，并可为火电机组深度调峰工况下负荷优化分配的研究提供参考。关键词深度调峰；k均值聚类；负荷优化分配；煤耗量Load optimal distribution of deep peak regulation for thermal power unitsbased on clusteringREN Yanyan,CAO Huilin,JIANG Haiyan,YU Liang,HU Caibao,GUO Xiaotongl,ZHOU Huaichunl(1.School of Low-Carbon Energy and Power Engineering,China University of Mining and Technology,Xuzhou 221116,China;2.State Key Laboratory of Engines,Tianjin University,Tianjin 300072,China)Abstract:In order to provide methodological guidance for the load optimal distribution of thermal power unitsunder the condition of deep peak regulation,the objective functions of optimal load distribution under medium-highload and low load are established respectively,and the load optimal distribution under different conditions is studied.The k-means clustering algorithm is used to process the data and the coal consumption characteristic curves of twounits under medium-high load and low load are fitted.The objective function of load distribution is established tocompare the coal consumption before and after optimization under static load distribution,incremental loaddistribution and continuous variable load conditions.After setting the total load instructions of the two units underthe condition of deep peak shaving,the coal consumption of the two schemes of load average distribution andoptimal distribution is compared.The results show that the clustering-based objective function models of optimaldistribution under medium-high load and low load established by the coal consumption characteristic curve arereliable,whose optimization effect is remarkable under the condition of deep peak regulation.The k-meansclustering algorithm can be used to optimize the load distribution of thermal power units and provide reference forthe study of ioad optimal distribution under the condition of deep peak regulation of thermal power units.Key words:deep peak regulation;k-means clustering;load optimal distribution;coal consumption收稿日期：2 0 2 3-0 6-0 1基金项目：中央高校基本科研业务费专项资金项目（2 0 2 0 QN09）；教育部产学合作协同育人项目（2 2 0 6 0 5 3 0 8 0 7 5 9 18）Supported by:Fundamental Research Funds for the Central Universities(2020QN09);Ministry of Education Industry-University CooperationCollaborative Education Project(220605308075918)第一作者简介：任燕燕（19 8 3），女，博士，讲师，主要研究方向为热力系统建模、控制与优化，。通信作者简介：曹惠琳（2 0 0 0），女，硕士研究生，主要研究方向为热工系统分析、液流电池，2 0 2 2 2 0 13 5 7 。http:/49任燕燕等基于聚类的火电机组深度调峰负荷优化分配研究第9 期推进能源生产和消费革命，构建清洁低碳与安全高效的能源体系，实施可再生能源替代行动1,降低煤炭消费总量和碳排放强度，助力实现碳达峰与碳中和2-5 ，是我国当前的一项重要国策。在可持续发展要求下，新能源发电技术日趋成熟，以风能、太阳能发电为代表的零碳机组开始大规模并入电网6 。作为一次能源，风能和太阳能不可储存，从其能源特点来看，其产生的电能具有随机性和间歇性。随着新能源电力占比逐渐增加，电力系统需要在随机波动的负荷需求与随机波动的电源之间实现能源的供需平衡7 。而火力发电技术成熟，具备电源稳定的特点，新型电力系统要求火力发电机组具备深度调峰的能力。刘峰8 提出在今后较长时期内，煤炭在推动我国能源转型发展中还将发挥不可或缺的兜底保障作用；赵剑峰9 与陈浮10 提出火力发电仍然是我国电力装机结构的中流砥柱，对增强能源供应链的安全性和稳定性尤为重要；甘益明11 提出全面推进供热机组深度调峰技术的发展，能够推动燃煤供热产业升级，助力我国“双碳”战略目标的顺利实施。提高火电机组运行效率对“双碳”目标的实现至关重要，深度调峰工况下火电机组的节能降耗符合当代社会需求，而负荷优化分配的研究是降低火电机组能耗的一个重要研究方向。欧阳子区12 提出灵活调节电源装机比例、开展调峰技术改造、利用先进储能技术耦合调峰等方式参与机组的深度调峰运行有很大的应用前景；BenatoA等13 提出了一种连续记录时间的创新方法，对国家电力系统需求高低峰时电量供给及经济性进行了技术和经济分析；BartnikR等14 为解决传统发电机组灵活性低等问题，提出了一种可预测负荷变化中电厂的动态行为的创新程序；慕昀翰15 将动态的煤耗特性曲线与转子寿命损耗加入到负荷分配目标函数中，得到优化的负荷优化函数；王海宁16 建立了以煤耗率和转子寿命为目标的负荷优化分配模型，并且采用并行的NSGA-II多目标负荷优化目标分配结构；Qi等人17 建立了火电机组负荷优化分配中以降低油耗为目标的数学优化模型。k均值聚类算法是一种迭代求解的聚类分析算法，不需要建立复杂的函数模型。依据数据的相似性进行分类，每个聚类有1个聚类中心，聚类中心随着样本的更新而不断更新。张文君等18 研究了k均值算法初始聚类中心的选择对算法本身聚类精度及效率的影响，提出了一种高效高精度的初始聚类中心选取方案；陶莹等19 为了解决初始聚类中心随机性的问题，通过全局化思想对k均值聚类算法进行了改进，得到了更好的聚类效果；王惠琴等2 0 利用k均值聚类算法对训练样本进行离线训练得到了样本质心与调制符号间的映射关系；杨茂等2 1 利用k均值聚类算法确定模型参数，定量描述了风电功率波动的概率分布特性。本文介绍了一种基于k均值聚类算法的负荷优化分配方法。以某电厂2 台6 6 0 MW火电机组为研究对象，分析了2 台机组实发功率分布情况；利用有关算法对机组数据进行处理，拟合出了2 台机组中高负荷和低负荷下的煤耗特性曲线；建立负荷分配目标函数，分别优化静态分配、增量分配、持续变负荷及深度调峰工况下的负荷分配，并对比分析了优化前后的煤耗量。1火力发电机组经济性1.1机组煤耗煤耗分为发电煤耗率和供电煤耗率。火力发电厂或发电机组发出单位电能所消耗的标准煤量称为发电煤耗率br，其对应的负荷称为发电负荷；扣除厂用电后，向电网供出单位电能所消耗的标准煤量称为供电煤耗率bg，其对应的负荷称为供电负荷。供电负荷等于发电负荷减去厂用电量。bB(1)PB,b.=P-P.(2)8式中：Bb为标准煤耗量；PG为发电机功率；P为厂用电率。考虑整台机组经济性能时，采用供电煤耗率能更准确地表达电厂的经济性2 2 。不同电厂投产时煤种可能不同。不同煤种的低位发热量存在较大差距，在分析各台机组运行过程中燃煤消耗量时，需采用标准煤概念即将实际煤耗量折算到相同基准后再进行机组之间的经济性比较。我国综合能耗计算通则2 3 规定：标准煤是指收到基低位发热量Qp为2 9 3 10 kJ/kg的煤。实际煤耗量B与标准煤耗量Bp的折算公式为：B,=Bx(3)29310式中：Q.p为煤的收到基低位发热量。http:/2023年50热力发电机组运行时的标准煤耗量可以通过实际入炉的煤量及炉煤取样分析的低位发热量计算得到。1.2机组负荷优化分配经济性分析合适的经济性指标是建立负荷优化分配经济模型的基础。理论上，在讨论机组的经济效益时，不仅要考虑机组运行时投入燃料的成本费用，还要考虑设备折旧费与维修费、用水费、员工工资与福利等其他费用支出，但其他费用与所在地区的生活水平、物价等相关。在分析研究中，为了避免因为其他费用估计的误差而影响负荷优化分配的结果，常用机组标准煤耗量作为全厂机组负荷分配的经济性指标。因此，煤耗成本虽然只是发电机组经济成本的一部分，但从机组运行角度出发，以煤耗量作为负荷优化的经济性指标，既简化了数学模型，也保证了结果的可靠性。2负荷优化分配方法2.1k均值聚类算法在机组运行中，由于机组运行工况变动的不确定性及操作人员运行水平不同，不同时间相同负荷或相近负荷下的机组煤耗量存在波动性。为了消除数据的波动，采用聚类分析的方法对机组运行数据进行处理。考虑到文中主要研究煤耗量与负荷之间的关系，在处理负荷与煤耗量现场数据时，选定负荷作为聚类指标，用k均值聚类的每个聚类中心代替对应负荷下的煤耗量，以形成新的“负荷-煤耗量”数据点。k均值聚类算法是一种数据处理方法，其算法是一个迭代的过程。在聚类的过程中，每个样本只能属于1个类，所有类的合集等于给定的样本。对于给定含有 n个样本的集合 X=(x1,X2,xn)，输出为样本合集的聚类C*时，k均值聚类算法计算步骤如下2 4 ;1）初始化样本中心。令t=0，随机选择集合K中的k个样本点作为初始聚类中心m心，k为聚类时指定的类的个数。2）对样本进行聚类。依次计算每个样本到各个类中心的欧式距离，并根据计算结果将每个样本指派到与其距离最近的中心类，构成聚类结果C()。3）计算新的聚类中心。对聚类结果C()，计算当前各个类中样本的均值，作为新的类中心m(+1)=(t+1)(ml(t+1)(t+1)k4）如果送代收敛或符合停止条件，输出C*=C(l)。否则，令1，返回步骤2)。2.2最小二乘法拟合曲线最小二乘法是通过最小化拟合函数与所有数据点之间误差的平方和，寻找与数据点最匹配的拟合函数的一种数学优化方式。对于一组给定的离散数据(xi,y)(1,2，n)，需要满足所有数据点与拟合曲线之间偏差的平方和最小，以此确定拟合曲线。设超临界发电机组煤耗量是二次曲线模型：B(P)=aP2+bP+c(4)其中：P表示机组负荷，MW；B 表示煤耗量，t/h;系数、b、c 采用最小二乘法确定。设经过聚类算法处理后，共有k个聚类中心点(Pj,B),(i=1,2，,k)。各个聚类中心与曲线B的偏差的平方和为：=2(ap;+bP+c-B,)(5)j=l为求得式(5)取值最小时的a、b、c 的值，对其求偏导，即22(ap;+bP,+c-B,)P,=0kaj=1k22(ap;+bP,+c-B,)P,=0(6)abj=1k22(ap)+bP,+c-B,)=0cj=1整理简化表达为：kb+ke=2(B,P)Ka+P3（=1j=1j=1kkZp3a+P2b+kc=)-2(B,P.)(7)（=1=1j=1飞P2a+Pb+kc=)=2B,j=1=1j=1求解上述方程，即可求得所需条件下的系数、b、c 值，也就得到了基于负荷的二次煤耗曲线模型2.3负荷优化分配步骤研究发电机组负荷优化分配需要首先确定优化目标，建立准确的优化目标函数表达式。文中负荷优化分配是基于机组的经济性指标，即采用煤耗量作为负荷优化分配的主要指标。文中负荷优化分配方法主要包括以下步骤：1）获取机组实际运行数据，这里主要是机组负荷和http:/51任燕燕等基于聚类的火电机组深度调峰负荷优化分配研究第9 期煤耗量；2）确定聚类中心，采用k均值聚类方法对机组运行数据进行处理，通过计算获取聚类中心；3）根据聚类中心点的坐标值，通过最小二乘算法拟合煤耗特性曲线；4）将煤耗特性曲线作为负荷优化分配的目标函数，在给定约束条件下，求取目标函数的最小值，进而确定总负荷指令下的不同机组的负荷分配。文中主要研究2 台机组的负荷优化分配，其计算流程如图1所示。开始机组运行数据负荷、煤耗量数据处理均值聚类拟合煤耗特性曲线最小二乘法、聚类中心总负荷约束条件优化分配1号机组2号机组结束图12 台机组负荷优化分配计算流程Fig.1 Calculation process of load optimal allocationoftwounits3机组数据处理及煤耗特性曲线拟合以机组运行数据为基础，拟合机组煤耗特性曲线。需要指出的是：初始数据包括机组全部运行状况下的数据，可能包含坏值或距离理想值偏差较大的值，需要对数据进行合理的判断与数据筛选，剔除坏值和偏离值。这主要包括3 方面内容：1）获取机组运行数据；2）数据处理；3）特性曲线拟合。3.1机组运行数据收集某厂2 台6 6 0 MW火电机组在2 0 2 2 年3 月的运行数据。2 台机组锅炉均为超临界变压运行直流炉，型式为单炉膛、一次中间再热、四角切圆燃烧方式、平衡通风、双层等离子无油点火、固态排渣、全钢构架、全悬吊结构II型锅炉。设备主要参数见表1。表1设备主要参数Tab.1 Main parameters of the device项目BMCR工况BRL工况过热蒸汽流量/（th-)21412079过热器出口蒸汽压力/MPa25.425.33过热器出口蒸汽温度571571再热蒸汽流量/(th-l)17511692再热器进口蒸汽压力/MPa5.164.98再热器出口蒸汽压力/MPa4.974.8再热器进口蒸汽温度/335330再热器出口蒸汽温度/569569省煤器进口给水温度/2952931号机组与2 号机组在相同时间段内投入的煤种相同。根据收集到的煤质分析数据，可以得到不同时间段内使用煤种的低位发热量，见表2。表2 煤质信息Tab.2Coal quality information00:0002:0008:0014:0020:00时刻02:0008:0014:0020:0024:00Q,p/(MJ/kg)15.9716.2815.9716.2815.97根据式(3)及2 台机组的实际煤耗量，分别计算出1号机组与2 号机组在相应时间段内的标准煤耗量。绘制1号机组与2 号机组标准煤耗量与有功功率的散点图，如图2 和图3 所示。从图2 和图3 均可以看出：5 0%负荷以下数据点个数较少；5 0%负荷以上数据点分布密集，个数较多。数据分布表明，机组多数情况下运行在5 0%负荷以上。采用两段法表示2 台机组的煤耗特性曲线，即将机组运行数据分成中高负荷段和低负荷段2 段分别进行数据处理及煤耗特性曲线拟合。220r200180(4）/160140120100806040200100 200 300400500600700有功功率/MW图2 1号机组未进行数据处理时的数据分布Fig.2 Data distribution of unit 1 without data processinghttp:/20233年52热力发电180r160140120100806040200100200300400500600有功功率/MW图3 2 号机组未进行数据处理时的数据分布Fig.3 Data distribution of unit 2 without data processing3.2聚类与数据剔除从图2、图3 可以看出，机组运行数据大部分处于合理范围内，但边缘处部分数据偏离机组正常工况，因此需要对收集到的运行数据进行筛选和剔除。数据分布的跨度较广，考虑到剔除数据时的准确性，先通过k均值聚类的方法，将数据点集合分为多个较为集中的类，再对各类中的数据分别进行选择和剔除。根据数据量的多少，确定中高负荷段聚类个数为10，低负荷段聚类个数为6。在每个聚类中剔除距离中心点较远的点，通过拟合每类数据的正态分布图判断数据的集中区域，并根据每类数据的均值和标准差，将2 倍标准差之外的数据点剔除2 5 。3.2.11号机组中高负荷段数据处理1号机组中高负荷段的数据处理结果如图4 一图5 所示。图5 中红色标记部分是剔除掉的数据。220m200180160140120100300350400450 500550600650700有功功率/MW图4 1号机组中高负荷段数据未处理时聚类结果Fig.4 Clustering results of unprocessed data in high loadsectionof unit112013014011501160120130140150110110120130140100100110120130X909010011012030035034038038040040045046048018018019012002101茶170170180190200160160170180190150150160170180140X140150160170500520520540540560580580600600650功率/MW图5 采用2 倍标准差时各类的剔除数据结果Fig.5 Elimination data results of all classes with 2 standard deviation1号机组中高负荷段内的数据完成筛选和剔除后，得到聚类分布和聚类中心点如图6 所示。3.2.21号机组低负荷段数据处理对1号机组低负荷段数据进行处理，得到聚类分布和聚类中心点如图7 所示。3.2.32号机组中高负荷段数据处理对2 号机组中高负荷段数据进行处理，得到聚类分布和聚类中心点如图8 所示。http:/53任燕燕等基于聚类的火电机组深度调峰负荷优化分配研究第9 期220r20018016014012010080300350400450500550600650700有功功率/MW图6 1号机组中高负荷段数据处理后的聚类结果Fig.6 Clustering results after data processing of high loadsection in unit 1120r11010090807060504030050100150200 250300有功功率/MW图7 1号机组低负荷段数据处理后的聚类结果Fig.7 Clustering results after processing of low load sectiondata in unit 1180r17016015014013012011010090300350400450500550600有功功率/MW图8 2 号机组中高负荷段数据处理后的聚类结果Fig.8 Clustering results after data processing of high loadsection inunit23.2.42号机组低负荷段数据处理对2 号机组低负荷段数据进行处理，得到聚类分布和聚类中心点如图9 所示。10090(.41)/807060504030050100150200 250300有功功率/MW图9 2 号机组低负荷段内数据处理后的聚类结果Fig.9 Clustering results after data processing in the lowload sectionofunit23.3煤耗特性曲线拟合根据3.2 节得到的各个聚类结果，以2 台机组中高负荷段的10 个聚类中心点和低负荷段的6 个聚类中心作为拟合曲线的稳定点，根据式(4)，采用最小二乘法分别拟合中高负荷段和低负荷段的煤耗特性曲线。3.3.11号机组中高负荷段拟合结果1号机组中高负荷段数据处理后的拟合结果如图10 所示。220F200180160140F12010080300350400450500550600650700有功功率/MW图10 1号机组中高负荷段数据处理后拟合结果Fig.10 Fitting results after data processing for medium-highload section of unit11号机组中高负荷段拟合结果的表达式为：B-1=0.000 236 4P+0.056 1P+62.457 5(8)其中：B1-1表示1号机组中高负荷段的煤耗。3.3.21号机组低负荷段拟合结果1号机组低负荷段数据处理后的拟合结果如图11所示。http:/20233年54热力发电12011010090807060504030050100150200250300有功功率/MW图111号机组低负荷段数据处理后拟合结果Fig.l1 Fitting results after data processing for low loadsection of unit 11号机组低负荷段拟合结果的表达式为：B-2=0.000 651P+0.078 6P+35.500 4(9)其中：B1-2表示1号机组低负荷段的煤耗。3.3.32号机组中高负荷段拟合结果2号机组中高负荷段拟合结果的表达式为：B2.,=0.000 030 995P+0.2515P+19.5019(10)其中：B2-1表示2 号机组中高负荷段的煤耗。180170160（）15014013012011010090300350400450500550600有功功率/MW图12 2 号机组中高负荷段数据处理后拟合结果Fig.12 Fitting results after data processing for medium-highload sectionofunit23.3.42号机组低负荷段拟合结果2号机组低负荷段拟合结果的表达式为：B2-2=0.000 472 6P+0.085 3P+37.096 9(11)其中：B2-2表示2 号机组低负荷段的煤耗。由此可以得出，1号机组煤耗特性曲线函数表达式如式(12)所示：(P300)0.000 651P2+0.078 6P+35.500 4B,(12)(P 300)0.000 236 4P+0.056 1P+62.457 411010090(.4)/807060504030050100150200250300有功功率/MW图13 2 号机组低负荷段数据处理后拟合结果Fig.13 Fitting results after data processing for low loadsectionof unit22号机组煤耗特性曲线函数表达式为：(P300)0.0004726P2+0.0853P+37.0969B2(13)(P300)0.000 030995P+0.2515P+19.50194660MW燃煤机组负荷优化分配4.1优化目标函数在第3 节中煤耗特性曲线的基础上，负荷分配优化目标函数表示为：min F(P,P)=min(a.P:+b.P+c.)(14)其中：F(P1,P2)为1、2 号机组总的经济指标。4.2约束条件约束条件主要有2 个：一个是电网总负荷指令约束，另一个是功率输出上下限约束。4.2.1总负荷指令约束全厂机组负荷优化分配是在电网下达总负荷指令的前提下，优化单台机组承担的负荷量，进而降低全厂供电标准煤耗量。总负荷指令约束为：2P.=之P(15)SSZZ=1式中：Ps为电网调度中心对电厂下达的总负荷指令，MW；Ps z 为第z台机组负荷优化分配后的负荷指令，MW。4.2.2功率输出上下限约束机组优化分配后的负荷必须在机组允许的安全范围之内，即：22PPZP.m(16)zminzmaxZ=12=1PP,P(17)zminSZzmaxhttp:/55任燕燕等基于聚类的火电机组深度调峰负荷优化分配研究第9 期式中：Pzmin、Pz ma x 分别为第z台机组安全稳定运行的最低负荷、最高负荷，MW。4.32台6 6 0 MW机组负荷优化分配根据第3节得到的2 台机组煤耗特性曲线及4.1节中的优化目标函数，再结合4.2 节中的约束条件，对总负荷进行优化分配，并对比分析优化分配前后机组的煤耗量。4.3.1静态负荷分配采用遗传算法对全厂静态负荷进行寻优仿真。选取相同时刻2 台机组的实发功率，分别计算1号机组和2 号机组在该功率下对应的煤耗量及总煤耗量；同时计算2 台机组的总负荷，对总负荷进行优化分配计算，得到优化分配后2 台机组的负荷，并计算出此时的总煤耗量；将优化前后的总煤耗量作对比，得出省煤量。具体计算数据见表3。由表3可以看出，优化分配后全厂的整体煤耗量有所降低。尽管不同时刻的节煤量有波动，但大部分时刻的节煤量可以达到0.5t/h，假设该电厂1年中1、2 号机组同时运行的时长约450 0 h，则1年可以节约2250t标准煤；燃煤价格按950 元/t计算，估算1年大约可以节约成本2 13.7 5万元。表3静态负荷分配结果Tab.3 Static load distribution results总3煤1号机组2号机组节煤量/时刻项目耗量/负荷/MW负荷/MW(t:h-l)(t:h-)实际运行577.268418.084303.68808:00:002.466优化后471.169524.182301.221实际运行474.482337.459250.20010:00:000.032优化后469.744342.197250.168实际运行371.926329.492221.75812:00:000.896优化后399.377302.041220.862实际运行403.523357.176236.87414:00:000.656优化后460.615300.083236.218实际运行449.558433.185269.71916:00:000.087优化后469.594413.149269.632实际运行606.009510.448339.22718:00:003.307优化后493.083623.374335.920实际运行510.680500.512305.90420:00:000.211优化后481.605529.587305.6934.3.2负荷增量指令分配假设某一时刻全厂负荷为7 0 0 MW，1、2 号机组的出力分别为37 7.2 931MW和32 2.7 0 6 9MW。此时，若总负荷增加10 0、2 0 0、30 0、40 0 MW，按照平均分配和优化分配2 种方案进行负荷分配，并将其结果进行对比，具体数据见表4。从表4可以看出，优化分配方式比平均分配方式消耗的燃煤量略有降低。负荷优化分配算法不管是在静态负荷分配中还是负荷增量分配中均可以减小总煤耗。表4负荷增量优化分配结果Tab.4 Optimization results of incremental load allocation1号机组2号机组总负荷分配总煤耗节煤量/负荷增量/负荷增量/增量/MW方式量/(t:h-l)(t:h-)MWMW平均50.00050.000247.1341000.240优化88.10511.895246.894平均100.000100.000274.4392000.015优化92.733107.267274.423平均150.000150.000303.0803000.566优化103.236196.764302.515平均200.000200.000333.0594001.904优化117.410282.590331.1554.3.3变负荷优化分配根据机组运行数据，对其某天内的负荷变化进行仿真，并按照负荷优化分配算法优化2 台机组的负荷，得到图14和图15。7807760740F720700680F66064000:0005:0010:0015:0020:0001:00时刻图14总负荷变化Fig.14 Total load change500元一1号机组实际运行负荷一2 号机组实际运行负荷450一1号机组优化后负荷2号机组优化后负荷40035030025020000:00 05:0010:0015:0020:0001:00时刻图152台机组优化前后的负荷Fig.15 Load before and after optimization of two units从图14和图15可以看出，在采用优化算法进行负荷分配后，当厂级指令变化时，2 台机组的负http:/20233年56热力发电荷变化趋势并不完全相同，这是因为2 台机组的性能不完全一样。从图15中2 台机组的负荷变化趋势可知，1号机组的整体性能优于2 号机组，其承担的负荷更大。优化前后2 台机组的总煤耗量如图16 所示。图16 表明，优化后和优化前相比，其总煤耗量有所降低，验证了优化算法的有效性。240优化前实时总煤耗量优化后实时总煤耗量23523022522021521000:0005:00 10:0015:0020:00 01:00时刻图16 负荷优化分配前后总煤耗量对比Fig.16 Comparison of total coal consumption before andafter optimal load distribution4.3.4深度调峰下负荷优化分配深度调峰运行是一种非常规的运行方式，要求机组在超低负荷工况（2 0%50%额定工况）下平稳运行6 。机组在较低负荷下运行，其经济性大幅降低，因此考虑将负荷分配优化算法应用到深度调峰运行过程中。设2 台机组总负荷分别为40 0、450、50 0、550、600MW，仍然采用平均分配和优化分配2 种方案进行负荷分配，并将2 种分配方案的煤耗量进行对比，具体结果见表5。表5考虑深度调峰下的负荷优化分配结果Tab.5 Optimal load distribution results considering depthpeak-shaving总负荷分配1号机组2号机组总煤耗节煤量/指令/MW方式负荷/MW负荷/MW量/(t:h-l)(t:h-1)平均200.000200.000150.3214002.707优化99.950300.049147.615平均225.000225.000166.3574506.678优化149.997300.002159.679平均250.000250.000183.79750012.231优化354.608145.392171.567平均275.000275.000202.64255019.413优化399.005150.994183.229平均300.000300.000222.89160027.408优化419.858180.142195.484由表5可以看出：在参与深度调峰时，负荷优化分配算法仍然有效且节煤显著；在150 MW以下及30 0 MW以上负荷时，1号机组运行性能较2 号机组更佳；150 30 0 MW负荷范围内，2 号机组运行性能优于1号机组。不同总负荷要求下，1号机组和2 号机组协调参与到深度调峰中，才能综合提高2 台机组总体性能。5结论针对2 台6 6 0 MW火电机组运行数据，利用k均值聚类理论建立了机组的煤耗特性曲线，由此构成负荷优化目标函数，借助遗传算法实现了机组负荷优化分配。总结如下：1）在分析机组运行状况基础上，利用k均值聚类算法和2 倍标准差方法剔除某些大偏差数据，采用最小二乘法拟合出2 台机组中高负荷和低负荷下的煤耗特性曲线。2）根据煤耗特性曲线及机组约束条件，建立负荷分配目标函数，对比负荷静态分配、增量分配及持续变负荷条件下优化前后的煤耗量，发现文中负荷优化分配方法均可以不同程度地节约燃料。3）考虑火电机组面临深度调峰的需求，假设深度调峰工况下的总负荷指令，对比了负荷平均分配和优化分配2 种方案的煤耗量，发现优化后的负荷分配方法省煤显著，所以，深度调峰工况下负荷优化分配尤其重要。参考文献1刘吉臻.支撑新型电力系统建设的电力智能化发展路径J.能源科技,2 0 2 2,2 0(4):3-7.LIU Jizhen.Development path of power intelligencesupporting the construction of new power systemJ.Energy Science and Technology,2022,20(4):3-7.2康重庆，杜尔顺，李姚旺，等新型电力系统的“碳视角：科学问题与研究框架.电网技术，2 0 2 2,46(3)：821-833.KANG Chongqing,DU Ershun,LI Yaowang,et al.Keyscientific problems and research framework for carbonperspective