Der er et stort termisk kraftværk. Det fungerer som normalt: det brænder gas, genererer varme til opvarmning af huse og elektricitet til det generelle netværk. Den første opgave er opvarmning. Den anden er at sælge al produceret elektricitet på engrosmarkedet. Nogle gange, selv i koldt vejr, vises sne under en klar himmel, men dette er en bivirkning af driften af køletårne.
Det gennemsnitlige termiske kraftværk består af et par dusin turbiner og kedler. Hvis de nødvendige mængder el- og varmeproduktion er præcist kendt, så handler opgaven om at minimere brændstofomkostningerne. I dette tilfælde kommer beregningen ned på at vælge sammensætningen og procentdelen af belastning af turbiner og kedler for at opnå den højest mulige effektivitet af udstyrets drift. Effektiviteten af turbiner og kedler afhænger stærkt af typen af udstyr, driftstid uden reparationer, driftstilstand og meget mere. Der er et andet problem, når du med kendte priser på el og varmemængder skal beslutte dig for, hvor meget strøm der skal produceres og sælges for at få det maksimale udbytte af at arbejde på engrosmarkedet. Så er optimeringsfaktoren - profit og udstyrseffektivitet - meget mindre vigtig. Resultatet kan være en situation, hvor udstyret fungerer fuldstændig ineffektivt, men hele den producerede mængde elektricitet kan sælges med maksimal margin.
I teorien har alt dette længe været klart og lyder smukt. Problemet er, hvordan man gør det i praksis. Vi begyndte simuleringsmodellering af driften af hvert stykke udstyr og hele stationen som helhed. Vi kom til det termiske kraftværk og begyndte at indsamle parametrene for alle komponenterne, måle deres reelle egenskaber og evaluere deres drift i forskellige tilstande. Baseret på dem skabte vi nøjagtige modeller til at simulere driften af hvert enkelt udstyr og brugte dem til optimeringsberegninger. Når vi ser fremad, vil jeg sige, at vi opnåede omkring 4% af den reelle effektivitet blot på grund af matematik.
sket. Men før jeg beskriver vores beslutninger, vil jeg tale om, hvordan kraftvarmeværket fungerer ud fra et beslutningslogiks synspunkt.
Grundlæggende ting
Hovedelementerne i et kraftværk er kedler og turbiner. Turbinerne drives af højtryksdamp, som igen roterer elektriske generatorer, som producerer elektricitet. Den resterende dampenergi bruges til opvarmning og varmt vand. Kedler er steder, hvor der skabes damp. Det tager meget tid (timer) at varme kedlen op og accelerere dampturbinen, og det er et direkte tab af brændstof. Det samme gælder belastningsændringer. Du skal planlægge disse ting på forhånd.
Kraftvarmeudstyr har et teknisk minimum, som inkluderer en minimum, men stabil driftstilstand, hvor det er muligt at levere tilstrækkelig varme til boliger og industrielle forbrugere. Typisk afhænger den nødvendige mængde varme direkte af vejret (lufttemperaturen).
Hver enhed har en effektivitetskurve og et punkt med maksimal driftseffektivitet: ved sådan og sådan en belastning giver sådan og sådan en kedel og sådan og sådan en turbine den billigste elektricitet. Billig - i betydningen minimalt specifikt brændstofforbrug.
De fleste af vores kraftvarmeværker i Rusland har parallelle forbindelser, når alle kedler kører på én dampkollektor, og alle turbiner også drives af én solfanger. Dette tilføjer fleksibilitet ved læsning af udstyr, men komplicerer i høj grad beregningerne. Det sker også, at stationsudstyret er opdelt i dele, der fungerer på forskellige samlere med forskellige damptryk. Og hvis du tilføjer omkostningerne til interne behov - driften af pumper, ventilatorer, køletårne og, lad os være ærlige, saunaer lige uden for hegnet til det termiske kraftværk - så knækker djævelens ben.
Egenskaberne for alt udstyr er ikke-lineære. Hver enhed har en kurve med zoner, hvor effektiviteten er højere og lavere. Det afhænger af belastningen: ved 70% vil effektiviteten være en, ved 30% vil den være anderledes.
Udstyret adskiller sig i egenskaber. Der er nye og gamle møller og kedler, og der er enheder i forskelligt design. Ved at vælge udstyr korrekt og læsse det optimalt på steder med maksimal effektivitet, kan du reducere brændstofforbruget, hvilket fører til omkostningsbesparelser eller større marginer.
Hvordan ved kraftvarmeværket, hvor meget energi det skal producere?
Planlægning udføres tre dage i forvejen: inden for tre dage bliver den planlagte sammensætning af udstyret kendt. Det er de turbiner og kedler, der vil blive tændt. Relativt set ved vi, at fem kedler og ti møller vil fungere i dag. Vi kan ikke tænde for andet udstyr eller slukke for det planlagte, men vi kan ændre belastningen for hver kedel fra minimum til maksimum og øge og mindske effekten til turbiner. Trinnet fra maksimum til minimum er fra 15 til 30 minutter, afhængigt af udstyret. Opgaven her er enkel: vælg de optimale tilstande og vedligehold dem under hensyntagen til operationelle justeringer.
Hvor kom denne sammensætning af udstyr fra? Det blev fastsat ud fra resultaterne af handel på engrosmarkedet. Der er et marked for strøm og elektricitet. På kapacitetsmarkedet indsender producenterne en ansøgning: "Der er sådan og sådan udstyr, det er minimums- og maksimumkapaciteterne, under hensyntagen til det planlagte udfald for reparationer. Vi kan levere 150 MW til denne pris, 200 MW til denne pris og 300 MW til denne pris." Disse er langsigtede applikationer. På den anden side indsender store forbrugere også anmodninger: "Vi har brug for så meget energi." Specifikke priser fastlægges i skæringspunktet mellem, hvad energiproducenterne kan levere, og hvad forbrugerne er villige til at tage. Disse kapaciteter bestemmes for hver time på dagen.
Typisk bærer et termisk kraftværk omtrent den samme belastning hele sæsonen: om vinteren er det primære produkt varme, og om sommeren er det elektricitet. Stærke afvigelser er oftest forbundet med en eller anden form for ulykke på selve stationen eller på tilstødende kraftværker i samme priszone på engrosmarkedet. Men der er altid udsving, og disse udsving påvirker i høj grad anlæggets økonomiske effektivitet. Den nødvendige effekt kan tages af tre kedler med en belastning på 50 % eller to med en belastning på 75 % og se, hvad der er mere effektivt.
Marginaliteten afhænger af markedspriserne og omkostningerne ved elproduktion. På markedet kan priserne være sådan, at det er rentabelt at forbrænde brændsel, men det er godt at sælge strøm. Eller det kan være, at du på en bestemt time skal gå til det tekniske minimum og reducere tab. Du skal også huske på reserverne og omkostningerne ved brændstof: naturgas er normalt begrænset, og gas over grænsen er mærkbart dyrere, for ikke at nævne brændselsolie. Alt dette kræver præcise matematiske modeller for at forstå, hvilke ansøgninger der skal indsendes, og hvordan man reagerer på skiftende omstændigheder.
Hvordan det blev gjort før vi ankom
Næsten på papiret, baseret på udstyrets ikke særlig præcise karakteristika, som adskiller sig meget fra de faktiske. Umiddelbart efter at have testet udstyret vil de i bedste fald være plus eller minus 2% af det faktum, og efter et år - plus eller minus 7-8%. Tests udføres hvert femte år, ofte sjældnere.
Det næste punkt er, at alle beregninger udføres i referencebrændstof. I USSR blev en ordning vedtaget, da et bestemt konventionelt brændstof blev anset for at sammenligne forskellige stationer, der brugte brændselsolie, kul, gas, nuklear produktion og så videre. Det var nødvendigt at forstå effektiviteten i papegøjerne i hver generator, og det konventionelle brændstof er netop den papegøje. Det bestemmes af brændstoffets brændværdi: Et ton standardbrændstof er omtrent lig med et ton kul. Der er omregningstabeller for forskellige typer brændstof. For eksempel er indikatorerne for brunkul næsten dobbelt så dårlige. Men kalorieindhold er ikke relateret til rubler. Det er ligesom benzin og diesel: det er ikke et faktum, at hvis diesel koster 35 rubler, og 92 koster 32 rubler, så vil diesel være mere effektiv med hensyn til kalorieindhold.
Den tredje faktor er kompleksiteten af beregningerne. Konventionelt, baseret på medarbejderens erfaring, beregnes to eller tre muligheder, og oftere vælges den bedste tilstand fra historien om tidligere perioder for lignende belastninger og vejrforhold. Naturligvis tror medarbejderne, at de vælger de mest optimale tilstande, og tror, at ingen matematisk model nogensinde vil overgå dem.
Vi kommer. For at løse problemet er vi ved at udarbejde en digital tvilling - en simuleringsmodel af stationen. Det er, når vi ved hjælp af specielle tilgange simulerer alle teknologiske processer for hvert stykke udstyr, kombinerer damp-vand- og energibalancer og får en nøjagtig model af driften af det termiske kraftværk.
Til at lave modellen bruger vi:
- Design og specifikationer af udstyret.
- Karakteristika baseret på resultaterne af de seneste udstyrstest: hvert femte år tester stationen og forfiner udstyrets egenskaber.
- Data i arkiverne for automatiserede processtyringssystemer og regnskabssystemer for alle tilgængelige teknologiske indikatorer, omkostninger og varme- og elproduktion. Især data fra måleanlæg til varme- og elforsyning samt fra telemekaniske anlæg.
- Data fra papirstrimler og cirkeldiagrammer. Ja, sådanne analoge metoder til optageudstyrs driftsparametre bruges stadig på russiske kraftværker, og vi digitaliserer dem.
- Papirlogfiler på stationer, hvor hovedparametrene for tilstandene konstant registreres, inklusive dem, der ikke registreres af sensorerne i det automatiserede proceskontrolsystem. Linjemanden går rundt hver fjerde time, omskriver aflæsningerne og skriver alt ned i en log.
Det vil sige, at vi har rekonstrueret datasæt om, hvad der virkede i hvilken tilstand, hvor meget brændstof der blev tilført, hvad temperaturen og dampforbruget var, og hvor meget termisk og elektrisk energi der blev opnået ved udgangen. Fra tusindvis af sådanne sæt var det nødvendigt at indsamle egenskaberne for hver knude. Heldigvis har vi været i stand til at spille dette Data Mining-spil i lang tid.
Det er ekstremt vanskeligt at beskrive sådanne komplekse objekter ved hjælp af matematiske modeller. Og det er endnu sværere at bevise over for maskinchefen, at vores model beregner stationens driftstilstande korrekt. Derfor tog vi vejen for at bruge specialiserede ingeniørsystemer, der giver os mulighed for at samle og fejlfinde en model af et termisk kraftværk baseret på udstyrets design og teknologiske egenskaber. Vi valgte Termoflow software fra det amerikanske firma TermoFlex. Nu er russiske analoger dukket op, men på det tidspunkt var denne særlige pakke den bedste i sin klasse.
For hver enhed vælges dens design og vigtigste teknologiske egenskaber. Systemet giver dig mulighed for at beskrive alt meget detaljeret både på det logiske og fysiske niveau, helt ned til at angive graden af aflejringer i varmevekslerrørene.
Som et resultat er modellen af stationens termiske kredsløb beskrevet visuelt i form af energiteknologer. Teknologer forstår ikke programmering, matematik og modellering, men de kan vælge designet af en enhed, input og output af enheder og specificere parametre for dem. Derefter vælger systemet selv de bedst egnede parametre, og teknologen forfiner dem for at opnå maksimal nøjagtighed for hele rækken af driftstilstande. Vi satte et mål for os selv - at sikre en modelnøjagtighed på 2% for de vigtigste teknologiske parametre og opnåede dette.
Dette viste sig ikke at være så nemt at gøre: de indledende data var ikke særlig nøjagtige, så i de første par måneder gik vi rundt i det termiske kraftværk og aflæste manuelt de aktuelle aflæsninger fra trykmålerne og indstillede modellen til faktiske forhold. Først lavede vi modeller af turbiner og kedler. Hver turbine og kedel blev verificeret. For at teste modellen blev der oprettet en arbejdsgruppe, og repræsentanter for det termiske kraftværk blev inkluderet i den.
Derefter samlede vi alt udstyret i en generel ordning og tunede kraftvarmemodellen som helhed. Jeg var nødt til at arbejde, fordi der var mange modstridende data i arkiverne. For eksempel fandt vi tilstande med en samlet effektivitet på 105 %.
Når du samler et komplet kredsløb, overvejer systemet altid den balancerede tilstand: materiale-, elektriske og termiske balancer kompileres. Dernæst evaluerer vi, hvordan alt samlet svarer til de faktiske parametre for tilstanden ifølge indikatorer fra instrumenterne.
Hvad skete der
Som et resultat modtog vi en nøjagtig model af det termiske kraftværks tekniske processer, baseret på de faktiske karakteristika af udstyret og historiske data. Dette gjorde det muligt for forudsigelser at være mere nøjagtige end baseret på testkarakteristika alene. Resultatet er en simulator af virkelige anlægsprocesser, en digital tvilling af et termisk kraftværk.
Denne simulator gjorde det muligt at analysere "hvad nu hvis..." scenarier baseret på givne indikatorer. Denne model blev også brugt til at løse problemet med at optimere driften af en rigtig station.
Det var muligt at implementere fire optimeringsberegninger:
- Stationsvagtlederen kender varmeforsyningsplanen, systemoperatørens kommandoer er kendt, og elforsyningsplanen er kendt: hvilket udstyr der tager hvilke belastninger for at få maksimale marginer.
- Valg af sammensætning af udstyr baseret på markedsprisprognosen: For en given dato, under hensyntagen til belastningsplanen og prognosen for udendørslufttemperaturen, bestemmer vi den optimale sammensætning af udstyret.
- Indsendelse af ansøgninger på markedet en dag i forvejen: når sammensætningen af udstyret er kendt, og der er en mere præcis prisprognose. Vi beregner og sender en ansøgning.
- Balancemarkedet er allerede inden for indeværende dag, hvor de elektriske og termiske tidsplaner ligger fast, men flere gange dagligt hver fjerde time lanceres der handel på balancemarkedet, og du kan sende en ansøgning: ”Jeg beder dig tilføje 5 MW til min last." Vi skal finde andelene af yderligere lastning eller losning, når dette giver den maksimale margin.
prøve
For korrekt testning var vi nødt til at sammenligne standardbelastningstilstandene for stationsudstyret med vores beregnede anbefalinger under de samme forhold: udstyrssammensætning, belastningsplaner og vejr. I løbet af et par måneder valgte vi fire til seks timers intervaller på dagen med en stabil tidsplan. De kom til stationen (ofte om natten), ventede på, at stationen nåede driftstilstand, og først derefter beregnede de det i simuleringsmodellen. Hvis vagtlederen var tilfreds med alt, blev driftspersonalet sendt til at dreje ventilerne og ændre udstyrstilstandene.
Før og efter indikatorerne blev sammenlignet efter kendsgerningen. I spidsbelastningsperioder, dag og nat, weekender og hverdage. I hver tilstand opnåede vi besparelser på brændstof (i denne opgave afhænger marginen af brændstofforbruget). Så gik vi helt over til nye regimer. Det skal siges, at stationen hurtigt troede på effektiviteten af vores anbefalinger, og mod slutningen af testene bemærkede vi i stigende grad, at udstyret fungerede i de tilstande, vi tidligere havde beregnet.
Projektresultat
Anlæg: kraftvarmeværk med krydsforbindelser, 600 MW elektrisk effekt, 2 Gcal termisk effekt.
Team: CROC - syv personer (teknologiske eksperter, analytikere, ingeniører), CHPP - fem personer (forretningseksperter, nøglebrugere, specialister).
Implementeringsperiode: 16 måneder.
resultater:
- Vi automatiserede forretningsprocesserne med at vedligeholde regimer og arbejde på engrosmarkedet.
- Gennemført fuldskala test, der bekræfter den økonomiske effekt.
- Vi sparede 1,2 % brændstof på grund af omfordelingen af belastninger under drift.
- Sparte 1 % brændstof takket være kortsigtet udstyrsplanlægning.
- Vi optimerede beregningen af applikationsstadier på DAM i henhold til kriteriet om at maksimere marginal profit.
Den endelige effekt er omkring 4%.
Den estimerede tilbagebetalingstid for projektet (ROI) er 1-1,5 år.
For at implementere og teste alt dette var vi naturligvis nødt til at ændre mange processer og arbejde tæt sammen med både ledelsen af det termiske kraftværk og generatorvirksomheden som helhed. Men resultatet var bestemt det værd. Det var muligt at skabe en digital tvilling af stationen, udvikle optimeringsplanlægningsprocedurer og opnå en reel økonomisk effekt.
Kilde: www.habr.com