Modellering af driften af et reelt varmeværk for at optimere driftsregimer: damp og matematik

Der er et stort kraftværk. Det fungerer som normalt: brænder gas, genererer varme til opvarmning af boliger og elektricitet til det offentlige net. Den primære opgave er opvarmning. Den sekundære er at sælge al den producerede elektricitet på engrosmarkedet. Nogle gange, i frostvejr med klart himmel, falder der sne, men det er en bivirkning af køletårnenes drift.

Et gennemsnitligt kraftværk består af et par dusin turbiner og kedler. Hvis de nødvendige mængder elektricitet og varme er præcist kendt, reduceres opgaven til at minimere brændstofomkostningerne. I dette tilfælde handler beregningen om valget af sammensætning og belastningsprocent for turbiner og kedler for at opnå den højst mulige effektivitet af udstyret. Turbiner og kedlers effektivitet afhænger stærkt af udstyrets type, driftstid uden reparation, driftsmode og mange andre faktorer. Der er også en anden opgave, hvor man ved de kendte elpriser og mængder varme skal beslutte, hvor meget elektricitet man skal producere og sælge for at opnå maksimal fortjeneste på engrosmarkedet. I så fald har optimeringsfaktoren – fortjeneste og udstyrs effektivitet – meget mindre betydning. Resultatet kan være en tilstand, hvor udstyret arbejder helt ineffektivt, men hele den producerede mængde elektricitet kan sælges med maksimal margin.

I teorien er det hele længe blevet klart og lyder smukt. Problemet er, hvordan man gør det i praksis. Vi begyndte at simulere driften af hver enkelt udstyrsenhed og hele stationen som helhed. Vi kom til kraftværket og begyndte at samle parametre for alle noder, måle deres faktiske egenskaber og vurderede driften i forskellige tilstande. På baggrund af disse data skabte vi præcise modeller til at simulere driften af hver enkelt udstyrsenhed og brugte dem til optimeringsberegninger. For at springe til konklusion kan jeg sige, at vi opnåede en reel effektivitet på omkring 4 % blot ved hjælp af matematik.

Det lykkedes. Men før jeg beskriver vores løsninger, vil jeg fortælle, hvordan kraftværket fungerer set fra beslutningstagningens logik.

Grundlæggende ting

De grundlæggende elementer i et kraftværk er kedler og turbiner. Turbinerne drives af højtryksdamp, som igen får generatorerne til at rotere og producere elektricitet. Resterne af dampens energi bruges til opvarmning og varmt vand. Kedlerne er de steder, hvor dampen produceres. Det tager meget lang tid (timer) at opvarme kedlen og accelerere dampturbinen, og dette er direkte brændstoftab. Det samme gælder ved ændringer i belastningen. Disse ting skal planlægges på forhånd.

Udstyret på kraftvarmeværker har et teknisk minimum, som inkluderer en minimal, men stabil driftsmode, der kan sikre tilstrækkelig varme til husene og industrikunderne. Den nødvendige mængde varme afhænger normalt direkte af vejret (lufttemperaturen).

Hver enhed har en effektivitetkurve og et punkt for maksimal effektivitet: ved en given belastning kan en bestemt kedel og en bestemt turbine levere den billigste elektricitet. Billig i betydningen med det mindste brændstofforbrug.

De fleste kraftvarmeværker i Rusland er med parallelle forbindelser, hvor alle kedler arbejder på en dampkollektor, og alle turbiner også får forsyning fra den samme kollektor. Dette tilføjer fleksibilitet ved belastningen af udstyret, men komplicerer beregningerne betydeligt. Det er også almindeligt, at stationens udstyr er opdelt i dele, der arbejder på forskellige kollektor med forskelligt damppres. Hvis man også medregner omkostningerne til interne behov – drift af pumper, ventilatorer, køletårne og, hvad skal man sige, saunaer lige bag kraftværkets grænse – så bliver det virkelig kompliceret.

Egenskaberne for alt udstyr er ikke-lineære. Hver enhed har en kurve med zoner, hvor effektiviteten er højere eller lavere. Det afhænger af belastningen: ved 70 % vil effektiviteten være én, ved 30 % en anden.

Udstyret adskiller sig i egenskaber. Der er nye og gamle turbiner og kedler, samt enheder af forskellige konstruktioner. Ved korrekt valg af udstyr og optimal belastning ved de maksimale effektivitetspunkter kan man reducere brændstofforbruget, hvilket fører til besparelser eller større margin.

Hvordan ved kraftvarmeværket, hvor meget energi der skal produceres?

Planlægning sker op til tre dage i forvejen: inden for tre dage bliver den planlagte sammensætning af udstyr kendt. Det er de turbiner og kedler, der vil blive aktiveret. For at sige det enkelt, ved vi, at i dag vil fem kedler og ti turbiner være i drift. 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 for turbinerne justere og reducere effekten. Overgangen fra maksimum til minimum er fra 15 til 30 minutter afhængigt af udstyrsenheden. Her er opgaven enkel: at vælge de optimale driftsformer og opretholde dem med hensyn til operationelle justeringer.

Hvor kom denne sammensætning af udstyr fra? Den blev fastsat som resultat af budgivningen på detWholesale marked. Der findes et marked for kapacitet og elektricitet. På kapacitetsmarkedet indsender producenterne en ansøgning: "Der findes så og så meget udstyr; her er de minimale og maksimale kapaciteter med hensyn til planlagt vedligeholdelse. Vi kan levere 150 MW til denne pris, 200 MW til den pris og 300 MW til en anden pris." Dette er langsigtede ansøgninger. På den anden side sender store forbrugere også anmodninger: "Vi har brug for så meget energi." Specifikke priser fastsættes i øjeblikket for krydsningen af, hvad energiproducenterne kan levere, og hvad forbrugerne ønsker at tage. Disse kapaciteter fastsættes for hver time af døgnet.

Normalt har kraftværket en nogenlunde ensartet belastning hele sæsonen: om vinteren er den prioriterede vare varme, mens det om sommeren er elektricitet. Store afvigelser er oftest forbundet med hændelser på selve stationen eller på tilknyttede kraftværker i den samme priszone på detailmarkedet. Men der er altid svingninger, og disse svingninger har stor indflydelse på stationens økonomiske effektivitet. Den nødvendige kapacitet kan opnås ved tre kedler med en belastning på 50 % eller to med en belastning på 75 %, og se, hvad der i denne sammenhæng er mere effektivt.

Marginen afhænger af priserne på markedet og produktionsomkostningerne for elektricitet. På markedet kan priserne justeres således, at det er rentabelt at brænde brændstof af, men sælge elektricitet godt. Det kan også være, at man i bestemte timer skal gå ned til teknisk minimum for at begrænse tab. Man skal desuden huske på lagrene og brændstofomkostningerne: den samme naturgas er normalt begrænset, og overlimit gas er betydeligt dyrere, for ikke at tale om fyringsolie. Alt dette kræver præcise matematiske modeller for at forstå, hvilke anmodninger der skal sendes, og hvordan man skal reagere på skiftende omstændigheder.

Hvordan det blev gjort før vi kom.

Praktisk talt på papir baseret på ikke meget præcise specifikationer for udstyret, som kan have stor afvigelse fra det faktiske. Umiddelbart efter udstyrets test vil de i bedste fald være plus-minus 2 % fra fakta, og allerede efter et år – plus-minus 7-8 %. Tests udføres hver femte år, ofte sjældnere.

Det næste punkt er, at alle beregninger foretages i betinget brændstof. I USSR blev der vedtaget et system, hvor man beregnede en slags betinget brændstof til sammenligning af forskellige kraftværker, der kørte på fyringsolie, kul, gas, atomkraft osv. Man skulle forstå effektiviteten i 'parrots' for hver generator, og det betingede brændstof er netop den 'parrot'. Det bestemmes af brændstoffets kalorieindhold: én ton betinget brændstof svarer cirka til én ton stenkul. Der findes omregningstabeller for forskellige brændstoftyper. For eksempel er parametrene for brune kul næsten dobbelt så dårlige. Men kalorieindholdet har ikke noget at gøre med rubler. Det er ligesom benzin og diesel: det er ikke sikkert, at hvis diesel koster 35 rubler, og 92 benzin koster 32 rubler, så vil diesel være mere effektivt i kalorieindhold.

Den tredje faktor er kompleksiteten af beregningerne. Betinget på baggrund af medarbejderens erfaring beregnes to-tre muligheder, oftere vælges det bedste regime fra historien fra tidligere perioder med lignende belastninger og vejrforhold. Selvfølgelig tror medarbejderne, at de vælger de mest optimale regimer og anser, at ingen matematiske modeller nogensinde vil overgå dem.

Vi ankommer. For at løse opgaven forbereder vi en digital tvilling — en simuleringsmodel af anlægget. Det er her, vi ved hjælp af særlige metoder simulerer alle teknologiske processer for hver enkelt enhed af udstyret, analyserer dampvand- og energibalance og får en præcis model for driften af kraftværket.

Til oprettelse af modellen bruger vi:

• Konstruktionen og de tekniske specifikationer for udstyret.
• Karakteristika fra de seneste tests af udstyret: hvert femte år testes og opdateres udstyrets karakteristika på anlægget.
• Data i arkiverne af Automatiserede Kontrolsystemer (ACS) og regnskabssystemer for alle tilgængelige teknologiske indikatorer, forbrug og produktion af varme og elektricitet. Især data fra regnskabssystemer for varme- og el-leverance samt fra telemetri systemer.
• Data fra bånd- og cirkulære papordiagrammer. Ja, sådanne analoge måder at registrere udstyrets parametre anvendes stadig på russiske kraftværker, og vi digitaliserer dem.
• Papirjournaler på værkerne, hvor de grundlæggende parametre for driftsforholdene konstant registreres, herunder dem, der ikke registreres af ACS's sensorer. En inspektør går rundt hver fjerde time, noterer målinger og skriver alt ind i journalen.

Det vil sige, at vi har genskabte datasæt om, hvordan anlægget har kørt i hvilke tilstande, hvor meget brændstof der blev tilført, hvilke temperaturer og dampforbrug der var, og hvor meget varme- og elektrisk energi der blev produceret. Af tusind sådanne sæt skulle vi samle karakteristika for hver komponent. Heldigvis har vi været dygtige til Data Mining i lang tid.

At beskrive så komplekse objekter med matematiske modeller er utroligt svært. Og endnu sværere er det at bevise overfor hovedingeniøren, at vores model korrekt beregner driftsforholdene på anlægget. Derfor valgte vi at bruge specialiserede ingeniørkomplekser, der muliggør sammensætning og justering af modellen for kraftværket baseret på de konstruktive og teknologiske karakteristika for udstyret. Vi valgte softwarepakken Termoflow fra det amerikanske firma TermoFlex. Nu er der dukket russiske alternativer op, men på det tidspunkt var denne pakke den bedste i sin klasse.

For each unit, its structure and key technological characteristics are selected. The system allows for a very detailed description at both the logical and physical levels, down to specifying the degree of deposits in the heat exchanger tubes.

As a result, the thermal scheme model of the station is visually described in the terms of energy technologists. Technologists are not versed in programming, mathematics, and modeling, but they can choose the structure of the unit, inputs-outputs of the aggregates, and specify the parameters on them. The system then automatically selects the most suitable parameters, which the technologist fine-tunes to achieve maximum accuracy across the entire range of operating modes. Our goal was to ensure a model accuracy of 2% for the main technological parameters, and we achieved this.

However, doing this proved to be not so simple: the initial data were not very accurate, so for the first couple of months, we visited power plants and manually recorded current readings from pressure gauges, fine-tuning the model to the actual operating modes. We first created models of turbines and boilers. Each turbine and boiler were meticulously verified. To validate the model, we formed a working group and included representatives from the power plant.

Then we assembled all the equipment into a unified scheme and fine-tuned the model of the power plant as a whole. It required quite a bit of work since there was a lot of conflicting data in the archives. For example, we found modes with an overall efficiency of 105%.

When assembling the complete scheme, the system always calculates a balanced mode: material, electrical, and thermal balances are composed. We then assess how everything corresponds to the actual parameters of the mode based on readings from the instruments.

What we achieved

As a result, we created an accurate model of the heat power processes based on the actual characteristics of the equipment and historical data. This allowed for more precise predictions than based solely on test characteristics. It resulted in a simulator of the actual processes of the station, a digital twin of the power plant.

In this simulator, we implemented the ability to conduct scenario analysis for "what if..." based on specified indicators. This model was also used to solve the task of optimizing the operation of the actual station.

We managed to implement four optimization calculations:

1. Skiftlederen på stationen kender varmeferieplanen, systemoperatørens teams er kendt, og el-ferieplanen er kendt: hvilket udstyr der skal tages for at maksimere marginen.
2. Valg af udstyrsammensætning baseret på prisprognoser på markedet: på den angivne dato, under hensyntagen til belastningsplanen og prognosen for udetemperaturen, bestemmer vi den optimale sammensætning af udstyr.
3. Indsendelse af ansøgninger på markedet en dag i forvejen: når udstyrsammensætningen er klar, og der er en mere præcis prisprognose. Vi beregner og sender en ansøgning.
4. Balanceringsmarkedet — allerede inden for de aktuelle dage, når de elektriske og termiske planer er fastlagt, men flere gange om dagen, hver fjerde time, starter auktioner på balanceringsmarkedet, og man kan indsende en ansøgning: 'Jeg beder om at blive forstærket med 5 MW'. Man skal finde andele af forstærkning eller reduktion, når dette giver den maksimale margin.

Tests

For korrekte test havde vi brug for at sammenligne standard belastningsregimer for stationens udstyr med vores beregnede anbefalinger under ensartede forhold: udstyrsammensætning, belastningsplaner og vejr. I løbet af et par måneder valgte vi intervaller af dage på fire til seks timer med stabilt regime. Vi kom til stationen (oftest om natten), ventede på, at stationen kom op i regime, og kun derefter beregnede vi det i simuleringsmodellen. Hvis skiftlederen for stationen var tilfreds, sendte vi operatørerne for at justere ventilerne og ændre udstyrets driftsformer.

Vi sammenlignede resultaterne før og efter i praksis. I peak, om dagen og natten, i weekender og arbejdsdage. I hver driftsform opnåede vi besparelser på brændstof (i denne opgave afhænger marginen af brændstofforbruget). Derefter gik vi helt over til de nye driftsformer. Det skal siges, at stationen hurtigt fik tillid til effektiviteten af vores anbefalinger, og tættere på slutningen af testene bemærkede vi oftere, at udstyret fungerede i de tidligere beregnede driftsformer.

Projektets resultat

Objekt: Varmekraftværk med tværforbindelser, 600 MW elektrisk kapacitet, 2.400 Gkal — varme.

Team: KROK — syv personer (teknologiske eksperter, analytikere, ingeniører), Varmekraftværk — fem personer (forretningseksperter, nøglebrugere, specialister).
Gennemførelsestid: 16 måneder.

Resultater:

• Vi har automatiseret forretningsprocesserne for driften og arbejdet på engrosmarkedet.
• Vi har udført felttests, der bekræfter den økonomiske effekt.
• Vi har sparet 1,2 % brændstof ved at omfordele belastningerne under driften.
• Vi har bevaret 1 % brændstof takket være kortsigtet planlægning af udstyrsammensætningen.
• Vi har optimeret beregningen af trin i ansøgninger til RSV med fokus på maksimering af dækningsbidraget.

Den samlede effekt er omkring 4 %.

Den estimerede tilbagebetalingstid for projektet (ROI) er 1–1,5 år.

Selvfølgelig, for at implementere og teste alt dette var vi nødt til at ændre mange processer og arbejde tæt sammen med både ledelsen af varmeværket og det producerende selskab som helhed. Men resultatet var bestemt det værd. Vi har formået at skabe en digital tvilling af stationen, udvikle optimeringsplanlægningsprocedurer og opnå en reel økonomisk effekt.

Kilde: habr.com