Modelleren van de werking van een echte warmtekrachtcentrale voor optimalisatie van bedrijfsmodi: stoom en wiskunde

Er is een grote warmtekrachtcentrale (WKK). Het werkt zoals gewoonlijk: het verbrandt gas, produceert warmte voor de verwarming van huizen en elektriciteit voor het algemene net. De eerste taak is verwarming. De tweede is om alle geproduceerde elektriciteit op de groothandelsmarkt te verkopen. Soms, tijdens de vorst bij een heldere lucht, valt er sneeuw, maar dat is een neveneffect van het werk van de koeltorens.

Een gemiddelde WKK bestaat uit een paar tientallen turbines en ketels. Als de benodigde hoeveelheden elektriciteit en warmte precies bekend zijn, komt de taak neer op het minimaliseren van de brandstofkosten. In dit geval draait de berekening om de keuze van de samenstelling en de belastingpercentage van de turbines en ketels om een zo hoog mogelijke efficiëntie van de apparatuur te bereiken. De efficiëntie van turbines en ketels hangt sterk af van het type apparatuur, de werkingstijd zonder onderhoud, het werkregime en nog veel meer. Er is ook een andere taak, waarbij bij bekende elektriciteitsprijzen en warmtehoeveelheden moet worden bepaald hoeveel elektriciteit moet worden geproduceerd en verkocht om de maximale winst uit de groothandelsmarkt te behalen. Dan is de optimalisatiefactor winst en de efficiëntie van de apparatuur veel minder belangrijk. Het resultaat kan een modus zijn waarin de apparatuur absoluut inefficiënt werkt, maar het volledige geproduceerde volume elektriciteit kan met een maximale marge worden verkocht.

In theorie is dit alles al lang duidelijk en klinkt het mooi. Het probleem is hoe je dit in de praktijk kunt realiseren. We zijn begonnen met simulatiemodellering van de werking van elke eenheid apparatuur en het station als geheel. We kwamen naar de WKK en begonnen de parameters van alle knooppunten te verzamelen, terwijl we hun werkelijke kenmerken meeten en de werking in verschillende modi evalueerden. Op basis daarvan hebben we nauwkeurige modellen gemaakt voor de simulatie van de werking van elke eenheid apparatuur en deze gebruikt voor optimaliseringsberekeningen. Terugblikkend kan ik zeggen dat we ongeveer 4% werkelijke efficiëntie hebben gewonnen door simpelweg wiskunde.

Het is gelukt. Maar voordat ik onze oplossingen beschrijf, vertel ik hoe de WKK werkt vanuit het perspectief van besluitvorming.

Basiszaken

De belangrijkste componenten van een elektriciteitscentrale zijn boilers en turbines. Turbines worden aangedreven door stoom onder hoge druk, die op zijn beurt de generatoren aandrijft die elektriciteit opwekken. De resterende energie van de stoom wordt gebruikt voor verwarming en warm water. Boilers zijn de plaatsen waar stoom wordt geproduceerd. Het opwarmen van de ketel en het versnellen van de stoomturbine kost veel tijd (uren), wat directe brandstofverliezen met zich meebrengt. Hetzelfde geldt voor het aanpassen van de belasting. Dergelijke zaken moeten van tevoren worden gepland.

De apparatuur van een warmte-krachtcentrale heeft een technische minimum, dat een minimaal maar stabiel bedieningsregime omvat, waarbij voldoende warmte aan woningen en industriële afnemers kan worden geleverd. De benodigde hoeveelheid warmte is meestal direct afhankelijk van het weer (luchttemperatuur).

Elke eenheid heeft een efficiëntiecurve en een punt van maximale efficiëntie: bij een bepaalde belasting levert een bepaalde ketel en een bepaalde turbine de goedkoopste elektriciteit. Goedkoop in de zin van het minimale specifieke brandstofverbruik.

De meeste warmte-krachtcentrales in Rusland hebben parallelle verbindingen, waarbij alle ketels op een gezamenlijke stoomcollector werken en alle turbines ook van dezelfde collector worden voorzien. Dit voegt flexibiliteit toe bij het belasten van de apparatuur, maar compliceert de berekeningen aanzienlijk. Soms wordt de apparatuur van de centrale opgedeeld in delen die op verschillende collectors met verschillende stoomdruk werken. En als je ook de kosten voor interne behoeften meerekent - het functioneren van pompen, ventilatoren, koeltorens en, eerlijk gezegd, sauna's direct achter het hek van de warmte-krachtcentrale - dan kun je het jezelf al helemaal moeilijk maken.

De kenmerken van alle apparatuur zijn niet-lineair. Elke eenheid heeft een curve met zones waar de efficiëntie hoger of lager is. Dit hangt af van de belasting: bij 70% is de efficiëntie anders dan bij 30%.

De apparatuur verschilt in specificaties. Er zijn nieuwe en oude turbines en boilers, en er zijn eenheden van verschillende constructies. Door de apparatuur correct te selecteren en deze optimaal te belasten bij de punten van maximale efficiëntie, kan het brandstofverbruik worden verlaagd, wat leidt tot lagere kosten of een hogere marge.

Hoe weet een warmte-krachtcentrale hoeveel energie nodig is om te produceren?

Planning is done three days in advance: the planned equipment composition is known three days ahead. This includes the turbines and boilers that will be operational. In other words, we know that today there will be five boilers and ten turbines in operation. We cannot turn on other equipment or turn off those that are scheduled, but we can adjust the load for each boiler from a minimum to a maximum, and for the turbines, we can increase or decrease power. The transition from maximum to minimum takes between 15 to 30 minutes depending on the type of equipment. The task here is straightforward: to choose optimal modes and maintain them while considering operational adjustments.

Where did this equipment composition come from? It was determined based on the results of trading on the wholesale market. There is a capacity market and an electricity market. In the capacity market, producers submit a proposal: 'We have certain equipment, with such minimum and maximum capacities taking into account scheduled maintenance. We can offer 150 MW at this price, 200 MW at this price, and 300 MW at this price.' These are long-term proposals. On the other side, large consumers also submit requests: 'We need this amount of energy.' Specific prices are determined at the moment when what energy producers can offer intersects with what consumers want to take. These capacities are determined for each hour of the day.

Typically, a heat and power plant carries approximately the same load throughout the season: in winter, the priority product is heat, while in summer, it is electricity. Significant deviations are often related to accidents at the plant itself or at nearby power stations in the same price zone of the wholesale market. However, fluctuations always occur, and these fluctuations significantly affect the economic efficiency of plant operations. The required capacity can be met by three boilers at 50% load or two at 75% load, allowing us to observe which option is more efficient.

De marge hangt af van de prijzen op de markt en de kosten van de elektriciteitsproductie. Op de markt kunnen de prijzen zo zijn dat het voordelig is om brandstof te verbranden, maar om elektriciteit goed te verkopen. Het kan ook zo zijn dat je op een bepaald uur naar de technische minimum moet gaan om verliezen te reduceren. Ook moet men rekening houden met de voorraden en de kosten van brandstof: aardgas is meestal beperkt en overtollig gas is aanzienlijk duurder, om nog maar te zwijgen van stookolie. Dit vereist nauwkeurige wiskundige modellen om te begrijpen welke aanvragen te doen en hoe te reageren op veranderende omstandigheden.

Hoe dit gebeurde voordat wij kwamen

Bijna op papier, op basis van niet erg nauwkeurige specificaties van de apparatuur, die een grote afwijking hebben van de feitelijke waarden. Direct na de proefnemingen van de apparatuur zullen ze in het beste geval binnen 2% van de werkelijkheid liggen, en na een jaar al binnen 7-8%. Proeven worden om de vijf jaar uitgevoerd, vaak zelfs minder.

Het volgende punt is dat alle berekeningen in hypothetische brandstof worden gedaan. In de USSR werd een schema aangenomen waarbij een bepaalde hypothetische brandstof werd gebruikt om verschillende stations op stookolie, kolen, gas, en nucleaire energie met elkaar te vergelijken. Men moest de efficiëntie in условные units van elke generator begrijpen, en die hypothetische brandstof is die eenheid. Het wordt gedefinieerd door de calorische waarde van brandstof: één ton hypothetische brandstof is ongeveer gelijk aan één ton steenkool. Er zijn conversietabellen voor verschillende soorten brandstof. Bijvoorbeeld, voor bruinkool zijn de waarden bijna twee keer slechter. Maar de calorische waarde is niet gerelateerd aan roebels. Het is vergelijkbaar met benzine en diesel: het is niet zeker dat als diesel 35 roebel kost en 92-octaan 32 roebel, diesel effectiever zal zijn qua calorische waarde.

De derde factor is de complexiteit van de berekeningen. Voorwaardelijk op basis van de ervaring van de medewerker worden twee of drie opties berekend, en vaker wordt de beste modus gekozen op basis van de geschiedenis van eerdere perioden voor vergelijkbare belastingen en weersomstandigheden. Natuurlijk geloven de medewerkers dat ze de meest optimale modi kiezen en denken ze dat geen enkel wiskundig model hen ooit kan overtreffen.

Wij komen binnen. Om de taak op te lossen, bereiden we een digitale tweeling voor — een simulatiemodel van het station. Dit doet onze speciale methoden om alle technologische processen voor elke eenheid van apparatuur te simuleren, waarbij we de stoomwater- en energiebalansen opstellen en een nauwkeurig werkmodel van de energiecentrale verkrijgen.

Voor het creëren van het model gebruiken we:

• De constructie en paspoortkenmerken van de apparatuur.
• Kenmerken op basis van de laatste testresultaten van de apparatuur: om de vijf jaar worden de kenmerken van de apparatuur getest en geverifieerd op het station.
• Gegevens in de archieven van de automatiseringssystemen en registratiesystemen van alle beschikbare technologische indicatoren, verbruik en productie van warmte en elektriciteit. In het bijzonder de gegevens van registratiesystemen voor de afgifte van warmte en elektriciteit, evenals van telemetriesystemen.
• Gegevens van band- en cirkelvormige papieren diagrammen. Ja, zulke analoge methoden voor het vastleggen van de werkparameters van apparatuur worden nog steeds toegepast in Russische elektriciteitscentrales, en wij digitaliseren deze.
• Papieren logboeken op de stations waar voortdurend de belangrijkste parameters van de bedrijfsmodi worden geregistreerd, inclusief die welke niet door de sensoren van de automatiseringssystemen worden geregistreerd. Een rondgangsmedewerker komt elke vier uur voorbij, noteert de gegevens en schrijft alles in het logboek.

Dat wil zeggen, we hebben herstelde datasets van wat in welk regime werkte, hoeveel brandstof werd aangevoerd, wat de temperatuur en het stoomverbruik waren, en hoeveel thermische en elektrische energie er aan de uitgang werd gehaald. Van duizenden van zulke sets moesten we de kenmerken van elke eenheid verzamelen. Gelukkig zijn we al lange tijd bedreven in deze Data Mining.

Het is uiterst moeilijk om zulke complexe objecten met behulp van wiskundige modellen te beschrijven. Nog moeilijker is het om de hoofdingenieur te overtuigen dat ons model de bedrijfsmodi van het station correct berekent. Daarom hebben we ervoor gekozen om gespecialiseerde engineeringscomplexen te gebruiken die het mogelijk maken om het model van de energiecentrale te combineren en te optimaliseren op basis van de constructieve en technologische kenmerken van de apparatuur. We kozen voor de software Termoflow van het Amerikaanse bedrijf TermoFlex. Tegenwoordig zijn er Russische analogen, maar op dat moment was dit pakket het beste in zijn klasse.

Voor elke eenheid worden de constructie en de belangrijkste technologische kenmerken geselecteerd. Het systeem stelt in staat om alles zeer gedetailleerd te beschrijven, zowel op logisch als fysiek niveau, tot het niveau van de afzettingen in de buizen van de warmuitwisselaars.

Uiteindelijk wordt het model van het warmteschema van het station visueel beschreven in termen van technoloog-energetici. Technologen hebben geen verstand van programmeren, wiskunde en modellering, maar ze kunnen de constructie van de eenheid, de in- en uitgangen van de eenheden kiezen en de parameters op deze in- en uitgangen opgeven. Het systeem selecteert vervolgens automatisch de meest geschikte parameters, en de technoloog specificeert deze zodanig dat de maximale nauwkeurigheid voor het gehele werkingsgebied wordt verkregen. Ons doel is om een modelnauwkeurigheid van 2% te garanderen voor de belangrijkste technologische parameters, en dat hebben we bereikt.

Dit bleek niet zo eenvoudig te zijn: de oorspronkelijke gegevens waren niet erg nauwkeurig, dus hebben we de eerste paar maanden rond de TEP en handmatig de huidige waarden van de manometers genoteerd en het model afgestemd op de feitelijke modi. We hebben eerst modellen van turbines en ketels gemaakt. Elke turbine en ketel werd nauwkeurig afgesteld. Voor de controle van het model hebben we een werkgroep opgericht en daar vertegenwoordigers van de TEP in opgenomen.

Vervolgens hebben we alle apparatuur in een algemeen schema verzameld en hebben we het model van de TEP als geheel verder geoptimaliseerd. Daar moesten we hard aan werken, omdat er veel tegenstrijdige gegevens in de archieven zaten. Bijvoorbeeld, we vonden modi met een algemene efficiëntie van 105%.

Wanneer je een volledig schema samenstelt, rekent het systeem altijd een gebalanceerde modus: materiële, elektrische en thermische balansen worden opgesteld. Vervolgens beoordelen we hoe alles in zijn geheel overeenkomt met de feitelijke parameters van de modus op basis van de gegevens van de apparaten.

Wat we hebben verkregen

Uiteindelijk hebben we een nauwkeurig model van de technologieprocessen van de TEP gekregen, gebaseerd op de feitelijke kenmerken van de apparatuur en historische gegevens. Dit stelde ons in staat om nauwkeuriger te voorspellen dan alleen op basis van testkenmerken. We hebben een simulator van de werkelijke processen van het station, een digitale tweeling van de TEP, gecreëerd.

In deze simulator hebben we de mogelijkheid gecreëerd om analyses uit te voeren op scenario's 'wat als...' op basis van de opgegeven indicatoren. Dit model werd ook gebruikt voor het optimaliseren van de werking van het echte station.

Het is gelukt om vier optimalisatieleningen uit te voeren:

1. De leidinggevende van het station kent het schema voor de warmtelevering, de teams van de systeemoperator zijn bekend, en het schema voor de elektriciteitslevering is bekend: welk apparatuur moet welke belastingen worden genomen om de maximale marge te behalen.
2. De keuze van de apparatuur op basis van de prijsvoorspelling op de markt: op de aangegeven datum, rekening houdend met het belastingschema en de temperatuurvoorspelling van de buitenlucht, bepalen we de optimale samenstelling van de apparatuur.
3. Aanvragen indienen op de markt één dag van tevoren: zodra de apparatuur samenstelling vaststaat en er een nauwkeuriger prijsvoorspelling is. We berekenen en dienen de aanvraag in.
4. De balancering markt — al binnen de huidige dagen, wanneer de elektrische en thermische schema's zijn vastgelegd, maar meerdere keren per dag, elke vier uur, worden er veilingen op de balanceringsmarkt gestart, en men kan een aanvraag indienen: "Ik vraag om een extra levering van 5 MW". Men moet de schalen van extra levering of ontlasting vinden wanneer dit de maximale marge oplevert.

Proeven

Voor de juiste proeven moesten we de standaard belastingsregimes van de apparatuur van het station vergelijken met onze berekende aanbevelingen onder gelijke omstandigheden: apparatuur samenstelling, belastingschema's en weersomstandigheden. Gedurende een paar maanden kozen we tijdsintervallen van vier tot zes uur met een stabiel schema. We kwamen naar het station (vaak 's nachts), wachtten tot het station op dit regime zou komen, en pas daarna berekenden we het in het simulatiemodel. Als de leidinggevende van het station tevreden was, stuurden we het operationele personeel om de kleppen te draaien en de apparatuur regimes te wijzigen.

We vergeleken de prestaties voor en na de feiten. Tijdens het hoogtepunt, overdag en 's nachts, in het weekend en op werkdagen. In elk regime kregen we besparingen op brandstof (in deze taak hangt de marge af van het brandstofverbruik). Daarna zijn we volledig overgestapt op de nieuwe regimes. Het moet gezegd worden dat het station vrij snel begon te geloven in de effectiviteit van onze aanbevelingen, en dichter bij het einde van de proeven zagen we steeds vaker dat de apparatuur werkte in de door ons eerder berekende regimes.

Projectresultaat

Object: warmte- en energiecentrale met transversale verbindingen, 600 MW elektrische capaciteit, 2.400 Gcal — thermisch.

Team: KROK — zeven mensen (technologie-experts, analisten, ingenieurs), warmte- en energiecentrale — vijf mensen (business-experts, sleutelfiguren, specialisten).
Duur van uitvoering: 16 maanden.

Resultaten:

• We hebben de bedrijfsprocessen voor de modus en het werken op de groothandelsmarkt geautomatiseerd.
• We hebben praktische tests uitgevoerd die het economische effect bevestigen.
• We hebben 1,2% brandstof bespaard door de belasting opnieuw te verdelen tijdens de modus.
• We hebben 1% brandstof behouden door kortetermijnplanning van de uitrusting.
• We hebben de berekening van aanvraagtrappen op basis van het maximaliseren van de marge geoptimaliseerd.

Het uiteindelijke effect is ongeveer 4%.

De geschatte terugverdientijd van het project (ROI) is 1-1,5 jaar.

Natuurlijk, om dit alles te implementeren en te testen, moesten veel processen worden gewijzigd en moesten we nauw samenwerken met zowel het management van de warmtekrachtcentrale als met het energiebedrijf als geheel. Maar het resultaat was het zeker waard. We zijn erin geslaagd om een digitale tweeling van het station te creëren, optimalisatieprocedures te ontwikkelen en daadwerkelijk economische voordelen te behalen.

Bron: habr.com