Simulation av driften av en verklig värmeverk för att optimera driftsmodi: ånga och matematik

Det finns ett stort värmeverk. Det fungerar som vanligt: bränner gas, producerar värme för uppvärmning av hus och elektricitet för det allmänna nätverket. Den första uppgiften är uppvärmning. Den andra är att sälja all producerad elektricitet på den grossistmarknaden. Ibland, vid frostigt och klart väder, faller snö som en biprodukt av kyltornens arbete.

Ett genomsnittligt värmeverk består av ett par tiotal turbiner och pannor. Om de nödvändiga volymerna för produktion av elektricitet och värme är exakt kända, handlar uppgiften om att minimera bränslekostnaderna. I det här fallet handlar beräkningen om att välja sammansättningen och lastprocenten för turbiner och pannor för att uppnå högsta möjliga effektivitet i utrustningens drift. Effektiviteten hos turbiner och pannor beror i stor utsträckning på utrustningstyp, driftstid utan reparation, driftsläge och mycket mer. Det finns också en annan uppgift, där det vid kända elpriser och värmevolymer behöver avgöras hur mycket elektricitet som ska produceras och säljas för att få maximal vinst från verksamheten på grossistmarknaden. I så fall har optimeringsfaktorn — vinst och utrustningens effektivitet — mycket mindre betydelse. Resultatet kan bli ett läge där utrustningen fungerar helt ineffektivt, men hela den producerade volymen elektricitet kan säljas med maximal marginal.

Teoretiskt är allt detta sedan länge förstått och låter fint. Problemet är hur man gör detta i praktiken. Vi började med simuleringsmodellering av drift för varje enhet av utrustning och hela anläggningen i stort. Vi kom till värmeverket och började samla in parametrar för alla noder, mäta deras verkliga egenskaper och utvärdera drift i olika lägen. Baserat på dessa skapade vi exakta modeller för att simulera arbetet av varje enhet av utrustning och använde dem för optimeringsberäkningar. För att ta en genväg kan jag säga att vi vann cirka 4 % verklig effektivitet bara genom matematik.

Det fungerade. Men innan jag beskriver våra lösningar, kommer jag att berätta hur värmeverket arbetar utifrån ett beslutsfattande perspektiv.

Grundläggande saker

De grundläggande elementen i ett kraftverk är pannor och turbiner. Turbiner drivs av ånga under högtryck, vilket i sin tur roterar elektriska generatorer som producerar elektricitet. Resterna av ångans energi används för värme och varmvatten. Pannor är de platser där ångan skapas. Att värma upp pannan och accelerera ångturbinen tar mycket tid (timmar), vilket innebär direkt bränsletapp. Samma gäller för lastförändringar. Sådana saker måste planeras i förväg.

Utrustningen på kraftverket har ett tekniskt minimum som omfattar ett minimalt men stabilt driftläge, där tillräcklig värme kan erbjudas till hus och industriella kunder. Vanligtvis beror den nödvändiga mängden värme direkt på vädret (lufttemperaturen).

Varje enhet har en verkningsgradskurva och en punkt för maximal effektivitet: vid en viss belastning ger en viss panna och en viss turbin den billigaste elektriciteten. Billigaste — i den meningen med den minsta specifika bränsleförbrukningen.

De flesta kraftverk i Ryssland är uppkopplade parallellt, där alla pannor arbetar med en ångkollektor och alla turbiner också får näring från samma kollektor. Detta ger flexibilitet i lastningen av utrustningen, men komplicerar beräkningarna avsevärt. Ibland delas stationens utrustning upp i delar som arbetar på olika kollektor med olika ångtryck. Och om man lägger till kostnader för interna behov — drift av pumpar, fläktar, kylare och, för att inte mörka saken, bastur precis bakom kraftverksstaketet — då kan det bli riktigt komplicerat.

Egenskaperna hos all utrustning är icke-linjära. Varje enhet har en kurva med områden där verkningsgraden är högre och lägre. Detta beror på belastningen: vid 70 % är verkningsgraden en, vid 30 % en annan.

Utrustningen skiljer sig åt i egenskaper. Det finns nya och gamla turbiner och pannor, och det finns aggregat av olika konstruktioner. Genom att korrekt välja utrustningen och optimalt belasta den vid punkter av maximal verkningsgrad, kan bränsleförbrukningen minskas, vilket leder till kostnadsbesparingar eller högre lönsamhet.

Hur vet kraftverket hur mycket energi som behöver produceras?

Planeringen görs tre dagar i förväg: tre dagar innan blir den planerade uppsättningen av utrustning känd. Det handlar om de turbiner och pannor som kommer att vara i drift. För att förenkla, vi vet att fem pannor och tio turbiner kommer att vara i drift idag. Vi kan inte sätta på annan utrustning eller stänga av den planerade, men vi kan justera belastningen för varje panna från minimum till maximum, och för turbinerna kan vi öka och minska effekten. Steget från maximum till minimum tar mellan 15 och 30 minuter beroende på utrustningen. Här är uppgiften enkel: att välja optimala lägen och hålla dem med hänsyn till operativa justeringar.

Varifrån kommer denna uppsättning av utrustning? Den fastställdes baserat på resultaten från upphandlingarna på den förreglerade marknaden. Det finns en marknad för kapacitet och elektricitet. På kapacitetsmarknaden gör producenterna en ansökan: "Det finns sådan eller sådan utrustning, här är minimala och maximala kapaciteter med hänsyn till planerat underhåll. Vi kan leverera 150 MW till ett visst pris, 200 MW – till ett annat pris, och 300 MW – till ett annat pris." Det är långsiktiga erbjudanden. Å andra sidan gör stora konsumenter också sina ansökningar: "Vi behöver så mycket energi." De specifika priserna fastställs i det ögonblick då det som energiproducenterna kan ge möter det som konsumenterna vill ta. Dessa kapaciteter fastställs för varje timme på dygnet.

Vanligtvis har kraftvärmeverk en ungefärligen konstant belastning under hela säsongen: på vintern är den primära varan värme, och på sommaren elektricitet. Stora avvikelser är oftast kopplade till olyckor antingen på själva stationen eller på angränsande kraftverk inom samma prissättningszon på den förreglerade marknaden. Men det finns alltid svängningar, och dessa svängningar påverkar kraftigt den ekonomiska effektiviteten i stationens drift. Den nödvändiga kapaciteten kan uppnås med tre pannor med en belastning på 50 % eller två med en belastning på 75 %, och därmed se vad som är mest effektivt.

Lönsamheten beror på marknadspriserna och kostnaderna för elproduktion. På marknaden kan priserna sätta sig så att det är lönsamt att bränna bränslet, men sälja elen bra. Det kan också vara så att man vid en viss tidpunkt måste gå ner på teknisk minimumnivå och minska förlusterna. Man måste också tänka på lagren och kostnaderna för bränsle: samma naturgas är vanligtvis begränsad, och övergripande gas är avsevärt dyrare, för att inte tala om tungolja. Allt detta kräver exakta matematiska modeller för att förstå vilka anbud man ska lämna och hur man ska reagera på förändrade omständigheter.

Hur detta gjordes innan vi kom

Praktiskt taget på papper med inte särskilt exakt information om utrustningen, som har stor spridning från det faktiska. Omedelbart efter testerna av utrustningen kommer de i bästa fall att vara plus-minus 2 % från verkligheten, och redan efter ett år - plus-minus 7-8 %. Tester genomförs i genomsnitt var femte år, ofta ännu mer sällan.

Nästa punkt är att alla beräkningar görs i hypotetiskt bränsle. I Sovjetunionen antogs ett system där ett visst hypotetiskt bränsle användes för att jämföra olika stationer som kör på olja, kol, gas, kärnenergikraftverk och så vidare. Man behövde förstå effektiviteten i enheter (eller 'parrots') för varje generator, och det hypotetiska bränslet är den så kallade 'parroten'. Det definieras genom bränslets kalorinnehåll: en ton hypotetiskt bränsle motsvarar ungefär en ton stenkol. Det finns omräkningstabeller för olika typer av bränsle. Till exempel är värdena för brunt kol nästan dubbelt så dåliga. Men kalorinnehållet hänger inte ihop med rubel. Det är som bensin och diesel: det är ingen garanti att om diesel kostar 35 rubel och 92:an kostar 32 rubel, så är diesel mer effektiv enligt kalorinnehållet.

Den tredje faktorn är beräkningskomplexiteten. Baserat på personalens erfarenhet beräknas två till tre alternativ, och oftare väljs det bästa läget från historiska perioder för liknande belastningar och väderförhållanden. Naturligtvis tror personalen att de väljer de mest optimala lägena och anser att ingen matematisk modell någonsin kommer att överträffa dem.

Vi kommer. För att lösa uppgiften förbereder vi en digital tvilling - en simuleringsmodell av stationen. Det innebär att vi med hjälp av speciella metoder simulerar alla teknologiska processer för varje enhet av utrustningen, sammanställer ång- och energibalansen och får en exakt modell av driftseffektiviteten för kraftverket.

För att skapa modellen använder vi:

• Konstruktionen och specifikationerna för utrustningen.
• Specifikationer baserade på resultaten från de senaste testerna av utrustningen: var femte år testas och preciseras utrustningens prestanda.
• Data från arkiven av styrsystem och redovisningssystem för alla tillgängliga teknologiska indikatorer, kostnader och produktion av värme och elektricitet. Specifikt data från system för redovisning av avlämnad värme och elektricitet, samt från telemekaniska system.
• Data från linjära och cirkulära pappersdiagram. Ja, sådana analoga sätt att registrera arbetsparametrar används fortfarande på ryska kraftverk, och vi digitaliserar dem.
• Pappersjournaler på stationerna där de viktigaste driftsparametrarna ständigt registreras, inklusive de som inte registreras av styrsystemens sensorer. En inspektör går runt var fjärde timme, skriver av värdena och registrerar allt i journalen.

Det innebär att vi har återskapade dataset om hur utrustningen opererade, hur mycket bränsle som tillfördes, vilka var temperatur och ångflöde, och hur mycket värme och elektricitet som producerades. Från tusentals sådana dataset måste vi samla in specifikationerna för varje nod. Lyckligtvis har vi långtgående kunskaper inom Data Mining.

Att beskriva så komplexa objekt med hjälp av matematiska modeller är oerhört svårt. Ännu svårare är det att bevisa för chefen för ingenjörerna att vår modell korrekt beräknar stationens driftförhållanden. Därför valde vi att använda specialiserade ingenjörssystem som möjliggör att sammanställa och justera modellen för kraftverket baserat på konstruktions- och teknologiska specifikationer. Vi valde programvaran Termoflow från det amerikanska företaget TermoFlex. Nu finns det ryska motsvarigheter, men då var just detta paket det bästa i sin klass.

För varje enhet väljs dess konstruktion och grundläggande tekniska egenskaper. Systemet möjliggör en mycket detaljerad beskrivning både på logisk och fysisk nivå, ända ner till angivelsen av avlagringar i rören i värmeväxlarna.

Resultatet är att modellen av värmeschemat för stationen beskrivs visuellt i termer av teknologer inom energiteknik. Teknologerna har ingen djup förståelse för programmering, matematik eller modellering, men de kan välja konstruktion för enheten, ingångar och utgångar för aggregaten och ange parametrar för dem. Därefter väljer systemet automatiskt de mest lämpliga parametrarna, och teknikern justerar dem för att uppnå maximal noggrannhet för hela driftområdet. Vi har satt som mål att säkerställa en noggrannhet på 2 % för de huvudsakliga tekniska parametrarna, och vi har uppnått detta.

Det visade sig vara inte så enkelt: de ursprungliga data var inte särskilt exakta, så under de första två månaderna gick vi runt på värmeverket och noterade de aktuella värdena från manometrarna manuellt och justerade modellen efter de faktiska driftlägena. Först skapade vi modeller av turbiner och pannor. Varje turbin och panna verifierades noggrant. För att kontrollera modellen skapade vi en arbetsgrupp och inkluderade representanter från värmeverket.

Sedan samlade vi all utrustning i ett gemensamt schema och justerade modellen av hela värmeverket. Det krävdes mycket arbete, eftersom det i arkiven fanns många motsägelsefulla data. Till exempel hittade vi driftlägen med en total verkningsgrad på 105 %.

När man sammanställer hela schemat beräknar systemet alltid det balanserade läget: materiebalans, elektriska och termiska balanser upprättas. Därefter bedömer vi hur allt i sammanget överensstämmer med de faktiska parametrarna i läget baserat på instrumentens mätningar.

Vad som blev resultatet

Slutligen har vi fått en exakt modell av processteknikerna för värmeverket, baserad på de faktiska egenskaperna hos utrustningen och historiska data. Detta har möjliggjort mer precisa prognoser än enbart baserat på testresultat. Det blev ett simuleringsverktyg för de verkliga processerna på stationen, en digital tvilling av värmeverket.

I denna simulator skapade vi möjligheten att genomföra analyser av scenarier "vad händer om..." baserat på angivna parametrar. Denna modell användes också för att lösa optimeringsproblemet för den verkliga stationens drift.

Vi lyckades genomföra fyra optimeringsberäkningar:

1. Skiftledaren på stationen känner till värmeledighetsschemat, systemoperatörernas team är kända, och elledighetsschemat är fastställt: vilket utrustning som ska användas för att maximera lönsamheten.
2. Val av utrustningssammanställning baserat på marknadspriser: på ett angivet datum, med hänsyn till belastningsschemat och prognosen för utomhustemperaturen, bestäms den optimala utrustningssammanställningen.
3. Inlämning av ansökningar på marknaden en dag i förväg: när utrustningssammanställningen är känd och det finns en mer exakt prisprognos. Vi beräknar och skickar in en ansökan.
4. Balansmarknad — redan under den aktuella dagen, när de elektriska och termiska scheman har fastställts, men flera gånger om dagen, var fyra timmar, startar auktionerna på balansmarknaden, och man kan lämna in en ansökan: "Jag ber om att få öka min belastning med 5 MW". Man måste hitta delarna för ökning eller minskning av belastningen när det ger maximal marginal.

Tester

För korrekta tester behövde vi jämföra standardbelastningslägen för stationens utrustning med våra beräknade rekommendationer under samma förutsättningar: utrustningssammanställning, belastningsscheman och väder. Under ett par månader valde vi tidsintervall på fyra till sex timmar med stabila scheman. Vi kom till stationen (ofta nattetid), väntade på att stationen skulle nå sitt läge, och efter det beräknade vi det i simuleringsmodellen. Om skiftledaren var nöjd skickade vi operativ personal för att justera ventiler och förändra utrustningslägen.

Vi jämförde resultaten före och efter faktum. Vid topp, dag och natt, under helger och arbetsdagar. I varje läge uppnåddes bränslebesparingar (i denna uppgift beror marginalen på bränsleförbrukningen). Sedan gick vi helt över till de nya lägena. Man måste säga att stationen ganska snabbt började tro på effektiviteten av våra rekommendationer, och när vi kom närmare slutet av testerna märkte vi allt oftare att utrustningen arbetade i de lägen vi tidigare hade beräknat.

Projektets resultat

Objekt: Värmekraftverk med tvärkopplingar, 600 MW elektrisk kapacitet, 2 400 Gkal — termisk.

Team: KROK — sju personer (tekniska experter, analytiker, ingenjörer), Värmekraftverket — fem personer (affärsexperter, nyckelanvändare, specialister).
Genomförandetid: 16 månader.

Resultat:

• Vi har automatiserat affärsprocesserna för drift och arbete på grossistmarknaden.
• Vi genomförde fälttester som bekräftar den ekonomiska effekten.
• Vi sparade 1,2 % bränsle genom att omfördela belastningar under driften.
• Vi sparade 1 % bränsle tack vare kortsiktig planering av utrustningen.
• Vi optimerade beräkningen av ansökningstrappor för RSV med målsättningen att maximera marginalvinsten.

Den slutliga effekten är cirka 4 %.

Den uppskattade återbetalningstiden för projektet (ROI) är 1–1,5 år.

Naturligtvis var vi tvungna att förändra många processer och arbeta nära både med ledningen för värmeverket och med den genererande företaget i stort för att implementera och testa allt detta. Men resultatet var definitivt värt det. Vi lyckades skapa en digital tvilling av anläggningen, utveckla optimeringsplaneringsprocedurer och uppnå verklig ekonomisk effekt.

Källa: habr.com