Det finns ett stort värmekraftverk. Det fungerar som vanligt: det förbränner gas, genererar värme för uppvärmning av hus och el för det allmänna nätet. Den första uppgiften är uppvärmning. Det andra är att sälja all genererad el på grossistmarknaden. Ibland, även i kallt väder, dyker snö upp under en klar himmel, men detta är en bieffekt av driften av kyltorn.
Det genomsnittliga värmekraftverket består av ett par dussin turbiner och pannor. Om de erforderliga volymerna för el- och värmeproduktion är exakt kända, handlar uppgiften om att minimera bränslekostnaderna. I det här fallet handlar beräkningen om att välja sammansättning och procentandel av belastning av turbiner och pannor för att uppnå högsta möjliga effektivitet av utrustningens drift. Effektiviteten hos turbiner och pannor beror starkt på typen av utrustning, drifttid utan reparationer, driftläge och mycket mer. Det finns ett annat problem när man, givet kända priser på el och volymer värme, måste bestämma sig för hur mycket el man ska generera och sälja för att få maximal vinst av att arbeta på grossistmarknaden. Då är optimeringsfaktorn - vinst och utrustningseffektivitet - mycket mindre viktig. Resultatet kan bli en situation där utrustningen fungerar helt ineffektivt, men hela volymen genererad el kan säljas med maximal marginal.
I teorin har allt detta länge varit tydligt och låter vackert. Problemet är hur man gör detta i praktiken. Vi började simulera modellering av driften av varje utrustning och hela stationen som helhet. Vi kom till värmekraftverket och började samla in parametrarna för alla komponenter, mäta deras verkliga egenskaper och utvärdera deras funktion i olika lägen. Baserat på dem skapade vi noggranna modeller för att simulera driften av varje utrustning och använde dem för optimeringsberäkningar. När vi blickar framåt kommer jag att säga att vi fick cirka 4 % av verklig effektivitet helt enkelt på grund av matematik.
Hände. Men innan jag beskriver våra beslut kommer jag att prata om hur kraftvärmeverket fungerar ur beslutslogikens synvinkel.
Grundläggande saker
Huvudelementen i ett kraftverk är pannor och turbiner. Turbinerna drivs av högtrycksånga, som i sin tur roterar elektriska generatorer, som producerar el. Den återstående ångenergin används för uppvärmning och varmvatten. Pannor är platser där ånga skapas. Det tar mycket tid (timmar) att värma upp pannan och accelerera ångturbinen, och detta är en direkt förlust av bränsle. Detsamma gäller belastningsändringar. Du måste planera för dessa saker i förväg.
Kraftvärmeutrustning har ett tekniskt minimum, vilket inkluderar ett minimum, men stabilt driftläge, där det är möjligt att ge tillräcklig värme till hem och industriella konsumenter. Vanligtvis beror den erforderliga mängden värme direkt på vädret (lufttemperaturen).
Varje enhet har en verkningsgradskurva och en punkt med maximal drifteffektivitet: vid sådan och sådan belastning ger en sådan och en panna och en sådan och en sådan turbin den billigaste elen. Billigt - i betydelsen minimal specifik bränsleförbrukning.
De flesta av våra kraftvärmeverk i Ryssland har parallellkopplingar, då alla pannor drivs på en ångkollektor och alla turbiner också drivs av en kollektor. Detta ger flexibilitet vid lastning av utrustning, men komplicerar beräkningarna avsevärt. Det händer också att stationsutrustningen är uppdelad i delar som fungerar på olika kollektorer med olika ångtryck. Och om du lägger till kostnaderna för interna behov - driften av pumpar, fläktar, kyltorn och, låt oss vara ärliga, bastur precis utanför stängslet till värmekraftverket - då kommer djävulens ben att brista.
Egenskaperna för all utrustning är olinjära. Varje enhet har en kurva med zoner där effektiviteten blir högre och lägre. Det beror på belastningen: vid 70% blir effektiviteten en, vid 30% blir den annorlunda.
Utrustningen skiljer sig i egenskaper. Det finns nya och gamla turbiner och pannor, och det finns enheter av olika design. Genom att välja utrustning korrekt och ladda den optimalt vid punkter med maximal effektivitet kan du minska bränsleförbrukningen, vilket leder till kostnadsbesparingar eller större marginaler.
Hur vet kraftvärmeverket hur mycket energi det behöver producera?
Planering utförs tre dagar i förväg: inom tre dagar blir den planerade sammansättningen av utrustningen känd. Det är de turbiner och pannor som kommer att slås på. Relativt sett vet vi att fem pannor och tio turbiner kommer att fungera idag. Vi kan inte slå på annan utrustning eller stänga av den planerade, men vi kan ändra belastningen för varje panna från minimum till maximum, samt öka och minska effekten för turbiner. Steget från max till minimum är från 15 till 30 minuter, beroende på utrustning. Uppgiften här är enkel: välj de optimala lägena och underhåll dem, med hänsyn till operativa justeringar.
Var kom denna sammansättning av utrustning ifrån? Det fastställdes utifrån resultaten av handeln på grossistmarknaden. Det finns en marknad för kapacitet och el. På kapacitetsmarknaden skickar tillverkare in en ansökan: "Det finns sådan och sådan utrustning, det är minimi- och maximalkapaciteten, med hänsyn till det planerade avbrottet för reparationer. Vi kan leverera 150 MW till det här priset, 200 MW till det här priset och 300 MW till det här priset.” Dessa är långsiktiga applikationer. Å andra sidan skickar även stora konsumenter in förfrågningar: "Vi behöver så mycket energi." Specifika priser bestäms i skärningspunkten mellan vad energiproducenter kan tillhandahålla och vad konsumenter är villiga att ta. Dessa kapaciteter bestäms för varje timme på dygnet.
Vanligtvis bär ett värmekraftverk ungefär samma belastning hela säsongen: på vintern är den primära produkten värme och på sommaren är det el. Starka avvikelser är oftast förknippade med någon form av olycka på själva stationen eller vid intilliggande kraftverk i samma priszon på grossistmarknaden. Men det finns alltid fluktuationer, och dessa fluktuationer påverkar i hög grad anläggningens ekonomiska effektivitet. Den erforderliga effekten kan tas av tre pannor med en belastning på 50 % eller två med en belastning på 75 % och se vilken som är mer effektiv.
Marginaliteten beror på marknadspriser och kostnaden för elproduktion. På marknaden kan priserna vara sådana att det är lönsamt att elda, men det är bra att sälja el. Eller så kan det vara så att du vid en viss timme behöver gå till det tekniska minimumet och minska förlusterna. Du måste också komma ihåg om reserverna och kostnaden för bränsle: naturgas är vanligtvis begränsad, och gas över gränsen är märkbart dyrare, för att inte tala om eldningsolja. Allt detta kräver exakta matematiska modeller för att förstå vilka ansökningar som ska skickas in och hur man ska reagera på förändrade omständigheter.
Hur det gjordes innan vi kom
Nästan på papper, baserat på utrustningens inte särskilt exakta egenskaper, som skiljer sig mycket från de faktiska. Omedelbart efter att ha testat utrustningen, i bästa fall, kommer de att vara plus eller minus 2% av faktum, och efter ett år - plus eller minus 7-8%. Tester genomförs vart femte år, ofta mer sällan.
Nästa punkt är att alla beräkningar görs i referensbränsle. I Sovjetunionen antogs ett system när ett visst konventionellt bränsle ansågs jämföra olika stationer som använder eldningsolja, kol, gas, kärnkraftsproduktion och så vidare. Det var nödvändigt att förstå effektiviteten i papegojorna i varje generator, och det konventionella bränslet är just den papegojan. Det bestäms av bränslets värmevärde: ett ton standardbränsle är ungefär lika med ett ton kol. Det finns omräkningstabeller för olika typer av bränsle. Till exempel för brunkol är indikatorerna nästan dubbelt så dåliga. Men kaloriinnehållet är inte relaterat till rubel. Det är som bensin och diesel: det är inte ett faktum att om diesel kostar 35 rubel och 92 kostar 32 rubel, kommer diesel att vara effektivare när det gäller kaloriinnehåll.
Den tredje faktorn är komplexiteten i beräkningarna. Konventionellt, baserat på den anställdes erfarenhet, beräknas två eller tre alternativ, och oftare väljs det bästa läget från historien om tidigare perioder för liknande belastningar och väderförhållanden. Naturligtvis tror anställda att de väljer de mest optimala lägena och tror att ingen matematisk modell någonsin kommer att överträffa dem.
Vi kommer. För att lösa problemet förbereder vi en digital tvilling - en simuleringsmodell av stationen. Detta är när vi, med hjälp av speciella tillvägagångssätt, simulerar alla tekniska processer för varje utrustningsdel, kombinerar ångvatten- och energibalanser och får en exakt modell av driften av värmekraftverket.
För att skapa modellen använder vi:
- Design och specifikationer för utrustningen.
- Egenskaper baserade på resultaten av de senaste utrustningstesterna: vart femte år testar stationen och förfinar utrustningens egenskaper.
- Data i arkiven för automatiserade processtyrningssystem och redovisningssystem för alla tillgängliga tekniska indikatorer, kostnader samt värme- och elproduktion. Framför allt data från mätsystem för värme- och elförsörjning, samt från telemekaniksystem.
- Data från pappersremsor och cirkeldiagram. Ja, sådana analoga metoder för driftparametrar för inspelningsutrustning används fortfarande vid ryska kraftverk, och vi digitaliserar dem.
- Pappersloggar på stationer där huvudparametrarna för lägena ständigt registreras, inklusive de som inte registreras av sensorerna i det automatiserade processkontrollsystemet. Linjemannen går runt var fjärde timme, skriver om avläsningarna och skriver ner allt i en logg.
Det vill säga vi har rekonstruerat datamängder om vad som fungerade i vilket läge, hur mycket bränsle som tillfördes, vad temperaturen och ångförbrukningen var och hur mycket termisk och elektrisk energi som erhölls vid utgången. Från tusentals sådana uppsättningar var det nödvändigt att samla in egenskaperna för varje nod. Lyckligtvis har vi kunnat spela detta Data Mining-spel under lång tid.
Att beskriva sådana komplexa objekt med hjälp av matematiska modeller är extremt svårt. Och det är ännu svårare att bevisa för chefsingenjören att vår modell korrekt beräknar stationens driftslägen. Därför tog vi vägen att använda specialiserade ingenjörssystem som tillåter oss att montera och felsöka en modell av ett termiskt kraftverk baserat på utrustningens design och tekniska egenskaper. Vi valde Termoflow programvara från det amerikanska företaget TermoFlex. Nu har ryska analoger dykt upp, men på den tiden var just detta paket det bästa i sin klass.
För varje enhet väljs dess design och huvudsakliga tekniska egenskaper. Systemet låter dig beskriva allt i detalj både på den logiska och den fysiska nivån, ända ner till att indikera graden av avlagringar i värmeväxlarrören.
Som ett resultat beskrivs modellen av stationens termiska krets visuellt i termer av energiteknologer. Teknologer förstår inte programmering, matematik och modellering, men de kan välja utformningen av en enhet, in- och utdata för enheter och specificera parametrar för dem. Sedan väljer systemet självt de mest lämpliga parametrarna, och teknologen förfinar dem för att få maximal noggrannhet för hela intervallet av driftlägen. Vi satte ett mål för oss själva - att säkerställa en modellnoggrannhet på 2% för de viktigaste tekniska parametrarna och uppnådde detta.
Detta visade sig inte vara så lätt att göra: de initiala uppgifterna var inte särskilt exakta, så under de första månaderna gick vi runt värmekraftverket och läste manuellt av strömindikatorerna från tryckmätarna och ställde in modellen till faktiska förhållanden. Först gjorde vi modeller av turbiner och pannor. Varje turbin och panna verifierades. För att testa modellen skapades en arbetsgrupp och representanter för värmekraftverket ingick i den.
Sedan samlade vi all utrustning till ett allmänt schema och trimmade kraftvärmemodellen som helhet. Jag var tvungen att göra en del arbete eftersom det fanns mycket motsägelsefulla uppgifter i arkiven. Till exempel hittade vi lägen med en total effektivitet på 105 %.
När du monterar en komplett krets tar systemet alltid hänsyn till det balanserade läget: material, elektriska och termiska balanser sammanställs. Därefter utvärderar vi hur allt monterat motsvarar de faktiska parametrarna för läget enligt indikatorer från instrumenten.
Vad hände
Som ett resultat fick vi en exakt modell av värmekraftverkets tekniska processer, baserad på utrustningens faktiska egenskaper och historiska data. Detta gjorde det möjligt för förutsägelser att vara mer exakta än baserade på enbart testegenskaper. Resultatet är en simulator av verkliga anläggningsprocesser, en digital tvilling av ett värmekraftverk.
Denna simulator gjorde det möjligt att analysera "tänk om..."-scenarier baserat på givna indikatorer. Denna modell användes också för att lösa problemet med att optimera driften av en riktig station.
Det var möjligt att implementera fyra optimeringsberäkningar:
- Stationsskiftschefen känner till värmeförsörjningsschemat, systemoperatörens kommandon är kända och elförsörjningsschemat är känt: vilken utrustning som tar vilka laster för att få maximala marginaler.
- Välja utrustningens sammansättning baserat på marknadsprisprognosen: för ett givet datum, med hänsyn till lastschemat och prognosen för utomhuslufttemperaturen, bestämmer vi den optimala sammansättningen av utrustningen.
- Skicka in ansökningar på marknaden en dag i förväg: när sammansättningen av utrustningen är känd och det finns en mer exakt prisprognos. Vi beräknar och lämnar in en ansökan.
- Balansmarknaden är redan inom den aktuella dagen, då el- och termiska scheman är fasta, men flera gånger om dagen, var fjärde timme, lanseras handel på balansmarknaden och du kan skicka in en ansökan: ”Jag ber dig lägga till 5 MW till min last.” Vi måste hitta andelarna för ytterligare lastning eller lossning när detta ger maximal marginal.
testet
För korrekt testning behövde vi jämföra standardladdningslägena för stationsutrustningen med våra beräknade rekommendationer under samma förhållanden: utrustningens sammansättning, lastscheman och väder. Under loppet av ett par månader valde vi fyra till sex timmars intervall på dagen med ett stabilt schema. De kom till stationen (ofta på natten), väntade på att stationen skulle nå driftsläge och beräknade först då det i simuleringsmodellen. Om arbetsledaren för stationsskiften var nöjd med allt, skickades driftpersonalen för att vrida ventilerna och ändra utrustningslägena.
Före- och efterindikatorerna jämfördes i efterhand. Under högtrafik, dag och natt, helger och vardagar. I varje läge uppnådde vi besparingar på bränsle (i denna uppgift beror marginalen på bränsleförbrukningen). Sedan gick vi över helt till nya regimer. Det måste sägas att stationen snabbt trodde på effektiviteten av våra rekommendationer, och mot slutet av testerna märkte vi alltmer att utrustningen fungerade i de lägen vi tidigare hade beräknat.
Projektresultat
Anläggning: CHP med korskopplingar, 600 MW eleffekt, 2 400 Gcal termisk effekt.
Team: CROC - sju personer (tekniska experter, analytiker, ingenjörer), CHPP - fem personer (affärsexperter, nyckelanvändare, specialister).
Genomförandetid: 16 månader.
resultat:
- Vi automatiserade affärsprocesserna för att upprätthålla regimer och arbeta på grossistmarknaden.
- Genomförde fullskaliga tester som bekräftade den ekonomiska effekten.
- Vi sparade 1,2 % av bränslet på grund av omfördelningen av laster under drift.
- Sparade 1 % bränsle tack vare kortsiktig utrustningsplanering.
- Vi optimerade beräkningen av applikationsstadier på DAM enligt kriteriet att maximera marginalvinsten.
Den slutliga effekten är cirka 4%.
Den beräknade återbetalningstiden för projektet (ROI) är 1–1,5 år.
För att implementera och testa allt detta var vi naturligtvis tvungna att förändra många processer och ha ett nära samarbete med både ledningen för värmekraftverket och det genererande företaget som helhet. Men resultatet var definitivt värt det. Det var möjligt att skapa en digital tvilling av stationen, utveckla rutiner för optimeringsplanering och få en verklig ekonomisk effekt.
Källa: will.com