張海林，楊博，董玉亮，張健，袁家海

（1.中國華能集團有限公司，北京 100031；2.華北電力大學能源動力與機械工程學院，北京 102206；3.華北電力大學經(jīng)濟與管理學院，北京 102206）

為實現(xiàn)碳達峰、碳中和目標，需要逐步建成以新能源為主體的新型電力系統(tǒng)。然而，隨著大規(guī)模可再生能源接入，電源側隨機性波動增加，維持系統(tǒng)平衡的難度不斷加大，靈活調(diào)節(jié)電源缺乏的問題日益凸顯。目前，我國發(fā)電裝機仍以煤電為主，抽水蓄能、燃氣發(fā)電等靈活調(diào)節(jié)電源裝機占比不到6%?！叭薄钡貐^(qū)新能源富集，其風電、太陽能發(fā)電裝機分別占全國的72%和61%，但靈活調(diào)節(jié)電源不足3%，調(diào)節(jié)能力嚴重不足。因此，近期迫切需要燃煤機組深度挖掘其靈活運行潛力，保證新型電力系統(tǒng)的安全、可靠運行。

燃煤機組靈活性運行能力主要體現(xiàn)在負荷調(diào)節(jié)深度、升降負荷速率及啟停機時間3 個方面。為提高燃煤機組的靈活性，發(fā)電企業(yè)對燃煤機組進行了一系列的技術改造[1]，如深度調(diào)峰改造[2-3]、熱電解耦改造[4-7]、電源側配置儲能設備[8]及機組運行控制策略改進[9]等。此外，大量研究[10-15]表明，通過配煤摻燒優(yōu)化也有助于實現(xiàn)機組安全、高效、靈活運行。文獻[10]分析了燃煤電廠常用的間斷性摻燒、預混摻燒及分磨摻燒方式的特點和不同摻燒方式與混煤燃燒性能的關系。文獻[11-12]對配煤摻燒開展試驗和數(shù)值模擬研究，獲得配煤燃燒特性，為機組配煤摻燒安全經(jīng)濟運行提供了依據(jù)。文獻[13]建立了無約束多目標配煤摻燒優(yōu)化模型，并利用遺傳算法實現(xiàn)最優(yōu)配煤。文獻[14-15]在建立相應配煤摻燒優(yōu)化模型的基礎上，開發(fā)了在線配煤摻燒決策系統(tǒng)?？傊?，當前燃煤機組配煤摻燒主要是通過鍋爐配煤摻燒性能試驗或配煤優(yōu)化模型進行決策，在保證鍋爐安全運行前提下，機組經(jīng)濟性最佳。然而，新能源電力系統(tǒng)要求燃煤機組更加頻繁地參與深度調(diào)峰，常規(guī)調(diào)峰工況的配煤摻燒策略將不再適用。另外，隨著煤炭市場供求關系的實時變化，單一煤種標單價（按照發(fā)熱量折算成標準煤的單價）和不同煤種之間的價格差（標單價差）也將不斷變化，當入爐煤的標單價差發(fā)生變化時，同樣的配煤摻燒策略產(chǎn)生的經(jīng)濟效益也會有很大差異[16]。因此，在當前背景下一方面需要加強燃煤機組深度調(diào)峰工況下配煤摻燒智能化決策研究，通過配煤方案的智能靈活調(diào)整，支撐機組的靈活運行；另一方面需要充分考慮煤價的動態(tài)變化特點，保證配煤摻燒的經(jīng)濟性。

為此，本文提出一種基于動態(tài)數(shù)據(jù)包絡分析（dynamic data envelopment analysis，DDEA）和模式匹配（pattern matching，PM）的智能化配煤摻燒優(yōu)化決策方法。通過動態(tài) SBM（slacks-based measure）模型對燃煤機組運行歷史數(shù)據(jù)進行分時段全局效率評價，通過在動態(tài)SBM 模型的輸出變量中引入燃煤機組鍋爐安全性能指標（爐膛出口煙溫、爐膛負壓、受熱面壁溫等）和機組靈活性性能指標（負荷上/下限、負荷變化率），使得全局效率能同時體現(xiàn)經(jīng)濟性、安全性和靈活性的需求。根據(jù)評價結果建立可以動態(tài)更新的配煤摻燒決策數(shù)據(jù)庫（含運行工況、配煤方案和全局效率）。針對未來某一決策周期，根據(jù)機組運行工況參數(shù)的預測值，通過PM 模型在數(shù)據(jù)庫中搜索匹配度高的運行工況，并根據(jù)全局效率的高低決定下一決策周期的最佳配煤方案。

1 燃煤機組智能化配煤摻燒優(yōu)化

本文提出的燃煤機組智能化配煤摻燒優(yōu)化決策框架如圖1 所示。

圖1 燃煤機組智能配煤摻燒優(yōu)化決策框架Fig.1 The decision making frame of intelligent coal blending optimization for coal-fired unit

根據(jù)圖1 決策框架可見，配煤摻燒具體優(yōu)化決策流程如下：

1）利用機組的歷史運行數(shù)據(jù)，根據(jù)功率進行穩(wěn)態(tài)數(shù)據(jù)篩選，去除非常規(guī)運行調(diào)整快速變負荷時段的運行數(shù)據(jù)；

2）選定輸入?yún)?shù)、輸出參數(shù)，建立基于動態(tài)SBD 的機組效率數(shù)據(jù)包絡分析（DEA）評價模型，計算獲得各歷史決策周期機組全局效率值；

3）建立包含機組運行工況、全局效率、混煤方案的機組配煤摻燒優(yōu)化決策數(shù)據(jù)庫；

4）根據(jù)機組電力市場交易后的日前計劃負荷曲線、天氣預報和當前運行工況，預測下一決策周期機組的運行工況；

5）建立基于余弦相似度的機組運行工況模式匹配模型，在機組配煤摻燒優(yōu)化決策數(shù)據(jù)庫搜索與下一決策周期運行工況相匹配的模式，并根據(jù)各匹配模式的效率值進行優(yōu)先級排序，將能效最高的模式對應的配煤方案作為下一決策周期的配煤摻燒方案；

6）執(zhí)行配煤摻燒方案，并根據(jù)運行數(shù)據(jù)進行效果評價，并補充完善配煤摻燒優(yōu)化決策數(shù)據(jù)庫。

2 配煤摻燒優(yōu)化決策方法

2.1 運行數(shù)據(jù)穩(wěn)態(tài)篩選

新型電力系統(tǒng)下，燃煤機組作為高比例可再生能源并網(wǎng)的保障，需要經(jīng)常對其運行工況進行快速調(diào)整以滿足電網(wǎng)負荷要求，因而機組運行狀態(tài)具有非平穩(wěn)特性。如果機組運行參數(shù)在一定時間內(nèi)能夠穩(wěn)定在某一范圍內(nèi)，則認為機組處于穩(wěn)態(tài)，否則機組處于非穩(wěn)態(tài)。由于非穩(wěn)態(tài)運行參數(shù)不具備反映機組真實運行狀況的能力，所以在進行機組運行能效評價之前需要把非穩(wěn)態(tài)數(shù)據(jù)剔除。

本文采用一種滑動窗口方法[17]將電廠數(shù)據(jù)進行穩(wěn)態(tài)篩選，剔除非穩(wěn)態(tài)數(shù)據(jù)?；瑒哟翱诒硎驹跀?shù)據(jù)流上滑動的數(shù)據(jù)串窗口，且一般沿時間向前滑動。數(shù)據(jù)窗口的長度保持不變，即隨著窗口的不斷滑動窗口內(nèi)的數(shù)據(jù)量保持不變。因此，整體呈現(xiàn)窗口不斷更新第N個數(shù)據(jù)并舍棄最早數(shù)據(jù)的先進先出機制。簡捷有效的特征使該方法在信息處理方面得到廣泛的應用。

從數(shù)據(jù)統(tǒng)計的角度考慮，當滑動窗口至第N個負荷指令時，窗口內(nèi)的S+1 個數(shù)據(jù)的相對標準差需滿足一定精度，可認為第N個運行工況處于穩(wěn)態(tài)，即：

式中：δ為無量綱量相對標準差為滑動窗口內(nèi)S+1個數(shù)據(jù)的平均值；ε為相對標準差的精度要求。當滿足δ＜ε時，第N個運行工況滿足數(shù)據(jù)穩(wěn)態(tài)篩選要求。

2.2 動態(tài)SBM 數(shù)據(jù)包絡分析模型

DEA 是一種非參數(shù)的管理系統(tǒng)效率度量方法。與回歸分析（regressive analysis，RA）和隨機前沿（stochastic frontier approach，SFA）方法等參數(shù)統(tǒng)計方法不同，DEA 可以在不需要設置特殊生產(chǎn)函數(shù)或一系列未知參數(shù)的情況下獲得決策單元（decision making unit，DMU）的全局效率得分。DEA 作為一種簡單有效的效率評價方法，在火電機組全局效率評價中得到廣泛的應用[18-20]。但由于DEA 忽略了結轉活動，不適于衡量長期動態(tài)效率。納入結轉活動的動態(tài)SBM 模型[21]可用于長期跟蹤效率變化，并能夠基于整個期間的長期優(yōu)化來衡量特定時期的效率。動態(tài)SBM 數(shù)據(jù)包絡分析模型結構如圖2 所示。

圖2 動態(tài)SBM 數(shù)據(jù)包絡分析模型結構Fig.2 The structure of dynamic slacks-based measure data envelopment analysis model

由圖2 可見，假定對k個DMUs（j=1,2,…,k）分別進行T個時段（t=1,2,…,T）的評價，在每個評價時段，DMUs 采用d個輸入量（i=1,2,…,d），c個結轉量（e=1,2,…,c），得到g個輸出量（f=1,2,…,g）。令xijt、yijt分別表示第j個DMU 在第t時段的輸入和輸出量。zejt表示不良結轉值，其中c為不良結轉的數(shù)量。

生產(chǎn)可能性集合{xit}、{zet}和{yft}可以按下列各式表示：

式中：λjt為周期t的強度變量；xijt、zejt和yfjt均為正向數(shù)據(jù)；xit、zet和yft均為與強度變量λjt相連接的變量。

輸入導向型決策單元DMUo（o=1,2,…,k）的效率可以通過解以下線性規(guī)劃得到：

考慮到燃煤機組運行中通常在每個運行值（通常為8 h）進行一次配煤摻燒方案調(diào)整，并根據(jù)運行效率對該值進行考核，本文選取8 h 作為一個決策周期，即T=8 h，每個決策周期又由8 個時段，即8 個決策單元（DMUs）組成。

新型電力系統(tǒng)對燃煤機組運行的經(jīng)濟性、安全性和靈活性提出了更高的要求，因此本文中機組全局效率評價不僅考慮運行經(jīng)濟性，而且考慮安全性和靈活性。對于配煤摻燒，影響每個DMU 全局效率（經(jīng)濟性、安全性和靈活性）的輸入變量主要包括人力成本、資產(chǎn)折舊、煤價、煤質(zhì)、煤耗量、煤熱值。表征DMU 全局效率的輸出變量主要可以分為3類[22]：經(jīng)濟性、安全性和靈活性。本文選擇短期（1 h）運行時段作為決策單元，因此人力成本和資產(chǎn)折舊可以視為常數(shù)，不考慮在模型輸入變量內(nèi)。

因此，本文中DMU 選取1 h 入爐煤總熱值、水分平均值、灰分平均值、揮發(fā)份平均值、硫分平均值和總燃料成本作為輸入變量；1 h 上網(wǎng)電量、火檢強度平均值、機組出力上下限、最大升降負荷率作為I 類輸出變量；爐膛負壓指數(shù)、爐膛出口煙氣超溫指數(shù)、受熱面超溫指數(shù)、SO2排放超標指數(shù)和NOx排放超標指數(shù)作為II 類輸出變量。其中I 類輸出變量為期望輸出變量，II 類輸出變量為非期望輸出變量。

綜合以上分析，每個DMU 動態(tài)SBM 模型變量見表1。

表1 動態(tài)SBM 模型變量Tab.1 Variables of the dynamic SBM model

表1 中，入爐煤總熱值可以根據(jù)決策單元相應時段內(nèi)不同種煤入爐量和相應的熱值計算得到；入爐煤水分、灰分、揮發(fā)份和硫分可由煤質(zhì)化驗數(shù)據(jù)獲得；燃料總成本可根據(jù)入爐不同種煤的煤量和煤價計算得到；上網(wǎng)電量可由該時段內(nèi)上網(wǎng)功率數(shù)據(jù)計算獲得；火檢強度可由爐膛燃燒監(jiān)測系統(tǒng)獲得；機組出力上、下限和最大升/降負荷率可根據(jù)對應配煤方案下的性能試驗得到，并采用運行數(shù)據(jù)加以更新。

II 類輸出變量Vi可根據(jù)式(10)進行量化。

式中：ti為第i個II 類輸出變量（含多個測點情況）1 h 內(nèi)超過報警I 限的累積時間，min。

根據(jù)以上數(shù)據(jù)，利用動態(tài)SBM 模型可以計算得到8 個決策單元的效率指標，進而獲得該決策周期的全局效率指標。

2.3 基于模式匹配的機組配煤摻燒優(yōu)化決策

利用動態(tài)SBM 模型的全局效率評價結果，可構建包含運行工況參數(shù)（最大出力、最小出力、平均出力、出力方差、最高氣溫、最低氣溫、平均氣溫、氣溫方差、空氣平均濕度）、全局效率和相應配煤方案的歷史決策周期優(yōu)化決策數(shù)據(jù)庫。優(yōu)化決策數(shù)據(jù)庫結構見表2。

表2 決策數(shù)據(jù)庫結構Tab.2 The structure of decision database

由于本文只分析不同配煤方案對機組整體效率的影響，因此將運行工況參數(shù)作為外部參數(shù)。針對下一決策周期，利用日前計劃負荷曲線和天氣預報計算獲得相應的運行工況參數(shù)，通過相似度計算搜索出匹配度較高的歷史運行工況，并根據(jù)全局效率最高作為匹配原則，確定為最佳匹配工況，將其對應配煤摻燒方案作為下一決策周期的最優(yōu)配煤方案。

本文采用余弦相似度進行模式匹配，即用向量空間中2 個向量夾角的余弦值作為衡量2 個個體間差異大小的度量。余弦相似度取值范圍為[-1,1]，余弦值越接近1，就表明夾角越接近0，也就是2 個向量越相似，稱為“余弦相似性”。

針對2 個運行工況向量α=[w11,w12,…,w1n]和β=[w21,w22,…,w2n]，其余弦相似度按式（11）計算：

3 實例分析

某燃煤電廠由2 臺亞臨界300 MW 純凝機組組成，機組歷史運行數(shù)據(jù)取自廠級監(jiān)控系統(tǒng)（SIS），數(shù)據(jù)間隔為1 min。利用上文滑動窗口方法進行穩(wěn)態(tài)數(shù)據(jù)篩選。運行數(shù)據(jù)中，機組功率在穩(wěn)態(tài)過程中變化趨勢平穩(wěn)，在非穩(wěn)態(tài)過程中變化明顯，所以將機組功率作為穩(wěn)態(tài)篩選的判別基礎。在數(shù)據(jù)篩選過程中先剔除停機階段數(shù)據(jù)，計算出相鄰2 組數(shù)據(jù)的差值后先初步判別是否在規(guī)定范圍內(nèi)，然后采用滑動窗口法進行穩(wěn)態(tài)判別，規(guī)定窗口長度m=10，相對標準差（relative standard deviation，RSD）的精度要求ε=0.035。以2020 年1 月10 日運行數(shù)據(jù)為例，穩(wěn)態(tài)篩選前后機組功率曲線如圖3 所示。

圖3 穩(wěn)態(tài)篩選前后機組功率曲線Fig.3 Change curves of the unit power before and after steady-state screening

對穩(wěn)態(tài)篩選后的數(shù)據(jù)進行逐小時的DMU 動態(tài)SBM 效率評價，其中含非穩(wěn)態(tài)數(shù)據(jù)的DUM 輸出效率為Null。仍以2020 年1 月10 日數(shù)據(jù)為例，2 臺機組整體效率評價結果見表3。

表3 中同時列出了采用數(shù)據(jù)包絡分析CCR 模型計算出的效率，由表2 可以看出，考慮徑向和角度的CCR 模型比非徑向、非角度的動態(tài)SBM 的測評效率值高，存在一定程度高估偏差；同時SBM 模型計算效率值的波動幅度明顯，而CCR 模型對機組效率的波動有一定程度掩蓋。根據(jù)表3 中機組效率評價數(shù)值，計算3 個決策周期(8 h)的平均效率，結果見表4。為實現(xiàn)燃煤機組智能化配煤摻燒決策，需要建立包含氣溫（最大值、最小值、平均值、方差）、濕度（平均值）、功率（最大值、最小值、平均值、方差）、全局效率和配煤方案的各歷史決策周期（8 h）數(shù)據(jù)庫。利用機組運行期間當?shù)貧庀髷?shù)據(jù)（逐時的氣溫、濕度等），通過數(shù)據(jù)處理可以得到各決策周期內(nèi)的最大值、最小值、平均值和方差。

表3 2 臺機組整體效率評價結果Tab.3 The whole efficiency evaluation results of the two units

表4 決策周期平均效率Tab.4 Average efficiency of each decision cycle

圖4 為處理后的歷史決策周期運行工況天氣（氣溫和濕度）數(shù)據(jù)。圖5 為歷史決策周期機組功率最大值、最小值、平均值和方差。

圖4 歷史決策周期運行工況參數(shù)（天氣）Fig.4 The operating condition parameters (weather) of historical decision cycle

圖5 歷史決策周期運行工況參數(shù)（功率）Fig.5 The operating condition parameters (power) of historical decision cycle

結合各決策周期的全局效率評價結果和采用的配煤方案可得到機組配煤摻燒優(yōu)化決策歷史數(shù)據(jù)庫，部分數(shù)據(jù)見表5。

表5 燃煤機組配煤摻燒優(yōu)化決策歷史數(shù)據(jù)庫Tab.5 Historical data base of coal blending optimization decision of coal-fired units

對于未來決策周期而言，根據(jù)該機組日前計劃負荷曲線和天氣預報數(shù)據(jù)，經(jīng)過數(shù)據(jù)處理可以得到該決策周期的運行工況參數(shù)，利用余弦相似度公式，可以匹配到最相近的4 個工況，然后根據(jù)這4 個工況全局效率評價值的大小，便可以決定混煤方案的優(yōu)先選取順序。以2021 年1 月的3 個決策周期為例，配煤摻燒優(yōu)化決策結果見表6。

表6 燃煤機組配煤摻燒優(yōu)化決策結果Tab.6 Decision results of coal blending optimization of coalfired units

運行中機組依據(jù)表5 中優(yōu)化決策方案進行配煤摻燒調(diào)整，運行后根據(jù)運行歷史數(shù)據(jù)進行評價，評價結果顯示機組同時達到了較高的經(jīng)濟性和運行靈活性，實現(xiàn)了配煤摻燒的優(yōu)化。

4 結論

配煤摻燒優(yōu)化是降低燃煤機組發(fā)電成本、提高機組運行經(jīng)濟性和靈活性，進而適應新型電力系統(tǒng)要求的重要措施之一。

1）本文提出了一種面向燃煤機組高效靈活運行的配煤摻燒優(yōu)化決策框架，可以實現(xiàn)機組配煤摻燒的智能化決策。

2）充分考慮煤質(zhì)（工業(yè)分析成分和發(fā)熱量）、煤價等影響配煤摻燒的主要因素，建立了包括經(jīng)濟性、安全性和靈活性指標在內(nèi)的基于動態(tài)SBM 的燃煤機組全局效率評價模型，使評價結果兼顧了機組運行的經(jīng)濟性、安全性和靈活性。

3）利用對機組歷史決策周期的效率評價，建立了燃煤機組配煤摻燒優(yōu)化智能決策數(shù)據(jù)庫，并給出了基于余弦相似度的運行工況模式匹配方法，實現(xiàn)了配煤摻燒的智能優(yōu)化決策。