一、背景

随着工业互联网、工业4.0等新一轮工业革命的兴起，智慧电厂成为我国发电企业数字化转型升级，应对能源变革的新举措，其智能系统建设成为当前亟待解决的问题。

“智慧电厂”“智能电厂”等概念最早是在2016年，由我国提出并实践，近年，我国对智慧电厂的研究和建设开展了许多有益探索，但离智慧电厂内涵和建设目标还有一定的差距，其关键技术有待进一步研究。智慧运行作为火力发电智慧电厂重点研究和建设的重要部分，如何通过对发电机组运行参数的优化，提高节能降耗水平，降低运营成本，成为了当前火力发电厂解决当前困境的重要措施。

二、现状分析

西方发达国家早在20世纪70年代初，美国、英国、德国、日本等国家的电站设备制造商和科研机构相继展开了燃煤电厂运行优化的相关研究。我国对火电厂发电机组性能运行优化技术的研究始于20世纪80年代，国内科研院所和科技企业对大型燃煤发电机组运行优化的研究主要集中在建立精确的能耗特性模型,并确定关键参数和性能指标的优化目标值。

目前，行业内普遍采用的燃煤电厂运行优化参数目标值确定方法主要有：①制造厂提供的设计值；②最佳运行试验方法；①和②两种方法只在系统运行初期效果较好；③变工况热力计算，在实际运行中很难达到；④工况寻优，假定的边界条件众多，仅在典型工况下开展运行优化，且目标值优化结果具有一定的滞后性；⑤机器学习，随着运行工况的变化和延长，其模型的性能降低，系统往往难以在线最适应最优甚至得出错误的运行优化方案。

上述方法在燃煤发电机组运行参数优化领域己经取得了一定的应用成果,并显示出良好的效益,但在模型搭建和系统建设，以及实际应用方面有待进一步改进。且我国火电节能领域正面临着若干新的、更复杂的问题,以往的模型和系统建设方法在诸多方面已不适应当前节能降耗工作的迫切需求,主要体现在：

（一）市场-环保-生产的互动新要求下对火电厂运行优化提出了新的挑战

以往仅在安全和环保限制约束下以供电煤耗最低作为运行优化目标，均较少考虑CO2、SO2、NOX、灰尘等环境市场成本变化对发电机组系统参数优化的影响，无法实现机组运行与市场经营互动的经济运行最优，火电厂需要考虑多种环境市场变化成本的度电成本作为运行优化的目标。

（二）未考虑工况多变耦合和滞后性以及仅局部系统的优化，难以持续性降低发电成本

发电机组发电性能受内部系统和设备运行状态和运行参数影响较多，之间具有复杂多变的耦合性，且具有工况被动变化的滞后性，仅独立考虑局部系统和设备的运行优化，可能造成全局发电成本增高。

三、解决的问题

针对现有国内外学术界和工业界对火电机组运行优化方法存在的理想环境的假设性、应用的局限性、以及模型和系统难以自适应等问题。提出本文课题研究目标：研发一套基于信息物理融合和人工智能的智慧电厂运行优化数字孪生系统。解决在考虑排放物市场成本变化和发电机组运行多参数耦合性和时变性情况下，难以通过系统化进行实时动态运行优化的问题，实现火电机组智慧运行的自适应、自趋优和自学习特征，持续性降低火电机组供电煤耗，提高机组的度电成本，优化平衡火电厂“安全-经济-环保”三角关系。

四、解决的思路

本课题研究主要内容为基于人工智能平台，利用信息物理融合技术和人工智能技术实现火电厂发电机组的运行优化和闭环控制。其系统架构和建模思路如下图1和2所示。

图1 智慧电厂运行优化数字孪生系统架构

图2 基于数字孪生的智慧电厂运行优化建模流程

基于上述分析可分为三个子课题展开，如下：

（一）基于信息物理融合和集成学习的运行参数动态优化系统

本子课题解决多参数耦合多变，自适应和自趋优问题

1.首先基于信息物理融合系统建设思路，机理分析挖掘影响发电机组经济性能的物理系统到信息系统之间的映射关系，建立数据采集样本，并对采集的数据考虑开停机、稳定工况，超安全限制、超环保限制、测点缺失和异常等情况进行数据清洗和预处理，获取健康样本。

2.对影响火电机组的度电成本进行特征变量自适应选择，采用最大相关性且最小冗余自适应预测误差驱动和机理模型融合驱动的组合方法，动态实时确定各工况影响火电机组的度电成本的各个参数及关联排序。

3.构建基于多种神经网络集成学习的度电成本人工智能预测模型，从误差和方差均衡的角度，改进集成学习评价模型，比单个神经网络和以往的集成学习方法的性能更佳，具有更好的泛化性和鲁棒性，通过采集机组历史样本集对所述度电成本预测模型进行自学习，得到自学习训练完成后的所述度电成本预测模型。

4.然后获取可调参数，考虑负荷、环境温度等边界条件以度电成本最优为寻优目标函数，以可调参数作为寻优自变量，以各参数安全性、经济性等为约束条件，通过多种群遗传函数非线性极值寻优方法对度电成本预测模型进行计算，得到可调参数的最优值。

5.实时监测度电成本预测模型预测性能降低至一定程度时，并找出影响预测模型性能降低的训练样本，采取增量学习，自动获取当前工况情况下供电煤耗更低的优秀样本，自动更换影响性能降低的训练样本。实现运行优化模型的自趋优。

6.集成学习得到得优化结果同时与自适应关联规则优化结果对比，采取一定的阈值比较逻辑判定，选择最后得可调参数的实际可达值运行优化方案。

（二）智慧电厂运行优化的三维数字孪生系统

本子课题解决优化策略结果仿真验证准确性问题

1.研发在线三维DCS仿真系统：在线三维DCS仿真系统具有数字孪生高级形态，在线三维DCS仿真系统是与发电厂近乎相似的数字双胞胎，具有仿真过程与结果与现场运行情况高度一致的能力。可对发电厂现场的设备，管道，阀门、测点、材质、磨损程度，工艺等一一映射，在线三维DCS仿真系统能完全仿真出各系统、设备和参数的变化情况，并通过三维可视化模型进行形象展示。

2.在线动态三维仿真:启动仿真功能，将子课题1的运行优化策略结果实时在线接入在线三维DCS仿真系统，仿真计算出各参数变化情况、以及供电煤耗和度电成本变化结果。

3.最后根据运行优化数字孪生系统的仿真结果和实际情况，选择是否需要系统自动控制，选择采取人为或系统自动对发电机运行参数进行优化调整和操作。

4.根据机理模型对运行参数优化方案从安全、环保和经济性的预测及仿真，若仿真结果超出判定范围则不予动作，若判定结果为可行，则实现运行优化信息物理融合到数字孪生系统的闭环优化控制。

（三）基于信息物理融合系统的运行优化预测控制系统

本子课题解决热力系统时滞性和延迟性问题

目前应用在发电厂运行参数自动控制，一般采用PID技术，在面对工况快速变化和深度调峰等情况，系统现场运行不稳定，控制效果不佳，导致参数曲线振动较为频繁，延迟性较大，鲁棒性较差，难以适应工况复杂、多变量耦合、时滞性等特征的热力系统的参数优化控制，采用先进的预测控制技术可较好解决此类问题。

通过具有自适应特征的广义预测控制模型进行运行参数优化控制，通过反馈来补偿控制系统误差，再加上滚动优化技术，使模型能对因时变、干扰等造成的影响及时进行补偿。依此原理解决电厂主要运行参数的优化值控制目标输入的时滞性和高延时性问题，实现基于信息物理融合和人工智能的智慧电厂运行优化数字孪生系统的闭环自适应在线动态控制。

五、效益分析

（一）经济效益：具有巨大的经济效益

预计可为每台机组降低供电煤耗2g/kw.h左右，以2019年，全国6000千瓦及以上火电发电设备累计年平均利用小时为4293小时，全国火电发电量为：51654.3亿千瓦，环渤海动力煤炭市场价格800元/吨计算。

1.以一台60万千瓦计算，预计可为每年每台发电机组降低发电成本412.13万。

2.全国推广，预计可为全国火力发电厂节省发电成本约81亿。

（二）社会效益：具有较好的环境效益和推广价值

1.在降低发电成本，节能降耗的同时，可相应相应提高机组安全性，降低发电厂CO2、SO2、NOx、灰尘等污染物的排放浓度。

2.其运行优化方法和数字孪生系统，具备发展为智慧运行标杆的潜能，可推动整个智慧电厂行业发展。

3.为工业互联网、智能工厂、智能制造、智慧城市等数字孪生系统或信息物理系统融合系统提供参考借鉴和复制推广。