燃气负荷预测

燃气负荷预测（共5篇）

燃气负荷预测 篇1

随着我国居民物质生活的改善, 城市居民对燃气的需求量日益增加, 使得燃气供应将进入到大发展时期, 这对社会生活的发展与改善有着重要的促进作用。城市居民燃气负荷规律与预测是一项非常重要的研究课题, 这不仅关系到城市燃气供应规划及投资的效益与安全性, 而且关系到城市居民的生活需求及燃气供应的可持续发展等问题, 都具有重要的意义。本文系统阐述了研究居民燃气使用负荷规律及负荷的预测的研究方法。

1 居民小区的燃气负荷规律

我们城市燃气使用负荷分为两大类:常年性负荷、季节性负荷。常年性负荷是指居民、公共、工业等使用的燃气负荷, 居民生活用气占有主要部分, 具有明显的小时不均匀性的特征, 与此同时随着季节的改变、居民生活方式的转变适应的日不均匀性及月不均匀性。例如某市在04年的元旦燃气负荷统计得出, 在1月1日的6:00—9:00是晚用气高峰, 中午的用气量要比平时的多, 燃气高峰系数分别达到2.98和4.56, 这说明了燃气负荷随着节假日、居民的生活方式的变化而变化, 具有不均匀性和周期性, 随着节假日的到来具有明显的增加。

季节性负荷是指有些地区随着季节的不同, 对燃气的使用量不同, 居民的供暖用气占有主要部分。供暖用气主要与室内外的温差、湿度及太阳辐射等外界条件有关系, 季节气候的温差变化就制约着燃气的使用, 温差大燃气使用负荷就越大。一个月或者一个星期的燃气负荷主要有居民的生活习惯及室内外的温差决定的, 但在一个星期内的日气温的变化不规律, 气温低的时候, 燃气负荷就大, 例如某市03年1月的日负荷及日不均匀系数达到1.205。这说明燃气量与季节有较大的关系。

通过研究分析燃气负荷资料, 得出燃气负荷变化的规律。首先, 时负荷具有趋势性、随机性并且以天为周期进行变化的规律。其次, 日负荷具有与时负荷类似的趋势性和随机性的变化规律。最后, 月负荷具有趋势性、并且以年为周期进行周期性的变化规律。因而对于时负荷、日负荷的短期负荷的变化规律是不同的, 时负荷具有明显的周期性。日负荷的趋势性就是指在一年内受到季节的温度的变化的影响, 使得其具有低温用气大, 高温用气少的确定性的负荷变化规律。通过图1可以看出, 日负荷燃气量随着季节的变化较明显, 类似二次曲线变化规律, 每月的日负荷随气温的变化而略有变化。图2是一年内日负荷在12个月的日负荷曲线图, 反映了燃气的负荷变化规律。

2 燃气短期负荷的预测

我国过去对燃气负荷预测的方法主要是基于统计学的回归分析模型和时间序列分析的两种方法。前者主要是通过对历史数据和数据模式进行序列分析进而找出变化规律, 但是要受到用气量不确定、变化激励及因素之间的关系三方面的限制, 不能较好的去分析预测负荷。后者主要是简化外部的影响因素的复杂作用, 分析历史数据及数据模式来概括整个燃气短期负荷的变化规律, 然而建立数学模型具有不确定性, 用这种方法很难精确地分析预测负荷。随着人工神经网络研究的新进展, 使用基于BP网络燃气短期负荷预测的方法具有明显的优势, 能够有效地预测居民燃气短期负荷。

基于BP网络燃气负荷预测的方法, 就要求已知前n天的燃气负荷X (t) (t=1、2、…、n) , 通过构造BP网络的结构形式, 确定输入输出模型, 进而预测到第n+1天的燃气负荷。通过以下几个步骤来警醒分析。

首先, 确定节点数和训练样本。通过实际问题的类型及解决方式的不同来确定输入输出的节点数目。例如预测某天的燃气负荷, 要选择最高温度、最低温度、天气及日期四个输入节点, 燃气负荷最为计算分析的输出接点。输入层把数据源加到网络上进行缓冲存储, 节点数目取决于数据源的维数, 进行设计时首先要分清正确的数据源是什么, 要剔除未经处理的或者不正确的信息数据, 确定数据源的合适的数目。设计者要根据自己的要求来确定输入输出层的维数, 缩小计算系统的规模减少系统的复杂性。筛选历史数据, 分成两部分即训练部分和检验部分。

其次, 确定隐含层及层内节点数目。隐含层在BP网络中进行筛选提取输入数据的特征。隐含层层数越多其处理数据能力就越强。有网络的用途来决定网络中的各层节点数目, 进而制约了BP网络的处理性能。下面是几点处理层数的经验, 隐含层的节点数目是2N+1, 通过估算得出N=logT, 进而得到训练模式数目T, 在进行高维数输入时, 第一层对第二层的最佳节点比例最好是3∶1。通过以上的具体方法确定了隐含层的层数木及层内的节点数目。

最后, 预测计算流程。人工神经网络系统的分析过程要经过初始化、输入参数及建立网络结构、训练网络等操作, 达到实现BP网络算法的流程及最后的数据预测分析功能。下面以实际的例子来说明整个网络的计算分析时显得具体步骤。已知某市的连续21天的日负荷, 要求通过前7天的数据, 来预测第8天的燃气日负荷, 并且由此推算以后的每天日负荷数据。首先确定四个参数即最高温度、最低温度、天气及日期和前7天的燃气负荷数据, 进行统一的归一化处理。通过前7天的四个参数进行辨识燃气负荷网络系统及训练网络模型。进而选出训练好的人工神经网络模型, 然后把第8天的四个参数输入进去, 进而得出第8天的燃气负荷预测值。通过分析每个的预测值误差均小于2%, 满足分析误差的要求。进而表明这种预测分析方法能够有效的预测居民燃气短期负荷。

3 小结

本文系统的阐述了时负荷、日负荷、月负荷、季节性负荷的特征及随外界的变化规律。通过BP网络系统的预测分析居民燃气短期负荷具有一定精确性可靠性, 能够利用历史数据, 建立准确的模型, 这种模型具有通用性和实效性, 进而预测工作日、一般日、节假日的燃气短期负荷。便于有效地对城市燃气管网规划、运行管理及调控, 保证城市的燃气优化运行和可持续发展。

参考文献

[1]焦文玲, 朱宝成, 冯玉刚.基于BP神经网络城市燃气短期负荷预测.煤气与热力.2006.

[2]潘新新, 周伟国, 严铭卿.居民小区燃气负荷规律与短期负荷预测.煤气与热力.2006.

[3]谭羽非, 李持佳, 陈家新等.基于人工神经网络的城市煤气短期负荷预测.煤气与热力.2001.

[4]焦文玲, 展长虹, 廉乐明, 严明卿.城市燃气短期负荷预测的研究.煤气与热力.2001.

电力负荷预测方法探究 篇2

关键词：电力系统；负荷预测方法；电力负荷

中图分类号：TM714 文献标识码：A 文章编号：1009-2374（2013）32-0114-02

1 电力负荷预测综述

负荷预测的前提是充分考虑关键系统参数、自然环境、社会政策和增容决策等条件，探索出一套能够科学处理过往数据、有效预测未来数据的数学算法，并保证预测结果只在小范围内波动，确定某些特殊时刻的负荷值。根据预测期限，负荷预测分为超短期预测、短期预测、中期预测和长期预测。

2 电力负荷预测方法综述

2.1 人工神经网络

人工神经网络属于高度非线性系统，它模仿人脑神经系统进行自主学习和问题处理。人工神经网络有很多神经元节点，它们具有并行运算功能，互相之间由相应权值连接以构成网络，借助激励函数，实现输入变量序列到输出变量序列之间的非线性映射。人工神经网络对非线性、非结构性、模糊性规律的适应性很强，具有良好的记忆功能、鲁棒性、映射精度以及完备的自学习能力，这也使得该技术成为近年来负荷预测领域的研究重点。有学者采用地柜人工神经网络系统预测某地区电力负荷短期情况，借助梯度下降算法，大大提高收敛速度，仿真结果表明，该方法收敛速度和运算结果相比传统方法有很大提升。但是，典型人工神经网络也存在学习参数设置不便、收敛缓慢、运算量大、网络结构模糊等弊端。有研究在相关论文中针对BP算法陷入局部极小的问题进行了讨论，并提出了相应的解决方案。另外，神经网络如能结合遗传算法增强全局搜索能力，加强局部寻优能力构成遗传神经网络，则能进一步加快运算速度，提高结果准确性。采用神经网络进行电力系统负荷预测时，网络输入变量的选择是一个关键点，为了优化变量甄选，有人提出使用模糊粗糙集理论先对信息进行预处理；以此算法结果作为BP网络的预设变量开展训练。该方法将历史时间序列、外部气象条件等各种因素都考虑在内，为寻找神经网络输入变量提供了一种新思路。同时，规避了因为输入变量规模过于庞大而引起的网络拓扑结构复杂、收敛速度慢等缺陷。相关的实验表明，该方法行之有效。

2.2 模糊预测法

该方法基于模糊理论，先行分析过往的工作经验、历史数据，以一种规则的形式呈现出来，并抽象出可在计算机上运行的机读代码，进而展开各种计算工作。模糊预测法能够很明确地描述专家意图，对电力系统中不规则现象进行描述，很适用于中长期电力负荷预测；但模糊预测法学习能力差，极易受到人工干扰。模糊理论应用于电力负荷预测时，有三种常见数学模型，即：指数平滑过渡法、线性回归法、聚类预测法，三种数学模型各有千秋，它们的预测精度都很高，相比传统算法测量误差也小得多。有研究表明，基于最佳聚类F选优法的改进型模糊聚类电力负荷预测算法，在计算年度用电量时，预测结果很准确。有部门基于该算法对增城地区2005年和2010年的年度用电量进行预测，结果与实际测量相差不大。神经网络与模糊逻辑算法组合使用，相比单一神经网络算法，充分利用了神经网络强大的学习功能，又洗去了模糊逻辑主观经验方面的劣势，考虑了温度变化和节假期对系统负荷的影响，能够提高负荷预测结果准确度，特别是对周末和节假期负荷预测很有效。也有学者通过RBF试图寻找负荷变化的一般规律，结合模糊理论计算负荷尖峰值和低估值，一定程度上解决了负荷影响因素不明确的问题。该方法充分利用了神经网络和模糊推理理论在处理不确定参数方面的独到之处，很好地改善了预测精度。

2.3 数据挖掘

顾名思义，数据挖掘就是从浩如烟海的数据中挖掘出隐含信息，并尽力将其表述为直观易懂的形式。在处理大数据、剔除冗余信息方面优势很大。决策树、神经网络、关联规则、聚类分析、统计学模糊集、粗糙集在各领域的数据挖掘工作中得到了重要应用。有人根据数据挖掘过程中时间序列的相似性原理，研究电力负荷预测方法，获得了很好的应用效果。基于最优区间划分和单调递减阈值函数聚类法，结合KOHONEN网绘制负荷变化曲线，修正死区数据。也有学者利用数据挖掘技术的结果作为向量机训练样本，减少了数据处理规模，提高了预测速度和运算精度。

2.4 专家系统

专家系统加入了人类探索自然过程中的知识经验，模拟人类思维决策过程，求解问题的过程类似于人类专家的思维模式。专家系统比模糊预测法优越的一点是，给出相当于专家水平的量化计算机语言，转化了人类难以量化的经验数据，透明性和交互性极佳，并能给出结论的对应缘由，方便工程人员检查推理过程是否存在错误，并及时更正。由于算法相对复杂，运行速度较慢，学习能力也一般，无法较好地处理模糊数据，对规则很依赖，普适性较差，不能推广到所有系统。有文献分析认为，专家系统可以准确预测中长期负荷，要考虑原始数据预处理、冲击负荷影响、负荷周期等因素，保证负荷预测精度，并尽量贴近生产实际需要。专家系统的模糊推理规则形式决定了规则数目，合理的推理规则能够简化运输，也为人工总结专家经验并优化规则提供了可能性，提高了算法速度。有学者在普通专家系统的基础上研发了基于案例推理的经验导向型专家系统，相关实验结果证明该方法获取知识较为简洁、记忆能力好、用户界面友好，在实用性方面优于规则专家系统和人工神经网络技术。也有工程人员结合径向基神经网络专家系统，并基于该模型开发出数学运算软件，在西北电网得到了应用，该方法比BP神经网络的预测精度更高、实用性更好。

2.5 支持向量机

SVW基于统计学理论，在有限样本前提下，提出满足VC维理论和结构风险最小化原则的机器学习规律，通用性好、全局最优、计算速度快。但要依赖经验确定初值和核心运算函数，受人为因素影响较大。而且，对模糊现象的描述能力一般，模型误差会导致收敛值与实际值相去甚远。蚁群优化算法能够对其进行优化，在短期负荷预测中效果甚佳。经过大量实践，最小二乘支持向量机回归算法，很适用于短期负荷预测，借助不同时刻的样本训练，以最优线性回归函数为算法依据，在尽可能减小负荷样本点漂移的基础上，又缩小了泛化误差上限，具有较好的前瞻性。还有人将模糊回归法植入支持向量机模型，不仅提升了预测精度，而且提供了更多运行信息。

3 结语

本文对常见的智能预测技术进行了全面分析。我们不难看出，单一负荷预测法很难满足实际要求，应该结合地区状况选择方法组合，唯有如此才能取得更好的电力预测效果，这也意味着组合预测将势必成为以后的研究热点。

参考文献

[1] 段玉波，曲薇薇，周群，张彦辉.应用递归人工神经网络预测电力短期负荷[J].佳木斯大学学报（自然科学版），2010，（3）.

[2] 陈灿，刘新东.一种新的电力系统短期负荷预测方法[J].软件导刊，2010，（7）.

燃气负荷预测 篇3

研究表明, 影响某一地区或城市的燃气日负荷的因素有气源条件、气候条件、用户规模和结构、节假日和人们的生活习惯等[1~3]。首都机场地区年燃气供应量约为8000万m3, 供暖季燃气消耗量约占全年供应量的50%以上, 因此, 分析其供暖季燃气日负荷的特点不仅可以为首都机场动力能源公司的节能分析提供重要的数据支持, 也为首都机场地区的天然气稳定安全供应提供重要的决策依据。而对于首都机场地区而言, 常年不间断提供服务使节假日的影响也相对较小, 且其用户规模和结构相对稳定, 因此, 影响首都机场地区燃气日负荷的主要因素是气候条件, 而在所有气象因子中, 大气温度是影响燃气日负荷的最重要的因子。

2 首都机场的供暖季燃气日负荷与大气温度的相关性分析

2.1 相关系数指标

相关系数是判别线性回归模型是否合理的重要指标, 是反映所有的实测数据点与预测的一元线性回归方程是否相适应的指标, 一般用r表示。相关系数必须满足-1≤r≤1, 其计算公式为:

式中, xi为线性方程中的变量;i为变量样本的平均值;yi为样本中实测数据点;为样本实测数据点的平均值。

2.2 首都机场地区燃气日负荷与大气温度的相关性

论文采用的数据样本来源于2012—2013年供暖季, 将相关样本数据带入式 (1) 可得, 日最高温于燃气日负荷的相关因子为-0.91476, 日最低温的相关因子为-0.87614。可见, 日最高温与燃气日负荷的相关性要比日最低温要好一些。

3 基于一元线性回归的燃气日负荷预测模型

3.1 一元线性回归模型

一元线性回归模型是一种用一个主要影响因素作为自变量来解释因变量的变化的模型, 是最简单也是最常用的一个预测模型。设y为因变量, x为自变量, 则一元线性回归模型的数学表达式为:

式中, A为回归系数, B为常数项。

3.2 基于一元线性回归的燃气日负荷预测模型

将燃气流量数据样本分别与对应的当天的最高温和最低温进行回归计算, 可以得到回归方程如表1所示。

可见, 日最高温模型的拟合优度及标准误差均优于日最低温模型, 其预测精度相对较高, 因此, 日最高温预测模型要优于日最低温预测模型。

3.3 计算结果的相对误差分析

相对误差也可以用来衡量模型估计值与实测值的相对偏离程度, 可以通过预测模型的绝对误差与观测值之比来表示。2个模型的相对误差分析如表2所示。

从表2中可以看出, 日最高温预测模型的优越性和精确性较好。

4 模型验证

使用2013—2014供暖季的前3个礼拜的燃气日负荷对预测模型进行验证。处理数据得到图1。从图1可以看出供暖初期2个模型误差较大, 而且有随着供暖季进入稳定供暖期, 其预测结果的相对误差逐渐减少的趋势, 主要原因为供暖初期负荷不稳定, 负荷稳定后供暖负荷与温度密切相关。所以, 日最高温预测模型效果较好, 精确度高, 误差小, 也具备实际的使用价值。

图1 2种模型在2013—2014供暖季燃气日负荷预测中的相对误差比较

5 结论

基于一元线性回归模型对首都机场供暖季的燃气日负荷进行预测, 可以很方便地对燃气日负荷进行较为精确的预测, 这对保证首都机场地区的燃气输配管道稳定运行及用户安全供应具备很好的指导意义, 也为对机场地区集中供暖季节的能耗分析提供数据分析。

通过分析计算可得, 利用日最高温来预测首都机场地区的燃气日负荷具备较高的精确性, 尤其对于供暖高峰期, 它能表现极好的准确性, 对燃气运行保障提供了较好的数据支持。

参考文献

[1]张中秀, 周伟国, 潘艳, 等.气象因素对城市燃气日用气量的影响[J]建筑热能通风空调中国稀土学报, 2008, 27 (4) :93-96.

[2]张鸿彦.燃气日用气负荷预测模型的研究[J].河南工程学院学报 (自然科学版) , 2013, 25 (2) :28-34.

燃气负荷预测 篇4

SZS55-1.25-Q型燃气蒸汽锅炉 (南京奥能锅炉有限公司生产) , 由燃烧区、高温连接烟道 (膨胀节) 、对流区、省煤器连接烟道和省煤器等5部分组成。外部给水由省煤器预热后进入上锅筒, 上锅筒内给水分配管将水输送到沿锅筒长度的不同地方, 上下锅筒之间由大量的对流管连接;燃烧区由上下集箱、膜式壁及前后墙组成;对流区下锅筒与燃烧区下集箱由12根连通管相连, 燃烧区上集箱产生的蒸汽由14根导汽管输送到对流区上锅筒的水汽连通管;由于对流区换热管受烟气冲刷的强度不同, 使得对流区靠近炉前部分为下降管, 炉后部分为上升管, 以此来维持对流区的水动力平衡。锅炉燃烧区产生的蒸汽由导气管导入上锅筒, 与导流管中产生的蒸汽在上锅筒中汇集, 依次通过水下孔板、钢丝网和均汽孔板, 然后通过顶部的管口向外供蒸汽。

2故障现象

锅炉在低负荷运行时蒸汽品质可满足要求, 但高负荷时蒸汽带水, 且前后存在液位差, 炉后液位波动大。

3原因分析

低负荷时燃烧区受辐射热比较弱, 火焰尾部导气管内的蒸汽流速不是很高, 其在锅内封闭区域内对水位的“压迫”不是很强烈;另外低负荷时燃烧区出来的烟气温度还不是很高, 使得其与对流区接触的钢管对流换热强度不是很高。这些原因使得锅炉水位不会抬升, 且汇集后的蒸汽在通过炉后的水下孔板时流速不会很快, 液位可以保持一个稳定的状态。高负荷时, 由于火焰变粗、变长, 炉膛内膜式壁产生的蒸汽过多, 炉膛后部的导气管来不及输送大量蒸汽, 于是此股蒸汽在上锅筒内对水位形成一种“压迫”, 使得水位有可能抬升;另外随着负荷增加, 对流区尾部的管子受热, 对流热强度急剧增加, 管内产生大量蒸汽, 大量蒸汽通过水下孔板区域时, 穿孔流速过大, 使得炉后液位抬升。这些原因综合导致了锅炉尾部液位升高, 过高液位影响钢丝网的汽水分离效果, 使得蒸汽中带水。

4改进措施

(1) 将锅内原挡板拆除后沿着锅筒纵向方向开槽, 槽宽度为40 mm, 正对导气管中心左右各150 mm范围内不开槽。这是为减轻导气管内蒸汽流经水下孔板时对穿孔速度的影响, 使所有燃烧区产生的蒸汽通过导气管后从开槽的缝隙中流出, 既减缓密封区内压力, 也降低蒸汽穿孔时炉后水位的抬升。

(2) 在原挡板外50 mm处加装挡板, 其底部距离锅筒中心线175 mm, 这是为促使通过槽内的蒸汽遇到此挡板后向下流动, 然后向上流经主蒸汽阀, 蒸汽沿S形路径流动, 蒸汽中的水滴在重力作用下与蒸汽分离。

(3) 取消原V形钢丝网, 改为水平钢丝网, 且在钢丝网进口处安装均汽孔板, 这是为增加蒸汽空间, 提升汽水分离高度, 改善汽水分离效果。

5改进效果

燃气负荷预测 篇5

关键词：燃气轮机,负荷变化速率,AGC

上海某燃气轮机发电厂采用的是美国GE公司生产的PG9171E型燃气轮机。燃气轮机控制系统为机组出厂配置的MarkV控制系统。

燃机轮机机组最初的负荷变化速率为:升负荷速率———10MW/m in;降负荷速率——10MW/m in, 在AGC投入情况下, 这一升/降负荷速率可以满足电网对机组负荷响应的要求。但经过了十几年的运行, 整个机组设备因为深度调峰的原因, 都不同程度的出现了老化的情况, 性能下降, 此负荷变化速率在这种情况下, 就并非是最优化的了, 因此进行了试验, 挑选一台燃气轮机机组, 修改燃气轮机升/降负荷速率, 采集在AGC投入情况下, 机组运行数据, 并对所得数据进行对比和理论分析, 得到一个既能满足电网负荷响应要求, 有最佳经济效益同时尽量减少机组寿命损耗的负荷变化速率。

1 燃气轮机负荷变化速率的修改

由逻辑图中可见, L70R_GX逻辑信号由L70R (设定升负荷) 逻辑信号决定。而TNR1_LMT的值又由常数TNR1_DCS来决定。当L70R_GX信号逻辑置“0”时, TNKR1_4输出等于常数TNKR1_4L的值;当L70R_GX信号逻辑置“1”时, TNKR1_4输出等于TNR1_LMT的值, 即等于常数TNR1_DCS的值。TNKR1_4的输出值最终决定转速基准TNR, 从而改变燃料量指令FSR来改变机组负荷。所以, 可以通过修改常数TNR1_DCS的值来修改燃气轮机升负荷的变化速率;修改常数TNKR1_4L的值来修改燃气轮机降负荷的变化速率。

2 燃气轮机负荷变化速率的选择

对于燃气轮机在AGC中的负荷变化速率, 可以参考机组制造厂提供的数据对控制系统进行初步设定, 然后在此基础上进行负荷变动试验, 试验研究首先考虑机组安全和可靠性, 同时研究运行经济性, 在确保设备不受损伤、保证安全的前提下, 既要满足电网的调节要求, 又要使电厂得到较好的经济性。由此得出适合具体机组的负荷变化速率。

根据GE公司出厂要求, 燃机在单循环方式正常运行时, 负荷变化的速率限制一般为10MW/min;燃机在联合循环方式运行时, 燃机本身负荷变化速率最大允许值为8MW/min。

试验研究分析主要有三方面:1) 不同升/降负荷速率对机组寿命损耗的影响;2) 不同升/降负荷速率对机组本身效率的影响;3) 满足电网负荷响应要求。

试验一、不同升/降负荷速率对机组寿命损耗的影响。

在燃气轮机加减负荷的工况中, 机组的燃气温度在不断变化, 热部件的温度则随之不断地变化。对于零件来说, 温度的变化有一传热过程。显然, 与燃气接触的外表变得快, 而离外表远的部位变得慢。这样, 即使原来温度较均匀的零件内部也要产生温度差别, 从而产生热应力。当燃气温度重新稳定后, 随着时间的推移, 零件内部的温度差别和由此引起的热应力就随之消除。因此, 在这样的工况下, 热部件要承受附加的、暂时的热应力, 不断循环最终会导致零件断裂。

加负荷时, 叶片的温度随燃气温度不断升高, 其外表由于和燃气接触而温升快, 中心部分截面积较大则慢, 即外表温度比中心高, 使叶片产生中心受拉、外表受压的热应力。外表的热应力与叶片的离心拉伸应力相互抵消一部分, 而中心部分的热应力与离心拉伸应力一致, 加大了其应力。减负荷时, 燃气温度不断降低, 这时必然是叶片外表温度降低快, 使表面温度低于中心部位, 产生与上述方向相反的暂时热应力, 即外表受拉而中心受压。

在加减负荷过程中, 叶片中心、表面在一段时间内要承受很大的应力, 这种因温度变化而产生暂时热应力的现象, 即所谓的热冲击。显然, 热冲击的程度与机组加减负荷的速率密切相关, 加减速率快, 燃气温升就快, 热冲击的程度相对来说就要严重。

对电厂投用AGC前后的燃气轮机负荷曲线 (图2、图3) 进行分析, 可见:在投用AGC前, 发电机组功率设定值调整频度约为20~60m in/次;在投用AGC后, 发电机组功率设定值调整频度约为4~5m in/次。

在AGC投入的情况下, 由于快速频繁变负荷造成燃气工质瞬态升、降温, 从而不可避免地产生频繁的热应力变化, 与一般稳定负荷运行的机组相比, 会带来额外的寿命损耗。这种损耗的作用与启停所造成的寿命损耗类似, 会加速转子应力集中部位疲劳裂纹的产生速度和烈度。若干次剧烈变负荷过程带来的寿命损耗与1次温态正常启停带来的寿命损耗相差不大, 根据最新的研究结果, 机组在每次常规启停循环过程中, 因为转子内部存在冷却空气流通部位, 增大了转子金属各部位之间的温度变化梯度, 因此在燃气轮机转子中冷却空气抽气或放气截面的燕尾槽、止口槽和枞树根槽等部位都是最大应力集中点, 而机组运行过程中频繁的变负荷运行进一步加剧了该部位热应力的变化。从应力场计算结果来看, 由于降负荷时转子承受拉应力, 并且应力绝对值大于以相同负荷变化速率升负荷时转子承受的压应力值, 故在机组减负荷时更应注意。

燃机加减负荷采用不一样的速率, 考虑到加减负荷时, 燃机热通道部分的温度变化幅度是不同的, 减负荷变化幅度大, 加负荷变化幅度小, 故采取加负荷快, 减负荷慢的方式。现在设定的负荷变化速率为:升负荷速率———8MW/min;降负荷速率———6MW/min, 避免因升/降负荷速率过快而加速机组的老化。

试验二、不同升/降负荷速率对机组本身效率的影响。

挑选一台燃气轮机机组进行试验, 修改燃气轮机升/降负荷速率, 采集机组加减负荷的运行数据 (图4、图5、图6) , 包括:燃气轮机负荷 (MW) 、燃料流量 (t/h) 、燃料/空气比 (%) 、热耗 (g/kw·h) 、机组效率 (%) 、燃烧室效率 (%) 、压气机效率 (%) 等, 进行分析和比较。

对采集的数据进行分析和比较, 可见, 当燃气轮机负荷相同, 升/降负荷速率不同时, 其燃料流量 (t/h) 、燃料/空气比 (%) 、热耗 (g/kw·h) 、机组效率 (%) 、燃烧室效率 (%) 、压气机效率 (%) 等机组运行性能数据基本相同。因此得出结论:不同负荷变化速率对燃气轮机本身运行效率的影响不大。

试验三、满足电网负荷响应要求的判定。

在AGC投入情况下, 电网要求燃气轮机负荷响应的速率为, 且响应延时应≤15s。由图7可见, 当升负荷速率设定为8MW/min、降负荷速率设定为6MW/min时, 燃气轮机升、降负荷时, 能够满足电网的要求。

3 结论

通过对PG9171E型燃气轮机的负荷变化速率参数TNR1_DCS、TNKR1_4L进行修改, 从1) 不同升/降负荷速率对机组寿命损耗的影响;2) 不同升/降负荷速率对机组本身效率的影响;3) 满足电网负荷响应要求这三方面考虑, 对燃气轮机负荷变化速率进行选择并进行试验比较, 得到燃气轮机在AGC投入情况下最优的负荷变化速率:升负荷速率———8MW/min;降负荷速率———6MW/min。

参考文献

[1]杨顺虎.燃气-蒸汽联合循环发电设备及运行[M].北京:中国电力出版社, 2003.

[2]焦树建.燃气-蒸汽联合循环.北京:机械工业出版社, 2003.