面向燃煤機(jī)組高效靈活運(yùn)行的智能化配煤摻燒優(yōu)化決策方法

張海林，楊博，董玉亮，張健，袁家海

（1.中國(guó)華能集團(tuán)有限公司，北京 100031；2.華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院，北京 102206；3.華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京 102206）

為實(shí)現(xiàn)碳達(dá)峰、碳中和目標(biāo)，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)?？稍偕茉唇尤耄娫磦?cè)隨機(jī)性波動(dòng)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(wèn)題日益凸顯。目前，我國(guó)發(fā)電裝機(jī)仍以煤電為主，抽水蓄能、燃?xì)獍l(fā)電等靈活調(diào)節(jié)電源裝機(jī)占比不到6%?！叭薄钡貐^(qū)新能源富集，其風(fēng)電、太陽(yáng)能發(fā)電裝機(jī)分別占全國(guó)的72%和61%，但靈活調(diào)節(jié)電源不足3%，調(diào)節(jié)能力嚴(yán)重不足。因此，近期迫切需要燃煤機(jī)組深度挖掘其靈活運(yùn)行潛力，保證新型電力系統(tǒng)的安全、可靠運(yùn)行。

燃煤機(jī)組靈活性運(yùn)行能力主要體現(xiàn)在負(fù)荷調(diào)節(jié)深度、升降負(fù)荷速率及啟停機(jī)時(shí)間3 個(gè)方面。為提高燃煤機(jī)組的靈活性，發(fā)電企業(yè)對(duì)燃煤機(jī)組進(jìn)行了一系列的技術(shù)改造[1]，如深度調(diào)峰改造[2-3]、熱電解耦改造[4-7]、電源側(cè)配置儲(chǔ)能設(shè)備[8]及機(jī)組運(yùn)行控制策略改進(jìn)[9]等。此外，大量研究[10-15]表明，通過(guò)配煤摻燒優(yōu)化也有助于實(shí)現(xiàn)機(jī)組安全、高效、靈活運(yùn)行。文獻(xiàn)[10]分析了燃煤電廠常用的間斷性摻燒、預(yù)混摻燒及分磨摻燒方式的特點(diǎn)和不同摻燒方式與混煤燃燒性能的關(guān)系。文獻(xiàn)[11-12]對(duì)配煤摻燒開(kāi)展試驗(yàn)和數(shù)值模擬研究，獲得配煤燃燒特性，為機(jī)組配煤摻燒安全經(jīng)濟(jì)運(yùn)行提供了依據(jù)。文獻(xiàn)[13]建立了無(wú)約束多目標(biāo)配煤摻燒優(yōu)化模型，并利用遺傳算法實(shí)現(xiàn)最優(yōu)配煤。文獻(xiàn)[14-15]在建立相應(yīng)配煤摻燒優(yōu)化模型的基礎(chǔ)上，開(kāi)發(fā)了在線配煤摻燒決策系統(tǒng)。總之，當(dāng)前燃煤機(jī)組配煤摻燒主要是通過(guò)鍋爐配煤摻燒性能試驗(yàn)或配煤優(yōu)化模型進(jìn)行決策，在保證鍋爐安全運(yùn)行前提下，機(jī)組經(jīng)濟(jì)性最佳。然而，新能源電力系統(tǒng)要求燃煤機(jī)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(chǎng)供求關(guān)系的實(shí)時(shí)變化，單一煤種標(biāo)單價(jià)（按照發(fā)熱量折算成標(biāo)準(zhǔn)煤的單價(jià)）和不同煤種之間的價(jià)格差（標(biāo)單價(jià)差）也將不斷變化，當(dāng)入爐煤的標(biāo)單價(jià)差發(fā)生變化時(shí)，同樣的配煤摻燒策略產(chǎn)生的經(jīng)濟(jì)效益也會(huì)有很大差異[16]。因此，在當(dāng)前背景下一方面需要加強(qiáng)燃煤機(jī)組深度調(diào)峰工況下配煤摻燒智能化決策研究，通過(guò)配煤方案的智能靈活調(diào)整，支撐機(jī)組的靈活運(yùn)行；另一方面需要充分考慮煤價(jià)的動(dòng)態(tài)變化特點(diǎn)，保證配煤摻燒的經(jīng)濟(jì)性。

為此，本文提出一種基于動(dòng)態(tài)數(shù)據(jù)包絡(luò)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(guò)動(dòng)態(tài) SBM（slacks-based measure）模型對(duì)燃煤機(jī)組運(yùn)行歷史數(shù)據(jù)進(jìn)行分時(shí)段全局效率評(píng)價(jià)，通過(guò)在動(dòng)態(tài)SBM 模型的輸出變量中引入燃煤機(jī)組鍋爐安全性能指標(biāo)（爐膛出口煙溫、爐膛負(fù)壓、受熱面壁溫等）和機(jī)組靈活性性能指標(biāo)（負(fù)荷上/下限、負(fù)荷變化率），使得全局效率能同時(shí)體現(xiàn)經(jīng)濟(jì)性、安全性和靈活性的需求。根據(jù)評(píng)價(jià)結(jié)果建立可以動(dòng)態(tài)更新的配煤摻燒決策數(shù)據(jù)庫(kù)（含運(yùn)行工況、配煤方案和全局效率）。針對(duì)未來(lái)某一決策周期，根據(jù)機(jī)組運(yùn)行工況參數(shù)的預(yù)測(cè)值，通過(guò)PM 模型在數(shù)據(jù)庫(kù)中搜索匹配度高的運(yùn)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(jī)組智能化配煤摻燒優(yōu)化

本文提出的燃煤機(jī)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(jī)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(jiàn)，配煤摻燒具體優(yōu)化決策流程如下：

1）利用機(jī)組的歷史運(yùn)行數(shù)據(jù)，根據(jù)功率進(jìn)行穩(wěn)態(tài)數(shù)據(jù)篩選，去除非常規(guī)運(yùn)行調(diào)整快速變負(fù)荷時(shí)段的運(yùn)行數(shù)據(jù)；

2）選定輸入?yún)?shù)、輸出參數(shù)，建立基于動(dòng)態(tài)SBD 的機(jī)組效率數(shù)據(jù)包絡(luò)分析（DEA）評(píng)價(jià)模型，計(jì)算獲得各歷史決策周期機(jī)組全局效率值；

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

4）根據(jù)機(jī)組電力市場(chǎng)交易后的日前計(jì)劃負(fù)荷曲線、天氣預(yù)報(bào)和當(dāng)前運(yùn)行工況，預(yù)測(cè)下一決策周期機(jī)組的運(yùn)行工況；

5）建立基于余弦相似度的機(jī)組運(yùn)行工況模式匹配模型，在機(jī)組配煤摻燒優(yōu)化決策數(shù)據(jù)庫(kù)搜索與下一決策周期運(yùn)行工況相匹配的模式，并根據(jù)各匹配模式的效率值進(jìn)行優(yōu)先級(jí)排序，將能效最高的模式對(duì)應(yīng)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(yùn)行數(shù)據(jù)進(jìn)行效果評(píng)價(jià)，并補(bǔ)充完善配煤摻燒優(yōu)化決策數(shù)據(jù)庫(kù)。

2 配煤摻燒優(yōu)化決策方法

2.1 運(yùn)行數(shù)據(jù)穩(wěn)態(tài)篩選

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

本文采用一種滑動(dòng)窗口方法[17]將電廠數(shù)據(jù)進(jìn)行穩(wěn)態(tài)篩選，剔除非穩(wěn)態(tài)數(shù)據(jù)?；瑒?dòng)窗口表示在數(shù)據(jù)流上滑動(dòng)的數(shù)據(jù)串窗口，且一般沿時(shí)間向前滑動(dòng)。數(shù)據(jù)窗口的長(zhǎng)度保持不變，即隨著窗口的不斷滑動(dòng)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(gè)數(shù)據(jù)并舍棄最早數(shù)據(jù)的先進(jìn)先出機(jī)制。簡(jiǎn)捷有效的特征使該方法在信息處理方面得到廣泛的應(yīng)用。

從數(shù)據(jù)統(tǒng)計(jì)的角度考慮，當(dāng)滑動(dòng)窗口至第N個(gè)負(fù)荷指令時(shí)，窗口內(nèi)的S+1 個(gè)數(shù)據(jù)的相對(duì)標(biāo)準(zhǔn)差需滿足一定精度，可認(rèn)為第N個(gè)運(yùn)行工況處于穩(wěn)態(tài)，即：

式中：δ為無(wú)量綱量相對(duì)標(biāo)準(zhǔn)差為滑動(dòng)窗口內(nèi)S+1個(gè)數(shù)據(jù)的平均值；ε為相對(duì)標(biāo)準(zhǔn)差的精度要求。當(dāng)滿足δ＜ε時(shí)，第N個(gè)運(yùn)行工況滿足數(shù)據(jù)穩(wěn)態(tài)篩選要求。

2.2 動(dòng)態(tài)SBM 數(shù)據(jù)包絡(luò)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(jī)前沿（stochastic frontier approach，SFA）方法等參數(shù)統(tǒng)計(jì)方法不同，DEA 可以在不需要設(shè)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(jiǎn)單有效的效率評(píng)價(jià)方法，在火電機(jī)組全局效率評(píng)價(jià)中得到廣泛的應(yīng)用[18-20]。但由于DEA 忽略了結(jié)轉(zhuǎn)活動(dòng)，不適于衡量長(zhǎng)期動(dòng)態(tài)效率。納入結(jié)轉(zhuǎn)活動(dòng)的動(dòng)態(tài)SBM 模型[21]可用于長(zhǎng)期跟蹤效率變化，并能夠基于整個(gè)期間的長(zhǎng)期優(yōu)化來(lái)衡量特定時(shí)期的效率。動(dòng)態(tài)SBM 數(shù)據(jù)包絡(luò)分析模型結(jié)構(gòu)如圖2 所示。

圖2 動(dòng)態(tài)SBM 數(shù)據(jù)包絡(luò)分析模型結(jié)構(gòu)Fig.2 The structure of dynamic slacks-based measure data envelopment analysis model

由圖2 可見(jiàn)，假定對(duì)k個(gè)DMUs（j=1,2,…,k）分別進(jìn)行T個(gè)時(shí)段（t=1,2,…,T）的評(píng)價(jià)，在每個(gè)評(píng)價(jià)時(shí)段，DMUs 采用d個(gè)輸入量（i=1,2,…,d），c個(gè)結(jié)轉(zhuǎn)量（e=1,2,…,c），得到g個(gè)輸出量（f=1,2,…,g）。令xijt、yijt分別表示第j個(gè)DMU 在第t時(shí)段的輸入和輸出量。zejt表示不良結(jié)轉(zhuǎn)值，其中c為不良結(jié)轉(zhuǎn)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(qiáng)度變量；xijt、zejt和yfjt均為正向數(shù)據(jù)；xit、zet和yft均為與強(qiáng)度變量λjt相連接的變量。

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

考慮到燃煤機(jī)組運(yùn)行中通常在每個(gè)運(yùn)行值（通常為8 h）進(jìn)行一次配煤摻燒方案調(diào)整，并根據(jù)運(yùn)行效率對(duì)該值進(jìn)行考核，本文選取8 h 作為一個(gè)決策周期，即T=8 h，每個(gè)決策周期又由8 個(gè)時(shí)段，即8 個(gè)決策單元（DMUs）組成。

新型電力系統(tǒng)對(duì)燃煤機(jī)組運(yùn)行的經(jīng)濟(jì)性、安全性和靈活性提出了更高的要求，因此本文中機(jī)組全局效率評(píng)價(jià)不僅考慮運(yùn)行經(jīng)濟(jì)性，而且考慮安全性和靈活性。對(duì)于配煤摻燒，影響每個(gè)DMU 全局效率（經(jīng)濟(jì)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(jià)、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(jì)性、安全性和靈活性。本文選擇短期（1 h）運(yùn)行時(shí)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?jī)?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?cè)剂铣杀咀鳛檩斎胱兞浚? h 上網(wǎng)電量、火檢強(qiáng)度平均值、機(jī)組出力上下限、最大升降負(fù)荷率作為I 類輸出變量；爐膛負(fù)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(biāo)指數(shù)和NOx排放超標(biāo)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(gè)DMU 動(dòng)態(tài)SBM 模型變量見(jiàn)表1。

表1 動(dòng)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(yīng)時(shí)段內(nèi)不同種煤入爐量和相應(yīng)的熱值計(jì)算得到；入爐煤水分、灰分、揮發(fā)份和硫分可由煤質(zhì)化驗(yàn)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(jià)計(jì)算得到；上網(wǎng)電量可由該時(shí)段內(nèi)上網(wǎng)功率數(shù)據(jù)計(jì)算獲得；火檢強(qiáng)度可由爐膛燃燒監(jiān)測(cè)系統(tǒng)獲得；機(jī)組出力上、下限和最大升/降負(fù)荷率可根據(jù)對(duì)應(yīng)配煤方案下的性能試驗(yàn)得到，并采用運(yùn)行數(shù)據(jù)加以更新。

II 類輸出變量Vi可根據(jù)式(10)進(jìn)行量化。

式中：ti為第i個(gè)II 類輸出變量（含多個(gè)測(cè)點(diǎn)情況）1 h 內(nèi)超過(guò)報(bào)警I 限的累積時(shí)間，min。

根據(jù)以上數(shù)據(jù)，利用動(dòng)態(tài)SBM 模型可以計(jì)算得到8 個(gè)決策單元的效率指標(biāo)，進(jìn)而獲得該決策周期的全局效率指標(biāo)。

2.3 基于模式匹配的機(jī)組配煤摻燒優(yōu)化決策

利用動(dòng)態(tài)SBM 模型的全局效率評(píng)價(jià)結(jié)果，可構(gòu)建包含運(yùn)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(yīng)配煤方案的歷史決策周期優(yōu)化決策數(shù)據(jù)庫(kù)。優(yōu)化決策數(shù)據(jù)庫(kù)結(jié)構(gòu)見(jiàn)表2。

表2 決策數(shù)據(jù)庫(kù)結(jié)構(gòu)Tab.2 The structure of decision database

由于本文只分析不同配煤方案對(duì)機(jī)組整體效率的影響，因此將運(yùn)行工況參數(shù)作為外部參數(shù)。針對(duì)下一決策周期，利用日前計(jì)劃負(fù)荷曲線和天氣預(yù)報(bào)計(jì)算獲得相應(yīng)的運(yùn)行工況參數(shù)，通過(guò)相似度計(jì)算搜索出匹配度較高的歷史運(yùn)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(duì)應(yīng)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(jìn)行模式匹配，即用向量空間中2 個(gè)向量夾角的余弦值作為衡量2 個(gè)個(gè)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(gè)向量越相似，稱為“余弦相似性”。

針對(duì)2 個(gè)運(yùn)行工況向量α=[w11,w12,…,w1n]和β=[w21,w22,…,w2n]，其余弦相似度按式（11）計(jì)算：

3 實(shí)例分析

某燃煤電廠由2 臺(tái)亞臨界300 MW 純凝機(jī)組組成，機(jī)組歷史運(yùn)行數(shù)據(jù)取自廠級(jí)監(jiān)控系統(tǒng)（SIS），數(shù)據(jù)間隔為1 min。利用上文滑動(dòng)窗口方法進(jìn)行穩(wěn)態(tài)數(shù)據(jù)篩選。運(yùn)行數(shù)據(jù)中，機(jī)組功率在穩(wěn)態(tài)過(guò)程中變化趨勢(shì)平穩(wěn)，在非穩(wěn)態(tài)過(guò)程中變化明顯，所以將機(jī)組功率作為穩(wěn)態(tài)篩選的判別基礎(chǔ)。在數(shù)據(jù)篩選過(guò)程中先剔除停機(jī)階段數(shù)據(jù)，計(jì)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(dòng)窗口法進(jìn)行穩(wěn)態(tài)判別，規(guī)定窗口長(zhǎng)度m=10，相對(duì)標(biāo)準(zhǔn)差（relative standard deviation，RSD）的精度要求ε=0.035。以2020 年1 月10 日運(yùn)行數(shù)據(jù)為例，穩(wěn)態(tài)篩選前后機(jī)組功率曲線如圖3 所示。

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

對(duì)穩(wěn)態(tài)篩選后的數(shù)據(jù)進(jìn)行逐小時(shí)的DMU 動(dòng)態(tài)SBM 效率評(píng)價(jià)，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(tái)機(jī)組整體效率評(píng)價(jià)結(jié)果見(jiàn)表3。

表3 中同時(shí)列出了采用數(shù)據(jù)包絡(luò)分析CCR 模型計(jì)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(dòng)態(tài)SBM 的測(cè)評(píng)效率值高，存在一定程度高估偏差；同時(shí)SBM 模型計(jì)算效率值的波動(dòng)幅度明顯，而CCR 模型對(duì)機(jī)組效率的波動(dòng)有一定程度掩蓋。根據(jù)表3 中機(jī)組效率評(píng)價(jià)數(shù)值，計(jì)算3 個(gè)決策周期(8 h)的平均效率，結(jié)果見(jiàn)表4。為實(shí)現(xiàn)燃煤機(jī)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(kù)。利用機(jī)組運(yùn)行期間當(dāng)?shù)貧庀髷?shù)據(jù)（逐時(shí)的氣溫、濕度等），通過(guò)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(tái)機(jī)組整體效率評(píng)價(jià)結(jié)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(yùn)行工況天氣（氣溫和濕度）數(shù)據(jù)。圖5 為歷史決策周期機(jī)組功率最大值、最小值、平均值和方差。

圖4 歷史決策周期運(yùn)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(yùn)行工況參數(shù)（功率）Fig.5 The operating condition parameters (power) of historical decision cycle

結(jié)合各決策周期的全局效率評(píng)價(jià)結(jié)果和采用的配煤方案可得到機(jī)組配煤摻燒優(yōu)化決策歷史數(shù)據(jù)庫(kù)，部分?jǐn)?shù)據(jù)見(jiàn)表5。

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

對(duì)于未來(lái)決策周期而言，根據(jù)該機(jī)組日前計(jì)劃負(fù)荷曲線和天氣預(yù)報(bào)數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)處理可以得到該決策周期的運(yùn)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(gè)工況，然后根據(jù)這4 個(gè)工況全局效率評(píng)價(jià)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(gè)決策周期為例，配煤摻燒優(yōu)化決策結(jié)果見(jiàn)表6。

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

運(yùn)行中機(jī)組依據(jù)表5 中優(yōu)化決策方案進(jìn)行配煤摻燒調(diào)整，運(yùn)行后根據(jù)運(yùn)行歷史數(shù)據(jù)進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果顯示機(jī)組同時(shí)達(dá)到了較高的經(jīng)濟(jì)性和運(yùn)行靈活性，實(shí)現(xiàn)了配煤摻燒的優(yōu)化。

4 結(jié)論

配煤摻燒優(yōu)化是降低燃煤機(jī)組發(fā)電成本、提高機(jī)組運(yùn)行經(jīng)濟(jì)性和靈活性，進(jìn)而適應(yīng)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(jī)組高效靈活運(yùn)行的配煤摻燒優(yōu)化決策框架，可以實(shí)現(xiàn)機(jī)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(jià)等影響配煤摻燒的主要因素，建立了包括經(jīng)濟(jì)性、安全性和靈活性指標(biāo)在內(nèi)的基于動(dòng)態(tài)SBM 的燃煤機(jī)組全局效率評(píng)價(jià)模型，使評(píng)價(jià)結(jié)果兼顧了機(jī)組運(yùn)行的經(jīng)濟(jì)性、安全性和靈活性。

3）利用對(duì)機(jī)組歷史決策周期的效率評(píng)價(jià)，建立了燃煤機(jī)組配煤摻燒優(yōu)化智能決策數(shù)據(jù)庫(kù)，并給出了基于余弦相似度的運(yùn)行工況模式匹配方法，實(shí)現(xiàn)了配煤摻燒的智能優(yōu)化決策。