机器学习和数据驱动算法在智慧发电系统中的应用 - 副本.docx

一、引言

几十年来，火力发电是造成环境污染和碳排放的主要因素之一。据报道，2018年发电行业的碳排放占碳排放增长的近三分之二，其中燃煤发电所占比重最大（约占总排放量的30%）。考虑到日益严重的气候变化问题，世界主要国家被迫确定“将全球平均气温的上升幅度控制在工业化前水平以上低于2℃之内”的目标。为了实现这一目标，需要对发电行业进行改革，具体包括优化目前流行的火力发电的效率，扩大可持续能源（包括水电、太阳能和风能）的比例。

控制和优化发电系统对于其高效和安全运行至关重要。由于发电系统中各部分存在多时间尺度的特征，发电系统通常采用分层控制框架，以完成各层的主要任务，如图1所示。在最低的测量过程层，必须保证重要变量测量和监控的可见性。根据这些变量，将调节控制器放置在现场，以使每个单回路（如温度、压力和水位）控制在上级监控层指定的工作点上。基于此，本文将调节控制水平的性能称为“机动性”，它描述了目标回路在需要时如何快速和稳定地行动。监控层采用先进的控制算法，在满足操作约束的同时，通过考虑多变量耦合，最大限度地提高许多交互回路的灵活性。在最高级别的经济规划中，制定和优化总体效率或利润指标，为较低层次的动态控制提供稳态工作点。除了自下而上的控制水平外，故障检测和诊断（FDD）对于安全运行和维持更长的发电厂寿命至关重要。图1中的层次结构可用于管理完整的发电系统（如燃料电池单元）或子系统（如燃煤发电厂的锅炉燃烧炉）。

图1?发电系统或子系统的分层结构，用于监测、控制、优化和故障检测。

一般图1中的每个层级都有一个精确的模型，这对于实现多个目标至关重要。监控层的内部变量通常由状态观测器或基于状态空间（SS）模型的卡尔曼滤波器实现，如电池芯温度估计。用于调节层的则是广泛使用的比例-积分-微分（PID）控制器——通常需要一个参数整定的过程模型。就灵活性层级而言，模型预测控制（MPC）占监控算法的最大份额。MPC采用基于模型的输出预测，将多变量约束优化问题转化为一个滚动时域二次优化框架。展示了在太阳能联合循环电厂中的MPC的典型应用。对于经济规划层，动态规划是一种非常流行的算法，用于调度不同电源之间的能量流需求，通常以每小时运行成本来计算，如复杂第三代发电厂的能量成本优化或混合发电厂的运行成本优化。故障检测通常使用的是先验模型，就像最近在燃料电池空气供给系统中的应用一样。近年来一个重要的发展趋势是基于经济模型预测控制（EMPC）框架，将经济性规划与监控水平结合形成集成EMPC。该框架能够根据系统模型和各种约束条件直接制定经济指标，同时实现经济优化和动态运行。已有研究表明，可以利用EMPC减少锅炉-汽轮机机组的节流损失以及提高建筑物热电联产系统的舒适性。

传统的基于模型的方法虽然有效，但其终将无法处理规模不断增长且具有各种不确定性的能源系统。本文总结了图1中每个层级上通常遇到的几种典型不确定性。这些不确定性将在下一节中逐一讨论。21世纪是机器学习（ML）和数据科学蓬勃发展的时代；机器学习和数据科学的发展可能是解决可扩展性和不确定性方面困难的关键。在这个大数据时代，许多学科，如粒子物理学、材料学和过程系统工程，已经逐渐产生了研究方法从基于模型的分析到机器学习和基于数据驱动（DD）研究的巨大转变。机器学习和基于数据驱动的研究技术彻底改变了现代能源系统的监测、控制和优化的方法，包括传统化石燃料发电厂和可再生能源系统。常见的机器学习算法包括无监督学习、监督学习和强化学习（RL），每一种算法都被应用于不同层次的能源系统，以解决不同的问题。数据驱动技术通常使用实时或历史数据直接控制过程，包括迭代反馈调节（IFT）、迭代学习控制（ILC）和自抗扰控制（ADRC）。数据驱动方法通常比机器学习方法具有更大的适用范围和更快的运行速度，它能满足监管控制层级的高实时性要求，应用广泛。

本文并不试图对所有能源系统应用中的每种方法进行全面的讨论，相反，本文旨在展示如何适当运用机器学习和基于数据驱动的方法，以提高发电系统的可见性、机动性、灵活性、经济性和安全性（简称“五性”），来应对各个层级所出现的不确定性挑战。根据图1，“五性”可定义如下：

?可见性——可测量变量的测量和传输以及内部不可测量变量的估计。

?机动性——底层调节控制响应的快速性和准确性，主要是在单回路过程中。

?灵活性——多变量协调在监督控制水平上可以达到的程度。

?经济性——整个系统或重要子系统的经济成本或效益。

?安全性——系统的FDD，防止对发电系统造成危险。

在智慧发电中，可见性层级是其他层级的基础，因为它涉及感知用于控制、优化和诊断的内部参数。强大的机动性级别是实现灵活性和经济性的有力保证，而安全级别是保护整个系统安全的基本保障。

本文全面回顾了机器学习和数据驱动方法在电力行业的应用：从传统火力发电到新