2025年9月25日，由中国节能协会热电产业委员会主办的热电行业绿色低碳转型技术交流会（华东站）在江苏南京圆满落幕。本次会议聚焦热电领域核心发展需求，以“清洁低碳、灵活高效、智慧协同”为三大方向，汇聚科研院所、领军企业的技术专家，通过前沿技术成果分享、落地实践案例解析，搭建起行业高效交流平台，为热电行业绿色高质量发展注入创新动能。
演讲题目：基于新一代人工智能的电厂热力系统先进控制关键技术及应用
演讲人：天津大学特聘研究员、博士生导师；中圣集团首席科学家 王雅然
一、行业背景
1. 新型电力系统建设驱动
国家大力推动新型电力系统建设，可再生能源并网比例逐年增高。由于大规模储能短期内无法满足调峰需求，火电机组深度调峰成为常态化。
2. 智能化转型提升效率
新一代人工智能技术快速发展，垂直领域应用井喷式涌现。通过动态优化调度实现能源系统各部分的有序协同，可充分提升系统运行效率。
二、燃煤电厂当前调控现状
（一）大型火电机组
现有调控体系主要依赖传统的分层控制结构，包含厂级负荷调度、协调控制、子系统控制等层级。在新能源高比例渗透下，传统控制策略存在响应速度慢、优化能力不足的问题，难以适应深度调峰需求
（二）中小型热电联产机组
这类机组面临更为复杂的调控挑战，核心问题包括：
1. 耦合性强：母管制设计导致锅炉间蒸汽压力耦合性高，人工调节易引发抢负荷、互相干扰的问题。
2. 滞后性大：热力系统惯性大，当用汽量突增时，人工调节响应滞后，会导致主蒸汽参数波动，影响供电供热稳定性。
3. 保守性高：人工调节为保障供汽安全，常维持过高的出口压力和温度，造成能源浪费，据测算节煤空间可达2%~3%。
4. 主观性强：不同班组对系统调节的理解不同，导致调控目标参数存在差异，无法实现最优运行。
5. 经验依赖：人工调节仅依赖经验，无法有效预判未来变化，易导致燃烧调节滞后甚至震荡，难以在短时间内做出最优出力分配和主汽参数优化决策。
三、热电AI平台架构与目标
（一）平台核心架构
1. 安全底座：构建电网安全双信任体系，从底层的分散控制系统（DCS）、通讯代理（OPC）到单向隔离装置、算法层，形成“纵深防御”架构，保障数据安全与业务合规。
2. 稳定保障：采用微服务架构，确保系统具备高吞吐、高可用能力，支持快速扩容与故障恢复。
3. 智能内核：融合全球最先进的深度学习技术，支持多种AI算法接入（如DQN、DDPG、D3、SAC），实现敏捷控制。
4. 可扩展能力：服务模块化、容器化，支持横向扩展与快速上线，同时集成DevOps和MLOps能力，降低运维成本。
（二）平台核心目标
1. 构建“锅炉-汽机-热网”全局协调控制平台：实现节煤3%~5%。
2. 支持灵活切换：可在原有DCS手动控制和AI智能控制间灵活切换，且具备多重安全保障，确保切换过程安全可靠。
四、电厂热力系统AI核心技术路径
1. 总体技术路径
通过数据驱动+机理建模融合的方式，构建从现场数据采集、数据分析、模型训练到优化控制的全流程闭环系统，实现热力系统的动态优化与精准调控。
2. 负荷预测技术
基于多时间序列、多特征的负荷预测模型，结合机器学习与深度学习算法，实现对热力负荷的精准预测，为后续优化控制提供基础。
3. 负荷分配技术
通过智能算法实现多锅炉、多机组间的最优负荷分配，提升整体运行效率，降低煤耗。
4. 煤耗优化技术
利用负荷预测结果优化燃烧工况和调温水量调节，稳定汽机进汽参数，减少不完全燃烧损失和排烟热损失，实现煤耗降低与减排。
5. 动态仿真技术
基于物理机理构建高精度的动态仿真模型，涵盖锅炉、汽机、热网等全系统，可模拟各种运行工况，为算法验证与优化提供虚拟环境。
6. 自适应模型辨识技术
基于EKF的非线性动态仿真模型，实现高精度在线自适应预测控制（Adaptive Model Predictive Control, AMPC），模型误差控制在极小范围内。
7. 线性预测控制技术
核心路径为“线性动态响应模型 + QP-MPC（MAC、DMC）”，解决考虑响应延迟特性的锅炉燃烧过程预估补偿最优控制、多台煤粉锅炉出力分配优化等问题。
8. 非线性预测控制技术
核心路径为“DNN非线性动态响应模型 + 非线性MPC（内点法）”，利用RBF（径向基函数网络）逼近MIMO（多输入、多输出）映射关系，在MPC框架下求解最优控制量。
9. 深度强化学习控制技术
采用DDPG等深度强化学习算法，解决连续动作空间的最优控制问题，通过大量数据训练实现自主决策与优化。
10. 深度强化学习+离线仿真训练
结合动态仿真模型对深度强化学习算法进行预训练，大幅提升算法收敛速度与安全性，确保在线应用时的稳定性。
五、热电AI平台技术优势与应用效果
（一）技术优势
1. 实时性与精准性：通过在线学习与动态优化，实现对热力系统的实时精准调控，主蒸汽温度控制误差可控制在±3℃以内。
2. 自适应性与鲁棒性：算法具备强自适应性，可应对不同工况与设备特性变化，保障系统稳定运行。
3. 可解释性与安全性：结合机理模型与数据驱动，提升算法可解释性，并构建多重安全防护机制，确保控制过程安全可靠。
（二）应用效果
1. 节能降耗显著：相比传统调控方式，可降低煤耗2%~3%，部分场景节煤率可达5%。
2. 运行稳定性提升：大幅减少主蒸汽参数波动，提升机组运行稳定性与设备寿命。
3. 减排效益明显：通过精准控制氧量，有效抑制NOₓ生成，减少污染物排放。
六、延伸技术与场景应用
1. 城市热网动态仿真与优化调度（Tensor平台）
突破传统大动态热力仿真的技术瓶颈，实现城市热网的全工况动态仿真与智能调度，提升供热效率与安全性。
提供SaaS+EMC服务模式，支持自由编辑管网、离线/在线计算双模式，具备实时水锤分析、热源调度优化等功能。
2. 换热站智能优化算法平台
覆盖多种换热站运行场景，室温控制精度可达±0.5℃，平均实现5%~10%的节能降耗。
兼具机理模型算法与数据驱动算法优势，支持质调节、量调节、质量并调等多种优化模式。
3. 综合能源AI群控优化关键技术
针对燃气锅炉、冷机、地源热泵等多种能源设备，实现群控优化，燃气锅炉平均节煤5%~8%，冷机、热泵平均节电15%~30%。
京公网安备 11011502004515号 
