全球燃煤电厂的领域一致性工业脱碳

机器学习与优化技术(MLOPT)通过实现数据驱动的运行改进,在加速工业系统脱碳方面具有巨大潜力。然而,MLOPT 在工业场景中的实际应用常因缺乏领域合规性与系统特定的一致性而受阻,导致所求解决方案次优且实际应用价值有限。为应对这一挑战,我们提出了一种新颖的人在回路(HITL)约束优化框架,将领域专业知识与数据驱动方法相结合,确保解决方案既在技术上合理又在运行上可行。我们通过一项针对 660 MW 超临界燃煤电厂的案例研究证明了该框架的有效性,旨在提升其热效率并降低汽轮机热耗率。通过将领域知识作为约束嵌入优化过程,我们的方法所得到的解决方案与电厂的运行模式相契合,并能无缝集成到其控制系统中。实证验证表明,热效率平均提升 0.64%,汽轮机热耗率平均降低 93 kJ/kWh。将分析扩展至全球 59 座具有相近容量与燃料类型的燃煤电厂,我们估计在其全生命周期内可累计减少 1.564 亿吨碳排放。这些结果凸显了我们的 HITL-MLOPT 框架在提供领域合规、可落地解决方案方面的变革性潜力,为减轻全球燃煤发电的环境影响提供了一条可扩展的路径。