资产间与边界外：电厂优化的下一个机遇
电厂长期以来擅长优化单台设备。几十年的工程和运营经验改进了燃气轮机、泵站、蒸汽系统等关键资产的性能。运营商能够以极高精度衡量单机级性能，并持续改进。
评论
然而，逐台设备的优化存在上限。即便每一台主要设备都按设计运行，电厂仍可能因单机最佳运行点并非系统最佳运行点而损失价值。
寻求运营卓越下一次重大突破的电力生产商，不会通过继续优化单个资产找到答案。他们需要考虑资产间的相互作用，并超越单一资产，审视影响电厂整体表现的更广泛决策，包括资源规划、燃料决策、维护安排和运行调度。
局部最优之和未必是整体最优
传统优化方法会围绕待调整变量划定边界，将外部因素视为固定的边界条件。但在一体化电厂中，许多所谓的固定边界条件并非真正固定。
以一座拥有多台燃气轮机和共享蒸汽系统的电厂为例。在单机层面，运营商可能希望将每台轮机的热耗率降至最低，这看似合理，但现实中这些机组并非独立运行：负荷分配会影响共享蒸汽系统及其他设备，燃料需求、辅助负荷、维护计划和调度承诺都可能牵涉其中。
在这种强相互依赖的情况下，分别优化各资产可能产生一组局部最优解，其中部分相互抵消，而非得到电厂层面的最佳结果。
在机组间重新分配负荷，可能使某台轮机偏离其个体最优点，但却能提升电厂整体表现。仅从该轮机的热耗率看，这个决策似乎效率低下；但从电厂总燃料消耗看，这才是正确选择。同样的逻辑也适用于设备之外，决定电厂如何供应、调度、维护和运行的各类决策。
边界应该移动，也应该止于何处
那么答案是把所有环节放在一起优化吗？并非如此。实践中，这种做法并不总是可行，也并非必要。Black & Veatch 的项目经验表明，最大的改进机会存在于系统联系最紧密的地方，而不一定是单个资产有最大改进空间的地方。
有些资产和系统之间的耦合较弱，这种情况下局部优化基本可以得到与更大规模一体化模型相同的结果。工程师需要识别哪些相互作用足够强，值得扩展优化边界，这需要对物理系统和业务都有深入理解。
围绕同一决策可以划出四种不同的优化边界，每一种都会引入新的相互作用、约束条件和决策变量。来源：Black & Veatch
调度未知前的燃料承诺
对于燃气电厂而言，一个重要的边界条件存在于“围栏”之外的上游环节——在实际运行需求尚未明确前就做出资源承诺。电厂可能需要在确定下一运行周期的实际出力强度之前就先锁定燃料。这一决策会影响成本、灵活性，以及电厂应对实际调度与计划出现偏差时的能力。
决策的时间节点往往并不吻合。燃料安排可能按固定的计划窗口进行，而电厂出力却可能全天变化。当燃料供应、电厂运行和调度安排各自依据不同假设时，便可能带来额外成本、降低灵活性，或在系统承压时产生风险暴露。
这一问题在其他发电形式中同样存在。水电站需要决定何时使用水库蓄水；储能电站运营商需要决定何时充放电；风电和光伏电站则依赖预测而非燃料库存。在所有这些场景中，运营商往往只做出当下的优化决策，而未充分考虑未来运行条件可能发生的变化。
相比之下，一体化模型可以在多种可能的运行结果范围内评估此类承诺，而非仅依赖单一的预期基准情形。这有助于电厂在成本、可用性和灵活性之间取得平衡，而不需要进行完整的市场交易分析。
资源承诺往往在实际运行条件明确之前就已做出，承诺与调度之间的差距会带来运营和经济上的风险（图中形状仅为示意）。来源：Black & Veatch
将电厂能力与调度决策相连接
当电厂能力被转化为调度和运行承诺时，还会出现一个相关的差距。电厂的承诺最终取决于物理能力：最小负荷、爬坡速率、启动要求、环境温度导致的降容，以及共享设备带来的限制。这些正是一体化工程模型所要刻画的关系。
规划和调度所依据的假设，可能基于简化或静态的性能曲线，未能充分反映电厂当前状态或系统间的相互作用。
可靠性服务很好地说明了这种权衡。一台机组可能会保留部分能力作为备用，而不是将全部可用容量都转化为电能输出。如果只以发电量或热耗率衡量，降低出力似乎效率不高；但若从电厂更广泛的运行和可靠性义务衡量，这可能是更优的系统级决策。
这其实是同一个电厂层面的权衡，只是放在更宽的边界下来看：某台机组按自身指标衡量可能表现更差，却能为电厂乃至整个系统带来更好的结果。
物理原理、数据与人工智能
一体化优化需要投入更多的系统建模工作，而多项技术发展使这变得切实可行。电厂如今可持续产生大量运行数据，计算资源也能够在运行时间尺度内求解日益复杂的优化问题。此外，人工智能有能力改进对需求变化、设备可用性和能源成本等多变输入的预测。
但这些技术创新并不能取代基于第一性原理的稳健建模。热力学、水力学、设备性能和运行限制决定了哪些方案是可行的。如果优化模型未能充分表达这些关系，就可能得出数学上看似理想、但在运行层面毫无意义的结果。第一性原理模型提供了可扩展的物理基础，而运行数据则能弥补理想化预测与设备老化后实际表现之间的偏差。
以一次计划停机为例，运营商可能想知道：将某台机组退出运行会如何改变其余电厂设备的配置。人工智能有助于将这类运行问题转化为优化模型所需的输入，同样重要的是，它还能帮助解释结果：哪些约束条件成为了限制因素？哪些权衡推动了最终建议？
当单机指标与电厂指标发生冲突
这类建议往往挑战传统做法。当电厂以单机效率来评判一台发电机组时，要求运营商接受某台机组的指标变差、以换取电厂整体效果提升，必然会带来真实的张力。
这正是一体化优化最终应当成为一种组织层面方法的原因。围绕单个资产和职能部门设计的绩效框架，可能会无意中抑制那些有利于更大系统的决策。单机层面的指标对于了解设备健康状况仍然至关重要，但运营商同样需要能反映组织希望优化的层级的衡量标准。
随着优化范围从资产扩展到电厂，再延伸到运营、资源供应、维护和规划等环节，绩效评价框架也必须随之调整。
机遇始于电厂投运之前
采用系统级视角还有一项额外收益，而这一收益在设备安装之前就已显现。设备选型传统上依赖预先设定的设计规格，例如最大出力或峰值需求，以确保设备能够满足所需任务。然而，这些设计规格可能只代表了设备整个运行生命周期中遇到的一小部分工况。在实际运行中，电厂会经历不同负荷变化，环境条件不断改变，设备会进出运行状态，市场条件也会影响发电资产的调度方式。因此，为应对偶发峰值而选型过大的设备，其大部分使用寿命可能都处于非最优运行状态。
一体化优化能够在采购决策做出之前，就提供更具代表性、更全面的运行工况范围——而此时的设计和采购选择仍能在未来数十年内塑造运行灵活性。
以发电领域为例，余热锅炉的容量选型和辅助蒸汽系统容量，对共享系统的电厂级优化十分敏感。仅基于最大出力进行设计，可能得出与基于设备在电厂实际运行范围内协同工作方式而确定的设计不同的规格。
可靠性余量和所需容量依然至关重要。一体化视角为工程设计基础增添了另一项信息来源：系统作为一个整体预期将如何运行。
设备采购完成后，优化有助于确定如何运行现有资产；而在采购之前，同样的工程模型则有助于确定最初究竟应该采购哪些资产。
下一个优化边界
负荷增长、新增资源、输电约束和基础设施时间表之间的联系日益紧密，使得过去可以分开评估的决策在实践中越来越难以割裂开来。大型负荷接入进一步凸显了这一点，因为未来的电厂运行可能依赖于仍在建设中的设施、电网升级和客户项目。
电力生产商将继续改进涡轮机、泵站和其他设备，这些改进仍将具有重要意义。然而，成熟行业终将在既定优化边界内遇到递减的改进空间。要实现运营卓越的下一个台阶，就需要挑战并改变这些边界。
这种变化体现在三个方面。首先，一体化工程模型揭示了电厂各系统之间的相互作用；其次，运行数据使这些模型持续贴合实际状况；第三，人工智能让复杂优化更易实现，其建议也更容易被理解。
技术在快速进步，但其背后的基本原理并不新鲜：个体资产表现最优的组合，并不会自动产生系统层面的最佳表现。寻求下一轮效率提升的电力生产商，需要超越那些已经优化到位的单一资产，去审视电厂运营之间、以及塑造整体表现的各类资源、承诺和更广泛系统之间所发生的一切。
——哈尼·埃尔沙哈维（Hani Elshahawi）为 Black & Veatch 基础设施咨询部门燃料与自然资源战略负责人兼董事总经理。拉姆库马尔·卡鲁皮亚（Ramkumar Karuppiah）为 Black & Veatch 基础设施咨询部门优化解决方案负责人兼董事总经理。
Q&A
Q1：电厂为什么不能只优化单台设备就达到最佳效果？
A：因为单台设备的最佳运行点未必是整个系统的最佳运行点。电厂中多台设备存在相互依赖关系，比如共享蒸汽系统和燃料供应，单独优化某台设备可能导致局部最优，却无法实现电厂整体表现的最佳结果。
Q2：一体化优化具体是如何实现的？
A：一体化优化依靠第一性原理建模、运行数据和人工智能三者结合。第一性原理模型提供物理基础，运行数据弥补理想预测与设备实际状态间的偏差，人工智能则帮助处理复杂运算并解释优化结果背后的原因。
Q3：一体化优化会影响设备采购决策吗？
A：会。传统设备选型多依据峰值需求等固定设计规格，但这只代表设备运行中的部分工况。一体化优化能在采购前就全面评估设备运行的各种实际场景，从而帮助确定更合适的设备规格和采购方案。