CN101286045A - 一种燃煤锅炉系统混合控制方法 - Google Patents

Abstract

本发明涉及一种燃煤锅炉系统混合控制方法。本发明方法首先利用实时数据驱动的方法建立过程模型，具体是将采集的实时过程运行数据作为数据驱动的样本集合，以该集合为基础建立基于最小二乘法的离散差分方程形式的局部受控自回归滑动平均模型；然后采用典型的响应曲线法设计过程模型的比例积分微分控制器；利用设计的过程模型的比例积分微分控制器设计预测比例积分微分控制器。本发明的控制方法弥补了传统控制的不足，并有效地方便了控制器的设计，保证控制性能的提升，同时满足给定的生产性能指标。本发明可以有效减少理想工艺参数与实际工艺参数之间的误差，保证控制装置操作在最佳状态，使工艺参数达到严格控制。

Description

一种燃煤锅炉系统混合控制方法

技术领域

本发明属于自动化技术领域，涉及一种燃煤锅炉的基于数据驱动的预测比例积分微分的混合控制方法。

背景技术

燃煤锅炉是电力生产部门的重要动力设备，其要求是供给合格的蒸汽，使燃煤锅炉发汽量适应负荷的需要。为此，生产过程的各个主要工艺参数必须严格控制。然而燃煤锅炉设备是一个复杂的被控对象，输入量与输出量之间相互关联。如：蒸汽负荷发生变化必将引起汽包水位、蒸汽压力和过热蒸汽温度变化；燃料量的变化不仅影响蒸汽压力，同时还影响汽包水位、过热蒸汽温度、过剩空气和炉膛负压；给水量的变化不仅影响汽包水位，而且对蒸汽压力、过热蒸汽温度也有影响；减温水的变化会导致过热蒸汽温度、蒸汽压力、汽包水位等的变化。这些不利因素导致传统的控制手段精度不高，又进一步导致后续生产控制参数不稳定，产品合格率低，锅炉效率低下。目前实际工业中燃煤锅炉的控制基本上采用传统的简单的控制手段，控制参数完全依赖技术人员经验，使生产成本增加，控制效果很不理想。我国燃煤锅炉控制与优化技术比较落后，能耗居高不下，控制性能差，自动化程度低，很难适应节能减排以及间接环境保护的需求，这其中直接的影响因素之一便是燃煤锅炉系统的控制方案问题。

发明内容

本发明的目标是针对现有的技术的不足之处，提供一种燃煤锅炉系统混合控制方法，具体是基于数据驱动的预测比例积分微分控制的方法。该方法弥补了传统控制方式的不足，保证控制具有较高的精度和稳定性的同时，也保证形式简单并满足实际工业过程的需要。

本发明方法首先基于实时过程数据驱动建立过程模型，挖掘出基本的过程特性；然后基于该过程模型建立比例积分微分控制回路；最后通过计算预测比例积分微分控制器的参数，将比例积分微分控制与过程对象整体实施预测控制。

本发明的技术方案是通过数据采集、过程辨识、预测机理、数据驱动、优化等手段，确立了一种燃煤锅炉的基于数据驱动的混合控制方法，利用该方法可有效提高控制的精度。

本发明方法的步骤包括：

(1)利用实时数据驱动的方法建立过程模型，具体方法是：

首先，建立燃煤锅炉实时运行数据库，通过数据采集装置采集实时过程运行数据，将采集的实时过程运行数据作为数据驱动的样本集合，表示为{X_i，y(i)}_i＝1 ^N，其中X_i表示第i组工艺参数的输入数据，y(i)表示第i组工艺参数的输出值。

其次，以该实时过程运行数据集合为基础建立基于最小二乘法的离散差分方程形式的局部受控自回归滑动平均模型：

y_L(k)＝Φ^TX，Φ＝[a′₁，a′₂，…，a′_n，b′₀，b′₁，…，b′_m-1]^T

X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]^T

其中，y_L(k)表示当前时刻过程模型的工艺参数的输出值，X表示过程模型的工艺参数的过去时刻的输入和输出数据的集合，u(k)表示过程模型工艺参数对应的控制变量，Φ表示通过辨识得到的模型参数的集合，n，m，d+1分别为对应实际过程的输出变量阶次、输入变量阶次、时滞。

采用的辨识手段为：

${\mathrm{\Φ}}_k={\mathrm{\Φ}}_{k-1}+\stackrel{\‾}{K}\left(k\right)[y\left(k\right)-{\mathrm{\Φ}}_k^T{X}_k]$

$\stackrel{\‾}{K}\left(k\right)=P(k-1)X_k{[X_k^{T}P(k-1)X_k+\mathrm{\γ}]}^{-1}$

其中，γ为遗忘因子，

为单位阵。

(2)采用典型的响应曲线法设计过程模型的比例积分微分控制器，具体方法是：

a.将过程模型的比例积分微分控制器停留在手动操作状态，操作拨盘使其输出有阶跃变化，由记录仪表记录过程模型的输出值，将过程模型输出值y_L(k)的响应曲线转换成无量纲形式y_L ^*(k)，具体是： $y_L^{*}\left(k\right)=y_L\left(k\right)/y_L(\∞)$ 其中，y_L(∞)是过程模型的比例积分微分控制器的输出有阶跃变化时的过程模型输出y_L(k)的稳态值。

b.选取满足 $y_L^{*}\left(k_1\right)=0.39,$ $y_L^{*}\left(k_2\right)=0.63$ 的两个计算点k₁和k₂，，依据下式计算比例积分微分控制器所需要的参数K、T和τ：

K＝y_L(∞)/q

T＝2(k₁-k₂)

τ＝2k₁-k₂

其中，q为过程模型的比例积分微分控制器输出的阶跃变化幅度。

c.计算过程模型的比例积分微分控制器的参数，具体是：

K_c＝1.2T/Kτ

T_i＝2τ

T_d＝0.5τ

其中K_c，T_i，T_d分别为比例积分微分控制器的比例参数，积分参数，微分参数。

(3)设计预测比例积分微分控制器，具体步骤是：

d.将过程模型的比例积分微分控制器停留在自动操作状态，操作拨盘使其输入有阶跃变化，，由记录仪表记录实时过程的输出，将过程输出值y(k)的响应曲线转换成无量纲形式y^*(k)，具体是：y^*(k)＝y(k)/y(∞)

其中，y(∞)是过程模型的比例积分微分控制器的输入有阶跃变化时的过程模型输出y(k)的稳态值。

e.选取满足y(k₃)＝0.39，y(k₄)＝0.63的两个计算点，依据下式计算预测比例积分微分控制器所需要的参数K₁，T₁和τ₁：

K₁＝y(∞)/q₁

T₁＝2(k₃-k₄)

τ₁＝2k₃-k₄

其中，q₁为过程模型的比例积分微分控制器输入的阶跃变化幅度。

f.将步骤e得到的参数转化为离散差分方程形式的局部受控自回归滑动平均模型：

y(k)＝Φ^TX，Φ＝[a₁，a₂，…，a_n，b₀，b₁，…，b_m-1]^T

X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]^T

其中，y(k)表示当前时刻过程模型的输出值，X表示过去时刻的输入和输出数据的集合，u(k)表示过程模型对应的控制变量，Φ表示通过转换得到的模型参数的集合，n，m，d+1分别为对应实际过程的输出变量阶次、输入变量阶次、时滞。

g.依据步骤f计算出的模型参数整定预测控制器的参数，具体方法是：

①建立多步最优预测输出 $\hat{Y}=Y_{\mathrm{past}}+\mathrm{GU}+E$

其中，

$\hat{Y}={(\hat{y}(k+d+1/k),\hat{y}(k+d+2/k),...,\hat{y}(k+d+p/k))}^T$

Y_past＝(y_past(k+d+1)，y_past(k+d+2)，…，y_past(k+d+p))^T

U＝(Δu(k)，Δu(k+1)，…，Δu(k+p-1))^T

$E={(y\left(k\right)-\hat{y}\left(k\right),y\left(k\right)-\hat{y}\left(k\right),...,y\left(k\right)-\hat{y}\left(k\right))}^T$

$G=\left[\begin{array}{cccc}{B}_{\mathrm{1,0}}& & & \\ B_{\mathrm{2,0}}& B_{\mathrm{1,0}}& 0& \\ ...& ...& & \\ B_{p,0}& B_{p-\mathrm{1,0}}& ...& B_{1,0}\end{array}\right]$

Y_past是依据过程过去时刻过程模型的输入输出数据计算得到的自由响应输出，G是预测模型的参数矩阵，U是过程控制增量的集合，E是预测模型的校正项。

②建立预测控制器的参考轨迹Y_r和目标函数J。

Y_r＝(y_r(k+d+1)，y_r(k+d+2)，…，y_r(k+d+p))^T

$J=\min \{{(Y_r-\hat{Y})}^T(Y_r-\hat{Y})+{\mathrm{\λ}}^2{U}^{T}U\}$

③依据步骤②的目标函数得到当前的控制参数值u(k)

u(k)＝u(k-1)+q^T(Y_r-Y_past-E)

其中q^T是预测控制器参数矩阵的第一行向量。

本发明提出的一种基于数据驱动的模型选取和预测比例积分微分混合控制方法弥补了传统控制的不足，并有效地方便了控制器的设计，保证控制性能的提升，同时满足给定的生产性能指标。

本发明提出的控制技术可以有效减少理想工艺参数与实际工艺参数之间的误差，进一步弥补了传统控制器的不足，同时保证控制装置操作在最佳状态，使生产的工艺参数达到严格控制。

具体实施方式

以循环流化床锅炉系统过程控制为例：

这里以该系统蒸汽温度回路的控制作为例子加以描述。蒸汽温度不仅受到减温器中减温水量的影响，同时也受燃料流量，空气流量和蒸汽流量的影响。调节手段采用减温水量，其余的影响作为不确定因素。

(1)建立该燃煤锅炉系统的蒸汽温度过程模型。

通过数据采集装置采集实时过程蒸汽温度运行数据，将采集的实时过程蒸汽温度运行数据作为数据驱动的样本集合采用最小二乘法推理，建立基于最小二乘法的离散差分方程形式的蒸汽温度过程模型。

其中，系统调用推理机采用最小二乘法进行蒸汽温度过程模型参数的辨识，这些参数包括元素Φ中变量的个数和具体数值。

${\mathrm{\Φ}}_k={\mathrm{\Φ}}_{k-1}+\stackrel{\‾}{K}\left(k\right)[y\left(k\right)-{\mathrm{\Φ}}_k^T{X}_k]$

$\stackrel{\‾}{K}\left(k\right)=P(k-1)X_k{[X_k^{T}P(k-1)X_k+\mathrm{\γ}]}^{-1}$

其中y(k)是实际蒸汽温度测量值，Φ_k ^TX_k是蒸汽温度过程模型的输出值。

这个过程是第一步推理过程。这个第一步推理是初步挖掘实际蒸汽温度回路的基本特性。

(2)设计蒸汽温度过程模型的比例积分微分控制器，具体方法是典型的响应曲线法。

第一步：将蒸汽温度比例积分微分控制器停留在“手动操作”状态，操作减温水量的拨盘使减温水量控制器输出有个阶跃变化，由记录仪表记录蒸汽温度过程模型的输出值，将蒸汽温度过程模型输出值y_L(k)的响应曲线转换成无量纲形式y_L ^*(k)：

$y_L^{*}\left(k\right)=y_L\left(k\right)/y_L(\∞)$

其中，y_L(∞)是蒸汽温度过程模型输出y_L(k)的稳态值。

第二步：选取2个计算点， $y_L^{*}\left(k_1\right)=0.39,$ $y_L^{*}\left(k_2\right)=0.63,$ 依据以下计算公式计算蒸汽温度比例积分微分控制器所需要的参数T和τ：

K＝y_L(∞)/q

T＝2(k₁-k₂)

τ＝2k₁-k₂

其中，q为蒸汽温度比例积分微分控制器输出的阶跃变化幅度。

第三步：依据第二步计算出的K，T和τ整定蒸汽温度比例积分微分控制器的参数：

K_c＝1.2T/Kτ

T_i＝2τ

T_d＝0.5τ

其中，K_c，T_i，T_d分别为蒸汽温度比例积分微分控制器的比例参数，积分参数，微分参数。

(3)设计蒸汽温度过程的预测比例积分微分控制器，具体方法是：

针对设计的蒸汽温度比例积分微分控制器和过程模型组成的基本控制回路建立燃煤锅炉蒸汽温度实时运行过程数据库，通过数据采集装置采集蒸汽温度实时过程运行数据，依据蒸汽温度实时过程运行数据建立预测控制所需的预测模型，基于该预测模型设计相应的蒸汽温度实时过程预测控制器，具体步骤是：

第一步：将蒸汽温度比例积分微分控制器停留在“自动操作”状态，操作蒸汽温度比例积分微分控制器的输入使蒸汽温度比例积分微分控制器的输入有个阶跃变化，由记录仪表记录蒸汽温度实时过程的输出，将蒸汽温度实时过程输出值y(k)的响应曲线转换成无量纲形式y^*(k)：

y^*(k)＝y(k)/y(∞)

其中，y(∞)是蒸汽温度实时过程输出y(k)的稳态值。

第二步：选取2个计算点，y(k₃)＝0.39，y(k₄)＝0.63，依据以下计算公式计算蒸汽温度预测控制器所需要的参数K₁，T₁和τ₁：

K₁＝y(∞)/q₁

T₁＝2(k₃-k₄)

τ₁＝2k₃-k₄

其中，q₁为蒸汽温度比例积分微分控制器输入的阶跃变化幅度。

第三步：将第二步得到的参数转化为离散差分方程形式的局部受控自回归滑动平均模型：

y(k)＝Φ^TX，Φ＝[a₁，a₂，…，a_n，b₀，b₁，…，b_m-1]^T

X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]^T

其中，y(k)表示当前时刻蒸汽温度的输出值，X表示过去时刻的蒸汽温度输入和输出数据，u(k)表示蒸汽温度对应的减温水量，Φ表示通过转换得到的模型参数，n，m，d+1分别为对应蒸汽温度实时过程的输出变量阶次、输入变量阶次、时滞。

第四步：依据第三步计算出的模型参数整定蒸汽温度预测控制器的参数，具体方法是：

1建立蒸汽温度多步最优预测输出

$\hat{Y}=Y_{\mathrm{past}}+\mathrm{GU}+E$

其中，

$\hat{Y}={(\hat{y}(k+d+1/t),\hat{y}(k+d+2/t),...,\hat{y}(k+d+p/t))}^T$

Y_past＝(y_past(k+d+1)，y_past(k+d+2)，…，y_past(k+d+p))^T

U＝(Δu(k)，Δu(k+1)，…，Δu(k+p-1))^T

$E={(y\left(k\right)-\hat{y}\left(k\right),y\left(k\right)-\hat{y}\left(k\right),...,y\left(k\right)-\hat{y}\left(k\right))}^T$

$G=\left[\begin{array}{cccc}{B}_{\mathrm{1,0}}& & & \\ B_{\mathrm{2,0}}& B_{\mathrm{1,0}}& 0& \\ ...& ...& & \\ B_{p,0}& B_{p-\mathrm{1,0}}& ...& B_{1,0}\end{array}\right]$

Y_past是依据过程过去时刻工艺参数的输入输出数据计算得到的自由响应输出，G是预测模型的参数矩阵，U是过程控制增量的集合，E是预测模型的校正项。

2建立预测控制器的参考轨迹Y_r和目标函数J

Y_r＝(y_r(k+d+1)，y_r(k+d+2)，…，y_r(k+d+p))^T

$J=\min \{{(Y_r-\hat{Y})}^T(Y_r-\hat{Y})+{\mathrm{\λ}}^2{U}^{T}U\}$

3依据第2步的蒸汽温度目标函数计算当前时刻的减温水量，

u(k)＝u(k-1)+q^T(Y_r-Y_p-E)

其中q^T是预测控制器参数矩阵的第一行向量。

Claims (1)

1、一种燃煤锅炉系统混合控制方法，其特征在于该方法包括以下步骤：

(1)利用实时数据驱动的方法建立过程模型，具体方法是：

首先，建立燃煤锅炉实时运行数据库，通过数据采集装置采集实时过程运行数据，将采集的实时过程运行数据作为数据驱动的样本集合，表示为{X_i，y(i)}_i＝1 ^N，其中X_i表示第i组工艺参数的输入数据，y(i)表示第i组工艺参数的输出值；

其次，以该实时过程运行数据集合为基础建立基于最小二乘法的离散差分方程形式的局部受控自回归滑动平均模型：

y_L(k)＝Φ^TX，Φ＝[a′₁，a′₂，…，a′_n，b′₀，b′₁，…，b′_m-1]^T

X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]^T

其中，y_L(k)表示当前时刻过程模型的工艺参数的输出值，X表示过程模型的工艺参数的过去时刻的输入和输出数据的集合，u(k)表示过程模型工艺参数对应的控制变量，Φ表示通过辨识得到的模型参数的集合，n，m，d+1分别为对应实际过程的输出变量阶次、输入变量阶次、时滞；

采用的辨识手段为：

${\mathrm{\Φ}}_k={\mathrm{\Φ}}_{k-1}+\stackrel{\‾}{K}\left(k\right)[y\left(k\right)-{\mathrm{\Φ}}_k^T{X}_k]$

$\stackrel{\‾}{K}\left(k\right)=P(k-1)X_k{[X_k^{T}P(k-1)X_k+\mathrm{\γ}]}^{-1}$

其中，γ为遗忘因子，

为单位阵；

(2)采用典型的响应曲线法设计过程模型的比例积分微分控制器，具体方法是：

a.将过程模型的比例积分微分控制器停留在手动操作状态，操作拨盘使其输出有阶跃变化，由记录仪表记录过程模型的输出值，将过程模型输出值y_L(k)的响应曲线转换成无量纲形式y_L ^*(k)，具体是： $y_L^{*}\left(k\right)=y_L\left(k\right)/y_L(\∞)$ 其中，y_L(∞)是过程模型的比例积分微分控制器的输出有阶跃变化时的过程模型输出y_L(k)的稳态值；

b.选取满足 $y_L^{*}\left(k_1\right)=0.39,$ $y_L^{*}\left(k_2\right)=0.63$ 的两个计算点k₁和k₂，，依据下式计算比例积分微分控制器所需要的参数K、T和τ：

K＝y_L(∞)/q

T＝2(k₁-k₂)

τ＝2k₁-k₂

其中，q为过程模型的比例积分微分控制器输出的阶跃变化幅度；

c.计算过程模型的比例积分微分控制器的参数，具体是：

K_c＝1.2T/Kτ

T_i＝2τ

T_d＝0.5τ

其中K_c，T_i，T_d分别为比例积分微分控制器的比例参数，积分参数，微分参数；

(3)设计预测比例积分微分控制器，具体步骤是：

d.将过程模型的比例积分微分控制器停留在自动操作状态，操作拨盘使其输入有阶跃变化，，由记录仪表记录实时过程的输出，将过程输出值y(k)的响应曲线转换成无量纲形式y^*(k)，具体是：y^*(k)＝y(k)/y(∞)

其中，y(∞)是过程模型的比例积分微分控制器的输入有阶跃变化时的过程模型输出y(k)的稳态值；

e.选取满足y(k₃)＝0.39，y(k₄)＝0.63的两个计算点，依据下式计算预测比例积分微分控制器所需要的参数K₁，T₁和τ₁：

K₁＝y(∞)/q₁

T₁＝2(k₃-k₄)

τ₁＝2k₃-k₄

其中，q₁为过程模型的比例积分微分控制器输入的阶跃变化幅度；

f.将步骤e得到的参数转化为离散差分方程形式的局部受控自回归滑动平均模型：

y(k)＝Φ^TX，Φ＝[a₁，a₂，…，a_n，b₀，b₁，…，b_m-1]^T

X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]^T

其中，y(k)表示当前时刻过程模型的输出值，X表示过去时刻的输入和输出数据的集合，u(k)表示过程模型对应的控制变量，Φ表示通过转换得到的模型参数的集合，n，m，d+1分别为对应实际过程的输出变量阶次、输入变量阶次、时滞；

g.依据步骤f计算出的模型参数整定预测控制器的参数，具体方法是：

①建立多步最优预测输出 $\hat{Y}=Y_{\mathrm{past}}+\mathrm{GU}+E$

其中，

$\hat{Y}={(\hat{y}(k+d+1/k),\hat{y}(k+d+2/k),...,\hat{y}(k+d+p/k))}^T$

Y_past＝(y_past(k+d+1)，y_past(k+d+2)，…，y_past(k+d+p))^T

U＝(Δu(k)，Δu(k+1)，…，Δu(k+p-1))^T

$E={(y\left(k\right)-\hat{y}\left(k\right),y\left(k\right)-\hat{y}\left(k\right),...,y\left(k\right)-\hat{y}\left(k\right))}^T$

$G=\left[\begin{array}{cccc}{B}_{\mathrm{1,0}}& & & \\ B_{\mathrm{2,0}}& B_{\mathrm{1,0}}& 0& \\ ...& ...& & \\ B_{p,0}& B_{p-\mathrm{1,0}}& ...& B_{1,0}\end{array}\right]$

Y_past是依据过程过去时刻过程模型的输入输出数据计算得到的自由响应输出，G是预测模型的参数矩阵，u是过程控制增量的集合，E是预测模型的校正项；

②建立预测控制器的参考轨迹Y_r和目标函数J；

Y_r＝(y_r(k+d+1)，y_r(k+d+2)，…，y_r(k+d+p))^T

$J=\min \{{(Y_r-\hat{Y})}^T(Y_r-\hat{Y})+{\mathrm{\λ}}^2{U}^{T}U\}$

③依据步骤②的目标函数得到当前的控制参数值u(k)

u(k)＝u(k-1)+q^T(Y_r-Y_past-E)

其中q^T是预测控制器参数矩阵的第一行向量。