CN102520615A - 一种空分装置的自动变负荷多变量控制方法 - Google Patents

Abstract

本发明公开了一种空分装置的自动变负荷多变量控制方法，包含：模块一、增益调度模块；模块二、动态多变量模型预测控制模块；模块三、工艺实时优化模块；具体步骤如下：模块三根据装置的变负荷要求，计算出与负荷变化相关的过程变量的最优稳态值，并送入到模块二中；模块一根据调度变量的当前值确定此时模块二控制器所采用的预测模型；模块二则在不违背设备约束与保证产品质量的前提下，逐步将装置推向模块三计算所得到的最优稳态工作点上。本发明能够从根本上解决空分装置大范围变负荷过程中能量与物料的相互解耦、非线性控制等问题，实现不同工况间平滑、快速的过渡，保证空分装置变负荷操作的品质与速度。

Description

一种空分装置的自动变负荷多变量控制方法

技术领域

本发明属于空气分离控制工程技术领域，具体涉及空分生产过程中自动变负荷的优化控制方法。

背景技术

在空分装置的内压缩工艺流程中，如图1所示，原料空气经过一系列的压缩、净化、增压、膨胀和换热等操作环节后，进入下塔，在下塔进行初步分馏操作得到富氧液空，进一步的分馏则将富氧液空送入上塔来完成；经上塔的精馏，将获得产品液氧、液氮、氮气，其中液氩的提取是通过从上塔中下部抽取一定量的氩馏分，经两级粗氩塔和一级精氩塔精馏后获得；氧气则是通过将部分液氧送入主换热器中回收冷量后获得的。而在空分装置的生产过程中，外部管网对生产气体的需求常呈现周期性、阶段性、间歇式等特征，如转炉顶吹间断用氧的特点，会直接导致氧气管网负荷频繁变化。若空分装置的负荷不作相应调整，必然在氧气需求较低时，放散部分多余的氧气。据统计，近5年来我国钢铁企业氧气放散量平均值高达7％～12％，这种无功生产会造成大量的能耗与经济损失。由于空分装置具有流程复杂、耦合严重，以及大范围变负荷所产生的非线性等特点，人工变负荷操作存在工况难以稳定、组分波动较大等问题。因此，空分装置的自动变负荷技术成为当今空分行业的迫切需求。

目前，在空分装置变负荷控制过程中存在着一些瓶颈，给自动变负荷控制系统的顺利实现带了一定的困难。

首先，在空分装置中大量使用了热集成与物料再循环技术，使得空分装置具有典型的能量与物料高度耦合的特征。如上、下塔共用一个冷凝蒸发器；下塔液空一部分直接作为上塔中部回流液，另外一部分为粗氩塔冷凝器提供冷量，最后返回到空分上塔参与精馏，形成了带有正反馈性质的能量与物料的内部循环，延缓了过程的整体动态响应。这些因素加大了空分变负荷操作难度，使得在变负荷过程中，不能单独对装置的各个单元进行调节，故常规的PID控制难以胜任空分变负荷的控制。

其次，空分装置大范围变负荷会引起过程的非线性控制要求。由于空分生产过程的本质是非线性的，在空分装置大范围变负荷时，使得相应的过程控制从传统某一操作区域内的线性控制，转变为满足空分装置在大范围操作区域内要求的非线性控制。

再次，升、降负荷必然要对表征操作工况的变量进行相应改变，这就提出了这些变量变化目标的问题。这是因为在空分生产过程除了满足设备约束、产品纯度等基本控制要求以外，还存在装置的优化操作要求，然而在不同的负荷工况下，空分装置具有不同的操作条件使得生产的能耗最低。

发明内容

针对目前空分行业缺乏一套有效的自动变负荷控制方案，本发明提供一种优化控制策略来实现装置自动变负荷的目标，它能够很好的适应空分装置自动变负荷操作的动态特性、强烈的非线性和回路之间的耦合性等工艺特点，实现自动变负荷过程中安全、效能地运行。

本发明解决其技术难点所采用的技术方案如下：

一种空分装置的自动变负荷多变量控制方法，它包含三个部分：

模块一、增益调度模块，是基于操作轨迹LPV模型的增益调度模块；

模块二、动态多变量模型预测控制模块，是基于LPV增益调度模块的预测控制系统；

模块三、工艺实时优化模块，是工艺的动态实时优化RTO模块；

该空分装置的自动变负荷多变量控制方法具体步骤如下：

(1)模块三根据装置的变负荷要求，计算出与负荷变化相关的过程变量的最优稳态值，并送入到模块二中；

(2)模块一根据调度变量的当前值确定此时模块二控制器所采用的预测模型；

(3)模块二则在不违背设备约束与保证产品质量的前提下，逐步将装置推向模块三计算所得到的最优稳态工作点上。

所述模块一中，将与装置动态特性密切相关的空分负荷变量作为调度变量，且基于空分负荷变量操作轨迹LPV模型的非线性辨识方法建立符合调度机制的全局线性时变参数模型，从而来逼近变负荷过程的非线性特性。

所述全局线性时变参数模型为：

$y_i\left(t\right)={\mathrm{\β}}_i^1\left(w\right)[{\hat{G}}_{i1}^1\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^1\left(q\right)u_m\left(t\right)]$

${+\mathrm{\β}}_i^2\left(w\right)[{\hat{G}}_{i1}^2\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^2\left(q\right)u_m\left(t\right)]$

$+L$

${+\mathrm{\β}}_i^p\left(w\right)[{\hat{G}}_{i1}^p\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^p\left(q\right)u_m\left(t\right)]$

其中，G_ij(q，w)(i＝1L n，j＝1L m)是输入变量u_j(t)到输出变量y_i(t)的过程模型，权函数(i＝1L n，l＝1L p)是调度负荷变量w(t)的非线性函数。

所述模块二中，采用了大控制器结构来实现空分装置的变负荷控制功能，其覆盖范围包括上塔、下塔、氩塔、空压机、增压机和膨胀机单元。

所述模块二中，控制算法则采用改进的动态矩阵工业模型预测控制算法，它能使空分生产流程中物料与能量间实行解耦控制；所述变负荷控制器的控制序列为：

$\underset{{\mathrm{\Δu}}_{1,M}\left(k\right),L,{\mathrm{\Δu}}_{m,M}\left(k\right)}{\min J\left(k\right)}={\left|\right|{\hat{y}}_{\mathrm{PM}}\left(k\right)-y_r\left(k\right)\left|\right|}_Q^2+{\left|\right|\mathrm{\λ}\left(k\right)\left|\right|}_T^2+{\left|\right|U_M\left(k\right)-U_s\left|\right|}_R^2+{\left|\right|{\mathrm{\ΔU}}_M\left(k\right)\left|\right|}_H^2$

s.t. ${\hat{y}}_{\mathrm{PM}}\left(k\right)={\hat{y}}_{P0}\left(k\right)+A_{\mathrm{DM}}\left(w\right){\mathrm{\ΔU}}_M\left(k\right)$

ΔU_M(k)^-≤ΔU_M(k)≤ΔU_M(k)⁺

U_M(k)^-≤U_M(k)≤U_M(k)⁺

0≤λ(k)

$y_{\mathrm{PM}}^{-}-\mathrm{\λ}\left(k\right)\≤{\hat{y}}_{\mathrm{PM}}\left(k\right)\≤y_{\mathrm{PM}}^{+}+\mathrm{\λ}\left(k\right)$

其中，y_r(k)是空分变负荷被控变量的期望参考轨迹；

是变负荷被控变量的操作硬约束；λ(k)是变负荷被控变量软约束的松弛变量；U_M(k)^-、U_M(k)⁺是空分调节变量的操作约束；U_s是调节变量期望的稳态输入值，它是由上层的实时优化计算所得的。

所述模块三中，采用改进的同伦回溯实时优化方法来获得不同负荷工况下空分装置的最佳操作条件，使得变负荷过程的能耗最低；改进的同伦实时优化方法是利用负荷的改变来定义同伦参数δ的：

$\mathrm{\δ}=\frac{w-w_{\mathrm{bp}}}{w_{\mathrm{tp}}-w_{\mathrm{bp}}}$

其中，w_bp、w_tp分别表示在标准状态和目标状态下调度变量的负荷值，w表示当前值。

所述步骤(1)中的过程变量包括高压空气流量、主通路空气流量、膨胀空气流量、液氧流量和氮气流量。

所述步骤(2)中的调度变量是氧气流量的当前值。

所述步骤(3)中，模块二根据当前时刻各操作变量的测量值，计算各操作变量的变化量，根据各被控变量的当前测量值来校正其预测值，由预测控制算法依据控制性能指标，优化计算出各操作变量的最优控制增量，作为各控制回路的设定值。

本发明的有益效果主要表现在：(1)、能够适应空分装置自动变负荷操作复杂的动态特性、物料和能量之间的高度耦合性，实现了对空分装置自动变负荷过程的解耦控制和动态补偿；(2)、能够满足空分装置自动变负荷大范围操作区域内所要求的非线性控制要求；(3)、能够对装置进行优化操作，使空分装置在不同负荷生产时的能耗最低；(4)、模型要求低、在线计算方便、控制综合效果好。

附图说明

图1：空分装置的内压缩工艺流程图；

图2：空分装置自动变负荷控制系统的结构图；

图3：空分装置自动变负荷过程中产品流量、组分的控制效果图一；

图4：空分装置自动变负荷过程中产品流量、组分的控制效果图二；

图中标号表示：MA：主路空气；HPA：高压空气；TA：膨胀空气；TC3001：空压机；MS1201\1202：分子筛吸附器；B401：增压机；ET401：膨胀机；E1：主换热器；V15：高压空气节流阀；C1：下塔；C2：上塔；K1：冷凝蒸发器；C701：粗氩塔I C702：粗氩塔II；C703：精氩塔；A：空气；O：氧气；N：纯氮气；LN：液氮；LAr：液氩；D1：产量要求；D2：质量要求；F1：空气流量；F2：膨胀空气流量；F3：产品流量；LPV：LPV增益调度；RTO：实时优化；G：空分生产装置。

具体实施方式

本发明是一种空分装置的自动变负荷多变量控制方法，它由下列三大模块构成一个有机系统：

模块一、基于操作轨迹LPV(linear parameter varying线性变参数)模型的增益调度；

模块二、基于LPV增益调度的预测控制系统；

模块三、动态实时优化(RTO，real time optimization实时优化)模块；

本发明空分装置的自动变负荷多变量控制方法的原理结构图如图2所示，其中，RTO模块根据装置的变负荷要求，计算出与负荷变化相关的过程变量(包括高压空气流量、主通路空气流量、膨胀空气流量、液氧流量和氮气流量)的最优稳态值，并送入到具有大控制器结构的工业MPC中；LPV增益调度模块根据空分负荷调度变量的当前值确定此时MPC大控制器所采用的预测模型；工业MPC则在不违背设备约束与保证产品质量的前提下，逐步将装置推向RTO计算所得到的最优稳态工作点上，实现不同工况间平滑、快速的过渡。

基于操作轨迹LPV模型的增益调度

鉴于空分装置大范围变负荷会引起过程的非线性控制要求，采用了LPV增益调度策略。LPV增益调度有两个关键方面：(1)调度变量的选取。虽然空分装备具有非线性特性，但它不会在整个操作区域里随机无序地运行，而是按照某种生产计划调度来工作，把原料空气转化成所需产品，因此将与装置动态特性密切相关的空分负荷变量作为调度变量。(2)建立符合调度机制的全局线性时变参数模型来逼近变负荷过程非线性特性。本文采用了一种基于操作轨迹LPV模型的非线性辨识方法来建模：根据调度的空分负荷变量的操作轨迹，选取若干个典型工作点；在各个工作点，进行测试与辨识相应的线性模型；然后，根据工作点测试数据以及各工作点间的过渡数据，辨识出全局插值LPV模型。根据负荷调度变量的当前值和全局LPV模型，就可以动态的设计出相应的增益调度控制系统。

考虑如式(1)的空分变负荷多输入多输出(MIMO)过程，其中输入变量数为m，输出变量数为n，工作点数为p：

y_i(t)＝G_i1(q，w)u₁(t)+...+G_im(q，w)u_m(t)+v(t)    (1)

其中，G_ij(q，w)(i＝1L n，j＝1L m)是输入变量u_j(t)到输出变量y_i(t)的过程模型。v(t)是不可测的输出扰动，是零均值、有界方差的随机过程变量。w(t)称之为调度的负荷变量，它决定了变负荷过程的p个操作的工作点，w(t)∈[w_lo，w_hi]。在本优化控制系统仅考虑一个调度变量，尽管有所简化，但能够包含绝大部分空分变负荷过程的调度要求。

(1)、辨识工作点模型

在每个工作点，进行常规的装置测试。然后，根据测试数据，辨识出相应的线性模型，可以采用预测误差算法、子空间辨识算法和渐进辨识算法等。

为了表示方便，假定变负荷过程p个工作点的关系如下：

w₁＜w₂＜Λ＜w_p

则相应的p个工作点线性模型为式(2)：

$y_i\left(t\right)={\hat{G}}_{i1}^1\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^1\left(q\right)u_m\left(t\right)$ 当w＝w₁

$y_i\left(t\right)={\hat{G}}_{i1}^2\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^2\left(q\right)u_m\left(t\right)$ 当w＝w₂            (2)

M

$y_i\left(t\right)={\hat{G}}_{i1}^p\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^p\left(q\right)u_m\left(t\right)$ 当w＝w_p

(2)、辨识全局LPV模型

本系统采用如式(3)的近似模型来进行空分变负荷过程的全局建模：

$y_i\left(t\right)={\mathrm{\β}}_i^1\left(w\right)[{\hat{G}}_{i1}^1\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^1\left(q\right)u_m\left(t\right)]$

${+\mathrm{\β}}_i^2\left(w\right)[{\hat{G}}_{i1}^2\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^2\left(q\right)u_m\left(t\right)]$

$+L$

${+\mathrm{\β}}_i^p\left(w\right)[{\hat{G}}_{i1}^p\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^p\left(q\right)u_m\left(t\right)]---\left(3\right)$

其中，权函数

(i＝1L n，l＝1L p)是调度负荷变量w(t)的非线性函数。权函数可以采用三次样条函数、多项式函数、分段线性函数，本系统采用三次样条函数。

基于LPV增益调度的预测控制算法

考虑到空分生产流程具有高度的能量与物料耦合的特点，采用了大控制器结构来实现空分装置的变负荷控制功能，其覆盖范围包括上塔、下塔、氩塔、空压机、增压机和膨胀机各个单元；控制算法则采用改进的动态矩阵工业模型预测控制算法，动态矩控制(DMC)算法是一种具有较强工业应用背景的优化控制算法，有着很好的动态解耦能力，在炼油、化工、电力等领域中获得了广泛的应用。基于此，针对所得到的操作轨迹LPV模型来设计增益调度MPC控制器。

(1)、变负荷过程的预测模型

考虑如式(3)的变负荷过程的LPV模型，其中

是负荷调整到工作点w_l时其中一个空分回路的模型。根据上述基于操作轨迹的LPV模型和调度负荷变量的当前值动态的确定此时所采用的传递函数模型，并将其转换成相应的阶跃响应序列。

令[s_ij，1(w)，s_ij，2(w)，L，s_ij，N(w)，s_ij，N+1(w)，L](1≤i≤n，1≤j≤m)表示空分变负荷过程第i个输出变量和第j个输入变量间的阶跃响应模型，并且近似认为s_ij，N(w)＝s_ij，N+T(w)(T＞0)，N为模型时域。那么在采样k时刻，所有与变负荷相关的被控变量在未来P个时刻的预测值可由式(4)计算所得到：

${\hat{y}}_{\mathrm{PM}}\left(k\right)={\hat{y}}_{P0}\left(k\right)+A_{\mathrm{DM}}\left(w\right){\mathrm{\ΔU}}_M\left(k\right)---\left(4\right)$

${\hat{y}}_{\mathrm{PM}}\left(k\right)={\left[\begin{array}{c}{\hat{y}}_{1,\mathrm{PM}}\left(k\right)\\ M\\ {\hat{y}}_{n,\mathrm{PM}}\left(k\right)\end{array}\right]}_{\mathrm{nP}\×1}$ ${\hat{y}}_{i,\mathrm{PM}}\left(k\right)={\left[\begin{array}{c}{\hat{y}}_{i,M}(k+1|M)\\ M\\ {\hat{y}}_{i,M}(k+P|k)\end{array}\right]}_{P\×1}---\left(5\right)$

${\hat{y}}_{P0}\left(k\right)={\left[\begin{array}{c}{\hat{y}}_{1,P0}\left(k\right)\\ M\\ {\hat{y}}_{n,P0}\left(k\right)\end{array}\right]}_{\mathrm{nP}\×1}$ ${\hat{y}}_{i,P0}\left(k\right)={\left[\begin{array}{c}{\hat{y}}_{i,0}(k+1|M)\\ M\\ {\hat{y}}_{i,0}(k+P|k)\end{array}\right]}_{P\×1}---\left(6\right)$

${\mathrm{\ΔU}}_M\left(k\right)={\left[\begin{array}{c}{\mathrm{\Δu}}_{1,M}\left(k\right)\\ M\\ {\mathrm{\Δu}}_{m,M}\left(k\right)\end{array}\right]}_{\mathrm{mM}\×1}$ ${\mathrm{\Δu}}_{j,M}\left(k\right)={\left[\begin{array}{c}{\mathrm{\Δu}}_j\left(k\right)\\ M\\ {\mathrm{\Δu}}_j(k+M-1)\end{array}\right]}_{M\×1}---\left(7\right)$

$A_{\mathrm{DM}}\left(w\right)={\left[\begin{array}{ccc}{A}_{11}\left(w\right)& L& A_{1m}\left(w\right)\\ L& L& L\\ A_{n1}\left(w\right)& L& A_{\mathrm{nm}}\left(w\right)\end{array}\right]}_{\mathrm{nP}\×\mathrm{mM}}$ $A_{\mathrm{ij}}\left(w\right)={\left[\begin{array}{ccc}{s}_{\mathrm{ij},1}\left(w\right)& L& 0\\ L& L& L\\ s_{\mathrm{ij},M}\left(w\right)& L& s_{\mathrm{ij},1}\left(w\right)\\ L& L& L\\ s_{\mathrm{ij},P}\left(w\right)& L& s_{\mathrm{ij},P-M+1}\left(w\right)\end{array}\right]}_{P\×M}---\left(8\right)$

其中，P代表预测时域，M代表控制时域；

是控制作用U(k-1)保持不变的自由响应，A_DM(w)是随着空分负荷调度变量w(k)实时变化的动态矩阵。

(2)、变负荷控制器设计

变负荷过程中，在采样K时刻，基于操作轨迹LPV阶跃响应模型式(4)的动态矩阵预测控制器通过最小化开环二次型性能指标函数，以确定最优控制序列，如式(9)：

$\underset{{\mathrm{\Δu}}_{1,M}\left(k\right),L,{\mathrm{\Δu}}_{m,M}\left(k\right)}{\min J\left(k\right)}={\left|\right|{\hat{y}}_{\mathrm{PM}}\left(k\right)-y_r\left(k\right)\left|\right|}_Q^2+{\left|\right|\mathrm{\λ}\left(k\right)\left|\right|}_T^2+{\left|\right|U_M\left(k\right)-U_s\left|\right|}_R^2+{\left|\right|{\mathrm{\ΔU}}_M\left(k\right)\left|\right|}_H^2$

s.t. ${\hat{y}}_{\mathrm{PM}}\left(k\right)={\hat{y}}_{P0}\left(k\right)+A_{\mathrm{DM}}\left(w\right){\mathrm{\ΔU}}_M\left(k\right)$

ΔU_M(k)^-≤ΔU_M(k)≤ΔU_M(k)⁺    (9)

U_M(k)^-≤U_M(k)≤U_M(k)⁺

0≤λ(k)

$y_{\mathrm{PM}}^{-}-\mathrm{\λ}\left(k\right)\≤{\hat{y}}_{\mathrm{PM}}\left(k\right)\≤y_{\mathrm{PM}}^{+}+\mathrm{\λ}\left(k\right)$

其中，y_r(k)是空分变负荷被控变量的期望参考轨迹；

是变负荷被控变量的操作硬约束；λ(k)是变负荷被控变量软约束的松弛变量；U_M(k)^-、U_M(k)⁺是空分调节变量的操作约束；U_s是调节变量期望的稳态输入值，它是由上层的实时优化计算所得的。二次型性能指标函数由四部分组成：第一项是在整个预测时域P上最小化变负荷被控变量输出预测值与期望轨迹的偏差；第二项是在预测时域P内最小化松弛变量λ(k)的幅值来实现对被控变量的软约束；第三项是通过在长度为M的控制时域上对输入误差进行惩罚来达到期望的输入值；第四项是在控制时域M上对空分调节变量的增量ΔU_M(k)进行惩罚，以避免控制作用剧烈变化，从而来保证变负荷过程各组分的波动和产品纯度的变化范围较小；其中对角阵Q、T、R和H分别是对应的时变权矩阵。

此处值得注意的是对于输出约束，由于变负荷控制系统在受到不可预测的大干扰时可能出现违反输出约束而进入优化命题的不可行域从而使问题无解，这对于实时在线运行的MPC控制器来说是应该加以避免的，因此本系统对变负荷被控变量约束进行软化来构造相应的优化控制命题。

在变负荷实际过程中，由于参数时变、模型失配以及工业噪声等原因，模型预测输出和空分系统的实际输出常存在误差。为此，增益调度MPC控制器设计了反馈校正功能，定义预测误差向量如式(10)：

$d(k+i)=d(k+1)={\left[\begin{array}{c}{d}_1(k+1)\\ M\\ d_n(k+1)\end{array}\right]}_{n\×1}={\left[\begin{array}{c}{y}_1(k+1)-{\hat{y}}_{\mathrm{1,1}}(k+1|k)\\ M\\ y_n(k+1)-{\hat{y}}_{n,1}(k+1|k)\end{array}\right]}_{n\×1}---\left(10\right)$

其中y_s(k+1)(s＝1L n)是k+1时刻的实际输出值，

是k时刻预测k+1时刻的模型输出值。k+i时刻经误差校正过的模型输出预测值如式(11)：

${\hat{y}}_{\mathrm{cor}}(k+i+j|k+i)={\hat{y}}_1(k+i+j|k+i)+L_{f}d(k+i)---\left(11\right)$

其中，

(i＝0L，j＝1L P)是k+i时刻控制作用变化一次的输出预测值，L_f是误差校正矩阵。这样利用实时信息进行反馈校正，保证了下一步求解的优化控制作用是可靠的。此外在变负荷过程中，为了及时消除可测扰动对变负荷过程的影响，MPC控制器还设计了前馈校正功能，对干扰作用进行及时的粗调从而大大减小了控制负担。

变负荷过程的实时优化方法

由于空分过程具有很强的能量耦合特点，导致关于能耗优化命题的可行域范围很小，当采用传统牛顿迭代算法求解最优操作点时，在其寻优过程中很难全局收敛，因此本文采用改进的同伦回溯优化方法来获得不同负荷工况下装置的最佳操作条件，使得变负荷过程的能耗最低。改进的同伦优化方法是利用负荷的改变来定义同伦参数δ的，适用于负荷变化的动态过程，而传统的同伦方法都集中在负荷不变的静态问题上。变负荷过程的能耗优化命题的形式如式(12)：

$\underset{Z_{\mathrm{opt}}}{\min }{k}_1{F}_{\mathrm{HPA}}+k_2{F}_{\mathrm{MA}}+k_3{F}_{\mathrm{TA}}$

s.t：f(Z_prd，Z_opt，Z_fix，Z_exp，Z_cal)＝0

$Z_{\mathrm{prd}}^{\mathrm{tp}}=\{Z_{\mathrm{GOX}},Z_{\mathrm{LIN}}\}---\left(12\right)$

$Z_{\mathrm{cal}}^L\≤Z_{\mathrm{cal}}\≤Z_{\mathrm{cal}}^U$

$Z_{\mathrm{opt}}^L\≤Z_{\mathrm{opt}}\≤Z_{\mathrm{opt}}^U$

$Z_{\mathrm{prd}}=Z_{\mathrm{prd}}^{\mathrm{bp}}+\mathrm{\δ}(Z_{\mathrm{prd}}^{\mathrm{tp}}-Z_{\mathrm{prd}}^{\mathrm{bp}})$

其中F_HPA、F_MA、F_TA分别表示高压空气、主通路空气和膨胀空气的流量，k₁、k₂、k₃分别是对三路空气做功的能耗系数；f(·)表示基于过程物料和能量平衡的稳态模型；

表示在标准负荷下的产品流量，

表示在目标负荷下的产品(即氧气Z_GOX、液氮Z_LIN)流量，Z_prd表示在变负荷过程中的产品流量；Z_opt表示所要求解的优化的变量；Z_fix为固定参数，如：设备结构参数、温度等；Z_exp为经验变量；Z_cal表示要求计算的变量。

同伦参数δ定义为

w_bp、w_tp分别表示在标准状态和目标状态下调度变量的负荷值，w表示当前值；当t从0变化到1时，则优化命题相应的从标准操作点的优化逐步转变为目标操作条件的优化，从而完成了对变负荷过程进行实时优化的目的。该优化命题的求解采用回溯法，它可以有效的提高算法的收敛速度。

此外，为了工程在线实现方便和加快变负荷的调节速度，选取若干个典型工作点，在每个工作点进行能耗优化得到优化变量(包括高压空气流量、主通路空气流量、膨胀空气流量、液氧流量和氮气流量)相应的最优操作点；然后基于这些最优操作点，利用最小二乘法拟合出优化变量分别与负荷调度变量w的稳态优化关系，并将此优化关系作为MPC控制器的上层实时优化。

本发明基于空分生产装置的现有计算机集散控制系统(DCS)、组分分析仪、温度分析仪和流量表，采用集成RTO功能和LPV增益调度功能的工业模型预测控制算法，实现了对空分装置自动变负荷过程的实时在线优化与调节，取得了满意的控制效果，因此应用前景非常广阔。

下面结合附图并通过实施例对本发明作进一步说明：

本空分装置自动变负荷多变量控制方法以采用杭氧公司专利技术的内压缩流程空分装置为例，此装置(图1)在标准工况下，氧气产量为20000Nm3/h。其自动变负荷控制方法的具体实施步骤为：

(1)、根据空分装置的生产工艺流程和自动变负荷控制要求，选取如表1所示的变量为被控变量，选取如表2所示的变量为操作变量，选取如表3所示的变量为扰动变量；其中，被控变量的选择主要由四类约束所决定：设备约束、阀位约束、产品纯度约束和产量约束；过程的扰动主要来自于分子筛纯化器再生床层升压事件，它会影响抽取的氩馏分组成稳定进而延缓甚至破坏粗氩塔精馏工况的建立，因此，将分子筛纯化器升压过程作为一个事件变量引入到变负荷控制系统的扰动变量中，控制系统通过读取均压阀的阀位值来判断分子筛当前是否充压并采取相应的调节动作。

表1  空分装置MPC控制器被控变量

表2  空分装置MPC控制器操作变量

表3  空分装置MPC控制器扰动变量

(2)、根据工艺机理分析，选取产品氧气流量作为操作轨迹非线性模型的调度变量，它所要求的变化范围为15000Nm³·h^-1到24000Nm³·h^-1，在此变化范围内等间隔的选取十个典型工作点；在变负荷过程中对各个典型工作点进行测试，测试信号采用GBN(generalizedbinary noise)信号；然后基于输出误差模型(output-error model)结构，利用辨识软件FRONT-ID辨识出典型工作点下各被控变量分别与相应操作变量间的传递函数模型；同时，利用整个数据集(包括工作点测试数据以及工作点间过渡数据)，估计操作轨迹模型的权函数，从而建立基于操作轨迹的全局LPV模型；最后，将各全局LPV传递函数模型转化非参数预测模型-阶跃响应序列。

(3)、基于同伦回溯优化算法对以上十个典型负荷工作点进行能耗优化，并利用最小二乘算法拟合各优化变量与调度负荷变量(产品氧气流量)的稳态优化关系，得到式(13)：

FY_101＝6.1257*FY_102-0.00003146*(FY_102)²-5546

FY_103＝2.43*FY_102-0.00001248*(FY_102)²-1996.4

FIQC_111＝3.2611*FY_102-0.0000693*(FY_102)²-8197.5    (13)

FIQC_112＝1.2664*FY_102-0.00000377*(FY_102)²-4269.9

FY_5＝0.2781*FY_102-0.00000633*(FY_102)²-1197.7

在变负荷时，将根据式(13)计算相关过程变量的最佳操作点，并作为变负荷协调控制系统的设定值进行下送，实现空分装置的优化控制一体化。

(4)、在DCS系统的局域网上增加一台上位机用来创建空分装置自动变负荷优化控制器MPC(图2)，优化控制器是设计了实时优化(RTO)、LPV增益调度功能的模型预测控制器，其中，预测时域为P＝30，控制周期T＝60s。

(5)、将各操作变量(表2)的PID控制回路改为串级模式，则设定值由上层模型预测控制器MPC(图2)给定，部分被控变量的控制要求由工艺人员所确定，而高压空气流量、主通路空气流量、膨胀空气流量、液氧流量和氮气流量被控变量的设定值由上层实时优化模块根据调度变量——氧气流量的当前值进行确定。

(6)、投运自动变负荷优化控制器，则将控制器状态参数设为ON，停止投运优化控制器，则将状态参数设为OFF，且各控制回路切出此优化控制器，返回到常规控制状态；

(7)、空分装置优化控制器的RTO模块根据装置当前的变负荷要求，计算出与负荷变化相关的过程变量(高压空气流量、主通路空气流量、膨胀空气流量、液氧流量和氮气流量)的最优稳态值，并送入到多变量预测控制器MPC中；LPV增益调度模块根据调度变量-氧气流量的当前值确定此时优化控制器所采用的预测模型；MPC控制器根据当前时刻各操作变量的测量值，计算各操作变量的变化量，根据各被控变量的当前测量值来校正其预测值，由预测控制算法依据控制性能指标，优化计算出各操作变量的最优控制增量，作为各控制回路的设定值。

图3和图4显示了本优化控制方法在杭氧公司内压缩流程专利空分装置上的在线实时运行结果。由图3可知，控制器投运后空分装置进行了多次自动变负荷操作来满足生产调度的频繁变化，在这组变负过程中，组分和产品纯度的波动范围都相对较小，满足生产工艺要求。以下对其中一次自动变负荷操作进行详细说明，如图4所示，此次变负荷操作产品氧气流量从15600Nm³·h^-1增加到23600Nm³·h^-1，原料空气流量相应的从83700Nm³·h^-1上升到110000Nm³·h^-1，产品氮气流量随之从33000Nm³·h^-1增至42700Nm³·h^-1，氧气流量调整时MPC控制器能及时的计算出其他各个负荷变量相应的目标值并采取合理的调节动作；同时，氩馏分的氩含量从9.2％逐渐下降到8.0％，然后又逐步回升，至变负荷结束时，最终值维持在目标范围9.1％左右；此外，氧气纯度和氮气纯度在变负荷开始时略有下降，然后逐步上升，变负荷结束时均达到所要求的纯度范围。在变负荷速率方面，此次负荷调整时间小于二个小时，优于目前手动变负荷平均速度。从以上可以看出，本控制方法运行后，有效地控制了整个空分装置，使之在自动变负荷过程中平稳、安全、经济地运行。

Claims (9)

1.一种空分装置的自动变负荷多变量控制方法，其特征在于，它包含三个部分：

模块一、增益调度模块，是基于操作轨迹LPV模型的增益调度模块；

模块二、动态多变量模型预测控制模块，是基于LPV增益调度模块的预测控制系统；

模块三、工艺实时优化模块，是工艺的动态实时优化RTO模块；

该空分装置的自动变负荷多变量控制方法具体步骤如下：

(1)模块三根据装置的变负荷要求，计算出与负荷变化相关的过程变量的最优稳态值，并送入到模块二中；

(2)模块一根据调度变量的当前值确定此时模块二控制器所采用的预测模型；

(3)模块二则在不违背设备约束与保证产品质量的前提下，逐步将装置推向模块三计算所得到的最优稳态工作点上。

2.根据权利要求1所述的空分装置的自动变负荷多变量控制方法，其特征在于，所述模块一中，将与装置动态特性密切相关的空分负荷变量作为调度变量，且基于空分负荷变量操作轨迹LPV模型的非线性辨识方法建立符合调度机制的全局线性时变参数模型，从而来逼近变负荷过程的非线性特性。

3.根据权利要求2所述的空分装置的自动变负荷多变量控制方法，其特征在于，所述全局线性时变参数模型为：

$y_i\left(t\right)={\mathrm{\β}}_i^1\left(w\right)[{\hat{G}}_{i1}^1\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^1\left(q\right)u_m\left(t\right)]$

${+\mathrm{\β}}_i^2\left(w\right)[{\hat{G}}_{i1}^2\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^2\left(q\right)u_m\left(t\right)]$

$+L$

${+\mathrm{\β}}_i^p\left(w\right)[{\hat{G}}_{i1}^p\left(q\right)u_1\left(t\right)+...+{\hat{G}}_{\mathrm{im}}^p\left(q\right)u_m\left(t\right)]$

其中，G_ij(q，w)(i＝1L n，j＝1L m)是输入变量u_j(t)到输出变量y_i(t)的过程模型，权函数

(i＝1L n，l＝1L p)是调度负荷变量w(t)的非线性函数。

4.根据权利要求1所述的空分装置的自动变负荷多变量控制方法，其特征在于，所述模块二中，采用了大控制器结构来实现空分装置的变负荷控制功能，其覆盖范围包括上塔、下塔、氩塔、空压机、增压机和膨胀机单元。

5.根据权利要求1所述的空分装置的自动变负荷多变量控制方法，其特征在于，所述模块二中，控制算法则采用改进的动态矩阵工业模型预测控制算法，它能使空分生产流程中物料与能量间实行解耦控制；所述变负荷控制器的控制序列为：

$\underset{{\mathrm{\Δu}}_{1,M}\left(k\right),L,{\mathrm{\Δu}}_{m,M}\left(k\right)}{\min J\left(k\right)}={\left|\right|{\hat{y}}_{\mathrm{PM}}\left(k\right)-y_r\left(k\right)\left|\right|}_Q^2+{\left|\right|\mathrm{\λ}\left(k\right)\left|\right|}_T^2+{\left|\right|U_M\left(k\right)-U_s\left|\right|}_R^2+{\left|\right|{\mathrm{\ΔU}}_M\left(k\right)\left|\right|}_H^2$

s.t. ${\hat{y}}_{\mathrm{PM}}\left(k\right)={\hat{y}}_{P0}\left(k\right)+A_{\mathrm{DM}}\left(w\right){\mathrm{\ΔU}}_M\left(k\right)$

ΔU_M(k)^-≤ΔU_M(k)≤ΔU_M(k)⁺

U_M(k)^-≤U_M(k)≤U_M(k)⁺

0≤λ(k)

$y_{\mathrm{PM}}^{-}-\mathrm{\λ}\left(k\right)\≤{\hat{y}}_{\mathrm{PM}}\left(k\right)\≤y_{\mathrm{PM}}^{+}+\mathrm{\λ}\left(k\right)$

其中，y_r(k)是空分变负荷被控变量的期望参考轨迹； 是变负荷被控变量的操作硬约束；λ(k)是变负荷被控变量软约束的松弛变量；U_M(k)^-、U_M(k)⁺是空分调节变量的操作约束；U_s是调节变量期望的稳态输入值，它是由上层的实时优化计算所得的。

6.根据权利要求1所述的空分装置的自动变负荷多变量控制方法，其特征在于，模块三中，采用改进的同伦回溯实时优化方法来获得不同负荷工况下空分装置的最佳操作条件，使得变负荷过程的能耗最低；改进的同伦实时优化方法是利用负荷的改变来定义同伦参数δ的：

$\mathrm{\δ}=\frac{w-w_{\mathrm{bp}}}{w_{\mathrm{tp}}-w_{\mathrm{bp}}}$

其中，w_bp、w_tp分别表示在标准状态和目标状态下调度变量的负荷值，w表示当前值。

7.根据权利要求1所述的空分装置的自动变负荷多变量控制方法，其特征在于，所述步骤(1)中的过程变量包括高压空气流量、主通路空气流量、膨胀空气流量、液氧流量和氮气流量。

8.根据权利要求1所述的空分装置的自动变负荷多变量控制方法，其特征在于，所述步骤(2)中的调度变量是氧气流量的当前值。

9.根据权利要求1所述的空分装置的自动变负荷多变量控制方法，其特征在于，所述步骤(3)中，模块二根据当前时刻各操作变量的测量值，计算各操作变量的变化量，根据各被控变量的当前测量值来校正其预测值，由预测控制算法依据控制性能指标，优化计算出各操作变量的最优控制增量，作为各控制回路的设定值。

Images