CN102777879A - 一种火力发电厂超超临界机组的主汽温预测控制方法 - Google Patents

Abstract

一种火力发电厂超超临界发电机组的主汽温预测控制方法，包括分层的控制结构，由底层直接控制层和上层指导优化层两个控制层次构成，上层指导优化层实现模型参数辨识、预测优化和PID参数整定控制；底层直接控制层为串级系统结构，包括主、副两个回路控制，直接控制面向DCS系统的PID控制器。本发明可以替代控制工程师进行PID参数设置，直接采用在线模型辨识和控制器参数整定的方法，来达到主汽温自适应控制的目的，实现了先进控制技术和智能优化技术在DCS系统下的应用，具有较强的稳定性和鲁棒性，能够适应变负荷下主汽温被控对象模型变化的过程。

Description

一种火力发电厂超超临界机组的主汽温预测控制方法

技术领域

本发明涉及一种火力发电厂超超临界发电机组的主汽温预测控制方法。

背景技术

火力发电厂锅炉发电机组的主蒸汽温度是直流锅炉运行中需要监视的一个重要参数，过高或过低都会影响机组的安全经济运行。随着高参数、大容量机组逐步参与电网调峰，机组负荷会发生大幅度变动，主蒸汽温度也将承受剧烈变化。优化主汽温预测控制方法，提高控制精度和稳定性，能够减少爆管事故的发生，提高机组变负荷快速响应能力，对于机组的长期安全、经济运行具有重要意义。常规的主汽温控制结合前馈补偿和串级系统等策略，采用固定参数或分段PID构造控制器，没有完全考虑主汽温在变负荷下模型变化的影响，工况复杂时还需手工操作和监督控制，严重影响了机组的经济性和安全性。

现在，先进的PID控制技术被引入火电厂热工过程，可用来处理主汽温控制中存在的问题。针对主汽温控制的不稳定性，科研人员提出一种基于免疫遗传算法和神经网络的PID控制，采用免疫遗传算法来优化人工神经网络权值，并通过BP神经网络整定PID控制器，最终实现稳定的主汽温控制。为了解决火电厂主汽温大迟延的控制问题，有人提出了一种神经网络前馈控制器，用于主汽温串级控制系统中，仿真结果表明该方法在机组发生负荷扰动时调节品质明显改善。现有的这些改进PID算法在某些领域得到了成功的应用，但都存在着结构复杂、参数整定规则较多等问题，对复杂的火电厂热工过程控制而言，其应用存在一定的困难。先进的控制算法在软硬件方面缺乏有效的支持，特别是过程控制DCS层上的设计，如果要引入先进的控制算法，就意味着硬件结构需要大规模改造。先进控制算法的控制器参数和实际控制对象的系统特性缺乏明确的关联意义，因此对于熟悉PID参数调节的操作人员来讲，理解先进控制算法的含义比较困难。

发明内容

本发明所要解决的技术问题，就是提供一种可实现先进控制技术在DCS系统下应用，并具有较强稳定性和鲁棒性的火力发电厂超超临界机组的主汽温预测控制方法。

解决上述技术问题，本发明采用如下技术方案：

一种火力发电厂超超临界机组的主汽温预测控制方法，其特征是：包括分层的控制结构，由底层直接控制层和上层指导优化层两个控制层次构成，上层指导优化层实现模型参数辨识、预测优化和PID参数整定控制；底层直接控制层为串级系统结构，包括主、副两个回路控制，直接控制面向DCS系统的PID控制器。

所述的底层直接控制层引入广义控制算法，t时刻的性能指标为以下形式

$\min J\left(t\right)=E\{\underset{J=N_1}{\overset{N_2}{\mathrm{\Σ}}}{[y(t+j)-\mathrm{\ω}(t+j)]}^2+\underset{j=1}{\overset{N_u}{\mathrm{\Σ}}}\mathrm{\λ}\left(j\right){\left[\mathrm{\Δu}(t+j-1)\right]}^2\}$

式中，E{·}表示数学期望；N₁和N₂分别为优化时域的起始和终止时刻；N_u表示控制时域，在经过N_u步后控制量不再变化；λ(j)为大于零的加权系数，取为常数；ω(j)对象输出的期望值，为进行柔化控制，即跟踪参考轨迹，由下式产生

ω(k+j)＝α^jy(k)+(1-α^j)y_rj＝1,2,…,n

式中，yr为输出设定值；y(k)为输出值；α为柔化因子，0＜α＜1。

所述的上层优化控制保留了广义控制算法中的优化性能指标，经变换得到最优控制序列

$\mathrm{\Δu}\left(k\right)=\left[\begin{array}{c}\mathrm{\Δu}\left(k\right)\\ \mathrm{\Δu}(k+1)\\ .\\ .\\ .\\ \mathrm{\Δu}(k+N_u-1)\end{array}\right]=\left[\begin{array}{c}{W}^T\left(k\right)e_1\left(k\right)\\ W^T(k+1)e_2(k+1)\\ .\\ .\\ .\\ W^T(k+N_u-1)e_{N_u}(k+N_u-1)\end{array}\right]=\hat{e}\hat{W}$

式中，

$\hat{e}={\left[\begin{array}{cccccccccc}{e}_1\left(k\right)& e_1(k-1)& e_1(k-2)& 0& 0& 0& ...& 0& 0& 0\\ & & & & & & .& & & \\ 0& 0& 0& e_2\left(k\right)& e_2(k-2)& & .& 0& 0& 0\\ & & & & & & .& & & \\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ 0& 0& 0& 0& 0& 0& ...& e_{N_u\left(k\right)}& e_{N_u}(k-1)& e_{N_u}(k-2)\end{array}\right]}_{N_u\×{2N}_u,}$

$\hat{W}=\left[\begin{array}{c}W\left(k\right)\\ W(k+1)\\ .\\ .\\ .\\ W(k+N_u-1)\end{array}\right]={\left[\begin{array}{c}{\left[\begin{array}{ccc}{w}_0\left(k\right)& w_1\left(k\right)& w_2\left(k\right)\end{array}\right]}^T\\ {\left[\begin{array}{ccc}{w}_0(k+1)& w_1(k+1)& w_2(k+1)\end{array}\right]}^T\\ .\\ .\\ .\\ {\left[\begin{array}{ccc}{w}_0(k+N_u-1)& w_1(k+N_u-1)& w_2(k+N_u-1)\end{array}\right]}^T\end{array}\right]}_{{3N}_u\×1;}$

系统只取当前时刻的控制变量Δu(k)，从而可以计算得到最优的PID控制器参数为

$\left\{\begin{array}{c}{k}_p\left(k\right)=w_1\left(k\right)+{2w}_2\left(k\right)\\ k_i\left(k\right)=w_0\left(k\right)-w_1\left(k\right)-\\ k_d\left(k\right)=w_2\left(k\right)\end{array}{3w}_2\left(k\right)\right..$

所述的模型参数辨识控制中，主汽温被控对象模型参数采用带遗忘因子的递推最小二乘法（Forgetting Factor Recursive Least Square，FFRLS）完成辨识过程，每经过Np采样时间，辨识的参数矩阵完成一次自动更新，辨识过程随时间滚动进行；

采样获得的实时数据形成一个滚动窗口，采样空间设为N_d，则可计p＝N_d/N_p，p为整数比值，且N_d＞N_p，滚动窗口下的主汽温被控对象模型参数FFRLS辨识流程可以描述如下：

Step1：设置采样空间N_d和采样时间N_p，并保证N_d/N_p为整数，N_d＞N_p；

Step2：确定初始值

和P(0)，并设置遗忘因子ρ，获得初始数据；

Step3：采样获得当前输出y(k)和输入u(k)，并保存到滚动窗口数据向量；

Step4：利用FFRLS得到K(k)、

和P(k)；

Step5：k→k+1，返回Step2，在滚动窗口下循环运算。

采用FFRLS在滚动窗口下实时估计主汽温被控对象模型参数后，可以将辨识结果传递给预测优化控制，进行下一步运算。

所述的预测优化控制采用软开关启用策略来控制上层优化算法的启用和关闭，在变工况下主要分为以下两类情况：上层指导优化算法的软启用策略可以用数学函数的形式表达为

$s=\left\{\begin{array}{cccc}1& 0<\left|\mathrm{\&Delta;P}\right|\&le;{\mathrm{\&delta;p}}_s& \mathrm{and}& \left|e\right|\&le;{\mathrm{\&delta;e}}_s\\ 2& \left|\mathrm{\&Delta;P}\right|>{\mathrm{\&delta;p}}_s& \mathrm{or}& \left|e\right|>{\mathrm{\&delta;e}}_s\end{array}\right.$

式中，S为软开关启动状态；|ΔP|为负荷变化量；|e|为主回路控制偏差大小；δp_s为设定的工况临界值；δe_s为偏差临界值；

工况范围变化较小（0＜|ΔP|≤δp_s）且控制品质未发生较大改变（|e|≤δe_s）时，主汽温被控对象模型变化较小，此时仍可以采用前时刻整定得到的PID参数，但为防止工况变化和控制品质改变时PID参数不适应控制需求等情况，需要启用对象模型辨识模块（S＝1）；

工况发生大范围变化（|ΔP|＞δp_s）或控制品质发生较大改变（|e|＞δe_s）时，导致主汽温被控对象模型发生改变，原来的PID参数无法满足控制需求，则需要完全启用上层优化算法（S＝2）。上层优化算法的软开关启用策略是针对主回路控制设计的，对于随动控制的副回路控制不适宜频繁的辨识对象模型和整定控制器参数。

所述的PID参数整定控制在进行参数寻优时，对于底层的主、副两个回路控制需要分开进行，建立基于遗传算法优化的参数整定数学模型，包括目标函数和约束条件两个部分。主回路控制的PID参数整定数学模型如下

$\min J_1\left(t\right)=E\{\underset{J=N_{11}}{\overset{N_{12}}{\mathrm{\&Sigma;}}}{[y_1(t+j)-{\mathrm{\&omega;}}_1(t+j)]}^2+\underset{j=1}{\overset{N_{1u}}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_1\left(j\right){\left[{\mathrm{\&Delta;u}}_1(t+j-1)\right]}^2\}$

$s.t.{\widehat{\mathrm{\&kappa;}}}_1\&Element;s_1$

u_1min≤u₁(t+j)≤u_1max

Δu_1min≤Δu₁(t+j)≤Δu_1max

式中，下标1表示主回路控制参数；J₁为主回路控制广义预测优化指标；

为主回路控制PID参数向量；S₁为主回路控制PID参数的自定义区域。副回路控制的PD参数整定数学模型如下

$\min J_2\left(t\right)=E\{\underset{J=N_{21}}{\overset{N_{22}}{\mathrm{\&Sigma;}}}{[y_2(t+j)-{\mathrm{\&omega;}}_2(t+j)]}^2+\underset{j=1}{\overset{N_{2u}}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_2\left(j\right){\left[{\mathrm{\&Delta;u}}_2(t+j-1)\right]}^2\}$

$s.t.{\widehat{\mathrm{\&kappa;}}}_2\&Element;s_2$

u_2min≤u₂(t+j)≤u_2max

Δu_2min≤Δu₂(t+j)≤Δu_2max

式中，下标2表示副回路控制参数；J₂为副回路控制广义预测优化指标；

为副回路控制PD参数向量；S₂为副回路控制PD参数的自定义区域。

有益效果：与现有技术相比，本发明具有以下优点和积极效果：

本发明可以替代控制工程师的PID参数设计作用，直接采用在线模型辨识和控制器参数整定的方法，来达到主汽温自适应控制的目的，实现了先进控制技术和智能优化技术在DCS系统下的应用，具有较强的稳定性和鲁棒性，能够适应变负荷下主汽温被控对象模型变化的过程。

附图说明

图1是适用于本发明的火力发电厂超超临界机组的主汽温预测控制方法的控制系统示意图。

具体实施方式

下面通过实施例结合附图对本发明的技术方案作进一步说明。

本发明具有分层的控制结构，由底层直接控制和上层指导优化两个回路控制构成。上层为指导优化层，包括模型参数辨识模块、预测优化模块和PID参数整定模块，分别实现模型参数辨识、预测优化和PID参数整定功能。

底层直接控制回路为串级系统结构，底层包括主、副两个回路控制，仍采用面向DCS系统的PID控制器。

底层直接控制回路控制引入广义控制算法，t时刻的性能指标为以下形式

$\min J\left(t\right)=E\{\underset{J=N_1}{\overset{N_2}{\mathrm{\&Sigma;}}}{[y(t+j)-\mathrm{\&omega;}(t+j)]}^2+\underset{j=1}{\overset{N_u}{\mathrm{\&Sigma;}}}\mathrm{\&lambda;}\left(j\right){\left[\mathrm{\&Delta;u}(t+j-1)\right]}^2\}$

式中，E{·}表示数学期望；N₁和N₂分别为优化时域的起始和终止时刻；N_u表示控制时域，在经过N_u步后控制量不再变化；λ(j)为大于零的加权系数，取为常数；ω(j)对象输出的期望值，为进行柔化控制，即跟踪参考轨迹，由下式产生

ω(k+j)＝α^jy(k)+(1-α^j)y_rj＝1,2,…,n

式中，yr为输出设定值；y(k)为输出值；α为柔化因子，0＜α＜1。

上层优化回路控制保留了广义控制算法中的优化性能指标，经变换得到最优控制序列

$\mathrm{\&Delta;u}\left(k\right)=\left[\begin{array}{c}\mathrm{\&Delta;u}\left(k\right)\\ \mathrm{\&Delta;u}(k+1)\\ .\\ .\\ .\\ \mathrm{\&Delta;u}(k+N_u-1)\end{array}\right]=\left[\begin{array}{c}{W}^T\left(k\right)e_1\left(k\right)\\ W^T(k+1)e_2(k+1)\\ .\\ .\\ .\\ W^T(k+N_u-1)e_{N_u}(k+N_u-1)\end{array}\right]=\hat{e}\hat{W}$ 式中，

$\hat{e}={\left[\begin{array}{cccccccccc}{e}_1\left(k\right)& e_1(k-1)& e_1(k-2)& 0& 0& 0& ...& 0& 0& 0\\ & & & & & & .& & & \\ 0& 0& 0& e_2\left(k\right)& e_2(k-2)& & .& 0& 0& 0\\ & & & & & & .& & & \\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ 0& 0& 0& 0& 0& 0& ...& e_{N_u\left(k\right)}& e_{N_u}(k-1)& e_{N_u}(k-2)\end{array}\right]}_{N_u\&times;{2N}_u,}$

$\hat{W}=\left[\begin{array}{c}W\left(k\right)\\ W(k+1)\\ .\\ .\\ .\\ W(k+N_u-1)\end{array}\right]={\left[\begin{array}{c}{\left[\begin{array}{ccc}{w}_0\left(k\right)& w_1\left(k\right)& w_2\left(k\right)\end{array}\right]}^T\\ {\left[\begin{array}{ccc}{w}_0(k+1)& w_1(k+1)& w_2(k+1)\end{array}\right]}^T\\ .\\ .\\ .\\ {\left[\begin{array}{ccc}{w}_0(k+N_u-1)& w_1(k+N_u-1)& w_2(k+N_u-1)\end{array}\right]}^T\end{array}\right]}_{{3N}_u\&times;1;}$

系统只取当前时刻的控制变量Δu(k)，从而可以计算得到最优的PID控制器参数为

$\left\{\begin{array}{c}{k}_p\left(k\right)=w_1\left(k\right)+{2w}_2\left(k\right)\\ k_i\left(k\right)=w_0\left(k\right)-w_1\left(k\right)-\\ k_d\left(k\right)=w_2\left(k\right)\end{array}{3w}_2\left(k\right)\right..$

模型参数辨识模块的模型参数辨识控制中，主汽温被控对象模型参数采用带遗忘因子的递推最小二乘法（Forgetting Factor Recursive Least Square，FFRLS）完成辨识过程，每经过N_p采样时间，辨识的参数矩阵完成一次自动更新，辨识过程随时间滚动进行。采样获得的实时数据形成一个滚动窗口，采样空间设为N_d，则可计p＝N_d/N_p，p为整数比值，且N_d＞N_p。滚动窗口下的主汽温被控对象模型参数FFRLS辨识流程可以描述如下：

Step1：设置采样空间N_d和采样时间N_p，并保证N_d/N_p为整数，N_d＞N_p；

Step2：确定初始值

和P(0)，并设置遗忘因子ρ，获得初始数据；

Step3：采样获得当前输出y(k)和输入u(k)，并保存到滚动窗口数据向量；

Step4：利用FFRLS得到K(k)、

和P(k)；

Step5：k→k+1，返回Step2，在滚动窗口下循环运算。

采用FFRLS在滚动窗口下实时估计主汽温被控对象模型参数后，可以将辨识结果传递给预测优化模块，进行下一步运算。

预测优化模块的预测优化控制采用软开关启用策略来控制上层优化算法的启用和关闭，在变工况下主要分为以下两类情况。上层指导优化算法的软启用策略可以用数学函数的形式表达为

$s=\left\{\begin{array}{cccc}1& 0<\left|\mathrm{\&Delta;P}\right|\&le;{\mathrm{\&delta;p}}_s& \mathrm{and}& \left|e\right|\&le;{\mathrm{\&delta;e}}_s\\ 2& \left|\mathrm{\&Delta;P}\right|>{\mathrm{\&delta;p}}_s& \mathrm{or}& \left|e\right|>{\mathrm{\&delta;e}}_s\end{array}\right.$

式中，S为软开关启动状态；|ΔP|为负荷变化量；|e|为主回路控制偏差大小；δp_s为设定的工况临界值；δe_s为偏差临界值。工况范围变化较小（0＜|ΔP|≤δp_s）且控制品质未发生较大改变（|e|≤δe_s）时，主汽温被控对象模型变化较小，不会对控制效果造成太大影响，此时仍可以采用前时刻整定得到的PID参数，但为防止工况变化和控制品质改变时PID参数不适应控制需求等情况，需要启用对象模型辨识模块（S＝1）。工况发生大范围变化（|ΔP|＞δp_s）或控制品质发生较大改变（|e|＞δe_s）时，导致主汽温被控对象模型发生改变，原来的PID参数无法满足控制需求，则需要完全启用上层优化算法（S＝2），保证输出能够准确的跟踪设定值，同时控制变量的变化又不是很大。上层优化算法的软开关启用策略是针对主回路控制设计的，对于随动控制的副回路控制，由于需要快速消除扰动，不适宜频繁的辨识对象模型和整定控制器参数。

PID参数整定模块的PID参数整定控制在进行参数寻优时，对于底层的主、副两个回路控制需要分开进行，建立基于遗传算法优化的参数整定数学模型，包括目标函数和约束条件两个部分。主回路控制的PID参数整定数学模型如下

$\min J_1\left(t\right)=E\{\underset{J=N_{11}}{\overset{N_{12}}{\mathrm{\&Sigma;}}}{[y_1(t+j)-{\mathrm{\&omega;}}_1(t+j)]}^2+\underset{j=1}{\overset{N_{1u}}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_1\left(j\right){\left[{\mathrm{\&Delta;u}}_1(t+j-1)\right]}^2\}$

$s.t.{\widehat{\mathrm{\&kappa;}}}_1\&Element;s_1$

u_1min≤u₁(t+j)≤u_1max

Δu_1min≤Δu₁(t+j)≤Δu_1max

式中，下标1表示主回路控制参数；J₁为主回路控制广义预测优化指标；为主回路控制PID参数向量；S₁为主回路控制PID参数的自定义区域。副回路控制的PD参数整定数学模型如下

$\min J_2\left(t\right)=E\{\underset{J=N_{21}}{\overset{N_{22}}{\mathrm{\&Sigma;}}}{[y_2(t+j)-{\mathrm{\&omega;}}_2(t+j)]}^2+\underset{j=1}{\overset{N_{2u}}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_2\left(j\right){\left[{\mathrm{\&Delta;u}}_2(t+j-1)\right]}^2\}$

$s.t.{\widehat{\mathrm{\&kappa;}}}_2\&Element;s_2$

u_2min≤u₂(t+j)≤u_2max

Δu_2min≤Δu₂(t+j)≤Δu_2max

式中，下标2表示副回路控制参数；J₂为副回路控制广义预测优化指标；

为副回路控制PD参数向量；S₂为副回路控制PD参数的自定义区域。

根据预测误差迭代算法，获得大范围工况下的被控对象模型，控制算法包括三个阶段。第一阶段是初始化阶段，包括各类参数的设置和初始值的计算；第二阶段是根据输入输出数据辨识出被控对象数学模型；第三阶段是基于辨识模型计算处底层控制回路控制PID参数。

阶段一：设置各类参数及初始值

Step1：设置广义预测参数，包括最小预测时域N₁、最大预测时域N₂、控制时域N_u、柔化因子α；

Step2：设置滚动窗口辨识的采样空间N_d和采样时间N_p，设置FFRLS的遗忘因子ρ，计算获得FFRLS的初始值

和P(0)；

Step3：设置控制量求解和PID参数计算所用优化算法的初始参数；

Step4：判断负荷变化量|Δp|和主回路控制误差|e|大小，并据此设定上层优化算法的软开关状态；

阶段二：辨识被控对象模型

Step5：采样获得当前输出y(k)和输入u(k)，并保存到滚动窗口数据向量；

Step6：通过最小化FFRLS性能指标，并利用FFRLS参数计算公式，得到K(k)、

和P(k)，最终求得主、副回路控制参数θ₁和θ₂；

Step7：在滚动窗口下循环运算辨识主汽温对象模型参数，并将辨识结果传递给PID参数整定模块；

阶段三：计算控制量和PID参数

Step8：计算偏差e(k)，如果e(k)小于设定指标，则转到最后一步；

Step9：通过最小化广义预测性能指标，计算Δu(k)；

Step10：计算ω₀(k)、ω₁(k)、ω₂(k)，并计算主、副回路控制PID参数；

Step11：k→k+1，返回Step5，循环运算。

Claims (5)

1.一种火力发电厂超超临界机组的主汽温预测控制方法，其特征是：包括分层的控制结构，由底层直接控制层和上层指导优化层两个控制层次构成，上层指导优化层实现模型参数辨识、预测优化和PID参数整定控制；底层直接控制层为串级系统结构，包括主、副两个回路控制，直接控制面向DCS系统的PID控制器。

2.根据权利要求1所述的火力发电厂超超临界机组的主汽温预测控制方法，其特征是：所述的底层直接控制层引入广义控制算法，t时刻的性能指标为以下形式

$\min J\left(t\right)=E\{\underset{J=N_1}{\overset{N_2}{\mathrm{\&Sigma;}}}{[y(t+j)-\mathrm{\&omega;}(t+j)]}^2+\underset{j=1}{\overset{N_u}{\mathrm{\&Sigma;}}}\mathrm{\&lambda;}\left(j\right){\left[\mathrm{\&Delta;u}(t+j-1)\right]}^2\}$

式中，E{·}表示数学期望；N₁和N₂分别为优化时域的起始和终止时刻；N_u表示控制时域，在经过N_u步后控制量不再变化；λ(j)为大于零的加权系数，取为常数；ω(j)对象输出的期望值，为进行柔化控制，即跟踪参考轨迹，由下式产生

ω(k+j)＝α^jy(k)+(1-α^j)y_rj＝1,2,…,n

式中，yr为输出设定值；y(k)为输出值；α为柔化因子，0＜α＜1；

所述的上层优化控制保留了广义控制算法中的优化性能指标，经变换得到最优控制序列

$\mathrm{\&Delta;u}\left(k\right)=\left[\begin{array}{c}\mathrm{\&Delta;u}\left(k\right)\\ \mathrm{\&Delta;u}(k+1)\\ .\\ .\\ .\\ \mathrm{\&Delta;u}(k+N_u-1)\end{array}\right]=\left[\begin{array}{c}{W}^T\left(k\right)e_1\left(k\right)\\ W^T(k+1)e_2(k+1)\\ .\\ .\\ .\\ W^T(k+N_u-1)e_{N_u}(k+N_u-1)\end{array}\right]=\hat{e}\hat{W}$

式中，

$\hat{e}={\left[\begin{array}{cccccccccc}{e}_1\left(k\right)& e_1(k-1)& e_1(k-2)& 0& 0& 0& ...& 0& 0& 0\\ & & & & & & .& & & \\ 0& 0& 0& e_2\left(k\right)& e_2(k-2)& & .& 0& 0& 0\\ & & & & & & .& & & \\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ 0& 0& 0& 0& 0& 0& ...& e_{N_u\left(k\right)}& e_{N_u}(k-1)& e_{N_u}(k-2)\end{array}\right]}_{N_u\&times;{2N}_u,}$

$\hat{W}=\left[\begin{array}{c}W\left(k\right)\\ W(k+1)\\ .\\ .\\ .\\ W(k+N_u-1)\end{array}\right]={\left[\begin{array}{c}{\left[\begin{array}{ccc}{w}_0\left(k\right)& w_1\left(k\right)& w_2\left(k\right)\end{array}\right]}^T\\ {\left[\begin{array}{ccc}{w}_0(k+1)& w_1(k+1)& w_2(k+1)\end{array}\right]}^T\\ .\\ .\\ .\\ {\left[\begin{array}{ccc}{w}_0(k+N_u-1)& w_1(k+N_u-1)& w_2(k+N_u-1)\end{array}\right]}^T\end{array}\right]}_{{3N}_u\&times;1;}$

系统只取当前时刻的控制变量Δu(k)，从而可以计算得到最优的PID控制器参数为

$\left\{\begin{array}{c}{k}_p\left(k\right)=w_1\left(k\right)+{2w}_2\left(k\right)\\ k_i\left(k\right)=w_0\left(k\right)-w_1\left(k\right)-\\ k_d\left(k\right)=w_2\left(k\right)\end{array}{3w}_2\left(k\right)\right..$

3.根据权利要求2所述的火力发电厂超超临界机组的主汽温预测控制方法，其特征是：所述的上层指导优化层模型参数辨识控制中，主汽温被控对象模型参数采用带遗忘因子的递推最小二乘法完成辨识过程，每经过N_p采样时间，辨识的参数矩阵完成一次自动更新，辨识过程随时间滚动进行；

采样获得的实时数据形成一个滚动窗口，采样空间设为N_d，则可计p＝N_d/N_p，p为整数比值，且N_d＞N_p，滚动窗口下的主汽温被控对象模型参数FFRLS辨识流程包括以下步骤：

Step1：设置采样空间N_d和采样时间N_p，并保证N_d/N_p为整数，N_d＞N_p；

Step2：确定初始值

和P(0)，并设置遗忘因子ρ，获得初始数据；

Step3：采样获得当前输出y(k)和输入u(k)，并保存到滚动窗口数据向量；

Step4：利用FFRLS得到K(k)、

和P(k)；

Step5：k→k+1，返回Step2，在滚动窗口下循环运算；

采用FFRLS在滚动窗口下实时估计主汽温被控对象模型参数后，可以将辨识结果传递给预测优化控制，进行下一步运算。

4.根据权利要求3所述的火力发电厂超超临界机组的主汽温预测控制方法，其特征是：所述的上层指导优化层预测优化控制采用软开关启用策略来控制上层优化算法的启用和关闭，在变工况下主要分为以下两类情况：上层指导优化算法的软启用策略可以用数学函数的形式表达为

$s=\left\{\begin{array}{cccc}1& 0<\left|\mathrm{\&Delta;P}\right|\&le;{\mathrm{\&delta;p}}_s& \mathrm{and}& \left|e\right|\&le;{\mathrm{\&delta;e}}_s\\ 2& \left|\mathrm{\&Delta;P}\right|>{\mathrm{\&delta;p}}_s& \mathrm{or}& \left|e\right|>{\mathrm{\&delta;e}}_s\end{array}\right.$

式中，S为软开关启动状态；|ΔP|为负荷变化量；|e|为主回路控制偏差大小；δp_s为设定的工况临界值；δe_s为偏差临界值；

工况范围变化较小（0＜|ΔP|≤δp_s）且控制品质未发生较大改变（|e|≤δe_s）时，主汽温被控对象模型变化较小，此时仍可以采用前时刻整定得到的PID参数，但为防止工况变化和控制品质改变时PID参数不适应控制需求等情况，需要启用对象模型辨识模块（S＝1）；

工况发生大范围变化（|ΔP|＞δp_s）或控制品质发生较大改变（|e|＞δe_s）时，导致主汽温被控对象模型发生改变，原来的PID参数无法满足控制需求，则需要完全启用上层优化算法（S＝2），上层优化算法的软开关启用策略是针对主回路控制设计的，对于随动控制的副回路控制不适宜频繁的辨识对象模型和整定控制器参数。

5.根据权利要求3所述的火力发电厂超超临界机组的主汽温预测控制方法，其特征是：所述的上层指导优化层PID参数整定控制在进行参数寻优时，对于底层的主、副两个回路控制分开进行，建立基于遗传算法优化的参数整定数学模型，包括目标函数和约束条件两个部分，主回路控制的PID参数整定数学模型如下：

$\min J_1\left(t\right)=E\{\underset{J=N_{11}}{\overset{N_{12}}{\mathrm{\&Sigma;}}}{[y_1(t+j)-{\mathrm{\&omega;}}_1(t+j)]}^2+\underset{j=1}{\overset{N_{1u}}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_1\left(j\right){\left[{\mathrm{\&Delta;u}}_1(t+j-1)\right]}^2\}$

u_1min≤u₁(t+j)≤u_1max

Δu_1min≤Δu₁(t+j)≤Δu_1max

式中，下标1表示主回路控制参数；J₁为主回路控制广义预测优化指标；

为主回路控制PID参数向量；S₁为主回路控制PID参数的自定义区域，副回路控制的PD参数整定数学模型如下

$\min J_2\left(t\right)=E\{\underset{J=N_{21}}{\overset{N_{22}}{\mathrm{\&Sigma;}}}{[y_2(t+j)-{\mathrm{\&omega;}}_2(t+j)]}^2+\underset{j=1}{\overset{N_{2u}}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_2\left(j\right){\left[{\mathrm{\&Delta;u}}_2(t+j-1)\right]}^2\}$

$s.t.{\widehat{\mathrm{\&kappa;}}}_2\&Element;s_2$

u_2min≤u₂(t+j)≤u_2max

Δu_2min≤Δu₂(t+j)≤Δu_2max

式中，下标2表示副回路控制参数；J₂为副回路控制广义预测优化指标；

为副回路控制PD参数向量；S₂为副回路控制PD参数的自定义区域。

Images