CN103322553B - 一种火电机组过热汽温多模型扰动估计预测控制方法 - Google Patents
一种火电机组过热汽温多模型扰动估计预测控制方法 Download PDFInfo
- Publication number
- CN103322553B CN103322553B CN201310279686.8A CN201310279686A CN103322553B CN 103322553 B CN103322553 B CN 103322553B CN 201310279686 A CN201310279686 A CN 201310279686A CN 103322553 B CN103322553 B CN 103322553B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mmultiscripts
- steam temperature
- superheated steam
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 239000007921 spray Substances 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000003321 amplification Effects 0.000 claims description 39
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000005507 spraying Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 abstract 1
- 238000001816 cooling Methods 0.000 abstract 1
- 230000000737 periodic effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种火电机组过热汽温多模型扰动估计预测控制方法,它以过热汽温系统为被控对象,减温喷水流量为系统控制输入量,过热汽温为系统输出,基于被控对象状态空间模型,建立多种扰动模型分别扩增系统状态,构成扰动模型集。扰动模型集中的各子模型通过加权平均,拟合不可测扰动对系统输出的影响。运用预测控制思想,每一步进行一次优化求解获得最佳系统控制输入量。本发明采用的多模型扰动估计预测控制方法,相比一般的预测控制算法能够更加有效地抑制不可测扰动,维持汽温稳定在设定值附近。当无不可测扰动时,本发明与普通预测控制算法等效,具有较好的跟踪调节性能。
Description
技术领域
本发明涉及一种过热汽温系统的优化控制方法,尤其涉及一种火电机组过热汽温抗不可测扰动的多模型扰动估计预测控制方法,属于热工自动控制技术。
背景技术
过热汽温直接关系到火电机组运行的安全性和经济性,是机组运行过程中需要重点监控的过程参数之一。
由于过热器管道较长,汽温被控对象存在较大的惯性和迟延,导致传统控制方法往往难以取得满意的控制效果。近年来预测控制算法在电站汽温控制系统应用中取得一定成效。然而基于模型的预测控制算法在应对诸如煤质变化引起的烟气侧不可测扰动时,由于缺乏对不可测扰动的建模,控制效果并不理想。目前大多数多模型预测控制器主要为了解决机组大范围工况变动的非线性,未考虑通过扰动建模主动抗干扰。
多模型扰动估计预测控制算法基于过热汽温对象状态空间模型建立多类扰动模型扩增系统状态,构成多个扩增系统模型。模型簇中的各子系统模型通过贝叶斯概率加权平均得到输出,能够拟合不可测扰动对系统输出的影响。
本发明充分运用预测控制思想,每一步进行一次优化求解获得最佳减温喷水控制输入量。仿真结果表明,本发明中的算法相比一般的预测控制算法能够更加有效地抑制不可测扰动,维持过热汽温稳定在设定值附近。当无不可测扰动时,该算法与普通预测控制算法等效,具有较好的设定值跟踪和调节性能。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种火电机组过热汽温多模型扰动估计预测控制方法,能够有效抑制过程不可测扰动,提高过热汽温的调节品质。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种火电机组过热汽温多模型扰动估计预测控制方法,包括如下步骤:
(1)在稳态工况下,将过热汽温系统切换到手动状态,以减温喷水流量为输入进行过热汽温的开环阶跃响应试验,利用两点法求出过热汽温对减温喷水流量的传递函数W(s)(℃/(kg/s));
(2)根据线性系统理论的系统实现方法,将过热汽温对减温喷水流量的传递函数W(s)(℃/(kg/s))转换为系统状态空间模型 其中[A,B,C,D]为系统矩阵,x为过热汽温系统的状态,y为过热汽温系统的输出,u为预测控制器的输出;
(3)建立n种类型扰动模型分别扩增过热汽温系统状态,得到n个扩增系统状态模型[iAa,iBa,iCa,iDa],其中iDa=0,i=1,2,…,n,所述扩增系统状态空间模型的结构如式(1)和式(2)所示:
其中,表示k时刻扩增的状态向量,包括两个子向量ixk和 ixk表示k时刻过热汽温系统原有的状态向量,表示k时刻第i个扰动模型的扰动、扰动变化率或周期的状态;ωk-1表示k-1时刻过程噪声,vk表示k时刻输出噪声;
采用式(3)和式(4)简洁表达式(1)和式(2)为:
其中代表 iAa代表 iBa代表 iCa代表[iC1 iC2];
(4)采用卡尔曼滤波方法对n个扩增系统状态模型分别进行状态估计,如式(5)、式(6)和式(7):
在状态未知情况下,首先使用式(5)和式(7)预估状态和输出再通过式(6)由实际输出yk和预估输出间的误差来矫正过热汽温系统状态得到新的预估状态和输出状态估计增益矩阵iLk通过求解Riccati方程获得,Riccati方程中的Qi代表输入噪声项的协方差,Ri代表输出噪声项的协方差,卡尔曼滤波参数Qi/Ri为预测控制器的一个调节参数;
(5)采用贝叶斯概率加权方法对n个扩增系统状态模型进行加权平均,获得过热汽温的P步平均预测值,应用预测控制算法计算最佳减温喷水流量,将计算得到的最佳减温喷水流量作为过热汽温系统的控制输入量,具体包括如下步骤:
(51)根据预估输出通过式(8)计算实际输出yk与预估输出间的偏差iεk,并根据偏差iεk计算各个扩增系统状态模型的权重iwk:
(52)通过递推贝叶斯公式计算各扰动模型与过热汽温系统的匹配概率,通过上一时刻的匹配概率iρk-1递推获得当前时刻的匹配概率iρk,如式(9):
设定下限值δ,当上一时刻的匹配概率iρk-1低于下限值δ时,以下限值δ置换iρk-1后带入式(9)进行iρk计算;贝叶斯概率加权矩阵iΛ为预测控制器的一个调节参数;
(53)对各扰动模型与热汽温系统的匹配概率进行规格化处理,如式(10):
(55)根据式(11)计算过热汽温的P步平均预测值:
其中表示第i个扩增系统状态模型的预测输出值,iwk表示第i个扩增系统状态模型的权值,为所有扩增系统状态模型的平均预测输出值,j=1,2,…,P;
(56)计算减温喷水流量控制量增量Δuk,取式(12)性能指标函数式:
其中,Ysp为过热汽温设定值,为过热汽温的P步平均预测矩阵, Wy为误差权矩阵和Wu为控制量权矩阵;
每一采样时刻进行一次式(12)的优化计算,获得m时域的最佳系统控制输入增量ΔUopt=[Δuk,Δuk+1,…,Δuk+m-1]T;只以当前时刻的控制输入增量Δuk对当前过热汽温系统实施控制,计算减温喷水流量控制量uk,如式(13):
uk=uk-1+Δuk (13)
(6)设置预测控制器的调节参数,包括采样时间Ts、预测步数P、减温喷水流量控制步数M、输出误差权矩阵Wy、控制权矩阵Wu、n个扩增系统状态模型对应的卡尔曼滤波参数Qi/Ri和贝叶斯概率加权矩阵Λi,i=1,2,…,n;
(7)向过热汽温系统输入减温喷水流量控制量uk,获得热汽温系统实际输出yk。
重复步骤(4)~(7)实现连续控制。
所述步骤(6)中,Ts可以用经验规则T95/Ts=5~15来选取,其中,T95为过渡过程上升到95%的调节时间;P选为近似等于过热汽温阶跃响应的上升时间;Qi/Ri一般根据扰动模型形式和对象特性选取,通常阶跃输入扰动模型的Q/R值介于周期性扰动与斜坡扰动之间,斜坡扰动的Q/R值一般最小。
有益效果:本发明提供的火电机组过热汽温多模型扰动估计预测控制方法,与现有技术相比具有以下优点:具有多模型建立方便、建模工作量小、控制算法计算量小;能够延续预测控制,便于处理大惯性、纯滞后对象,在此基础上进行的过程扰动建模,获得了比一般预测控制算法更优的抗干扰能力,能够在过程不可测干扰作用情况下,快速估计并抑制扰动对系统的影响;应用于电站过热汽温系统能够有效抑制干扰,确保汽温稳定在设定值附近;同时该方法具有一般预测控制器同等的设定值跟踪调节能力,总体提高了过热汽温的调节品质。
附图说明
图1为本发明的系统结构框图;
图2为本发明的对象多模型扰动估计预测控制算法框图;
图3为本发明与普通测测控制算法在无干扰情况下,汽温设定值变化时的控制效果对比图;
图4为本发明与普通测测控制算法在存在负荷侧斜坡输入不可测扰动时的控制效果对比图;
图5为本发明与普通测测控制算法在过热汽温受负荷侧周期性输入不可测扰动时的控制效果对比图;
图6为本发明与普通测测控制算法在过热汽温同时受负荷侧和燃料侧两种类型不可测扰动时的控制效果对比图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种火电机组过热汽温多模型扰动估计预测控制方法,通过设计多个包含不同扰动模型的扩增系统模型,采用卡尔曼滤波方法估计扩增系统状态,通过贝叶斯概率加权方法计算平均预测输出值,每一采样时刻由预测控制优化算法计算最佳减温喷水量,使系统能够及时有效抑制不可测干扰,同时算法在无扰情况下,与普通预测控制器具有同等的设定值跟踪和调节能力,本发明总体提高了过热汽温的调节品质。该方法包括如下步骤:
一种火电机组过热汽温多模型扰动估计预测控制方法,包括如下步骤:
(1)在稳态工况下,将过热汽温系统切换到手动状态,以减温喷水流量为输入进行过热汽温的开环阶跃响应试验,利用两点法求出过热汽温对减温喷水流量的传递函数W(s)(℃/(kg/s));
(2)根据线性系统理论的系统实现方法,将过热汽温对减温喷水流量的传递函数W(s)(℃/(kg/s))转换为系统状态空间模型 其中[A,B,C,D]为系统矩阵,x为过热汽温系统的状态,y为过热汽温系统的输出,u为预测控制器的输出;
(3)建立n种类型扰动模型分别扩增过热汽温系统状态,得到n个扩增系统状态模型[iAa,iBa,iCa,iDa],其中iDa=0,i=1,2,…,n,所述扩增系统状态空间模型的结构如式(1)和式(2)所示:
其中,表示k时刻扩增的状态向量,包括两个子向量ixk和 ixk表示k时刻过热汽温系统原有的状态向量,表示k时刻第i个扰动模型的扰动、扰动变化率或周期的状态;ωk-1表示k-1时刻过程噪声,vk表示k时刻输出噪声;
采用式(3)和式(4)简洁表达式(1)和式(2)为:
其中代表 iAa代表 iBa代表 iCa代表[iC1 iC2];
(4)采用卡尔曼滤波方法对n个扩增系统状态模型分别进行状态估计,如式(5)、式(6)和式(7):
在状态未知情况下,首先使用式(5)和式(7)预估状态和输出再通过式(6)由实际输出yk和预估输出间的误差来矫正过热汽温系统状态得到新的预估状态和输出状态估计增益矩阵iLk通过求解Riccati方程获得,Riccati方程中的Qi代表输入噪声项的协方差,Ri代表输出噪声项的协方差,卡尔曼滤波参数Qi/Ri为预测控制器的一个调节参数;
(5)采用贝叶斯概率加权方法对n个扩增系统状态模型进行加权平均,获得过热汽温的P步平均预测值,应用预测控制算法计算最佳减温喷水流量,将计算得到的最佳减温喷水流量作为过热汽温系统的控制输入量,具体包括如下步骤:
(51)根据预估输出通过式(8)计算实际输出yk与预估输出间的偏差iεk,并根据偏差iεk计算各个扩增系统状态模型的权重iwk:
(52)通过递推贝叶斯公式计算各扰动模型与过热汽温系统的匹配概率,通过上一时刻的匹配概率iρk-1递推获得当前时刻的匹配概率iρk,如式(9):
设定下限值δ,当上一时刻的匹配概率iρk-1低于下限值δ时,以下限值δ置换iρk-1后带入式(9)进行iρk计算;贝叶斯概率加权矩阵iΛ为预测控制器的一个调节参数;
(53)对各扰动模型与热汽温系统的匹配概率进行规格化处理,如式(10):
(55)根据式(11)计算过热汽温的P步平均预测值:
其中表示第i个扩增系统状态模型的预测输出值,iwk表示第i个扩增系统状态模型的权值,为所有扩增系统状态模型的平均预测输出值,j=1,2,…,P;
(56)计算减温喷水流量控制量增量Δuk,取式(12)性能指标函数式:
其中,Ysp为过热汽温设定值,为过热汽温的P步平均预测矩阵, Wy为误差权矩阵和Wu为控制量权矩阵;
每一采样时刻进行一次式(12)的优化计算,获得m时域的最佳系统控制输入增量ΔUopt=[Δuk,Δuk+1,…,Δuk+m-1]T;只以当前时刻的控制输入增量Δuk对当前过热汽温系统实施控制,计算减温喷水流量控制量uk,如式(13):
uk=uk-1+Δuk (13)
(6)设置预测控制器的调节参数,包括采样时间Ts、预测步数P、减温喷水流量控制步数M、输出误差权矩阵Wy、控制权矩阵Wu、n个扩增系统状态模型对应的卡尔曼滤波参数Qi/Ri和贝叶斯概率加权矩阵Λi,i=1,2,…,n;Ts可以用经验规则T95/Ts=5~15来选取,其中,T95为过渡过程上升到95%的调节时间;P选为近似等于过热汽温阶跃响应的上升时间;Qi/Ri一般根据扰动模型形式和对象特性选取,通常阶跃输入扰动模型的Q/R值介于周期性扰动与斜坡扰动之间,斜坡扰动的Q/R值一般最小;
(7)向过热汽温系统输入减温喷水流量控制量uk,获得热汽温系统实际输出yk;
(8)重复步骤(4)~(7)实现连续控制。
由于两级减温喷水的控制都采用相同的控制策略,两者的设计过程基本相同,因此下面重点以二级减温控制为例进行说明。具体步骤为:
(1)在稳态工况下,获得以二级减温喷水量为输入,二级过热汽温为输出的单入单出系统状态空间模型 其系数矩阵[A,B,C]分别:A=[0.9858,0.0001;0.0002,0.9994];B=[0.0009;-0.0020];C=[0,1];
(2)选取工业过程控制中四类常见扰动,分别建立扰动模型估计实际过程中的不可测扰动。四种扰动模型的表达式如下:
扰动模型一:输出扰动模型,如式(14-16)
xk=Axk-1+Buk-1 (14)
dk=dk-1+ωk-1 (15)
yk=Cxk+dk+vk (16)
扰动模型二:阶跃输入扰动模型,如式(17-19)
xk=Axk-1+Buk-1+Bddk-1 (17)
dk=dk-1+ωk-1 (18)
yk=Cxk+vk (19)
扰动模型三:斜坡输入扰动模型,如式(20-23)
xk=Axk-1+Buk-1+Bddk-1 (20)
dk=dk-1+Δdk-1 (21)
Δdk=Δdk-1+ωk-1(22)
yk=Cxk+vk (23)
说明:dk为待估计的扰动量,Δdk为扰动变化速率的估计值,表示斜坡扰动是以固定增速率进入系统的。
扰动模型四:周期性输入扰动模型,周期性扰动通常以连续函数模型表示,如式(24)
其中a表示周期性扰动的频率,d*表示扰动源。上述微分方程表示成状态空间方程的形式如式(25)
在取定采样时间Ts后,将上述模型离散化得到式(26)
扰动源d*可根据具体应用过程进行设置。
综上,四种扰动模型可以由如式(1-2)相同的模型结构表示
扩增的状态向量由两个子向量组成:ixk系统模型原有的状态向量,表示扰动模型簇中第i类模型的扰动、扰动变化率或周期的状态。
上述模型可以写成如式(3-4)所示简洁的表达形式
其中代表 iAa代表 iBa代表 iCa代表[iC1 iC2]。
故扩增系统参数矩阵分别为:
输出扰动扩增模型系数矩阵为
1Aa=[0.9858,0.0001,0;0.0002,0.9994,0;0,0,1.0000];
1Ba=[0.0009;-0.0020;0];
1Ca=[0,1,1];
阶跃输入扰动扩增模型系数矩阵为
2Aa=[0.9858,0.0001,0.0009;0.0002,0.9994,-0.0020;0,0,1.0000];
2Ba=[0.0009;-0.0020;0];
2Ca=[0,1,0];
斜坡输入扰动扩增模型系数矩阵为
3Aa=[0.9858,0.0001,0.0009,0;0.0002,0.9994,-0.0020,0;0,0,1.0000,1.0000;0,0,0,1.0000];
3Ba=[0.0009;-0.0020;0;0];
3Ca=[0,1,0,0];
周期性输入扰动扩增模型系数矩阵为
aAa=[0.9858,0.0001,0.0009,0,0;0.0002,0.9994,-0.0020,0,0;0,0,0.9921,0.1253,0.0079;0,0,-0.1253,0.9921,0.1253;0,0,0,0,1.0000];
4Ba=[0.0009;-0.0020;0;0;0];
4Ca=[0,1,0,0,0];
(3)采用卡尔曼滤波方法对n个扩增模型分别进行状态估计,如式(5-7):
在未知状态测量值的的情况下首先预估扩增系统状态和输出获得系统实际输出yk后,再由实际输出和输出估计值间的误差矫正系统状态得到新的状态估计值和输出估计值四个扩增系统状态估计的关键在于获得观测器增益矩阵iLk。对于输出扰动模型,iLk等价于非周期观测器,取为L1=[0,0,1]。其余3个模型的iLk均可通过求解Riccati方程获得。Riccati方程中的Qi和Ri分别代表输入输出噪声项的协方差。这里取阶跃、斜坡、周期性输入扰动模型的Q/R值分别为100,2,20。
(4)对4个模型采用贝叶斯概率加权方法进行加权平均,获得平均预测输出值,应用预测控制算法计算最佳减温喷水量,其算法过程如下:
得到各子模型的输出估计值如式(8-10)分别计算实际输出值yk与估计值间的偏差iεk,以此为基础计算各子模型的权重iwk。
扰动模型簇中各子模型与实际对象的匹配概率可通过递推贝叶斯公式进行计算。由上一时刻的模型匹配概率iρk-1递推获得当前时刻的概率iρk,如式(9)。
实际应用中协方差矩阵iΛ未知,因此将iΛ作为调节参数。由于上述概率计算是递推形式,当前时刻的值由上一时刻获得。若某一时刻概率计算值为0,则之后时刻的概率计算无效。因此设定一个下限δ,所有低于该限值的概率均被置为δ。对扰动模型簇中的概率进行规格化处理,便于后续预测控制算法的实现。规格化公式如式(10)
(5)设置控制器相关参数,取采样时间Ts为0.5,预测步数P为50,减温水调门控制步数M为3,输出误差权矩阵Wy=I50,控制权矩阵Wu=I3。
(6)系统的P步平均预测输出值由式(11)线性平均模型获得
其中和iwk分别表示扰动模型簇中第i个子模型的预测输出值和权值,为扰动模型簇的平均预测输出值。
(7)计算减温喷水阀门控制量增量Δuk,取式(12)性能指标函数式:
每一采样时刻进行一次优化计算,获得m时域的最优控制输出增量[Δuk,Δuk+1,…,Δuk+m-1]T。只有当前时刻的控制输入增量Δuk对系统实施控制。计算减温水调门控制量,如式(13)。
uk=uk-1+Δuk (13)
(8)输出减温水调门控制量uk,获得汽温控制系统实际汽温输出值yk,重复(3)到(8)步。
如图3所示,过热汽温设定值阶跃增加5℃情况下,MDMPC代表本发明对过热汽温系统的优化控制效果曲线,MPC代表普通预测控制器的控制效果曲线。从图3可以看出,两条控制曲线基本重合,说明本发明具有普通预测控制器同等的设定值跟踪和调节能力。如图4所示,当负荷侧有斜坡扰动进入过热汽温系统时,本发明能够快速识别扰动类型为斜坡型,提前动作减温喷水,得到比普通预测控制器更小的过热汽温动态和稳态偏差。如图5所示,当负荷侧有周期性扰动进入过热汽温系统时,本发明能够快速识别扰动类型为周期型。当与普通预测控制器获得基本一致的控制效果时,本发明能够预测扰动提前动作减温喷水,在调节过程中的控制量波动小,能够有效延长阀门设备使用寿命。如图6所示,当存在负荷侧周期性扰动和燃料侧斜坡扰动同时进入过热汽温系统时,本发明能够快速识别两种扰动类型,得到比普通预测控制器更小的过热汽温动态和稳态偏差,提高了过热汽温的调节品质。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种火电机组过热汽温多模型扰动估计预测控制方法,其特征在于:包括如下步骤:
(1)在稳态工况下,将过热汽温系统切换到手动状态,以减温喷水流量为输入进行过热汽温的开环阶跃响应试验,利用两点法求出过热汽温对减温喷水流量的传递函数W(s)(℃/(kg/s));
(2)根据线性系统理论的系统实现方法,将过热汽温对减温喷水流量的传递函数W(s)(℃/(kg/s))转换为系统状态空间模型 其中[A,B,C,D]为系统矩阵,x为过热汽温系统的状态,y为过热汽温系统的输出,u为预测控制器的输出;
(3)建立n种类型扰动模型分别扩增过热汽温系统状态,得到n个扩增系统状态模型[iAa,iBa,iCa,iDa],其中iDa=0,i=1,2,…,n,所述扩增系统状态空间模型的结构如式(1)和式(2)所示:
其中,表示k时刻扩增的状态向量,包括两个子向量ixk和 ixk表示k时刻过热汽温系统原有的状态向量,表示k时刻第i个扰动模型的扰动、扰动变化率或周期的状态;ωk-1表示k-1时刻过程噪声,vk表示k时刻输出噪声;
采用式(3)和式(4)简洁表达式(1)和式(2)为:
其中代表 iAa代表 iBa代表 iCa代表[iC1 iC2];
(4)采用卡尔曼滤波方法对n个扩增系统状态模型分别进行状态估计,如式(5)、式(6)和式(7):
在状态未知情况下,首先使用式(5)和式(7)预估状态和输出再通过式(6)由实际输出yk和预估输出间的误差来矫正过热汽温系统状态得到新的预估状态和输出状态估计增益矩阵iLk通过求解Riccati方程获得,Riccati方程中的Qi代表输入噪声项的协方差,Ri代表输出噪声项的协方差,卡尔曼滤波参数Qi/Ri为预测控制器的一个调节参数;
(5)采用贝叶斯概率加权方法对n个扩增系统状态模型进行加权平均,获得过热汽温的P步平均预测值,应用预测控制算法计算最佳减温喷水流量,将计算得到的最佳减温喷水流量作为过热汽温系统的控制输入量,具体包括如下步骤:
(51)根据预估输出,通过式(8)计算实际输出yk与预估输出间的偏差iεk,并根据偏差iεk计算各个扩增系统状态模型的权重iwk:
(52)通过递推贝叶斯公式计算各扰动模型与过热汽温系统的匹配概率,通过上一时刻的匹配概率iρk-1递推获得当前时刻的匹配概率iρk,如式(9):
设定下限值δ,当上一时刻的匹配概率iρk-1低于下限值δ时,以下限值δ置换iρk-1后带入式(9)进行iρk计算;贝叶斯概率加权矩阵iΛ为预测控制器的一个调节参数;
(53)对各扰动模型与热汽温系统的匹配概率进行规格化处理,如式(10):
(55)根据式(11)计算过热汽温的P步平均预测值:
其中表示第i个扩增系统状态模型的预测输出值,iwk表示第i个扩增系统状态模型的权值,为所有扩增系统状态模型的平均预测输出值,j=1,2,…,P;
(56)计算减温喷水流量控制量增量Δuk,取式(12)性能指标函数式:
其中,Ysp为过热汽温设定值,为过热汽温的P步平均预测矩阵, Wy为误差权矩阵和Wu为控制量权矩阵;
每一采样时刻进行一次式(12)的优化计算,获得m时域的最佳系统控制输入增量ΔUopt=[Δuk,Δuk+1,…,Δuh+m-1]T;只以当前时刻的控制输入增量Δuk对当前过热汽温系统实施控制,计算减温喷水流量控制量uk,如式(13):
uk=uk-1+Δuk (13)
(6)设置预测控制器的调节参数,包括采样时间Ts、预测步数P、减温喷水流量控制步数M、输出误差权矩阵Wy、控制权矩阵Wu、n个扩增系统状态模型对应的卡尔曼滤波参数Qi/Ri和贝叶斯概率加权矩阵Λi,i=1,2,…,n;
(7)向过热汽温系统输入减温喷水流量控制量uk,获得热汽温系统实际输出yk。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310279686.8A CN103322553B (zh) | 2013-07-04 | 2013-07-04 | 一种火电机组过热汽温多模型扰动估计预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310279686.8A CN103322553B (zh) | 2013-07-04 | 2013-07-04 | 一种火电机组过热汽温多模型扰动估计预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103322553A CN103322553A (zh) | 2013-09-25 |
CN103322553B true CN103322553B (zh) | 2015-03-04 |
Family
ID=49191472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310279686.8A Expired - Fee Related CN103322553B (zh) | 2013-07-04 | 2013-07-04 | 一种火电机组过热汽温多模型扰动估计预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103322553B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014205629B4 (de) * | 2014-03-26 | 2023-08-03 | Siemens Energy Global GmbH & Co. KG | Mehrgrößenzustandsregelung für einen Dampferzeuger eines Dampfkraftwerks |
DE102014205627B3 (de) * | 2014-03-26 | 2015-06-18 | Siemens Aktiengesellschaft | Zustandsbeobachter für einen Dampferzeuger eines Dampfkraftwerks |
CN104656448B (zh) * | 2015-01-16 | 2017-09-26 | 东南大学 | 一种基于解耦和扰动观测的超临界机组预测控制方法 |
CN104699064B (zh) * | 2015-03-20 | 2017-03-08 | 东南大学 | 一种火电机组协调控制系统的煤质自校正预测控制方法 |
CN105299612A (zh) * | 2015-11-05 | 2016-02-03 | 吉林省电力科学研究院有限公司 | 基于多模型切换的主蒸汽温度控制方法及控制系统 |
CN106647255B (zh) * | 2016-09-29 | 2019-10-11 | 国电科学技术研究院有限公司 | 按设定误差性能指标函数收敛的火电机组协调控制方法 |
CN106610587A (zh) * | 2016-12-28 | 2017-05-03 | 中国电力科学研究院 | 一种温度多模型预测函数控制方法及装置 |
CN106773712B (zh) * | 2017-01-17 | 2019-11-12 | 东南大学 | 双反馈鲁棒自适应控制方法及其控制系统结构 |
CN107842908B (zh) * | 2017-09-26 | 2020-01-03 | 国网浙江省电力公司杭州供电公司 | 一种基于环境参数补偿的实时供热负荷控制方法 |
CN107479389B (zh) * | 2017-09-30 | 2020-04-14 | 东南大学 | 一种火电机组过热汽温预测模糊自适应pid控制方法 |
WO2021042339A1 (zh) * | 2019-09-05 | 2021-03-11 | 阿里巴巴集团控股有限公司 | 散热控制与模型训练方法、设备、系统及存储介质 |
CN115390459B (zh) * | 2022-10-28 | 2023-06-02 | 浙江中控技术股份有限公司 | 模型预测控制方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0694210A (ja) * | 1992-09-16 | 1994-04-05 | Babcock Hitachi Kk | ボイラの蒸気温度制御装置 |
US8904972B2 (en) * | 2008-09-29 | 2014-12-09 | General Electric Company | Inter-stage attemperation system and method |
CN101893232B (zh) * | 2010-06-24 | 2012-02-01 | 东南大学 | 火电机组再热汽温改进受限广义预测控制方法 |
CN102401371B (zh) * | 2011-12-06 | 2014-07-09 | 东南大学 | 一种基于多变量预测控制的再热汽温优化控制方法 |
CN102777879B (zh) * | 2012-07-06 | 2014-04-02 | 广东电网公司电力科学研究院 | 一种火力发电厂超超临界机组的主汽温预测控制方法 |
CN103134046B (zh) * | 2013-02-22 | 2014-10-29 | 东南大学 | 一种火电机组过热汽温两级协调预测控制方法 |
-
2013
- 2013-07-04 CN CN201310279686.8A patent/CN103322553B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103322553A (zh) | 2013-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103322553B (zh) | 一种火电机组过热汽温多模型扰动估计预测控制方法 | |
Li et al. | Offset-free fuzzy model predictive control of a boiler–turbine system based on genetic algorithm | |
Garcia-Gabin et al. | Real-time implementation of a sliding mode controller for air supply on a PEM fuel cell | |
CN102494336B (zh) | 一种循环流化床锅炉燃烧过程多变量控制方法 | |
Zhang et al. | Cascade control of superheated steam temperature with neuro-PID controller | |
CN104154635B (zh) | 基于模糊pid与预测控制算法的变风量室温控制方法 | |
Liu et al. | Nonlinear fuzzy model predictive iterative learning control for drum-type boiler–turbine system | |
CN104122797B (zh) | 一种新型火电机组负荷多变量预测控制方法 | |
CN102841539B (zh) | 基于多模型预测控制的亚临界协调控制方法 | |
Zhao et al. | A nonlinear industrial model predictive controller using integrated PLS and neural net state-space model | |
Kong et al. | Disturbance-observer-based fuzzy model predictive control for nonlinear processes with disturbances and input constraints | |
CN102841540A (zh) | 基于多模型预测控制的超临界机组协调控制方法 | |
CN110501909B (zh) | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 | |
Prasad et al. | Plant-wide predictive control for a thermal power plant based on a physical plant model | |
Chen et al. | Anti-disturbance control of oxygen feeding for vehicular fuel cell driven by feedback linearization model predictive control-based cascade scheme | |
CN106249599A (zh) | 一种基于神经网络预测的网络化控制系统故障检测方法 | |
CN107270283B (zh) | 一种基于循环流化床机组的多变量约束预测控制方法 | |
Wang et al. | Stochastic configuration network based cascade generalized predictive control of main steam temperature in power plants | |
CN106707756B (zh) | 融合扩张观测器的超临界火电机组机炉协调控制方法 | |
CN106530118A (zh) | 多区互联电力系统负荷频率的约束gpc优化控制方法 | |
Liu et al. | A hybrid receding horizon optimization and active disturbance rejection control of boiler superheated steam temperature | |
Lian | Main steam temperature control based on variable universe fuzzy dynamic matrix control | |
Li et al. | Passivity-based adaptive inventory control | |
CN114383130B (zh) | 锅炉过热汽温度控制方法、装置、设备及存储介质 | |
Wang et al. | Model-based predictive control for spatially-distributed systems using dimensional reduction models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150304 Termination date: 20170704 |