CN104865830A - 一种机组负荷双重智能优化控制方法 - Google Patents

Abstract

一种机组负荷双重智能优化控制方法，首先建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，并利用机组历史运行数据对预测模型进行训练和验证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节阀开度和汽轮机调门开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。本发明不仅可提高汽轮机在动态变负荷过程中的负荷响应速率，确保除氧器水位处于机组安全运行范围，还可保证负荷趋稳阶段凝结水流量恢复过程中机组负荷的调节精度，可大大提高机组的深度调峰能力，确保火电机组长期安全可靠运行。

Description

一种机组负荷双重智能优化控制方法

技术领域

本发明涉及一种基于负荷预测模型和凝结水节流的机组负荷双重智能优化控制方法，属于发电技术领域。

背景技术

大容量超(超)临界燃煤机组因在节能、降耗和减少环境污染等方面具有明显的优势已逐渐成为电网的主力机组。电网供电质量指标的不断提高，要求大容量超(超)临界机组应具备一次调频、自动发电量控制(AGC)等功能，同时也对超临界机组的负荷响应速率、调节精度等提出了很高的要求(希望每分钟的负荷变化量能够达到机组额定负荷的1.5％到2％甚至更高)。由于协调控制系统(CCS)需兼顾负荷、主汽压力的控制偏差，以及锅炉本身的大惯性、大时延特性，使得机组负荷响应速率的提高十分困难，且容易引起主汽压、主汽温等参数的大幅波动。因此如何满足电网对机组负荷调节的快速性要求，确保火电机组长期安全可靠运行，就成为有关技术人员所面临的难题。

此外，当超临界机组负荷较高，处于“直流”阶段运行时，现有的控制对象模型一般将直流锅炉汽轮机组简化为一个3输入3输出的非线性对象，用于描述给水量W(t/h)、燃料量B(t/h)、汽机调门开度μ(％)三个控制输入与机组功率N_e(MW)、主汽压力P_s(MPa)及中间点温度θ(℃)或焓值h(kJ/kg)三个输出参数间的非线性强耦合关系。但这种模型存在以下不足：

(a)与机组功率直接相关的热端参数为锅炉末级过热器出口汽温，并非中间点温度，而超临界锅炉的末级过热器出口汽温除与水煤比(即：给水量W与燃料量B的比值)直接相关外，动态变负荷过程中受各级过热器喷水减温量影响较大，这在上述模型中没有体现；

(b)汽轮机组的中、低压缸做功份额约占到机组总功率的2/3，而中低压缸做功能力与再热汽压、再热汽温两个初参数有很大关系，这在上述模型中也没有反映；

(c)凝汽器真空(背压)作为机组的重要冷端参数，受循环水泵、真空泵、机组轴封运行情况等多种因素的影响，真空变化对机组出力和机组运行的经济性有很大影响，上述模型中没有考虑；

(d)大型超临界汽轮机组的高、中、低压缸均设置了至少8段以上的回热抽汽，运行中各种原因导致的各级回热循环抽汽量的突变(如高压加热器解列、凝结水流量突变等)，均会对汽轮机做功在较短时间产生影响，上述模型无法反映。

也就是说，现有的简化模型忽略因素较多，使得模型输出的负荷预测值精度不高，抗干扰能力较差，影响了模型在工程中的实际应用效果。因此，充分考虑大容量汽轮机的热端、冷端及回热循环侧的相关可控参数，建立能够准确预测汽轮机组功率的数学模型，对提高机组深度调峰能力，确保火电机组长期安全可靠运行具有重要意义。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种机组负荷双重智能优化控制方法，以提高机组负荷的控制水平，保证火电机组安全可靠运行。

本发明所述问题是以下述技术方案解决的：

一种机组负荷双重智能优化控制方法，所述方法首先建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，并利用机组历史运行数据对预测模型进行训练和验证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节阀开度和汽轮机调门开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。

上述机组负荷双重智能优化控制方法，具体步骤如下：

a.建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，具体步骤为：

①选取模型输入和输出参数

模型的输入参数包括主汽压P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、汽机调门开度μ(％)和除氧器水位调节阀开度μ_c(％)，输出参数为机组负荷N_e(MW)；

②确定模型结构

建立具有j个输入参数(u₁，u₂,…,u_j)和一个输出参数y的非线性自回归滑动平均(NARMA)预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数u_i在k时刻和过去n个时刻的值u_i(k)、u_i(k-1)，…,u_i(k-n)及输出参数y在过去m个时刻的值y(k-1),y(k-2),…,y(k-m)相关，其结构的具体表达式为：

y(k)＝g[y(k-1),...,y(k-m)；u₁(k),u₁(k-1)...,u₁(k-n)；...；u_j(k),u_j(k-1)...,u_j(k-n)]；

③模型训练样本的获取和数据的预处理

提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：

Y＝(Y_max-Y_min)*(x-x_min)/(x_max-x_min)+Y_min

式中：x，Y分别为参数的实际值和标称值，x_min、x_max分别为参数在机组升降负荷过程中的最小值和最大值,Y_min、Y_max分别为归一化处理后参数的最小值和最大值；

④用训练样本对模型进行训练和验证；

b.用训练好的预测模型对机组负荷进行优化控制，具体步骤为：

①对机组负荷设定值N_set与目标值N_target进行实时监测，若N_set≠N_target，则利用神经网络负荷预测模型，根据主汽压力P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、汽机调门开度μ(％)的实时参数，对除氧器水位调节阀门开度μ_c(％)进行寻优计算，即将上述实时参数与除氧器水位调节阀门开度μ_c(％)输入预测模型的同时，采用定步长增减方法调节除氧器水位调节阀门开度μ_c(％)的值，取其中模型输出的负荷预测值N'_e与负荷设定值N_set偏差最小的除氧器水位调门控制指令为优化后的结果，然后将优化结果与原除氧器水位调门开度指令的差值作为实时补偿信号叠加至原除氧器水位调节器输出上对调门施加控制；

②当机组负荷设定值到达目标值(N_set＝N_target)，且负荷偏差小于设定值时，时，再次调用神经网络负荷预测模型，根据当前的主汽压力P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、除氧器水位调节阀门开度μ_c(％)等实时参数，对汽机调门开度μ(％)进行寻优计算，即将上述实时参数与汽机调门开度μ(％)输入预测模型的同时，采用定步长增减方法改变模型输入中汽机调门开度μ(％)的值，取其中模型输出的负荷预测值N'_e与负荷设定值N_set偏差最小的汽机调门控制指令为优化后的结果，然后将汽机调门优化结果与原汽机主控输出(汽机调门开度指令)的偏差作为补偿信号叠加至汽机主控输出送至汽机调门实施优化控制；

③当除氧器水位设定值L_set回到原始值L_set0，除氧器水位调节阀补偿信号回零，且机组实际负荷N_e达到目标值N_target时，机组切回原控制。

上述机组负荷双重智能优化控制方法，所述神经网络预测模型需要通过离线训练和在线测试进行优化，具体步骤为：(1)分别针对不同输入、输出时延阶次n、m取值，通过比较具有不同隐层单元数神经网络模型的收敛性能，确定隐层神经元个数。

依次增加隐层神经元个数，对具有不同隐层单元数的模型，设置同样的训练周期、训练方法、训练参数及最小均方误差(MSE)指标，分别对各模型进行训练，比较训练完成后各模型输出在整个训练样本集的MSE。在满足MSE精度指标的前提下，选择隐层单元较少的模型为优化的模型结构，最终建立满足MSE指标的n*m个模型；(2)在不同n、m取值的共n*m个模型均训练完成后，将模型并入实际机组(或仿真系统)，对机组(或仿真系统)施加各种扰动(包括协调方式变负荷扰动、燃料量扰动，调门开度扰动、除氧器水位设定值扰动及凝汽器真空扰动等)，通过通讯接口程序按固定的采样周期实时获取机组各种扰动下模型的输入数据，利用模型进行负荷实时预测，对不同扰动下模型的负荷预测值和机组实际负荷值进行比较，采用预测时间段的均方误差(MSE)指标评估模型的预测性能，选取均方误差(MSE)最小的模型的n、m取值作为最优时延阶次，从而找到最优的模型结构。

上述机组负荷双重智能优化控制方法，在利用除氧器水位调节阀门开度μ_c(％)的优化结果对调门施加控制的过程中，为防止除氧器水位实际值L与设定值L_set偏差过大导致水位调节切手动，应对除氧器水位设定值进行实时修正，使其自初始设定值L_set0开始始终有偏差地跟踪除氧器的实际水位L，即L_set＝L+a，这里a可取正值和负值。

上述机组负荷双重智能优化控制方法，在利用除氧器水位调节阀门开度μ_c(％)的优化结果对调门施加控制的过程中，为防止除氧器水位超限威胁机组运行安全，应设置除氧器水位上限L_max和水位低限L_min，当除氧器水位上升到上限L_max时，利用除氧器溢流阀和紧急疏水阀把多余的凝结水排放到疏水扩容器；当除氧器水位下降到低限L_min时，通过控制凝汽器储水箱的除氧器紧急补水阀门的开度，使除氧器水位不低于低限值，防止给水泵因除氧器水位低跳闸。

本发明在充分考虑大容量汽轮机热端、冷端及回热循环侧的相关可控参数的基础上建立了汽轮机组负荷的数学模型，并先后两次利用负荷预测模型分别对除氧器水位调节阀开度和汽轮机调门开度进行优化，不仅可提高汽轮机在动态变负荷过程中的负荷响应速率，确保除氧器水位处于机组安全运行范围，还可保证负荷趋稳阶段凝结水流量恢复过程中机组负荷的调节精度。将该方法应用于实际机组，可大大提高机组的深度调峰能力，确保火电机组长期安全可靠运行。

附图说明

下面结合附图对本发明作进一步详述。

图1是本发明所涉及的凝结水及低压回热抽汽系统的简化流程图；

图2是负荷预测神经网络模型结构图；

图3是基于模型的凝节水节流负荷双重智能优化控制流程图；

图4是凝结水节流优化补偿控制方法实现原理图；

图5a-图5d是600MW至570MW降负荷过程控制效果对比图；

图6a-图6d是570MW至540MW降负荷过程控制效果对比图。

文中各符号为：P_s(MPa)、主汽压，T_s(℃)、主汽温度，P_r(MPa)、再热汽压，T_r(℃)、再热汽温，W(t/h)、给水流量，V_c(KPa)、凝汽器真空，μ(％)、汽机调门开度，μ_c(％)、除氧器水位调节阀开度，N_e(MW)、机组负荷，y、预测模型的输出参数，u₁，u₂,…,u_j、预测模型的输入参数，x，Y分别为参数的实际值和标称值，x_min、x_max分别为参数在机组升降负荷过程中的最小值和最大值,Y_min、Y_max分别为归一化处理后参数的最小值和最大值，N_set为机组负荷设定值N_set，N_target为机组负荷目标值，N_e'为模型输出的负荷预测值，L_max为除氧器水位上限，L_min为除氧器水位低限。

具体实施方式

针对背景技术提到的大型超临界机组中现有协调控制系统(CCS)难以满足电网的负荷响应快速性要求、容易引起主汽压与主汽温等参数大幅波动的缺点，本发明建立了计及凝结水节流的汽轮机组负荷预测神经网络模型，并进而提出一种基于智能模型的机组负荷双重智能优化控制方法。本发明主要包括两部分内容。

1.建立计及凝结水节流的汽轮机组负荷预测神经网络模型，包括以下具体步骤：

(1)选取模型输入、输出参数

采用除氧器水位调门开度来代替凝结水流量作为模型输入，选取主汽压P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、汽机调门开度μ(％)及除氧器水位调节阀开度μ_c(％)共8个输入参数，机组负荷N_e(MW)共1个输出参数来建立汽轮机组的负荷预测模型。

(2)确定模型结构

在建立机组神经网络负荷预测模型时，并非直接利用上述8个输入参数、1个输出参数来建模，而是以前向多阶层神经网络(如BP神经网络)为基础，采用具有j个输入参数(u₁，u₂,…,u_j)和1个输出参数y的非线性自回归滑动平均(NARMA)模型结构，且认为模型在k时刻的输出参数y(k)与模型各输入参数u_i在k时刻和过去n个时刻的值u_i(k)、u_i(k-1)，…,u_i(k-n)及输出参数y在过去m个时刻的值y(k-1),y(k-2),…,y(k-m)相关。该非线性模型的具体表达式如下：

y(k)＝g[y(k-1),...,y(k-m)；u₁(k),u₁(k-1)...,u₁(k-n)；...；u_j(k),u_j(k-1)...,u_j(k-n)]   (1)

上述模型采用神经网络具体实现时，建立的模型具有与被建模非线性系统相同的结构，即：

$\hat{y}\left(k\right)=g[y(k-1),...,y(k-m);u_1\left(k\right),u_1(k-1)...,u_1(k-n);...;u_j\left(k\right),u_j(k-1)...,u_j(k-n)]---\left(2\right)$

(3)模型训练样本获取和数据预处理

在模型训练样本选取方面，为使负荷预测模型全面反映汽轮发电机组的负荷特性，选取的样本数据应包含模型将来实际应用时的机组负荷调节范围，并能正确反映各种输入扰动下的负荷变化特征。为此，本发明建模时提取的样本数据包括机组不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及各主要输入参数扰动下的负荷变化数据，以确保获取的训练样本数据工况较为全面、各输入参数的激励较为充分。

考虑模型验证以及实际应用时，数据的取值范围与训练数据范围可能不同，因此结合各参数在机组升降负荷过程中可能的最大变化范围，人工确定各参数规整化的最大、最小值，对所有模型离线训练及在线校验数据均以此为基准对数据进行规整。具体采用的归一化公式为：

Y＝(Y_max-Y_min)*(x-x_min)/(x_max-x_min)+Y_min   (3)

式(3)中：[x_min，x_max]为手工确定的参数实际取值范围,[Y_min,Y_max]为标称化后参数取值范围，这里取[-1,+1]；x，Y分别为参数实际值和标称值。

(4)模型训练和验证

负荷预测模型训练的基本原理是基于误差反向传播(BP)算法。该算法分为正向传播和反向传播两个阶段。正向传播阶段从样本集中取第i个样本[P_s,T_s,P_r,T_r,W,V_c，μ，μ_c，N_e]_i，将X_i＝[P_s,T_s,P_r,T_r,W,V_c，μ，μ_c]_i输入网络，计算相应的实际输出O_i。反向传播阶段计算实际输出O_i与相应的样本输出N_ei的差，并按极小化网络模型输出误差MSE的方式调整神经网络权值矩阵。设模型样本集共包含s组输出输出样本对,则负荷预测模型在整个样本集上的均方误差MSE定义如下：

$\mathrm{MSE}=\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{E}_i=\frac{1}{2}\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{(O_i-N{e}_i)}^2---\left(2\right)$

采用BP算法训练模型的信息正向传播与误差反向传播的各层权值调整的过程是针对样本集周而复始进行的，直到网络输出的误差MSE减小到可以接受的程度，或达到预先设定的学习次数为止。为提高网络收敛速度，防止训练陷入局部最小，以BP算法为基础，出现了多种改进算法，其中L-M(Levenberg-Marquardt)优化算法(trainlm)与其他误差梯度算法相比，具有最快的收敛速度，因此，这里选用L-M算法为模型的训练算法。

借助Matlab和神经网络工具箱利用newff函数创建机组负荷的预测模型，网络选取具有1个输入层、1个隐含层和1个输出层的3层结构，隐层激励函数选用tansig，输出层激励函数选用purelin。当模型的输入输出变量和网络结构确定后,采用NARMA模型建立负荷预测神经网络模型的主要任务是优化输入、输出时延的阶次n、m以及合理确定神经网络的隐层接点、权值矩阵、阈值等参数。

这里优化神经网络模型时分为离线训练和在线测试两个阶段。第一阶段：分别针对不同输入、输出时延阶次n、m取值，比较具有不同隐层单元数神经网络模型的收敛性能，确定合适的隐层神经元个数，建立满足MSE指标的n*m个模型。第二阶段在不同n、m取值的共n*m个模型均训练完成后，利用通讯协议从实际机组(或仿真系统)接受实时数据，通过对机组施加各种扰动，对不同情况下模型的预测精度进行实时比较，确定模型的最优时延阶次n、m取值，找到最优的模型结构。

2.提出一种基于预测模型和凝结水节流的机组负荷双重智能优化控制方法，其具体实现包含如下3个阶段：

(1)实时监测机组负荷设定值N_set与目标值N_target，若N_set≠N_target，判断机组处于变负荷动态过程阶段。此时利用负荷预测模型，根据主汽压力P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、汽机调门开度μ(％)的实时参数，对除氧器水位调节阀门开度μ_c(％)进行寻优计算，使模型输出的负荷预测值N'_e与负荷设定值N_set偏差最小。将优化结果与原除氧器开度指令的差值作为实时补偿信号叠加至原除氧器水位调节器输出对调门施加控制，使机组负荷密切跟踪负荷设定值N_set。在此阶段，为防止除氧器水位实际值L与设定值L_set偏差过大导致水位调节切手动，对除氧器水位设定值进行实时修正，使其自初始设定值L_set0开始始终有偏差地跟踪除氧器的实际水位L，即L_set＝L+a，这里a根据负荷的变化方向可取正值和负值。为防止除氧器水位超限威胁机组运行安全，设置合理的除氧器水位高低限值L_min和L_max，当除氧器水位达上限L_max时，利用除氧器溢流阀和紧急疏水阀把多余的凝结水暂时排放到疏水扩容器。当除氧器水位达低限L_min时，利用凝汽器储水箱来的除氧器紧急补水门维持水位不低于低限值，防止给水泵因除氧器水位低保护跳闸。

(2)当负荷设定值到达目标值(N_set＝N_target)，且负荷逐渐趋稳时，再次调用神经网络负荷预测模型，根据当前的主汽压力P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、除氧器水位调节阀门开度μ_c(％)等实时参数，对汽机调门开度μ(％)进行寻优计算，使模型输出的负荷预测值N'_e与负荷设定值N_set偏差最小。汽机调门优化结果与原汽机主控输出的偏差作为补偿信号叠加至汽机主控输出送至汽机调门实施优化控制，以保持机组实际负荷N_e与设定值N_set误差始终在允许的偏差范围，同时逐步将除氧器水位设定值L_set平滑过渡到正常原始值L_set0，同时在保证负荷偏差不超限的条件下将除氧器水位调节阀补偿信号逐渐平稳归零。

(3)当除氧器水位设定值L_set回到原始值L_set0，除氧器水位调节阀补偿信号回零，且机组实际负荷N_e达到目标值N_target并逐渐稳定时，汽机调门补偿信号逐渐平稳归零，机组切回原控制。

本发明建立所述神经网络模型的理论依据在于：将锅炉、汽轮发电机组两个系统按照实际流程分解开来，单独针对汽轮发电机组部分，结合对汽轮机组回热循环系统结构及机组负荷影响因素的全面分析，建立汽轮发电机组输出功率(负荷)的精确预测模型。这种分解方法，将锅炉各种扰动对负荷的间接影响直接由锅炉输出的过、再热汽压及汽温等参数表征，并将这些参数用作汽轮发电机组功率预测模型的输入，更符合机组做功的流程、机理和本质特征。为方便工程应用，本发明建模过程仅利用分散控制系统(DCS)中的可测参数来实现，其他没有测量的与机组功率密切相关的参数(如蒸汽焓、各段回热抽汽量等)，则考虑用其它可测量的参数代替或间接反映。比如：各级回热抽汽量变化直接影响机组负荷，但DCS中通常并未监测各级抽汽量，只有各级抽汽阀前蒸汽压力及各加热器入口的蒸汽压力。尽管根据压差可近似反推各级抽汽量，但由于大机组通常不少于8段抽汽，若选取8个压差作为模型输入，会使得模型结构庞大。为此，建模时采用通过各低加的凝结水流量以及通过高加的给水流量来间接反应机组的各级回热抽汽量。进一步地，由于除氧器水位调节阀的作用在于按照除氧器水位设定值与除氧器实际水位偏差，自动调节经各级低压加热器加热后进入除氧器的凝结水量，因此除氧器水位调节阀开度与凝结水流量直接相关。为便于将模型用于“凝结水节流”优化控制，本发明采用除氧器水位调门开度来代替凝结水流量作为模型输入。

本发明所述机组负荷双重智能优化控制方法的主要特点体现在：在机组变负荷动态阶段和负荷趋稳阶段，先后二次利用负荷智能预测模型，以负荷预测值N'_e与设定值N_set偏差最小为目标，分别对除氧器水位调节阀开度μ_c和汽轮机调门开度μ进行优化。在变负荷动态过程，通过快速改变除氧器水位调门开度μ_c，改变凝结水量，加快机组的负荷响应速度；当负荷逐渐趋稳，燃料和锅炉发热量已跟踪上负荷指令时，通过对汽机调门开度μ寻优，维持机组实际负荷N_e跟设定值N_set较小的偏差，同时逐渐将除氧器水位L回调至正常设定值L_set0左右，以便下一个变负荷周期再次进行优化。

本发明所述机组负荷双重智能优化控制方法的功效在于：(1)通过第一阶段基于智能模型的凝结水调门优化策略的实施，可保证汽轮机在动态变负荷过程，具有较快的负荷响应速率，大大减小实际负荷与设定值的动态偏差，有效提高动态过程负荷调节的快速性，并确保除氧器水位处于机组安全运行的范围；(2)通过第二阶段基于智能模型的汽轮机调门优化策略的实施，可保证负荷趋稳阶段凝结水流量恢复过程机组负荷的调节精度。将该方法应用于实际机组，可大大提高大容量超临界机组对电网自动发电控制(AGC)和一次调频的适应能力。

验证本发明效果的仿真研究对象为已投运的国产600MW超临界机组，其锅炉为DG1900/25.4-II型一次中间再热直流锅炉，汽轮机为N600-24.2/566/566型一次中间再热、三缸四排汽、双背压、纯凝汽式汽轮机。机组采用复合变压运行方式，汽轮机具有八级非调整回热抽汽。凝结水及低压回热抽汽系统的简化流程如图1。

在图2中，建模时考虑模型8个输入变量主汽压P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、汽机调门开度μ(％)及除氧器水位调节阀开度μ_c(％)k时刻的值及过去k-1,…,k-n时刻的值及机组负荷N_e(MW)过去k-1,…,k-m个时刻的值对k时刻负荷的影响，采用以BP神经网络为基础的NARMA模型建立了8*(n+1)+m个输入、1个输出的机组负荷预测模型。

在本验证实例中，用于训练模型的样本数据来自上述600MW超临界机组仿真机系统，利用MATLAB程序，通过UDP/IP协议从仿真机获取训练样本，利用仿真机DCS系统改变机组负荷指令或增加各种扰动，实现样本获取。所提取的样本包括100％负荷到60％负荷间按10％额定负荷(60MW)变化幅度，逐渐升、降负荷的变工况数据，和每个相对稳定的工况下，改变除氧器水位设定值使凝结水流量上下扰动的机组运行数据。数据采样周期为1s，共采集31490个点。为减少模型训练的收敛时间，从中每隔10S均匀选取1点用于模型训练，最终用于模型训练的数据共3149组。在MATLAB平台用newff函数建立该负荷预测模型，并用trainlm算法完成模型训练，模型训练的目标误差设为1e-6。经比较不同n、m取值时模型的负荷预测效果，最终选择n＝2、m＝2模型为最优模型结构，模型包括26个输入、1个输出，25个隐层节点。

在图3中，该优化控制方法包含如下3个步骤：

(1)在机组变负荷动态阶段(N_set≠N_target)，利用负荷预测模型，调用当前时刻主汽压P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、汽机调门开度μ(％)对除氧器水位调节阀门开度μ_c进行寻优计算，使负荷预测值N'_e与设定值N_set偏差最小。为防止除氧器水位实际值L与设定值L_set偏差过大导致水位调节切手动，程序中设有设定值实时修正模块，使得设定值L_set始终有偏差地跟踪除氧器的实际水位L，为此在设定值输出增加一求和模块SUM，补偿信号ΔL_set＝L+a-L_set0。以降负荷为例，当实际负荷大于负荷设定值时，优化控制附加信号使除氧器水位调节阀开大，除氧器水位上升。若除氧器水位维持原始设定值2050mm不变，则原调节信号指令会自动减小，指令与阀门实际输出的偏差增大，除氧器原水位设定值和水位实际值的偏差也不断增大，会导致除氧器水位调节且手动。此时令：L_set＝L+50mm，则水位设定值、原水位调节阀开度指令也会随L上升不断增加，可有效防止除氧器水位调门切手动，避免优化调节切除时无法回到机组原自动状态。为防止除氧器水位超限威胁机组运行安全，程序中设置了合理的除氧器水位高低限值，当除氧器水位达上限2250mm时，利用除氧器溢流阀和紧急疏水阀把多余的凝结水暂时排放到疏水扩容器。当除氧器水位达低限1650mm(比除氧器水位低跳给水泵的保护定值为1500mm高150mm，确保机组运行安全)时，利用凝汽器储水箱来的除氧器紧急补水门维持水位不低于低限值。

(2)当负荷设定值到达目标值(N_set＝N_target)，且负荷偏差小于0.5MW时，再次调用神经网络负荷预测模型，根据当前主汽压P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)及除氧器水位调节阀开度μ_c，对汽轮机调节阀开度μ进行寻优，使负荷预测值N'_e与设定值N_set偏差保持较小偏差。同时将除氧器水位设定值L_set平滑恢复到原始值L_set0,除氧器水位调门开度指令补偿信号逐渐切回零。这一过程中，通过对汽轮机调节阀μ寻优，维持机组实际负荷与目标值偏差始终小于0.5MW。

(3)当除氧器水位设定值和实际值均回到原始值2050mm，且机组实际负荷N_e达到最终目标值N_target并相对稳定时，将汽轮机调门开度补偿信号逐渐变为0，机组切回原控制，为下一个变负荷周期再次进行上述优化做好准备。

上述(1)(2)寻优过程的实现，以除氧器水位调节M/A站(或汽机主控M/A站)当前输出值为基准，根据负荷实际值与设定值偏差的正负，确定优化搜索的方向和范围，并采用定步长增减方法(也可采用其他优化方法)，在限定范围内多次调用预测模型对不同控制器输出增量下的负荷进行预测，取其中模型负荷预测值N'_e与设定值N_set误差最小的除氧器水位调门(或汽机调门)控制指令为优化后的结果，送至实际机组实施下一步的优化控制。

图4为本发明采用的补偿控制方法。在负荷设定值与负荷目标值不同时，机组进入动态变负荷过程，此时优化控制器进入第一阶段，将输出除氧器调门开度补偿信号和除氧器水位设定值补偿信号，通过求和模块SUM分别添加在原控制器M/A站输出和设定值输出，从而实现补偿优化。汽机调门指令补偿信号的实现与此类同。该方法便于实现新控制策略和原始控制的无扰切换，有利于确保机组运行的安全。

图5和图6为仿真机组在协调方式下按照12MW/min的变负荷率和滑压运行方式，从满负荷600MW依此降负荷到570MW、540MW，分别采用原协调控制和凝结水节流双重智能优化控制方法的效果对比。从图5(a)、图6(a)可看出，在指令由600MW降至570MW、从570MW降至540MW的动态变负荷阶段，采用本发明的优化控制方法后的实际负荷变化曲线比未采用本发明的变负荷线更加贴近负荷指令，负荷调节动态误差大大减小，负荷响应明显加快；当负荷指令变化到目标值570MW、540MW稳定后，采用本发明的优化控制方法后，机组实际负荷可很快接近目标值并稳定下来，而采用原协调控制方法则需要更长时间才能稳定。可见采用本发明后，机组负荷响应时间、调节速度、准确性等比原控制均有很大提高，可大大改善机组对AGC的适应能力。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可推想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种机组负荷双重智能优化控制方法，其特征是，首先建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，利用机组历史运行数据对预测模型进行训练和验证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节阀开度和汽轮机调门开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。

2.根据权利要求1所述的机组负荷双重智能优化控制方法，其特征是，所述方法按以下步骤进行：

a. 建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，具体步骤如下：

①选取模型输入和输出参数

模型的输入参数包括主汽压P _s(MPa)、主汽温度T _s（℃）、再热汽压P _r（MPa）、再热汽温T _r（℃）、给水流量W（t/h）、凝汽器真空V _c（KPa）、汽机调门开度μ（%）和除氧器水位调节阀开度μ _c（%），输出参数为机组负荷N _e（MW）；

②确定模型结构

建立具有j个输入参数（u ₁，u ₂,…,u _j）和一个输出参数y的非线性自回归滑动平均(NARMA) 预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数u _i在k时刻和过去n个时刻的值u _i(k)、u _i(k-1)，… , u _i(k-n)及输出参数y在过去m个时刻的值y(k-1),y(k-2),…,y(k-m)相关，其结构的具体表达式为：

；

③模型训练样本的获取和数据的预处理

提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：

式中：x，分别为参数的实际值和标称值，x _min 、x _max 分别为参数在机组升降负荷过程中的最小值和最大值,、分别为归一化处理后参数的最小值和最大值；

④用训练样本对模型进行训练和验证；

b.用训练好的预测模型对机组负荷进行优化控制，具体步骤为：

①对机组负荷设定值N _set与目标值N _target进行实时监测，若N _set≠N _target，则利用神经网络负荷预测模型，根据主汽压力P _s(MPa)、主汽温度T _s （℃）、再热汽压P _r （MPa）、再热汽温T _r （℃）、给水流量W（t/h）、凝汽器真空V _c （KPa）、汽机调门开度μ（%）的实时参数，对除氧器水位调节阀门开度 μ _c（%）进行寻优计算，即将上述实时参数与除氧器水位调节阀门开度 μ _c（%）输入预测模型的同时，采用定步长增减方法调节除氧器水位调节阀门开度 μ _c（%）的值，取其中模型输出的负荷预测值与负荷设定值N _set偏差最小的除氧器水位调门控制指令为优化后的结果，然后将优化结果与原除氧器开度指令的差值作为实时补偿信号叠加至原除氧器水位调节器输出上对调门施加控制；

②当机组负荷设定值到达目标值N _set=N _target，且负荷偏差小于设定值时，时，再次调用神经网络负荷预测模型，根据当前的主汽压力P _s (MPa)、主汽温度T _s（℃）、再热汽压P _r（MPa）、再热汽温T _r（℃）、给水流量W（t/h）、凝汽器真空V _c（KPa）、除氧器水位调节阀门开度 μ _c（%）等实时参数，对汽机调门开度μ（%）进行寻优计算，即将上述实时参数与汽机调门开度μ（%）输入预测模型的同时，采用定步长增减方法调节汽机调门开度μ（%）的值，取其中模型输出的负荷预测值与负荷设定值N _set偏差最小的汽机调门控制指令为优化后的结果，然后将汽机调门优化结果与原汽机主控输出的偏差作为补偿信号叠加至汽机主控输出送至汽机调门实施优化控制；

③当除氧器水位设定值L _set回到原始值L _set0，除氧器水位调节阀补偿信号回零，且机组实际负荷N _e 达到目标值N _target时，机组切回原控制。

3.根据权利要求2所述的机组负荷双重智能优化控制方法，其特征是，所述神经网络预测模型需要通过离线训练和在线测试进行优化，具体方法为：首先分别针对不同输入、输出时延阶次n、m取值，通过比较具有不同隐层单元数神经网络模型的收敛性能，确定隐层神经元个数；

依次增加隐层神经元个数，对具有不同隐层单元数的模型，设置同样的训练周期、训练方法、训练参数及最小均方误差（MSE）指标，分别对各模型进行训练，比较训练完成后各模型输出在整个训练样本集的MSE；在满足MSE精度指标的前提下，选择隐层单元较少的模型为优化的模型结构，建立满足MSE指标的n*m个模型；然后在不同n、m取值的共n*m个模型均训练完成后，利用实际机组或仿真系统的实时数据，通过对机组施加各种扰动，对不同情况下模型的预测精度进行实时比较，确定模型的最优时延阶次n、m取值。

4.根据权利要求3所述的机组负荷双重智能优化控制方法，其特征是，在利用除氧器水位调节阀门开度 μ _c（%）的优化结果对调门施加控制的过程中，为防止除氧器水位实际值L与设定值L _set偏差过大导致水位调节切手动，应对除氧器水位设定值进行实时修正，使其自初始设定值L _set0开始始终有偏差地跟踪除氧器的实际水位L，即L _set=L+a，这里a根据负荷调节的方向可取正值和负值。

5.根据权利要求4所述的机组负荷双重智能优化控制方法，其特征是，在利用除氧器水位调节阀门开度 μ _c（%）的优化结果对调门施加控制的过程中，为防止除氧器水位超限威胁机组运行安全，应设置除氧器水位上限L _max和水位低限L _min，当除氧器水位上升到上限L _max时，利用除氧器溢流阀和紧急疏水阀把多余的凝结水排放到疏水扩容器；当除氧器水位下降到低限L _min时，通过控制凝汽器储水箱的除氧器紧急补水门的开度，使除氧器水位不低于低限值，防止给水泵因除氧器水位低保护动作跳闸。