CN105278333A - 超超临界机组协调控制系统的数据建模方法和系统 - Google Patents
超超临界机组协调控制系统的数据建模方法和系统 Download PDFInfo
- Publication number
- CN105278333A CN105278333A CN201510745466.9A CN201510745466A CN105278333A CN 105278333 A CN105278333 A CN 105278333A CN 201510745466 A CN201510745466 A CN 201510745466A CN 105278333 A CN105278333 A CN 105278333A
- Authority
- CN
- China
- Prior art keywords
- variable
- output
- data
- operating mode
- input
- 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.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及超超临界机组协调控制系统的数据建模方法和系统,其方法包括:获取协调控制系统的控制方案,并根据控制方案确定激励信号的加入位置;对运行过程进行工况划分,获取各工况下的超超级临界机组的输入变量、输出变量和扰动变量的变化范围;根据加入位置、各工况下输入变量和输出变量的变化范围,对输入变量设定值施加激励信号并采集过程输入数据和过程输出数据;根据过程输入数据和过程输出数据并利用闭环子空间辨识算法获取过程变量模型;根据扰动变量的变化范围和输出变量并利用最小二乘法获取扰动模型;将过程变量模型和扰动模型作为控制模型。可同时满足协调控制过程的快速性和平稳性。
Description
技术领域
本发明涉及电力系统技术领域,特别是涉及一种超超临界机组协调控制系统的数据建模方法和系统。
背景技术
直流式超超临界机组的发电方式相比于传统的火电机组,具有更高效、能耗更低、更加环保等特点,较符合现代化企业要求,而同时超超临界机组的复杂性和控制品质的高标准,对控制方式提出了更高的要求,采用传统的控制方法难以实现,通常需要通过过程优化技术和先进控制技术来实现。目前过程优化技术和先进控制是以过程对象准确有效的数学模型为基础,因此采用过程模型辨识方法,建立协调控制系统准确有效的数学模型是十分必要的。
协调控制系统用于完成机组的负荷控制,在保证机组安全的前提下尽快响应调度的负荷变化要求,并使机组经济和稳定地运行。目前被普遍认可的协调控制系统主要有两种:以锅炉跟随为基础的协调控制系统和以汽机跟随为基础的协调控制系统。以锅炉跟随为基础的协调控制系统采用锅炉跟随汽机的协调方式,机组的负荷响应速度快、负荷控制精度较高,但机前压力波动幅度较大。以汽机跟随为基础的协调控制系统采用汽机跟锅炉的协调方式,机前压力波动较小,有利于机组的稳定运行,但机组的负荷控制精度较低。
传统的针对以锅炉跟随为基础的协调控制系统进行过程模型辨识,或者针对以汽机跟随为基础的协调控制系统进行过程模型辨识,一般情况下都具有单向协调的问题,无法同时满足机组负荷协调控制的快速性和平稳性。
发明内容
基于此,有必要针对上述问题,提供一种同时满足机组负荷协调控制的快速性和平稳性的超超临界机组协调控制系统的数据建模方法和系统。
一种超超临界机组协调控制系统的数据建模方法,包括如下步骤:
获取协调控制系统的控制方案,并根据所述控制方案确定激励信号的加入位置;
根据超超临界机组的运行特性对所述超超临界机组的运行过程进行工况划分,获取各工况下的超超级临界机组的输入变量、输出变量和扰动变量的变化范围,其中,所述输入变量包括给定负荷、给煤量和给水量,所述输出变量包括机组功率、温度和压力,所述扰动变量包括风量和煤质波动;
根据所述激励信号的加入位置、各工况下所述输入变量的变化范围和所述输出变量的变化范围,对所述输入变量的设定值施加所述激励信号并采集各工况的过程输入数据和过程输出数据;
根据各工况的所述过程输入数据和所述过程输出数据,利用闭环子空间辨识算法获取各工况的对应所述输入变量与所述输出变量的过程变量模型;
根据各工况的所述扰动变量的变化范围和所述过程输出数据,利用最小二乘法获取各工况的对应所述扰动变量与所述输出变量的扰动模型;
选取所述过程变量模型和所述扰动模型作为所述协调控制系统的控制模型。
一种超超临界机组协调控制系统的数据建模系统,包括:
信号位置确定模块,用于获取协调控制系统的控制方案,并根据所述控制方案确定激励信号的加入位置;
变量特性获取模块,用于根据超超临界机组的运行特性对所述超超临界机组的运行过程进行工况划分,获取各工况下的超超级临界机组的输入变量、输出变量和扰动变量的变化范围,其中,所述输入变量包括给定负荷、给煤量和给水量,所述输出变量包括机组功率、温度和压力,所述扰动变量包括风量和煤质波动;
过程数据采集模块,用于根据所述激励信号的加入位置、各工况下所述输入变量的变化范围和所述输出变量的变化范围,对所述输入变量的设定值施加所述激励信号并采集各工况的过程输入数据和过程输出数据;
第一模型生成模块,用于根据各工况的所述过程输入数据和所述过程输出数据,利用闭环子空间辨识算法获取各工况的对应所述输入变量与所述输出变量的过程变量模型;
第二模型生成模块,用于根据各工况的所述扰动变量的变化范围和所述输出变量,利用最小二乘法获取各工况的对应所述扰动变量与所述输出变量的扰动模型;
控制模型选取模块,用于选取所述过程变量模型和所述扰动模型作为所述协调控制系统的控制模型。
上述超超临界机组协调控制系统的数据建模方法和系统,针对输入变量和输出变量,根据确定的加入位置和获取的输入变量、输出变量和扰动变量的变化范围,对输入变量的设定值施加激励信号并采集过程输入数据和过程输出数据,然后根据过程输入数据和过程输出数据并利用闭环子空间辨识方法建立过程变量模型;针对扰动变量和输出变量,根据扰动变量的变化范围和输出变量并利用传统的最小二乘法建立扰动模型,因此选取的包括过程变量模型和扰动模型的控制模型结合了闭环子空间辨识方法和最小二乘法,能够实现多个变量的综合控制,适用于运行状态下的超超临界机组的协调控制系统,可以同时满足机组负荷协调控制的快速性和平稳性。
附图说明
图1为一实施例中超超临界机组协调控制系统的数据建模方法的流程图;
图2为超超临界机组的部分结构示意图;
图3为协调控制系统的输入变量、输出变量和扰动变量关系示意图;
图4为另一实施例中超超临界机组协调控制系统的数据建模方法的流程图;
图5为一实施例中根据激励信号的加入位置、各工况下输入变量的变化范围和输出变量的变化范围,对输入变量的设定值施加激励信号并采集各工况的过程输入数据和过程输出数据的具体流程图;
图6为闭环子空间系统的结构示意图;
图7为一应用例中超超临界机组协调控制系统的模型图;
图8为一实施例中超超临界机组协调控制系统的数据建模系统的模块图;
图9为另一实施例中超超临界机组协调控制系统的数据建模系统的模块图;
图10为一实施例中过程数据采集模块的具体单元图;
图11为一实施例中第一模型生成模块的具体单元图。
具体实施方式
参考图1,本发明一实施例中的超超临界机组协调控制系统的数据建模方法,包括如下步骤。
S110:获取协调控制系统的控制方案,并根据控制方案确定激励信号的加入位置。
协调控制系统的控制方案包括以锅炉跟随为主的控制方案和以汽机跟随为主的控制方案等。本实施例中,具体可以通过确定协调控制系统的多变量约束控制器的结构、形式以及通讯方式,确定控制方案。
S130:根据超超临界机组的运行特性对超超临界机组的运行过程进行工况划分,获取各工况下的超超级临界机组的输入变量、输出变量和扰动变量的变化范围。
参考图2和图3,其中,输入变量包括给定负荷、给煤量和给水量,输出变量包括机组功率、温度和压力,扰动变量包括风量和煤质波动。
工况划分可以是根据预设值和机组负荷对超超临界机组的运行过程进行工况划分,例如,本实施例中,具体是根据满载负荷的10%作为级差对负荷进行等级划分,得到多个负荷范围对应的工况。可以理解,在其他实施例中,也可以是采用其他方式进行工况划分。
S150:根据激励信号的加入位置、各工况下输入变量的变化范围和输出变量的变化范围,对输入变量的设定值施加激励信号并采集各工况的过程输入数据和过程输出数据。
过程输入数据、过程输出数据分别对应指对输入变量的设定值施加激励信号产生的输入变量对应的过程数据、输出变量对应的过程数据。在输入变量施加激励信号,即为完成对输入变量进行过程对象的测试,从而采集闭环子空间辨识所需要的过程数据。
S170:根据各工况的过程输入数据和过程输出数据,利用闭环子空间辨识算法获取各工况的对应输入变量与输出变量的过程变量模型。
根据过程输入数据和过程输出数据,利用闭环子空间辨识算法得到的过程变量模型,可以体现输入变量与输出变量之间的关系。
S190:根据各工况的扰动变量的变化范围和输出变量,利用最小二乘法获取各工况的对应扰动变量与输出变量的扰动模型。
根据扰动变量的变化范围和输出变量,利用最小二乘法得到的扰动模型,可以体现扰动变量与输出变量之间的关系。
S210:选取过程变量模型和扰动模型作为协调控制系统的控制模型。
上述超超临界机组协调控制系统的数据建模方法,针对输入变量和输出变量,根据确定的加入位置和获取的输入变量、输出变量和扰动变量的变化范围,对输入变量的设定值施加激励信号并采集过程输入数据和过程输出数据,然后根据过程输入数据和过程输出数据并利用闭环子空间辨识方法建立过程变量模型;针对扰动变量和输出变量,根据扰动变量的变化范围和输出变量并利用传统的最小二乘法建立扰动模型,因此选取的包括过程变量模型和扰动模型的控制模型结合了闭环子空间辨识方法和最小二乘法,能够实现多个变量的综合控制,适用于运行状态下的超超临界机组的协调控制系统,可以同时满足机组负荷协调控制的快速性和平稳性。
在其中一实施例中,参考图4,步骤S110之前还包括步骤S100和步骤S101。
S100:检测输入变量、输出变量和扰动变量是否正常。若是,则进行步骤S110;若否,则执行步骤S101。
检测输入变量、输出变量和扰动变量是否正常的标准,可以是判断输入变量、输出变量和扰动变量的输入信号是否在预设的正常条件内,若是,则判定为正常,否则,判定为不正常。具体地,预设的正常条件可以根据实际情况设置。
S101:对不正常的输入变量、输出变量或扰动变量涉及的变送器或者阀门进行修复处理。
例如,可以通过检查不正常的输入变量、输出变量或扰动变量涉及的硬件设备是否故障,或者检测涉及的信号传输过程是否故障,针对故障情况进行相应修复处理。
通过预先对输入变量、输出变量和扰动变量进行状态检测,并及时处理不正常的输入变量、输出变量或扰动变量涉及的变送器或者阀门,提高了数据建模的可靠性和准确性。
在其中一实施例中,参考图5,步骤S150包括步骤S151至步骤S155。
S151:在激励信号的加入位置对应的输入变量为给定负荷时,保证输入变量和输出变量不超过对应变化范围,在给定负荷的设定值上施加激励2%的激励信号并采集过程输入数据和过程输出数据。
S153:在激励信号的加入位置对应的输入变量为给煤量时,保证输入变量和输出变量不超过对应变化范围,在给煤量的设定值上施加激励2%的激励信号并采集过程输入数据和过程输出数据。
S155:在激励信号的加入位置对应的输入变量为给水量时,保证输入变量和输出变量不超过对应变化范围,在给水量的设定值上施加激励3%的激励信号并采集过程输入数据和过程输出数据。
不同的输入变量对超超临界机组的协调控制系统的影响不同,针对不同的输入变量设置不同的激励信号,使得采集的数据更具代表性,从而根据闭环空间子辨识所得到的过程变量模型可靠性更高。
在其中一实施例中,步骤S170包括步骤11至步骤15。
步骤11:根据各工况的过程输入数据和过程输出数据进行闭环子空间辨识,得到各工况的阶跃响应系数。
步骤13:根据阶跃响应系数估算阶跃响应延迟时间。
步骤15:利用最小二乘法分别对各工况的阶跃响应系数进行拟合,生成传递函数矩阵并结合阶跃响应延迟时间生成过程变量模型。
步骤11至步骤15通过采用状态空间模型,参数化简单,适用于运行在闭环状态下的超超临界机组协调控制系统,且对多输入多输出的控制效果尤为显著。
参考图6,为超超临界机组闭环子空间辨识方法框图,其中,RBS为激励信号,r为设定值,C为控制器,u为控制变量,e为扰动变量,K为扰动模型,p为主蒸汽系统模型。r1、r2和r3分别对应为给定负荷的设定值、给煤量的设定值和给水量的设定值,u1、u2和u3分别对应为给定负荷的控制变量、给煤量的控制变量和给水量的控制变量,y1、y2和y3分别对应为给定负荷的输出变量、给煤量的输出变量和给水量的输出变量。
定义如下等式:
步骤11的具体过程为如下。
(1)u为输入,y为输出的开关辨识。
假定该系统线性时不变状态空方程可描述为:
其中,xt∈Rn为输入变量,ut∈Rl为控制变量,et∈Rm为零均值、稳定的白噪声序列,R表示实数空间,m,n,l表示实数空间的维度,A、B、C和D均为状态矩阵。
以Xp为系统过去输入序列,经过1,2,3,...N步迭代,以Xf为系统未来输入序列,经过N+1,N+2,....2N步迭代,分别求得系统过去输出子空间矩阵以及未来输出子空间矩阵:
其中,ΓN为系统扩展可观矩阵,分别提供过程信息和扰动信息。
ΓN=(CCA…CAN-1)T;
输入矩阵Up为:
输出矩阵Yp为:
过程噪声的子空间矩阵为:
其中,为了降低辨识过程中对于噪声的敏感性,通常J远大于max(mN,lN),N则与系统阶次相关。应用递推关系,输出可表达为:
Yf=LwWp+LuUf+LeEf;
其中,Wp=(YpUp)T,E=(EpEf)T,Lw和Le为对应的系数矩阵。
(2)r为输入,u为输出的开环辨识。
同(1)推导类似可得:
其中, 和为相应系数矩阵。
矩阵形式为:
其中式中均可以通过最小二乘估计求解。
(3)求解阶跃响应系数:
其中,
其中,Fi为脉冲响应系数,从而可得出阶跃响应系数阵SN。
Gi为第i组单位阶跃系数。至此,求得协调控制系统的单位阶跃响应系数,这些参数为协调控制系统的模型。
上述算法为在联合输入输出闭环子空间辨识方法的基础上的一种闭环非参数辨识方法。该方法省略了参数估计的步骤,采用类似上述的(1)和(2)两步开环辨识直接获得系统的阶跃响应系数。针对一些先进控制算法所需的非参数模型而言,不仅简化了计算过程,同时避免了估计参数环节到获得非参数模型这一环节可能附带的误差,提高了准确性。
在其中一实施例中,步骤S190具体为:选取变化范围最小的扰动变量,获取变化范围最小的扰动变量的数据和对应的输出变量的数据并进行最小二乘法处理,生成各工况的对应扰动变量与输出变量的传递函数,并对传递函数进行阶跃响应,得到扰动模型。
例如,比较风量和煤质波动的变化范围大小,若风量的变化范围较小,即风量的波动较小,则获取风量的数据和对应的输出变量的数据,从而选择风量建立扰动变量模型。本实施例中,变化范围最小的扰动变量的数据和对应的输出变量的数据可以通过DCS(DistributedControlSystem分布式控制系统)自动获取。
在其中一实施例中,参考图4,步骤S210之后,还包括步骤S230至步骤S270。
S230:分别获取各工况的过程输入数据和过程输出数据的采样间隔以及传递函数矩阵的最佳阶次。
为了保证辨识结果的准确性,采集数据的总时间跨度应表现系统的动态特性。采样间隔过小,会导致采样的过程数据长度变长,从而会增加闭环子空间辨识算法的计算量。采样间隔过大,会导致采样的过程数据遗失系统信息,辨识结果不准确。本实施例中,采样周期可以预设为1秒。可以理解,在其他实施例中,采样周期也可以为其他数值。
选取合适的传递函数矩阵的行数N和列数J。最佳阶次的选择标准包括:列数J应当远大于max(mN,lN),其中l为输入维度,m为输出维度;当计算获得的第N个附近的脉冲响应系数逼近于0时对应的阶次选择较为合理。
S250:根据控制模型、采样间隔和最佳阶次对协调控制系统进行运行测试,判断超超临界机组是否运行正常。若否,则执行步骤S270。
判断超超临界机组是否运行正常,可以是判断超超临界机组的运行参数是否在预设的参数范围内,若是,则判定超超临界机组运行正常,否则为不正常。具体地,预设的参数范围可以根据实际情况设置。
S270:调整采样间隔和最佳阶次,并返回步骤S230。
通过对获取的控制模型进行采样间隔、最佳阶次等参数的配置,并根据配置后的控制模型进行运行测试,确保超超临界机组能正常运行,提高了控制模型的准确性。
参考图7,为应用上述超超临界机组协调控制系统的数据建模方法得到的模型图。
参考图8,本发明一实施例中的超超临界机组协调控制系统的数据建模系统,包括信号位置确定模块110、变量特性获取模块130、过程数据采集模块150、第一模型生成模块170、第二模型生成模块190和控制模型选取模块210。
信号位置确定模块110用于获取协调控制系统的控制方案,并根据控制方案确定激励信号的加入位置。
协调控制系统的控制方案包括以锅炉跟随为主的控制方案和以汽机跟随为主的控制方案等。本实施例中,具体可以通过确定协调控制系统的多变量约束控制器的结构、形式以及通讯方式,确定控制方案。
变量特性获取模块130用于根据超超临界机组的运行特性对超超临界机组的运行过程进行工况划分,获取各工况下的超超级临界机组的输入变量、输出变量和扰动变量的变化范围。
参考图2和图3,其中,输入变量包括给定负荷、给煤量和给水量,输出变量包括机组功率、温度和压力,扰动变量包括风量和煤质波动。
工况划分可以是根据预设值和机组负荷对超超临界机组的运行过程进行工况划分,例如,本实施例中,具体是根据满载负荷的10%作为级差对负荷进行等级划分,得到多个负荷范围对应的工况。可以理解,在其他实施例中,也可以是采用其他方式进行工况划分。
过程数据采集模块150用于根据激励信号的加入位置、各工况下输入变量的变化范围和输出变量的变化范围,对输入变量的设定值施加激励信号并采集各工况的过程输入数据和过程输出数据。
过程输入数据、过程输出数据分别对应指对输入变量的设定值施加激励信号产生的输入变量对应的过程数据、输出变量对应的过程数据和扰动变量对应的输出数据。在输入变量施加激励信号,即为完成对输入变量进行过程对象的测试,从而采集闭环子空间辨识所需要的过程数据。
第一模型生成模块170用于根据各工况的过程输入数据和过程输出数据,利用闭环子空间辨识算法获取各工况的对应输入变量与输出变量的过程变量模型。
根据过程输入数据和过程输出数据,利用闭环子空间辨识算法得到的过程变量模型,可以体现输入变量与输出变量之间的关系。
第二模型生成模块190用于根据各工况的扰动变量的变化范围和输出变量,利用最小二乘法获取各工况的对应扰动变量与输出变量的扰动模型。
根据扰动变量的变化范围和输出变量,利用最小二乘法得到的扰动模型,可以体现扰动变量与输出变量之间的关系。
控制模型选取模块210用于选取过程变量模型和扰动模型作为协调控制系统的控制模型。
上述超超临界机组协调控制系统的数据建模系统,针对输入变量和输出变量,过程数据采集模块150根据信号位置确定模块110确定的加入位置和变量特性获取模块130获取的输入变量、输出变量和扰动变量的变化范围,对输入变量的设定值施加激励信号并采集过程输入数据和过程输出数据,第一模型生成模块170根据过程输入数据和过程输出数据并利用闭环子空间辨识方法建立过程变量模型;针对扰动变量和输出变量,第二生成模块190根据扰动变量的变化范围和输出变量并利用传统的最小二乘法建立扰动模型,控制模型选取模块210选取的包括过程变量模型和扰动模型的控制模型结合了闭环子空间辨识方法和最小二乘法,能够实现多个变量的综合控制,适用于运行状态下的超超临界机组的协调控制系统,可以同时满足机组负荷协调控制的快速性和平稳性。
在其中一实施例中,参考图9,超超临界机组协调控制系统还包括信号状态检测模块100和异常信号处理模块101。
信号状态检测模块100用于检测输入变量、输出变量和扰动变量是否正常,并在输入变量、输出变量和扰动变量正常时返回执行信号位置确定模块110的功能。
检测输入变量、输出变量和扰动变量是否正常的标准,可以是判断输入变量、输出变量和扰动变量的输入信号是否在预设的正常条件内,若是,则判定为正常,否则,判定为不正常。具体地,预设的正常条件可以根据实际情况设置。
异常信号处理模块101用于在输入变量、输出变量或扰动变量不正常时,对不正常的输入变量、输出变量或扰动变量涉及的变送器或者阀门进行修复处理。
例如,可以通过检查不正常的输入变量、输出变量或扰动变量涉及的硬件设备是否故障,或者检测涉及的信号传输过程是否故障,针对故障情况进行相应修复处理。
通过预先对输入变量、输出变量和扰动变量进行状态检测,并及时处理不正常的输入变量、输出变量或扰动变量涉及的变送器或者阀门,提高了数据建模的可靠性和准确性。
在其中一实施例中,参考图10,过程数据采集模块150包括第一数据采集单元151、第二数据采集单元153和第三数据采集单元155。
第一数据采集单元151用于在激励信号的加入位置对应的输入变量为给定负荷时,保证输入变量和输出变量不超过对应变化范围,在给定负荷的设定值上施加激励2%的激励信号并采集过程输入数据和过程输出数据。
第二数据采集单元153用于在激励信号的加入位置对应的输入变量为给煤量时,保证输入变量和输出变量不超过对应变化范围,在给煤量的设定值上施加激励2%的激励信号并采集过程输入数据和过程输出数据。
第三数据采集单元155用于在激励信号的加入位置对应的输入变量为给水量时,保证输入变量和输出变量不超过对应变化范围,在给水量的设定值上施加激励3%的激励信号并采集过程输入数据和过程输出数据。
不同的输入变量对超超临界机组的协调控制系统的影响不同,针对不同的输入变量设置不同的激励信号,使得采集的数据更具代表性,从而根据闭环空间子辨识所得到的过程变量模型可靠性更高。
在其中一个实施例中,参考图11,第一模型生成单元170包括模型辨识单元171、时间获取单元173和过程变量模型生成单元175。
模型辨识单元171用于根据各工况的过程输入数据和过程输出数据进行闭环子空间辨识,得到各工况的阶跃响应系数。
时间获取单元173用于根据阶跃响应系数获取阶跃响应延迟时间。
过程变量模型生成单元175用于利用最小二乘法分别对各工况的阶跃响应系数进行拟合,生成传递函数矩阵并结合阶跃响应延迟时间得到过程变量模型。
第一模型生成模块170通过采用状态空间模型,参数化简单,适用于运行在闭环状态下的超超临界机组协调控制系统,且对多输入多输出的控制效果尤为显著。
在其中一实施例中,第二模型生成模块190具体可根据:选取变化范围最小的扰动变量,获取变化范围最小的扰动变量的数据和对应的输出变量的数据并进行最小二乘法处理,生成各工况的对应扰动变量与输出变量的传递函数,并对传递函数进行阶跃响应,得到扰动模型。
例如,比较风量和煤质波动的变化范围大小,若风量的变化范围较小,即风量的波动较小,则第二模型生成模块190获取风量的数据和对应的输出变量的数据,从而选择风量建立扰动变量模型。本实施例中,变化范围最小的扰动变量的数据和对应的输出变量的数据可以通过DCS(DistributedControlSystem分布式控制系统)自动获取。
在其中一个实施例中,参考图9,超超临界机组协调控制系统的数据建模系统还包括参数配置模块230、系统运行测试模块250和参数调整模块270。
参数配置模块230用于分别获取各工况的过程输入数据和过程输出数据的采样间隔以及传递函数矩阵的最佳阶次。
为了保证辨识结果的准确性,采集数据的总时间跨度应表现系统的动态特性。采样间隔过小,会导致采样的过程数据长度变长,从而会增加闭环子空间辨识算法的计算量。采样间隔过大,会导致采样的过程数据遗失系统信息,辨识结果不准确。本实施例中,采样周期可以预设为1秒。可以理解,在其他实施例中,采样周期也可以为其他数值。
设传递函数矩阵的行数和列数分别为N和J。选取合适的数值时,最佳阶次的选择标准包括:列数J应当远大于max(mN,lN),其中l为输入维度,m为输出维度;当计算获得的第N个附近的脉冲响应系数逼近于0时对应的阶次选择较为合理。
系统运行测试模块250用于根据控制模型、采样间隔和最佳阶次对协调控制系统进行运行测试,判断超超临界机组是否运行正常。
判断超超临界机组是否运行正常,可以是判断超超临界机组的运行参数是否在预设的参数范围内,若是,则判定超超临界机组运行正常,否则为不正常。具体地,预设的参数范围可以根据实际情况设置。
参数调整模块270用于在超超临界机组运行不正常时,调整采样间隔和最佳阶次,并返回执行参数配置模块230的功能。
通过对获取的控制模型进行采样间隔、最佳阶次等参数的配置,并根据配置后的控制模型进行运行测试,确保超超临界机组能正常运行,提高了控制模型的准确性。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种超超临界机组协调控制系统的数据建模方法,其特征在于,包括如下步骤:
获取协调控制系统的控制方案,并根据所述控制方案确定激励信号的加入位置;
根据超超临界机组的运行特性对所述超超临界机组的运行过程进行工况划分,获取各工况下的超超级临界机组的输入变量、输出变量和扰动变量的变化范围,其中,所述输入变量包括给定负荷、给煤量和给水量,所述输出变量包括机组功率、温度和压力,所述扰动变量包括风量和煤质波动;
根据所述激励信号的加入位置、各工况下所述输入变量的变化范围和所述输出变量的变化范围,对所述输入变量的设定值施加所述激励信号并采集各工况的过程输入数据和过程输出数据;
根据各工况的所述过程输入数据和所述过程输出数据,利用闭环子空间辨识算法获取各工况的对应所述输入变量与所述输出变量的过程变量模型;
根据各工况的所述扰动变量的变化范围和所述输出变量,利用最小二乘法获取各工况的对应所述扰动变量与所述输出变量的扰动模型;
选取所述过程变量模型和所述扰动模型作为所述协调控制系统的控制模型。
2.根据权利要求1所述的超超临界机组协调控制系统的数据建模方法,其特征在于,所述获取协调控制系统的控制方案,并根据所述控制方案确定激励信号的加入位置之前还包括:
检测所述输入变量、所述输出变量和所述扰动变量是否正常;
若否,则对不正常的输入变量、输出变量或扰动变量涉及的变送器或者阀门进行修复处理;
若是,则执行所述获取协调控制系统的控制方案,并根据所述控制方案确定激励信号的加入位置的步骤。
3.根据权利要求1所述的超超临界机组协调控制系统的数据建模方法,其特征在于,所述根据所述激励信号的加入位置、各工况下所述输入变量的变化范围和所述输出变量的变化范围,对所述输入变量的设定值施加所述激励信号并采集各工况的过程输入数据和过程输出数据,包括以下步骤:
在所述激励信号的加入位置对应的所述输入变量为给定负荷时,保证所述输入变量和所述输出变量不超过对应变化范围,在所述给定负荷的设定值上施加激励2%的激励信号并采集所述过程输入数据和所述过程输出数据;
在所述激励信号的加入位置对应的所述输入变量为给煤量时,保证所述输入变量和所述输出变量不超过对应变化范围,在所述给煤量的设定值上施加激励2%的激励信号并采集过程输入数据和所述过程输出数据;
在所述激励信号的加入位置对应的所述输入变量为给水量时,保证所述输入变量和所述输出变量不超过对应变化范围,在所述给水量的设定值上施加激励3%的激励信号并采集所述过程输入数据和所述过程输出数据。
4.根据权利要求1所述的超超临界机组协调控制系统的数据建模方法,其特征在于,所述根据对各工况的所述过程输入数据和所述过程输出数据,利用闭环子空间辨识算法获取各工况的对应所述输入变量与所述输出变量的过程变量模型,包括以下步骤:
根据各工况的所述过程输入数据和所述过程输出数据进行闭环子空间辨识,得到各工况的阶跃响应系数;
根据所述阶跃响应系数估算阶跃响应延迟时间;
利用最小二乘法分别对各工况的所述阶跃响应系数进行拟合,生成传递函数矩阵并结合所述阶跃响应延迟时间生成所述过程变量模型。
5.根据权利要求4所述的超超临界机组协调控制系统的数据建模方法,其特征在于,所述选取所述过程变量模型和所述扰动模型作为所述协调控制系统的控制模型之后,还包括:
分别获取各工况的所述过程输入数据和所述过程输出数据的采样间隔以及所述传递函数矩阵的最佳阶次;
根据所述控制模型、所述采样间隔和所述最佳阶次对所述协调控制系统进行运行测试,判断所述超超临界机组是否运行正常;
若否,调整所述采样间隔和所述最佳阶次,并返回分别获取各工况的所述过程输入数据和所述过程输出数据的采样间隔以及所述传递函数矩阵的最佳阶次的步骤。
6.一种超超临界机组协调控制系统的数据建模系统,其特征在于,包括:
信号位置确定模块,用于获取协调控制系统的控制方案,并根据所述控制方案确定激励信号的加入位置;
变量特性获取模块,用于根据超超临界机组的运行特性对所述超超临界机组的运行过程进行工况划分,获取各工况下的超超级临界机组的输入变量、输出变量和扰动变量的变化范围,其中,所述输入变量包括给定负荷、给煤量和给水量,所述输出变量包括机组功率、温度和压力,所述扰动变量包括风量和煤质波动;
过程数据采集模块,用于根据所述激励信号的加入位置、各工况下所述输入变量的变化范围和所述输出变量的变化范围,对所述输入变量的设定值施加所述激励信号并采集各工况的过程输入数据和过程输出数据;
第一模型生成模块,用于根据各工况的所述过程输入数据和所述过程输出数据,利用闭环子空间辨识算法获取各工况的对应所述输入变量与所述输出变量的过程变量模型;
第二模型生成模块,用于根据各工况的所述扰动变量的变化范围和所述输出变量,利用最小二乘法获取各工况的对应所述扰动变量与所述输出变量的扰动模型;
控制模型选取模块,用于选取所述过程变量模型和所述扰动模型作为所述协调控制系统的控制模型。
7.根据权利要求6所述的超超临界机组协调控制系统的数据建模系统,其特征在于,还包括:
信号状态检测模块,用于检测所述输入变量、所述输出变量和所述扰动变量是否正常,并在所述输入变量、所述输出变量和所述扰动变量正常时返回执行所述信号位置确定模块的功能;
异常信号处理模块,用于在所述输入变量、所述输出变量或所述扰动变量不正常时,对不正常的输入变量、输出变量或扰动变量涉及的变送器或者阀门进行修复处理。
8.根据权利要求6所述的超超临界机组协调控制系统的数据建模系统,其特征在于,所述过程数据采集模块包括:
第一数据采集单元,用于在所述激励信号的加入位置对应的所述输入变量为给定负荷时,保证所述输入变量和所述输出变量不超过对应变化范围,在所述给定负荷的设定值上施加激励2%的激励信号并采集所述过程输入数据和所述过程输出数据;
第二数据采集单元,用于在所述激励信号的加入位置对应的所述输入变量为给煤量时,保证所述输入变量和所述输出变量不超过对应变化范围,在所述给煤量的设定值上施加激励2%的激励信号并采集所述过程输入数据和所述过程输出数据;
第三数据采集单元,用于在所述激励信号的加入位置对应的所述输入变量为给水量时,保证所述输入变量和所述输出变量不超过对应变化范围,在所述给水量的设定值上施加激励3%的激励信号并采集所述过程输入数据和所述过程输出数据。
9.根据权利要求6所述的超超临界机组协调控制系统的数据建模系统,其特征在于,所述第一模型生成单元包括:
模型辨识单元,用于根据各工况的所述过程输入数据和所述过程输出数据进行闭环子空间辨识,得到各工况的阶跃响应系数;
时间获取单元,用于根据所述阶跃响应系数获取阶跃响应延迟时间;
过程变量模型生成单元,用于利用最小二乘法分别对各工况的所述阶跃响应系数进行拟合,生成传递函数矩阵并结合所述阶跃响应延迟时间得到所述过程变量模型。
10.根据权利要求9所述的超超临界机组协调控制系统的数据建模系统,其特征在于,还包括:
参数配置模块,用于分别获取各工况的所述过程输入数据和所述过程输出数据的采样间隔以及所述传递函数矩阵的最佳阶次;
系统运行测试模块,用于根据所述控制模型、所述采样间隔和所述最佳阶次对所述协调控制系统进行运行测试,判断所述超超临界机组是否运行正常;
参数调整模块,用于在超超临界机组运行不正常时,调整所述采样间隔和所述最佳阶次,并返回执行所述参数配置模块的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510745466.9A CN105278333B (zh) | 2015-11-03 | 2015-11-03 | 超超临界机组协调控制系统的数据建模方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510745466.9A CN105278333B (zh) | 2015-11-03 | 2015-11-03 | 超超临界机组协调控制系统的数据建模方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105278333A true CN105278333A (zh) | 2016-01-27 |
CN105278333B CN105278333B (zh) | 2018-08-17 |
Family
ID=55147543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510745466.9A Active CN105278333B (zh) | 2015-11-03 | 2015-11-03 | 超超临界机组协调控制系统的数据建模方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105278333B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106155033A (zh) * | 2016-09-20 | 2016-11-23 | 中国大唐集团科学技术研究院有限公司华中分公司 | 火电机组协调控制系统试验装置及系统 |
CN110579968A (zh) * | 2019-09-25 | 2019-12-17 | 国家能源集团谏壁发电厂 | 一种超超临界机组深度调峰协调系统预测控制策略 |
CN113282043A (zh) * | 2021-06-01 | 2021-08-20 | 国能南京电力试验研究有限公司 | 基于多变量状态空间模型的超超临界机组协调控制方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08284091A (ja) * | 1995-04-07 | 1996-10-29 | Mitsubishi Chem Corp | 静的多変数制御方法および多変数制御装置 |
CN101403924A (zh) * | 2008-11-03 | 2009-04-08 | 东华大学 | 一种控制回路在线迟滞检测的方法 |
CN101436077A (zh) * | 2008-09-28 | 2009-05-20 | 广州粤能电力科技开发有限公司 | 双向校正中间点温度和过热汽温的方法及其专用装置 |
CN101893232A (zh) * | 2010-06-24 | 2010-11-24 | 东南大学 | 火电机组再热汽温改进受限广义预测控制方法 |
CN102109172A (zh) * | 2009-12-24 | 2011-06-29 | 江苏方天电力技术有限公司 | 超临界及超超临界机组燃水比控制方法 |
CN102841540A (zh) * | 2012-09-10 | 2012-12-26 | 广东电网公司电力科学研究院 | 基于多模型预测控制的超临界机组协调控制方法 |
CN102854797A (zh) * | 2012-09-10 | 2013-01-02 | 广东电网公司电力科学研究院 | 火电机组先进控制多模型切换方法 |
CN103185333A (zh) * | 2013-05-06 | 2013-07-03 | 安徽省电力科学研究院 | 一种超临界直流锅炉机组煤质变化协调控制方法 |
CN103440366A (zh) * | 2013-08-05 | 2013-12-11 | 广东电网公司电力科学研究院 | 基于bp神经网络的超超临界汽轮机排汽干度计算方法 |
CN104062905A (zh) * | 2014-07-04 | 2014-09-24 | 华北电力大学(保定) | 一种直流锅炉单元机组协调控制系统及其设计方法 |
CN104201963A (zh) * | 2014-09-11 | 2014-12-10 | 哈尔滨工业大学 | 一种抑制直线电机定位力补偿控制器 |
CN104390234A (zh) * | 2014-10-30 | 2015-03-04 | 国家电网公司 | 带双进双出磨煤机的超超临界发电机组协调控制方法 |
CN104482525A (zh) * | 2014-12-25 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 超超临界机组再热汽温的控制方法和系统 |
CN204373667U (zh) * | 2014-06-30 | 2015-06-03 | 罗斯蒙特公司 | 用于感测工业过程的过程变量的过程变量变送器 |
-
2015
- 2015-11-03 CN CN201510745466.9A patent/CN105278333B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08284091A (ja) * | 1995-04-07 | 1996-10-29 | Mitsubishi Chem Corp | 静的多変数制御方法および多変数制御装置 |
CN101436077A (zh) * | 2008-09-28 | 2009-05-20 | 广州粤能电力科技开发有限公司 | 双向校正中间点温度和过热汽温的方法及其专用装置 |
CN101403924A (zh) * | 2008-11-03 | 2009-04-08 | 东华大学 | 一种控制回路在线迟滞检测的方法 |
CN102109172A (zh) * | 2009-12-24 | 2011-06-29 | 江苏方天电力技术有限公司 | 超临界及超超临界机组燃水比控制方法 |
CN101893232A (zh) * | 2010-06-24 | 2010-11-24 | 东南大学 | 火电机组再热汽温改进受限广义预测控制方法 |
CN102854797A (zh) * | 2012-09-10 | 2013-01-02 | 广东电网公司电力科学研究院 | 火电机组先进控制多模型切换方法 |
CN102841540A (zh) * | 2012-09-10 | 2012-12-26 | 广东电网公司电力科学研究院 | 基于多模型预测控制的超临界机组协调控制方法 |
CN103185333A (zh) * | 2013-05-06 | 2013-07-03 | 安徽省电力科学研究院 | 一种超临界直流锅炉机组煤质变化协调控制方法 |
CN103440366A (zh) * | 2013-08-05 | 2013-12-11 | 广东电网公司电力科学研究院 | 基于bp神经网络的超超临界汽轮机排汽干度计算方法 |
CN204373667U (zh) * | 2014-06-30 | 2015-06-03 | 罗斯蒙特公司 | 用于感测工业过程的过程变量的过程变量变送器 |
CN104062905A (zh) * | 2014-07-04 | 2014-09-24 | 华北电力大学(保定) | 一种直流锅炉单元机组协调控制系统及其设计方法 |
CN104201963A (zh) * | 2014-09-11 | 2014-12-10 | 哈尔滨工业大学 | 一种抑制直线电机定位力补偿控制器 |
CN104390234A (zh) * | 2014-10-30 | 2015-03-04 | 国家电网公司 | 带双进双出磨煤机的超超临界发电机组协调控制方法 |
CN104482525A (zh) * | 2014-12-25 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 超超临界机组再热汽温的控制方法和系统 |
Non-Patent Citations (2)
Title |
---|
王国良 等: "1000MW超超临界机组的多变量约束预测控制的研究", 《控制理论与应用》 * |
王建国 等: "闭环子空间辨识方法的分析与比较", 《控制工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106155033A (zh) * | 2016-09-20 | 2016-11-23 | 中国大唐集团科学技术研究院有限公司华中分公司 | 火电机组协调控制系统试验装置及系统 |
CN110579968A (zh) * | 2019-09-25 | 2019-12-17 | 国家能源集团谏壁发电厂 | 一种超超临界机组深度调峰协调系统预测控制策略 |
CN113282043A (zh) * | 2021-06-01 | 2021-08-20 | 国能南京电力试验研究有限公司 | 基于多变量状态空间模型的超超临界机组协调控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105278333B (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102506454B1 (ko) | 기술 시스템을 제어하기 위한 제어기 및 제어기를 구성하기 위한 방법 | |
CN105278333A (zh) | 超超临界机组协调控制系统的数据建模方法和系统 | |
CA2697760A1 (en) | Real-time scheduling of linear models for control and estimation | |
CN109032117A (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
CN104504614B (zh) | 获得火电厂最优可控因子的试验系统及其方法 | |
US20160146864A1 (en) | Power System Monitoring and Control Apparatus, and Power System Monitoring and Control Method | |
Berenguel et al. | Modelling the free response of a solar plant for predictive control | |
CN106681133A (zh) | 一种水电机组模型改进型子空间闭环辨识方法 | |
US11761623B2 (en) | Apparatus for combustion optimization and method therefor | |
AU2007312222A1 (en) | Method and device for the identification of a delay-susceptible control path, control device, and computer program product | |
US11463849B2 (en) | Data processing device, data analyzing device, data processing system and method for processing data | |
Seppänen et al. | Analysis of electromechanical modes using multichannel Yule-Walker estimation of a multivariate autoregressive model | |
CN105278507B (zh) | 超超临界机组主蒸汽系统的过程优化控制方法和系统 | |
CN116796633A (zh) | 一种基于数字孪生技术的电网监测模型校正方法 | |
CN106371419B (zh) | 用于监视控制回路的运行的诊断装置和诊断方法 | |
US11629856B2 (en) | Apparatus for managing combustion optimization and method therefor | |
CN103513648B (zh) | 控制系统的性能测试方法和系统 | |
CN114065990A (zh) | 一种火电厂中给水泵的监测方法、存储介质和电子装置 | |
Gao et al. | High-gain observer-based parameter identification with application in a gas turbine engine | |
CN202067099U (zh) | 专家模糊增量式自适应的参数在线整定优化系统 | |
CN110968502B (zh) | 基于mfac算法进行遍历测试的系统及方法 | |
Liu et al. | Product Assembling Quality Risk Control Strategy Based on Reverse RQR Chain | |
Reichstaller et al. | Applying deep learning for imitating adaptive agent behavior in statistical software testing | |
Sunny et al. | High performance parameter observation of induction motor with sensorless vector Control using extended Kalman filter | |
Luo et al. | A Time Domain Data-Driven Approach for the Estimation of Closed-Loop Stability Margin |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |