CN105676647B - 一种基于状态观测器的冷热电三联供系统预测控制方法 - Google Patents
一种基于状态观测器的冷热电三联供系统预测控制方法 Download PDFInfo
- Publication number
- CN105676647B CN105676647B CN201610142068.2A CN201610142068A CN105676647B CN 105676647 B CN105676647 B CN 105676647B CN 201610142068 A CN201610142068 A CN 201610142068A CN 105676647 B CN105676647 B CN 105676647B
- Authority
- CN
- China
- Prior art keywords
- mrow
- formula
- mover
- state
- valve opening
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于状态观测器的冷热电三联供系统预测控制方法，包括以下的步骤：S1：获取微型燃气轮机冷热电三联供对象的阶跃响应模型；S2：确定联供对象的状态空间模型；S3：设置控制器参数，并对联供系统的未来状态进行预测；S4：对控制器进行初始化；S5：计算偏差；S6：对状态量进行在线修正；S7：对未来输出进行预测；S8：计算下一时刻燃料量、回热阀门开度和高压冷剂蒸汽阀门开度的最佳控制增量；S9：计算下一时刻燃料量、回热阀门开度和高压冷剂蒸汽阀门开度的最佳控制量；S10：输出最佳控制量，根据测量信号计算并更新下一时刻的输出预测值；然后在每个采样周期内，重复执行步骤S5‑S10。本发明能够改善控制品质。
Description
技术领域
本发明涉及热工自动控制领域，特别是涉及一种基于状态观测器的冷热电三联供系统预测控制方法。
背景技术
冷热电联供是实现能量梯级利用、提高一次能源利用率的重要规划和措施。以微型燃气轮机为动力的冷热电联供系统，以其能源利用的高效率、低排放、分布式、安全性和便于调节等优点，逐渐成为当前世界能源技术的发展趋势之一。
国内外学者针对联供系统的运行优化、建模等方面进行了大量的研究工作，但是控制策略的研究有所不足。再者，由于联供系统存在较大的惯性和延迟，使得控制策略难以设计。联供系统还存在阀门等设备的非线性特征和上下游回路的耦合特性，导致传统控制方法难以取得满意的控制效果。同时，由于扰动、测量噪声、不确定性的存在对控制器有一定干扰作用，很难取得良好的控制品质。目前通常采用的常规PID控制方案，难以有效应对被控对象的大延迟、强耦合特性。
发明内容
发明目的：本发明的目的是提供一种能够改善控制品质的基于状态观测器的冷热电三联供系统预测控制方法。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的基于状态观测器的冷热电三联供系统预测控制方法，包括以下的步骤：
S1：获取微型燃气轮机冷热电三联供对象的阶跃响应模型；
在稳态工况下，分别以燃料量、回热阀门开度和高压冷剂蒸汽阀门开度为输入进行开环阶跃响应试验，经平滑滤波后，分别得到三个输出侧的阶跃响应模型的系数为si.j.k,i＝1,…,ny,j＝1,…,nu,k＝1,…,N；其中，ny、nu分别是系统输出和输入个数，N为三个阶跃响应模型的时域长度；
S2：确定联供对象的状态空间模型，如公式(1)所示：
式(1)中：
y(k)是输出向量，Δu(k)是输入向量增量，X(k)是状态向量，Δd(k)是扰动序列，υ(k)是测量噪声，是输出测量值，xi，i＝1,…N是系统状态量，xP和xd是分别表征动态残留特性和扰动特性的状态，sk是阶跃响应矩阵，如式(2)所示；
矩阵L、T中的参数矩阵为：Ad＝diag{β1,…,βN},0≤βi＜1,Bd＝Iny,Cd＝Iny，输出侧稳定时ai取0，不稳定时ai取1；
S3：设置控制器参数，并对联供系统的未来状态进行预测；
首先，设置控制器参数，包括采样时间Ts，预测时域P，控制时域M，输出误差权矩阵Q，控制权矩阵R；
然后，采用公式(3)所示的预测模型对联供系统的未来状态进行预测：
式(3)中， 表示在k-1时刻对k+i时刻的输出预测值，表示模型输出估计值，xp(k|k-1)T表示在k-1时刻对k时刻的动态残留特性状态的预测值，xd(k|k-1)T表示在k-1时刻对k时刻的扰动特性状态的预测值，ΔuM(k)＝[Δu(k)…Δu(k+M-1)]T，其中Δu(k+i),i＝0,…,M-1表示k+i时刻的输入向量增量，M为控制时域；
S4：对控制器进行初始化；
S5：计算偏差，如式(4)所示：
式(4)中，e(k)为偏差，为输出测量值；
S6：对状态量进行在线修正，如式(5)所示：
式(5)中，K为最佳滤波增益，采用式(6)进行计算：
式(6)中，(fa)i由信噪比di/υi确定；
S7：采用式(7)所示的预测模型对未来输出进行预测；
式(7)中，P为预测时域；
S8：计算下一时刻燃料量、回热阀门开度和高压冷剂蒸汽阀门开度的最佳控制增量Δu(k)；
性能指标函数如式(8)所示：
式(8)中，W(k+1)＝[w(k+1)…w(k+P)]T为未来输出值的参考目标向量，Q为输出误差权矩阵，R为控制权矩阵；
将式(7)的预测输出带入式(8)中，并且通过求取性能指标函数的极值求得最佳控制增量为：
式(9)中，
S9：计算下一时刻燃料量、回热阀门开度和高压冷剂蒸汽阀门开度的最佳控制量u(k)，如式(10)所示：
u(k)＝u(k-1)+Δu(k) (10)
S10：输出最佳控制量u(k)，根据测量信号计算并更新下一时刻的输出预测值然后在每个采样周期内，重复执行步骤S5—S10。
进一步，所述步骤S3中的Ts按照式(11)来选取：
T95/Ts＝5～15 (11)
式(11)中，T95为过渡过程上升到95％的调节时间。
进一步，所述步骤S3中的M的取值范围为3～5。
进一步，所述步骤S3中的Q和R分别如式(12)所示：
Q＝IP×P (12)
R＝IM×M (13)。
有益效果：与现有技术相比，本发明具有以下优点：通过采用多变量预测控制方法，能够更好地实现输出侧的协调，有效处理系统间的耦合特性，提高动态调节品质；同时通过引入状态观测器，能够有效抑制外界扰动及测量噪声造成的影响，从而保证联供系统的控制品质。
附图说明
图1为本发明冷热电联供系统控制系统框图；
图2为本发明与传统PID控制器在参考值阶跃变化时出口热水温度、出口冷水温度和燃气轮机转速的对比图；
图3为本发明与传统PID控制器在参考值阶跃变化时高压冷剂蒸汽阀门开度、回热阀门开度和燃料量的对比图；
图4为本发明与传统PID控制器在输出侧阶跃扰动时出口热水温度、出口冷水温度和燃气轮机转速的对比图；
图5为本发明与传统PID控制器在输出侧阶跃扰动时高压冷剂蒸汽阀门开度、回热阀门开度和燃料量的对比图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步的介绍。
本发明公开了一种基于状态观测器的冷热电三联供系统预测控制方法，系统框图如图1所示，本发明方法包括以下的步骤：
S1：获取微型燃气轮机冷热电三联供对象的阶跃响应模型。冷热电联供系统动态特性可用公式(1)所示的传递函数模型描述：
式(1)中，u1、u2、u3分别表示燃料量(kg/s)、回热阀门开度和高压冷剂蒸汽阀门开度；y1、y2、y3分别表示燃气轮机转速(rad/min)、出口冷水温度(℃)和出口热水温度(℃)。各传递函数分别为：
用燃气轮机转速y1表示发电量，且G13(s)＝0表示高压冷剂蒸汽阀门开度对燃气轮机转速无影响。
设模型时域N＝100。通过阶跃响应实验，分别获得冷热电联供系统阶跃响应系数分别为：
[s1,1,1,…,s1,1,100]＝[0,0.3367,0.5385,0.6361,0.6822,0.7047,…,0.7235,0.7235]，
[s1,2,1,…,s1,2,100]＝[0,0.1478,0.2711,0.3322,0.3612,0.3749,…,0.3871,0.3871]，
[s1,3,1,…,s1,3,100]＝[0,0,0,0,0,0,…,0,0]，
[s2,1,1,…,s2,1,100]＝[0,-0.0030,-0.0100,-0.0172,-0.0239,…,-0.1756,-0.1757]，
[s2,2,1,…,s2,2,100]＝[0,0.0037,0.0059,0.0069,0.0076,0.0082,…,0.0220,0.0220]，
[s2,3,1,…,s2,3,100]＝[-0.0868,-0.0920,-0.0971,-0.1020,-0.1067,…,-0.2198,-0.2199]，
[s3,1,1,…,s3,1,100]＝[0,0.0047,0.0169,0.0315,0.0460,0.0597,…,0.2326,0.2327]，
[s3,2,1,…,s3,2,100]＝[0,-0.0058,-0.0108,-0.0138,-0.0155,…,-0.0291,-0.0291]，
[s3,3,1,…,s3,3,100]＝[0,-0.1204,-0.1752,-0.2009,-0.2135,…,-0.2787,-0.2787]；
S2：获取冷热电联供系统状态空间模型。系统状态空间模型如式(8)所示：
将Ad＝0.5I3×3,Bd＝I3×3,Cd＝I3×3,AP＝03×3代入式(8)中，可得：
S3：设置控制器相关参数。令采样时间Ts＝10s，预测时域P＝20，控制时域M＝5，输出误差权矩阵Q＝IP×P，控制权矩阵R＝IM×M；
S4：初始化控制器的状态。在某个稳态工况下，检测当前时刻的输出测量值y(k)，并将其作为未来100步的初始预测值；
S5：计算偏差，如式(9)所示：
式(9)中，e(k)为偏差，为输出测量值；
S6：对预测模型的状态量进行修正：取最佳滤波增益
S7：采用式(10)所示的预测模型对未来输出进行预测；
S8：计算下一时刻燃料量、回热阀门开度和高压冷剂蒸汽阀门开度的最佳控制增量，即其中，W(k+1)＝[68000,7,80,…,68000,7,80]T
S9：计算下一时刻燃料量、回热阀门开度和高压冷剂蒸汽阀门开度的最佳控制量u(k)＝u(k-1)+Δu(k)；
S10：输出最佳控制量u(k)，根据测量信号计算并更新下一时刻的输出预测值其后在每个采样周期内，重复执行步骤S5—S10。
本发明基于状态观测器的冷热电联供系统预测控制效果与PID控制效果的对比如图2、图3所示。在初始稳态工况为u1＝0.0085kg/s、u2＝0.3、u3＝0.2、y1＝68000rad/min、y2＝7℃、y3＝80℃时，假定输出目标值分别变化-6800rad/min、0.7℃、-8℃，实线部分表示基于状态观测器的预测控制器控制效果，虚线表示传统PID控制器控制效果。可以看出，由于联供系统大延迟、强耦合的特点，传统PID控制器控制效果不佳。而本发明能在较短的时间内稳定输出量，保证控制品质，波动小，响应速度快；同时，燃料量及阀门的变化更小，能有效减小运行费用并降低阀门损耗。
本发明基于状态观测器的冷热电联供预测控制与PID控制抗扰动能力的对比如图4、图5所示。在初始稳态工况为u1＝0.0085kg/s、u2＝0.3、u3＝0.2、y1＝68000rad/min、y2＝7℃、y3＝80℃时，假定输出侧分别有数值为6800rad/min、0.7℃、8℃的阶跃扰动，实线部分表示基于状态观测器的预测控制器控制效果，虚线表示传统PID控制器控制效果。可以看出，由于传统PID控制器的强鲁棒性，其抗扰动能力与基于状态空间的预测控制器类似，但是传统PID控制器通过牺牲控制量来抑制阶跃扰动，导致控制量波动较大。与之相比，基于状态观测器的预测控制器能减小燃料量和阀门开度的变化，并减小因阀门开度不断变化造成的磨损，延长阀门使用寿命。
Claims (3)
1.一种基于状态观测器的冷热电三联供系统预测控制方法，其特征在于：包括以下的步骤：
S1：获取微型燃气轮机冷热电三联供对象的阶跃响应模型；
在稳态工况下，分别以燃料量、回热阀门开度和高压冷剂蒸汽阀门开度为输入进行开环阶跃响应试验，经平滑滤波后，分别得到三个输出侧的阶跃响应模型的系数为si.j.k,i＝1,…,ny,j＝1,…,nu,k＝1,…,N；其中，ny、nu分别是系统输出和输入个数，N为三个阶跃响应模型的时域长度；
S2：确定联供对象的状态空间模型，如公式(1)所示：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>L</mi>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>S</mi>
<mi>&Delta;</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>T</mi>
<mi>&Delta;</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>C</mi>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&upsi;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中：
y(k)是输出向量，Δu(k)是输入向量增量，X(k)是状态向量，Δd(k)是扰动序列，υ(k)是测量噪声，是输出测量值，xi，i＝1,…N是系统状态量，xP和xd是分别表征动态残留特性和扰动特性的状态，sk是阶跃响应矩阵，如式(2)所示；
矩阵L、T中的参数矩阵为：Ad＝diag{β1,…,βN},0≤βi＜1,Bd＝Iny,Cd＝Iny，输出侧稳定时ai取0，不稳定时ai取1；
S3：设置控制器参数，并对联供系统的未来状态进行预测；
首先，设置控制器参数，包括采样时间Ts，预测时域P，控制时域M，输出误差权矩阵Q，控制权矩阵R；
然后，采用公式(3)所示的预测模型对联供系统的未来状态进行预测：
<mrow>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>L</mi>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>S&Delta;u</mi>
<mi>M</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中， 表示在k-1时刻对k+i时刻的输出预测值，xp(k|k-1)T表示在k-1时刻对k时刻的动态残留特性状态的预测值，xd(k|k-1)T表示在k-1时刻对k时刻的扰动特性状态的预测值，ΔuM(k)＝[Δu(k) … Δu(k+M-1)]T，其中Δu(k+i),i＝0,…,M-1表示k+i时刻的输入向量增量，M为控制时域；
S4：对控制器进行初始化；
S5：计算偏差，如式(4)所示：
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)中，e(k)为偏差，为输出测量值；
S6：对状态量进行在线修正，如式(5)所示：
<mrow>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>K</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)中，K为最佳滤波增益，采用式(6)进行计算：
式(6)中，(fa)i由信噪比di/υi确定；
S7：采用式(7)所示的预测模型对未来输出进行预测；
<mrow>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>L</mi>
<mi>P</mi>
</msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>S</mi>
<mi>P</mi>
<mi>M</mi>
</msubsup>
<msub>
<mi>&Delta;u</mi>
<mi>M</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式(7)中，LP＝[I(P*ny)×(P*ny) … 0]×L，P为预测时域；
S8：计算下一时刻燃料量、回热阀门开度和高压冷剂蒸汽阀门开度的最佳控制增量Δu(k)；
性能指标函数如式(8)所示：
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>J</mi>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mi>Q</mi>
<mo>&lsqb;</mo>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>R&Delta;u</mi>
<mi>M</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式(8)中，W(k+1)＝[w(k+1) … w(k+P)]T为未来输出值的参考目标向量，Q为输出误差权矩阵，Q＝IP×P，R为控制权矩阵，R＝IM×M；
将式(7)的预测输出带入式(8)中，并且通过求取性能指标函数的极值求得最佳控制增量为：
<mrow>
<mi>&Delta;</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式(9)中，
S9：计算下一时刻燃料量、回热阀门开度和高压冷剂蒸汽阀门开度的最佳控制量u(k)，如式(10)所示：
u(k)＝u(k-1)+Δu(k) (10)
S10：输出最佳控制量u(k)，根据测量信号计算并更新下一时刻的输出预测值然后在每个采样周期内，重复执行步骤S5—S10。
2.根据权利要求1所述的基于状态观测器的冷热电三联供系统预测控制方法，其特征在于：所述步骤S3中的Ts按照式(11)来选取：
T95/Ts＝5～15 (11)
式(11)中，T95为过渡过程上升到95％的调节时间。
3.根据权利要求1所述的基于状态观测器的冷热电三联供系统预测控制方法，其特征在于：所述步骤S3中的M的取值范围为3～5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610142068.2A CN105676647B (zh) | 2016-03-11 | 2016-03-11 | 一种基于状态观测器的冷热电三联供系统预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610142068.2A CN105676647B (zh) | 2016-03-11 | 2016-03-11 | 一种基于状态观测器的冷热电三联供系统预测控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105676647A CN105676647A (zh) | 2016-06-15 |
| CN105676647B true CN105676647B (zh) | 2018-04-24 |
Family
ID=56307725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610142068.2A Active CN105676647B (zh) | 2016-03-11 | 2016-03-11 | 一种基于状态观测器的冷热电三联供系统预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105676647B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106855691B (zh) * | 2016-12-06 | 2019-07-30 | 东南大学 | 用于超临界火电机组机炉系统负荷跟踪的双层控制系统 |
| CN106647268B (zh) * | 2016-12-21 | 2019-06-21 | 东南大学 | 基于模型预测控制的mgt-cchp分层最优控制系统 |
| CN107203129B (zh) * | 2017-05-16 | 2020-05-05 | 上海虹桥商务区能源服务有限公司 | 区域三联供增量优化控制方法 |
| CN107703745B (zh) * | 2017-09-21 | 2020-11-03 | 东南大学 | 基于经济预测控制的mgt-cchp控制系统 |
| CN107807524B (zh) * | 2017-10-20 | 2021-05-11 | 东南大学 | 一种微型燃气轮机冷热电三联供系统鲁棒自适应控制方法 |
| CN109213219B (zh) * | 2018-09-29 | 2021-04-06 | 浙江工业大学 | 一种中药饮片气相置换润药过程压力预测控制方法 |
| CN109669355B (zh) * | 2018-12-13 | 2021-10-19 | 东南大学 | 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法 |
| CN111596546B (zh) * | 2020-05-19 | 2022-06-03 | 东南大学 | 一种微型燃气轮机热电联供系统抗扰预测控制方法 |
| CN113885311B (zh) * | 2021-09-18 | 2024-04-16 | 东南大学溧阳研究院 | 一种基于广义频率法的燃气轮机燃烧室模型闭环辨识方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101963344A (zh) * | 2010-09-13 | 2011-02-02 | 东南大学 | 基于过程特性补偿的再热汽温控制方法 |
| CN102401371A (zh) * | 2011-12-06 | 2012-04-04 | 东南大学 | 一种基于多变量预测控制的再热气温优化控制方法 |
| CN104656448A (zh) * | 2015-01-16 | 2015-05-27 | 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 |
| CN104699064A (zh) * | 2015-03-20 | 2015-06-10 | 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 |
-
2016
- 2016-03-11 CN CN201610142068.2A patent/CN105676647B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101963344A (zh) * | 2010-09-13 | 2011-02-02 | 东南大学 | 基于过程特性补偿的再热汽温控制方法 |
| CN102401371A (zh) * | 2011-12-06 | 2012-04-04 | 东南大学 | 一种基于多变量预测控制的再热气温优化控制方法 |
| CN104656448A (zh) * | 2015-01-16 | 2015-05-27 | 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 |
| CN104699064A (zh) * | 2015-03-20 | 2015-06-10 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| Modeling and Model Predictive Control of Micro Gas Turbine-based Combined Cooling, Heating and Power system;Mingjuan Zhu 等;《2016 28th Chinese Control and Decision Conference》;20160808;全文 * |
| Observer based model predictive control of a MGT-CCHP system;Liao Peizhi 等;《2016 28th Chinese Control and Decision Conference》;20160808;全文 * |
| 基于小波神经网络的火电单元机组负荷系统建模仿真研究;侯逸文 等;《中国电机工程学报》;20031031;第23卷(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105676647A (zh) | 2016-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105676647B (zh) | 一种基于状态观测器的冷热电三联供系统预测控制方法 | |
| CN103225799B (zh) | 一种火电厂主蒸汽温度控制方法 | |
| CN102401371B (zh) | 一种基于多变量预测控制的再热汽温优化控制方法 | |
| CN102494336B (zh) | 一种循环流化床锅炉燃烧过程多变量控制方法 | |
| Kumar et al. | Design of fractional order PID controller for load frequency control system with communication delay | |
| Wang et al. | Experimental study on the dynamics, quality and impacts of using variable-speed pumps in buildings for frequency regulation of smart power grids | |
| CN107703745B (zh) | 基于经济预测控制的mgt-cchp控制系统 | |
| CN106786677A (zh) | 一种计及风电的互联电力系统分布式动态矩阵频率控制方法 | |
| CN104281057A (zh) | 一种应用于变压器冷却系统的复合pid模糊控制方法 | |
| CN109669355B (zh) | 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法 | |
| CN104102134B (zh) | 一种通过性能指标实现再热汽温多变量协调预测控制的方法 | |
| Ansarifar et al. | Gain scheduled dynamic sliding mode control for nuclear steam generators | |
| CN101893232A (zh) | 火电机组再热汽温改进受限广义预测控制方法 | |
| CN103322553A (zh) | 一种火电机组过热汽温多模型扰动估计预测控制方法 | |
| Kumar et al. | Robust frequency-shifting based control amid false data injection attacks for interconnected power systems with communication delay | |
| Yang et al. | Fractional-order sliding mode load frequency control and stability analysis for interconnected power systems with time-varying delay | |
| Saxena et al. | Rule-based adaptive frequency regulation with real stochastic model intermittency in a restructured power system | |
| Ren et al. | Feedforward feedback pitch control for wind turbine based on feedback linearization with sliding mode and fuzzy PID algorithm | |
| CN106877766A (zh) | 基于强化学习算法的双馈感应风力发电机自校正控制方法 | |
| Wang et al. | Reinforcement learning control strategy for differential pressure setpoint in large-scale multi-source looped district cooling system | |
| Wang et al. | Time delay thermal control of a compact proton exchange membrane fuel cell against disturbances and noisy measurements | |
| CN114371619B (zh) | 一种mgt-cchp变工况动态能效优化控制方法 | |
| CN107807524A (zh) | 一种微型燃气轮机冷热电三联供系统鲁棒自适应控制方法 | |
| Arastou et al. | Modeling and parameter estimation of a steam power plant including condenser back-pressure uncertainty using operational data | |
| Yang et al. | Dynamic fuzzy temperature control with quasi-Newtonian particle swarm optimization for precise air conditioning |
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 |