CN105889910B - 一种循环流化床锅炉的新型agc控制方法 - Google Patents
一种循环流化床锅炉的新型agc控制方法 Download PDFInfo
- Publication number
- CN105889910B CN105889910B CN201610289585.2A CN201610289585A CN105889910B CN 105889910 B CN105889910 B CN 105889910B CN 201610289585 A CN201610289585 A CN 201610289585A CN 105889910 B CN105889910 B CN 105889910B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtr
- mtd
- msub
- formula
- 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 26
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000013459 approach Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 238000005096 rolling process Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 7
- 230000009897 systematic effect Effects 0.000 claims description 6
- 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 claims description 4
- 230000009471 action Effects 0.000 claims description 2
- 239000013256 coordination polymer Substances 0.000 claims description 2
- 230000026676 system process Effects 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000033228 biological regulation Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000012546 transfer Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 239000003245 coal Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23C—METHODS OR APPARATUS FOR COMBUSTION USING FLUID FUEL OR SOLID FUEL SUSPENDED IN A CARRIER GAS OR AIR
- F23C10/00—Fluidised bed combustion apparatus
- F23C10/18—Details; Accessories
- F23C10/28—Control devices specially adapted for fluidised bed, combustion apparatus
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23C—METHODS OR APPARATUS FOR COMBUSTION USING FLUID FUEL OR SOLID FUEL SUSPENDED IN A CARRIER GAS OR AIR
- F23C2206/00—Fluidised bed combustion
- F23C2206/10—Circulating fluidised bed
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种循环流化床锅炉的新型AGC控制方法，包括以下的步骤：S1：获取控制对象的阶跃响应系数；S2：获得控制对象的状态空间近似表述形式；S3：获取预测控制的预测模型；S4：进行控制方法的滚动优化；S5：进行控制方法的反馈校正。本发明充分利用锅炉侧的一次风在循环流化床锅炉动态过程对于汽机侧的机组功率的动态调节作用，充分利用炉膛床料蓄能，减小锅炉燃料量的滞后影响，改良的预测控制算法可以提高系统的扰动抑制能力。
Description
技术领域
本发明涉及循环流化床AGC控制的研究领域，特别是涉及一种循环流化床锅炉的新型AGC控制方法。
背景技术
能源是国民经济发展的基础，而煤炭资源在我国一次能源的结构中占有非常重要的地位，其比例大概在70％左右，另一方面来说，煤炭的开发利用会产生大量的二氧化碳、二氧化硫和氮氧化物，从而造成严峻的环境问题，在这样的背景之下，发展洁净煤技术势在必行。而与其他的洁净煤技术相比，循环流化床技术从技术完备性和经济适用性来看，均符合我国当前的国情，是比较合适的选择。
循环流化床锅炉作为一种新型的煤燃烧技术，相比于传统的煤粉炉，具有燃烧效率高、燃料适应性广、燃烧污染低、脱硫效率高和投资成本低等特点。与一般的工业锅炉不同的是，循环流化床锅炉除了需要完成普通锅炉的自动调节任务：即保证汽包水位、蒸汽压力、蒸汽温度和炉膛负压等在规定范围内之外，为了维持经济稳定的燃烧，还需要保持一定的料床高度和合理的床温。随着循环流化床锅炉的大型化，汽水循环的加速易导致出现不稳定现象，所以也需要特别考虑锅炉运行的安全性。同时，循环流化床锅炉的控制对象非常的复杂，具有参数多、非线性、时变和耦合性强等特性，所以对于这类锅炉的控制难度也将更大。传统的定参数PI和PID控制器无法保证最佳的控制效果和机组的长期稳定正常运行，甚至还会因为控制不当造成运行事故。长期的研究和实践证明，为解决CFBB机组的自动控制难题，引入先进控制算法来实现对象复杂的控制要求，对于保证热电厂安全、经济、环保的运行具有十分重要的意义。同时，对于入网的机组，电网对其机组负荷往往是有精确而严格的要求的，就我国的电网技术要求而言，在AGC联调时机组升降负荷的速率应达到2.0MW/min以上，且负荷稳态控制精度在±0.5％Pe在，负荷最大动态控制精度在±1.5％Pe以内，即机组往往需要在较短的时间内完成大范围的负荷跟踪，传统的流化床锅炉由于锅炉侧的延迟和大惯性，其AGC的负荷升降速率和精度往往不能得到很好的保证，所以新的形势对于机组的AGC控制结构也提出了新的要求。
另外，随着工业系统的日益庞大与复杂，大量的复杂时变、包含非平稳随机信号的扰动对控制系统的正常运行产生了越来越严重的影响。而控制系统性能的下降又会进一步引起生产过程的频繁波动，不仅会直接影响产品的品质和系统的安全运行，而且也会导致设备的损耗加快。在这样的背景之下，对于控制器就必须要求具备更高的扰动抑制性能，所以对于控制系统的扰动抑制能力的研究也就变得愈发重要。
发明内容
发明目的：本发明的目的是提供一种能够提高扰动抑制能力的循环流化床锅炉的新型AGC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：
本发明所述的循环流化床锅炉的新型AGC控制方法，包括以下的步骤：
S1：获取控制对象的阶跃响应系数；
对电厂的控制对象进行阶跃响应试验，设该对象有m个控制输入、p个输出，获取相应的阶跃响应系数矩阵Ai，如式(1)所示：
式(1)中，m为输入量的个数，p为输出量的个数，N为模型长度；
S2：获得控制对象的状态空间近似表述形式；
控制对象的状态空间近似表述形式如式(2)所示：
式(2)中，X(k)为状态变量，y(k)为输出变量，Δu(k)为控制量增量,S、A和C分别如式(3)、(4)和(5)所示；
式(4)中，Ai如式(1)所示；
S3：获取预测控制的预测模型；
预测模型如式(6)所示：
y(k)＝FX(k)+ΦΔu(k) (6)
式(6)中，
式(7)中，yii(k+1|k)为基于k时刻的数据计算获得的k+1时刻的输出预测值，ii＝1,…,p，p为输出量个数；式(8)中，Δujj(k)为控制量增量，jj＝1,…,m，m为输入量个数；
S4：进行控制方法的滚动优化；
在时刻k制定基于状态空间模型的预测控制方法的性能指标，如式(10)所示：
式(10)中，J(k)为性能指标函数，w(k)为设定值，y(k)为输出值，Δu(k)为控制量增量，矩阵Q和R分别为误差权矩阵和控制权矩阵；
得到相应的最优控制增量ΔuM(k)为：
ΔuM(k)＝(ΦTQΦ+R)-1ΦTQ[w(k)-FX(k)] (11)
式(11)中，F、Φ如式(9)所示；
相应的即时控制增量Δu(k)为：
Δu(k)＝LΔuM(k) (12)
其中，Δu(k)如式(8)所示，ΔuM(k)如式(13)所示，L如式(15)所示：
式(13)中，Δujj,M(k)如式(14)所示，jj＝1,…,m，m为输入量个数；
式(15)中，L0如式(16)所示：
L0＝[1 0 … 0](1×M) (16)
式(11)——式(16)中，M为预测控制的控制时域；
由此获得Δu(k)，并通过u(k)＝u(k-1)+Δu(k)来计算u(k)的值；
S5：进行控制方法的反馈校正。
进一步，所述步骤S2中的状态变量X(k)通过卡尔曼滤波器获取，包括以下步骤：
S2.1：不考虑控制作用的多输入多输出控制对象的离散时间线性时不变系统的状态空间描述如式(17)所示：
式(17)中，V(k)为测量噪声，W(k)为系统过程噪声，Γ为系统噪声输入矩阵；
系统过程噪声W(k)和测量噪声V(k)均为高斯白噪声序列，且两者互不相关或者两者δ相关，且两者具备式(18)所示的统计特性：
式(18)中，Q0为非负定矩阵，表示系统过程噪声W(k)的方差阵；R0为正定阵，表示测量噪声V(k)的方差阵，δ(k,j)为克罗尼克δ符号；
S2.2：计算通过卡尔曼滤波器进行状态估计所需的参数；
基于k-1时刻状态量预测值获得的k时刻状态量预测值为：
式(19)中，为k-1时刻状态量估计值；
基于k-1时刻预测误差协方差阵获得的k时刻预测误差协方差阵P(k|k-1)为：
P(k|k-1)＝AP(k-1)AT+ΓQ0(k-1)ΓT (20)
式(20)中，P(k-1)为k-1时刻预测误差协方差阵；Q0(k-1)为k-1时刻非负定矩阵，代表系统过程噪声W(k)的方差阵；
k时刻增益矩阵K(k)为：
K(k)＝P(k)CT(CP(k)CT+R0(k))-1＝P(k)CTR0(k)-1 (21)
式(21)中，P(k)为k时刻预测误差协方差阵，R0(k)为k时刻正定矩阵，表示测量噪声V(k)的方差阵；
k时刻预测误差协方差阵P(k)为：
P(k)＝(I-K(k)C)P(k|k-1)(I-K(k)C)T+K(k)R(k)K(k)T＝(I-K(k)C)P(k|k-1)
(22)
k时刻状态量预测值的最优值为：
有益效果：与现有技术相比，本发明具有以下优点：(1)本发明充分利用锅炉侧的一次风在循环流化床锅炉动态过程对于汽机侧的机组功率的动态调节作用，充分利用炉膛床料蓄能，减小锅炉燃料量的滞后影响；(2)改良的预测控制算法可以提高系统的扰动抑制能力。
附图说明
图1为本发明的流程图；
图2为不同控制算法下主蒸汽压力的仿真结果；
图3为不同控制算法下机组功率的仿真结果；
图4为不同控制算法下床温的仿真结果；
图5为不同控制算法下锅炉负荷指令的变化情况；
图6为不同控制算法下汽机负荷指令的变化情况；
图7为不同控制算法下一次风量的变化情况；
图8为预测控制抗扰仿真试验中所添加的扰动示意图；
图9为本发明在预测控制抗扰仿真试验中的主蒸汽压力的仿真结果；
图10为本发明在预测控制抗扰仿真试验中的机组功率的仿真结果；
图11为本发明在预测控制抗扰仿真试验中的床温的仿真结果；
图12为本发明在预测控制抗扰仿真试验中的锅炉负荷指令的变化情况；
图13为本发明在预测控制抗扰仿真试验中的汽机负荷指令的变化情况；
图14为本发明在预测控制抗扰仿真试验中的一次风量的变化情况。
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。
本实例中的所涉及到的循环流化床锅炉控制对象模型，由基于某电厂相关试验数据的系统辨识获得。为了说明新型AGC控制结构的优点，本例中通过辨识75％负荷工况相关数据，获得两组不同的控制对象传递函数模型，分别是基于传统2×2AGC控制结构的2×2传递函数模型和基于新型3×3AGC控制结构的3×3传递函数模型；基于状态空间模型的预测控制算法则通过对象的阶跃响应试验获取相应的动态参数矩阵。
下面，本例分别基于两种不同的传递函数模型进行仿真验证。对于基于传统2×2AGC控制结构的传递函数模型G1，本例采用传统的PID控制方法对主蒸汽压力和机组功率进行调节；而对于基于新型3×3AGC控制结构的传递函数模型G2，本例则分别采用基于传递函数和状态空间模型的预测控制算法来对主蒸汽压力、机组功率和锅炉床温进行控制调节，并对抗扰性能进行比较和讨论，相应的控制流程图如图1所示。
通过Matlab软件的simulink模块进行仿真实验，对机组功率的设定值取为2.5MW/min的斜波上升信号，并相应得对主蒸汽压力和锅炉床温的设定值取为斜波上升信号。
从图2、图3和图4的控制效果对比图中可以看出，在常规AGC控制结构下，传统的PID控制器无法同时满足主蒸汽压力和机组功率的设定值跟踪要求，即使满足负荷跟踪速率要求，其主蒸汽压力的波动会非常剧烈，控制效果非常不理想；而针对新型的AGC控制结构，预测控制算法能很好得满足升负荷的要求，且同时可以保证主蒸汽压力和床温的设定值跟踪。同时，单纯得考察新型AGC控制结构下的预测控制算法也可以发现，在设定值跟踪方面，基于传递函数模型和状态空间模型的预测控制算法控制效果相当，均可以获得理想的控制精度。
从图5、图6和图7的控制量变化曲线对比图中可以看出，在常规AGC控制结构下，传统的PID控制器相比于预测控制，其控制量变化过于剧烈，在实际工业过程中是不可取的；而新型的AGC控制结构下，预测控制的控制量变化幅度较小，且基于传递函数模型和状态空间模型的预测控制算法的控制量变化幅度相当；同时，从新增的输入量——一次风量的变化曲线中也可以看出，如图7所示，一次风量在机组功率调整的初期呈现出较大得增加，其变化趋势符合我们之前的理论分析，从而进一步验证了新型AGC控制结构对于改善循环流化床锅炉由于燃料量响应滞后所带来的不利影响的可行性。
下面，为了说明基于状态空间模型的预测控制算法相比于基于传递函数模型的预测控制算法在抗扰性方面的优势，本例同时针对上述两种预测控制算法，在升负荷结束后机组控制趋于稳定时，在输出侧加入斜波阶跃扰动信号，如图8所示，其控制效果如图9、图10和图11所示，控制量变化如图12、图13和图14所示。
从图9、图10和图11的抗扰效果曲线可以看出，对于斜波信号的扰动，相比于基于传递函数模型的预测控制算法，基于状态空间模型的预测控制算法能较快得消除扰动的影响；而从图12、图13和图14相应的控制量变化曲线中也可以同样看出，基于状态空间模型的预测控制算法控制量变化比较明显，但是仍可以较快稳定下来；而基于传递函数模型的预测控制算法，其控制量虽然变化幅度较小，但是却保持持续的波动，不能在短时间内稳定下来。通过图12、图13和图14也可以看出，基于传递函数模型的预测控制没有很好得完成协调控制的任务，基本上对于扰动的抑制主要通过汽机的阀门开度来完成，相比于协调控制较为理想的基于状态空间模型预测控制方法，其调节的效率较低。
综上所述，本例可以充分印证，本发明公开的新型AGC控制方法，可以满足循环流化床锅炉机组AGC运行的升降负荷速率和精度要求，维持机组整体的经济运行和脱硫效率，同时改善常规预测控制算法对扰动的抑制效果不佳的问题。
Claims (2)
1.一种循环流化床锅炉的新型AGC控制方法，其特征在于：包括以下的步骤：
S1：获取控制对象的阶跃响应系数；
对电厂的控制对象进行阶跃响应试验，设该对象有m个控制输入、p个输出，获取相应的阶跃响应系数矩阵Ai，如式(1)所示：
式(1)中，m为输入量的个数，p为输出量的个数，N为模型长度；
S2：获得控制对象的状态空间近似表述形式；
控制对象的状态空间近似表述形式如式(2)所示：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>S</mi>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>A</mi>
<mi>&Delta;</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<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>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中，X(k)为状态变量，y(k)为输出变量，Δu(k)为控制量增量,S、A和C分别如式(3)、(4)和(5)所示；
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>A</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>A</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>A</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)中，Ai如式(1)所示；
S3：获取预测控制的预测模型；
预测模型如式(6)所示：
y(k)＝FX(k)+ΦΔu(k) (6)
式(6)中，
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;u</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;u</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式(7)中，yii(k+1|k)为基于k时刻的数据计算获得的k+1时刻的输出预测值，ii＝1,…,p，p为输出量个数；式(8)中，Δujj(k)为控制量增量，jj＝1,…,m，m为输入量个数；
S4：进行控制方法的滚动优化；
在时刻k制定基于状态空间模型的预测控制方法的性能指标，如式(10)所示：
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mi>w</mi>
<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>
<msubsup>
<mo>|</mo>
<mi>Q</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<mi>&Delta;</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>R</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式(10)中，J(k)为性能指标函数，w(k)为设定值，y(k)为输出值，Δu(k)为控制量增量，矩阵Q和R分别为误差权矩阵和控制权矩阵；
得到相应的最优控制增量ΔuM(k)为：
ΔuM(k)＝(ΦTQΦ+R)-1ΦTQ[w(k)-FX(k)] (11)
式(11)中，F、Φ如式(9)所示；
相应的即时控制增量Δu(k)为：
Δu(k)＝LΔuM(k) (12)
其中，Δu(k)如式(8)所示，ΔuM(k)如式(13)所示，L如式(15)所示：
<mrow>
<msub>
<mi>&Delta;u</mi>
<mi>M</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;u</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;u</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
式(13)中，Δujj,M(k)如式(14)所示，jj＝1,…,m，m为输入量个数；
<mrow>
<msub>
<mi>&Delta;u</mi>
<mrow>
<mi>j</mi>
<mi>j</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;u</mi>
<mrow>
<mi>j</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;u</mi>
<mrow>
<mi>j</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
式(15)中，L0如式(16)所示：
L0＝[1 0 … 0](1×M) (16)
式(11)——式(16)中，M为预测控制的控制时域；
由此获得Δu(k)，并通过u(k)＝u(k-1)+Δu(k)来计算u(k)的值；
S5：进行控制方法的反馈校正。
2.根据权利要求1所述的循环流化床锅炉的新型AGC控制方法，其特征在于：所述步骤S2中的状态变量X(k)通过卡尔曼滤波器获取，包括以下步骤：
S2.1：不考虑控制作用的多输入多输出控制对象的离散时间线性时不变系统的状态空间描述如式(17)所示：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>A</mi>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&Gamma;</mi>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<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>
<mo>+</mo>
<mi>V</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>17</mn>
<mo>)</mo>
</mrow>
</mrow>
式(17)中，V(k)为测量噪声，W(k)为系统过程噪声，Γ为系统噪声输入矩阵；
系统过程噪声W(k)和测量噪声V(k)均为高斯白噪声序列，且两者互不相关或者两者δ相关，且两者具备式(18)所示的统计特性：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>,</mo>
<mi>W</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>Q</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>,</mo>
<mi>V</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>R</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>,</mo>
<mi>V</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>18</mn>
<mo>)</mo>
</mrow>
</mrow>
式(18)中，Q0为非负定矩阵，表示系统过程噪声W(k)的方差阵；R0为正定阵，表示测量噪声V(k)的方差阵，δ(k,j)为克罗尼克δ符号；
S2.2：计算通过卡尔曼滤波器进行状态估计所需的参数；
基于k-1时刻状态量预测值获得的k时刻状态量预测值为：
<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>A</mi>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>19</mn>
<mo>)</mo>
</mrow>
</mrow>
式(19)中，为k-1时刻状态量估计值；
基于k-1时刻预测误差协方差阵获得的k时刻预测误差协方差阵P(k|k-1)为：
P(k|k-1)＝AP(k-1)AT+ΓQ0(k-1)ΓT (20)
式(20)中，P(k-1)为k-1时刻预测误差协方差阵；Q0(k-1)为k-1时刻非负定矩阵，代表系统过程噪声W(k)的方差阵；
k时刻增益矩阵K(k)为：
K(k)＝P(k)CT(CP(k)CT+R0(k))-1＝P(k)CTR0(k)-1 (21)
式(21)中，P(k)为k时刻预测误差协方差阵，R0(k)为k时刻正定矩阵，表示测量噪声V(k)的方差阵；
k时刻预测误差协方差阵P(k)为：
P(k)＝(I-K(k)C)P(k|k-1)(I-K(k)C)T+K(k)R(k)K(k)T＝(I-K(k)C)P(k|k-1) (22)
k时刻状态量预测值的最优值为：
<mrow>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<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>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<mi>C</mi>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>-</mo>
<mi>K</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mi>C</mi>
<mo>)</mo>
</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>K</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>(</mo>
<mn>23</mn>
<mo>)</mo>
<mo>.</mo>
</mrow>
3
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610289585.2A CN105889910B (zh) | 2016-05-04 | 2016-05-04 | 一种循环流化床锅炉的新型agc控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610289585.2A CN105889910B (zh) | 2016-05-04 | 2016-05-04 | 一种循环流化床锅炉的新型agc控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105889910A CN105889910A (zh) | 2016-08-24 |
| CN105889910B true CN105889910B (zh) | 2017-11-03 |
Family
ID=56703091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610289585.2A Expired - Fee Related CN105889910B (zh) | 2016-05-04 | 2016-05-04 | 一种循环流化床锅炉的新型agc控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105889910B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107270283B (zh) * | 2017-07-17 | 2020-08-04 | 安徽电气工程职业技术学院 | 一种基于循环流化床机组的多变量约束预测控制方法 |
| CN107368125B (zh) * | 2017-09-08 | 2019-06-25 | 东北大学 | 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法 |
| CN109358585B (zh) * | 2018-10-30 | 2020-06-19 | 上海交通大学 | 一种级联流浆箱纸机全局优化控制方法 |
| CN113091038B (zh) * | 2021-04-02 | 2022-05-17 | 杭州华电半山发电有限公司 | 一种余热锅炉蒸汽压力和汽包水位协调控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7149590B2 (en) * | 1996-05-06 | 2006-12-12 | Pavilion Technologies, Inc. | Kiln control and upset recovery using a model predictive control in series with forward chaining |
| CN102707743A (zh) * | 2012-05-30 | 2012-10-03 | 广东电网公司电力科学研究院 | 基于多变量预测控制的超超临界机组汽温控制方法及系统 |
| 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 |
| CN103728946A (zh) * | 2013-12-31 | 2014-04-16 | 广东电网公司电力科学研究院 | 单元机组的协调控制方法 |
| CN104102134A (zh) * | 2014-07-22 | 2014-10-15 | 东南大学 | 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 |
| CN105276561A (zh) * | 2015-11-16 | 2016-01-27 | 黄红林 | 一种锅炉主蒸汽压力的自适应预测控制方法 |
-
2016
- 2016-05-04 CN CN201610289585.2A patent/CN105889910B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7149590B2 (en) * | 1996-05-06 | 2006-12-12 | Pavilion Technologies, Inc. | Kiln control and upset recovery using a model predictive control in series with forward chaining |
| CN102707743A (zh) * | 2012-05-30 | 2012-10-03 | 广东电网公司电力科学研究院 | 基于多变量预测控制的超超临界机组汽温控制方法及系统 |
| 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 |
| CN103728946A (zh) * | 2013-12-31 | 2014-04-16 | 广东电网公司电力科学研究院 | 单元机组的协调控制方法 |
| CN104102134A (zh) * | 2014-07-22 | 2014-10-15 | 东南大学 | 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 |
| CN105276561A (zh) * | 2015-11-16 | 2016-01-27 | 黄红林 | 一种锅炉主蒸汽压力的自适应预测控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105889910A (zh) | 2016-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105889910B (zh) | 一种循环流化床锅炉的新型agc控制方法 | |
| Fang et al. | Backstepping-based nonlinear adaptive control for coal-fired utility boiler–turbine units | |
| CN104482525B (zh) | 超超临界机组再热汽温的控制方法和系统 | |
| CN108227488B (zh) | 基于滑模预测控制的超超临界火电机组协调控制方法 | |
| CN105546508B (zh) | 基于事件触发机制的火电厂主蒸汽温度控制系统及方法 | |
| Wei et al. | ${H} _ {\infty} $-LQR-Based Coordinated Control for Large Coal-Fired Boiler–Turbine Generation Units | |
| CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
| CN102183890A (zh) | 协调控制系统调节器参数优化整定方法 | |
| CN107270283A (zh) | 一种基于循环流化床机组的新型多变量约束预测控制方法 | |
| CN111637444B (zh) | 一种基于q学习的核电蒸汽发生器水位控制方法 | |
| WO2020062806A1 (zh) | 一种用于燃烧后co 2捕集系统的改进ina前馈控制方法 | |
| Çetin et al. | Development of PID based control strategy in maximum exergy efficiency of a geothermal power plant | |
| CN110879620A (zh) | 一种核电站立式蒸汽发生器液位控制方法以及系统 | |
| CN109143857A (zh) | 一种超超临界机组协调控制系统的解耦控制方法 | |
| CN103336438A (zh) | 复杂热工对象非对称约束自适应控制方法 | |
| CN107402515A (zh) | 一种优化同步发电机励磁系统pid参数的方法 | |
| Hawkins et al. | Region II wind power capture maximization using robust control and estimation with alternating gradient search | |
| Sun et al. | DEB-oriented modelling and control of coal-fired power plant | |
| Hu et al. | Feedforward DMC-PID cascade strategy for main steam temperature control system in fossil-fired power plant | |
| Cheng et al. | An optimized nonlinear generalized predictive control for steam temperature in an ultra supercritical unit | |
| Hou et al. | Design of internal model controller based on ITAE index and its application in boiler combustion control system | |
| Tan et al. | Sliding mode control of steam generator water level based on particle swarm optimization | |
| Feng et al. | Improved Linear Active Disturbance Rejection Control Strategy Based on RBF Neural Network For Main Steam Temperature Of Thermal Power Boiler | |
| Wei et al. | A novel IMC cascade control structure of super-heated steam temperature system for super-critical coal-fired boilers | |
| Shi et al. | Engineering Fastest Control: A New Process Control Method for Thermal Power Units |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171103 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |