CN106094526B - 一种广义预测工程化应用于脱硝控制系统的方法 - Google Patents
一种广义预测工程化应用于脱硝控制系统的方法 Download PDFInfo
- Publication number
- CN106094526B CN106094526B CN201610533513.8A CN201610533513A CN106094526B CN 106094526 B CN106094526 B CN 106094526B CN 201610533513 A CN201610533513 A CN 201610533513A CN 106094526 B CN106094526 B CN 106094526B
- Authority
- CN
- China
- Prior art keywords
- control
- model
- prediction
- control system
- generalized
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013178 mathematical model Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000003111 delayed effect Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 239000013641 positive control Substances 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 6
- 235000008247 Echinochloa frumentacea Nutrition 0.000 description 5
- 240000004072 Panicum sumatrense Species 0.000 description 5
- 229940122605 Short-acting muscarinic antagonist Drugs 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
本发明公开了一种广义预测控制工程化应用于脱硝控制系统的方法。在常规的广义预测控制算法中，直接将优化控制量作用于被控对象，对模型要求极高，若被控对象与预测算法内置的模型偏差较大，则极易引起控制系统发散。本发明用数学模型来拟合脱硝出口NOx的动态过程，通过将模型模拟信号和实际测量信号的偏差引入预测控制优化系统，进行模型校正控制，以获得鲁棒性较强的高质量的控制品质。本发明保证了机组节能环保运行；获得了鲁棒性较强的高质量的控制品质，机组在AGC状态时出口NOx波动幅度大为减少，加强了机组按环保指标达标运行。
Description
技术领域
本发明涉及超临界机组脱硝控制系统的控制方法，具体地说是一种广义预测控制工程化应用于脱硝控制系统的方法。
背景技术
超临界机组的脱硝控制系统具有非线性、大迟延和扰动因素多等特点，一般调峰机组经常出现负荷剧烈波动，燃料量(即煤量)和风量的变化对机组脱硝控制系统存在较大的扰动，为保证机组的安全环保运行，在规定负荷下，对机组出口NOx控制提出了较高的要求，即要将其控制在额定值的+15mg/m3～-15mg/m3范围内，而目前的脱硝控制系统较难控制在上述范围内。
在常规广义预测控制系统中，有已知模型和未知模型两种，若已知模型则可以直接通过求解丢番图方程、计算矩阵及控制律得出控制量；若未知模型则首先需要在线辨识模型，再通过求解丢番图方程等步骤得出控制量。在常规的广义预测控制算法中，直接将优化控制量作用于被控对象，对模型要求极高，若被控对象与预测算法内置的模型偏差较大，则极易引起控制系统发散。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在缺陷，提供一种广义预测控制工程化应用于脱硝控制系统的方法，其用数学模型来拟合脱硝出口NOx的动态过程，通过将模型模拟信号和实际测量信号的偏差引入预测控 制优化系统，进行模型校正控制，以获得鲁棒性较强的高质量的控制品质。
为此，本发明采用如下的技术方案：一种广义预测工程化应用于脱硝控制系统的方法，其步骤如下：
1)获取控制对象的数学模型
采取特性试验的方法来获取控制对象的数学模型，获得的模型结构为一阶加迟延的形式，如下式所示：
上式中，G为传递函数，k为模型增益系数，T为惯性时间，S为频域传递函数的数学算子，τ为延迟时间，根据特性试验曲线获得模型中的参数k、T和τ；
2)设计广义预测算法流程及控制系统
广义预测算法流程如下：在获取控制对象的数学模型特性后，首先进行模型离散化，设置采样周期、预测时域、控制时域，根据模型离散后的特性参数求解丢番图方程，预测未来时刻控制对象的输出，根据未来时刻的情况求解性能指标函数，得出最优控制律；
上述的广义预测算法与控制对象的数学模型G组成广义预测优化控制系统；
3)设计模型校正系统
将控制量同时输入实际控制对象和控制对象的数学模型G，求得偏差后，进入广义预测优化控制系统进行修正，实际控制对象的输出和数学模型G输出均采用增量式，保证系统输出在投入后才有信号，投入前为0；
4)确定采样周期、预测时域和控制时域
通过控制对象的数学模型得知被控对象的过渡过程时间Ts，在过渡过程时间内采样次数设置在5～16次，如果将采样周期记为Tc，则采样周期为Tc＝Ts/16；
通过控制对象数学模型G得知惯性时间T和延迟时间τ，预测时域大于T+τ，此时广义预测算法才能有效计算最优控制量；控制时域的设置至少大于一个采样周期，控制时域越大，系统响应速度越快，控制时域减小，系统的鲁棒性增强；
5)将上述的广义预测优化控制系统应用于机组脱硝控制系统中。
本发明与基于模型在线辨识的GPC控制系统的区别在于不进行在线辨识，因为系统存在噪声，在线辨识的模型存在较大的误差，严重影响到控制品质。本发明通过将模型模拟信号和实际测量信号的偏差引入预测控制优化系统，进行模型校正控制，最终获得鲁棒性较强的高质量的控制品质。
进一步，将模型校正系统引入广义预测优化控制系统，用数学模型来拟合脱硝出口NOx的动态过程，通过将模型模拟信号和实际测量信号的偏差引入广义预测优化控制系统，进行模型校正控制，最终获得鲁棒性较强的控制品质。
进一步，实际控制对象和数学模型的输入信号均为预测指令，当两个对象一致时，校正信号为0，当两个对象不一致或实际控制对象中参杂有扰动信号时，校正信号较大，预测指令就会发生相应的变化，最终使控制响应保持在设定值附近。
本发明将模型校正引入优化控制系统中，用数学模型来模拟机组出口NOx的动态过程，通过模型校正来提高预测系统的控制品质。
本发明具有以下有益效果：保证了机组节能环保运行；获得了鲁棒性较强的高质量的控制品质，机组在AGC状态时出口NOx波动幅度大为减少，加强了机组按环保指标达标运行。
附图说明
图1为广义预测算法流程图(图中算法流程，主要分为设置采样周期、时域、求解丢番图方程、计算矩阵及控制律等)。
图2为本发明的广义预测优化控制系统图(图中，A表示控制反馈信号，B表示模型校正反馈信号，C表示模型校正系统)。
图3为本发明广义预测优化控制系统的工程SAMA图(图中，A表示广义预测优化控制系统，B表示模型校正系统)。
图4为采用本发明的机组处于AGC状态下370MW-450MW负荷变动时出口NOx响应曲线图(通过实际应用；图中，A表示实际负荷，B表示出口NOx控制曲线)。
图5为采用常规方法的机组处于AGC状态下380MW-460MW负荷变动时出口NOx响应曲线图(通过实际应用；图中，A表示实际负荷，B表示出口NOx控制曲线)。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步说明。
一、广义预测优化控制系统结构
本发明的预测优化控制系统结构如图2所示。
在图2中，广义预测算法(其流程图见图1)内部置入控制对象数学模型，即喷氨流量阀开度对出口NOx的数学模型，用该模型去模拟实际控制对象。 在模型校正系统中，实际控制对象与控制对象数学模型存在一定的偏差，尤其当机组负荷发生变化或者执行机构特性发生改变时，偏差会进一步加大，此时需要将偏差信号送入广义预测算法中进行校正，可以有效提高广义预测算法的鲁棒性。
在图2所示的广义预测优化控制系统中，实际控制对象和对象模型的输入信号均为预测指令，因此当两个对象一致时，校正信号为0，当两个对象不一致或实际对象中参杂有扰动信号时，校正信号较大，预测指令就会发生相应的变化，最终使控制响应保持在设定值附近。
二、工程SAMA图与设计步骤
在工程实际中，需要根据SAMA图进行组态设计，本发明的工程SAMA图如图3所示。
在图3所示的SAMA图中，给出了广义预测优化控制系统和模型校正系统具体的的设计结构形式，具体设计步骤如下：
1)获取控制对象的模型
采取特性试验的方法来获取对象的数学模型，因为该系统不要求模型非常精确，因此根据特性试验获得的模型可以满足要求，获得的模型结构为一阶加迟延的形式，如式(1)所示：
根据特性试验曲线获得模型中的参数k、T和τ。
2)设计广义预测算法流程及优化控制系统
广义预测算法流程如图1所示(图中的两个公式分别为(GGT+λI)-1，u＝(GTG+λI)- 1GT[yr-Fy(t)-HΔu(t-1)])，
在获取控制对象模型特性后，首先进行模型离散化，设置采样周期、预测时域、控制时域等，根据模型离散后的特性参数求解丢番图方程，预测未来时刻被控对象的输出，根据未来时刻的情况求解性能指标函数，得出最优控制律。该算法与控制对象数学模型G组成优化控制系统，如图3中A所指示的部分。
3)设计模型校正系统
模型校正系统设计如图3中B所示部分，将控制量同时输入实际对象和对象模型G，求得偏差后，进入广义预测控制系统进行修正。在实际设计中，实际对象的输出和模型输出均采用了增量式，保证系统输出在投入后才有信号，投入前为0。
4)采样周期、预测时域、控制时域的确定
在获得被控对象的数学模型后，可以得知被控对象的过渡过程时间Ts，在过渡过程时间内一般采样次数设置在5～16次，如果将采样周期记为Tc，则可以设置采样周期为Tc＝Ts/16。
通过试验获得被控对象数学模型G后，可得知对象惯性时间T、延迟时间τ，预测算法中，预测时域应该大于T+τ，此时预测算法才能有效计算最优控制量。控制时域的设置至少应该大于一个采样周期，控制时域越大，系统响应速度越快，控制时域减小，系统的鲁棒性增强。
三、实际应用
将本发明应用于某电厂600MW超临界机组脱硝控制系统中，当负荷指令按12MW/min速率变化，机组处于AGC状态时，获得的机组出口NOx响应曲线如图5所示。
在图5中，实际负荷由370MW变化到450MW，机组出口NOx控制在在+10/-10mg/m3以内。而且整个AGC过程主汽温度比较平稳。
为获得对比效果，按常规方法，当负荷指令按12MW/min速率变化时，机组处于AGC状态时，获得的机组出口NOx响应曲线如图4所示。
在图4中，实际负荷由380MW变化到460MW，机组出口NOx控制在+30/-30mg/m3左右。而且整个AGC过程主汽温度波动幅度较大，影响到了机组的环保运行。
以上所述，仅是本发明的较佳实施例而已，并非对本发明的技术方案作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明的保护范围内。
Claims (2)
1.一种广义预测工程化应用于脱硝控制系统的方法，其步骤如下：
1)获取控制对象的数学模型
采取特性试验的方法来获取控制对象的数学模型，获得的模型结构为一阶加迟延的形式，如下式所示：
上式中，G为传递函数，k为模型增益系数，T为惯性时间，S为频域传递函数的数学算子，τ为延迟时间，根据特性试验曲线获得模型中的参数k、T和τ；
2)设计广义预测算法流程及控制系统
广义预测算法流程如下：在获取控制对象的数学模型特性后，首先进行模型离散化，设置采样周期、预测时域、控制时域，根据模型离散后的特性参数求解丢番图方程，预测未来时刻控制对象的输出，根据未来时刻的情况求解性能指标函数，得出最优控制律；
上述的广义预测算法与控制对象的数学模型G组成广义预测优化控制系统；
3)设计模型校正系统
将控制量同时输入实际控制对象和控制对象的数学模型G，求得偏差后，进入广义预测优化控制系统进行修正，实际控制对象的输出和数学模型G输出均采用增量式，保证系统输出在投入后才有信号，投入前为0；
4)确定采样周期、预测时域和控制时域
通过控制对象的数学模型得知被控对象的过渡过程时间Ts，在过渡过程时间内采样次数设置在5～16次，如果将采样周期记为Tc，则采样周期为Tc＝Ts/16；
通过控制对象数学模型G得知惯性时间T和延迟时间τ，预测时域大于T+τ，此时广义预测算法才能有效计算最优控制量；控制时域的设置至少大于一个采样周期，控制时域越大，系统响应速度越快，控制时域减小，系统的鲁棒性增强；
5)将上述的广义预测优化控制系统应用于机组脱硝控制系统中；
将模型校正系统引入广义预测优化控制系统，用数学模型来拟合脱硝出口NOx的动态过程，通过将模型模拟信号和实际测量信号的偏差引入广义预测优化控制系统，进行模型校正控制，最终获得鲁棒性较强的控制品质。
2.根据权利要求1所述的广义预测工程化应用于脱硝控制系统的方法，其特征在于，
实际控制对象和数学模型的输入信号均为预测指令，当两个对象一致时，校正信号为0，当两个对象不一致或实际控制对象中参杂有扰动信号时，校正信号较大，预测指令就会发生相应的变化，最终使控制响应保持在设定值附近。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610533513.8A CN106094526B (zh) | 2016-07-08 | 2016-07-08 | 一种广义预测工程化应用于脱硝控制系统的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610533513.8A CN106094526B (zh) | 2016-07-08 | 2016-07-08 | 一种广义预测工程化应用于脱硝控制系统的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106094526A CN106094526A (zh) | 2016-11-09 |
| CN106094526B true CN106094526B (zh) | 2019-04-19 |
Family
ID=57212514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610533513.8A Active CN106094526B (zh) | 2016-07-08 | 2016-07-08 | 一种广义预测工程化应用于脱硝控制系统的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106094526B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107045287A (zh) * | 2017-05-11 | 2017-08-15 | 东南大学 | 基于预测控制技术的机组协调控制系统及控制方法 |
| CN109833773B (zh) * | 2019-03-08 | 2021-05-04 | 东方电气集团东方锅炉股份有限公司 | 一种高效脱硝氨流量精确控制方法 |
| CN111399458B (zh) * | 2020-03-30 | 2022-03-11 | 东南大学 | 基于扰动抑制广义预测控制的scr脱硝系统控制方法 |
| CN111413938B (zh) * | 2020-04-16 | 2023-05-30 | 南京英璞瑞自动化科技有限公司 | 一种基于折算喷氨量的scr脱硝系统扰动抑制预测控制方法 |
| CN116974206B (zh) * | 2023-09-06 | 2024-02-02 | 武昌理工学院 | 一种基于预测模糊控制算法的磨机控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10116105A (ja) * | 1996-10-11 | 1998-05-06 | Tokyo Electric Power Co Inc:The | 一般化予測制御システム及び脱硝制御装置 |
| CN104932265A (zh) * | 2015-06-07 | 2015-09-23 | 陈亮 | 一种基于数学模型的烟气脱硝的控制系统 |
-
2016
- 2016-07-08 CN CN201610533513.8A patent/CN106094526B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10116105A (ja) * | 1996-10-11 | 1998-05-06 | Tokyo Electric Power Co Inc:The | 一般化予測制御システム及び脱硝制御装置 |
| CN104932265A (zh) * | 2015-06-07 | 2015-09-23 | 陈亮 | 一种基于数学模型的烟气脱硝的控制系统 |
Non-Patent Citations (5)
| Title |
|---|
| 600MW超临界机组SCR脱硝优化系统控制;蒋颖俊;《能源研究与利用》;20140831(第4期);第39-40页 |
| SNCR脱硝系统的广义预测控制;何伟 等;《石油化工自动化》;20160228(第1期);全文 |
| 一种改进型广义预测控制系统研究及工程应用;李泉 等;《浙江电力》;20170831;第36卷(第8期);全文 |
| 典型过程控制系统的快速预测控制算法;许敏 等;《河北工业大学学报》;20011031(第5期);全文 |
| 针对一阶惯性加纯滞后过程的广义预测控制算法研究;廉宇峰 等;《石油化工自动化》;20071031(第5期);全文 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106094526A (zh) | 2016-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106094526B (zh) | 一种广义预测工程化应用于脱硝控制系统的方法 | |
| US9739262B2 (en) | Static testing and calibrating method for PID link of control system of wind turbine | |
| CN101997471B (zh) | 基于pid预测函数的励磁控制方法 | |
| CN106383443B (zh) | 抗干扰控制方法及系统 | |
| CN105807632A (zh) | 一种基于改进大林算法的加热炉温度控制器设计方法 | |
| CN107272412A (zh) | 一种暂冲式风洞流场控制的辩识方法 | |
| CN113029512B (zh) | 用于暂冲式跨声速风洞的空气流场模型校正控制方法 | |
| CN106227964B (zh) | 基于扩张状态观测器的迟滞非线性系统参数辨识方法 | |
| Ahmed | Parameter and delay estimation of fractional order models from step response | |
| CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
| CN201476905U (zh) | 神经网络pid控温的热电偶自动检定系统 | |
| KR102216860B1 (ko) | Egr 밸브 제어 장치 및 제어 방법 | |
| CN105595391A (zh) | 一种关于ctd气流式烘丝机的先进控制方法 | |
| CN106054616B (zh) | 模糊逻辑优化pid控制器参数的钛带卷连续酸洗活套高度控制方法 | |
| CN110687777A (zh) | 一种自耦pi协同控制理论新方法 | |
| CN107357176A (zh) | 一种航空发动机试车数据建模方法 | |
| CN111221321A (zh) | 一种基于功率谱的无人机控制律鲁棒性评估方法 | |
| CN110520803B (zh) | 一种智慧pid控制方法 | |
| CN114239421A (zh) | 一种基于bp神经网络的煤粉燃烧特征参数预测方法及系统 | |
| CN103605323B (zh) | 化工生产的离散控制方法及装置 | |
| CN109828622B (zh) | 基于维纳模型控制算法的扩散炉温度控制方法及控制系统 | |
| CN110632847A (zh) | 一种自耦pd协同控制理论新方法 | |
| CN106773675A (zh) | 火电机组预测函数控制简化方法及其应用 | |
| CN103092815A (zh) | 校准装置及其对监测装置中的传递函数进行校准的方法 | |
| CN111045328B (zh) | 一种针对光电跟踪平台的基于模拟退火粒子群的滑模频域参数辨识方法 |
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 |