CN107479389A - 一种火电机组过热汽温预测模糊自适应pid控制方法 - Google Patents
一种火电机组过热汽温预测模糊自适应pid控制方法 Download PDFInfo
- Publication number
- CN107479389A CN107479389A CN201710919428.XA CN201710919428A CN107479389A CN 107479389 A CN107479389 A CN 107479389A CN 201710919428 A CN201710919428 A CN 201710919428A CN 107479389 A CN107479389 A CN 107479389A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- mtr
- mover
- 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
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
本发明提出了一种火电机组过热汽温预测模糊自适应PID控制方法,包括:初始化控制器参数;采集各时刻火电机组过热汽温和减温喷水阀门开度的数据;基于过程变量数据建立扩增状态空间Takagi—Sugeno模糊模型;利用扩增状态空间Takagi—Sugeno模糊模型优化求解PID控制器参数;根据当前时刻PID控制器参数,控制减温喷水阀门开度,从而控制过热汽温;进入下一个采样周期,返回步骤4,重复进行步骤4至步骤6的过程。本发明方法结合了模糊控制、预测控制和PID控制三者优点,预测控制的预测功能、模糊控制的非线性系统优良控制效果和PID控制的实现方便,控制品质高、形式简单、实现方便、经济安全。
Description
技术领域
本发明属于热工自动控制技术领域,涉及一种火电机组过热汽温预测模糊自适应PID控制方法。
背景技术
过热汽温与火电厂机组运行的安全性、经济性直接相关,在机组运行过程中需重点监控。近年来,随着电力工业的发展,火力发电机组的容量和参数不断提高,而大型机组也逐步要求参与电网的调峰,大范围的负荷变化更增加了过热汽温控制的难度,如何实现过热汽温在大范围变负荷下的高品质控制,以适应目前火电机组频繁地调峰运行,目前仍没能够得到很好地解决。
模型预测控制是一种基于模型的先进计算机算法,控制品质高、鲁棒性强。目前已有不少关于模型预测控制应用到过热汽温控制中的报道,但其中大部分是基于线性化模型作为预测控制设计的基础,而机组大范围变工况的运行时对象特性变化较大,线性化方法无法取得令人满意的控制效果。目前也有将模糊模型和模型预测控制相结合的控制方法,但模糊预测控制中模型的具体应用及控制参数的选取均比较复杂,很难被工程师掌握,远没有PID控制易于理解、形式简单,因此其实施难度很大,很难被实际应用到火电机组过热汽温控制中。
发明内容
为解决上述问题,本发明提出了一种火电机组过热汽温预测模糊自适应PID控制方法,将Takagi—Sugeno模糊模型、模型预测控制和PID控制相结合,综合了模糊控制、预测控制和PID控制的优点。
为了达到上述目的,本发明提供如下技术方案:
一种火电机组过热汽温预测模糊自适应PID控制方法,包括如下步骤:
步骤1:初始化控制器参数,包括扩增状态加权矩阵W、控制增量加权系数R;
步骤2:采集各时刻火电机组过热汽温和减温喷水阀门开度的数据;
步骤3:基于步骤2采集的过程变量数据建立扩增状态空间Takagi—Sugeno模糊模型;
步骤4:利用扩增状态空间Takagi—Sugeno模糊模型优化求解PID控制器参数;
步骤5:根据当前时刻PID控制器参数,控制减温喷水阀门开度,从而控制过热汽温;
步骤6:进入下一个采样周期,返回步骤4,重复进行步骤4至步骤6的过程。
进一步的,所述步骤1中扩增状态加权矩阵W形式如下:
其中,wΔx是状态偏差Δx(k)的权重,we是跟踪偏差e(k)的权重,we增大,跟踪速度加快,we减小,跟踪速度减缓,wΔe是跟踪偏差变化速度Δe(k)的权重,wΔe增大,跟踪速度减缓,wΔe减小,跟踪速度加快。
进一步的,所述步骤1中控制增量加权系数R为常数,控制增量加权系数R增大,跟踪速度减缓,控制增量加权系数R减小,跟踪速度加快。
进一步的,所述步骤3包括如下子步骤:
步骤3-1、基于步骤2采集的过程变量数据,利用子空间辨识方法建立高负荷、中负荷和低负荷点的状态空间模型;
步骤3-2、建立被控对象的全局Takagi—Sugeno模糊模型,其形式如下:
其中,x(k)、u(k)、y(k)分别是系统的状态变量、减温喷水阀门开度和过热汽温,(A1,B1,C1)是高负荷系统矩阵,(A2,B2,C2)是中负荷系统矩阵,(A3,B3,C3)是低负荷系统矩阵,ωi(zk)是模糊隶属度函数,zk为火电机组负荷;
步骤3-3、对被控对象的全局Takagi—Sugeno模糊模型引入积分作用:
Δx(k+1)=A(zk)Δx(k)+B(zk)Δu(k),
Δy(k)=C(zk)Δx(k),
其中,Δ为一阶向后差分;
步骤3-4、定义新的状态其形式如下:
其中,e(k)=y(k)-r(k),Δe(k)=e(k)-e(k-1),e(k)是k时刻的跟踪误差,Δe(k)是k-1时刻的跟踪误差,r(k)为被控对象的设定值,T为矩阵转置符号;
步骤3-5、基于状态建立新的扩展状态空间Takagi—Sugeno模糊模型,其形式如下:
其中,
进一步的,所述步骤4包括如下子步骤:
步骤4-1、基于扩增状态空间Takagi—Sugeno模糊模型求解模糊预测优化问题,优化问题形式如下:
s.t.(1)、(2)
其中,表示在满足条件(1)、(2)情况下,使得性能指标上界γ最小,s.t.表示受限于,式子(1)是一个2×2的线性矩阵不等式,式子(2)是一个4×4的线性矩阵不等式,矩阵G、Y、Q、γ是待优化变量,上标T表示对矩阵进行转置,I是单位矩阵,W为扩增状态加权矩阵、R控制增量加权矩阵;
步骤4-2、基于模糊优化结果计算控制器参数矩阵M(k):
其中,M(k)=[m1(k),m2(k),m3(k)]T,E(k)=[e(k),e(k-1),e(k-2)]T,e(k)为k采样时刻被控对象设定值r(k)与被控对象实际输出量y(k)之间的偏差,e(k)=r(k)-y(k),e(k-1)为k-1采样时刻被控对象的设定值r(k-1)与被控对象实际输出量y(k-1)之间的偏差,e(k-1)=r(k-1)-y(k-1),e(k-2)为k-2采样时刻被控对象设定值r(k-2)与被控对象实际输出量y(k-2)之间的偏差,e(k-2)=r(k-2)-y(k-2);
步骤4-3、基于控制器参数矩阵M(k)整定PID控制器当前采样时刻的比例、积分和微分系数:
其中,Kp(k)为比例系数,Ki(k)为积分系数,Kd(k)为微分系数。
进一步的,所述步骤4-1中优化问题通过软件MATLAB的线性矩阵不等式工具箱求解。
进一步的,所述步骤5通过如下公式获得减温喷水阀门开度:
u(k)=u(k-1)+[Kp(k)+Ki(k)+Kd(k)]e(k)
-[Kp(k)+2Kd(k)]e(k-1)+Kd(k)e(k-2)
其中,u(k)是当前采样周期的控制量,u(k-1)是上一个采样周期的控制量。
与现有技术相比,本发明具有如下优点和有益效果:
1.本发明方法结合了模糊控制、预测控制和PID控制三者优点,预测控制的预测功能、模糊控制的非线性系统优良控制效果和PID控制的实现方便,控制品质高、形式简单、实现方便、经济安全。
2.当机组大范围变负荷运行时,本发明方法能够将机组过热汽温波动控制在很小范围内,可通过提高过热汽温的设定值,提高火电机组运行的经济性;当机组大范围变负荷运行同时受到较大未知干扰时,通过本发明方法也能快速抑制未知干扰,将过热汽温保持在设定值附近,有效提高了火电机组运行的安全性。
附图说明
图1为实现本发明方法的600MW火电机组过热汽温控制系统结构示意图;
图2为本发明方法流程图;
图3为本发明实施例中600MW火电机组模糊隶属度函数;
图4为机组大范围变负荷运行时过热汽温控制效果;
图5为机组大范围变负荷运行时PID参数;
图6为机组负荷变化图;
图7为机组变负荷运行同时受阶跃干扰时过热汽温控制效果图;
图8为机组变负荷运行同时受阶跃干扰时PID参数;
图9为机组变负荷运行同时受斜波干扰时过热汽温控制效果图;
图10为机组变负荷运行同时受斜波干扰时PID参数;
图11为机组变负荷运行同时受随机干扰时过热汽温控制效果图;
图12为机组变负荷运行同时受随机干扰时PID参数。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
火电机组过热汽温系统被控量为过热汽温,控制量为减温喷水阀门开度。本发明以600MW火电机组过热汽温系统控制为例,如图1所示,该系统由微型计算机、A/D转换器、传感器、D/A转换器、执行器组成,微型计算机中固化有根据本发明方法编写的预测模糊自适应PID控制软件。控制系统通过传感器对600MW火电机组过热汽温参数进行定周期采样,采样得到的过热汽温模拟信号通过A/D转换器,转化为数字信号,微型计算机通过预测模糊自适应PID控制软件计算减温喷水阀门开度,经D/A转换器变为模拟信号,控制执行器来调节600MW火电机组过热汽温,从而构成整个600MW火电机组过热汽温控制系统。
基于上述系统,本发明提供的火电机组过热汽温预测模糊自适应PID控制方法,如图2所示,包括如下步骤:
步骤1:初始化火电机组过热汽温预测模糊自适应PID控制方法参数:扩增状态加权矩阵其中各参数取值为:we=0.1,wΔe=100;因此本步骤中采用的扩增状态加权矩阵而控制增量加权系数R=0.1;
步骤2:采集各时刻火电机组过热汽温和减温喷水阀门开度的数据;
步骤3:基于采集的过程变量数据建立扩增状态空间Takagi—Sugeno模糊模型,具体包括以下子步骤:
步骤3-1、基于采集的过程变量数据,利用子空间辨识方法建立高负荷、中负荷和低负荷点的状态空间模型:
模型1(低负荷区):
x(k+1)=A1x(k)+B1u(k)
y(k)=C1x(k)+D1u(k)
其中,x(k)、u(k)、y(k)分别是系统的状态变量、减温喷水阀门开度和600MW火电机组过热汽温,
模型2(中负荷区):
x(k+1)=A2x(k)+B2u(k)
y(k)=C2x(k)+D2u(k)
其中,
模型3(高负荷区):
x(k+1)=A3x(k)+B3u(k)
y(k)=C3x(k)+D3u(k)
其中,
步骤3-2、建立被控对象的全局Takagi—Sugeno模糊模型,其形式如下:
其中,x(k)、u(k)、y(k)分别是系统的状态变量、减温喷水阀门开度和过热汽温,(A1,B1,C1)是高负荷系统矩阵,(A2,B2,C2)是中负荷系统矩阵,(A3,B3,C3)是低负荷系统矩阵,ωi(zk)是如图3所示的模糊隶属度函数,zk为火电机组负荷。
步骤3-3、对被控对象的全局Takagi—Sugeno模糊模型引入积分作用:
Δx(k+1)=A(zk)Δx(k)+B(zk)Δu(k),
Δy(k)=C(zk)Δx(k),
其中,Δ为一阶向后差分;
步骤3-4、定义新的状态其形式如下:
其中,e(k)=y(k)-r(k),Δe(k)=e(k)-e(k-1),e(k)是k时刻的跟踪误差,Δe(k)是k-1时刻的跟踪误差,r(k)为被控对象的设定值,T为矩阵转置符号;
步骤3-5、基于状态建立新的扩展状态空间Takagi—Sugeno模糊模型,其形式如下:
其中,
步骤4:利用扩增状态空间Takagi—Sugeno模糊模型优化求解PID控制器参数,具体包括如下子步骤:
步骤4-1、基于扩增状态空间Takagi—Sugeno模糊模型求解模糊预测优化问题,优化问题形式如下:
s.t.(1)、(2)
其中,表示在满足条件(1)、(2)情况下,使得性能指标上界γ最小,该优化问题通过软件MATLAB的线性矩阵不等式(LMI)工具箱求解,s.t.表示受限于,式子(1)是一个2×2的线性矩阵不等式,式子(2)是一个4×4的线性矩阵不等式,矩阵G、Y、Q、γ是待优化变量,上标T表示对矩阵进行转置,I是单位矩阵,W为扩增状态加权矩阵、R控制增量加权矩阵。
步骤4-2、基于模糊优化结果计算控制器参数矩阵M(k):
其中,M(k)=[m1(k),m2(k),m3(k)]T,E(k)=[e(k),e(k-1),e(k-2)]T,e(k)为k采样时刻被控对象设定值r(k)与被控对象实际输出量y(k)之间的偏差,e(k)=r(k)-y(k),e(k-1)为k-1采样时刻被控对象的设定值r(k-1)与被控对象实际输出量y(k-1)之间的偏差,e(k-1)=r(k-1)-y(k-1),e(k-2)为k-2采样时刻被控对象设定值r(k-2)与被控对象实际输出量y(k-2)之间的偏差,e(k-2)=r(k-2)-y(k-2)。
步骤4-3、基于控制器参数矩阵M(k)整定PID控制器当前采样时刻的比例、积分和微分系数:
其中,Kp(k)为比例系数,Ki(k)为积分系数,Kd(k)为微分系数。
步骤5:根据当前时刻PID控制器参数,控制减温喷水阀门开度,从而控制过热汽温:
u(k)=u(k-1)+[Kp(k)+Ki(k)+Kd(k)]e(k)
-[Kp(k)+2Kd(k)]e(k-1)+Kd(k)e(k-2)
其中,u(k)是当前采样周期的控制量,u(k-1)是上一个采样周期的控制量。
步骤6:进入下一个采样周期,返回步骤4,重复进行步骤4至步骤6的过程。
为验证本发明方法的效果,本例进行了两组仿真实验。
验证实验1:机组大范围变负荷运行时采用本发明方法进行过热汽温控制效果。设在t=200s,火电机组以0.75MW/s的速度由600MW下降到450MW,并保持运行,在t=500s,火电机组以0.5MW/s的速度由450MW上升到550MW,并保持运行,仿真结果如图4所示,非线性PID参数变化如图5所示。
由实验1可知,机组负荷在450MW和600MW之间变化时,应用本发明方法的机组过热汽温波动范围不超过0.1华氏度,可通过提高过热汽温的设定值,提高火电机组运行的经济性。
验证实验2:机组大范围变负荷运行,同时受到未知干扰时采用本发明方法进行过热汽温控制效果,机组负荷变化如图6所示。本实验验证以下几种情况下过热气温控制情况:
(1)机组大范围变负荷运行同时受到阶跃干扰。过热汽温控制效果如图7所示,非线性PID参数变化如图8所示。
(2)机组大范围变负荷运行同时受到斜波干扰。过热汽温控制效果如图9所示,非线性PID参数变化如图10所示。
(3)机组大范围变负荷运行同时受到随机干扰。过热汽温控制效果如图11所示,非线性PID参数变化如图12所示。
由实验2可知,火电机组变负荷运行同时受到未知干扰时,也能将较为快速地将过热汽温保持在设定值附近,保证了火电机组的运行的安全性。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种火电机组过热汽温预测模糊自适应PID控制方法,其特征在于,包括如下步骤:
步骤1:初始化控制器参数,包括扩增状态加权矩阵W、控制增量加权系数R;
步骤2:采集各时刻火电机组过热汽温和减温喷水阀门开度的数据;
步骤3:基于步骤2采集的过程变量数据建立扩增状态空间Takagi—Sugeno模糊模型;
步骤4:利用扩增状态空间Takagi—Sugeno模糊模型优化求解PID控制器参数;
步骤5:根据当前时刻PID控制器参数,控制减温喷水阀门开度,从而控制过热汽温;
步骤6:进入下一个采样周期,返回步骤4,重复进行步骤4至步骤6的过程。
2.根据权利要求1所述的火电机组过热汽温预测模糊自适应PID控制方法,其特征在于,所述步骤1中扩增状态加权矩阵形式如下:
<mrow>
<mi>W</mi>
<mo>=</mo>
<mfenced open='[' close=']'>
<mtable>
<mtr>
<mtd>
<msub>
<mi>w</mi>
<mi>&Delta;x</mi>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mi>e</mi>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mi>&Delta;e</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,wΔx是状态偏差Δx(k)的权重,we是跟踪偏差e(k)的权重,we增大,跟踪速度加快,we减小,跟踪速度减缓,wΔe是跟踪偏差变化速度Δe(k)的权重,wΔe增大,跟踪速度减缓,wΔe减小,跟踪速度加快。
3.根据权利要求1所述的火电机组过热汽温预测模糊自适应PID控制方法,其特征在于,所述步骤1中控制增量加权系数R为常数,控制增量加权系数R增大,跟踪速度减缓,控制增量加权系数R减小,跟踪速度加快。
4.根据权利要求1所述的火电机组过热汽温预测模糊自适应PID控制方法,其特征在于,所述步骤3包括如下子步骤:
步骤3-1、基于步骤2采集的过程变量数据,利用子空间辨识方法建立高负荷、中负荷和低负荷点的状态空间模型;
步骤3-2、建立被控对象的全局Takagi—Sugeno模糊模型,其形式如下:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>x</mi>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mo>=</mo>
<mi>A</mi>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
<mi>x</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<mi>B</mi>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
<mi>u</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>y</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>=</mo>
<mi>C</mi>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
<mi>x</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,x(k)、u(k)、y(k)分别是系统的状态变量、减温喷水阀门开度和过热汽温,(A1,B1,C1)是高负荷系统矩阵,(A2,B2,C2)是中负荷系统矩阵,(A3,B3,C3)是低负荷系统矩阵,ωi(zk)是模糊隶属度函数,zk为火电机组负荷;
步骤3-3、对被控对象的全局Takagi—Sugeno模糊模型引入积分作用:
Δx(k+1)=A(zk)Δx(k)+B(zk)Δu(k),
Δy(k)=C(zk)Δx(k),
其中,Δ为一阶向后差分;
步骤3-4、定义新的状态其形式如下:
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
<mo>,</mo>
</mrow>
其中,e(k)=y(k)-r(k),Δe(k)=e(k)-e(k-1),e(k)是k时刻的跟踪误差,Δe(k)是k-1时刻的跟踪误差,r(k)为被控对象的设定值,T为矩阵转置符号;
步骤3-5、基于状态建立新的扩展状态空间Takagi—Sugeno模糊模型,其形式如下:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mo>=</mo>
<mover>
<mi>A</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<mover>
<mi>B</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
<mi>&Delta;</mi>
<mi>u</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>=</mo>
<mover>
<mi>C</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,
5.根据权利要求4所述的火电机组过热汽温预测模糊自适应PID控制方法,其特征在于,所述步骤4包括如下子步骤:
步骤4-1、基于扩增状态空间Takagi—Sugeno模糊模型求解模糊预测优化问题,优化问题形式如下:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>G</mi>
<mo>,</mo>
<mi>Y</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</munder>
<mi>&gamma;</mi>
</mrow>
s.t.(1)、(2)
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mi>Q</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mo>+</mo>
<msup>
<mi>G</mi>
<mi>T</mi>
</msup>
<mo>-</mo>
<mi>Q</mi>
</mrow>
</mtd>
<mtd>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mover>
<mi>A</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mi>G</mi>
<mo>+</mo>
<msub>
<mover>
<mi>B</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mi>Y</mi>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
</mtd>
<mtd>
<mrow>
<msup>
<mi>G</mi>
<mi>T</mi>
</msup>
<msup>
<mi>W</mi>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>Y</mi>
<mi>T</mi>
</msup>
<msup>
<mi>R</mi>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>A</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mi>G</mi>
<mo>+</mo>
<msub>
<mover>
<mi>B</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mi>Y</mi>
</mrow>
</mtd>
<mtd>
<mi>Q</mi>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>W</mi>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mi>G</mi>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>&gamma;</mi>
<mi>I</mi>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>R</mi>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mi>Y</mi>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>&gamma;</mi>
<mi>I</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mi>r</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,表示在满足条件(1)、(2)情况下,使得性能指标上界γ最小,s.t.表示受限于,式子(1)是一个2×2的线性矩阵不等式,式子(2)是一个4×4的线性矩阵不等式,矩阵G、Y、Q、γ是待优化变量,上标T表示对矩阵进行转置,I是单位矩阵,W为扩增状态加权矩阵、R控制增量加权矩阵;
步骤4-2、基于模糊优化结果计算控制器参数矩阵M(k):
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>YG</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>E</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,M(k)=[m1(k),m2(k),m3(k)]T,E(k)=[e(k),e(k-1),e(k-2)]T,e(k)为k采样时刻被控对象设定值r(k)与被控对象实际输出量y(k)之间的偏差,e(k)=r(k)-y(k),e(k-1)为k-1采样时刻被控对象的设定值r(k-1)与被控对象实际输出量y(k-1)之间的偏差,e(k-1)=r(k-1)-y(k-1),e(k-2)为k-2采样时刻被控对象设定值r(k-2)与被控对象实际输出量y(k-2)之间的偏差,e(k-2)=r(k-2)-y(k-2);
步骤4-3、基于控制器参数矩阵M(k)整定PID控制器当前采样时刻的比例、积分和微分系数:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>K</mi>
<mi>p</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>m</mi>
<mn>3</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>K</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>=</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>3</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>K</mi>
<mi>d</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>=</mo>
<msub>
<mi>m</mi>
<mn>3</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,Kp(k)为比例系数,Ki(k)为积分系数,Kd(k)为微分系数。
6.根据权利要求5所述的火电机组过热汽温预测模糊自适应PID控制方法,其特征在于,所述步骤4-1中优化问题通过软件MATLAB的线性矩阵不等式工具箱求解。
7.根据权利要求5所述的火电机组过热汽温预测模糊自适应PID控制方法,其特征在于,所述步骤5通过如下公式获得减温喷水阀门开度:
u(k)=u(k-1)+[Kp(k)+Ki(k)+Kd(k)]e(k)
-[Kp(k)+2Kd(k)]e(k-1)+Kd(k)e(k-2)
其中,u(k)是当前采样周期的控制量,u(k-1)是上一个采样周期的控制量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919428.XA CN107479389B (zh) | 2017-09-30 | 2017-09-30 | 一种火电机组过热汽温预测模糊自适应pid控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919428.XA CN107479389B (zh) | 2017-09-30 | 2017-09-30 | 一种火电机组过热汽温预测模糊自适应pid控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107479389A true CN107479389A (zh) | 2017-12-15 |
CN107479389B CN107479389B (zh) | 2020-04-14 |
Family
ID=60604930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710919428.XA Active CN107479389B (zh) | 2017-09-30 | 2017-09-30 | 一种火电机组过热汽温预测模糊自适应pid控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107479389B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490790A (zh) * | 2018-05-09 | 2018-09-04 | 东南大学 | 一种基于多目标优化的过热汽温自抗扰串级控制方法 |
CN110488610A (zh) * | 2019-09-04 | 2019-11-22 | 东南大学 | 一种基于鲁棒模糊预测控制的微型燃气轮机热电联供系统热负荷控制方法 |
CN110515304A (zh) * | 2019-09-25 | 2019-11-29 | 南京信息工程大学 | 基于ARX-Laguerre函数模型的过热汽温PID预测控制方法 |
CN110631003A (zh) * | 2019-09-25 | 2019-12-31 | 国家能源集团谏壁发电厂 | 一种基于层级调度多模型预测控制的再热汽温调节方法 |
CN110764417A (zh) * | 2019-11-13 | 2020-02-07 | 东南大学 | 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制系统及其控制方法 |
CN111239598A (zh) * | 2020-01-16 | 2020-06-05 | 温州大学乐清工业研究院 | 一种对断路器保护特性进行在线测试的装置 |
CN112015082A (zh) * | 2020-05-13 | 2020-12-01 | 东南大学 | 一种基于模糊增益调度预测控制的机炉协调系统控制方法 |
CN112147891A (zh) * | 2020-09-07 | 2020-12-29 | 东南大学 | 一种火电机组协调系统全局非线性优化控制方法 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
CN114428456A (zh) * | 2020-10-29 | 2022-05-03 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1112693A (zh) * | 1993-03-12 | 1995-11-29 | 株式会社日立制作所 | 过程自适应控制方法及过程控制系统 |
CN103322553A (zh) * | 2013-07-04 | 2013-09-25 | 东南大学 | 一种火电机组过热汽温多模型扰动估计预测控制方法 |
CN104181958A (zh) * | 2014-07-22 | 2014-12-03 | 南京归图科技发展有限公司 | 一种过热汽温快速节能预测控制方法 |
CN105955210A (zh) * | 2016-04-29 | 2016-09-21 | 湖南工业大学 | 余热锅炉与工业锅炉发电协调运行动态优化方法与系统 |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制系统 |
-
2017
- 2017-09-30 CN CN201710919428.XA patent/CN107479389B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1112693A (zh) * | 1993-03-12 | 1995-11-29 | 株式会社日立制作所 | 过程自适应控制方法及过程控制系统 |
JP2907672B2 (ja) * | 1993-03-12 | 1999-06-21 | 株式会社日立製作所 | プロセスの適応制御方法およびプロセスの制御システム |
CN103322553A (zh) * | 2013-07-04 | 2013-09-25 | 东南大学 | 一种火电机组过热汽温多模型扰动估计预测控制方法 |
CN104181958A (zh) * | 2014-07-22 | 2014-12-03 | 南京归图科技发展有限公司 | 一种过热汽温快速节能预测控制方法 |
CN105955210A (zh) * | 2016-04-29 | 2016-09-21 | 湖南工业大学 | 余热锅炉与工业锅炉发电协调运行动态优化方法与系统 |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制系统 |
Non-Patent Citations (2)
Title |
---|
刘国耀 等: "基于多模型预测控制的过热汽温控制系统", 《东南大学学报(自然科学版)》 * |
周耿烈 等: "基于T-S模型的自适应模糊PID控制器的设计", 《工业仪表与自动化装置》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490790A (zh) * | 2018-05-09 | 2018-09-04 | 东南大学 | 一种基于多目标优化的过热汽温自抗扰串级控制方法 |
CN110488610B (zh) * | 2019-09-04 | 2022-05-10 | 东南大学 | 一种基于鲁棒模糊预测控制的微型燃气轮机热电联供系统热负荷控制方法 |
CN110488610A (zh) * | 2019-09-04 | 2019-11-22 | 东南大学 | 一种基于鲁棒模糊预测控制的微型燃气轮机热电联供系统热负荷控制方法 |
CN110515304A (zh) * | 2019-09-25 | 2019-11-29 | 南京信息工程大学 | 基于ARX-Laguerre函数模型的过热汽温PID预测控制方法 |
CN110631003A (zh) * | 2019-09-25 | 2019-12-31 | 国家能源集团谏壁发电厂 | 一种基于层级调度多模型预测控制的再热汽温调节方法 |
CN110764417B (zh) * | 2019-11-13 | 2022-06-03 | 东南大学 | 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制系统及其控制方法 |
CN110764417A (zh) * | 2019-11-13 | 2020-02-07 | 东南大学 | 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制系统及其控制方法 |
CN111239598A (zh) * | 2020-01-16 | 2020-06-05 | 温州大学乐清工业研究院 | 一种对断路器保护特性进行在线测试的装置 |
CN111239598B (zh) * | 2020-01-16 | 2022-07-29 | 温州大学乐清工业研究院 | 一种对断路器保护特性进行在线测试的装置 |
CN112015082A (zh) * | 2020-05-13 | 2020-12-01 | 东南大学 | 一种基于模糊增益调度预测控制的机炉协调系统控制方法 |
CN112015082B (zh) * | 2020-05-13 | 2022-04-08 | 东南大学 | 一种基于模糊增益调度预测控制的机炉协调系统控制方法 |
CN112147891A (zh) * | 2020-09-07 | 2020-12-29 | 东南大学 | 一种火电机组协调系统全局非线性优化控制方法 |
CN112147891B (zh) * | 2020-09-07 | 2022-06-14 | 东南大学 | 一种火电机组协调系统全局非线性优化控制方法 |
CN114428456A (zh) * | 2020-10-29 | 2022-05-03 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
CN114428456B (zh) * | 2020-10-29 | 2024-05-14 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107479389B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107479389A (zh) | 一种火电机组过热汽温预测模糊自适应pid控制方法 | |
Abdelbaky et al. | Design and implementation of partial offline fuzzy model-predictive pitch controller for large-scale wind-turbines | |
Na et al. | Nonlinear constrained optimal control of wave energy converters with adaptive dynamic programming | |
Kong et al. | Nonlinear multivariable hierarchical model predictive control for boiler-turbine system | |
CN106765052A (zh) | 一种电站锅炉蒸汽温度的智能计算预测控制方法 | |
CN105700380B (zh) | 二次再热机组汽轮机调速系统仿真模型及其建模方法 | |
Subudhi et al. | Non‐linear autoregressive moving average with exogenous input model‐based adaptive control of a wind energy conversion system | |
CN101763035A (zh) | Rbf神经网络整定pid与模糊免疫控制方法 | |
Ma et al. | Intelligent coordinated controller design for a 600 MW supercritical boiler unit based on expanded-structure neural network inverse models | |
CN105673325A (zh) | 基于rbf神经网络pid的风电机组独立变桨控制方法 | |
CN107515598A (zh) | 基于多参数动态矩阵控制的火电机组分布式协调控制系统 | |
CN103557037A (zh) | 一种基于自适应逆控制的汽轮机转速控制方法 | |
Beus et al. | Application of an adaptive model predictive control algorithm on the Pelton turbine governor control | |
Kocaarslan et al. | A fuzzy logic controller application for thermal power plants | |
CN106406101A (zh) | 一种火电机组协调控制系统的智能计算预测控制方法 | |
Patel et al. | Neural network aided fractional-order sliding mode controller for frequency regulation of nonlinear power systems | |
CN107908106A (zh) | 二次再热机组再热汽温的自降阶多回路集中预估控制系统 | |
Ji et al. | The optimization of the start-up scheduling for a 320 MW steam turbine | |
CN108107720A (zh) | 基于状态空间分析的水轮机调速器参数整定方法及系统 | |
Raach et al. | ℋ∞ controller design for closed-loop wake redirection | |
Suchithra et al. | Optimization based higher order sliding mode controller for efficiency improvement of a wave energy converter | |
Ren et al. | Feedforward feedback pitch control for wind turbine based on feedback linearization with sliding mode and fuzzy PID algorithm | |
Stol | Disturbance tracking control and blade load mitigation for variable-speed wind turbines | |
Djamel Eddine Kerrouche et al. | Modeling and Lyapunov-designed based on adaptive gain sliding mode control for wind turbines | |
Umrao et al. | Load frequency control using polar fuzzy controller |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |