CN107636553B - 用于控制模型预测控制器中的斜坡失衡的系统和方法 - Google Patents
用于控制模型预测控制器中的斜坡失衡的系统和方法 Download PDFInfo
- Publication number
- CN107636553B CN107636553B CN201680032845.6A CN201680032845A CN107636553B CN 107636553 B CN107636553 B CN 107636553B CN 201680032845 A CN201680032845 A CN 201680032845A CN 107636553 B CN107636553 B CN 107636553B
- Authority
- CN
- China
- Prior art keywords
- ramp
- limit
- max
- delta
- imbalance
- 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
Images
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
- G05B13/048—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 using a predictor
-
- 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
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
暂时放松约束条件准许某些过程模型的高效且有成本效益的操作。使用软着陆约束条件来控制斜坡失衡。此类软着陆约束条件准许平稳返回到准许继续操作系统(例如包含数个流入和流出的石化的系统),而不是强制关闭系统的斜坡限制。可通过确定失衡斜坡速率和失衡设定点斜坡速率并且使用那些约束条件来控制斜坡失衡以解决过程模型的动态控制问题。
Description
技术领域
本公开大体上涉及通过在斜坡失衡约束条件处于限制时允许暂时放松所述斜坡失衡约束条件来控制模型预测控制器中的斜坡失衡。
背景技术
本发明涉及控制任何数目的斜坡环境(例如石化环境)中的斜坡失衡的方法,所述斜坡失衡具有从一个或多个系统到一个或多个其它系统的流入和流出。在一个实施例中,本公开涉及控制液化气态富甲烷馈料来获得液化产物(液化天然气)的过程中的斜坡失衡。
液化过程包含以下步骤:
(a)在高压下将气态富甲烷馈料供应到主热交换器的第一导管侧的温端处,对所述气态富甲烷馈料进行冷却、液化以及次级冷却抗汽化制冷剂来获得液化流,将液化流从主热交换器冷端移出并且将所述液化流来作为液化产品传递至存储器;
(b)从主热交换器的壳侧的温端处移出汽化制冷剂;
(c)在至少一个制冷剂压缩器中压缩所述汽化制冷剂来获得高压制冷剂;
(d)将所述高压制冷剂部分冷凝并且在分离器中将部分冷凝的制冷剂分离成液态重制冷剂部分和气态轻制冷剂部分;
(e)在主热交换器的第二管侧中对所述重制冷剂部分进行次级冷却来获得次级冷却的重制冷剂流,在减压下将所述重制冷剂流引入到主热交换器的壳侧的中点处,且使得所述重制冷剂流在壳侧中汽化;以及
(f)在主热交换器的第三导管侧中对轻制冷剂的至少一部分处进行冷却、液化及次级冷却来获得次级冷却的轻制冷剂流,在减压下将所述轻制冷剂流引入到主热交换器的壳侧中的冷端处,且使得所述轻制冷剂流在壳侧中汽化。
国际专利申请公开第99/31448号公开通过基于模型预测控制的改进过程控制器来控制液化过程以确定用于操控变量集的同步的控制动作以便优化参数集中的至少一个同时控制对照变量集中的至少一个。操控变量集包含重制冷剂部分的质量流率,轻制冷剂部分的质量流率以及富甲烷馈料的质量流率。对照变量集包含主热交换器的温端处的温差和主热交换器的中点处的温差。待优化的变量集包含液化产物的产量。所述过程被认为是有利的,这是因为未操控混合制冷剂的主体组合物来优化液化产物的产量。然而,已证实控制与含量和压力相关联的斜坡失衡是繁琐的。
现有系统通过采用所有对照变量(CV)和操控变量(MV)界定并且使用过程模型施加稳定状态限制条件以及优化给到所述过程模型的各种目标来解决静态问题。可根据用户指定值或设置而规定目标,例如设定点或实时优化(RTO)目标或作为在可行空间上优化的经济函数。静态问题返回到可行稳定状态(或稳态目标),所述状态满足所述目标。在动态控制中,设定各种目标来追踪这些稳态目标。由于不可行性,CV的这些稳态目标值可与用户指定值(例如,设定点或RTO目标)不同或可具有与规定的CV限制内的其它可能值相比更高经济花费。这在静态不可行的CV限制内产生高压值的可能性。
除非扰动,否则稳态目标为CV将保持的值。然而,在现实世界条件下,由于例如噪声和未模型化干扰,这些稳态目标不会保持静态且因此CV大部分时间处于瞬态。例如描述于论文J.B.Rawlings、D.Bonnè、J.B.Jorgense、A.N.Venkat和S.B.Jorgensen的“模型预测控制中的不可达设置点(Unreachable setpoints in model predictive control)”,《关于自动控制IEEE会刊(IEEE Transactions on Automatic Control)》第53卷,第9号,第2209到2215页,2008和J.Rawlings和R.Amrit“使用模型预测控制优化过程经济性能(Optimizing process economic performance using model predictive control)《非线性模型预测控制(Nonlinear Model Predictive Control)》”2009,第119到138页中的那些现有系统执行评估来确定是否存在任何高可能区域,就用户指定设定点附近或是经济效益而言开放获取更高累积效益的可能性。
改进过程控制设计中的不稳定或斜坡行为常常来自并入的槽和/或储能器的含量控制。数个精制和化学过程也呈现不稳定行为,例如部分燃烧催化裂化器中的温度控制。现有系统对不必要地约束控制问题的斜坡失衡施加非常严格的控制。举例来说,现有基于模型的预测控制(MPC)技术自动地将CV的变化率必须是零的额外限制添加到预测水平窗(prediction horizon window)的末端处在现有MPC环境中,用于给定槽的指定CV可能对产量施加太多限制。举例来说,通过流入管道馈入槽可能不受任何约束条件阻碍,但从所述槽流出到另一目的地槽可能施加某些约束条件。每一槽具有通过到所述槽的流入和从所述槽中的流出改变的一定容量或存量。由于对流入或流出施加的约束条件,可能出现阻止整个系统在给定环境内的高效操作的失衡。举例来说,如果槽的存量的含量下降低于一定CV限制,那么可能停止来自槽的供应,即使停止这类供应将致使其它系统超出或下降低于其相应CV限制导致不必要的延时和费用。针对斜坡失衡的MPC的此类硬性依循并不高效。在现有系统中,可能已需要操作员通过MPC来越控控制且手动地操作系统的流入和流出。此类干预是偶发性的、易于出错、施加繁重的时间负担、产生费用,且在一些情况下由于条件或特定环境是不可行的。本发明旨在当在某些限制内时提供暂时放松斜坡失衡约束条件。
发明内容
根据本公开,本文中公开的一种用于当在限制内时暂时放松斜坡失衡约束条件系统和方法。这种暂时放松是有益且技术上有利的,例如,用于控制具有缓慢动态循环的较大槽(例如在白天期间抽取存量且在夜间补充存量时)。本发明允许调谐性能斜坡产生更加可预测的整体MPC性能。
在一个实施例中,控制斜坡失衡包括确定一个或多个用户指定设置。也确定改变当前斜坡失衡。修改一个或多个设定点限制轨迹。确定一个或多个软着陆斜坡限制时间常量和一个或多个软着陆设定点限制轨迹时间常量。确定一个或多个失衡斜坡率约束条件和一个或多个失衡设定点斜坡率约束条件。随后解决静态控制过程问题并且更新一个或多个斜坡约束条件。也更新设定点限制轨迹且接着解决动态控制过程问题。
在一个实施例中,一个或多个用户设置包括最大所允许斜坡率、用于平衡斜坡的时间及设定点恢复率中的至少一个。在另一实施例中,当前斜坡失衡中的改变是由影响一个或多个斜坡变量的一个或多个外部干扰中的改变而引发且同样设定点限制轨迹是至少部分地基于当前斜坡失衡中的改变、用于平衡的指定时间及设定点恢复率限制中的一个或多个而修改。
在另一实施例中,软着陆斜坡限制时间常量是至少部分地基于一个或多个斜坡限制和一个或多个速率失衡。软着陆设定点限制轨迹时间常量是至少部分地基于一个或多个设定点限制轨迹时间常量和一个或多个设定点恢复率限制。也可将重量施加于更新的斜坡约束条件和更新的设定点限制轨迹上。在另一个实施例中,解决静态控制过程问题是至少部分地基于针对一个或多个约束条件的自定义优先权设置。
附图说明
通过参考结合附图进行的以下描述,可以更完全理解本发明的实施例和优点,附图中相似的参考标号指示相似特征,且其中:
图1展示根据本公开的一个或多个实施例的实例信息处理系统;以及
图2展示根据本公开的一个或多个实施例的用于在出现斜坡失衡时的暂时放松某些约束条件的流程图。
虽然本公开能有各种修改和替代形式,但是图式中展示了并且本文中详细地描述了本发明的具体实例实施例。然而,应理解,本文中对具体实例实施例的描述并不在于将本公开限制于本文中所公开的特定形式,相反,本公开应当涵盖所附权利要求书限定的所有修改和等效物。
具体实施方式
对具有一个或多个系统的环境,例如包含数个槽的设备的控制可包含使用控制器。在此类环境中,斜坡失衡常常出现在石化环境中的给定系统,例如槽具有超出某些限制的流入或流出时。举例来说,槽的压力或含量以超出或低于某些指定限制或约束的斜坡率增加或减小。准许暂时放松斜坡失衡使得系统继续操作使得其它系统不受给定系统的斜坡失衡影响。
举例来说,槽具有一定容量(存量),其含量可在优选接近于设定点的某些限制之间变化。其它系统将存量馈入到所述槽中而同时其它系统可从所述槽中获取存量(消耗槽的存量)。槽的最长稳定时间可以小时测量,即使槽的存量可支撑数天的抽取(单位产量),给定特定变化范围的消耗速率。从槽中抽取存量导致含量降低(向下斜坡),而向槽中输入存量导致含量提高(向上斜坡)。然而,斜坡失衡可能出现,这是因为针对槽的存量的流入或流出的速率低于设定限制。在一个实例中,继续以当前速率从槽中抽取存量将消耗槽的存量,但由于槽的容量是已知的,认识到且可预测这种消耗将耗时数天而非仅几个小时。代替完全地停止槽的存量的流出,本发明的一个实施例允许继续抽取存量,即使存在斜坡失衡,这是因为已知在槽将完全地被消耗之前的时段内将存量输入到槽中(斜坡失衡将不会持续)。举例来说,可已知在设定时间段时将补充槽的油轮将到达且考虑到槽的当前消耗速率,将在槽完全地被消耗之前进行补充。因此,允许斜坡失衡一定时间段并不消耗槽且准许整个系统的高效操作。存在当自槽的抽取已经下降低于一定含量时继续向槽中输入存量的类似实例。在这个实例中,停止向槽输入存量可能影响其它上游系统和过程。如果已知在一时段中将恢复以设定含量从槽中抽取存量使得将不会超出槽的容量,那么可准许继续输入存量,即使由于抽取的速率已发生斜坡失衡。
现在参看图式,示意性地说明了具体实例实施例的细节。图中相同元件将用相同数字表示,并且类似元件将用相同数字加上不同的小写字母后缀表示。
对于本发明的一个或多个实施例,可以利用信息处理系统来实施一个或多个实施例。无论所使用的平台,此类实施例都可以在几乎任何类型的信息处理系统上实施。用于实施本文中所描述的实施例中的一个或多个的此类信息处理系统硬件可包含处理器,所述处理器被配置成执行存储在非暂时性计算机可读媒体上的指令、编程步法或代码的一个或多个序列。举例来说,如图1中所展示,信息处理系统100包含一个或多个中央处理单元(CPU)102、相关联的存储器104(例如,随机存取存储器(RAM)、只读存储器(ROM)、高速缓冲存储器、闪存存储器等)、存储装置106(例如,硬盘、固态存储器、例如光盘驱动或数字视频光盘(DVD)驱动的光盘驱动器、闪存存储棒等)和当今计算机典型的大量其它元件和功能(未图示)。CPU 102可用以执行来自一个或多个模块的程序指令,其中所述程序指令存储于存储器装置中,例如存储器104或存储装置106或所属领域的普通技术人员已知的任何其它存储器。CPU 102可被配置成执行如本发明的一个或多个实施例所涵盖的控制器。CPU 102可以是通用微处理器、微控制器、数字信号处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑装置、控制器、状态机、门控逻辑、离散硬件组件、人工神经网络,或所属领域的普通技术人员已知的可以根据本发明执行数据的其它操作的计算的任何类似的合适硬件。信息处理系统100还可包含I/O接口108以用于发送和/或接收输入,例如来自键盘、鼠标或麦克风的输入。I/O接口108还可以接收信息,例如多维(例如,3D)地球物理数据、与来自任何一个或多个过程、系统或外部组件的一个或多个读数、设置、结果、变量、反馈(或所属领域的普通技术人员已知的任何其它类型的数据)相关的一个或多个值,包含与天然气液化相关的此类信息,或在用于模型预测控制的系统中使用的所属领域的普通技术人员已知的任何其它信息。举例来说,在某些实施例中,I/O接口108可接收来自环境内的组件的速率改变、质量控制、含量、压力、温度或本领域的普通技术人员已知的任何其它读数。举例来说,槽可具有一定含量的存量且I/O接口108可接收与槽的存量的含量的当前含量或速率改变相关联的读数。另外,信息处理系统100可包含输出装置,例如显示器114(例如,液晶显示器(LCD)、等离子显示器或阴极射线管(CRT)监视器)。显示器114包括显示本发明的一个或多个实施例中的任一个所必要的任何类型的数据的必要元件。
可通过网络接口连接110将信息处理系统100连接到网络116(例如,局域网(LAN)、例如互联网的广域网(WAN)或任何其它类似类型的网络)以接收如本发明的任何一个或多个实施例所需要的来自传感器的数据、测量值、读数或所属领域的普通技术人员已知的任何其它数据。所属领域的技术人员将理解,存在许多不同类型的信息处理系统,并且前述输入和输出装置可以采用其它形式。一般来说,信息处理系统至少包含实践本发明的实施例所必需的最少的处理、输入和/或输出装置,无论是硬件、软件还是其任何组合。
信息处理系统100的CPU 102可与应用程序118通信。应用程序118是指设计成执行高级过程控制(APC)的基于模型的多变量预测控制(MPC)应用程序。例如CPU 102的CPU可执行与应用程序118相关联的指令,包含函数、I/O通信、变量及测量值验证、估计及预测、稳态优化以及控制移动计算的执行。应用程序118可能含有其自身的估计函数,但具有可供用于与其它组件连接和协作的参数。实例参数可包含估计器、实时优化接口以及本领域的普通技术人员已知的其它参数。
控制器118也可以与自身含有输入和输出变量的列表的模型相关联,且还包括子系统、变量集、经济函数和调谐以及其它设计和配置信息。用于控制器118和其模型的变量列表必须一致(例如,当将变量添加到控制器118或从中移除时,所述变量也自动添加到模型或从中移除)。模型中的变量分类为模型输入或者模型输出。这种分类仅出于建模目的(例如,使用测量的输入来产生过程值的估计值的数学运算)而未必在结构上对应于被建模的过程的物理布置。用于控制器118的设计过程的重要部分涉及对输入和输出变量的选择以及模型的开发。
在说明书中和在权利要求书中,术语‘操纵变量’(MV)用来指可通过控制器118操纵的变量,且术语‘受控变量’(CV)用来指必须通过高级过程控制器保持在预定值(设定点)或在预定范围(设定范围)内的变量。术语‘扰动变量’(DV)用以指代其值可独立于控制器118而改变但其效应包含在控制器模型中的变量。术语‘中间变量’(IV)用以指代是控制器模型的输出但具有作为其它模型输出的输入的关系的变量。用语“变量集”用来指由应用程序的给定控制器118使用的限定变量群组。给定控制器118可具有许多变量集且任何变量可以是变量集的成员。然而,一变量仅在变量集中出现一次。用语‘优化变量’用以指代将变量最大化或最小化和将所述变量维持在预定值。术语‘最佳性能’用来指最接近给定情形下用户提供值(设定值/RTO目标)或经济上最高收益/最低成本中更高优先级的一个。术语过程输出变量(POV)是指通过过程输入中的改变而改变其值的变量。术语‘最佳性能值’(BPV)用以指代将对应于指定CV限制内的最佳性能的值,其中CV限制是在可行性恢复之前的初始限制,因为限制的放松被视为性能的下降。可将BPV值作为静态计算的副产物进行计算。用语‘实时优化’用来指用于通过给定约束条件计算某一过程的最佳经济操作点的自动化过程。
控制器118中的变量可基于其与过程的结构关系而进行进一步分类。过程输入可分类为MV(将由控制器调整的独立过程设置)或DV(将不通过控制器调整的独立过程设置,以及不受MV中的改变影响的过程测量值)。POV可以包含CV、MV或IV中的任何一个或多个或所属领域的普通技术人员已知的任何其它属性作为属性。
控制器MV可分组为子系统以优化其处理。控制器可以含有协调层,所述协调层管理每个个体子系统且确保子系统之间的适当协作。控制器118计算可以包含静态优化和动态移动计算。静态优化,其中可基于当前测量值、预测响应、优先化约束条件和指定(静态优化)经济函数来估计每个CV的稳态目标值。动态移动计算,其中基于响应调谐和计算出的目标值来确定每个控制器MV的当前移动和预计移动计划。
变量集提供用于显示和用于事务控制(例如,改变模式)的分组CV。经济函数用于限定控制器的具体稳态(或静态)优化目标,且确定符合CV全集和控制器模型两者的每个CV的目标值。控制器的模式是相关联的控制器处理器的模式。一般来说,允许任何操作员将控制器处理器请求模式设定成失效、备用或有效,而仅具有特定许可的操作员(例如合格工程师)可请求锁定模式。
操作员或用户应将请求模式设定为有效以便控制器118使用有效操作集来执行控制和优化。操作者或用户可在准备有效模式时或在需要短期干预控制器的动作时将控制器118置于备用状态。当控制器118置于备用状态时,操作集将保持在其当前请求的模式中。如果需要控制器失效更长时间段,那么具有特定权限的操作员可将控制器118置于失效的模式,这将自动地将控制器的操作集和经济函数返回到失效。
用户可以是任何操作员、工程师、一个或多个信息处理系统100或所属领域的普通技术人员已知的任何其它用户。
另外,所属领域的技术人员将了解前述信息处理系统100的一个或多个元件可位于远端位置处且通过网络连接到一个或多个其它元件。另外,本发明的实施例可以在具有多个节点的分布式系统上实施,其中本发明的每个部分可以位于分布式系统内的不同节点上。举例来说,显示器114可远离信息处理系统100的其它组件而定位。信息处理系统100可包括一个或多个客户端装置、服务器或其任何组合。
参看图2,在200处大体上描绘当斜坡失衡出现时暂时放松某些约束条件以便动态控制根据本公开的一个或多个实施例的斜坡失衡的流程图。在步骤202处,确定用户或操作员指定设置。用户设置为关于给定系统或过程的输入和受控制的输出的限制或约束条件。用户设置可以存储于存储器104或存储装置106或本领域的普通技术人员已知的任何其它类型的位置中。用户设置可包含最大所允许斜坡率(向上和/或向下)的值、用于平衡斜坡的时间、设定点恢复率或本领域的普通技术人员已知的任何其它设置。
在步骤204处,确定当前斜坡失衡(或斜坡率)中的改变。斜坡失衡可以由例如影响一个或多个斜坡变量的外部干扰中的改变而引发。
在步骤206处,设定点限制轨迹至少部分基于当前斜坡失衡(Δ)、用于平衡(tbal)的指定时间以及设定点恢复率限制(ylo,sp和yhi,sp)中的改变沿着动态控制水平而修改。在一个实施例中,设定点限制轨迹基于设定点恢复率限制而确定,如下文所展示:
ylo,sp=ylo,sp+min(tbalΔ,0)和yhi,sp=yhi,sp+max(0,tbalΔ) (1)
随后,在步骤208处,动态控制软着陆斜坡限制时间常量(Tlo和Thi)是至少部分基于斜坡限制(ylo和yhi)和自定义最小/最大斜坡率失衡(和)而确定。同样在步骤208处,设定点限制时间常量(Tlo,sp和Thi,sp)是至少部分基于设定点限制轨迹时间常量(Tlo,sp和Thi,sp)和设定点恢复率限制(ylo,p和yhi,sp)而确定。举例来说,在一个实施例中,动态控制软着陆时间常量如下文所展示而确定:
其中,斜坡限制ylo是min(yt+k+Tδt+k)且斜坡限制yhi是max(yt+k+Tδt+k),T为确定多快将斜坡率驱动为零(或只要软着陆约束变成约束或有效)的时间约束条件或更确切地说用于平衡的时间,t是时间(或更确切地说时间点),k是预测时间,以及y是从静态模式中测量的输出斜坡(y=Cx+v,其中C是适当的维度的矩阵,x是过程模型的状态,且v是对于静态模型的非可操纵的输出贡献)。软着陆约束条件引发到达斜坡限制的平稳方式,允许暂时放松斜坡率约束条件。
在步骤210处,与静态控制问题的失衡斜坡率约束条件(δmin,ss和δmax,ss)和失衡斜坡设定点约束条件(δmin,sp,ss和δmax,sp,ss)相关联的内部最大所允许斜坡率(向上或向下)是通过使用软着陆约束条件来确定。举例来说,在一个实施例中,斜坡率约束条件和斜坡设定点约束条件是至少基于时间常量、设定点恢复限制和控制水平h而确定,如下文所展示:
δmin,ss=(ylo-y)/max(Tlo,h)和δmax,ss=(yhi-y)/max(Thi,h) (4)
δmin,ss=(ylo,sp-y)/max(Tlo,sp,h)和δmax,sp,ss=(yhi,sp-y)/max(Thi,sp,h) (5)
在步骤212处,解决了静态控制问题。在一个实施例中,通过使用阐述于步骤210中且展示于方程式(4)和方程式(5)中的失衡斜坡率约束条件和失衡斜坡设定点约束条件来解决静态控制问题。在一个实施例中,通过在低于所述速率斜坡限制(ylo和yhi)的优先级下施加失衡斜坡率约束条件且在高于斜坡设定点限制(ylo,sp和yhi,sp)的优先级下施加失衡斜坡设定点约束条件来解决静态控制问题。针对每一约束条件的所述优先级可以是自定义设置。
在步骤214处,至少部分地基于预测时间斜坡率(δk)和设定点恢复率(δr)而更新斜坡限制(ylo和yhi)和设定点限制轨迹。在一个实施例中,更新的斜坡限制(仍被称作ylo和yhi)和更新的设定点恢复限制(ylo,sp,k和yhi,sp,k)如下文所展示而确定:
ylo≤yk+Tloδk和yk+Thiδk≤yhi (6)
ylo,sp,k≤yk+Tlo,spδk和yk+Thi,spδk≤yhi,sp,k (7)
其中
ylo,sp,k=min(ylo,sp+kδr,ysp)和yhi,sp,k=max(ysp,yhi,sp-kδr) (8)
在步骤216处,动态控制问题是使用更新的斜坡限制和更新的设定点恢复限制而解决。在一个实施例中,将斜坡限制重量和设定点限制重量分别地施加于更新的斜坡限制和更新的设定点恢复限制上。
在步骤218处,报告动态控制问题的解决方案。
虽然参考各种实施方案和开发利用描述实施例,但应理解,这些实施例是说明性的,且本发明的主题的范围不限于这些实施例。许多变化、修改、添加和改进是可能的。
针对本文中描述为单个实例的组件、操作或结构可以提供多个实例。一般来说,在示范性配置中呈现为分开的组件的结构和功能性可以实施为组合结构或组件。类似地,呈现为单个组件的结构和功能性可实施为分开的组件。这些和其它变化、修改、添加和改进可属于本发明主题的范围内。
Claims (4)
1.一种用于控制斜坡失衡的方法:
确定当前斜坡失衡中的改变Δ,所述改变Δ由影响一个或多个斜坡变量的一个或多个外部干扰中的改变而引发;
根据ylo,sp=ylo,sp+min(tbalΔ,0)和yhi,sp=yhi,sp+max(0,tbalΔ)修改低和高斜坡设定点限制ylo,sp和yhi,sp;
基于斜坡限制ylo和yhi和用户定义的最小/最大所允许斜坡率和根据和确定软着陆斜坡限制时间常量Tlo和Thi,其中Tmin是确定多快将斜坡率驱动为零的最小时间常量,并且y是从静态模式中测量的输出斜坡;
根据δmin,ss=(ylo-y)/max(Tlo,h)和δmax,ss=(yhi-y)/max(Thi,h)确定失衡斜坡率约束条件δmin,ss和δmax,ss,其中h指示控制水平;
根据δmin,sp,ss=(ylo,sp-y)/max(Tlo,sp,h)和δmax,sp,ss=(yhi,sp-y)/max(Thi,sp,h)确定失衡设定点斜坡率约束条件δmin,sp,ss和δmax,sp,ss;
通过在高于所述斜坡限制ylo和yhi的优先级下施加所确定的失衡斜坡率约束条件δmin,ss和δmax,ss且在高于斜坡设定点限制ylo,sp和yhi,sp的优先级下施加所确定的失衡设定点斜坡率约束条件δmin,sp,ss和δmax,sp,ss来解决静态控制过程问题;
根据ylo≤yk+Tloδk和yk+Thiδk≤yhi更新斜坡限制ylo和yhi的约束条件,其中k指示预测时间,并且δk指示预测时间斜坡率;
根据ylo,sp,k≤yk+Tlo,spδk和yk+Thi,apδk≤yhi,sp,k更新设定点限制轨迹ylo,sp,k和yhi,sp,k的约束条件,
其中ylo,sp,k=min(ylo,sp+kδr,ysp)和yhi,sp,k=max(ysp,yhi,sp-kδr);以及
通过使用所更新的斜坡限制的约束条件和所更新的设定点限制轨迹的约束条件来解决动态控制过程问题。
2.根据权利要求1所述的方法,其中将斜坡限制权重和设定点限制权重分别施加于所更新的斜坡限制的约束条件和所更新的设定点限制轨迹的约束条件上。
3.一种用于控制斜坡失衡的系统,包括:
一个或多个处理器,用于处理信息;
存储器,通信地耦合到所述一个或多个处理器;以及
一个或多个模块,包括存储于所述存储器中的指令,所述指令在由所述处理器执行时,可操作以执行包括下面各项的操作:
确定当前斜坡失衡中的改变Δ,所述改变Δ由影响一个或多个斜坡变量的一个或多个外部干扰中的改变而引发;
根据ylo,sp=ylo,sp+min(tbalΔ,0)和yhi,sp=yhi,sp+max(0,tbalΔ)修改低和高斜坡设定点限制ylo,sp和yhi,sp;
基于斜坡限制ylo和yhi和用户定义的最小/最大所允许斜坡率和根据和确定软着陆斜坡限制时间常量Tlo和Thi,其中Tmin是确定多快将斜坡率驱动为零的最小时间常量,并且y是从静态模式中测量的输出斜坡;
根据δmin,ss=(ylo-y)/max(Tlo,h)和δmax,ss=(yhi-y)/max(Thi,h)确定失衡斜坡率约束条件δmin,ss和δmax,ss,其中h指示控制水平;
根据δmin,sp,ss=(ylo,sp-y)/max(Tlo,sp,h)和δmax,sp,ss=(yhi,sp-y)/max(Thi,sp,h)确定失衡设定点斜坡率约束条件δmin,sp,ss和δmax,sp,ss;
通过在高于所述斜坡限制ylo和yhi的优先级下施加所确定的失衡斜坡率约束条件δmin,ss和δmax,ss且在高于斜坡设定点限制ylo,sp和yhi,sp的优先级下施加所确定的失衡设定点斜坡率约束条件δmin,sp,ss和δmax,sp,ss来解决静态控制过程问题;
根据ylo≤yk+Tloδk和yk+Thiδk≤yhi更新斜坡限制ylo和yhi的约束条件,其中k指示预测时间,并且δk指示预测时间斜坡率;
根据ylo,sp,k≤yk+Tlo,spδk和yk+Thi,spδk≤yhi,sp,k更新设定点限制轨迹ylo,sp,k和yhi,sp,k的约束条件,
其中ylo,sp,k=min(ylo,sp+kδr,ysp)和yhi,sp,k=max(ysp,yhi,sp-kδr);以及
通过使用所更新的斜坡限制的约束条件和所更新的设定点限制轨迹的约束条件来解决动态控制过程问题。
4.根据权利要求3所述的系统,其中将斜坡限制权重和设定点限制权重分别施加于所更新的斜坡限制的约束条件和所更新的设定点限制轨迹的约束条件上。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562171577P | 2015-06-05 | 2015-06-05 | |
US62/171,577 | 2015-06-05 | ||
PCT/US2016/035458 WO2016196756A1 (en) | 2015-06-05 | 2016-06-02 | System and method for controlling ramp imbalances in model predictive controllers |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107636553A CN107636553A (zh) | 2018-01-26 |
CN107636553B true CN107636553B (zh) | 2022-02-25 |
Family
ID=57442196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680032845.6A Active CN107636553B (zh) | 2015-06-05 | 2016-06-02 | 用于控制模型预测控制器中的斜坡失衡的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10656606B2 (zh) |
EP (1) | EP3304236B1 (zh) |
JP (1) | JP6871871B2 (zh) |
CN (1) | CN107636553B (zh) |
WO (1) | WO2016196756A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092189B (zh) * | 2017-06-01 | 2019-12-06 | 北京交通大学 | 基于模型预测控制的多变量输入eha系统的控制方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0415706A (ja) * | 1990-05-01 | 1992-01-21 | Toshiba Corp | モデル予測制御装置 |
US5329443A (en) * | 1992-06-16 | 1994-07-12 | Praxair Technology, Inc. | Two-phase method for real time process control |
JPH07281729A (ja) * | 1994-04-07 | 1995-10-27 | Toshiba Corp | ユニットアラーム管理装置 |
JPH0883104A (ja) * | 1994-09-12 | 1996-03-26 | Toshiba Corp | プラント制御装置 |
EG22293A (en) | 1997-12-12 | 2002-12-31 | Shell Int Research | Process ofliquefying a gaseous methane-rich feed to obtain liquefied natural gas |
US6714899B2 (en) * | 1998-09-28 | 2004-03-30 | Aspen Technology, Inc. | Robust steady-state target calculation for model predictive control |
US6751527B2 (en) | 2000-02-11 | 2004-06-15 | Stone & Webster Process Technology, Inc. | Heat and material balance method of process control for petrochemical plants and oil refineries |
CA2513091A1 (en) | 2003-01-31 | 2004-08-19 | Fakhruddin T. Attarwala | Integrated optimization and control using modular model predictive controller |
US7054706B2 (en) * | 2003-06-30 | 2006-05-30 | Intel Corporation | Managing supply chains with model predictive control |
NO327866B1 (no) * | 2006-03-09 | 2009-10-12 | Abb Research Ltd | En fremgangsmåte for styring og/eller overvåking |
US8634940B2 (en) * | 2006-10-31 | 2014-01-21 | Rockwell Automation Technologies, Inc. | Model predictive control of a fermentation feed in biofuel production |
EP2313815B1 (en) * | 2008-08-13 | 2012-02-15 | Shell Internationale Research Maatschappij B.V. | Method for controlling a gas flow between a plurality of gas streams |
US8103385B2 (en) | 2008-09-30 | 2012-01-24 | Rockwell Automation Technologies, Inc. | Optimizing product drying through parallel lines of centrifuges and dryer process units |
US8155764B2 (en) * | 2009-02-27 | 2012-04-10 | Honeywell International Inc. | Multivariable model predictive control for coalbed gas production |
US8417361B2 (en) * | 2011-03-22 | 2013-04-09 | General Electric Company | Model predictive control system and method for integrated gasification combined cycle power generation |
JP5969919B2 (ja) * | 2012-12-28 | 2016-08-17 | アズビル株式会社 | 最適化装置および方法ならびに制御装置および方法 |
US20140259886A1 (en) * | 2013-03-13 | 2014-09-18 | Rockwell Automation Technologies, Inc. | Advanced process control of a biodiesel plant |
CN103472723A (zh) * | 2013-08-19 | 2013-12-25 | 上海交通大学 | 基于多模型广义预测控制器的预测控制方法及系统 |
-
2016
- 2016-06-02 US US15/578,084 patent/US10656606B2/en active Active
- 2016-06-02 WO PCT/US2016/035458 patent/WO2016196756A1/en active Application Filing
- 2016-06-02 CN CN201680032845.6A patent/CN107636553B/zh active Active
- 2016-06-02 EP EP16804407.1A patent/EP3304236B1/en active Active
- 2016-06-02 JP JP2017563223A patent/JP6871871B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
EP3304236A4 (en) | 2019-01-02 |
EP3304236A1 (en) | 2018-04-11 |
JP2018516414A (ja) | 2018-06-21 |
CN107636553A (zh) | 2018-01-26 |
JP6871871B2 (ja) | 2021-05-19 |
WO2016196756A1 (en) | 2016-12-08 |
US10656606B2 (en) | 2020-05-19 |
US20180150039A1 (en) | 2018-05-31 |
EP3304236B1 (en) | 2023-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109219724B (zh) | 用于控制多区蒸汽压缩系统的系统和方法以及永久计算机可读存储介质 | |
Ferreau et al. | An online active set strategy to overcome the limitations of explicit MPC | |
KR940001381B1 (ko) | 액화 천연가스 생산 설비의 효율적 작동방법 | |
JP7090243B2 (ja) | プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置 | |
EP3270239A1 (en) | Device characteristic model learning device, device characteristic model learning method, and storage medium | |
JP2015232436A (ja) | 蒸気圧縮システムを制御するシステム及び方法 | |
KR20070095303A (ko) | 플랜트에서의 공정 제어 방법 및 시스템 | |
EP3126760A1 (en) | Extremum seeking controller and method for controlling a vapor compression system | |
CN107615183B (zh) | 模型预测控制应用程序中相对于最佳性能值的优良性能的系统和方法 | |
EP3289415A1 (en) | Formulating steady-state targets using prioritized objective functions | |
CN107636553B (zh) | 用于控制模型预测控制器中的斜坡失衡的系统和方法 | |
US10925192B1 (en) | Using predictive analytics in electrochemical and electromechanical systems | |
CN107615184B (zh) | 用于针对模型预测估计和控制应用程序中的模型的后台元件切换的系统和方法 | |
CN112784381A (zh) | 用于管线网络的管理的模拟方法和系统 | |
JP6240005B2 (ja) | 圧縮機稼働計画策定システム | |
CN114117778A (zh) | 控制参数确定方法、装置、电子设备和存储介质 | |
WO2001041040A2 (en) | A multi-level multi-variable control process program execution scheme for distributed process control systems | |
US10824124B2 (en) | System and method for handling equipment service for model predictive controllers and estimators | |
CN116202192B (zh) | 一种机房温度远程控制方法及系统 | |
Bendtsen et al. | Hierarchical Model Predictive Control for Plug-and-Play Resource Distribution | |
Degner | Studies on Mechatronics: Optimization Methods for Gas Compressors | |
CN115419508A (zh) | 基于无模型自适应控制器控制燃气轮机转速的方法 | |
CN117073152A (zh) | 空调系统的pid参数确定方法、装置及空调系统 | |
Zhao et al. | A System Dynamics Evaluation Model of Avionic Fuel Control System |
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 |