CN107703745A - 基于经济预测控制的mgt‑cchp控制系统 - Google Patents
基于经济预测控制的mgt‑cchp控制系统 Download PDFInfo
- Publication number
- CN107703745A CN107703745A CN201710858330.8A CN201710858330A CN107703745A CN 107703745 A CN107703745 A CN 107703745A CN 201710858330 A CN201710858330 A CN 201710858330A CN 107703745 A CN107703745 A CN 107703745A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- disturbance
- mgt
- 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
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 11
- 239000013256 coordination polymer Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 239000000498 cooling water Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 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 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000003507 refrigerant Substances 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000000567 combustion gas Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 101100029855 Arabidopsis thaliana PIP1.4 gene Proteins 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 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
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 239000003643 water by type Substances 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
本发明公开了一种基于经济预测控制的MGT‑CCHP控制系统，包括经济预测控制单元、MGT‑CCHP系统单元、扰动模型单元和状态及扰动观测器单元。本发明通过在对象模型中引入扰动模型，将系统不可测扰动与模型失配信息集总为一个扰动量，扩增原有的状态空间模型，再用卡尔曼滤波器估计出所有的状态量，用于经济预测控制器中的计算，从而移除扰动对经济预测控制器优化最优控制量的影响，提高了系统的抗干扰性；通过调节经济预测控制器中不同目标函数的加权系数，可使MGT‑CCHP系统在不同运行模式下迅速切换，从而满足复杂多变的负荷要求；同时考虑了阀门开度上下限制、速率限制等实际约束，避免因执行机构饱和从而影响系统性能。
Description
技术领域
本发明涉及热工自动控制领域，尤其是一种基于经济预测控制的MGT-CCHP控制系统。
背景技术
分布式能源系统集节能、环保和安全等优势于一身，是缓解能源危机，减少环境污染和温室气体排放，实现可持续发展战略的有效途径。作为分布式能源系统的重要发展方向，微型燃气轮机冷热电联供系统(简称MGT-CCHP系统)是提供清洁、可靠、高质量、多用途的小型分布式能源的最佳方式之一。然而，作为一种新兴技术，MGT-CCHP与常规能源系统运行特性差异较大，如单机容量小、启停迅速、就近用户侧等，而且具有多设备集成、多产点和多负荷耦合特征，运行方式极为灵活，因此实现该类系统的最优运行是一项全新的挑战。
根据是否并网，MGT-CCHP的运行可分为两类模式：孤岛模式和并网模式。孤岛模式下，由于MGT-CCHP系统与电网断开，系统本身需要同时调节三个控制量燃料阀门开度、回热旁路阀门开度和高压冷剂蒸汽阀门开度以满足三个输出量：输出功率、冷却水温度和生活热水温度的要求。并网模式下根据哪种负荷需要优先提供机组可分为两类模式：以热定电(Heat-Led)模式和以电定热(Elec-Led)模式，剩余的负荷可以通过向电网购/售电或冷/热辅助设备来满足。如何调节MGT-CCHP控制系统，以实时满足用户复杂多变的负荷需求，是MGT-CCHP控制系统面临的一大难题。
发明内容
本发明所要解决的技术问题在于，提供一种基于经济预测控制的MGT-CCHP控制系统，能够灵活地在不同运行模式中迅速切换，以满足不同的用户需求，同时提高系统的抗干扰性和经济性，改善系统的控制性能。
为解决上述技术问题，本发明提供一种基于经济预测控制的MGT-CCHP控制系统，包括：经济预测控制单元1，MGT-CCHP系统单元2，扰动模型单元3和状态及扰动观测器单元4；经济预测控制单元1有两路输出端，其中第一路输出端与MGT-CCHP系统单元2相连，第二路输出端连接扰动模型单元3，同时，MGT-CCHP系统单元2和扰动模型单元3的输出端连接状态及扰动观测器单元4的输入端，状态及扰动观测器单元4的输出端连接经济预测控制单元1。
优选的，经济预测控制单元4中也包含扰动模型，MGT-CCHP系统单元2的另一个输入端是外界不可测扰动，经济预测控制单元1的输出是最优控制量，MGT-CCHP系统单元2的输出是MGT-CCHP对象输出，扰动模型单元3的输出是模型输出，状态及扰动观测器单元4的输出是所估计的扰动和状态。
优选的，经济预测控制单元1中将经济优化层和最优控制量计算层合并为一层，同时采用带有扰动模型的对象模型，扣除扰动对经济预测控制单元1所得最优控制量的影响；MGT-CCHP系统单元2表示被控对象，扰动模型单元3表示不可测扰动和模型失配对模型造成的影响，状态及扰动观测器单元4利用扩增状态观测器，根据对象输入输出值，观测出系统的状态量和扰动量，用于经济预测控制单元1中的计算。
优选的，被控对象MGT-CCHP系统单元2为微型燃气轮机型-冷热电三联供系统，系统为三输入三输出对象，三个输入量分别是燃料阀门开度、回热旁路阀门开度和高压冷剂蒸汽阀门开度，三个输出量分别是输出功率、冷却水温度和生活热水温度。
优选的，状态及扰动观测器单元4是将扰动扩增为一个新的状态，利用卡尔曼滤波器由对象输入输出值估计出所有的状态量，其具体实现包括如下步骤：
(1)MGT-CCHP系统动态特性可由下面离散状态空间模型描述：
其中x(k)∈Rn是状态变量，u(k)∈Rm是输入变量，y(k)∈Rl是输出变量，是扰动项代表不可测扰动和模型失配的影响。A,B,C,D,Gd是系统矩阵；
(2)状态及扰动观测器将不可测扰动和模型失配造成的影响集总为一个扰动量，扩增为新的状态量，利用卡尔曼滤波器估计所有的状态量，状态及扰动观测器如下表示：
其中Lk是观测器增益，‘^’符号代表估计值；
(3)扩增状态观测器的构建可基于常规卡尔曼滤波理论，其中：
Lk＝PkCT(CPkCT+R)-1 (20)
Pk＝APk-1AT+GdQ0Gd T-APk-1CT(CPk-1CT+R0)-1CPk-1AT (21)
调节参数Q0 and R0是单位阵，Pk,Pk-1分别是k,k-1时刻的状态误差协方差估计。
(4)为了保证扩增状态的可观测，必须满足下列等式
优选的，经济预测控制单元1是通过在未来P个采样时刻内优化经济目标得到最优控制量来实现，其具体实现步骤如下：
经济预测控制单元1的优化目标函数及约束条件如下所示：
xk∈χ,uk∈Γ,k＝0,...,P-1 (25)
x0＝xk (26)
xP＝xss (27)
其中(xss,uss)是满足稳态条件xss＝f(xss,uss)的一组稳态点，公式(6)是优化目标函数(αi是各个目标函数的加权值)；公式(7)为带有扰动模型的状态空间模型，公式(8)为状态量约束和控制量约束，公式(9)表示初始状态量为当前时刻的状态量，公式(10)表示终端约束，公式(11)为稳定性约束条件，εk+1(σ)是参数σ的函数，σ∈[0,1),定义为
对应地，定义为施加跟踪MPC求得的最优控制量后的未来P步的代价函数之和。定义为
其中Q和R为对角权矩阵。
优选的，稳定性约束条件(11)包含在经济预测控制单元1中，以此来保证控制器的稳定性。通过在公式(11)两边同时减去可以得到
条件
能够保证稳定性是因为是一个正定函数，因此跟踪MPC目标函数可看作一个李雅普诺夫函数。取公式(15)的下限，可从公式(14)得到
由于在σ∈[0,1)时，也是正定函数，因此条件(17)能够保证稳定性，从而证明公式(11)可用于保证稳定性。
优选的，经济预测控制单元1中的优化经济目标函数构成如下：
(1)J1＝CF·lF·u1代表燃气消耗成本，其中CF是燃气价格，lF是阀门开度和燃气流量之间的系数；
(2)J2＝||Tc-y2||2,J3＝||Th-y3||2,J4＝||E-y1||2代表MGT-CCHP系统输出偏离用户需求时施加的惩罚，Tc,Th和E是需要的冷/热水温度和输出功率；
(3)J5＝-(||u2||2+||u3||2)代表阀门节流损失，负号代表阀门开度越大，节流损失越小。
优选的，在每个采样时刻，通过求解满足约束条件(7)-(12)的经济优化目标函数(6)，可求得最优控制量，然后加控制序列的第一步施加到通知对象上。
优选的，由于MGT-CCHP系统需要灵活的运行模式以实时满足用户的不同需求，公式(6)中的加权系数αi反映了不同用户需求满足的优先权，因此，通过调节加权系数αi可以实现在不同MGT-CCHP运行模式中的切换。一般来说，加权系数小意味着该用户需求具有较小的优先权，加权系数大意味着该用户需求具有较大的优先权，因此应当根据用户实际需求选择对应的加权系数。
本发明的有益效果为：通过在MGT-CCHP控制系统中采用经济预测控制器，能较好的克服系统大惯性、大延迟的缺点，同时保证MGT-CCHP控制系统运行的经济性；通过在对象模型中引入扰动模型，将系统不可测扰动与模型失配信息集总为一个扰动量，扩增原有的状态空间模型，再用卡尔曼滤波器估计出所有的状态量，用于经济预测控制器中的计算，从而移除扰动对经济预测控制器优化最优控制量的影响，提高系统的抗干扰性；通过调节经济预测控制器中不同目标函数的加权系数，可使MGT-CCHP系统在不同运行模式下迅速切换，从而满足复杂多变的负荷要求；同时考虑了阀门开度上下限制、速率限制等实际约束，避免因执行机构饱和从而影响系统性能。
附图说明
图1为本发明的基于经济预测控制的MGT-CCHP控制结构示意图。
图2为本发明的MGT-CCHP系统对象模型阶跃测试时输入量。
图3为本发明的MGT-CCHP系统对象模型阶跃测试时输出量。
图4为实施例1中本发明方法与常规经济预测控制方法在以热定电模式下，在设定值阶跃扰动试验下得到的输出值对比图。
图5为实施例1中本发明方法与常规经济预测控制方法在以热定电模式下，在设定值阶跃扰动试验下得到的输入值对比图。
图6为实施例2中本发明方法与常规跟踪模型预测控制方法在孤岛模式下，在设定值阶跃扰动试验下得到的输出值对比图。
图7为实施例2中本发明方法与常规跟踪模型预测控制方法在孤岛模式下，在设定值阶跃扰动试验下得到的输入值对比图。
具体实施方式
如图1所示，基于经济预测控制的MGT-CCHP控制系统，包括经济预测控制单元，MGT-CCHP系统单元，扰动模型单元和状态及扰动观测器单元；经济预测控制单元有两路输出端，其中第一路输出端与MGT-CCHP系统单元相连，第二路输出端连接扰动模型单元，同时，MGT-CCHP系统单元和扰动模型单元的输出端连接状态及扰动观测器单元的输入端，状态及扰动观测器单元的输出端连接经济预测控制单元。
经济预测控制单元中也包含扰动模型，MGT-CCHP系统单元的另一个输入端是外界不可测扰动，经济预测控制单元的输出是最优控制量，MGT-CCHP系统单元的输出是MGT-CCHP对象输出，扰动模型单元的输出是模型输出，状态及扰动观测器单元的输出是所估计的扰动和状态。
经济预测控制单元中将经济优化层和最优控制量计算层合并为一层，同时采用带有扰动模型的对象模型，扣除扰动对经济预测控制单元所得最优控制量的影响；MGT-CCHP系统单元表示被控对象，扰动模型单元表示不可测扰动和模型失配对模型造成的影响，状态及扰动观测器单元利用扩增状态观测器，根据对象输入输出值，观测出系统的状态量和扰动量，用于经济预测控制单元中的计算。
被控对象MGT-CCHP系统单元为微型燃气轮机型-冷热电三联供系统，系统为三输入三输出对象，三个输入量分别是燃料阀门开度、回热旁路阀门开度和高压冷剂蒸汽阀门开度，三个输出量分别是输出功率、冷却水温度和生活热水温度。
状态及扰动观测器单元将扰动扩增为一个新的状态，利用卡尔曼滤波器由对象输入输出值估计出所有的状态量，其具体实现包括如下步骤：
(1)MGT-CCHP系统动态特性可由下面离散状态空间模型描述：
其中x(k)∈Rn是状态变量，u(k)∈Rm是输入变量，y(k)∈Rl是输出变量，是扰动项代表不可测扰动和模型失配的影响。A,B,C,D,Gd是系统矩阵；
(2)状态及扰动观测器将不可测扰动和模型失配造成的影响集总为一个扰动量，扩增为新的状态量，利用卡尔曼滤波器估计所有的状态量，状态及扰动观测器如下表示：
其中Lk是观测器增益，‘^’符号代表估计值；
(3)扩增状态观测器的构建可基于常规卡尔曼滤波理论，其中：
Lk＝PkCT(CPkCT+R)-1 (37)
Pk＝APk-1AT+GdQ0Gd T-APk-1CT(CPk-1CT+R0)-1CPk-1AT (38)
调节参数Q0 and R0是单位阵，Pk,Pk-1分别是k,k-1时刻的状态误差协方差估计。
(4)为了保证扩增状态的可观测期，必须满足下列等式
经济预测控制单元是通过在未来P个采样时刻内优化经济目标得到最优控制量来实现，其优化目标函数及约束条件如下所示：
xk∈χ,uk∈Γ,k＝0,...,P-1 (42)
x0＝xk (43)
xP＝xss (44)
其中(xss,uss)是满足稳态条件xss＝f(xss,uss)的一组稳态点，公式(6)是优化目标函数(αi是各个目标函数的加权值)；公式(7)为带有扰动模型的状态空间模型，公式(8)为状态量约束和控制量约束，公式(9)表示初始状态量为当前时刻的状态量，公式(10)表示终端约束，公式(11)为稳定性约束条件，εk+1(σ)是参数σ的函数，σ∈[0,1),定义为
对应地，定义为施加跟踪MPC求得的最优控制量后的未来P步的代价函数之和。定义为
其中Q和R为对角权矩阵。
稳定性约束条件(11)包含在经济预测控制单元中，以此来保证控制器的稳定性。通过在公式(11)两边同时减去可以得到
如文献中所述，条件
能够保证稳定性是因为是一个正定函数，因此跟踪MPC目标函数可看作一个李雅普诺夫函数。取公式(15)的下限，可从公式(14)得到
由于在σ∈[0,1)时，也是正定函数，因此条件(17)能够保证稳定性，从而证明公式(11)可用于保证稳定性。
经济预测控制单元中的优化经济目标函数构成如下：
(1)J1＝CF·lF·u1代表燃气消耗成本，其中CF是燃气价格，lF是阀门开度和燃气流量之间的系数；
(2)J2＝||Tc-y2||2,J3＝||Th-y3||2,J4＝||E-y1||2代表MGT-CCHP系统输出偏离用户需求时施加的惩罚，Tc,Th和E是需要的冷/热水温度和输出功率；
(3)J5＝-(||u2||2+||u3||2)代表阀门节流损失，负号代表阀门开度越大，节流损失越小。
在每个采样时刻，通过求解满足约束条件(7)-(12)的经济优化目标函数(6)，可求得最优控制量，然后将控制序列的第一步施加到控制对象上。同时，约束条件(7)中考虑了由状态及扰动观测器单元观测得到的扰动的影响，且扰动在每个采样时刻是变化的。
具体实施方式包括以下的步骤：
(1)本发明使用的三入三出MGT-CCHP系统模型从已知文献中得到，分别对三个输入量依次施加阶跃扰动，观察输出响应曲线，用于阶跃扰动测试实验的输入量和输出量响应曲线分别如图2和3所示。
(2)将过程中不可测扰动和模型失配等扰动集总为一个扰动量d(k)，作为新的状态量，扩增原有的状态空间模型，利用卡尔曼滤波器估计所有的状态量和扰动量；
(3)设置经济预测控制器参数为：采样时间Ts＝2s，预测时域P＝200s,控制时域M＝10s，误差权矩阵Q＝diag(Qf,…,Qf)，控制权矩阵R＝diag(Rf,…,Rf)，其中对角元素
(4)根据MGT-CCHP系统实际运行要求设置输入量约束为umin＝[0 0 0]；umax＝[1 11]；
输入量速率约束为Δumin＝[-0.05 -0.05 -0.05]；Δumax＝[0.05 0.05 0.05]；输出量约束为ymin＝[54 0 60]；ymax＝[107 12 100]。
(5)根据用户需求选择合适的加权系数，在当前采样时刻求解优化目标函数(6)，使其满足约束条件(7)-(12)，得到最优控制量，将控制量序列的第一项施加到对象上。
(6)在下一个采样时刻，重复上述(5)的步骤。
实施例1是在并网模式中的以热定电运行模式下测试所提出的基于经济预测控制的MGT-CCHP控制系统的有效性。在该模式下，提供足够的冷/热水是MGT-CCHP控制系统的主要目的，电能则被视为是附加产品。如果产生的电能少于/多于需求，不足/多余的部分将从电网购买或卖给电网，加权系数设置为：α1＝1,α2＝10,α3＝10,α4＝1,α5＝1。假设MGT-CCHP系统初始运行状态点为(80kw,7℃,80℃)，冷却水温度和生活热水温度在t＝50s处要求分别上升至7.7℃和88℃。另外，在t＝420s时，由于燃气质量变化产生输入扰动u1d＝-0.075施加到对象上。不具有扰动模型的常规经济预测控制器(nEMPC)在实施例1中用于对比，其基本参数设置和本发明中所提出的经济预测控制器一致。仿真结果输出量和控制量响应曲线分别如图4和5所示。实线表示本发明所提出的带扰动的经济预测控制器，虚线表示常规经济预测控制器。
如图4和5所示，在扰动发生之前，常规经济预测控制器和本文提出的经济预测控制器优化结果基本一致，系统在运行过程中始终保持经济指标最小。然而，由于常规经济预测控制不含有扰动模型，在扰动存在时，系统不能处理扰动对优化控制量带来的影响，从而导致系统经济性能降低。相反，所提的经济预测控制器能够使MGT-CCHP系统始终在经济最优的方式下运行。对常规经济预测控制器和所提的经济预测控制器，目标函数在整个仿真时间(tspan＝800s)内的和分别为JnEMPC＝75.4700,JEMPC＝74.9875，说明所提出的带扰动模型的经济预测控制器的经济性优于常规经济预测控制器，尤其是扰动发生时。
实施例2是在孤岛模式下测试所提出的基于经济预测控制的MGT-CCHP控制系统的有效性。在该模式下，MGT-CCHP系统与电网断开，系统本身需要满足用户所有的电/热/冷负荷要求。假设MGT-CCHP系统初始工作状态点为(80kw,7℃,80℃)，在t＝20s时，输出功率，冷却水温度，生活热水温度要求分别变化至72kW,7.7℃和88℃。另外，在t＝420s时，由于燃气质量变化，导致输入扰动u1d＝0.075施加到对象上。在实施例2中，带有扰动模型的常规模型预测控制器(TMPC)用于对比。仿真结果输出量和控制量响应曲线分别如图6和7所示。点线表示本发明所提出的带扰动的经济预测控制器，虚线表示常规跟踪预测控制器。
如图6和7所示，本发明所提出经济预测控制器和带有扰动模型的模型预测控制器均能有效抑制扰动的影响，但所提出的经济预测控制器具有更好的经济性。在整个仿真时间(tspan＝800s)内常规模型预测控制器和本发明所提出的经济预测控制器的经济性目标函数之和分别是8.6597和8.5059。
尽管本发明就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。
Claims (10)
1.一种基于经济预测控制的MGT-CCHP控制系统，其特征在于，包括：经济预测控制单元(1)、MGT-CCHP系统单元(2)、扰动模型单元(3)和状态及扰动观测器单元(4)；经济预测控制单元(1)有两路输出端，其中第一路输出端与MGT-CCHP系统单元(2)相连，第二路输出端连接扰动模型单元(3)，MGT-CCHP系统单元(2)和扰动模型单元(3)的输出端连接状态及扰动观测器单元(4)的输入端，状态及扰动观测器单元(4)的输出端连接经济预测控制单元(1)。
2.如权利要求1所述的基于经济预测控制的MGT-CCHP控制系统，其特征在于，经济预测控制单元(1)中包含扰动模型，MGT-CCHP系统单元(2)的另一个输入端是外界不可测扰动，经济预测控制单元(1)的输出是最优控制量，MGT-CCHP系统单元(2)的输出是MGT-CCHP对象输出，扰动模型单元(3)的输出是模型输出，状态及扰动观测器单元(4)的输出是所估计的扰动和状态。
3.如权利要求1所述的基于经济预测控制的MGT-CCHP控制系统，其特征在于，经济预测控制单元(1)中将经济优化层和最优控制量计算层合并为一层，同时采用带有扰动模型的对象模型，扣除扰动对经济预测控制单元(1)所得最优控制量的影响；MGT-CCHP系统单元(2)表示被控对象，扰动模型单元(3)表示不可测扰动和模型失配对模型造成的影响，状态及扰动观测器单元(4)利用扩增状态观测器，根据对象输入输出值，观测出系统的状态量和扰动量，用于经济预测控制单元(1)中的计算。
4.如权利要求1所述的基于经济预测控制的MGT-CCHP控制系统，其特征在于，被控对象MGT-CCHP系统单元(2)为微型燃气轮机型-冷热电三联供系统，系统为三输入三输出对象，三个输入量分别是燃料阀门开度、回热旁路阀门开度和高压冷剂蒸汽阀门开度，三个输出量分别是输出功率、冷却水温度和生活热水温度。
5.如权利要求1所述的基于经济预测控制的MGT-CCHP控制系统，其特征在于，状态及扰动观测器单元(4)是将扰动扩增为一个新的状态，利用卡尔曼滤波器由对象输入输出值估计出所有的状态量，其具体实现包括如下步骤：
(1)MGT-CCHP系统动态特性可由下面离散状态空间模型描述：
<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>A</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>B</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>d</mi>
</msub>
<mi>d</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>D</mi>
<mi>u</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>
其中x(k)∈Rn是状态变量，u(k)∈Rm是输入变量，y(k)∈Rl是输出变量，是扰动项代表不可测扰动和模型失配的影响，A,B,C,D,Gd是系统矩阵；
(2)状态及扰动观测器将不可测扰动和模型失配造成的影响集总为一个扰动量，扩增为新的状态量，利用卡尔曼滤波器估计所有的状态量，状态及扰动观测器如下表示：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<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>
</mtd>
</mtr>
<mtr>
<mtd>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>A</mi>
</mtd>
<mtd>
<msub>
<mi>G</mi>
<mi>d</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mi>I</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>B</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<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>C</mi>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>D</mi>
<mi>u</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>
其中Lk是观测器增益，‘^’符号代表估计值；
(3)扩增状态观测器的构建可基于常规卡尔曼滤波理论，其中：
Lk＝PkCT(CPkCT+R)-1 (3)
Pk＝APk-1AT+GdQ0Gd T-APk-1CT(CPk-1CT+R0)-1CPk-1AT (4)
调节参数Q0and R0是单位阵，Pk,Pk-1分别是k,k-1时刻的状态误差协方差估计；
(4)为了保证扩增状态可观测，必须满足下列等式
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>k</mi>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>I</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>d</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>C</mi>
</mtd>
<mtd>
<mi>O</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mi>n</mi>
<mo>+</mo>
<msub>
<mi>n</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
6.如权利要求1所述的基于经济预测控制的MGT-CCHP控制系统，其特征在于，经济预测控制单元(1)是通过在未来P个采样时刻内优化经济目标得到最优控制量来实现，其具体实现步骤如下：
经济预测控制单元(1)的优化目标函数及约束条件如下所示：
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>P</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mi>L</mi>
<mrow>
<mi>e</mi>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>P</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>J</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>Ax</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>Bu</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>u</mi>
</msub>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>P</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
xk∈χ,uk∈Γ,k＝0,...,P-1 (8)
x0＝xk (9)
xP＝xss (10)
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>P</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mi>L</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mover>
<mi>V</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>+</mo>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>V</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mover>
<mi>V</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中(xss,uss)是满足稳态条件xss＝f(xss,uss)的一组稳态点，公式(6)是优化目标函数αi是各个目标函数的加权值；公式(7)为带有扰动模型的状态空间模型，公式(8)为状态量约束和控制量约束，公式(9)表示初始状态量为当前时刻的状态量，公式(10)表示终端约束，公式(11)为稳定性约束条件，εk+1(σ)是参数σ的函数，σ∈[0,1),定义为
<mrow>
<msubsup>
<mi>V</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>P</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mi>L</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
对应地，定义为施加跟踪MPC求得的最优控制量后的未来P步的代价函数之和，Ltr(xk,uk)定义为
Ltr(xk,uk)＝(yk-yss)TQR(yk-yss)+(uk-uss)TR(uk-uss) (14)
其中Q和R为对角权矩阵。
7.如权利要求6所述的基于经济预测控制的MGT-CCHP控制系统，其特征在于，稳定性约束条件(11)包含在经济预测控制单元(1)中，以此来保证控制器的稳定性，通过在公式(11)两边同时减去可以得到
<mrow>
<msubsup>
<mi>V</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>V</mi>
<mi>t</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>V</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>V</mi>
<mi>t</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
条件
<mrow>
<msubsup>
<mover>
<mi>V</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>V</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<mo>-</mo>
<msup>
<mi>L</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
能够保证稳定性是因为Ltr(·,·)是一个正定函数，因此跟踪MPC目标函数可看作一个李雅普诺夫函数，取公式(15)的下限，可从公式(14)得到
<mrow>
<msubsup>
<mi>V</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>V</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>L</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
由于在σ∈[0,1)时，(1-σ)Ltr(·,·)也是正定函数，因此条件(17)能够保证稳定性，从而证明公式(11)可用于保证稳定性。
8.如权利要求6所述的基于经济预测控制的MGT-CCHP控制系统，其特征在于，公式(6)中的优化经济目标函数构成如下：
(1)J1＝CF·lF·u1代表燃气消耗成本，其中CF是燃气价格，lF是阀门开度和燃气流量之间的系数；
(2)J2＝||Tc-y2||2,J3＝||Th-y3||2,J4＝||E-y1||2代表MGT-CCHP系统输出偏离用户需求时施加的惩罚，Tc,Th和E是需要的冷/热水温度和输出功率；
(3)J5＝-(||u2||2+||u3||2)代表阀门节流损失，负号代表阀门开度越大，节流损失越小。
9.如权利要求6所述的基于经济预测控制的MGT-CCHP控制系统，其特征在于，在每个采样时刻，通过求解满足约束条件(7)-(12)的经济优化目标函数(6)，可求得最优控制量；同时，约束条件(7)中考虑了由状态及扰动观测器单元观测得到的扰动的影响，且扰动在每个采样时刻是变化的。
10.如权利要求6所述的基于经济预测控制的MGT-CCHP控制系统，其特征在于，由于MGT-CCHP系统需要灵活的运行模式以实时满足用户的不同需求，公式(6)中的加权系数αi反映了不同用户需求满足的优先权，因此，通过调节加权系数αi可以实现在不同MGT-CCHP运行模式中的切换；一般来说，加权系数小意味着该用户需求具有较小的优先权，加权系数大意味着该用户需求具有较大的优先权，因此应当根据用户实际需求选择对应的加权系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710858330.8A CN107703745B (zh) | 2017-09-21 | 2017-09-21 | 基于经济预测控制的mgt-cchp控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710858330.8A CN107703745B (zh) | 2017-09-21 | 2017-09-21 | 基于经济预测控制的mgt-cchp控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107703745A true CN107703745A (zh) | 2018-02-16 |
| CN107703745B CN107703745B (zh) | 2020-11-03 |
Family
ID=61173243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710858330.8A Expired - Fee Related CN107703745B (zh) | 2017-09-21 | 2017-09-21 | 基于经济预测控制的mgt-cchp控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107703745B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108448986A (zh) * | 2018-03-28 | 2018-08-24 | 天津大学 | 基于可调带宽型预测控制的永磁电机电流控制方法 |
| CN110376886A (zh) * | 2019-07-09 | 2019-10-25 | 东南大学 | 一种基于扩张状态卡尔曼滤波器的模型预测控制算法 |
| CN111007854A (zh) * | 2019-12-18 | 2020-04-14 | 哈尔滨工程大学 | 一种欠驱动船轨迹跟踪控制系统 |
| CN111694274A (zh) * | 2020-05-19 | 2020-09-22 | 东南大学 | 一种基于扰动反馈补偿的热工过程h无穷控制系统 |
| CN112906220A (zh) * | 2021-02-10 | 2021-06-04 | 海南省电力学校(海南省电力技工学校) | 综合能源微网园区系统状态的估计方法 |
| CN113341717A (zh) * | 2021-06-10 | 2021-09-03 | 江苏舜高智能科技有限公司 | 一种大型燃煤电站co2捕集整体系统扰动抑制方法 |
| CN113341765A (zh) * | 2021-06-10 | 2021-09-03 | 江苏舜高智能科技有限公司 | 一种严格控制碳排放的燃煤电站co2捕集系统灵活调控方法 |
| CN113899125A (zh) * | 2021-11-19 | 2022-01-07 | 云南电网有限责任公司电力科学研究院 | 一种基于经济预测控制的高温蒸汽热泵控制方法 |
| CN114371619A (zh) * | 2021-12-17 | 2022-04-19 | 上海电力大学 | 一种mgt-cchp变工况动态能效优化控制方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616208A (zh) * | 2015-02-04 | 2015-05-13 | 东南大学 | 一种基于模型预测控制的冷热电联供型微电网运行方法 |
| CN104898422A (zh) * | 2015-05-05 | 2015-09-09 | 上海交通大学 | 联合供冷系统的递阶优化方法 |
| CN105652665A (zh) * | 2016-03-03 | 2016-06-08 | 东南大学 | 一种微型燃气轮机冷热电三联供系统的协调控制方法 |
| CN105676824A (zh) * | 2016-03-02 | 2016-06-15 | 山东大学 | 一种可再生能源冷热电联供能量优化调度系统与方法 |
| CN105676647A (zh) * | 2016-03-11 | 2016-06-15 | 东南大学 | 一种基于状态观测器的冷热电三联供系统预测控制方法 |
| CN105676646A (zh) * | 2016-03-11 | 2016-06-15 | 国网天津市电力公司 | 一种冷热电联供系统优化运行的线性化方法 |
| CN106647268A (zh) * | 2016-12-21 | 2017-05-10 | 东南大学 | 基于模型预测控制的mgt‑cchp分层最优控制系统 |
| CN107145978A (zh) * | 2017-05-02 | 2017-09-08 | 上海建坤信息技术有限责任公司 | 基于预测控制的园区智能能源网动态调度方法 |
-
2017
- 2017-09-21 CN CN201710858330.8A patent/CN107703745B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616208A (zh) * | 2015-02-04 | 2015-05-13 | 东南大学 | 一种基于模型预测控制的冷热电联供型微电网运行方法 |
| CN104898422A (zh) * | 2015-05-05 | 2015-09-09 | 上海交通大学 | 联合供冷系统的递阶优化方法 |
| CN105676824A (zh) * | 2016-03-02 | 2016-06-15 | 山东大学 | 一种可再生能源冷热电联供能量优化调度系统与方法 |
| CN105652665A (zh) * | 2016-03-03 | 2016-06-08 | 东南大学 | 一种微型燃气轮机冷热电三联供系统的协调控制方法 |
| CN105676647A (zh) * | 2016-03-11 | 2016-06-15 | 东南大学 | 一种基于状态观测器的冷热电三联供系统预测控制方法 |
| CN105676646A (zh) * | 2016-03-11 | 2016-06-15 | 国网天津市电力公司 | 一种冷热电联供系统优化运行的线性化方法 |
| CN106647268A (zh) * | 2016-12-21 | 2017-05-10 | 东南大学 | 基于模型预测控制的mgt‑cchp分层最优控制系统 |
| CN107145978A (zh) * | 2017-05-02 | 2017-09-08 | 上海建坤信息技术有限责任公司 | 基于预测控制的园区智能能源网动态调度方法 |
Non-Patent Citations (3)
| Title |
|---|
| XIAO WU等: "Fuzzy modeling and stable model predictive tracking control oflarge-scale power plants", 《JOURNAL OF PROCESS CONTROL》 * |
| 吴啸等: "基于TS模糊模型的稳定预测控制及其在机炉协调系统中的应用", 《中国电机工程学报》 * |
| 潘蕾等: "微燃机-冷热电联供机组的 Hammerstein 模型及非线性广义预测控制", 《东南大学学报》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108448986B (zh) * | 2018-03-28 | 2021-03-12 | 天津大学 | 基于可调带宽型预测控制的永磁电机电流控制方法 |
| CN108448986A (zh) * | 2018-03-28 | 2018-08-24 | 天津大学 | 基于可调带宽型预测控制的永磁电机电流控制方法 |
| CN110376886A (zh) * | 2019-07-09 | 2019-10-25 | 东南大学 | 一种基于扩张状态卡尔曼滤波器的模型预测控制算法 |
| CN110376886B (zh) * | 2019-07-09 | 2022-05-10 | 东南大学 | 一种基于扩张状态卡尔曼滤波器的模型预测控制算法 |
| CN111007854B (zh) * | 2019-12-18 | 2022-10-25 | 哈尔滨工程大学 | 一种欠驱动船轨迹跟踪控制系统 |
| CN111007854A (zh) * | 2019-12-18 | 2020-04-14 | 哈尔滨工程大学 | 一种欠驱动船轨迹跟踪控制系统 |
| CN111694274A (zh) * | 2020-05-19 | 2020-09-22 | 东南大学 | 一种基于扰动反馈补偿的热工过程h无穷控制系统 |
| CN111694274B (zh) * | 2020-05-19 | 2022-06-14 | 东南大学 | 一种基于扰动反馈补偿的热工过程h无穷控制系统 |
| CN112906220A (zh) * | 2021-02-10 | 2021-06-04 | 海南省电力学校(海南省电力技工学校) | 综合能源微网园区系统状态的估计方法 |
| CN112906220B (zh) * | 2021-02-10 | 2023-04-07 | 海南省电力学校(海南省电力技工学校) | 综合能源微网园区系统状态的估计方法 |
| CN113341717A (zh) * | 2021-06-10 | 2021-09-03 | 江苏舜高智能科技有限公司 | 一种大型燃煤电站co2捕集整体系统扰动抑制方法 |
| CN113341765A (zh) * | 2021-06-10 | 2021-09-03 | 江苏舜高智能科技有限公司 | 一种严格控制碳排放的燃煤电站co2捕集系统灵活调控方法 |
| CN113341765B (zh) * | 2021-06-10 | 2023-10-27 | 江苏舜高智能科技有限公司 | 一种严格控制碳排放的燃煤电站co2捕集系统灵活调控方法 |
| CN113899125A (zh) * | 2021-11-19 | 2022-01-07 | 云南电网有限责任公司电力科学研究院 | 一种基于经济预测控制的高温蒸汽热泵控制方法 |
| CN114371619A (zh) * | 2021-12-17 | 2022-04-19 | 上海电力大学 | 一种mgt-cchp变工况动态能效优化控制方法 |
| CN114371619B (zh) * | 2021-12-17 | 2024-04-23 | 上海电力大学 | 一种mgt-cchp变工况动态能效优化控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107703745B (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107703745A (zh) | 基于经济预测控制的mgt‑cchp控制系统 | |
| US10845083B2 (en) | Predictive building control system with neural network based constraint generation | |
| Zhang et al. | A deep reinforcement learning approach to using whole building energy model for hvac optimal control | |
| González-Vidal et al. | Data driven modeling for energy consumption prediction in smart buildings | |
| Guyot et al. | Overview of the use of artificial neural networks for energy‐related applications in the building sector | |
| CN106647268A (zh) | 基于模型预测控制的mgt‑cchp分层最优控制系统 | |
| CN105741025A (zh) | 基于风电波动在线风险评估的预防控制方法 | |
| Ghiaus et al. | Grey-box identification of air-handling unit elements | |
| CN103236026B (zh) | 高渗透吞吐型电网规划方案优选方法 | |
| CN105652665A (zh) | 一种微型燃气轮机冷热电三联供系统的协调控制方法 | |
| 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 | |
| CN105676647A (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 | |
| CN104898422A (zh) | 联合供冷系统的递阶优化方法 | |
| Saxena et al. | Rule-based adaptive frequency regulation with real stochastic model intermittency in a restructured power system | |
| KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
| Baranski et al. | Distributed exergy-based simulation-assisted control of HVAC supply chains | |
| Godina et al. | Home HVAC energy management and optimization with model predictive control | |
| Wang et al. | Deep reinforcement learning-PID based supervisor control method for indirect-contact heat transfer processes in energy systems | |
| 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 | |
| Huang et al. | Robust model predictive control of VAV air-handling units concerning uncertainties and constraints | |
| JP2017049756A (ja) | 熱源機器ネットワークの運転計画を最適化するための方法及びシステム、及びプログラム | |
| Khosravi et al. | Machine learning-based modeling and controller tuning of a heat pump | |
| Chen et al. | Development of a Hardware-in-the-loop Testbed for Laboratory Performance Verification of Flexible Building Equipment in Typical Commercial Buildings | |
| Zhang et al. | Regulation capability evaluation of individual electric heating load based on radial basis function neural network | |
| Staudt et al. | Control-oriented modeling of a LiBr/H2O absorption heat pumping device and experimental validation |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201103 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |