CN107842908A - 一种基于环境参数补偿的实时供热负荷控制方法 - Google Patents
一种基于环境参数补偿的实时供热负荷控制方法 Download PDFInfo
- Publication number
- CN107842908A CN107842908A CN201710886793.5A CN201710886793A CN107842908A CN 107842908 A CN107842908 A CN 107842908A CN 201710886793 A CN201710886793 A CN 201710886793A CN 107842908 A CN107842908 A CN 107842908A
- Authority
- CN
- China
- Prior art keywords
- mrow
- moment
- mover
- ambient parameter
- model
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
- F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
- F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于环境参数补偿的实时供热负荷控制方法，包括：供热负荷预报步骤：采用了基于时间序列的供热负荷预报方法，对供热系统负荷进行预报；环境参数识别补偿步骤：将环境参数作为扰动，设置前馈补偿回路消除环境参数变化对供热温度的影响；预测控制步骤：采用预测控制，根据预测的负荷需求，进行操作，提前对大惯性供热负荷系统进行控制调节操作。与现有技术相比，本方法采用预测控制对供热系统进行负荷控制，并设计前馈补偿回路消除环境参数波动对供热的影响。控制效果好，具有一定的抗扰动能力，有效的提高了供热品质。
Description
技术领域
本发明涉及一种基于环境参数补偿的实时供热负荷控制方法，属于热工控制领域。
背景技术
供热行业密切联系人们的日常生活，对热电厂经济性的发展有着一定的作用。
目前我国供热负荷自动化控制技术比较薄弱，主要依靠工作人员的经验进行调节，因而造成了集中供热效率低、供热品质差、系统热能效益低、用户不能自行设定和调整用热温度。这些问题影响了供热质量、增加了热网的运行费用、浪费了能源、降低了供热的经济性。
由于供热管网较长，供热温度被控对象存在较大的惯性和延迟，造成传热过程的滞后。供热系统存在阀门等设备的非线性特征和一、二次供热回路间的耦合特性，导致传统控制方法难以取得满意的控制效果。同时，温度、风速等环境参数的波动对供热系统供热品质有一定干扰作用，很难及时消除环境参数的影响，保证供热品质。
目前大多数的供热管网控制系统仍采用常规PID(比例-积分-微分)串级控制方案，难以有效应对被控对象的大延迟、非线性特征。本发明有效利用预测控制(动态矩阵控制)的思想，进行滚动优化求解每一采样时刻的最优控制量，同时设计前馈补偿回路减小环境参数波动对供热温度的影响，保证控制品质。
发明内容
发明目的：针对上述存在的问题和不足，本发明提供一种热网控制的有效方法，能够解决上述问题，提高系统抗扰动能力，保证供热系统供热品质。
技术方案：为实现上述发明目的，本发明采用的技术方案为：
一种基于环境参数补偿的实时供热负荷控制方法，其特征在于，包括：
供热负荷预报步骤：采用了基于时间序列的供热负荷预报方法，对供热系统负荷进行预报；
环境参数识别补偿步骤：将环境参数作为扰动，设置前馈补偿回路消除环境参数变化对供热温度的影响；
预测控制步骤：采用预测控制，根据预测的负荷需求，进行操作，提前对大惯性供热负荷系统进行控制调节操作。
所述环境参数识别补偿步骤具体为：对可测环境参数的动态特性进行建模，提取对过程动态影响的因果性信息，利用广义最小二乘方法估计出可测环境参数与系统输出之间的辨识模型，求取辨识模型的阶跃响应特征，得到前馈补偿矩阵，减小环境参数波动对供热品质的影响。
所述供热负荷预报步骤中，以时间为预测对象的唯一影响因素，采用惯性原理对预测对象未来的状态进行推测，最后把预测供热负荷作为供热负荷控制系统的参考值。
所述供热负荷预报步骤包含：
11)针对k时刻负荷序列Q(k)，通过求取负荷差分ΔQ(k)获得平稳随机序列，建立相应的ARMA预报模型，预报模型描述为：
A(z-1)ΔQ(k)＝C(z-1)ξ(k) (9)
式中：A(z-1)＝1+a1z-1+…anz-n，C(z-1)＝1+c1z-1+cnz-n；A(z-1)和C(z-1)是稳定的多项式，a1，a2，...，an和c1，c2，...，cn是多项式系数，Δ＝1-z-1为差分算子，ξ(k)为均值为零、方差为σ2的白噪声序列，n为多项式阶次，k为当前时刻的标度；
12)式(1)中的参数采用减消记忆的递推最小二乘方法进行估计，求取多项式系数的估计值和后，由最小方差预报原理，获取预报值：
其中，为在k时刻对k+i时刻负荷差分的预报值；和为系数为估计值的多项式，下标1代表迭代次数为1；i为相对于当前k时刻的未来时点序号；
13)获取供热负荷预报值Q(k+j|k)为：
其中，j为相对于当前时刻的未来时点序号；Q(k+j|k)为在k时刻对k+j时刻的负荷预报值，P为预测步长。
所述预测控制步骤包含：
21)获取热网对象的控制模型，稳态时对对象进行阶跃响应试验；
22)建立控制系统的预测模型yPM(k)＝yP0(k)+ADΔuM(k)，通过求解性能指标求出最优控制量Δu(k)进行滚动优化；利用反馈项e(k+1)＝y(k+1)-y1(k+1|k)进行误差校正，保证控制精度；式中：yP0(k)为k时刻起控制作用保持不变时，未来P个时刻内对象的输出；AD为动态矩阵；J(k)为k时刻的代价函数；wP(k)为k时刻时未来P个时刻内的设定值序列；Q，R分别为输出误差权矩阵和控制权矩阵；yPM(k)为k时刻起对象受到M个连续控制增量ΔuM(k)作用后在未来P个时刻内的输出；M为控制步长；y(k+1)为对象的在k+1时刻的实际输出；y1(k+1|k)为对象在k时刻受到1个控制增量，经过一步采样时间后在k+1时刻的预测输出；e(k+1)为模型误差；
23)建立模型误差差分ω(k)的ARMA模型为：
ω(k)+a1ω(k-1)+…anω(k-n)＝ξ(k)+c1ξ(k-1)+…+cnξ(k-n) (12)
其中，ω(k)，...，ω(k-n)为误差差分序列，多项式参数a1，a2，…an和c1，c2，…cn采用ARMA的参数估计法进行估计；再利用最小方差预报原理，求取k时刻对未来的误差差分预报值为：
式中：i、j代表相对k时刻的未来时点序号；
最后求取在k时刻对k+i时刻的预报误差式中e(k)为k时刻的模型误差，用预报误差代替e(k)提高模型精度。
步骤21)中，对一级网流量阀和二级网循环水泵变频器频率加入10％的阶跃扰动信号，采样时间为10s，获得二级网供回水流量和温差的阶跃响应特征。
所述环境参数识别补偿步骤包含：
31)利用最终预报误差准则估计环境参数对供热温度扰动模型的阶次，求解下式获取扰动模型阶次
其中，为模型输出残差的方差，L为数据长度。
32)利用广义最小二乘方法辨识出环境参数扰动模型，考虑差分方程：
式中：A(z-1)，B(z-1)和C(z-1)是稳定的多项式；
33)假设噪声模型C(z-1)参数未知，用迭代估计的方法求得；
a)令Ci(z-1)＝1，i＝0作为下标，表示迭代次数为0，ξ0＝100000为最大迭代次数；
b)计算输出估计值输入估计值再更新迭代次数i＝i+1，式中y(k)，u(k)分别为k时刻实际输入和实际输出；
c)最小二乘法估计出中的参数，式中：Ai(z-1)，Bi(z-1)是迭代i次的稳定的多项式；
d)用估计模型以及各时刻的观测数据，分别为迭代i次、参数为估计值且与Ai(z-1)，Bi(z-1)同形的多项式，计算出估计残差
e)计算估计残差平方和及估计残差平方和增量ξ＝ξi-ξi-1，如果ξ小于增量限值，则结束辨识，否则继续下一步；
f)对于新得到的噪声模型用最小二乘法估计出参数，得到更新i次后的噪声模型Ci(z-1)，返回第b)步，继续按照步骤b)至f)顺序进行计算；
34)已知供热系统环境参数扰动模型，对该模型进行阶跃响应试验，每隔10s采集一次数据，共采集N组数据组成前馈补偿矩阵N为模型长度；
35)依据前馈补偿修改动态矩阵控制算法预测模型为：
yPM(k)＝yP0(k)+ADΔuM(k)+bΔvP(k) (15)
式中：ΔvP(k)为k时刻时未来P个时刻内的扰动增量；
相应地求解优化问题minJ(k)得到控制律为：
Δu(k)＝dT[wP(k)-yP0(k)-bΔvP(k)] (16)
其中，优化矩阵Q，R分别为输出误差权矩阵和控制权矩阵。
本发明基于环境参数补偿的实时供热负荷控制方法，主要采取以下措施：1)采用基于时间序列法的供热负荷短期预报方法，预测未来的供热负荷并作为控制系统的参考值；2)将环境参数看做扰动，认为该扰动对供热流量没有影响。采用带前馈的动态矩阵控制方法进行控制，设计前馈补偿回路，消除环境参数波动对供热温度的影响；3)考虑到环境参数的不可控因素，缺乏环境参数对输出动态影响的阶跃响应模型，因而采用输入-输出数据进行辨识，以获得较为准确的阶跃响应模型，方便前馈回路设计。
与现有技术相比，本方法采用预测控制(动态矩阵控制)对供热系统进行负荷控制，并设计前馈补偿回路消除环境参数波动对供热的影响。控制效果好，具有一定的抗扰动能力，有效的提高了供热品质。
有益效果：当外界温度等环境参数发生变化时，保持供热温度不变，减小环境参数扰动对供热品质的影响。此时，增加或减少供热出水流量，用户端水流量不变，响应减小或增加混水流量。预测供热负荷会根据负荷时间序列在线进行估计，也包含环境参数变化的影响，本质上也能提高抵抗环境参数扰动作用。
附图说明
图1为本发明的系统结构框图。
具体实施方式
下面结合附图和具体实施方案，进一步阐明本发明，应该理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定范围。
本发明的基于环境参数补偿的实时供热负荷控制方法，通过预测控制的方法，设置前馈补偿回路实现对供热温度和供热流量的控制。同时有效处理对象大迟延特性，提高供热系统对环境参数的抗扰动能力。
本发明实时供热负荷控制方法具体步骤如下：
1)采用了基于时间序列的供热负荷预报方法。测量中对象与外部因素之间有着密切的联系，时间序列中的数据也是外部因素综合作用的反映。为了简便研究过程，对外部因素复杂的作用过程进行简化处理，即以时间为预测对象的唯一影响因素，采用惯性原理对预测对象未来的状态进行推测。最后把预测供热负荷作为供热负荷控制系统的参考值；
已知k时刻及历史负荷序列Q(k)，Q(k-1)，...，通过求取负荷差分ΔQ(k)获得平稳随机序列，建立相应的ARMA预报模型。预报模型描述如式(17)所示：
A(z-1)ΔQ(k)＝C(z-1)ξ(k) (17)
式中：A(z-1)＝1+a1z-1+…anz-n，C(z-1)＝1+c1z-1+cnz-n。A(z-1)和C(z-1)是稳定的多项式，a1，a2，...，an和c1，c2，...，cn是多项式系数，Δ＝1-z-1为差分算子，ξ(k)为均值为零、方差为σ2的白噪声序列，n为多项式阶次，k为当前时刻的标度；
式(17)中的多项式系数采用最小二乘方法进行估计，记多项式系数向量θ＝[a1，...，an，c1...，cn]T，k时刻负荷预报值序列-Q(k)，...，-Q(k-n+1)]T，k时刻至N+k-1时刻预报序列集合的转置N为模型长度。
估计值和可通过求解如式(18)的多项式系数向量表达式得到：
θ＝(ΦTΦ)-1ΦTQN (18)
求取估计值后，由最小方差预报原理，获取预报值：
其中，为在k时刻对k+i时刻负荷差分的预报值；和为系数为估计值的多项式，下标1代表迭代次数为1；i为相对于当前k时刻的未来时点序号。
获取供热负荷预报值Q(k+i|k)为：
其中，j为相对于当前时刻的未来时点序号；Q(k+j|k)为在k时刻对k+j时刻的负荷预报值；P为预测步长；
2)针对供热负荷系统大惯性的特点，采用预测控制进行控制调节。根据预测的负荷需求，提前进行操作，保证用户的用热品质。同时保证控制系统优良的跟踪性能和鲁棒性，增强了对干扰的抑制能力；
获取热网对象的控制模型，设热网供热负荷的传递函数可以由下式表示：
其中y1和y2分别为二次网供回水温差和二级网流量，u1和u2分别为调节一级网供水阀门和调节二级网循环水泵变频器频率。为供热过程耦合模型传递函数矩阵；g11(s)为调节一级网供水阀门对二次网供回水温差的传递函数；g12(s)为调节二级网循环水泵变频器频率对二次网供回水温差的传递函数；g21(s)为调节一级网供水阀门对二级网流量的传递函数；g22(s)为调节二级网循环水泵变频器频率对二级网流量的传递函数。各传递函数为：
稳态时对对象进行阶跃响应试验。即对一级网流量阀和二级网循环水泵变频器频率加入10％的阶跃扰动信号，采样时间为10s，获得二级网供回水流量和温差的阶跃响应特征。因为假设二级网供回水流量不变，即动态矩阵AD为：
其中，a11＝[a11(1)，…a11(N)]T，a12＝[a12(1)，…a12(N)]T，a21＝[a21(1)，…a21(N)]T
a22＝[a22(1)，…a22(N)]T为不同输入对不同输出的N步阶跃响应序列；
建立控制系统的预测模型yPM(k)＝yP0(k)+AΔuM(k)，通过求解性能指标求出最优控制量Δu(k)进行滚动优化，利用反馈项e(k+1)＝y(k+1)-y1(k+1|k)进行误差校正，保证控制精度；式中：yP0(k)为k时刻起控制作用保持不变时，未来P个时刻内对象的输出；AD为动态矩阵；J(k)为k时刻的代价函数；wP(k)为k时刻时未来P个时刻内的设定值序列；Q，R分别为输出误差权矩阵和控制权矩阵；yPM(k)为k时刻起对象受到M个连续控制增量ΔuM(k)作用后在未来P个时刻内的输出；M为控制步长；y(k+1)为对象的在k+1时刻的实际输出；y1(k+1|k)为对象在k时刻受到1个控制增量，经过一步采样时间后在k+1时刻的预测输出；e(k+1)为模型误差。
建立模型误差差分ω(k)的ARMA模型为：
ω(k)+a1ω(k-1)+…anω(k-n)＝ξ(k)+c1ξ(k-1)+…+cnξ(k-n) (27)
其中，ω(k)，...，ω(k-n)为误差差分序列，多项式参数a1，a2，…an和c1，c2，…cn采用ARMA的参数估计法进行估计。再利用最小方差预报原理，求取误差差分的预报值为：
求取预报误差式中e(k)为k时刻的模型误差，用预报误差代替e(k)提高模型精度。
3)将环境参数看作为扰动，仅仅考虑环境参数变化对供热温度的影响，认为环境参数变化对供热水量没有影响。设置前馈补偿回路。对可测环境参数的动态特性进行建模，提取对过程动态影响的因果性信息，利用广义最小二乘方法估计出可测环境参数与系统输出之间的辨识模型，求取辨识模型的阶跃响应特征，得到前馈补偿矩阵，减小环境参数波动对供热品质的影响。
通过求解环境参数扰动模型最终预报误差准则的最小值求解出模型扰动的阶次最终预报误差准则为：
其中，为模型输出残差的方差，L为数据长度；
利用广义最小二乘方法辨识出环境参数扰动模型，考虑差分方程：
式中：A(z-1)，B(z-1)和C(z-1)是稳定的多项式；假设噪声模型C(z-1)未知，考虑用迭代估计的方法求得；
令Ci(z-1)＝1，i＝0作为下标，表示迭代次数为0，ξ0＝100000为最大迭代次数；
计算输出估计值输入估计值再更新迭代次数i＝i+1，式中y(k)，u(k)分别为k时刻实际输入和实际输出；
最小二乘法估计出中的参数，式中：Ai(z-1)，Bi(z-1)是迭代i次的稳定的多项式；
用估计模型以及各时刻的观测数据，分别为迭代i次、参数为估计值且与Ai(z-1)，Bi(z-1)同形的多项式，计算出估计残差
计算估计残差平方和及估计残差平方和增量ξ＝ξi-ξi-1，如果ξ小于增量限值，则结束辨识，否则继续下一步；
对于新得到的噪声模型用最小二乘法估计出参数，得到更新i次后的噪声模型Ci(z-1)，返回第b)步，继续按照步骤b)至f)顺序进行计算。
已知供热系统环境参数对供热温度的扰动模型，对该模型进行阶跃响应试验，每隔10s采集一次数据，共采集N组数据组成前馈补偿矩阵
依据前馈补偿修改动态矩阵控制算法预测模型为：
yPM(k)＝yP0(k)+AΔuM(k)+bΔvP(k) (30)
式中ΔvP(k)为k时刻时未来P个时刻内的扰动增量；
相应的求解性能指标得到控制律；每一采样时刻进行一次优化计算，获得M时域内的最优控制增量序列[Δu(k)，Δu(k+1)，Δu(k+M-1)]T。只对当前时刻的控制输入量Δu(k)，由此Δu(k)计算公式为：
Δu(k)＝dT[wP(k)-yP0(k)-bΔvP(k)] (31)
其中，优化矩阵Q，R分别为输出误差权矩阵和控制权矩阵；；
设置相关参数，取采用时间为Ts＝10s，预测步长P＝40，控制步长M＝5，模型长度N＝100，某一个控制量的误差权矩阵为某一输出量的误差权矩阵为其中M为控制步长；P为预测步长。最后控制权矩阵输出误差权矩阵因此优化矩阵dT为：
计算k时刻的控制量为u(k)＝Δu(k)+u(k-1)；
输出供热负荷的控制量u(k)，计算供热负荷控制系统输出：供热水温和供热流量，再重复1)至3)步，直到系统趋于稳定或者到达计算上限。
Claims (7)
1.一种基于环境参数补偿的实时供热负荷控制方法，其特征在于，包括：
供热负荷预报步骤：采用了基于时间序列的供热负荷预报方法，对供热系统负荷进行预报；
环境参数识别补偿步骤：将环境参数作为扰动，设置前馈补偿回路消除环境参数变化对供热温度的影响；
预测控制步骤：采用预测控制，根据预测的负荷需求，进行操作，提前对大惯性供热负荷系统进行控制调节操作。
2.根据权利要求1所述的基于环境参数补偿的实时供热负荷控制方法，其特征在于：所述环境参数识别补偿步骤具体为：对可测环境参数的动态特性进行建模，提取对过程动态影响的因果性信息，利用广义最小二乘方法估计出可测环境参数与系统输出之间的辨识模型，求取辨识模型的阶跃响应特征，得到前馈补偿矩阵，减小环境参数波动对供热品质的影响。
3.根据权利要求1所述的基于环境参数补偿的实时供热负荷控制方法，其特征在于：所述供热负荷预报步骤中，以时间为预测对象的唯一影响因素，采用惯性原理对预测对象未来的状态进行推测，最后把预测供热负荷作为供热负荷控制系统的参考值。
4.根据权利要求3所述的基于环境参数补偿的实时供热负荷控制方法，其特征在于：所述供热负荷预报步骤包含：
11)针对k时刻负荷序列Q(k)，通过求取负荷差分ΔQ(k)获得平稳随机序列，建立相应的ARMA预报模型，预报模型描述为：
A(z-1)ΔQ(k)＝C(z-1)ξ(k) (1)
式中：A(z-1)＝1+a1z-1+…anz-n，C(z-1)＝1+c1z-1+cnz-n；A(z-1)和C(z-1)是稳定的多项式，a1，a2，...，an和c1，c2，...，cn是多项式系数，Δ＝1-z-1为差分算子，ξ(k)为均值为零、方差为σ2的白噪声序列，n为多项式阶次，k为当前时刻的标度；
12)式(1)中的参数采用减消记忆的递推最小二乘方法进行估计，求取多项式系数的估计值和后，由最小方差预报原理，获取预报值：
<mrow>
<mi>&Delta;</mi>
<mover>
<mi>Q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<msub>
<mover>
<mi>A</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mover>
<mi>Q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mover>
<mi>C</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mi>&xi;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，为在k时刻对k+i时刻负荷差分的预报值；和为系数为估计值的多项式，下标1代表迭代次数为1；i为相对于当前k时刻的未来时点序号；
13)获取供热负荷预报值Q(k+j|k)为：
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</munderover>
<mi>&Delta;</mi>
<mover>
<mi>Q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>P</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，j为相对于当前时刻的未来时点序号；Q(k+j|k)为在k时刻对k+j时刻的负荷预报值，P为预测步长。
5.根据权利要求4所述的基于环境参数补偿的实时供热负荷控制方法，其特征在于：所述预测控制步骤包含：
21)获取热网对象的控制模型，稳态时对对象进行阶跃响应试验；
22)建立控制系统的预测模型yPM(k)＝yP0(k)+ADΔuM(k)，通过求解性能指标求出最优控制量Δu(k)进行滚动优化；利用反馈项e(k+1)＝y(k+1)-y1(k+1|k)进行误差校正，保证控制精度；式中：yP0(k)为k时刻起控制作用保持不变时，未来P个时刻内对象的输出；AD为动态矩阵；J(k)为k时刻的代价函数；wP(k)为k时刻时未来P个时刻内的设定值序列；Q，R分别为输出误差权矩阵和控制权矩阵；yPM(k)为k时刻起对象受到M个连续控制增量ΔuM(k)作用后在未来P个时刻内的输出；M为控制步长；y(k+1)为对象的在k+1时刻的实际输出；y1(k+1|k)为对象在k时刻受到1个控制增量，经过一步采样时间后在k+1时刻的预测输出；e(k+1)为模型误差。
23)建立模型误差差分ω(k)的ARMA模型为：
ω(k)+a1ω(k-1)+…anω(k-n)＝ξ(k)+c1ξ(k-1)+…+cnξ(k-n) (4)
其中，ω(k)，...，ω(k-n)为误差差分序列，多项式参数a1，a2，…an和c1，c2，…cn采用ARMA的参数估计法进行估计；再利用最小方差预报原理，求取k时刻对未来的误差差分预报值为：
<mrow>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>i</mi>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mi>&xi;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：i、j代表相对k时刻的未来时点序号。
最后求取在k时刻对k+i时刻的预报误差式中e(k)为k时刻的模型误差，用预报误差代替e(k)提高模型精度。
6.根据权利要求5所述的基于环境参数补偿的实时供热负荷控制方法，其特征在于：步骤21)中，对一级网流量阀和二级网循环水泵变频器频率加入10％的阶跃扰动信号，采样时间为10s，获得二级网供回水流量和温差的阶跃响应特征。
7.根据权利要求5或6所述的基于环境参数补偿的实时供热负荷控制方法，其特征在于：所述环境参数识别补偿步骤包含：
31)利用最终预报误差准则估计环境参数对供热温度扰动模型的阶次，求解下式获取扰动模型阶次
<mrow>
<mi>F</mi>
<mi>P</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mi>a</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mi>a</mi>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mi>a</mi>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msubsup>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，为模型输出残差的方差，L为数据长度。
32)利用广义最小二乘方法辨识出环境参数扰动模型，考虑差分方程：式中：A(z-1)，B(z-1)和C(z-1)是稳定的多项式；
33)假设噪声模型C(z-1)参数未知，用迭代估计的方法求得；
a)令Ci(z-1)＝1，i＝0作为下标，表示迭代次数为0，ξ＝100000为最大迭代次数；
b)计算输出估计值输入估计值再更新迭代次数i＝i+1，式中y(k)，u(k)分别为k时刻实际输入和实际输出；
c)最小二乘法估计出中的参数，式中：Ai(z-1)，Bi(z-1)是迭代i次的稳定的多项式；
d)用估计模型以及各时刻的观测数据，分别为迭代i次、参数为估计值且与Ai(z-1)，Bi(z-1)同形的多项式，计算出估计残差
e)计算估计残差平方和及估计残差平方和增量ξ＝ξi-ξi-1，如果ξ小于增量限值，则结束辨识，否则继续下一步；
f)对于新得到的噪声模型用最小二乘法估计出参数，得到更新i次后的噪声模型Ci(z-1)，返回第b)步，继续按照步骤b)至f)顺序进行计算；
34)已知供热系统环境参数扰动模型，对该模型进行阶跃响应试验，每隔10s采集一次数据，共采集N组数据组成前馈补偿矩阵N为模型长度；
35)依据前馈补偿修改动态矩阵控制算法预测模型为：
yPM(k)＝yP0(k)+ADΔuM(k)+bΔvP(k) (7)
式中：ΔvP(k)为k时刻时未来P个时刻内的扰动增量；
相应地求解优化问题minJ(k)得到控制律为：
Δu(k)＝dT[wP(k)-yP0(k)-bΔvP(k)] (8)
其中，优化矩阵Q，R分别为输出误差权矩阵和控制权矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710886793.5A CN107842908B (zh) | 2017-09-26 | 2017-09-26 | 一种基于环境参数补偿的实时供热负荷控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710886793.5A CN107842908B (zh) | 2017-09-26 | 2017-09-26 | 一种基于环境参数补偿的实时供热负荷控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107842908A true CN107842908A (zh) | 2018-03-27 |
| CN107842908B CN107842908B (zh) | 2020-01-03 |
Family
ID=61661421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710886793.5A Expired - Fee Related CN107842908B (zh) | 2017-09-26 | 2017-09-26 | 一种基于环境参数补偿的实时供热负荷控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107842908B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983595A (zh) * | 2018-07-18 | 2018-12-11 | 天津大学 | 一种前馈控制器参数的自动整定方法 |
| CN109297086A (zh) * | 2018-09-10 | 2019-02-01 | 常州英集动力科技有限公司 | 热力站负荷分时段滚动预测及自适应矫正方法及系统 |
| CN110779075A (zh) * | 2019-09-18 | 2020-02-11 | 新疆昌吉特变能源有限责任公司 | 一种热网加热器水位前馈控制方法 |
| WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
| CN111998423A (zh) * | 2020-08-27 | 2020-11-27 | 沈阳工业大学 | 电蓄热循环风量-水温控制系统及其预测控制方法 |
| CN113659246A (zh) * | 2021-10-20 | 2021-11-16 | 中国气象科学研究院 | 适应于极地超低温环境的电池系统及其控温方法 |
| CN113739296A (zh) * | 2021-09-08 | 2021-12-03 | 山东佐耀科技有限公司 | 基于模型预测控制的空气源热泵负荷水温控制方法及系统 |
| CN113835342A (zh) * | 2021-09-18 | 2021-12-24 | 国网河北能源技术服务有限公司 | 一种过热汽温系统的抗扰预测控制方法 |
| CN114484557A (zh) * | 2022-01-22 | 2022-05-13 | 天津大学 | 一种基于目标能耗管控的建筑群供热负荷调控方法 |
| CN114608065A (zh) * | 2022-03-29 | 2022-06-10 | 天津大学 | 一种新型热力入口阀位调控方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021914A (zh) * | 2006-03-22 | 2007-08-22 | 侯春海 | 暖通空调负荷预测方法和系统 |
| CN102508466A (zh) * | 2011-09-28 | 2012-06-20 | 哈尔滨工业大学 | 建筑供热计量收费与节能监控物联网系统 |
| CN103177391A (zh) * | 2013-01-31 | 2013-06-26 | 李生林 | 一种基于三维实景的设施设备监控系统及系统集成方法 |
| 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 |
| US20150198962A1 (en) * | 2013-05-31 | 2015-07-16 | Patrick Andrew Shiel | Building energy usage reduction by automation of optimized plant operation times and sub-hourly building energy forecasting to determine plant faults |
| CN105570866A (zh) * | 2015-12-29 | 2016-05-11 | 北京市燃气集团有限责任公司 | 一种供热用燃气锅炉负荷参数的调节方法及系统 |
| CN105588177A (zh) * | 2014-11-18 | 2016-05-18 | 天津银箭科技有限公司 | 基于物联网环境下的智能供热监控应用系统 |
| US20160334122A1 (en) * | 2015-01-27 | 2016-11-17 | Patrick Andrew Shiel | Method of controlling ventilation and chilling systems to conserve energy in commercial buildings |
-
2017
- 2017-09-26 CN CN201710886793.5A patent/CN107842908B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021914A (zh) * | 2006-03-22 | 2007-08-22 | 侯春海 | 暖通空调负荷预测方法和系统 |
| CN102508466A (zh) * | 2011-09-28 | 2012-06-20 | 哈尔滨工业大学 | 建筑供热计量收费与节能监控物联网系统 |
| CN103177391A (zh) * | 2013-01-31 | 2013-06-26 | 李生林 | 一种基于三维实景的设施设备监控系统及系统集成方法 |
| US20150198962A1 (en) * | 2013-05-31 | 2015-07-16 | Patrick Andrew Shiel | Building energy usage reduction by automation of optimized plant operation times and sub-hourly building energy forecasting to determine plant faults |
| 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 |
| CN105588177A (zh) * | 2014-11-18 | 2016-05-18 | 天津银箭科技有限公司 | 基于物联网环境下的智能供热监控应用系统 |
| US20160334122A1 (en) * | 2015-01-27 | 2016-11-17 | Patrick Andrew Shiel | Method of controlling ventilation and chilling systems to conserve energy in commercial buildings |
| CN105570866A (zh) * | 2015-12-29 | 2016-05-11 | 北京市燃气集团有限责任公司 | 一种供热用燃气锅炉负荷参数的调节方法及系统 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983595B (zh) * | 2018-07-18 | 2021-04-20 | 天津大学 | 一种前馈控制器参数的自动整定方法 |
| CN108983595A (zh) * | 2018-07-18 | 2018-12-11 | 天津大学 | 一种前馈控制器参数的自动整定方法 |
| CN109297086B (zh) * | 2018-09-10 | 2020-10-09 | 常州英集动力科技有限公司 | 热力站负荷分时段滚动预测及自适应矫正方法及系统 |
| CN109297086A (zh) * | 2018-09-10 | 2019-02-01 | 常州英集动力科技有限公司 | 热力站负荷分时段滚动预测及自适应矫正方法及系统 |
| WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
| CN110779075A (zh) * | 2019-09-18 | 2020-02-11 | 新疆昌吉特变能源有限责任公司 | 一种热网加热器水位前馈控制方法 |
| CN111998423A (zh) * | 2020-08-27 | 2020-11-27 | 沈阳工业大学 | 电蓄热循环风量-水温控制系统及其预测控制方法 |
| CN113739296A (zh) * | 2021-09-08 | 2021-12-03 | 山东佐耀科技有限公司 | 基于模型预测控制的空气源热泵负荷水温控制方法及系统 |
| CN113835342A (zh) * | 2021-09-18 | 2021-12-24 | 国网河北能源技术服务有限公司 | 一种过热汽温系统的抗扰预测控制方法 |
| CN113835342B (zh) * | 2021-09-18 | 2024-04-16 | 国网河北能源技术服务有限公司 | 一种过热汽温系统的抗扰预测控制方法 |
| CN113659246A (zh) * | 2021-10-20 | 2021-11-16 | 中国气象科学研究院 | 适应于极地超低温环境的电池系统及其控温方法 |
| CN114484557A (zh) * | 2022-01-22 | 2022-05-13 | 天津大学 | 一种基于目标能耗管控的建筑群供热负荷调控方法 |
| CN114608065A (zh) * | 2022-03-29 | 2022-06-10 | 天津大学 | 一种新型热力入口阀位调控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107842908B (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107842908A (zh) | 一种基于环境参数补偿的实时供热负荷控制方法 | |
| Xi et al. | Automatic generation control based on multiple neural networks with actor-critic strategy | |
| Shiva et al. | Automatic generation control of power system using a novel quasi-oppositional harmony search algorithm | |
| CN106786677B (zh) | 一种互联电力系统分布式动态矩阵频率控制方法 | |
| Liu et al. | Neuro-fuzzy generalized predictive control of boiler steam temperature | |
| Irudayaraj et al. | Renewable sources-based automatic load frequency control of interconnected systems using chaotic atom search optimization | |
| Li et al. | Offset-free fuzzy model predictive control of a boiler–turbine system based on genetic algorithm | |
| CN103322553B (zh) | 一种火电机组过热汽温多模型扰动估计预测控制方法 | |
| Xi et al. | Wolf pack hunting strategy for automatic generation control of an islanding smart distribution network | |
| Yu et al. | The forecast of the electrical energy generated by photovoltaic systems using neural network method | |
| CN103576553B (zh) | 一种燃煤锅炉蒸汽温度的分数阶自整定控制方法 | |
| CN102494336A (zh) | 一种循环流化床锅炉燃烧过程多变量控制方法 | |
| Zeng et al. | Optimization control for the coordinated system of an ultra-supercritical unit based on stair-like predictive control algorithm | |
| CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
| CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
| CN110501909A (zh) | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 | |
| CN109254530A (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
| CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
| Tian et al. | Application of improved whale optimization algorithm in parameter identification of hydraulic turbine at no-load | |
| CN117039981A (zh) | 一种面向含新能源的大规模电网优化调度方法、装置、存储介质 | |
| Hasan et al. | Robust self tuned AGC controller for wind energy penetrated power system | |
| CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
| CN111473408A (zh) | 一种基于气候补偿的供热控制系统的控制方法 | |
| CN108490791A (zh) | 温控负荷成本控制策略 | |
| Zhao et al. | Novel adaptive stability enhancement strategy for power systems based on deep reinforcement learning |
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: 20200103 Termination date: 20200926 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |