CN108167802A - 低负荷下锅炉负荷的多模型智能寻优预测控制方法 - Google Patents

Abstract

本发明公开了一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，具体是：步骤1：选取负荷点建立被控对象模型；步骤2：在各个负荷点根据被控对象模型设计预测控制器，进而得到预测控制器的最优控制增量；步骤3：若步骤2中的最优控制增量满足约束条件，则不需要进行处理，若不满足约束条件，则需采用粒子群算法寻求最优控制增量；步骤4：采用多模型预测控制，根据各子模型输出与实际输出的偏差用改进递推贝叶斯加权算法对各子控制器的输出进行加权。通过本申请的自适应智能寻优控制技术，实现低负荷给煤经济掺烧条件下的机组稳定安全运行。

Description

低负荷下锅炉负荷的多模型智能寻优预测控制方法

技术领域

本发明涉及一种锅炉负荷的控制方法，具体说一种低负荷下锅炉负荷的多模型智能寻优预测控制方法。

背景技术

东北地区电力市场供需矛盾非常突出，特别是辽宁省由于供热机组占比高，导致供暖期电网的调峰能力严重不足，迫切要求机组能实现深度调峰。在这种情况下，华能丹东电厂350MW亚临界机组在全国率先完成深度调峰的改造，AGC控制方式下的最低负荷可达到90MW，但从辽宁地区电网的实际需求出发，希望能进一步下调最低负荷，进一步改善电网的调峰能力，并缩小与国外在机组深度调峰方面的差距。但当机组的最低负荷进一步下调时，面临二个瓶颈问题：一是锅炉低负荷工况下，锅炉燃烧对煤粉细度、煤粉均匀性、风量偏差和粉量偏差非常敏感，且当前为降低生产成本，企业均提高给煤经济掺烧，此时如何有效保证锅炉稳燃尤其重要；二是锅炉低负荷工况下，机组被控对象的动态特性会发生大的变化，且被控过程的滞后和惯性会明显增加，以PID控制器组成的常规控制方案对这种过程难于控制。

发明内容

针对现有技术的不足，本发明提出了一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，通过本申请的自适应智能寻优控制技术，实现低负荷给煤经济掺烧条件下的机组稳定安全运行。

为实现上述目的，本发明提供了一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，具体是：

步骤1：选取负荷点建立被控对象模型；

步骤2：在各个负荷点根据被控对象模型设计预测控制器，进而得到预测控制器的最优控制增量；

步骤3：若步骤2中的最优控制增量满足约束条件，则不需要进行处理，若不满足约束条件，则需采用粒子群算法寻求最优控制增量；

步骤4：采用多模型预测控制，根据各子模型输出与实际输出的偏差,用改进递推贝叶斯加权算法对各子控制器的输出进行加权。

进一步的，步骤1建立被控对象模型，具体是：在各负荷点做阶跃响应试验，得到输入输出数据拟合得到被控对象传递函数G(s)。

进一步的，步骤2中设计预测控制器的具体方法是：依据对象传递函数，得到可控自回归积分滑动平均模型，

其中，A(q^-1),B(q^-1)为系数多项式，ξ(k)为随机序列，表示随机噪声，y(k)为输出序列，u(k)为输入序列，Δ＝1-q^-1为差分算子，1-q^-1是后移算子；所述A(q^-1),B(q^-1)具体是：

a₁、b₀、均为多项式的系数；

通过引入丢番图方程，

其中，E(q^-1),F(q^-1),G(q^-1)为系数多项式，形式如下：

其中，e_j,1、g_j,0、g_j,1、f_j,1、均为多项式的系数；上述矩阵中的元素的下角标j代表对未来j步的预测，根据预测时域N可以得到完整的矩阵；

可求解得到预测控制器模型：

Y＝F₁ΔU+F₂ΔU(k-j)+GY(k)

其中，Y为未来的预测输出，ΔU为当前及未来的控制增量序列，ΔU(k-j)过去的控制增量序列，Y(k)为当前及过去的输出；

Y＝[y(k+1) … y(k+N)]^T

ΔU＝[Δu(k) … Δu(k+N_u-1)]^T

ΔU(k-j)＝[Δu(k-1) … Δu(k-n_b)]^T

Y(k)＝[y(k) … y(k-n_a)]^T

N为预测时域，Nu为控制时域。

优选的，预测控制器的优化性能指标为：

J＝[F₁ΔU+F₂ΔU(k-j)+GY(k)-Y_r]^T[F₁ΔU+F₂ΔU(k-j)+GY(k)-Y_r]+ΔU^TΓΔU其中，Y_r＝[y_r(k+1) … y_r(k+N)]^T为设定值，Γ为控制权矩阵；

时，预测控制器的最优控制增量为：

ΔU(k)＝(F₁ ^TF₁+Γ)^-1F₁ ^T[Y_r-F₂ΔU(k-j)-GY(k)]

取计算得到的最优控制增量序列中当前时刻k的控制增量Δu(k)。

优选的，所述约束条件具体为：

优选的，采用粒子群算法寻求最优控制增量，具体是：

速度v_i＝(v_i1,v_i2,…v_id)代表粒子在在搜索空间单位迭代次数的位移；随机初始化一群粒子，第i个粒子在解空间的位置表示为x_i＝(x_i1,x_i2,…，x_id)，解空间维度为d，每次迭代粒子跟踪两个极值来更新速度和位置，其一为粒子从初始到当前迭代次数搜索产生的最优解，即个体极值p_i＝(p_i1,p_i2,…,p_id)，其二为粒子种群当前最优解，即全局极值g＝(g₁,g₂,…,g_d)，粒子更新依据以下公式：

v_i＝ωv_i+c₁rand()(p_i-x_i)+c₂rand()(g-x_i)

x_i＝x_i+v_i

其中，c₁，c₂为学习因子，rand()为[0,1]中的随机数，ω为惯性因子；粒子速度和位置若超过约束，则取边界值；根据适应度函数更新p_i和g，若达到迭代次数上限或满足最小误差标准则停止迭代；经过PSO智能寻优后，得到控制系统最优控制增量Δu_t(k)。

优选的，改进递推贝叶斯加权算法对各子控制器的输出进行加权，具体是：

其中，ε_j,k表示k时刻第j个子模型和被控对象输出的相对误差，即绝对误差与初始输出量之比；K为递推收敛系数，越大收敛越快；P_j,k为k时刻第j个子模型和对象匹配程度的概率，越大表示越符合实际对象；为防止出现某时刻某子模型匹配程度为0而无法再被使用的情况，设定一个小正实数δ，P_i,j＜δ时令P_i,j＝δ；各子控制器权值如下：

由此可得系统实际控制增量为：

最终得到控制量为：

u_jq(k)＝u_jq(k-1)+Δu_jq(k)

再以k+1时刻为基点进行新的最优控制增量的计算，实现预测控制器的滚动优化。

本发明由于采用以上技术方案，能够取得如下的技术效果：机组在低负荷给煤经济掺烧条件下应用自适应智能寻优控制技术后，能使350MW机组的最低负荷从目前的90MW下调至60MW。

附图说明

图1为本控制方法的控制原理框图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

实施例1

本实施提供一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，具体包括：

步骤1.选取典型负荷点建立被控对象模型，方法为在各负荷点做阶跃响应试验，得到输入输出数据拟合得到被控对象传递函数G(s)。

步骤2.在各负荷点根据被控对象模型设计预测控制器，方法如下：依据对象传递函数，得到可控自回归积分滑动平均(CARIMA)模型，

其中，A(q^-1),B(q^-1)为系数多项式，ξ(k)为随机序列，表示随机噪声，y(k)为输出序列，u(k)为输入序列，Δ＝1-q^-1为差分算子。

通过引入丢番图方程，

其中，E(q^-1),F(q^-1),G(q^-1)为系数多项式，形式如下：

可求解得到预测模型

Y＝F₁ΔU+F₂ΔU(k-j)+GY(k)

其中，Y为未来的预测输出，ΔU为当前及未来的控制增量序列，

ΔU(k-j)过去的控制增量序列，Y(k)为当前及过去的输出。

Y＝[y(k+1) … y(k+N)]^T

ΔU＝[Δu(k) … Δu(k+N_u-1)]^T

ΔU(k-j)＝[Δu(k-1) … Δu(k-n_b)]^T

Y(k)＝[y(k) … y(k-n_a)]^T

N为预测时域，N_u为控制时域。

控制器的优化性能指标为

J＝[F₁ΔU+F₂ΔU(k-j)+GY(k)-Y_r]^T[F₁ΔU+F₂ΔU(k-j)+GY(k)-Y_r]+ΔU^TΓΔU其中，Y_r＝[y_r(k+1) … y_r(k+N)]^T为设定值，Γ为控制权矩阵；

时，控制器的最优控制增量为：

ΔU(k)＝(F₁ ^TF₁+Γ)^-1F₁ ^T[Y_r-F₂ΔU(k-j)-GY(k)]

取计算得到的最优控制增量序列中当前时刻k的控制增量Δu(k)，经过粒子群(PSO)寻优算法进一步处理。

步骤3.由于热工过程中控制量和被控量常伴有约束,形式如下：

若步骤2中计算得到的结果满足上述约束，则不需要进行处理，若不满足上述约束，则需采用粒子群(PSO)算法寻求最适合的控制增量，算法采用速度——位置搜索型，每个粒子代表一个候选解，适应度函数即取步骤2中控制器的优化性能指标，来决定粒子的优劣。

速度v_i＝(v_i1,v_i2,…v_id)代表粒子在在搜索空间单位迭代次数的位移。算法随机初始化一群粒子，第i个粒子在解空间的位置表示为x_i＝(x_i1,x_i2,…，x_id)，解空间维度为d，每次迭代粒子跟踪两个极值来更新速度和位置，其一为粒子从初始到当前迭代次数搜索产生的最优解，即个体极值p_i＝(p_i1,p_i2,…,p_id)，其二为粒子种群当前最优解，即全局极值g＝(g₁,g₂,…,g_d)，粒子更新依据以下公式：

v_i＝ωv_i+c₁rand()(p_i-x_i)+c₂rand()(g-x_i)

x_i＝x_i+v_i

期中c₁，c₂为学习因子，rand()为[0,1]中的随机数，ω为惯性因子。粒子速度和位置若超过约束，则取边界值。算法根据适应度函数更新p_i和g，若达到迭代次数上限或满足最小误差标准则停止迭代。

经过PSO智能寻优后，得到控制系统最优控制增量Δu_t(k)。

步骤4.由于机组低负荷下被控过程动态特性多变，需采用多变量预测控制，并采取合适的加权方式，根据各个负荷点子模型设计出子控制器，对子控制器算出的控制增量进行加权，这里采用改进的递推贝叶斯概率加权算法。

其中，ε_j,k表示k时刻第j个子模型和被控对象输出的相对误差，即绝对误差与初始输出量之比。K为递推收敛系数，越大收敛越快。P_j,k为k时刻第j个子模型和对象匹配程度的概率，越大表示越符合实际对象。为防止出现某时刻某子模型匹配程度为0而无法再被使用的情况，设定一个小正实数δ，P_i,j＜δ时令P_i,j＝δ。各子控制器权值如下：

由此可得系统实际控制增量为：

最终得到控制量为：

u_jq(k)＝u_jq(k-1)+Δu_jq(k)

再以k+1时刻为基点进行新的最优控制增量的计算，实现预测控制器的滚动优化。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，其特征在于，具体是：

步骤1：选取负荷点建立被控对象模型；

步骤2：在各个负荷点根据被控对象模型设计预测控制器，进而得到预测控制器的最优控制增量；

步骤3：若步骤2中的最优控制增量满足约束条件，则不需要进行处理，若不满足约束条件，则需采用粒子群算法寻求最优控制增量；

步骤4：采用多模型预测控制，根据各子模型输出与实际输出的偏差用改进递推贝叶斯加权算法对各子控制器的输出进行加权。

2.根据权利要求1所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，其特征在于，步骤1建立被控对象模型，具体是：在各负荷点做阶跃响应试验，得到输入输出数据拟合得到被控对象传递函数G(s)。

3.根据权利要求1所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，其特征在于，步骤2中设计预测控制器的具体方法是：依据对象传递函数，得到可控自回归积分滑动平均模型，

其中，A(q^-1),B(q^-1)为系数多项式，ξ(k)为随机序列，表示随机噪声，y(k)为输出序列，u(k)为输入序列，Δ＝1-q^-1为差分算子，1-q^-1是后移算子；所述A(q^-1),B(q^-1)具体是：

a₁、b₀、均为多项式的系数；

通过引入丢番图方程，

其中，E(q^-1),F(q^-1),G(q^-1)为系数多项式，形式如下：

其中，e_j,1、g_j,0、g_j,1、f_j,1、均为多项式的系数；上述矩阵中的元素的下角标j代表对未来j步的预测，根据预测时域N可以得到完整的矩阵；

可求解得到预测控制器：

Y＝F₁ΔU+F₂ΔU(k-j)+GY(k)

其中，Y为未来的预测输出，ΔU为当前及未来的控制增量序列，ΔU(k-j)过去的控制增量序列，Y(k)为当前及过去的输出；

Y＝[y(k+1) … y(k+N)]^T

ΔU＝[Δu(k) … Δu(k+N_u-1)]^T

ΔU(k-j)＝[Δu(k-1) … Δu(k-n_b)]^T

Y(k)＝[y(k) … y(k-n_a)]^T

N为预测时域，Nu为控制时域。

4.根据权利要求3所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，其特征在于，预测控制器的优化性能指标为：

J＝[F₁ΔU+F₂ΔU(k-j)+GY(k)-Y_r]^T[F₁ΔU+F₂ΔU(k-j)+GY(k)-Y_r]+ΔU^TΓΔU

其中，Y_r＝[y_r(k+1) … y_r(k+N)]^T为设定值，Γ为控制权矩阵；

时，预测控制器的最优控制增量为：

ΔU(k)＝(F₁ ^TF₁+Γ)^-1F₁ ^T[Y_r-F₂ΔU(k-j)-GY(k)]

取计算得到的最优控制增量序列中当前时刻k的控制增量Δu(k)。

5.根据权利要求4所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，其特征在于，所述约束条件具体为：

6.根据权利要求1所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，其特征在于，采用粒子群算法寻求最优控制增量，具体是：

速度v_i＝(v_i1,v_i2,…v_id)代表粒子在在搜索空间单位迭代次数的位移；随机初始化一群粒子，第i个粒子在解空间的位置表示为x_i＝(x_i1,x_i2,…，x_id)，解空间维度为d，每次迭代粒子跟踪两个极值来更新速度和位置，其一为粒子从初始到当前迭代次数搜索产生的最优解，即个体极值p_i＝(p_i1,p_i2,…,p_id)，其二为粒子种群当前最优解，即全局极值g＝(g₁,g₂,…,g_d)，粒子更新依据以下公式：

v_i＝ωv_i+c₁rand()(p_i-x_i)+c₂rand()(g-x_i)

x_i＝x_i+v_i

其中，c₁，c₂为学习因子，rand()为[0,1]中的随机数，ω为惯性因子；粒子速度和位置若超过约束，则取边界值；根据适应度函数更新p_i和g，若达到迭代次数上限或满足最小误差标准则停止迭代；经过PSO智能寻优后，得到控制系统最优控制增量Δu_t(k)。

7.根据权利要求1所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，其特征在于，改进递推贝叶斯加权算法对各子控制器的输出进行加权，具体是：

其中，ε_j,k表示k时刻第j个子模型和被控对象输出的相对误差，即绝对误差与初始输出量之比；K为递推收敛系数，越大收敛越快；P_j,k为k时刻第j个子模型和对象匹配程度的概率，越大表示越符合实际对象；为防止出现某时刻某子模型匹配程度为0而无法再被使用的情况，设定一个小正实数δ，P_i,j＜δ时令P_i,j＝δ；各子控制器权值如下：

由此可得系统实际控制增量为：

最终得到控制量为：

u_jq(k)＝u_jq(k-1)+Δu_jq(k)

再以k+1时刻为基点进行新的最优控制增量的计算，实现预测控制器的滚动优化。