CN109143857A - 一种超超临界机组协调控制系统的解耦控制方法 - Google Patents

Abstract

本发明涉及一种超超临界机组协调控制系统的解耦控制方法，在所述协调控制系统的输入和输出之间设置解耦补偿环节，本方法包括：1、通过对协调控制系统进行动态特性分析将其解耦补偿环节简化；2、在开环状态下利用免疫记忆粒子群算法优化简化后的解耦补偿环节的参数，得到解耦的广义被控对象；3、利用免疫记忆粒子群算法优化参数后的PID控制器对解耦的广义被控对象进行控制。与现有技术相比，本发明利用免疫记忆粒子群算法对相关参数进行寻优，实现了开环状态下协调控制系统的解耦，使得汽轮机阀门开度仅影响负荷功率，燃料量仅影响主蒸汽压力，而给水流量仅影响分离器出口处焓值，从而使机组协调控制系统运行更稳定，机组运行经济性更好。

Description

一种超超临界机组协调控制系统的解耦控制方法

技术领域

本发明涉及工业过程控制技术领域，尤其是涉及一种超超临界机组协调控制系统的解耦控制方法。

背景技术

我国煤电现如今有如下特点较为突出：现代大型火电机组容量大、参数高，结构和系统更加复杂。目前中国的煤电在容量、参数、效率、煤耗等方面均达到世界领先的水平，是全球蒸汽参数最高、拥有超(超)临界机组数量最多和供电煤耗最低的国家；截止到2017年底我国发电装机总量为17.77亿kW，其中燃煤火电装机容量达到11.06亿kW，但与之相反的是年均煤电发电小时数呈现出不断下降趋势，燃煤火电产能严重过剩，亟需采取措施对我国燃煤火电行业进行升级改造。火电技术应本着以保护环境和降低能耗为原则、以更高参数的超(超)临界为向导发展。到2018年1月底，我国600℃等级的1000MW超(超)临界机组已投入运行超百台，超(超)临界机组装机容量占全球超(超)临界机组装机容量的 78.4％，超(超)临界机组已成为并在将来相当一段长时间内成为我国火电机组建设的主力机组和电厂建设的主要发展方向之一。

大容量、高参数超(超)临界机组对协调控制系统的自控水平和稳定性提出了较高要求；相对于耦合性关联性较弱的亚临界机组而言，超(超)临界机组必须采用智能化、先进的控制方法来确保机组在具备良好的动、静态特性同时能够长期稳定、经济、安全运行。作为超(超)临界机组自动控制技术中关键的组成部分，对超(超)临界机组协调控制系统进行深入的思考探究，将会促进机组长期的稳定、安全、经济地运行，同时对节能环保等方面也具有积极意义。

目前协调控制系统动态特性如图1～3所示，具体如下：

(1)汽轮机阀门开度扰动

在机组运行过程中，外界负荷的需求一般是通过汽轮机调节阀门开度的变化来改变的。当将汽轮机调节阀门阶跃开大时，主汽流量迅速增加，因为锅炉输入热量保持定值，则蓄热所转换而来的蒸汽流量变得较少，因此经过一段时间后，主汽压力减少至给水流量水平，保持平衡。

而对于主汽压力而言，首先其由于阀门开度的增大而呈现下降趋势，当主汽流量与给水流量近似相等时，主汽压力以一个缓慢的速度下降直到保持在新的平衡状态。即使过热汽温随着主汽流量的上升而减小，却由于过热器金属所释放蓄热的补偿的存在，过热汽温减小的幅度较小。最后，主汽流量与给水流量相等，燃水比维持不变，所以过热汽温可看作定值。

就事实而言，若是给水压力不发生变化，因为主蒸汽压力的降低，给水流量会自发上升，此时，稳定后的给水流量和蒸汽流量会相应上升。所以当燃料量维持定值时，就相当于单位工质吸热量必然会减少，此时过热汽温就会有明显地下降趋势。

因为主蒸汽流量迅速上升，从而使得负荷明显地增加。然而燃料量维持定值状态，功率随之下降趋于原值。在调节阀门开度开大的最开始阶段，虽然主蒸汽压力起初是下降趋势，但蒸汽流量相对而言有明显的增加，而过热汽温仅仅是略有下降，故汽轮机输出功率和蒸汽流量保持同步。

(2)燃料量扰动

在燃料量受到扰动的情况下，各个受热面吸收热量经过短暂迟延后迅速增加，因为加热段与蒸发段的长度变短，使得锅炉储量水大大降低，同时蒸发量、温度、功率与压力均呈现上升趋势。对于过热段的各个受热面来讲，吸热量和蒸汽流量保持同步上升的趋势，保证起始过热汽温值保持定值。但随着吸热量的上升，过热汽温会出现一段时延后快速增加。因为给水流量保持不变，蒸汽流量使得锅炉内工质降低，加热和蒸发受热面积相应减小，故蒸汽流量出现一段峰值后呈现下降趋势后保持在初值。锅炉金属温度随着过热汽温的上升而上升，锅炉蓄热从而呈现增加趋势。

主汽压力随着主汽流量的上升而增加。同时因为过热蒸汽温度增加，主汽流量变大，可是汽轮机的阀门开度保持原来的状态，使得流动阻力变大而使主汽压力稳定于一个较高值。实际上，为了能够维持给水流量保持不变，给水压力适当地要比扰动前高。

同样，功率前期增大的过程主要是受到主汽流量上升的影响，而后期的增大过程是受过热汽温上升的影响，就本质而言，是由于燃料量变多，工质总吸收热量的上升。

(3)给水流量扰动

当给水流量发生变化时，压力与功率起始阶段均是呈上升趋势，这是因为加热段与蒸发段的长度变长。相反过热段的长度变短从而导致汽温降低，最终汽温在延迟后保持在某个低温上不变。从而使得主汽压力也因过热汽温的降低有所下降，但是燃料量并没有发生改变，因此功率最后保持在一个恒定值。在给水流量增大的情况下，使得主汽流量也变大，但是主蒸汽流量主要是由给水流量所引起，所以最后主汽流量保持在另一个新的状态。

综上分析可以得出：

①在负荷受到扰动的情况下，主蒸汽压力开始改变且迟延现象不存在，很迅速地改变，且波动范围比较大，根本原因就在于直流炉不存在汽包，蓄热能力相对于汽包炉来讲要小很多。如果在负荷扰动的情况下能够满足给水流量保持不变，则能降低对过热汽温的影响。

②仅仅对燃料量或给水流量进行变化时，无论是过热汽温、蒸汽流量还是主蒸汽压力都会有明显地变化，对汽温的影响则是尤其突出。虽然在燃料量或给水流量变化时过热汽温的响应速度都比较慢，但是在给水流量变化时的响应速度还是要优先于燃料量变化时的响应速度。所以，在负荷变动时，一定要注意对给水流量和燃料量两者比例进行协调。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种超超临界机组协调控制系统的解耦控制方法。

本发明的目的可以通过以下技术方案来实现：

一种超超临界机组协调控制系统的解耦控制方法，在所述协调控制系统的输入和输出之间设置解耦补偿环节，所述解耦控制方法包括以下步骤：

S1、通过对协调控制系统动态特性分析，将其解耦补偿环节简化；

S2、在开环状态下利用免疫记忆粒子群算法优化简化后的解耦补偿环节的参数，得到解耦的广义被控对象；

S3、利用免疫记忆粒子群算法优化参数后的PID控制器对解耦的广义被控对象进行控制。

优选的，所述简化后的解耦补偿环节包括：燃料量-实际功率耦合通道的解耦环节，汽机阀门开度-主蒸汽压力耦合通道的解耦环节，给水流量-主蒸汽压力耦合通道的解耦环节，燃料量-分离器出口焓值耦合通道的解耦环节。

优选的，所述简化后的解耦补偿环节包括：

其中，s表示拉布拉斯算子，N₂₁表示燃料量-实际功率耦合通道的解耦环节， N₁₂表示汽机阀门开度-主蒸汽压力耦合通道的解耦环节，N₃₂表示给水流量-主蒸汽压力耦合通道的解耦环节，N₂₃表示燃料量-分离器出口焓值耦合通道的解耦环节， Kp₂₁表示燃料量-实际功率耦合通道的解耦环节的放大系数，T₂₁表示燃料量-实际功率耦合通道的解耦环节的时间常数，T₂₁₁表示表示燃料量-实际功率耦合通道的解耦环节的时间常数，Kp₁₂表示汽机阀门开度-主蒸汽压力耦合通道的解耦环节的放大系数，T₁₂表示汽机阀门开度-主蒸汽压力耦合通道的解耦环节的时间常数，Kp₃₂表示给水流量-主蒸汽压力耦合通道的解耦环节的放大系数，T₃₂表示给水流量-主蒸汽压力耦合通道的解耦环节的时间常数，T₂₃表示燃料量-分离器出口焓值耦合通道的解耦环节的时间常数，T₂₃₁表示燃料量-分离器出口焓值耦合通道的解耦环节的时间常数。

优选的，所述免疫记忆粒子群算法优化过程中的适应度采用综合误差性能指标，所述综合误差性能指标为系统的每个输出的误差性能指标的加权和，所述误差性能指标为：

其中，t表示积分时间，e(t)表示系统误差。

优选的，所述免疫记忆粒子群算法优化过程包括：

(1)初始化免疫记忆粒子群参数和待优化参数，限定待优化参数的范围；

(2)将免疫记忆粒子群中的粒子元素与待优化参数对应，通过仿真运行协调控制系统得到的综合误差性能指标作为粒子元素的适应度，并更新粒子的速度和位置；

(3)对于种群中的每个粒子元素，将其对应的适应度与此粒子元素经历过的最佳位置所对应的适应度相比较，选择较优值对应的位置作为此粒子当前的最佳位置并存入记忆库；

(4)检验是否满足程序停止条件，若是，则停止迭代，得到参数的最优值，否则随机产生若干个粒子，计算所有粒子的浓度，根据概率选择公式选择一定数量粒子作为新种群，用记忆库的免疫粒子替换新种群中适应度较差的粒子，重复步骤 (2)～(4)。

优选的，所述综合误差性能指标具体在协调控制系统中的Simulink模型的仿真运行过程中得到。

优选的，所述步骤(4)中粒子的浓度为：

其中，x_i表示第i个粒子，i＝1,2,...N+M，x_j表示第j个粒子，j＝1,2,...N+M,N 表示初始粒子数，M表示随机产生粒子数，f(x_i)、f(x_j)分别表示第i个粒子和第 j个粒子的适应度函数值。

优选的，所述步骤(4)中概率选择公式为：

其中，x_i表示第i个粒子，D(x_i)表示粒子x_i的浓度，i＝1,2,...N+M，P(x_i)表示第i个粒子被选中的概率，x_j表示第j个粒子，j＝1,2,...N+M，N表示表示初始粒子数，M表示随机产生粒子数。

与现有技术相比，本发明利用免疫记忆粒子群算法对相关参数进行寻优，不再局限于电厂中依据经验来对控制系统中的相关参数进行调整，避免了因为经验不足引起的参数调整的疏漏；利用了智能算法的优越性，在对相关被控对象动态分析后，将智能算法粒子群应用在强耦合对象的解耦控制系统中，从而实现了开环状态下协调控制系统的解耦，使得汽轮机阀门开度仅影响负荷功率，燃料量仅影响主蒸汽压力，而给水流量仅影响分离器出口处焓值，从而使机组协调控制系统运行更稳定，机组运行经济性更好。

附图说明

图1为超超临界机组协调控制系统中汽轮机阀门开度扰动的动态特性图；

图2为超超临界机组协调控制系统中燃料量扰动的动态特性图；

图3为超超临界机组协调控制系统中给水流量扰动的动态特性图；

图4为本发明中使用免疫记忆粒子群算法对协调控制系统前馈补偿解耦环节参数寻优流程图；

图5为本发明中使用免疫记忆粒子群算法对PID控制器参数寻优流程图；

图6为本发明中免疫记忆粒子群算法流程框图；

图7为免疫记忆粒子群优化解耦控制器结构图；

图8为未解耦时阀门开度指令阶跃扰动响应曲线；

图9为解耦后阀门开度指令阶跃扰动响应曲线；

图10为未解耦时燃料量指令阶跃扰动响应曲线；

图11为解耦后燃料量指令阶跃扰动响应曲线；

图12为未解耦时给水流量指令阶跃扰动响应曲线；

图13为解耦后给水流量指令阶跃扰动响应曲线；

图14为负荷功率阶跃变化响应曲线；

图15为主蒸汽压力阶跃变化响应曲线；

图16为分离器出口焓值阶跃变化响应曲线。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本申请提出一种超超临界机组协调控制系统的解耦控制方法，将超超临界机组协调控制系统看作一个三输入三输出的被控对象，输出量为主蒸汽压力、分离器出口处焓值和负荷功率，输入量为燃料量、给水流量和汽轮机阀门开度，在协调控制系统的输入和输出之间设置解耦补偿环节，如图7所示，图中N₂₁、N₁₂、N₃₂、N₂₃、 N₁₃、N₃₁表示解耦补偿环节。利用改进的免疫记忆粒子群算法(IMPSO)对简化后的N₂₁、N₁₂、N₃₂、N₂₃四个解耦环节的九个参数进行寻优，在开环(未加控制器)状态下使得超临界机组三输入三输出系统实现开环解耦。

本方法包括以下步骤：

S1、通过对协调控制系统动态特性分析，将其解耦补偿环节简化；

S2、在开环状态下利用免疫记忆粒子群算法优化简化后的解耦补偿环节的参数，得到解耦的广义被控对象；

S3、利用免疫记忆粒子群算法优化参数后的PID控制器对解耦的广义被控对象进行控制。

简化后的解耦补偿环节包括：燃料量-实际功率耦合通道的解耦环节N₂₁，汽机阀门开度-主蒸汽压力耦合通道的解耦环节N₁₂，给水流量-主蒸汽压力耦合通道的解耦环节N₃₂，燃料量-分离器出口焓值耦合通道的解耦环节N₂₃，如下所示：

其中，s表示拉布拉斯算子，Kp₂₁表示燃料量-实际功率耦合通道的解耦环节的放大系数，T₂₁表示燃料量-实际功率耦合通道的解耦环节的时间常数，T₂₁₁表示表示燃料量-实际功率耦合通道的解耦环节的时间常数，Kp₁₂表示汽机阀门开度-主蒸汽压力耦合通道的解耦环节的放大系数，T₁₂表示汽机阀门开度-主蒸汽压力耦合通道的解耦环节的时间常数，Kp₃₂表示给水流量-主蒸汽压力耦合通道的解耦环节的放大系数，T₃₂表示给水流量-主蒸汽压力耦合通道的解耦环节的时间常数，T₂₃表示燃料量-分离器出口焓值耦合通道的解耦环节的时间常数，T₂₃₁表示燃料量-分离器出口焓值耦合通道的解耦环节的时间常数。

免疫记忆粒子群算法优化的过程中需要一个指标来实现，本方法以运行系统得到的输出值与输入的设定值的误差性能指标(ITAE)作为一个指标函数：

其中，t表示积分时间，e(t)表示系统误差。由于被控对象为三输入三输出对象，所以在解耦的时候三个输出分别作为一个指标函数，从而提出将这三个指标函数的加权和作为最终的性能函数来评价解耦补偿器的综合性能，如下：

其中，J_m表示综合误差性能指标，e₁(t)表示机组功率与其设定值的偏差，e₂(t) 表示主汽压力与其设定值的偏差，e₃(t)表示分离器出口焓值与其设定值的偏差。

将综合误差性能指标赋值到免疫记忆粒子群算法优化的过程中当作粒子元素的适应度值。

步骤S2中免疫记忆粒子群算法优化简化后的解耦补偿环节的参数的过程如图 4所示，包括：

(a1)首先初始化所有参数值，并限定补偿器的九个参数Kp₂₁、T₂₁、T₂₁₁、Kp₁₂、 T₁₂、Kp₃₂、T₃₂、T₂₃、T₂₃₁的范围，粒子群的随机初始化中包括粒子的速度、粒子的位置、加速常数、迭代次数、pbest、gbest；

(a2)将免疫记忆粒子群中的粒子元素与解耦补偿器的Kp₂₁、T₂₁、T₂₁₁、Kp₁₂、 T₁₂、Kp₃₂、T₃₂、T₂₃、T₂₃₁九个参数对应，并且将控制系统中的Simulink模型进行仿真运行，仿真过程中获得此组参数的综合误差性能指标，将此系列性能指标赋值到IMPSO的主程序中当作此粒子元素的适应度值fSwarm；更新粒子的速度和位置；

(a3)对于种群中的每个粒子元素，将其对应的适应度与此粒子元素经历过的最佳位置p_i所对应的适应度相比较，选择较优值对应的位置作为此粒子当前的p_i并存入记忆库；

(a4)检验是否满足程序停止条件，即达到最大迭代次数或者满足最小误差标准，若是，则停止迭代，得到参数Kp₂₁、T₂₁、T₂₁₁、Kp₁₂、T₁₂、Kp₃₂、T₃₂、T₂₃、 T₂₃₁的最优值，否则随机产生若干个粒子，计算所有粒子的浓度，根据概率选择公式选择一定数量粒子作为新种群，用记忆库的免疫粒子替换新种群中适应度较差的粒子，重复步骤(a2)～(a4)。

其中每个粒子的浓度为：

其中，x_i表示第i个粒子，i＝1,2,...N+M，x_j表示第j个粒子，j＝1,2,...N+M,N 表示初始粒子数，M表示随机产生粒子数，f(x_i)、f(x_j)分别表示第i个粒子的适应度函数值和第j个粒子的适应度函数值。

其中概率选择公式为：

其中，D(x_i)表示粒子x_i的浓度，i＝1,2,...N+M，P(x_i)表示第i个粒子被选中的概率，j＝1,2,...N+M。

其中，更新粒子的速度和位置分别为：

v_id(t₀+1)＝wv_id(t₀)+c₁r₁(p_id-x_id(t₀))+c₂r₂(p_gd-x_id(t₀)) (8)

x_id(t₀+1)＝x_id(t₀)+v_id(t₀+1) (9)

式中，t₀表示当前某一时刻，w表示粒子群参数惯性因子，x_id(t₀)表示当前某一时刻下粒子的位置，v_id(t₀)表示表示当前某一时刻下粒子的速度，c₁、c₂分别表示加速常数1、加速常数2，r₁、r₂表示0到1内变化的随机数，p_id表示粒子本身的最佳位置，p_gd表示粒子整个种群找到的最佳位置。

步骤S3中免疫记忆粒子群算法优化PID控制器参数的过程如图5所示，包括：

(b1)首先初始化所有参数值，并限定PID控制器的三个参数K_p、K_i、K_d的范围，粒子群的随机初始化其中包括粒子的速度、粒子的位置、加速常数、迭代次数pbest、gbest；

(b2)定义免疫记忆粒子群中的粒子元素与PID控制器的K_p、K_i、K_d三个参数对应，并且将控制系统中的Simulink模型进行仿真运行，仿真过程中获得此组参数的综合误差性能指标，将此系列性能指标赋值主程序中当作此粒子元素的适应度值fSwarm；更新粒子的速度和位置；

(b3)对于种群中的每个粒子元素，将其对应的适应度与此粒子元素经历过的最佳位置p_i所对应的适应度相比较，选择较优值对应的位置作为此粒子当前的p_i并存入记忆库；

(b4)检验是否满足程序停止条件，即达到最大迭代次数或者满足最小误差标准，若是，则停止迭代，得到参数K_p、K_i、K_d的最优值，否则随机产生若干个粒子，计算所有粒子的浓度，根据概率选择公式选择一定数量粒子作为新种群，用记忆库的免疫粒子替换新种群中适应度较差的粒子，重复步骤(b2)～(b4)。

为验证解耦控制方法的有效性，首先，在开环状态(未加控制器)时实现系统的开环解耦。设置粒子群参数惯性因子w为0.9，加速常数c₁＝c₂＝2，维数为9(因为有9个待优化的参数)，粒子的种群规模、随机产生粒子数、最大迭代次数、最小适应值分别设计成50、15、100、0.1，速度范围设置成[-1,1]。9个待优化的参数Kp₂₁、T₂₁、T₂₁₁、Kp₁₂、T₁₂、Kp₃₂、T₃₂、T₂₃、T₂₃₁上限设置成 [0 20 20 30 30 -10 10 20 10]，下限设置成[-20 0 0 10 10 -10 -10 0 -10]。对整个开环系统进行阶跃响应试验，验证其解耦效果。

仿真试验得到的免疫记忆粒子群最优解耦补偿器参数如表1所示：

表1粒子群解耦补偿器最佳解耦参数

kp<sub>21</sub>	T<sub>21</sub>	T<sub>211</sub>	kp<sub>12</sub>	T<sub>12</sub>	kp<sub>32</sub>	T<sub>32</sub>	T<sub>23</sub>	T<sub>231</sub>
									-10	10	10	20	20	-5	2	10	5

当输入[1 0 0]时，未解耦状态阶跃扰动下阀门开度响应曲线如图8所示。由图8可知，未解耦状态下，当阀门开度受到阶跃扰动时，主蒸汽压力受到了很大的影响，因此加入智能解耦补偿器，并验证解耦效果。当输入为[1 0 0]时，解耦后的输出如图9所示。从图9可以看出，当解耦后，阀门开度对压力(N)、焓值(H)的影响基本上消除，由于协调控制对象自身的特点，功率(P)受到阀门开度的影响后发生小幅度波动之后又恢复到初始的状态。

当输入为[0 1 0]时，未解耦状态阶跃扰动下燃料量响应曲线如图10所示。加入免疫记忆粒子群解耦补偿器进行仿真，验证其解耦效果，当输入为[0 1 0]时，输出图形如图11所示。

当输入为[0 0 1]时，未解耦状态阶跃扰动下给水流量响应曲线如图12所示。从图10和图12可知，当燃料量受到阶跃扰动时，不仅对压力有影响，而且使得功率与焓值也发生了变化，而给水流量发生阶跃扰动时，仅使焓值发生了变化，而功率和压力受到的影响很小，可以看出协调控制对象在给水流量扰动时，通道之间影响很小，但根据阀门开度和燃料量的阶跃扰动试验可知电厂对象间仍然存在较强的关联性，因此加入智能解耦补偿器对其进行解耦。验证解耦的效果，当输入为[0 0 1]时，解耦后的输出图形如图13所示。

通过上述仿真试验可以看出，利用免疫记忆粒子群对简化后的解耦补偿器参数模型进行优化后基本上实现了对协调控制对象间的解耦。使其由三输入三输出互相耦合关联性很强的系统变成了单输入单输出系统，变量之间的相互作用性大大减弱。

为了进一步验证所提方法的有效性，在实现开环解耦的基础上加入免疫记忆粒子群算法优化参数后的PID控制器(IMPSO-PID)对其进行控制，IMPSO按照上述解耦补偿器相关参数设置，寻优目标变为PID参数，将PID参数的上限设置为 [15 1 0.3 9 0.1 1.5 -2 -0.1 -2]，下限设置为[12 0 0 5 0 0.5 -8 -0.5 -5]，对整个闭环系统进行阶跃响应试验，验证其解耦控制效果。由于解耦后变成互不关联的三输入三输出系统，每一个输入都对应一组PID参数，因此有三组共九个PID参数。

仿真试验得到的最优PID参数值如表2所示：

表2 PSO-PID的最佳控制参数

kp<sub>1</sub>	ki<sub>1</sub>	kd<sub>1</sub>	kp<sub>2</sub>	ki<sub>2</sub>	kd<sub>2</sub>	kp<sub>3</sub>	ki<sub>3</sub>	kd<sub>3</sub>
									14.4166	1	0.3	9	0.039014	0.5	-3.52	-0.0013	-2.26

表2中参数由左到右依次为汽轮机阀门开度、燃料量和给水流量的PID参数。当负荷功率阶跃扰动变化时，其控制响应曲线如图14所示；当主蒸汽压力阶跃扰动变化时，其控制响应曲线如图15所示；当分离器出口焓值阶跃扰动变化时，其控制响应曲线如图16所示。

由图14、图15和图16的响应曲线图可以看出，在加入PID控制器的初始阶段，阶跃扰动发生时功率、压力和分离器出口焓值都出现了不同程度的波动，由于超超临界机组对象本身的复杂性，以及加入的智能解耦补偿器使得控制器后的被控对象受到了一定影响，但仿真结果表明最终的控制结果均趋于稳定状态，说明智能解耦补偿器基本实现了解耦的效果，使协调控制对象之间互不影响，即阀门开度仅影响功率的输出，燃料量仅影响主蒸汽压力，而给水流量仅对分离器出口焓值有影响。并且在IMPSO-PID控制器的控制下，输出量仍然能够很好地跟随给定值，且响应时间快，具有很好的控制效果，证明系统的控制品质良好。

Claims (8)

1.一种超超临界机组协调控制系统的解耦控制方法，在所述协调控制系统的输入和输出之间设置解耦补偿环节，其特征在于，所述解耦控制方法包括以下步骤：

S1、通过对协调控制系统动态特性分析，将其解耦补偿环节简化；

S2、在开环状态下利用免疫记忆粒子群算法优化简化后的解耦补偿环节的参数，得到解耦的广义被控对象；

S3、利用免疫记忆粒子群算法优化参数后的PID控制器对解耦的广义被控对象进行控制。

2.根据权利要求1所述的一种超超临界机组协调控制系统的解耦控制方法，其特征在于，所述简化后的解耦补偿环节包括：燃料量-实际功率耦合通道的解耦环节，汽机阀门开度-主蒸汽压力耦合通道的解耦环节，给水流量-主蒸汽压力耦合通道的解耦环节，燃料量-分离器出口焓值耦合通道的解耦环节。

3.根据权利要求1所述的一种超超临界机组协调控制系统的解耦控制方法，其特征在于，所述简化后的解耦补偿环节包括：

其中，s表示拉布拉斯算子，N₂₁表示燃料量-实际功率耦合通道的解耦环节，N₁₂表示汽机阀门开度-主蒸汽压力耦合通道的解耦环节，N₃₂表示给水流量-主蒸汽压力耦合通道的解耦环节，N₂₃表示燃料量-分离器出口焓值耦合通道的解耦环节，Kp₂₁表示燃料量-实际功率耦合通道的解耦环节的放大系数，T₂₁表示燃料量-实际功率耦合通道的解耦环节的时间常数，T₂₁₁表示表示燃料量-实际功率耦合通道的解耦环节的时间常数，Kp₁₂表示汽机阀门开度-主蒸汽压力耦合通道的解耦环节的放大系数，T₁₂表示汽机阀门开度-主蒸汽压力耦合通道的解耦环节的时间常数，Kp₃₂表示给水流量-主蒸汽压力耦合通道的解耦环节的放大系数，T₃₂表示给水流量-主蒸汽压力耦合通道的解耦环节的时间常数，T₂₃表示燃料量-分离器出口焓值耦合通道的解耦环节的时间常数，T₂₃₁表示燃料量-分离器出口焓值耦合通道的解耦环节的时间常数。

4.根据权利要求1所述的一种超超临界机组协调控制系统的解耦控制方法，其特征在于，所述免疫记忆粒子群算法优化过程中的适应度采用综合误差性能指标，所述综合误差性能指标为系统的每个输出的误差性能指标的加权和，所述误差性能指标为：

其中，t表示积分时间，e(t)表示系统误差。

5.根据权利要求4所述的一种超超临界机组协调控制系统的解耦控制方法，其特征在于，所述免疫记忆粒子群算法优化过程包括：

(1)初始化免疫记忆粒子群参数和待优化参数，限定待优化参数的范围；

(2)将免疫记忆粒子群中的粒子元素与待优化参数对应，通过仿真运行协调控制系统得到的综合误差性能指标作为粒子元素的适应度，并更新粒子的速度和位置；

(3)对于种群中的每个粒子元素，将其对应的适应度与此粒子元素经历过的最佳位置所对应的适应度相比较，选择较优值对应的位置作为此粒子当前的最佳位置并存入记忆库；

(4)检验是否满足程序停止条件，若是，则停止迭代，得到参数的最优值，否则随机产生若干个粒子，计算所有粒子的浓度，根据概率选择公式选择一定数量粒子作为新种群，用记忆库的免疫粒子替换新种群中适应度较差的粒子，重复步骤(2)～(4)。

6.根据权利要求5所述的一种超超临界机组协调控制系统的解耦控制方法，其特征在于，所述综合误差性能指标具体在协调控制系统中的Simulink模型的仿真运行过程中得到。

7.根据权利要求5所述的一种超超临界机组协调控制系统的解耦控制方法，其特征在于，所述步骤(4)中粒子的浓度为：

其中，x_i表示第i个粒子，i＝1,2,...N+M，x_j表示第j个粒子，j＝1,2,...N+M,N表示初始粒子数，M表示随机产生粒子数，f(x_i)、f(x_j)分别表示第i个粒子和第j个粒子的适应度函数值。

8.根据权利要求5所述的一种超超临界机组协调控制系统的解耦控制方法，其特征在于，所述步骤(4)中概率选择公式为：

其中，x_i表示第i个粒子，D(x_i)表示粒子x_i的浓度，i＝1,2,...N+M，P(x_i)表示第i个粒子被选中的概率，x_j表示第j个粒子，j＝1,2,...N+M，N表示表示初始粒子数，M表示随机产生粒子数。