CN109184933B - 沼气内燃发电机组的协同优化控制方法及系统 - Google Patents

沼气内燃发电机组的协同优化控制方法及系统 Download PDF

Info

Publication number
CN109184933B
CN109184933B CN201811051072.3A CN201811051072A CN109184933B CN 109184933 B CN109184933 B CN 109184933B CN 201811051072 A CN201811051072 A CN 201811051072A CN 109184933 B CN109184933 B CN 109184933B
Authority
CN
China
Prior art keywords
internal combustion
generator set
combustion generator
data
methane
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
Application number
CN201811051072.3A
Other languages
English (en)
Other versions
CN109184933A (zh
Inventor
赵峰
张广渊
潘为刚
韩耀振
黄欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN201811051072.3A priority Critical patent/CN109184933B/zh
Publication of CN109184933A publication Critical patent/CN109184933A/zh
Application granted granted Critical
Publication of CN109184933B publication Critical patent/CN109184933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
    • F02D41/248—Methods of calibrating or learning characterised by the method used for learning using a plurality of learned values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D29/00—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto
    • F02D29/06—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto peculiar to engines driving electric generators

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)
  • Control Of Eletrric Generators (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)

Abstract

本发明公开了一种沼气内燃发电机组的协同优化控制方法及系统，通过基于深信度网络DBN建立沼气内燃发电机组的整体运行模型，采用粒子群算法求解沼气内燃发电机组的协同优化控制模型，最终输出最佳协同优化的空燃比参数和进气量，实现对沼气内燃发电机组的协同优化控制，不仅可提高沼气内燃发电机组的发电效率，而且能提高发电机组的电压输出稳定性和快速负载跟踪能力，更重要的是确保冷热电联供系统和国家电网的安全、稳定、可靠运行，具有十分重要的意义。

Description

沼气内燃发电机组的协同优化控制方法及系统
技术领域
本发明涉及沼气发电技术领域，具体的说，是涉及沼气内燃发电机组的协同优化控制方法及系统。
背景技术
能源紧缺、环境污染和气候变化是制约当今世界经济和社会可持续发展的重要因素，能源和环境问题已成为国内外高度关注的重大战略问题。而沼气内燃发电机组是集环保和节能于一体的能源综合利用新系统，它利用工业、农业或城镇生活中的大量有机废弃物经厌氧发酵处理产生的大量沼气，沼气在内燃机燃烧室燃烧产生热能驱动内燃发电机组发电，并可充分利用发电机组的余热实现冷热电联供系统，综合效率达70-80％左右，产生良好的经济、节能和环境效益。
但不同有机废弃物原材料和不同发酵温度下所产生的沼气甲烷浓度差异大、波动性大，难以建立在不同沼气成分、多工况下准确描述沼气内燃发电机组的运行特性的动态数学模型，难以洞察其复杂的运行规律，使得沼气内燃发电机组难以运行在高效区，因此，对沼气内燃发电机组实现优化控制颇具挑战性。与此同时，现用沼气内燃发电机组大都是在天然气内燃发电机组的基础上改装完成，控制系统的参数未根据沼气成分、负荷率、运行工况实时优化自动调节，造成沼气内燃发电机组的电压输出波动性大、跟踪负载响应能力慢、发电效率低等技术难题。现有技术存在的问题是，现用沼气内燃发电机组中的空燃比控制系统和转速控制系统都是由独立控制器控制，二者之间未有协同优化机制，未从整体上协同优化控制沼气内燃发电机组的高效运行，进而提高沼气内燃发电机组的电压输出稳定性和发电效率。尤其重要的是，沼气内燃发电机组是一个典型的多输入多输出、多种设备耦合的复杂能源转换系统，它具有强非线性、参数时变、大惯性、大延迟及多变量耦合特点，沼气内燃发电机组能否高效、经济、环保运行，取决于沼气内燃发电机组的高精度建模及协同优化控制方法。然而，现有沼气内燃发电机组都未涉及沼气内燃发电机组整体建模、空燃比控制系统和转速控制系统的协同优化控制方法及系统。
发明内容
本发明为了解决上述问题，提出了沼气内燃发电机组的协同优化控制方法及系统，通过基于深信度网络DBN建立沼气内燃发电机组的整体运行模型，采用粒子群算法求解沼气内燃发电机组的协同优化控制模型，最终输出最佳协同优化的空燃比参数和进气量，实现对沼气内燃发电机组的协同优化控制，不仅可以提高沼气内燃发电机组的发电效率，而且能提高发电机组的电压输出稳定性和快速负载跟踪能力。
为了实现上述目的，本发明采用如下技术方案：
一种沼气内燃发电机组的协同优化控制系统，包括：信息采集模块、传感计量模块、处理器、数据库和执行机构，信息采集模块与传感计量模块和处理器分别连接，信息采集模块采集传感计量模块的检测的数据后，将数据传输至处理器，处理器分别与数据库和执行机构连接，处理器将数据存储在数据库中，通过处理采集的数据输出相应的控制指令至执行机构。
进一步的，所述传感计量模块包括分别与信息采集模块连接的沼气在线分析仪、超声波沼气流量计、沼气压力计、涡街空气流量计、混合气流量计、氧传感器、沼气内燃发电机组排烟气温度计、沼气内燃发电机组排烟气流量计、缸套水进水温度传感器、缸套水出水温度传感器、涡街缸套水流量计、转速传感器、润滑油温度和电能表。
进一步的，所述执行机构包括：分别与处理器连接的沼气电控比例阀门、空气电控比例阀门和混合气电控比例阀门。
进一步的，所述数据库为SQLite嵌入式数据库。
基于所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，包括如下步骤：
采集沼气内燃发电机组的运行状态信息并存储；
根据采集的运行状态信息采用深信度网络DBN建立沼气内燃发电机组整体运行模型；
以沼气内燃发电机组发电效率最高为控制目标，以沼气电控比例阀门的控制量、空气电控比例阀门的控制量和混合气电控比例阀门的控制量为协同控制变量，确定沼气内燃发电机组协同优化控制模型；
采用粒子群优化算法，根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组的实时运行状态信息数据求解沼气内燃发电机组的协同优化控制模型，得到最优协同控制变量的数值。
进一步的，所述基于深信度网络DBN的沼气内燃发电机组整体运行模型的建立方法为：
步骤2.1确定沼气内燃发电机组建模的输入变量Ii与输出变量Oi，将采集的沼气内燃发电机组的运行状态信息作为输入变量Ii与输出变量Oi的数据；
步骤2.2采用基于atan函数的数据归一化方法，将输入变量数据归一化；
步骤2.3构造基于深度学习的深信度网络DBN，根据输入变量Ii数据归一化后的数据和输出变量Oi的数据训练深信度网络DBN，获得沼气内燃发电机组的基于深信度网络的整体运行模型。
进一步的，所述步骤2.3构造基于深度学习的深信度网络DBN，根据输入变量Ii数据归一化后的数据和输出变量Oi的数据训练深信度网络DBN，获得沼气内燃发电机组的基于深信度网络的整体运行模型，具体包括以下步骤：
步骤2.3.1构造基于RBM的4层DBN，包括1个模型输入层，2个隐藏层和1个模型决策层；
步骤2.3.2指定DBN的输入层节点数为输入变量上的数量，根据需要指定第一个隐藏层节点数和第二个隐藏层节点数量，指定决策层的节点数输出变量的数量，获得深信度网络DBN；
步骤2.3.3训练DBN，使用对比散度算法对DBN的4层进行逐层训练，计算2个隐藏层和1个决策层的输出值和各层之间的权值及偏置；
使用BP算法对整个DBN进行调整，优化DBN参数，完成DBN全局训练，得出最优的权重矩阵W，获得沼气内燃发电机组的基于深信度网络的整体运行模型。
进一步的，所述运行状态信息包括沼气内燃发电机组运行时的沼气数据、空气数据、烟气数据、缸套水数据、润滑油数据和发电数据；
所述输入变量Ii包括：沼气数据、空气数据、烟气数据、缸套水数据、润滑油数据；
所述输出变量Oi包括：沼气内燃发电机组运行的发电数据的三相相电压、三相相电流、有功功率和无功功率；
所述协同优化控制变量Ki包括Ki＝[KZQ,KKQ,KHQ]，其中，KZQ为沼气电控比例阀门的控制量，KKQ为空气电控比例阀门的控制量，KHQ为混合气电控比例阀门的控制量。
进一步的，所述沼气内燃发电机组协同优化控制模型具体为：
Figure GDA0002445833040000031
其中：ηICE为沼气内燃发电机组的发电效率；PICE为沼气内燃发电机组的发电功率，PZQ为沼气内燃发电机组的沼气消耗热值功率。
进一步的，采用粒子群优化算法，根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组的实时运行状态信息数据求解沼气内燃发电机组的协同优化控制模型，得到最优协同控制变量的数值的方法具体为：
步骤3.1初始化粒子群，D为粒子群的规模,随机初始化协同优化控制变量粒子Ki的初始位置xj和初始速度vj，j∈[1,D]；计算每个粒子的适应度函数值，将
Figure GDA0002445833040000046
设置为第j个粒子为当前搜索到的最优位置，gbest设置为粒子群中所有粒子中所能搜索到的最佳位置；初始化迭代次数t＝1,设置最大迭代次数T。
步骤3.2更新当前粒子群中所有粒子j的位置xj和速度vj，j∈[1,D]；根据建立的沼气内燃发电机组运行模型、发电需求和采集的实时运行状态数据计算当前粒子的适应度函数值，所述适应度函数为
Figure GDA0002445833040000041
步骤3.3若粒子j的适应度函数值f(xj)优于自身个体极值
Figure GDA0002445833040000042
的适应度函数值
Figure GDA0002445833040000043
就用粒子当前的位置xj替换
Figure GDA0002445833040000044
若粒子j的适应度函数值f(xj)优于当前的全局极值gbest的适应度函数值f(gbest)，就用粒子当前的位置xj替换全局极值gbest。
步骤3.4判断算法是否满足收敛条件，所述收敛条件为达到设定的进化代数T，如果满足执行下一步，否则，t＝t+1，执行步骤3.2。
步骤3.5最优协同优化控制变量求解结束，输出全局最优解gbest，确定沼气内燃发电机组的最优协同优化控制变量
Figure GDA0002445833040000045
与现有技术相比，本发明的有益效果为：
(1)本发明通过基于深信度网络DBN的建立沼气内燃发电机组整体运行模型，采用粒子群算法求解沼气内燃发电机组的协同优化控制模型，最终输出最佳的空燃比参数和进气量，实现对沼气内燃发电机组的协同优化控制，不仅可提高沼气内燃发电机组的发电效率，而且能提高发电机组的电压输出稳定性和快速负载跟踪能力。更重要的是确保冷热电联供系统和国家电网的安全、稳定、可靠运行，具有十分重要的意义。
(2)基于深信度网络DBN建模能够实现沼气内燃发电机组多输入多输出、多种设备耦合的复杂能源转换系统的模型建立，能够适应实现沼气内燃发电系统强非线性、参数时变、大惯性、大延迟及多变量耦合特点。
(3)根据基于深信度网络DBN的建立沼气内燃发电机组运行模型对发电系统控制时能够实现系统空燃比控制和转速控制系统的协同控制，克服了现有技术中空燃比控制系统和转速控制系统都是独立控制存在的缺陷，使得沼气内燃发电机组更加高效和稳定的运行。
(4)采用粒子群算法求解控制模型，能够快速的寻优，输出最佳的系统控制数据。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的限定。
图1是本发明的系统连接框图；
图2是本发明的协同优化控制方法流程图；
图3是本发明基于深信度网络DBN的沼气内燃发电机组整体运行模型。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
下述实施例为本申请的一种典型的实施方式，如图所示，一种沼气内燃发电机组的协同优化控制系统包括：信息采集模块、传感计量模块、处理器、数据库、执行机构，信息采集模块与传感计量模块和处理器分别连接，信息采集模块采集传感计量模块的检测的数据后，将数据传输至处理器，处理器分别与数据库和执行机构连接，处理器将数据存储在数据库中，通过处理采集的数据输出相应的控制指令至执行机构。
信息采集模块从传感器和其它待测设备等模拟和数字被测单元中自动采集非电量或者电量信号，将采集的信号传输到处理器进行处理，优选的本实施例采用基于STM32F103 ARM的协同处理器、linux实时操作系统、SQLite嵌入式数据库、信息采集模块优选的为数据采集器。本实施例的一种沼气内燃发电机组的协同优化控制系统中的传感计量模块测量沼气内燃发电机组的大量的机组运行数据，信息采集模块将采集的信号传输到处理器，处理器将信息存储到数据库并对信息进行处理，获得相应的控制信号输出至执行机构，执行机构动作，调整机组运行的状态，整体上协同优化控制沼气内燃发电机组的高效运行。
传感器计量模块包括：包括分别与信息采集模块连接的沼气在线分析仪、沼气流量计、沼气压力计、涡街空气流量计、氧传感器、沼气内燃发电机组排烟气温度计、沼气内燃发电机组排烟气流量计、缸套水进水温度传感器、缸套水出水温度传感器、涡街缸套水流量计、转速传感器、润滑油温度、发电机组三相数字式多功能测控电表(可测量电压、电流、有功功率、无功功率、发电量)。传感计量模块的测量计和传感器根据具体的测量需求进行选型。优选的，本实施例的测量计和传感器型号如表1所示。
表1
传感器模块 型号
沼气在线分析仪(CH4、CO2、H2S) GasBoard-3000
超声波沼气流量计 BF-3000
沼气数显压力表 PE8-1TR
涡街空气流量计 ZY-LU-C
LUX智能旋进漩涡混合气流量计 LUX-DN100
博世氧传感器 LS-17028
沼气内燃发电机组排烟气温度计 TES1310
沼气内燃发电机组排烟气流量计 LUGB
缸套水进水温度计 BOOST TBC.0502
缸套水出水温度计 BOOST TBC.0502
涡街缸套水流量计 LWGY
转速传感器 NT855K19
润滑油温度计 BOOST TBC.0502
发电机组多功能测控仪表 PMC-530A
本实施例沼气内燃发电机组的控制执行机构为：沼气电控比例阀门、空气电控比例阀门、混合气电控比例阀门。优选的，各个阀门的型号如表2所示。
表2
执行器 型号
沼气电控比例阀门 ITV1050-311L
空气电控比例阀门 ITV2050-312L
混合气电控比例阀门 ITV3050-314L
上述传感计量模块的测量计和传感器位置设置根据实际测量需求进行设置，执行机构的阀门位置根据实际情况采用现有的安装方法进行安装。
本发明采集沼气内燃发电机组的所有运行数据形成沼气内燃发电机组的运行状态信息，沼气内燃发电机组的实时运行状态采集的变量为Xi(i＝1,…，25)：Xi＝[HCH4,HCO2,HH2S,LZQ,YZQ,LKQ,LHQ,HQ2,TYQ,LYQ,TGTS-J,TGTS-C,LGTS,ZZS,TRHY,DDY-A,DDL-A,DDY-B,DDL-B,DDY-C,DDL-C,DYG,DWG,DGLXS,FGL]；主要包括沼气数据、空气数据、烟气数据、缸套水数据、润滑油数据、发电数据。形成多变量的大量数据，并将采集的数据存储，本实施例采用SQLite嵌入式数据库，建立采集变量Xi的数据表：沼气数据表、空气数据表、烟气数据表、缸套水数据表、润滑油数据表、发电数据表。
具体的沼气数据包括：HCH4为沼气中甲烷浓度值(％)，HCO2为沼气中二氧化碳的浓度值(％)，HH2S为沼气中硫化氢的浓度值(％)，LZQ为沼气的流量值(m3/h)，YZQ为沼气的压力值(kPa)；通过沼气在线分析仪、沼气流量计、沼气压力计测量。
空气数据包括：LKQ为空气的流量值(m3/h)，LHQ为混合气的流量值(m3/h)。通过涡街空气流量计、LUX智能旋进漩涡混合气流量计测量。
烟气数据包括：HQ2为烟气中氧气含量(％)，TYQ为沼气内燃发电机组的排烟温度值(℃)，LYQ为沼气内燃发电机组的排烟流量值(m3/h)。通过氧传感器、沼气内燃发电机组排烟气温度计、沼气内燃发电机组排烟气流量计测量。
缸套水数据包括：TGTS-J为缸套水进沼气内燃发电机组的温度值(℃)，TGTS-C为缸套水出沼气内燃发电机组的温度值(℃)，LGTS为缸套水进沼气内燃发电机组的流量值(m3/h)。通过缸套水进水温度传感器、缸套水出水温度传感器、涡街缸套水流量计测量。
润滑油数据包括：TRHY为沼气内燃发电机组润滑油的温度值(℃)，通过润滑油温度计测量。
发电数据包括：ZZS为沼气内燃发电机组的转速值(rpm)，DDY-A为沼气内燃发电机组的A相电压值(V)，DDL-A为沼气内燃发电机组的A相电流值(A)，DDY-B为沼气内燃发电机组的B相电压值(V)，DDL-B为沼气内燃发电机组的B相电流值(A)，DDY-C为沼气内燃发电机组的C相电压值(V)，DDL-C为沼气内燃发电机组的C相电流值(A)，DYG为沼气内燃发电机组的有功功率(kW)，DWG为沼气内燃发电机组的无功功率(kW)，DGLXS为沼气内燃发电机组的功率系数，FGL为沼气内燃发电机组的负载功率(kW)。转速传感器、发电机组三相数字式多功能测控电表测量。
从整体上协同优化控制沼气内燃发电机组，使其高效运行的一种沼气内燃发电机组的协同优化控制方法，如图2所示，包括如下步骤：
采集沼气内燃发电机组的运行状态信息并存储；
根据采集的运行状态信息采用深信度网络DBN的建立沼气内燃发电机组整体运行模型；
以沼气内燃发电机组发电效率最高为控制目标，以沼气电控比例阀门的控制量、空气电控比例阀门的控制量和混合气电控比例阀门的控制量为协同控制变量，确定沼气内燃发电机组协同优化控制模型；
采用粒子群优化算法，根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组的实时运行状态信息数据求解沼气内燃发电机组的协同优化控制模型，得到最优协同控制变量的数值。优选的，沼气内燃发电机组的实时运行状态采集的变量为Xi(i＝1,…，25)：
Xi＝[HCH4,HCO2,HH2S,LZQ,YZQ,LKQ,LHQ,HQ2,TYQ,LYQ,TGTS-J,TGTS-C,LGTS,ZZS,TRHY,DDY-A,DDL-A,DDY-B,DDL-B,DDY-C,DDL-C,DYG,DWG,DGLXS,FGL]；
所述基于深信度网络DBN的沼气内燃发电机组运行模型的建立方法为：
步骤2.1确定沼气内燃发电机组建模的输入变量Ii与输出变量Oi，将采集的沼气内燃发电机组的运行状态信息作为输入变量Ii与输出变量Oi的数据；
所述输入变量Ii包括：沼气数据、空气数据、烟气数据、缸套水数据、润滑油数据；确定沼气内燃发电机组建模的输入变量Ii(i＝1,….15):Ii＝[HCH4,HCO2,HH2S,LZQ,YZQ,LKQ,LHQ,HQ2,TYQ,LYQ,TGTS-J,TGTS-C,LGTS,ZZS,TRHY]；
所述输出变量Oi包括：沼气内燃发电机组运行的发电数据的三相相电压、三相相电流、有功功率和无功功率；确定沼气内燃发电机组整体建模的输出变量Oi(i＝1,….8):Oi＝[DDY-A,DDL-A,DDY-B,DDL-B,DDY-C,DDL-C,DYG,DWG]。
步骤2.2采用基于atan函数的数据归一化方法，将输入变量数据归一化；
采用基于atan函数的数据归一化方法，该方法能够有效地扩大沼气内燃发电机组的状态采集系统运行数据的差异性，归一化函数为：
Figure GDA0002445833040000091
其中，Ii(i＝1,…15)为沼气内燃发电机组的运行数据，NIi(i＝1,…15)为基于atan函数归一化后的数据。
步骤2.3构造基于深度学习的深信度网络DBN，根据输入变量Ii数据归一化后的数据和输出变量Oi的数据训练深信度网络DBN，获得沼气内燃发电机组的基于深信度网络的整体运行模型。
RBM(是Restricted Boltzmann Machine的缩写，中文名称为受限玻尔兹曼机)是深度学习中的一个重要网络结构，DBN(Deep Belief networds,深信度网络)由多个限制玻尔兹曼机(Restricted Boltzmann Machines)层组成。
如图3所示，所述步骤2.3获得沼气内燃发电机组的基于深信度网络的整体运行模型具体包括以下步骤：
步骤2.3.1构造基于RBM的4层DBN，包括1个模型输入层，2个隐藏层和1个模型决策层。
步骤2.3.2指定DBN的输入层节点数为输入变量上的数量，根据需要指定第一个隐藏层节点数和第二个隐藏层节点数量，指定决策层的节点数输出变量的数量，获得深信度网络DBN；优选的，指定DBN的输入层节点数为15；第一个隐藏层节点数为500；第二个隐藏层节点数为500；决策层的节点数为8。本实施例所述根据需要指定节点数量具体指根据输入和输出的变量的个数确定节点数量。
步骤2.3.3训练DBN，使用对比散度算法(Contrastive Divergence)对DBN的4层进行逐层训练，计算2个隐藏层和1个决策层的输出值和各层之间的权值及偏置。
使用BP算法对整个DBN进行调整，优化DBN参数，完成DBN全局训练，得出最优的权重矩阵W，获得沼气内燃发电机组的基于深信度网络的整体运行模型。
协同优化控制机组运行的沼气、空气、混合气的三进气控制阀门，通过控制阀门的开度使得机组运行在最佳状态，通过控制沼气、空气进气控制阀门实现空燃比的控制，通过控制混合气的进气控制阀门实现转速的控制。确定沼气内燃发电机组协同优化控制变量为Ki(i＝1,….3):Ki＝[KZQ,KKQ,KHQ]，其中，KZQ为沼气电控比例阀门的控制量，单位为V；KKQ为空气电控比例阀门的控制量，单位为V；KHQ为混合气电控比例阀门的控制量，单位为V；上述三种气体电控比例阀的电压控制量范围为0-10V。
其中，KZQ与LZQ的对应转换关系为：
Figure GDA0002445833040000101
为沼气电控比例阀门100％打开时沼气管道的最大流量，(m3/h)；
KKQ与LKQ的对应转换关系为：
Figure GDA0002445833040000102
为空气电控比例阀门100％打开时空气管道的最大流量，(m3/h)；
KHQ与LHQ的对应转换关系为：
Figure GDA0002445833040000103
为混合气电控阀门100％打开时混合气管道的最大流量，(m3/h)；
利用步骤2.3得出的沼气内燃发电机组的整体运行模型，根据发电需求侧的电力需求有功功率数据XYG和无功功率XWG及现场实时采集的数据HCH4,HCO2,HH2S,YZQ,HQ2,TYQ,LYQ,TGTS-J,TGTS-C,LGTS,ZZS,TRHY和控制变量和对应流量的对应转换关系，计算协同控制变量Ki。
使得沼气内燃发电机组协同优化控制目标为发电效率最高，所述沼气内燃发电机组协同优化控制模型具体为：
Figure GDA0002445833040000104
其中：ηICE为沼气内燃发电机组的发电效率；PICE为沼气内燃发电机组的当前需求发电功率，(kW)；其中
Figure GDA0002445833040000105
PZQ为沼气内燃发电机组的沼气消耗热值功率，(kW)；PZQ的计算公式为：
Figure GDA0002445833040000106
其中，RCH4为甲烷的热值，取为34000KJ/m3；
采用粒子群优化算法，根据建立的沼气内燃发电机组运行模型、发电需求和采集的实时运行状态数据求解沼气内燃发电机组的协同优化控制模型，得到最优控制变量的方法具体为：
步骤3.1初始化粒子群，本实施例协同控制变量的取值范围为0-10V，在允许取值范围内随机设置协同优化控制变量粒子Ki的初始位置xj和初始速度vj，j∈[1,D]；D为粒子群的规模，设置D＝20,j∈[1,20]；计算每个粒子的适应度函数值，根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组实时运行状态数据计算当前粒子的适应度函数值，所述适应度函数为
Figure GDA0002445833040000111
将
Figure GDA0002445833040000112
设置为第j个粒子当前搜索到的最优位置，gbest设置为粒子群中所有粒子中所能搜索到的最佳位置；初始化迭代次数t＝1,设置最大迭代次数T＝500；
步骤3.2更新当前粒子群的所有粒子j的位置xj和速度vj，j∈[1,D]；
将按照式(4)、式(5)和式(6)更新粒子的位置和速度；
xj(t+1)＝xj(t)+vj(t+1) (4)
Figure GDA0002445833040000113
Figure GDA0002445833040000114
其中，t为当前的进化代数；c1、c2为学习因子，设定c1＝c2＝2；r1、r2为分布于[0,1]内的随机数；
Figure GDA0002445833040000115
为j粒子个体的最优解；gbest为整个粒子群的全局最优解；ω为惯性系数；ωmax、ωmin分别为最大和最小惯性系数；Tmax为最大迭代次数；τ为权重系数，设置为τ＝30；
根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组实时运行状态数据计算当前粒子的适应度函数值，所述适应度函数为
Figure GDA0002445833040000116
步骤3.3若粒子j的适应度函数值f(xj)优于自身个体极值
Figure GDA0002445833040000117
的适应度函数值
Figure GDA0002445833040000118
就用粒子当前的位置xj替换
Figure GDA0002445833040000119
若粒子j的适应度函数值f(xj)优于当前的全局极值gbest的适应度函数值f(gbest)，就用粒子当前的位置xj替换全局极值gbest；
步骤3.4判断算法是否满足收敛条件，所述收敛条件为达到设定的循环数，本实施例设定迭代循环数为500次，如果满足执行下一步，否则，t＝t+1，执行步骤3.2；
步骤3.5最优协同优化变量求解结束，输出全局最优解gbest，确定沼气内燃发电机组的最优协同优化控制变量
Figure GDA0002445833040000121
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种沼气内燃发电机组的协同优化控制系统的控制方法，所述协同优化控制系统包括：信息采集模块、传感计量模块、处理器、数据库和执行机构，信息采集模块与传感计量模块和处理器分别连接，信息采集模块采集传感计量模块的检测的数据后，将数据传输至处理器，处理器分别与数据库和执行机构连接，处理器将数据存储在数据库中，通过处理采集的数据输出相应的控制指令至执行机构；
其特征在于，所述控制方法包括如下步骤：
采集沼气内燃发电机组的运行状态信息并存储；
根据采集的运行状态信息采用深信度网络DBN建立沼气内燃发电机组整体运行模型；
以沼气内燃发电机组发电效率最高为控制目标，以沼气电控比例阀门的控制量、空气电控比例阀门的控制量和混合气电控比例阀门的控制量为协同控制变量，确定沼气内燃发电机组协同优化控制模型；
采用粒子群优化算法，根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组的实时运行状态信息数据求解沼气内燃发电机组的协同优化控制模型，得到最优协同控制变量的数值。
2.如权利要求1所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，其特征在于：所述传感计量模块包括分别与信息采集模块连接的沼气在线分析仪、超声波沼气流量计、沼气压力计、涡街空气流量计、混合气流量计、氧传感器、沼气内燃发电机组排烟气温度计、沼气内燃发电机组排烟气流量计、缸套水进水温度传感器、缸套水出水温度传感器、涡街缸套水流量计、转速传感器、润滑油温度和电能表。
3.如权利要求1所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，其特征在于：所述执行机构包括：分别与处理器连接的沼气电控比例阀门、空气电控比例阀门和混合气电控比例阀门。
4.如权利要求1所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，其特征在于：所述数据库为SQLite嵌入式数据库。
5.如权利要求1所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，其特征在于：所述采用深信度网络DBN建立沼气内燃发电机组整体运行模型的方法为：
步骤2.1确定沼气内燃发电机组建模的输入变量Ii与输出变量Oi，将采集的沼气内燃发电机组的运行状态信息作为输入变量Ii与输出变量Oi的数据；
步骤2.2采用基于atan函数的数据归一化方法，将输入变量数据归一化；
步骤2.3构造基于深度学习的深信度网络DBN，根据输入变量Ii数据归一化后的数据和输出变量Oi的数据训练深信度网络DBN，获得沼气内燃发电机组的基于深信度网络的整体运行模型。
6.如权利要求5所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，其特征在于：所述步骤2.3构造基于深度学习的深信度网络DBN，根据输入变量Ii数据归一化后的数据和输出变量Oi的数据训练深信度网络DBN，获得沼气内燃发电机组的基于深信度网络的整体运行模型，具体包括以下步骤：
步骤2.3.1构造基于RBM的4层DBN，包括1个模型输入层，2个隐藏层和1个模型决策层；
步骤2.3.2指定DBN的输入层节点数为输入变量上的数量，根据需要指定第一个隐藏层节点数和第二个隐藏层节点数量，指定决策层的节点数输出变量的数量，获得深信度网络DBN；
步骤2.3.3训练DBN，使用对比散度算法对DBN的4层进行逐层训练，计算2个隐藏层和1个决策层的输出值和各层之间的权值及偏置；
使用BP算法对整个DBN进行调整，优化DBN参数，完成DBN全局训练，得出最优的权重矩阵W，获得沼气内燃发电机组的基于深信度网络的整体运行模型。
7.如权利要求5所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，其特征在于：所述运行状态信息包括沼气内燃发电机组运行时的沼气数据、空气数据、烟气数据、缸套水数据、润滑油数据和发电数据；
所述输入变量Ii包括：沼气数据、空气数据、烟气数据、缸套水数据、润滑油数据；
所述输出变量Oi包括：沼气内燃发电机组运行的发电数据的三相相电压、三相相电流、有功功率和无功功率。
8.如权利要求1所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，其特征在于：所述沼气内燃发电机组协同优化控制模型具体为：
Figure FDA0002469636730000021
其中：ηICE为沼气内燃发电机组的发电效率；PICE为沼气内燃发电机组的发电功率，PZQ为沼气内燃发电机组的沼气消耗热值功率。
9.如权利要求1所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，其特征在于：采用粒子群优化算法，根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组的实时运行状态信息数据求解沼气内燃发电机组的协同优化控制模型，得到最优协同控制变量的数值的方法具体为：
步骤3.1初始化粒子群，D为粒子群的规模,随机初始化协同优化控制变量粒子Ki的初始位置xj和初始速度vj，j∈[1,D]；计算每个粒子的适应度函数值，将
Figure FDA0002469636730000036
设置为第j个粒子为当前搜索到的最优位置，gbest设置为粒子群中所有粒子中所能搜索到的最佳位置；初始化迭代次数t＝1,设置最大迭代次数T；
步骤3.2更新当前粒子群中所有粒子j的位置xj和速度vj，j∈[1,D]；根据建立的沼气内燃发电机组运行模型、发电需求和采集的实时运行状态数据计算当前粒子的适应度函数值，所述适应度函数为
Figure FDA0002469636730000031
步骤3.3若第j个粒子的适应度函数值f(xj)优于自身个体极值
Figure FDA0002469636730000032
的适应度函数值
Figure FDA0002469636730000033
就用粒子当前的位置xj替换
Figure FDA0002469636730000034
若粒子j的适应度函数值f(xj)优于当前的全局极值gbest的适应度函数值f(gbest)，就用粒子当前的位置xj替换全局极值gbest；
步骤3.4判断算法是否满足收敛条件，所述收敛条件为达到设定的进化代数T，如果满足执行下一步，否则，t＝t+1，执行步骤3.2；
步骤3.5最优协同优化控制变量求解结束，输出全局最优解gbest，确定沼气内燃发电机组的最优协同优化控制变量
Figure FDA0002469636730000035
CN201811051072.3A 2018-09-10 2018-09-10 沼气内燃发电机组的协同优化控制方法及系统 Active CN109184933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811051072.3A CN109184933B (zh) 2018-09-10 2018-09-10 沼气内燃发电机组的协同优化控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811051072.3A CN109184933B (zh) 2018-09-10 2018-09-10 沼气内燃发电机组的协同优化控制方法及系统

Publications (2)

Publication Number Publication Date
CN109184933A CN109184933A (zh) 2019-01-11
CN109184933B true CN109184933B (zh) 2020-07-31

Family

ID=64915811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811051072.3A Active CN109184933B (zh) 2018-09-10 2018-09-10 沼气内燃发电机组的协同优化控制方法及系统

Country Status (1)

Country Link
CN (1) CN109184933B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949180A (zh) * 2019-03-19 2019-06-28 山东交通学院 一种船舶冷热电联供系统的冷热电负荷预测方法及系统
CN113031527B (zh) * 2019-12-25 2023-05-30 新疆金风科技股份有限公司 多轴同步变桨控制方法、装置以及系统
CN111207289B (zh) * 2020-01-08 2021-07-16 山东赛马力动力科技有限公司 一种燃气发电机组负荷动态控制系统
CN111120125B (zh) * 2020-03-31 2020-06-26 山东赛马力动力科技有限公司 一种燃气内燃发电机组的协同优化控制系统
CN112836419B (zh) * 2021-01-15 2023-04-18 西南交通大学 一种热源分流式余热发电系统及其粒子群优化控制方法
CN117648586B (zh) * 2024-01-29 2024-04-02 五寨县国耀绿色能源有限公司 一种基于数据分析的生物质发电异常监管控制系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59154199A (ja) * 1983-02-23 1984-09-03 Toshiba Corp 活性汚泥消化工程の制御方法
CN104806364B (zh) * 2015-03-06 2018-02-02 广州资源设备成套工程有限公司 沼气发电机组负荷动态控制系统及方法
CN105298664B (zh) * 2015-11-20 2017-12-19 山东大学 一种沼气内燃发电机组空燃比控制系统及其控制方法
CN105756787A (zh) * 2016-03-28 2016-07-13 龙岩学院 一种沼气发动机控制系统
CN108319150B (zh) * 2018-04-25 2023-05-23 山东交通学院 沼气系统全运行状态信息感知与最优控制系统及方法

Also Published As

Publication number Publication date
CN109184933A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109184933B (zh) 沼气内燃发电机组的协同优化控制方法及系统
CN109270842B (zh) 一种基于贝叶斯网络的区域供热模型预测控制系统及方法
CN108197768B (zh) 一种能源系统与管网布局联合优化方法
CN109253494B (zh) 一种基于热负荷预测的电蓄热装置的控制方法
CN104537435B (zh) 基于用户侧经济性指标的分布式电源优化配置方法
CN110070460A (zh) 多套燃气-蒸汽联合循环机组热电负荷优化调度系统
CN114424217A (zh) 综合能源系统的优化方法、装置和计算机可读存储介质
CN110175311B (zh) 一种基于多能耦合模型的优化潮流计算方法
CN103439941A (zh) 一种燃气内燃机冷热电三联供系统优化运行方法
CN114503120A (zh) 综合能源系统的仿真方法、装置和计算机可读存储介质
CN102033079A (zh) 地源热泵的地层原位热物性及地埋管换热量测试仪和测试方法
CN110232217B (zh) 一种综合能源配电系统运行域建模方法
CN109472444A (zh) 一种基于组合权重的供热项目综合评价分析方法
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN114450682A (zh) 综合能源系统的控制方法、装置和计算机可读存储介质
CN103699786A (zh) 一种热电厂超超临界发电机组变负荷耗差分析方法
CN106765520B (zh) 一种实现供热机组最优初压运行的自动控制方法
Zhang et al. A review of static pressure reset control in variable air volume air condition system
CN106352339B (zh) 一种燃气加热炉空燃比优化控制系统
CN116611706A (zh) 基于多能源主体的动态碳排放因子测算方法
CN115935604A (zh) 一种换流站暖通系统节能控制方法及终端
Guo et al. Prediction of the heat load in central heating systems using GA-BP algorithm
CN111428906B (zh) 一种基于图像变换的工业锅炉蒸汽量预测方法
Zhou et al. Application of Three-Flow Fusion Technology Based on Modelica in Thermal Power Digital Twin
CN111120125B (zh) 一种燃气内燃发电机组的协同优化控制系统

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