CN109669355B - 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法 - Google Patents

基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法 Download PDF

Info

Publication number
CN109669355B
CN109669355B CN201811524593.6A CN201811524593A CN109669355B CN 109669355 B CN109669355 B CN 109669355B CN 201811524593 A CN201811524593 A CN 201811524593A CN 109669355 B CN109669355 B CN 109669355B
Authority
CN
China
Prior art keywords
prediction
time
model
fuel quantity
module
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
CN201811524593.6A
Other languages
English (en)
Other versions
CN109669355A (zh
Inventor
潘蕾
杨得金
陈琛
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201811524593.6A priority Critical patent/CN109669355B/zh
Publication of CN109669355A publication Critical patent/CN109669355A/zh
Application granted granted Critical
Publication of CN109669355B publication Critical patent/CN109669355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本发明公开了基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法，基于ARX模型的预测误差计算模块根据燃料量和转速进行预测误差计算，然后接入广义预测控制模块；第二模块根据转速设定值和实际转速的偏差以及第三模块的输入，计算出最佳的燃料量；基于Hammerstein模型的预测误差计算模块根据燃料量、烟气旁路阀阀门开度和冷水温度进行预测误差计算，然后接入基于Hammerstein模型的非线性广义预测解耦控制模块；第四模块根据冷水温度设定值与实际值的偏差、第二模块计算的燃料量控制序列和第五模块输入，计算最佳的烟气旁路阀阀门开度。本发明有效克服了系统存在的复杂特性，提高了系统的灵活性和安全性。

Description

基于广义预测控制的微型燃气轮机冷电联供控制系统及控制 方法
技术领域
本发明涉及热工自动控制领域，尤其是一种基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法。
背景技术
随着经济的不断发展，许多国家在减缓气候变化和减少能源供应方面面临严峻挑战。减少温室气体排放和提高能源效率的一个核心解决方案是使用分布式能源系统。分布式能源系统通常由多种模块化和小规模技术组成，位于最终用户附近，可视为传统集中式电网的重要补充。它们具有许多优点，例如低传输损耗、低排放、以及具有多种能源的灵活性，包括化石燃料和可再生能源。
作为一种关键的分布式能源系统形式，微型燃气轮机结合冷电联供系统(MGT-based combined cooling and power system,MGT-CCP)由于高效节能、低排放和运营成本节约在世界范围内得到越来越多关注。由于微型燃气轮机废弃热量能够被连续利用作为热水器或者冷却装置的热源，MGT-CCP系统的平均能源效率可以达到80％，然而传统的化石燃料电厂是30％—35％。另外相比传统的集中式发电系统，MGT-CCP系统体积小，因此可以灵活地安装在小型住宅区或商业区。
目前对MGT-CCP系统的研究主要集中在静态系统配置、运行优化和性能评价等方面。虽然近年来对MGT-CCP系统的动态特性进行了研究，但MGT-CCP系统的控制方法仍然是传统的PI/PID控制。为了提高PID控制器性能，模糊逻辑、神经网络、萤火虫算法等智能方法被使用来整定PID控制器的参数。然而，由于MGT-CCP系统的动态特性复杂，如非线性、多变量强耦合、未知干扰等，基于单输入、单输出回路分离的PID方法已不再适用于满足性能要求，即使PID的参数得到很好的整定。
发明内容
发明目的：为解决上述问题，本发明提出一种基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法，来改善MGT-CCP系统的控制性能。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
基于广义预测控制的微型燃气轮机冷电联供控制系统，包括：微型燃气轮机冷电联供系统模块、广义预测控制模块、基于ARX模型的预测误差计算模块、基于Hammerstein模型的非线性广义预测解耦控制模块和基于Hammerstein模型的预测误差计算模块；基于ARX模型的预测误差计算模块根据燃料量和微型燃气轮机转速进行预测误差计算，然后接入广义预测控制模块；广义预测控制模块根据微型燃气轮机转速设定值和微型燃气轮机实际转速的偏差以及基于ARX模型的预测误差计算模块的输入，计算出最佳的燃料量；基于Hammerstein模型的预测误差计算模块根据燃料量、烟气旁路阀阀门开度和冷水温度进行预测误差计算，然后接入基于Hammerstein模型的非线性广义预测解耦控制模块；基于Hammerstein模型的非线性广义预测解耦控制模块根据冷水温度设定值与实际值的偏差、广义预测控制模块计算的燃料量控制序列和基于Hammerstein模型的预测误差计算模块输入，计算最佳的烟气旁路阀阀门开度。
可选的，微型燃气轮机冷电联供系统模块(1)包括全回热微型燃气轮机和溴化锂单效吸收式制冷机系统。
可选的，ARX模型结构为：
A(z)yt＝B(z)ut-1+δt/△；
其中，A(z)＝1+a1z-1+a2z-2+...+anz-n，
Figure BDA0001904092950000021
n和nb分别是多项式A(z)和B(z)的阶次，z-1是后移算子，an和
Figure BDA0001904092950000022
是模型的参数，
Figure BDA0001904092950000023
是t时刻的转速，ut-1是t-1时刻的燃料量，δt是随机干扰，△是差分算子；
可选的，Hammerstein模型结构为：
Figure BDA0001904092950000024
其中，
Figure BDA0001904092950000025
nc和nd分别是多项式
Figure BDA0001904092950000026
和
Figure BDA0001904092950000027
的阶次，z-1是后移算子，
Figure BDA0001904092950000028
和
Figure BDA0001904092950000029
是模型的参数，
Figure BDA00019040929500000210
f1和f2是非线性函数，
Figure BDA00019040929500000211
是t-j时刻的烟气旁路阀开度，
Figure BDA00019040929500000212
是t时刻的冷水温度，
Figure BDA00019040929500000213
是随机干扰。
可选的，广义预测控制模块中燃料量计算公式为：
ut＝ut-1+K(GTQG+R)-1GT(W-L-het)；
其中，ut是t时刻的燃料量，K＝[1 0 … 0]1×M，M是GPC的控制步数，G和L是GPC的参数矩阵，Q是GPC的误差加权矩阵，R是GPC的控制加权矩阵，W是GPC的参考轨迹矩阵，
Figure BDA0001904092950000031
T是矩阵转置符号，P是GPC的预测步数；
基于ARX模型的预测误差计算模块中转速预测误差计算公式为：
Figure BDA0001904092950000032
其中，et是t时刻的基于ARX模型的转速预测误差，
Figure BDA0001904092950000033
是t时刻的转速测量值；
基于Hammerstein模型的预测误差计算模块中预测误差矩阵计算公式为：
Figure BDA0001904092950000034
其中，
Figure BDA0001904092950000035
是t时刻的预测误差矩阵，
Figure BDA0001904092950000036
是t时刻的转冷水温度测量值。
可选的，基于Hammerstein模型的非线性广义预测解耦控制模块中烟气旁路阀开度计算公式为：
Figure BDA0001904092950000037
其中，
Figure BDA0001904092950000038
表示多项式f2的逆，
Figure BDA0001904092950000039
是t时刻的烟气旁路阀开度，
Figure BDA00019040929500000310
Figure BDA00019040929500000311
是HNGPDC的控制步数，
Figure BDA00019040929500000312
和
Figure BDA00019040929500000313
是HNGPDC的参数矩阵，
Figure BDA00019040929500000314
是HNGPDC的误差加权矩阵，
Figure BDA00019040929500000315
是HNGPDC的控制加权矩阵，
Figure BDA00019040929500000316
是HNGPDC的参考轨迹矩阵，
Figure BDA00019040929500000317
Figure BDA00019040929500000318
是HNGPDC的预测步数；
冷水温度预测计算公式为：
Figure BDA00019040929500000319
其中，
Figure BDA00019040929500000320
是预测的t+j时刻的冷水温度
Figure BDA00019040929500000321
的预测值，
Figure BDA00019040929500000322
和
Figure BDA00019040929500000323
是HNGPDC的控制器系数，gj,0,gj,1,…,gj,j-1是GPC中的模型系数，
Figure BDA00019040929500000324
是t+j-1时刻的烟气旁路阀开度增量，△ut+j-1是t+j-1时刻的燃料量增量。
本发明还提供了基于广义预测控制的微型燃气轮机冷电联供控制方法，包括以下步骤：
(1)设置GPC控制器参数和HNGPDC控制器参数；
(2)采集MGT-CCP系统的转速数据，利用GPC控制器计算燃料量，对转速进行控制；
(3)利用HNGPDC控制器计算烟气旁路阀开度，对冷水温度进行控制。
进一步的，步骤(1)中GPC控制器的参数为：预测时域P＝20，控制时域M＝10，误差权系数
Figure BDA0001904092950000041
控制权系数
Figure BDA0001904092950000042
HNGPDC控制器的参数为：预测时域
Figure BDA0001904092950000043
控制时域
Figure BDA0001904092950000044
误差权系数
Figure BDA0001904092950000045
控制权系数
Figure BDA0001904092950000046
进一步的，步骤(2)包括以下步骤：
(21)建立燃料量和转速之间的自回归各态历经(ARX)模型：
A(z)yt＝B(z)ut-1+δt/△；
其中，A(z)＝1+a1z-1+a2z-2+...+anz-n，
Figure BDA0001904092950000047
n和nb分别是多项式A(z)和B(z)的阶次，z-1是后移算子，a1,a2,…,an和
Figure BDA0001904092950000048
是模型的参数，yt是t时刻的转速，ut-1是t-1时刻的燃料量，δt是随机干扰，△是差分算子；
(22)通过下式计算转速t+j时刻的预测值
Figure BDA0001904092950000049
Figure BDA00019040929500000410
其中，参数gj,0,…,gj,j-1根据Gj的系数获得，△ut+j-1是t+j-1时刻的燃料量的增量，
Figure BDA00019040929500000411
Ej和Fj通过下面式子求解：
Figure BDA0001904092950000051
Ej+1＝Ej+fj,0z-1,E1＝1.
(23)根据转速测量值和预测模型输出值，对转速t+j时刻的预测值进行修正：
Figure BDA0001904092950000052
其中，
Figure BDA0001904092950000053
et是t时刻的转速预测误差，
Figure BDA0001904092950000054
Figure BDA0001904092950000055
是t时刻的转速测量值，yt是t时刻的预测模型输出值；
(24)计算最优燃料量ut，进而对转速进行控制：
ut＝ut-1+K(GTQG+R)-1GT(W-L-het)；
其中，ut是t时刻的燃料量，ut-1是t-1时刻的燃料量；K＝[1 0 … 0]1×M；
Figure BDA0001904092950000056
W是参考轨迹矩阵，W＝[ωt+1 … ωt+P]T，ωt+P是转速参考轨迹；
Figure BDA0001904092950000057
lj(t)＝(Gj-gj,0-gj,1z-1-…-gj,j-1z-(j-1))△ut+j-1+Fjyt。
进一步的，步骤(3)包括以下步骤：
(31)建立燃料量、烟气旁路阀开度和冷水温度之间的Hammerstein模型：
Figure BDA0001904092950000058
其中，
Figure BDA0001904092950000059
nc和nd分别是多项式
Figure BDA00019040929500000510
和
Figure BDA00019040929500000511
的阶次，z-1是后移算子，
Figure BDA00019040929500000512
和
Figure BDA00019040929500000513
是模型的参数，
Figure BDA0001904092950000061
f1和f2是非线性函数，
Figure BDA0001904092950000062
是t-j时刻的烟气旁路阀开度，
Figure BDA0001904092950000063
是t时刻的冷水温度，
Figure BDA0001904092950000064
是随机干扰；
(32)计算冷水温度预测值：
Figure BDA0001904092950000065
其中，参数
Figure BDA0001904092950000066
根据
Figure BDA0001904092950000067
的系数获得，△ut+j-1是t+j-1时刻的烟气旁路阀开度的增量，
Figure BDA0001904092950000068
Figure BDA0001904092950000069
和
Figure BDA00019040929500000610
通过下面式子求解：
Figure BDA00019040929500000611
Figure BDA00019040929500000612
(33)根据转速测量值、冷水温度测量值和转速预测模型输出值、冷水温度预测模型输出值，对冷水温度t+j时刻的预测值进行修正：
Figure BDA00019040929500000613
其中，
Figure BDA00019040929500000614
Figure BDA00019040929500000615
是t时刻的预测误差矩阵，
Figure BDA00019040929500000616
Figure BDA00019040929500000617
是t时刻的冷水温度测量值；
(34)计算最优烟气旁路阀门开度
Figure BDA00019040929500000618
进而对冷水温度进行控制：
Figure BDA00019040929500000619
其中，
Figure BDA00019040929500000620
是t时刻的燃料量，
Figure BDA00019040929500000621
是t-1时刻的燃料量；
Figure BDA00019040929500000622
Figure BDA0001904092950000071
W是参考轨迹矩阵，
Figure BDA0001904092950000072
Figure BDA0001904092950000073
是转速参考轨迹；
Figure BDA0001904092950000074
有益效果：与现有技术相比，本发明具有以下优点：
(1)在MGT-CCP控制系统中第二模块能提高转速的跟踪速度，第四模块能较好的克服MGT-CCP系统的非线性和强耦合，第三模块和第五模块能补偿未知干扰的影响；
(2)与常规的PI控制方法相比，本发明方法转速和冷水温度跟踪速度快、且无超调，提高了MGT-CCP系统的灵活性；
(3)与常规的PI控制方法相比，本发明方法受未知干扰影响明显降低，未知干扰消除时间更短，增强了MGT-CCP系统的安全性。
附图说明
图1是本发明基于广义预测控制的微型燃气轮机冷电联供控制系统结构示意图；
图2是实验1中转速仿真结果拟合曲线；
图3是实验1中冷水温度仿真结果拟合曲线；
图4是实验1中燃料量仿真结果拟合曲线；
图5是实验1中烟气旁路阀开度仿真结果拟合曲线；
图6是实验2中转速仿真结果拟合曲线；
图7是实验2中冷水温度仿真结果拟合曲线；
图8是实验2中燃料量仿真结果拟合曲线；
图9是实验2中烟气旁路阀开度仿真结果拟合曲线；
图10是实验3中燃料量输入端未知扰动；
图11是实验3中烟气旁路阀输入端未知扰动；
图12是实验3中转速仿真结果拟合曲线；
图13是实验3中冷水温度仿真结果拟合曲线；
图14是实验3中燃料量仿真结果拟合曲线；
图15是实验3中烟气旁路阀开度仿真结果拟合曲线。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明。
如图1所示，基于广义预测控制的微型燃气轮机冷电联供控制系统，包括：微型燃气轮机冷电联供系统模块1(简称第一模块)、广义预测控制模块(Generalized predictivecontrol，GPC)2(简称第二模块)、基于ARX模型的预测误差计算模块3(简称第三模块)、基于Hammerstein模型的非线性广义预测解耦控制模块(Hammerstein model based nonlineargeneralized predictive decoupling control，HNGPDC)4(简称第四模块)和基于Hammerstein模型的预测误差计算模块5(简称第五模块)；第三模块根据燃料量和微型燃气轮机实际转速进行预测误差计算，然后接入第二模块；第二模块根据微型燃气轮机转速设定值和微型燃气轮机实际转速的偏差以及第三模块输出的预测误差，计算出最佳的燃料量；第五模块根据燃料量、烟气旁路阀阀门开度和冷水温度进行预测误差计算，然后接入第四模块；第四模块根据冷水温度设定值与实际值的偏差、第二模块计算的燃料量控制序列和第五模块输出的预测误差，计算最佳的烟气旁路阀阀门开度。
微型燃气轮机冷电联供系统模块1是由全回热微型燃气轮机和溴化锂单效吸收式制冷机系统组成。
基于广义预测控制的微型燃气轮机冷电联供控制方法，包括以下步骤：
(1)设置控制器参数；
GPC控制器(广义预测控制模块)的参数：预测时域P＝20，控制时域M＝10，误差权系数
Figure BDA0001904092950000081
控制权系数
Figure BDA0001904092950000082
HNGPDC控制器(基于Hammerstein模型的非线性广义预测解耦控制模块)的参数：预测时域
Figure BDA0001904092950000083
控制时域
Figure BDA0001904092950000084
误差权系数
Figure BDA0001904092950000085
控制权系数
Figure BDA0001904092950000086
(2)采集MGT-CCP系统的转速数据，利用GPC控制器计算燃料量，对转速进行控制，具体包括以下步骤：
(21)建立燃料量和转速之间的ARX模型：
A(z)yt＝B(z)ut-1+δt/△ (1)；
其中，A(z)＝1+a1z-1+a2z-2+...+anz-n，
Figure BDA0001904092950000091
n和nb分别是多项式A(z)和B(z)的阶次，z-1是后移算子，a1,a2,…,an和
Figure BDA0001904092950000092
是模型的参数，yt是t时刻的转速，ut-1是t-1时刻的燃料量，δt是随机干扰，△是差分算子。
(22)通过下式计算转速t+j时刻的预测值
Figure BDA0001904092950000093
Figure BDA0001904092950000094
其中，参数gj,0,…,gj,j-1根据Gj的系数获得，△ut+j-1是t+j-1时刻的燃料量的增量，
Figure BDA0001904092950000095
Ej和Fj通过下面式子求解：
Figure BDA0001904092950000096
Ej+1＝Ej+fj,0z-1,E1＝1.
(23)根据转速测量值
Figure BDA0001904092950000097
和预测模型输出值yt，对转速t+j时刻的预测值进行修正：
Figure BDA0001904092950000098
其中，
Figure BDA0001904092950000099
et是t时刻的转速预测误差，
Figure BDA00019040929500000910
Figure BDA00019040929500000911
是t时刻的转速测量值，yt是t时刻的预测模型输出值。
(24)计算最优燃料量ut，进而对转速进行控制：
ut＝ut-1+K(GTQG+R)-1GT(W-L-het) (4)；
其中，ut是t时刻的燃料量，ut-1是t-1时刻的燃料量；K＝[1 0 … 0]1×M；
Figure BDA0001904092950000101
W是参考轨迹矩阵，W＝[ωt+1 … ωt+P]T，ωt+P是转速参考轨迹；
Figure BDA0001904092950000102
lj(t)＝(Gj-gj,0-gj,1z-1-…-gj,j-1z-(j-1))△ut+j-1+Fjyt。
(3)利用HNGPDC控制器计算烟气旁路阀开度，对冷水温度进行控，具体包括以下步骤：
(31)建立燃料量、烟气旁路阀开度和冷水温度之间的Hammerstein模型：
Figure BDA0001904092950000103
其中，
Figure BDA0001904092950000104
nc和nd分别是多项式
Figure BDA0001904092950000105
和
Figure BDA0001904092950000106
的阶次，z-1是后移算子，
Figure BDA0001904092950000107
和
Figure BDA0001904092950000108
是模型的参数，
Figure BDA0001904092950000109
f1和f2是非线性函数，
Figure BDA00019040929500001010
是t-j时刻的烟气旁路阀开度，
Figure BDA00019040929500001011
是t时刻的冷水温度，
Figure BDA00019040929500001012
是随机干扰。
(32)计算冷水温度预测值：
Figure BDA00019040929500001013
其中，参数
Figure BDA00019040929500001014
根据
Figure BDA00019040929500001015
的系数获得，△ut+j-1是t+j-1时刻的烟气旁路阀开度的增量，
Figure BDA00019040929500001016
Figure BDA00019040929500001017
和
Figure BDA00019040929500001018
通过下面式子求解：
Figure BDA00019040929500001019
Figure BDA00019040929500001020
(33)根据转速测量值、冷水温度测量值和转速预测模型输出值、冷水温度预测模型输出值，对冷水温度t+j时刻的预测值进行修正：
Figure BDA0001904092950000111
其中，
Figure BDA0001904092950000112
Figure BDA0001904092950000113
是t时刻的预测误差矩阵，
Figure BDA0001904092950000114
Figure BDA0001904092950000115
是t时刻的冷水温度测量值。
(34)计算最优烟气旁路阀门开度
Figure BDA0001904092950000116
进而对冷水温度进行控制：
Figure BDA0001904092950000117
其中，
Figure BDA0001904092950000118
是t时刻的燃料量，
Figure BDA0001904092950000119
是t-1时刻的燃料量；
Figure BDA00019040929500001110
Figure BDA00019040929500001111
W是参考轨迹矩阵，
Figure BDA00019040929500001112
Figure BDA00019040929500001113
是转速参考轨迹；
Figure BDA00019040929500001114
(4)下一个采样周期，重复步骤(2)和(3)。
为了对比说明本发明方法的优越性，设计了常规的PI控制器，参数选择如下：转速PI控制器参数，比例系数KP1＝8.3×10-8，积分系数KI1＝7.6×10-9；冷水温度PI控制器参数，比例系数KP2＝40，积分系数KI2＝0.13。
为了全面验证本发明的有效性，设计了下面3组实验：
实验1：冷水温度和转速跟踪实验，仿真结果如图2-图5所示。图2是实验1中转速仿真结果拟合曲线；图3是实验1中冷水温度仿真结果拟合曲线；图4是实验1中燃料量仿真结果拟合曲线；图5是实验1中烟气旁路阀开度仿真结果拟合曲线；从图2和图3可以看出，本发明方法相比常规的PI控制器，冷负荷和电负荷跟踪速度快、且无超调。从图2和图3可以看出，本发明方法相比常规的PI控制器，控制器输出波动更小，有利于执行器保护。
实验2：解耦效果验证实验，转速设定值先阶跃变化，然后以正弦形式变化，冷水温度设定值固定不变，仿真结果如图6-图9所示。图6是实验2中转速仿真结果拟合曲线；图7是实验2中冷水温度仿真结果拟合曲线；图8是实验2中燃料量仿真结果拟合曲线；图9是实验2中烟气旁路阀开度仿真结果拟合曲线。从仿真结果可以看出，本发明方法控制下冷水温度波动明显减小，表明本发明方法解耦效果相比常规的PI控制有明显改善。
实验3：未知输入扰动实验，先后在燃料量和烟气旁路阀加图10和图11所示的未知扰动，仿真结果如图12-图15所示。图12是实验3中转速仿真结果拟合曲线；图13是实验3中冷水温度仿真结果拟合曲线；图14是实验3中燃料量仿真结果拟合曲线；图15是实验3中烟气旁路阀开度仿真结果拟合曲线。从仿真结果可以看出，本发明方法相比常规的PI控制器，对于未知输入扰动消除时间明显缩短、且偏离设定值幅度明显减小，大幅提高了MGT-CCP系统的安全性。
综合实验1、实验2和实验3的结果，本发明方法相比现有技术，转速和冷水温度跟踪速度快、且无超调，提高了MGT-CCP系统的灵活性；另外本发明方法抗干扰性能比现有控制技术更好，受未知干扰影响更小，未知干扰消除时间更短，增强了MGT-CCP系统的安全性。
总之，本发明的一种基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法，控制系统包括：微型燃气轮机冷电联供系统模块、广义预测控制模块、基于ARX模型的预测误差计算模块、基于Hammerstein模型的非线性广义预测解耦控制模块和基于Hammerstein模型的预测误差计算模块；第三模块根据燃料量和微型燃气轮机转速进行预测误差计算，然后接入第二模块；第二模块根据微型燃气轮机转速设定值和微型燃气轮机实际转速的偏差以及第三模块的输入，计算出最佳的燃料量；第五模块根据燃料量、烟气旁路阀阀门开度和冷水温度进行预测误差计算，然后接入第四模块；第四模块根据冷水温度设定值与实际值的偏差、第二模块计算的燃料量控制序列和第五模块输入，计算最佳的烟气旁路阀阀门开度；本发明系统有效克服MGT-CCP系统存在的非线性、强耦合、存在未知干扰等复杂特性。本发明方法相比现有技术，转速和冷水温度跟踪速度快、且无超调，提高了MGT-CCP系统的灵活性；另外本发明方法抗干扰性能比现有控制技术更好，受未知干扰影响更小，未知干扰消除时间更短，增强了MGT-CCP系统的安全性。

Claims (6)

1.基于广义预测控制的微型燃气轮机冷电联供控制系统，其特征在于，包括：微型燃气轮机冷电联供系统模块(1)、广义预测控制模块(2)、基于ARX模型的预测误差计算模块(3)、基于Hammerstein模型的非线性广义预测解耦控制模块(4)和基于Hammerstein模型的预测误差计算模块(5)；基于ARX模型的预测误差计算模块(3)根据燃料量和转速进行预测误差计算，然后接入广义预测控制模块(2)；广义预测控制模块(2)根据转速设定值和实际转速的偏差以及基于ARX模型的预测误差计算模块(3)的输入，计算出最佳的燃料量；基于Hammerstein模型的预测误差计算模块(5)根据燃料量、烟气旁路阀阀门开度和冷水温度进行预测误差计算，然后接入基于Hammerstein模型的非线性广义预测解耦控制模块(4)；基于Hammerstein模型的非线性广义预测解耦控制模块(4)根据冷水温度设定值与实际值的偏差、广义预测控制模块(2)计算的燃料量控制序列和基于Hammerstein模型的预测误差计算模块(5)输入，计算最佳的烟气旁路阀阀门开度；
其中，广义预测控制模块(2)中燃料量计算公式为：
ut＝ut-1+K(GTQG+R)-1GT(W-L-het)；
其中，ut是t时刻的燃料量，K＝[1 0 … 0]1×M，M是GPC的控制步数，G和L是GPC的参数矩阵，Q是GPC的误差加权矩阵，R是GPC的控制加权矩阵，W是GPC的参考轨迹矩阵，
Figure FDA0003149180220000011
T是矩阵转置符号，P是GPC的预测步数；
基于ARX模型的预测误差计算模块(3)中转速预测误差计算公式为：
Figure FDA0003149180220000012
其中，et是t时刻的基于ARX模型的转速预测误差，
Figure FDA0003149180220000013
是t时刻的转速测量值；
基于Hammerstein模型的预测误差计算模块(5)中预测误差矩阵计算公式为：
Figure FDA0003149180220000014
其中，
Figure FDA0003149180220000015
是t时刻的预测误差矩阵，
Figure FDA0003149180220000016
是t时刻的转冷水温度测量值；
基于Hammerstein模型的非线性广义预测解耦控制模块(4)中烟气旁路阀开度计算公式为：
Figure FDA0003149180220000021
其中，
Figure FDA0003149180220000022
表示多项式f2的逆，
Figure FDA0003149180220000023
是t时刻的烟气旁路阀开度，
Figure FDA0003149180220000024
Figure FDA0003149180220000025
是基于Hammerstein模型的非线性广义预测解耦控制模块的控制步数，
Figure FDA0003149180220000026
和
Figure FDA0003149180220000027
是基于Hammerstein模型的非线性广义预测解耦控制模块的参数矩阵，
Figure FDA0003149180220000028
是基于Hammerstein模型的非线性广义预测解耦控制模块的误差加权矩阵，
Figure FDA0003149180220000029
是基于Hammerstein模型的非线性广义预测解耦控制模块的控制加权矩阵，
Figure FDA00031491802200000210
是基于Hammerstein模型的非线性广义预测解耦控制模块的参考轨迹矩阵，
Figure FDA00031491802200000211
Figure FDA00031491802200000212
是基于Hammerstein模型的非线性广义预测解耦控制模块的预测步数；
冷水温度预测计算公式为：
Figure FDA00031491802200000213
其中，
Figure FDA00031491802200000214
是预测的t+j时刻的冷水温度
Figure FDA00031491802200000215
的预测值，
Figure FDA00031491802200000216
Figure FDA00031491802200000217
和
Figure FDA00031491802200000218
是基于Hammerstein模型的非线性广义预测解耦控制模块的控制器系数，gj,0,gj,1,…,gj,j-1是GPC中的模型系数，
Figure FDA00031491802200000219
是t+j-1时刻的烟气旁路阀开度增量，△ut+j-1是t+j-1时刻的燃料量增量。
2.根据权利要求1所述的基于广义预测控制的微型燃气轮机冷电联供控制系统，其特征在于：微型燃气轮机冷电联供系统模块(1)包括全回热微型燃气轮机和溴化锂单效吸收式制冷机系统。
3.根据权利要求1所述的基于广义预测控制的微型燃气轮机冷电联供控制系统，其特征在于，ARX模型结构为：
A(z)yt＝B(z)ut-1+δt/△；
其中，A(z)＝1+a1z-1+a2z-2+...+anz-n，
Figure FDA00031491802200000220
n和nb分别是多项式A(z)和B(z)的阶次，z-1是后移算子，an和
Figure FDA00031491802200000221
是模型的参数，yt是t时刻的转速，ut-1是t-1时刻的燃料量，δt是随机干扰，△是差分算子。
4.根据权利要求1所述的基于广义预测控制的微型燃气轮机冷电联供控制系统，其特征在于，Hammerstein模型结构为：
Figure FDA0003149180220000031
其中，
Figure FDA0003149180220000032
nc和nd分别是多项式
Figure FDA0003149180220000033
和
Figure FDA0003149180220000034
的阶次，z-1是后移算子，
Figure FDA0003149180220000035
和
Figure FDA0003149180220000036
是模型的参数，
Figure FDA0003149180220000037
f1和f2是非线性函数，
Figure FDA0003149180220000038
是t-1时刻的烟气旁路阀开度，
Figure FDA0003149180220000039
是t时刻的冷水温度，
Figure FDA00031491802200000310
是随机干扰。
5.基于广义预测控制的微型燃气轮机冷电联供控制方法，其特征在于，包括以下步骤：
(1)设置GPC控制器参数和基于Hammerstein模型的非线性广义预测解耦控制模块控制器参数；
(2)采集MGT-CCP系统的转速数据，利用GPC控制器计算燃料量，对转速进行控制；包括以下步骤：
(21)建立燃料量和转速之间的自回归各态历经(ARX)模型：
A(z)yt＝B(z)ut-1+δt/△；
其中，A(z)＝1+a1z-1+a2z-2+...+anz-n，
Figure FDA00031491802200000311
n和nb分别是多项式A(z)和B(z)的阶次，z-1是后移算子，a1,a2,…,an和
Figure FDA00031491802200000312
是模型的参数，yt是t时刻的转速，ut-1是t-1时刻的燃料量，δt是随机干扰，△是差分算子；
(22)通过下式计算转速t+j时刻的预测值
Figure FDA00031491802200000313
Figure FDA00031491802200000314
其中，参数gj,0,…,gj,j-1根据Gj的系数获得，△ut+j-1是t+j-1时刻的燃料量的增量，
Figure FDA00031491802200000315
Ej和Fj通过下面式子求解：
Figure FDA0003149180220000041
Ej+1＝Ej+fj,0z-1,E1＝1.
(23)根据转速测量值
Figure FDA0003149180220000042
和预测模型输出值yt，对转速t+j时刻的预测值进行修正：
Figure FDA0003149180220000043
其中，
Figure FDA0003149180220000044
et是t时刻的转速预测误差，
Figure FDA0003149180220000045
Figure FDA0003149180220000046
是t时刻的转速测量值，yt是t时刻的预测模型输出值；
(24)计算最优燃料量ut，进而对转速进行控制：
ut＝ut-1+K(GTQG+R)-1GT(W-L-het)；
其中，ut是t时刻的燃料量，ut-1是t-1时刻的燃料量；K＝[1 0 … 0]1×M；
Figure FDA0003149180220000047
W是参考轨迹矩阵，W＝[ωt+1 … ωt+P]T，ωt+P是转速参考轨迹；
Figure FDA0003149180220000048
lj(t)＝(Gj-gj,0-gj,1z-1-…-gj,j-1z-(j-1))△ut+j-1+Fjyt；
(3)利用基于Hammerstein模型的非线性广义预测解耦控制模块控制器计算烟气旁路阀开度，对冷水温度进行控制；包括以下步骤：
(31)建立燃料量、烟气旁路阀开度和冷水温度之间的Hammerstein模型：
Figure FDA0003149180220000049
其中，
Figure FDA00031491802200000410
nc和nd分别是多项式
Figure FDA00031491802200000411
和
Figure FDA00031491802200000412
的阶次，z-1是后移算子，
Figure FDA00031491802200000413
和
Figure FDA00031491802200000414
是模型的参数，
Figure FDA0003149180220000051
f1和f2是非线性函数，
Figure FDA0003149180220000052
是t-j时刻的烟气旁路阀开度，
Figure FDA0003149180220000053
是t时刻的冷水温度，
Figure FDA0003149180220000054
是随机干扰；
(32)计算冷水温度预测值：
Figure FDA0003149180220000055
其中，参数
Figure FDA0003149180220000056
根据
Figure FDA0003149180220000057
的系数获得，△ut+j-1是t+j-1时刻的烟气旁路阀开度的增量，
Figure FDA0003149180220000058
Figure FDA0003149180220000059
和
Figure FDA00031491802200000510
通过下面式子求解：
Figure FDA00031491802200000511
Figure FDA00031491802200000512
(33)根据转速测量值、冷水温度测量值和转速预测模型输出值、冷水温度预测模型输出值，对冷水温度t+j时刻的预测值进行修正：
Figure FDA00031491802200000513
其中，
Figure FDA00031491802200000514
Figure FDA00031491802200000515
是t时刻的预测误差矩阵，
Figure FDA00031491802200000516
Figure FDA00031491802200000517
是t时刻的冷水温度测量值；
(34)计算最优烟气旁路阀门开度
Figure FDA00031491802200000518
进而对冷水温度进行控制：
Figure FDA00031491802200000519
其中，
Figure FDA00031491802200000520
是t时刻的燃料量，
Figure FDA00031491802200000521
是t-1时刻的燃料量；
Figure FDA00031491802200000522
Figure FDA0003149180220000061
W是参考轨迹矩阵，
Figure FDA0003149180220000062
Figure FDA0003149180220000063
是转速参考轨迹；
Figure FDA0003149180220000064
6.根据权利要求5所述的基于广义预测控制的微型燃气轮机冷电联供控制方法，其特征在于，步骤(1)中GPC控制器的参数为：预测时域P＝20，控制时域M＝10，误差权系数
Figure FDA0003149180220000065
控制权系数
Figure FDA0003149180220000066
基于Hammerstein模型的非线性广义预测解耦控制模块控制器的参数为：预测时域
Figure FDA0003149180220000067
控制时域
Figure FDA0003149180220000068
误差权系数
Figure FDA0003149180220000069
控制权系数
Figure FDA00031491802200000610
CN201811524593.6A 2018-12-13 2018-12-13 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法 Active CN109669355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811524593.6A CN109669355B (zh) 2018-12-13 2018-12-13 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811524593.6A CN109669355B (zh) 2018-12-13 2018-12-13 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法

Publications (2)

Publication Number Publication Date
CN109669355A CN109669355A (zh) 2019-04-23
CN109669355B true CN109669355B (zh) 2021-10-19

Family

ID=66143772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811524593.6A Active CN109669355B (zh) 2018-12-13 2018-12-13 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法

Country Status (1)

Country Link
CN (1) CN109669355B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110488610B (zh) * 2019-09-04 2022-05-10 东南大学 一种基于鲁棒模糊预测控制的微型燃气轮机热电联供系统热负荷控制方法
CN111736464B (zh) * 2020-05-19 2022-04-26 东南大学 一种基于广义扩增状态观测器的热工过程h无穷控制方法
CN111596546B (zh) * 2020-05-19 2022-06-03 东南大学 一种微型燃气轮机热电联供系统抗扰预测控制方法
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
CN111812979B (zh) * 2020-06-17 2022-12-30 东南大学 一种应用于双效溴化锂吸收式制冷系统的多变量广义预测控制方法
CN115407660A (zh) * 2022-09-01 2022-11-29 西安热工研究院有限公司 基于动态矩阵控制的火电厂烟气换热器控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667013A (zh) * 2009-09-04 2010-03-10 天津大学 微型燃气轮机冷电联供分布式供能系统优化运行控制方法
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
CN106970533A (zh) * 2017-05-18 2017-07-21 吉林大学 一种基于rbf‑arx模型稳定参数估计的非线性系统建模方法
CN107807524A (zh) * 2017-10-20 2018-03-16 东南大学 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
CN108345571A (zh) * 2018-01-18 2018-07-31 东南大学 微型燃气轮机冷热电联供系统预测控制方法与控制系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667013A (zh) * 2009-09-04 2010-03-10 天津大学 微型燃气轮机冷电联供分布式供能系统优化运行控制方法
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
CN106970533A (zh) * 2017-05-18 2017-07-21 吉林大学 一种基于rbf‑arx模型稳定参数估计的非线性系统建模方法
CN107807524A (zh) * 2017-10-20 2018-03-16 东南大学 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
CN108345571A (zh) * 2018-01-18 2018-07-31 东南大学 微型燃气轮机冷热电联供系统预测控制方法与控制系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Improving Simultaneous Cooling and Power Load-Following Capability for MGT-CCP Using Coordinated Predictive Controls;Chen Chen 等;《Energies》;20191231;全文 *
微燃机-LiBr制冷机分布式能源系统建模及非线性控制;赵德材;《CNKI》;20161231;全文 *
微燃机三联供机组的多变量鲁棒自适应负荷跟踪控制;潘蕾 等;《中国电机工程学报》;20171205;全文 *
微燃机-冷热电联供机组的Hammerstein模型;潘蕾 等;《东南大学学报（自然科学版）》;20170531;全文 *
火电厂CO2捕集系统的LSSVM-Hammerstein建模方法;杨得金 等;《工程热物理学报》;20191231;全文 *

Also Published As

Publication number Publication date
CN109669355A (zh) 2019-04-23

Similar Documents

Publication Publication Date Title
CN109669355B (zh) 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法
CN103225799B (zh) 一种火电厂主蒸汽温度控制方法
Sun et al. Direct energy balance based active disturbance rejection control for coal-fired power plant
CN102494336B (zh) 一种循环流化床锅炉燃烧过程多变量控制方法
CN102621945B (zh) 基于火力发电机组最优工况的效率动态寻优运行闭环优化控制方法
CN102401371B (zh) 一种基于多变量预测控制的再热汽温优化控制方法
CN106786677B (zh) 一种互联电力系统分布式动态矩阵频率控制方法
Zeng et al. Optimization control for the coordinated system of an ultra-supercritical unit based on stair-like predictive control algorithm
Jiao et al. Adaptive continuous neural pitch angle control for variable‐speed wind turbines
CN102606227B (zh) 全周进汽汽轮机初压定值的多目标优化方法
Burkart et al. Nonlinear control of wind turbines: An approach based on switched linear systems and feedback linearization
CN101609312A (zh) 采用汽耗率修正滑压运行曲线的发电机组优化控制方法
Beus et al. Application of an adaptive model predictive control algorithm on the Pelton turbine governor control
Çetin et al. Development of PID based control strategy in maximum exergy efficiency of a geothermal power plant
Chen et al. Phase compensation based active disturbance rejection control for high order superheated steam temperature system
CN110932320A (zh) 自动发电控制系统分布式模型预测控制器设计方法
Ren et al. Feedforward feedback pitch control for wind turbine based on feedback linearization with sliding mode and fuzzy PID algorithm
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
CN108131238A (zh) 一种抑制水锤压力波动的新型pid控制方法
Xu et al. Design of type-2 fuzzy fractional-order proportional-integral-derivative controller and multi-objective parameter optimization under load reduction condition of the pumped storage unit
CN106855691A (zh) 用于超临界火电机组机炉系统负荷跟踪的双层控制系统
Albanesi et al. Optimization of the start-up procedure of a combined cycle power plant
Lu et al. A two-dimensional design and synthesis method for coordinated control of flexible-operational combined cycle of gas turbine
CN116047897A (zh) 一种基于参数自适应抗扰控制器的燃气轮机预测控制方法
CN212565736U (zh) 一种二次再热主蒸汽温度串级控制系统

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