CN109932909A - 火电机组脱硫系统的大系统耦合多变量优化匹配控制方法 - Google Patents

Abstract

本发明涉及火电机组脱硫系统的大系统耦合多变量优化匹配控制方法，主要用于火电机组脱硫系统中各设备与子系统联合运行，实现火电机组脱硫系统的节能优化运行。本发明基于火电机组脱硫系统运行历史数据，建立在线自学习非线性黑箱模型，通过该模型的智能寻优计算，得出火电机组脱硫系统各子系统的最优设定值，自动控制各子系统间的耦合匹配，保证系统的最优经济运行；本算法应用于火电机组脱硫系统，使得系统在满足环保考核指标的前提下节能经济运行，提高系统的经济性降低系统的能耗与物耗，从而进一步提高节能减排能力。

Description

火电机组脱硫系统的大系统耦合多变量优化匹配控制方法

技术领域

本发明属于火电燃煤机组脱硫领域，具体涉及火电机组脱硫系统的大系统耦合多变量优化匹配控制方法。

背景技术

目前国内火电燃煤机组脱硫大多采用石灰石湿法脱硫技术，然而由于系统相对复杂，子系统较多，导致系统在实际运行与控制过程中各子系统间未能优化协同，匹配程度差，从而造成脱硫系统整体运行效率不高、S0₂浓度大幅波动、调节品质差等问题。

发明内容

本发明针对现有技术中的不足，提供一种火电机组脱硫系统的大系统耦合多变量优化匹配控制方法。该方法在控制方式上改变了传统的子系统单独控制运行的模式，采用双层控制结构，通过上层大系统耦合多变量优化控制层解决不同子系统间的优化匹配问题，结合脱硫系统整体在线模型的建立与基于该模型的子系统稳态目标计算两个部分为底层PID控制提供优化设定值，从脱硫系统整体上优化系统以保证高效、经济运行。

为实现上述目的，本发明采用以下技术方案：

火电机组脱硫系统的大系统耦合多变量优化匹配控制方法，其特征在于：该控制方法涉及两个主层控制结构，包括上层大系统耦合多变量优化控制层以及下层的底层PID控制层；

所述上层大系统耦合多变量优化控制层包括脱硫系统整体在线模型的建立与基于该模型的子系统稳态目标计算两个部分：脱硫系统整体在线模型采用自适应多层感知器神经网络模型；基于在线模型进行子系统稳态目标计算的方法采用精英粒子群算法进行寻优计算；

所述下层的底层PID控制层接受通过精英粒子群算法寻优计算得出的脱硫系统各子系统的稳态优化目标值，从而实现脱硫系统的最优经济运行。

为优化上述技术方案，采取的具体措施还包括：

进一步地，所述脱硫系统整体在线模型的建立过程采用自适应多层感知器神经网络模型，该模型结构形式为混合并联辨识结构，该结构包含三层多层感知器神经网络模型，分别为输入层、隐含层与输出层。

进一步地，所述自适应多层感知器神经网络模型具体如下：U(k)为火电机组脱硫系统中可调节操作的模拟量与开关量，Y(k)为火电机组脱硫系统的输出量，将需在线学习的模型输入量U(k)通过递进式数据暂存器生成用于模型自学习的输入数据块φ_lm，同样对模型的输出量Y(k)经过递进式数据暂存器生成输出数据块φ_in；

选取神经网络模型隐含层的激活函数为双曲正切函数f，其具体表达式如下：

式中，下标j表示隐含层中的第j个神经元，的计算公式为：

式中，为与系统输入对应的模型输入层第l_m个神经元与隐含层第j个神经元的连接权值；为与系统过去已知输出对应的模型输入层第i_n个神经元与隐含层第j个神经元的连接权值；w_j，0为隐含层第j个神经元的偏置值；nm为输入层中对应于输入量的神经元数量；n_n为输入层对应系统输出的神经元数量；括号内的k与k-1分别为对应的采样时刻；

输出层的激活函数F选择为常规线性激活函数结构，输出层的输出值计算表达式为：

式中，w_i，j为隐含层第j个神经元与输出层第i个神经元间的连接权值；w_i，0为输出层第i个神经元的偏置值；nh为隐含层神经元个数；神经网络模型的模型预测估计值为

所有连接权值与偏置值组成了模型在线学习的联合权系数参数，采用在线自适应学习算法进行动态实时修正调节。

进一步地，所述火电机组脱硫系统的输出量包括系统能量消耗总量、系统物耗总量、环保考核成本以及系统的被调输出量。

进一步地，所述采用在线自适应学习算法进行动态实时修正调节具体如下：在时刻k，基于已知的模型训练输入数据与模型训练的输出量数据，通过自适应辨识训练算法计算输出估计值在k+1时刻，计算出神经网络联合权系数参数，从而计算得出模型输出的估计值，通过反复调节修正神经网络联合权系数参数直到基于参数的估计值满足精度为止；其中，参数递推估计算法采用限定记忆的辨识方法，基于逐渐遗忘旧数据信息的自适应机制，采用指数限定记忆因子与重置算法的更新规则在每一个采样时刻产生新数据集并形成新数据对，通过高斯-牛顿算法的迭代递归形式计算得出。

进一步地，所述基于在线模型进行子系统稳态目标计算的方法采用精英粒子群算法进行寻优计算，精英粒子群算法的算法机制包括两部分，精英粒子计算与粒子互学计算，流程如下：

1)初始化种群使其满足边界约束与线性约束；

2)精英粒子计算：

首先计算整个种群的平均粒子其次找出最佳适应度值的粒子，并将其标记为精英粒子计算速度向量式中r为[0，1]之间的随机数，T_F为随机选取1或2；

3)约束处理机制：

为确保不违反约束，对速度向量乘以其对应搜索方向的最大缩小系数最终速度向量值如下式：

最后基于搜索速度向量对粒子进行位置更新，表达式如下：

4)粒子互学计算：

种群中的每个单个粒子随机选择其它单个粒子进行互相学习，计算式如下：

else

式中为粒子更新速度向量，下标is表示第i个粒子经过粒子互学后，r_i为第i个粒子更新速度权值为[0，1]之间的随机数，t表示迭代计算次数；

重复步骤3)保证粒子更新后仍满足优化求解约束，通过粒子的精英学习与粒子的互学计算后，更新粒子的位置，若适应度值得到改善则接受，否则拒绝更新，粒子位置保持粒子原位不变。

本发明的有益效果是：本发明基于脱硫系统的运行数据，建立在线自适应神经网络模型，基于该模型采用精英粒子群算法进行高速寻优，优化匹配脱硫系统的子系统间协同运行，保证最大化脱硫系统经济运行，进一步提高系统节能减排程度。

附图说明

图1是火电机组脱硫系统的大系统耦合多变量优化匹配控制方法的示意图。

图2是自适应多层感知器神经网络模型的示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图1所示的火电机组脱硫系统的大系统耦合多变量优化匹配控制方法，该控制方法涉及两个主层控制结构，包括上层大系统耦合多变量优化控制层，以及下层的底层PID控制层。

上层大系统耦合多变量优化控制层包括脱硫系统整体在线模型的建立与基于该模型的子系统稳态目标计算两个部分：脱硫系统整体在线模型采用自适应多层感知器神经网络模型；基于在线模型进行子系统稳态目标计算的方法采用精英粒子群算法进行寻优计算。

脱硫系统整体在线模型的建立过程采用如图2所示的自适应多层感知器神经网络模型，该模型结构形式为混合并联辨识结构，该结构包含三层多层感知器神经网络模型，分别为输入层、隐含层与输出层。神经网络模型需要把系统过去的输出做为输入进行将来输出的计算，整个模型的输入分为两类：一类就是输入量值；另外一类是过去采集的系统输出量值，这些都用于预测将来的输出值。

U(k)为火电机组脱硫系统中可调节操作的模拟量与开关量，Y(k)为火电机组脱硫系统的输出量，如：系统能量消耗总量、系统物耗总量、环保考核成本以及系统的被调输出量等，将需在线学习的模型输入量U(k)通过递进式数据暂存器生成用于模型自学习的输入数据块φ_lm，同样对模型的输出量Y(k)经过递进式数据暂存器生成输出数据块φ_in。

选取神经网络模型隐含层的激活函数为双曲正切函数f，其具体表达式如下：

式中，下标j表示隐含层中的第j个神经元，的计算公式为：

式中，为与系统输入对应的模型输入层第l_m个神经元与隐含层第j个神经元的连接权值；为与系统过去已知输出对应的模型输入层第i_n个神经元与隐含层第j个神经元的连接权值；w_j，0为隐含层第j个神经元的偏置值；n_m为输入层中对应于输入量的神经元数量；n_n为输入层对应系统输出的神经元数量；括号内的k与k-1分别为对应的采样时刻。

输出层的激活函数F选择为常规线性激活函数结构，输出层的输出值计算表达式为：

式中，w_i，j为隐含层第j个神经元与输出层第i个神经元间的连接权值；w_i，0为输出层第i个神经元的偏置值；nh为隐含层神经元个数；神经网络模型的模型预测估计值为

所有连接权值与偏置值组成了模型在线学习的联合权系数参数，采用在线自适应学习算法进行动态实时修正调节，即：在时刻k，基于已知的模型训练输入数据与模型训练的输出量数据，通过自适应辨识训练算法计算输出估计值在k+1时刻，计算出神经网络联合权系数参数，从而计算得出模型输出的估计值，通过反复调节修正神经网络联合权系数参数直到基于参数的估计值满足精度为止；参数递推估计算法采用限定记忆的辨识方法，基于逐渐遗忘旧数据信息的自适应机制，采用指数限定记忆因子与重置算法的更新规则在每一个采样时刻产生新数据集并形成新数据对，通过高斯-牛顿算法的迭代递归形式计算得出。

基于在线模型进行子系统稳态目标计算的方法采用精英粒子群算法进行寻优计算流程如下：

精英粒子群算法的算法机制包括两部分，精英粒子计算与粒子互学计算，计算过程如下：

(1)初始化种群使其满足边界约束与线性约束。

(2)精英粒子计算。

首先计算整个种群的平均粒子其次找出最佳适应度值的粒子，并将其标记为精英粒子计算速度向量式中r为[0，1]之间的随机数，T_F为随机选取1或2。

(3)约束处理机制。

为确保不违反约束，对速度向量乘以其对应搜索方向的最大缩小系数最终速度向量值如下式：

最后基于搜索速度向量对粒子进行位置更新，表达式如下：

(4)粒子互学计算。

种群中的每个单个粒子随机选择其它单个粒子进行互相学习，计算式如下：

式中为粒子更新速度向量，下标is表示第i个粒子经过粒子互学后，r_i为第i个粒子更新速度权值为[0，1]之间的随机数，t表示迭代计算次数。

重复步骤(3)保证粒子更新后仍满足优化求解约束，通过粒子的精英学习与粒子的互学计算后，更新粒子的位置，若适应度值得到改善则接受，否则拒绝更新，粒子位置保持粒子原位不变。

基于底层PID控制层的被控系统实际控制过程中，需接受通过精英粒子群优化算法寻优计算得出的脱硫系统各子系统的稳态优化目标值，从而实现脱硫系统的最优经济运行。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.火电机组脱硫系统的大系统耦合多变量优化匹配控制方法，其特征在于：该控制方法涉及两个主层控制结构，包括上层大系统耦合多变量优化控制层以及下层的底层PID控制层；

所述上层大系统耦合多变量优化控制层包括脱硫系统整体在线模型的建立与基于该模型的子系统稳态目标计算两个部分：脱硫系统整体在线模型采用自适应多层感知器神经网络模型；基于在线模型进行子系统稳态目标计算的方法采用精英粒子群算法进行寻优计算；

所述下层的底层PID控制层接受通过精英粒子群算法寻优计算得出的脱硫系统各子系统的稳态优化目标值，从而实现脱硫系统的最优经济运行。

2.如权利要求1所述的火电机组脱硫系统的大系统耦合多变量优化匹配控制方法，其特征在于：所述脱硫系统整体在线模型的建立过程采用自适应多层感知器神经网络模型，该模型结构形式为混合并联辨识结构，该结构包含三层多层感知器神经网络模型，分别为输入层、隐含层与输出层。

3.如权利要求2所述的火电机组脱硫系统的大系统耦合多变量优化匹配控制方法，其特征在于：所述自适应多层感知器神经网络模型具体如下：U(k)为火电机组脱硫系统中可调节操作的模拟量与开关量，Y(k)为火电机组脱硫系统的输出量，将需在线学习的模型输入量U(k)通过递进式数据暂存器生成用于模型自学习的输入数据块φ_lm，同样对模型的输出量Y(k)经过递进式数据暂存器生成输出数据块φ_in；

选取神经网络模型隐含层的激活函数为双曲正切函数f，其具体表达式如下：

式中，下标j表示隐含层中的第j个神经元，的计算公式为：

式中，为与系统输入对应的模型输入层第l_m个神经元与隐含层第j个神经元的连接权值；为与系统过去已知输出对应的模型输入层第i_n个神经元与隐含层第j个神经元的连接权值；w_j，0为隐含层第j个神经元的偏置值；n_m为输入层中对应于输入量的神经元数量；n_n为输入层对应系统输出的神经元数量；括号内的k与k-1分别为对应的采样时刻；

输出层的激活函数F选择为常规线性激活函数结构，输出层的输出值计算表达式为：

式中，w_i，j为隐含层第j个神经元与输出层第i个神经元间的连接权值；w_i，0为输出层第i个神经元的偏置值；nh为隐含层神经元个数；神经网络模型的模型预测估计值为

所有连接权值与偏置值组成了模型在线学习的联合权系数参数，采用在线自适应学习算法进行动态实时修正调节。

4.如权利要求3所述的火电机组脱硫系统的大系统耦合多变量优化匹配控制方法，其特征在于：所述火电机组脱硫系统的输出量包括系统能量消耗总量、系统物耗总量、环保考核成本以及系统的被调输出量。

5.如权利要求3所述的火电机组脱硫系统的大系统耦合多变量优化匹配控制方法，其特征在于：所述采用在线自适应学习算法进行动态实时修正调节具体如下：在时刻k，基于已知的模型训练输入数据与模型训练的输出量数据，通过自适应辨识训练算法计算输出估计值在k+1时刻，计算出神经网络联合权系数参数，从而计算得出模型输出的估计值，通过反复调节修正神经网络联合权系数参数直到基于参数的估计值满足精度为止；其中，参数递推估计算法采用限定记忆的辨识方法，基于逐渐遗忘旧数据信息的自适应机制，采用指数限定记忆因子与重置算法的更新规则在每一个采样时刻产生新数据集并形成新数据对，通过高斯-牛顿算法的迭代递归形式计算得出。

6.如权利要求1所述的火电机组脱硫系统的大系统耦合多变量优化匹配控制方法，其特征在于：所述基于在线模型进行子系统稳态目标计算的方法采用精英粒子群算法进行寻优计算，精英粒子群算法的算法机制包括两部分，精英粒子计算与粒子互学计算，流程如下：

1)初始化种群使其满足边界约束与线性约束；

2)精英粒子计算：

首先计算整个种群的平均粒子其次找出最佳适应度值的粒子，并将其标记为精英粒子计算速度向量式中r为[0，1]之间的随机数，T_F为随机选取1或2；

3)约束处理机制：

为确保不违反约束，对速度向量乘以其对应搜索方向的最大缩小系数最终速度向量值如下式：

最后基于搜索速度向量对粒子进行位置更新，表达式如下：

4)粒子互学计算：

种群中的每个单个粒子随机选择其它单个粒子进行互相学习，计算式如下：

else

式中为粒子更新速度向量，下标is表示第i个粒子经过粒子互学后，r_i为第i个粒子更新速度权值为[0，1]之间的随机数，t表示迭代计算次数；

重复步骤3)保证粒子更新后仍满足优化求解约束，通过粒子的精英学习与粒子的互学计算后，更新粒子的位置，若适应度值得到改善则接受，否则拒绝更新，粒子位置保持粒子原位不变。