CN110285403B - 基于被控参数预估的主蒸汽温度控制方法 - Google Patents

Abstract

本发明公开属于过程控制技术领域的一种基于被控参数预估的主蒸汽温度控制方法。首先建立包括LSTM主蒸汽温度预测模型、减温水对主蒸汽温度模型及两入一出GPC的控制系统；即基于LSTM长短期记忆神经网络算法建立主蒸汽温度预测模型；构建两入一出的广义预测控制器；以两入一出的广义预测控制器为核心控制器，结合LSTM长短期记忆神经网络对主蒸汽温度进行提前预测，当外界扰动因素变化时提前预知被控参数未来的变化趋势，使执行机构提早动作，进一步抑制主蒸汽温度的波动，克服了各种干扰和迟延对机组运行经济性和稳定性产生的影响，提升主蒸汽温度的控制品质。

Description

基于被控参数预估的主蒸汽温度控制方法

技术领域

本发明属于过程控制技术领域，特别涉及一种基于被控参数预估的主蒸汽温度控制方法。

背景技术

提升主蒸汽温度的控制品质对保证电厂的安全、稳定、经济运行具有重要意义，主蒸汽温度过高会降低过热器使用寿命，甚至可能出现爆管停机的现象；主蒸汽温度偏低则降低热效率，影响经济运行，还会导致蒸汽含水量增加，从而缩短汽轮机叶片的使用寿命。在主蒸汽温度控制中通常采用减温水作为调节手段，但由于减温水调节具有一定的滞后和惯性，且受到电厂煤质煤种多变、以及机组频繁参与调峰调频等因素的影响，传统的控制策略和方法很难满足控制品质要求，使其一直成为困扰现场安全稳定运行的难题。在常用的控制方法中有采用串级PID控制策略，根据主蒸汽温度设定值和反馈值的偏差作为主调节器的输入，主调节器经过PID运算后的输出与减温水阀出口温度偏差作为副调节器的输入，副调节器输出作为减温水流量控制指令，在串级控制系统中副对象与主对象时间常数相差较大，副对象时间常数小，调节速率较快，可有效抑制扰动，但主回路时间常数较大，其很容易引起主蒸汽温度的震荡，且减温水流量波动幅度较大。

由于受到锅炉燃烧和机组负荷频繁波动的影响，单纯依靠预测控制器很难达到良好的控制效率，其难以抑制外界等扰动因素对主蒸汽温度产生的影响，甚至容易产生蒸汽温度震荡。因此，为了进一步提升主蒸汽温度的控制品质，保证机组的安全、经济运行，提出了一种基于被控参数预估的主蒸汽温度控制方法，其通过LSTM长短期记忆神经网络对主蒸汽温度进行提前预测，可有效抑制外界扰动因素对蒸汽温度产生的影响；同时结合了广义预期控制算法，可保证主蒸汽温度得到快速、平稳的控制。

发明内容

本发明的目的是提供一种基于被控参数预估的主蒸汽温度控制方法，其特征在于，采用灰色关联分析的方法选取相关的输入变量；基于LSTM(Long Short Term MemoryNetwork，LSTM)长短期记忆神经网络算法建立主蒸汽温度预测模型；建立两入一出的广义预测控制器；包括如下步骤：

1)采用灰色关联分析的方法选取LSTM主蒸汽温度预测模型的输入变量，计算影响因素与主汽温度的灰色关联系数，关联系数越大，表示这两个系统或者变化因素的关联程度越大；关联系数为零，则表示这两个系统或者变化因素无关；由于关联度分析是在各个系统变化的过程中分析其相关性程度的，所以这种分析方法可广泛适用于动态系统的分析；经过关联分析，选取影响主蒸汽温度的相关输入变量为：机组功率、减温水流量、减温器前蒸汽温度、A磨煤机给煤量、A 磨煤机一次风流量、B磨煤机给煤量、B磨煤机一次风流量、C磨煤机给煤量、 C磨煤机一次风流量、D磨煤机给煤量、D磨煤机一次风流量、E磨煤机给煤量、E磨煤机一次风流量、二次风总流量；

灰色关联分析方法：选取一段时间内的主蒸汽温度{x₀(t)}作为参考数据列，其中{x₀(t)}＝{x₀(1),x₀(2)，…，x₀(n)}，t＝1,2,…,n；与参考序列进行关联程度比较的数列称为比较序列，记为{x_i(t)}＝{x_i(1),x_i(2)，…，x_i(n)}；

采用均值化处理对分析数据进行无量纲化处理：

其中：

分别为数列平均值。

灰色关联系数求取：

其中：Δ_0i(k)为k时刻两个序列的绝对差；Δ_min各个时刻绝对差的最小值；Δ_max各个时刻绝对差的最大值；η为分辨系数，取值0.5；ξ_0i(k)为k时刻的关联系数；γ_0i为两个数列的灰色关系系数；

2)基于LSTM长短期记忆神经网络算法，根据减温水系统的惯性时间T和迟延τ，根据步骤1)中分析的相关影响因素，选取T时间序列长度的主蒸汽温度、机组功率、减温水流量、减温器前蒸汽温度、A磨煤机给煤量、A磨煤机一次风流量、B磨煤机给煤量、B磨煤机一次风流量、C磨煤机给煤量、C磨煤机一次风流量、D磨煤机给煤量、D磨煤机一次风流量、E磨煤机给煤量、E磨煤机一次风流量、二次风总流量作为LSTM蒸汽温度预测模型输入变量；选取τ时刻之后的主蒸汽温度作为LSTM蒸汽温度预测模型输出变量；

3)基于LSTM长短期记忆神经网络算法建立主蒸汽温度预测模型，根据步骤2)中LSTM蒸汽温度预测模型的输入变量、输出变量以及输入变量时间序列长度和输出变量时间选择要求，从现场采集海量数据，将采集的数据划分为训练集和测试集，采用遍历的方法确定神经网络结构，误差反向传播确定权值，建立 LSTM蒸汽温度预测模型；

LSTM长短时记忆网络算法对预处理后的历史数据进行学习和训练，循环神经网络包含有时间信息，能对具有惯性和迟延系统有很好的拟合效果；LSTM的基本结构包括遗忘门(Forget Gate)、输入门(Input Gate)、记忆门(Cell Gate)和输出门(Output Gate)。

遗忘门选择忘记过去的某些信息：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

输入门记忆现在的某些信息：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

记忆门将过去与现在的记忆合并：

输出门输出神经网络的计算值：

o_t＝σ(W_o[h_t-1,x_t]+b_o)

h_t＝o_t×tanh(C_t)

其中，输入向量x_t对应输入的测点，i_t，f_t，C_t，o_t分别表示t时刻输入门、遗忘门、记忆门和输出门的向量值，W_i，W_f，W_C，W_o分别表示t时刻输入门、遗忘门、记忆门和输出门的权重矩阵，b_i，b_f，b_C，b_o分别表示t时刻输入门、遗忘门、记忆门和输出门的偏置值。

为双曲正切函数。

为sigmoid函数，e为自然常数。

训练过程中为了使模型收敛且快速达到极值，采用有监督学习的算法，得到正常运行工况下的深度神经网络故障数据筛选模型。

损失函数采用交叉熵代价函数：

其中，x表示样本，n表示样本总数，y表示真实值，a表示判断值。

训练神经网络采用RMSProp优化算法，结合梯度平方的指数移动平均数调节学习率的变化，神经网络在目标函数下能够很好地收敛。

4)建立两输入一输出广义预测控制器，其中输入通道1中输入变量为减温水流量，对应模型为减温水流量对主蒸汽温度模型，其模型结构为

其中k为减温水对主蒸气温度影响的增益、T为减温水对主蒸气温度影响的惯性时间、τ为减温水对主蒸气温度影响的迟延时间；输入通道2中输入变量为主蒸汽温度预测值，对应模型为主蒸汽温度预测值对当前主蒸汽温度影响模型，其模型结构为e^-τs；根据输入通道1和输入通道2模型的惯性时间和迟延时间，确定预测控制器的预测时域和控制时域参数，同时结合减温水流量和主蒸汽温度预测值对主蒸汽温度期望参考值进行预估；并通过二次规划的方式求取最佳减温水流量控制率，使执行器能够提早动作，在一定程度上克服了各种干扰和迟延对控制效果的影响，提升主蒸汽温度的控制品质。

所述步骤4)中主蒸汽温度预测值由步骤3)的LSTM蒸汽温度预测模型给出。

本发明的有益效果是通过LSTM长短期记忆神经网络对主蒸汽温度进行提前预测，可有效抑制外界扰动因素对蒸汽温度产生的影响；同时结合了广义预期控制算法，可保证主蒸汽温度得到快速、平稳的控制。通过二次规划的方式求取最佳减温水流量控制率，使执行器能够提早动作，在一定程度上克服了各种干扰和迟延对控制效果的影响，提升主蒸汽温度的控制品质。

附图说明

图1为控制系统结构及流程图；

图2为LSTM基本结构图

具体实施方式

本发明提供了一种基于被控参数预估的主蒸汽温度控制方法，下面结合附图对本发明予以进一步说明。

图1所示为控制系统结构及流程图；图中所示控制系统包括建立的LSTM蒸汽温度预测模型、减温水对主蒸汽温度影响模型及两入一出GPC(多变量GPC 广义预测控制器)。首先将影响主蒸汽温度的相关变量：机组功率、减温水流量、减温器前蒸汽温度、A磨煤机给煤量、A磨煤机一次风流量、B磨煤机给煤量、B磨煤机一次风流量、C磨煤机给煤量、C磨煤机一次风流量、D磨煤机给煤量、 D磨煤机一次风流量、E磨煤机给煤量、E磨煤机一次风流量及二次风总流量输入LSTM蒸汽温度预测模型，并对主蒸汽温度进行预测，分析结果输入两入一出 GPC预测控制器；其次将减温水流量输入减温水对主蒸汽温度影响模型，分析结果输入两入一出GPC预测控制器，同时，将主汽温给定值SP、主汽温实际值PV 输入两入一出GPC预测控制器，由两入一出GPC预测控制器输出减温水控制流量。

具体过程是首先对主汽温的影响因素进行分析，采用灰色关联分析方法选取主汽温影响因素，确定神经网络输入输出变量以及结构，进行训练。训练完毕后建立两输入一输出广义预测控制器(图中两入一出GPC)，达到了提升控制效果的目的。具体步骤如下：

第一步：采用灰色关联分析的方法选取相关的输入变量：灰色系统理论主要是通过对各子系统的相互关系的分析，然后确定各个子系统间存在的数值联系。对于两个系统或者一个系统中的两个变化因素，当随着时间或者外界因素的变化而发生变化的时候，这两个系统或者因素变化存在着一定的关系，可以用关联系数来表示。关联系数越大，表示这两个系统或者变化因素的关联程度越大；关联系数为零，则表示这两个系统或者变化因素无关。由于关联度分析是在各个系统变化的过程中分析其相关性程度的，所以这种分析方法可广泛适用于动态系统的分析。

经过关联分析，选取影响主蒸汽温度的相关输入变量为：机组功率、减温水流量、减温器前蒸汽温度、A磨煤机给煤量、A磨煤机一次风流量、B磨煤机给煤量、B磨煤机一次风流量、C磨煤机给煤量、C磨煤机一次风流量、D磨煤机给煤量、D磨煤机一次风流量、E磨煤机给煤量、E磨煤机一次风流量、二次风总流量。

灰色关联分析方法：选取一段时间内的主蒸汽温度{x₀(t)}作为参考数据列，其中{x₀(t)}＝{x₀(1),x₀(2)，…，x₀(n)}，(t＝1,2,…,n)。与参考序列进行关联程度比较的数列称为比较序列，记为{x_i(t)}＝{x_i(1),x_i(2)，…，x_i(n)}。

对分析数据进行无量纲化处理，采用均值化处理方法：

其中：

分别为数列平均值。

灰色关联系数求取：

其中：Δ_0i(k)为k时刻两个序列的绝对差；Δ_min各个时刻绝对差的最小值；Δ_max各个时刻绝对差的最大值；η为分辨系数，一般取0.5；ξ_0i(k)为k时刻的关联系数；γ_0i为两个数列的灰色关系系数。

第二步：建立LSTM长短期记忆神经网络算法，LSTM是一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，广泛用于时序系统的建模和预测。根据减温水系统的惯性时间T和迟延τ，根据第一步中分析的相关影响因素，选取T时间序列长度的主蒸汽温度、机组功率、减温水流量、减温器前蒸汽温度、A磨煤机给煤量、A磨煤机一次风流量、B磨煤机给煤量、B磨煤机一次风流量、C磨煤机给煤量、C磨煤机一次风流量、D磨煤机给煤量、D磨煤机一次风流量、E磨煤机给煤量、E磨煤机一次风流量、二次风总流量作为LSTM蒸汽温度预测模型输入变量；选取τ时刻之后的主蒸汽温度作为 LSTM蒸汽温度预测模型输出变量。

第三步：基于LSTM长短期记忆神经网络算法建立主蒸汽温度预测模型，根据第二步中LSTM蒸汽温度预测模型的输入变量、输出变量以及输入变量时间序列长度和输出变量时间选择要求，从现场采集海量数据，将采集的数据划分为训练集和测试集，采用遍历的方法确定神经网络结构，误差反向传播确定权值，建立LSTM蒸汽温度预测模型。

长短时记忆网络(Long Short Term Memory Network，LSTM)算法对预处理后的历史数据进行学习和训练，循环神经网络包含有时间信息，能对具有惯性和迟延系统有很好的拟合效果。LSTM的基本结构(如图2所示)包括遗忘门(Forget Gate)、输入门(InputGate)、记忆门(Cell Gate)和输出门(Output Gate)。

遗忘门选择忘记过去的某些信息：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

输入门记忆现在的某些信息：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

记忆门将过去与现在的记忆合并：

输出门输出神经网络的计算值：

o_t＝σ(W_o[h_t-1,x_t]+b_o)

h_t＝o_t×tanh(C_t)

其中，输入向量x_t对应输入的测点，i_t，f_t，C_t，o_t分别表示t时刻输入门、遗忘门、记忆门和输出门的向量值，W_i，W_f，W_C，W_o分别表示t时刻输入门、遗忘门、记忆门和输出门的权重矩阵，b_i，b_f，b_C，b_o分别表示t时刻输入门、遗忘门、记忆门和输出门的偏置值。

为双曲正切函数。

为sigmoid函数，e为自然常数。

训练过程中为了使模型收敛且快速达到极值，采用有监督学习的算法，得到正常运行工况下的深度神经网络故障数据筛选模型。

损失函数采用交叉熵代价函数：

其中，x表示样本，n表示样本总数，y表示真实值，a表示判断值。

训练神经网络采用RMSProp优化算法，结合梯度平方的指数移动平均数调节学习率的变化，神经网络在目标函数下能够很好地收敛。

第四步：设计基于被控参数预估的主蒸汽温度控制方法，其中输入通道1中输入变量为减温水流量，对应模型为减温水流量对主蒸汽温度模型，其模型结构为

其中k为减温水对主蒸气温度影响的增益、T为减温水对主蒸气温度影响的惯性时间、τ为减温水对主蒸气温度影响的迟延时间；输入通道2中输入变量为主蒸汽温度预测值(由LSTM蒸汽温度预测模型给出)，对应模型为主蒸汽温度预测值对当前主蒸汽温度影响模型，其模型结构为e^-τs；根据输入通道1和输入通道2模型的惯性时间和迟延时间，确定预测控制器的预测时域和控制时域等参数，同时结合减温水流量和主蒸汽温度预测值对主蒸汽温度期望参考值进行预估，通过二次规划的方式求取最佳减温水流量控制率，使执行器(电磁控制阀) 能够提早动作，在一定程度上克服了各种干扰和迟延对控制效果的影响，提升主蒸汽温度的控制品质。

Claims (2)

1.一种基于被控参数预估的主蒸汽温度控制方法，其特征在于，采用灰色关联分析的方法选取相关的输入变量；基于LSTM长短期记忆神经网络算法建立主蒸汽温度预测模型；建立两入一出的广义预测控制器；包括如下步骤：

1)采用灰色关联分析的方法选取LSTM主蒸汽温度预测模型的输入变量，计算影响因素与主汽温度的灰色关联系数，关联系数越大，表示这两个系统或者变化因素的关联程度越大；关联系数为零，则表示这两个系统或者变化因素无关；由于关联度分析是在各个系统变化的过程中分析其相关性程度的，所以这种分析方法可广泛适用于动态系统的分析；经过关联分析，选取影响主蒸汽温度的相关输入变量为：机组功率、减温水流量、减温器前蒸汽温度、A磨煤机给煤量、A磨煤机一次风流量、B磨煤机给煤量、B磨煤机一次风流量、C磨煤机给煤量、C磨煤机一次风流量、D磨煤机给煤量、D磨煤机一次风流量、E磨煤机给煤量、E磨煤机一次风流量、二次风总流量；

灰色关联分析方法：选取一段时间内的主蒸汽温度{x₀(t)}作为参考数据列，其中{x₀(t)}＝{x₀(1),x₀(2)，…，x₀(n)}，t＝1,2,…,n；与参考序列进行关联程度比较的数列称为比较序列，记为{x_i(t)}＝{x_i(1),x_i(2)，…，x_i(n)}；

采用均值化处理对分析数据进行无量纲化处理：

其中：

分别为数列平均值；

灰色关联系数求取：

其中：Δ_0i(k)为k时刻两个序列的绝对差；Δ_min各个时刻绝对差的最小值；Δ_max各个时刻绝对差的最大值；η为分辨系数，取值0.5；ξ_0i(k)为k时刻的关联系数；γ_0i为两个数列的灰色关系系数；

2)基于LSTM长短期记忆神经网络算法，根据减温水系统的惯性时间T和迟延τ，根据步骤1)中分析的相关影响因素，选取T时间序列长度的主蒸汽温度、机组功率、减温水流量、减温器前蒸汽温度、A磨煤机给煤量、A磨煤机一次风流量、B磨煤机给煤量、B磨煤机一次风流量、C磨煤机给煤量、C磨煤机一次风流量、D磨煤机给煤量、D磨煤机一次风流量、E磨煤机给煤量、E磨煤机一次风流量、二次风总流量作为LSTM蒸汽温度预测模型输入变量；选取τ时刻之后的主蒸汽温度作为LSTM主蒸汽温度预测模型输出变量；

3)基于LSTM长短期记忆神经网络算法建立主蒸汽温度预测模型，根据步骤2)中LSTM蒸汽温度预测模型的输入变量、输出变量以及输入变量时间序列长度和输出变量时间选择要求，从现场采集海量数据，将采集的数据划分为训练集和测试集，采用遍历的方法确定神经网络结构，误差反向传播确定权值，建立LSTM蒸汽温度预测模型；

长短时记忆网络LSTM算法对预处理后的历史数据进行学习和训练，循环神经网络包含有时间信息，能对具有惯性和迟延系统有很好的拟合效果；其中LSTM的基本结构包括遗忘门、输入门、记忆门和输出门；

遗忘门选择忘记过去的某些信息：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

输入门记忆现在的某些信息：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

记忆门将过去与现在的记忆合并：

输出门输出神经网络的计算值：

o_t＝σ(W_o[h_t-1,x_t]+b_o)

h_t＝o_t×tanh(C_t)

其中，输入向量x_t对应输入的测点，i_t，f_t，C_t，o_t分别表示t时刻输入门、遗忘门、记忆门和输出门的向量值，W_i，W_f，W_C，W_o分别表示t时刻输入门、遗忘门、记忆门和输出门的权重矩阵，b_i，b_f，b_C，b_o分别表示t时刻输入门、遗忘门、记忆门和输出门的偏置值；

为双曲正切函数；

为sigmoid函数，e为自然常数；

训练过程中为了使模型收敛且快速达到极值，采用有监督学习的算法，得到正常运行工况下的深度神经网络故障数据筛选模型；

损失函数采用交叉熵代价函数：

其中，x表示样本，n表示样本总数，y表示真实值，a表示判断值；

训练神经网络采用RMSProp优化算法，结合梯度平方的指数移动平均数调节学习率的变化，神经网络在目标函数下能够很好地收敛；

4)建立两输入一输出广义预测控制器，其中输入通道1中输入变量为减温水流量，对应模型为减温水流量对主蒸汽温度模型，其模型结构为

其中k为减温水对主蒸气温度影响的增益、T为减温水对主蒸气温度影响的惯性时间、τ为减温水对主蒸气温度影响的迟延时间；输入通道2中输入变量为主蒸汽温度预测值，对应模型为主蒸汽温度预测值对当前主蒸汽温度影响模型，其模型结构为e^-τs；根据输入通道1和输入通道2模型的惯性时间和迟延时间，确定预测控制器的预测时域和控制时域参数，同时结合减温水流量和主蒸汽温度预测值对主蒸汽温度期望参考值进行预估；并通过二次规划的方式求取最佳减温水流量控制率，使执行器能够提早动作，在一定程度上克服了各种干扰和迟延对控制效果的影响，提升主蒸汽温度的控制品质。

2.根据权利要求1所述基于被控参数预估的主蒸汽温度控制方法，其特征在于，所述步骤4)中主蒸汽温度预测值由步骤3)的LSTM主蒸汽温度预测模型给出。

Images