CN110471291B - 一种氨法脱硫系统的扰动抑制预测控制方法 - Google Patents

一种氨法脱硫系统的扰动抑制预测控制方法 Download PDF

Info

Publication number
CN110471291B
CN110471291B CN201910836219.8A CN201910836219A CN110471291B CN 110471291 B CN110471291 B CN 110471291B CN 201910836219 A CN201910836219 A CN 201910836219A CN 110471291 B CN110471291 B CN 110471291B
Authority
CN
China
Prior art keywords
model
disturbance
state space
time
space model
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
CN201910836219.8A
Other languages
English (en)
Other versions
CN110471291A (zh
Inventor
李益国
姜昊
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 CN201910836219.8A priority Critical patent/CN110471291B/zh
Publication of CN110471291A publication Critical patent/CN110471291A/zh
Application granted granted Critical
Publication of CN110471291B publication Critical patent/CN110471291B/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

Abstract

本发明公开了一种氨法脱硫系统的扰动抑制预测控制方法，利用扩增状态空间模型，建立扰动模型集，结合贝叶斯概率加权的方法，得到平均预测模型，通过预测控制方法，采用新的目标函数，实现进氨水流量对循环浆液pH值的良好控制，能够很好地应对氨法脱硫过程的大迟延、大惯性特性。同时考虑不可测扰动对脱硫系统的影响，使系统获得了更好的抗干扰能力，能够在受不可测扰动影响下，快速识别扰动并抑制扰动对系统的影响，总体提高了脱硫系统的控制品质，进一步促进了脱硫系统经济环保运行。

Description

一种氨法脱硫系统的扰动抑制预测控制方法
技术领域
本发明涉及热工自动控制领域，特别是涉及一种氨法脱硫系统的扰动抑制预测控制方法。
背景技术
烟气氨法脱硫作为一项较新的环保技术，虽然具有很多其它脱硫方法无可比拟的优点，但同样也面临着许多问题：氨作为危险品，若加氨量或加氨的方式不当，会造成二次污染并影响脱硫效率；增加吸收剂氨浓度有利于提高脱硫效率，但同时也会增加氨逃逸量；浓缩液过饱和将不利于SO2的吸收且容易结晶堵塞装置；氨法脱硫系统是一个典型的具有非线性及大惯性特性，干扰量较多的系统。因此，操作和控制好电厂烟气脱硫装置，可以保证电厂的达标排放和经济运行。
氨法脱硫系统中，需要操作和控制的变量较多，其中最为突出的就是循环浆液pH值。pH值反应了吸收塔中脱硫剂的酸碱度，它的大小影响到反应浆液的品质，间接影响到脱硫效率及副产物品质。整个脱硫过程非常复杂，加氨后对脱硫效率和循环液pH值的影响具有很大的惯性和滞后；同时氨法脱硫过程是一个化学反应过程，具有强烈的非线性特征，易受不可测扰动的影响。总之，氨法脱硫系统中，惯性大，且烟气流量、烟气SO2浓度、氨水浓度等干扰众多。在这种情况下采用传统的PID控制方案，根本无法解决控制系统稳定性和控制系统品质之间的矛盾，必然会引起控制系统的不稳定和振荡。尤其是在受到未知扰动影响时，常规控制方案更是难以取得令人满意的控制效果。
发明内容
发明目的：本发明的目的是提供一种氨法脱硫系统的扰动抑制预测控制方法，能够解决系统稳定性和系统品质之间的矛盾。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的氨法脱硫系统的扰动抑制预测控制方法，包括以下步骤：
S1：以脱硫塔的氨水流量作为控制量，以循环浆液pH作为被控量，在稳态工况下进行开环阶跃响应试验，获取控制量与被控量之间的传递函数，得到被控对象的辨识模型；
S2：将循环浆液pH对氨水流量的传递函数转换为带扰动项的系统状态空间模型；所述步骤S2中的系统状态空间模型如下式所示：
Figure GDA0003529838520000021
式中，xd(k)表示k时刻的系统状态变量，xd(k+1)表示k+1时刻的系统状态变量，u(k)表示k时刻的控制量，y(k)表示k时刻的被控量，d(k)表示k时刻的扰动量，Ad表示xd(k)的系数矩阵，Bd表示u(k)的系数矩阵，Brd表示d(k)的系数矩阵，Cd表示xd(k)的系数矩阵；
S3：选取阶跃输出扰动模型、阶跃输入扰动模型、斜坡输入扰动模型和周期输入扰动模型这四个扰动模型按顺序组成扰动模型集；针对扰动模型集中的每一个扰动模型，将步骤S2得到的系统状态空间模型转换为增量状态空间模型，再将扰动增量项和系统输出项作为扩增量对状态变量进行扩增，得到扩增状态变量和扩增状态空间模型；所述步骤S3中的扩增状态空间模型如下式所示：
Figure GDA0003529838520000022
Figure GDA0003529838520000023
式中，xi(k+1)表示k+1时刻第i个扰动模型扩增的状态向量，i＝1,2,3,4，包括三个子向量Δxd(k+1)、Δd(k+1)和y(k+1)，Δxd(k+1)表示k+1时刻系统原来的状态增量，Δd(k+1)表示k+1时刻当前扰动模型的扰动增量，y(k+1)表示k+1时刻脱硫系统的被控量；xi(k)表示k时刻第i个扰动模型扩增的状态向量，包括三个子向量Δxd(k)、Δd(k)和y(k)，Δxd(k)表示k时刻系统原来的状态增量，Δd(k)表示k时刻当前扰动模型的扰动增量，y(k)表示k时刻脱硫系统的被控量；Δu(k)表示k时刻脱硫系统的控制量增量，Aai表示第i个扰动模型的扩增状态空间模型的第一系数矩阵，A1,...,A9表示矩阵Aai中的元素，Bai表示第i个扰动模型的扩增状态空间模型的第二系数矩阵，B1,...,B3表示矩阵Bai中的元素，Cai表示第i个扰动模型的扩增状态空间模型的第三系数矩阵，C1,...,C3表示矩阵Cai中的元素；
S4：根据步骤S3中每一个扰动模型的特点，得出所述四个扰动模型的扩增状态空间模型中的系数矩阵；
S5：利用标准Kalman滤波器对每个扩增状态空间模型进行状态估计；
S6：计算脱硫系统的实际输出与Kalman滤波器得到的预估输出之间的偏差；
S7：采用递推贝叶斯公式计算出各个扰动模型与当前脱硫系统的匹配概率；
S8：根据各个扰动模型与当前脱硫系统的匹配概率计算各个扩增状态空间模型的权重；
S9：根据各个扩增状态空间模型的权重，对各个扩增状态空间模型进行加权平均，计算出脱硫系统的p步平均预测输出值；
S10：根据扩增状态空间模型构建平均预测模型，计算最优控制增量向量；所述步骤S10中的平均预测模型如下式所示：
Figure GDA0003529838520000031
式(17)中，
Figure GDA0003529838520000032
为k时刻循环浆液pH值的p步平均预测输出向量，
Figure GDA0003529838520000033
ΔU(k)为k时刻控制量向量，F为加权后的平均预测模型的状态变量的系数矩阵，
Figure GDA0003529838520000034
wi(k)表示k时刻第i个扰动模型的扩增状态空间模型的权重，Fi表示第i个扰动模型的扩增状态空间模型的状态向量的系数矩阵，Φ为加权后的平均预测模型的控制量向量的系数矩阵，
Figure GDA0003529838520000035
Φi表示第i个扰动模型的扩增状态空间模型的控制量向量的系数矩阵；
Figure GDA0003529838520000036
p表示预测步长，m表示控制步长；
所述最优控制增量向量通过以下过程计算得到：基于性能指标函数计算k时刻控制量增量Δu(k)，进而基于k时刻控制量增量Δu(k)构造控制增量向量ΔU，制定最终性能指标函数来计算最优控制增量向量，最终性能指标函数和最优控制增量公式如下式：
Figure GDA0003529838520000041
ΔU＝(ΦTWyΦ)-1ΦTWy[Yr-Fx(k)]
式中，Yr为浆液pH值设定值，Wy为误差权矩阵，J为性能指标，x(k)为k时刻的平均预测模型的状态量；
S11：计算得到脱硫系统的输出。
进一步，所述步骤S4中，四个扰动模型的扩增状态空间模型中的系数矩阵Aai、Bai和Cai通过下式得到：
Figure GDA0003529838520000042
Ca1＝[O O I]
Figure GDA0003529838520000043
Ca2＝[O O I]
Figure GDA0003529838520000044
Ca3＝[O O I]
Figure GDA0003529838520000045
Ca4＝[O O I]
其中，Aa1表示阶跃输出扰动模型的扩增状态空间模型的第一系数矩阵，Aa2表示阶跃输入扰动模型的扩增状态空间模型的第一系数矩阵，Aa3表示斜坡输入扰动模型的扩增状态空间模型的第一系数矩阵，Aa4表示周期输入扰动模型的扩增状态空间模型的第一系数矩阵，Ba1表示阶跃输出扰动模型的扩增状态空间模型的第二系数矩阵，Ba2表示阶跃输入扰动模型的扩增状态空间模型的第二系数矩阵，Ba3表示斜坡输入扰动模型的扩增状态空间模型的第二系数矩阵，Ba4表示周期输入扰动模型的扩增状态空间模型的第二系数矩阵，Ca1表示阶跃输出扰动模型的扩增状态空间模型的第三系数矩阵，Ca2表示阶跃输入扰动模型的扩增状态空间模型的第三系数矩阵，Ca3表示斜坡输入扰动模型的扩增状态空间模型的第三系数矩阵，Ca4表示周期输入扰动模型的扩增状态空间模型的第三系数矩阵。
进一步，所述步骤S5中，状态估计通过下式实现：
Figure GDA0003529838520000051
P(k+1|k)＝AaiP(k|k)Aai T+Q
L(k+1)＝P(k+1|k)Cai T[CaiP(k+1|k)Cai T+R]-1
Figure GDA0003529838520000052
P(k+1|k+1)＝[I-L(k+1)Cai]P(k+1|k)
Figure GDA0003529838520000053
其中，
Figure GDA0003529838520000054
表示k时刻对k+1时刻的第i个扰动模型的扩增状态空间模型状态量的预估值，
Figure GDA0003529838520000055
表示k时刻对k时刻的第i个扰动模型的扩增状态空间模型状态量的预估值，
Figure GDA0003529838520000056
表示k+1时刻对k+1时刻的第i个扰动模型的扩增状态空间模型状态量的预估值，
Figure GDA0003529838520000057
表示k时刻对k+1时刻的第i个扰动模型的扩增状态空间模型输出量的预估值，P(k+1|k)表示k时刻对k+1时刻的协方差矩阵，P(k|k)表示k时刻对k时刻的协方差矩阵，P(k+1|k+1)表示k+1时刻对k+1时刻的协方差矩阵，L(k+1)表示k+1时刻的状态估计增益矩阵，y(k+1)表示k+1时刻的脱硫系统的实际输出，Q表示输入噪声项的协方差，R表示输出噪声项的协方差。
进一步，所述步骤S6中，脱硫系统的实际输出与Kalman滤波器的预估输出之间的偏差通过下式得到：
Figure GDA0003529838520000058
式(13)中，ei(k+1)表示k+1时刻脱硫系统的实际输出与第i个扰动模型的Kalman滤波器的预估输出之间的偏差。
进一步，所述步骤S7中，各个扰动模型与当前脱硫系统的匹配概率通过下式得到：
Figure GDA0003529838520000061
式中，ρi(k+1)表示k+1时刻第i个扰动模型与当前脱硫系统的匹配概率，ρi(k)表示k时刻第i个扰动模型与当前脱硫系统的匹配概率，ei(k+1)表示表示k+1时刻脱硫系统的实际输出与第i个扰动模型的Kalman滤波器的预估输出之间的偏差，Λ表示贝叶斯概率协方差矩阵；设定匹配概率的下限值δ，当k时刻的匹配概率ρi(k)低于下限值δ时，先以该下限值δ置换ρi(k)后，再代入式中计算出k+1时刻的匹配概率ρi(k+1)。
进一步，所述步骤S8中，通过下式计算各个扩增状态空间模型的权重：
Figure GDA0003529838520000062
式中，wi(k)表示k时刻第i个扰动模型的扩增状态空间模型的权重。
进一步，所述步骤S9中，脱硫系统的p步平均预测输出值通过下式得到：
Figure GDA0003529838520000063
式中，
Figure GDA0003529838520000064
表示k时刻对未来j个时刻的第i个扩增状态空间模型的预测输出值，wi(k)表示k时刻第i个扰动模型的扩增状态空间模型的权重，
Figure GDA0003529838520000065
表示k时刻对未来j个时刻加权后的平均扩增状态空间模型的预测输出值。有益效果：本发明公开了一种氨法脱硫系统的扰动抑制预测控制方法，利用扩增状态空间模型，建立扰动模型集，结合贝叶斯概率加权的方法，得到平均预测模型，通过预测控制方法，采用新的目标函数，实现进氨水流量对循环浆液pH值的良好控制，能够很好地应对氨法脱硫过程的大迟延、大惯性特性。同时考虑不可测扰动对脱硫系统的影响，使系统获得了更好的抗干扰能力，能够在受不可测扰动影响下，快速识别扰动并抑制扰动对系统的影响，总体提高了脱硫系统的控制品质，进一步促进了脱硫系统经济环保运行。
附图说明
图1为本发明的氨法脱硫系统的扰动抑制预测控制方法的结构框图；
图2为本发明与其它扰动抑制控制算法在循环浆液pH值受阶跃输出不可测扰动时的控制效果对比图；
图3为本发明与其它扰动抑制控制算法在循环浆液pH值受阶跃输入不可测扰动时的控制效果对比图；
图4为本发明与其它扰动抑制控制算法在循环浆液pH值受斜坡输入不可测扰动时的控制效果对比图；
图5为本发明与其它扰动抑制控制算法在循环浆液pH值受周期输入不可测扰动时的控制效果对比图；
图6为本发明与其它扰动抑制控制算法在循环浆液pH值同时受阶跃和周期输入不可测扰动时的控制效果对比图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种氨法脱硫系统的扰动抑制预测控制方法，包括以下步骤：
S1：以脱硫塔的氨水流量作为控制量，以循环浆液pH作为被控量，在稳态工况下进行开环阶跃响应试验，获取控制量与被控量之间的传递函数，得到被控对象的辨识模型；
S2：将循环浆液pH对氨水流量的传递函数转换为带扰动项的系统状态空间模型；步骤S2中的系统状态空间模型如式(1)所示：
Figure GDA0003529838520000071
式(1)中，xd(k)表示k时刻的系统状态变量，xd(k+1)表示k+1时刻的系统状态变量，u(k)表示k时刻的控制量增量，y(k)表示k时刻的被控量，d(k)表示k时刻的扰动量，Ad表示xd(k)的系数矩阵，Bd表示u(k)的系数矩阵，Brd表示d(k)的系数矩阵，Cd表示xd(k)的系数矩阵。
S3：选取阶跃输出扰动模型、阶跃输入扰动模型、斜坡输入扰动模型和周期输入扰动模型这四个扰动模型按顺序组成扰动模型集；针对扰动模型集中的每一个扰动模型，将步骤S2得到的系统状态空间模型转换为增量状态空间模型，再将扰动增量项和系统输出项作为扩增量对状态变量进行扩增，得到扩增状态变量和扩增状态空间模型；所述步骤S3中的扩增状态空间模型如下式所示：
Figure GDA0003529838520000081
Figure GDA0003529838520000082
式中，xi(k+1)表示k+1时刻第i个扰动模型扩增的状态向量，i＝1,2,3,4，包括三个子向量Δxd(k+1)、Δd(k+1)和y(k+1)，Δxd(k+1)表示k+1时刻系统原来的状态增量，Δd(k+1)表示k+1时刻当前扰动模型的扰动增量，y(k+1)表示k+1时刻脱硫系统的被控量；xi(k)表示k时刻第i个扰动模型扩增的状态向量，包括三个子向量Δxd(k)、Δd(k)和y(k)，Δxd(k)表示k时刻系统原来的状态增量，Δd(k)表示k时刻当前扰动模型的扰动增量，y(k)表示k时刻脱硫系统的被控量；Δu(k)表示k时刻脱硫系统的控制量增量，Aai表示第i个扰动模型的扩增状态空间模型的第一系数矩阵，A1,…,A9表示矩阵Aai中的元素，Bai表示第i个扰动模型的扩增状态空间模型的第二系数矩阵，B1,…,B3表示矩阵Bai中的元素，Cai表示第i个扰动模型的扩增状态空间模型的第三系数矩阵，C1,...,C3表示矩阵Cai中的元素；
S4：根据步骤S3中每一个扰动模型的特点，得出所述四个扰动模型的扩增状态空间模型中的系数矩阵；
S5：利用标准Kalman滤波器对每个扩增状态空间模型进行状态估计；
S6：计算脱硫系统的实际输出与Kalman滤波器得到的预估输出之间的偏差；
S7：采用递推贝叶斯公式计算出各个扰动模型与当前脱硫系统的匹配概率；
S8：根据各个扰动模型与当前脱硫系统的匹配概率计算各个扩增状态空间模型的权重；
S9：根据各个扩增状态空间模型的权重，对各个扩增状态空间模型进行加权平均，计算出脱硫系统的p步平均预测输出值；
S10：根据扩增状态空间模型构建平均预测模型，计算最优控制增量向量；步骤S10中的平均预测模型如式(17)所示：
Figure GDA0003529838520000091
式(17)中，
Figure GDA0003529838520000092
为k时刻循环浆液pH值的p步平均预测输出向量，
Figure GDA0003529838520000093
ΔU(k)为k时刻控制量向量，F为加权后的平均预测模型的状态变量的系数矩阵，
Figure GDA0003529838520000094
wi(k)表示k时刻第i个扰动模型的扩增状态空间模型的权重，Fi表示第i个扰动模型的扩增状态空间模型的状态向量的系数矩阵，Φ为加权后的平均预测模型的控制量向量的系数矩阵，
Figure GDA0003529838520000095
Φi表示第i个扰动模型的扩增状态空间模型的控制量向量的系数矩阵；
Figure GDA0003529838520000096
p表示预测步长，m表示控制步长；
所述最优控制增量向量通过以下过程计算得到：基于性能指标函数计算k时刻控制量增量Δu(k)，进而基于k时刻控制量增量Δu(k)构造控制增量向量ΔU，制定最终性能指标函数来计算最优控制增量向量，最终性能指标函数和最优控制增量公式如式(18)：
Figure GDA0003529838520000097
式(18)中，Yr为浆液pH值设定值，Wy为误差权矩阵，J为性能指标，x(k)为k时刻的平均预测模型的状态量。
S11：计算得到脱硫系统的输出。
步骤S4中，四个扰动模型的扩增状态空间模型中的系数矩阵Aai、Bai和Cai通过式(3)-(6)得到：
Figure GDA0003529838520000101
Ca1＝[O O I] (3)
Figure GDA0003529838520000102
Ca2＝[O O I] (4)
Figure GDA0003529838520000103
Ca3＝[O O I] (5)
Figure GDA0003529838520000104
Ca4＝[O O I] (6)
其中，Aa1表示阶跃输出扰动模型的扩增状态空间模型的第一系数矩阵，Aa2表示阶跃输入扰动模型的扩增状态空间模型的第一系数矩阵，Aa3表示斜坡输入扰动模型的扩增状态空间模型的第一系数矩阵，Aa4表示周期输入扰动模型的扩增状态空间模型的第一系数矩阵，Ba1表示阶跃输出扰动模型的扩增状态空间模型的第二系数矩阵，Ba2表示阶跃输入扰动模型的扩增状态空间模型的第二系数矩阵，Ba3表示斜坡输入扰动模型的扩增状态空间模型的第二系数矩阵，Ba4表示周期输入扰动模型的扩增状态空间模型的第二系数矩阵，Ca1表示阶跃输出扰动模型的扩增状态空间模型的第三系数矩阵，Ca2表示阶跃输入扰动模型的扩增状态空间模型的第三系数矩阵，Ca3表示斜坡输入扰动模型的扩增状态空间模型的第三系数矩阵，Ca4表示周期输入扰动模型的扩增状态空间模型的第三系数矩阵。
步骤S5中，状态估计通过式(7)-(12)实现：
Figure GDA0003529838520000111
P(k+1|k)＝AaiP(k|k)Aai T+Q
(8)
L(k+1)＝P(k+1|k)Cai T[CaiP(k+1|k)Cai T+R]-1 (9)
Figure GDA0003529838520000112
P(k+1|k+1)＝[I-L(k+1)Cai]P(k+1|k) (11)
Figure GDA0003529838520000113
其中，
Figure GDA0003529838520000114
表示k时刻对k+1时刻的第i个扰动模型的扩增状态空间模型状态量的预估值，
Figure GDA0003529838520000115
表示k时刻对k时刻的第i个扰动模型的扩增状态空间模型状态量的预估值，
Figure GDA0003529838520000116
表示k+1时刻对k+1时刻的第i个扰动模型的扩增状态空间模型状态量的预估值，
Figure GDA0003529838520000117
表示k时刻对k+1时刻的第i个扰动模型的扩增状态空间模型输出量的预估值，P(k+1k)表示k时刻对k+1时刻的协方差矩阵，P(k|k)表示k时刻对k时刻的协方差矩阵，P(k+1k+1)表示k+1时刻对k+1时刻的协方差矩阵，L(k+1)表示k+1时刻的状态估计增益矩阵，y(k+1)表示k+1时刻的脱硫系统的实际输出，Q表示输入噪声项的协方差，R表示输出噪声项的协方差。
步骤S6中，脱硫系统的实际输出与Kalman滤波器的预估输出之间的偏差通过式(13)得到：
Figure GDA0003529838520000118
式(13)中，ei(k+1)表示k+1时刻脱硫系统的实际输出与第i个扰动模型的Kalman滤波器的预估输出之间的偏差。
步骤S7中，各个扰动模型与当前脱硫系统的匹配概率通过式(14)得到：
Figure GDA0003529838520000121
式(14)中，ρi(k+1)表示k+1时刻第i个扰动模型与当前脱硫系统的匹配概率，ρi(k)表示k时刻第i个扰动模型与当前脱硫系统的匹配概率，ei(k+1)表示表示k+1时刻脱硫系统的实际输出与第i个扰动模型的Kalman滤波器的预估输出之间的偏差，Λ表示贝叶斯概率协方差矩阵；设定匹配概率的下限值δ，当k时刻的匹配概率ρi(k)低于下限值δ时，先以该下限值δ置换ρi(k)后，再代入式(14)计算出k+1时刻的匹配概率ρi(k+1)。
步骤S8中，通过式(15)计算各个扩增状态空间模型的权重：
Figure GDA0003529838520000122
式(15)中，wi(k)表示k时刻第i个扰动模型的扩增状态空间模型的权重。
步骤S9中，脱硫系统的p步平均预测输出值通过式(16)得到：
Figure GDA0003529838520000123
式(16)中，
Figure GDA0003529838520000124
表示k时刻对未来j个时刻的第i个扩增状态空间模型的预测输出值，wi(k)表示k时刻第i个扰动模型的扩增状态空间模型的权重，
Figure GDA0003529838520000125
表示k时刻对未来j个时刻加权后的平均扩增状态空间模型的预测输出值。
利用本发明中氨法脱硫系统的扰动抑制预测控制方法对氨法脱硫系统进行控制，在系统受不可测扰动影响时，循环浆液pH值控制效果与其它扰动抑制方法对比如图2-6所示。所有图示中，循环浆液pH值的设定值为5.5，整个过程持续1000s。图2中，在1000s时循环浆液pH侧有扰动进入系统情况下，本发明能够快速识别扰动类型为输出扰动，提前改变氨水流量，快速抑制扰动，达到很好的控制效果。与其它扰动抑制方法相比，本发明有更快的调节能力，且控制量波动较小。图3中，在1000s时氨水流量侧有扰动进入系统情况下，本发明能够快速识别扰动类型为阶跃输入扰动，并快速抑制扰动。与其它扰动抑制方法相比，本发明有更快的调节能力和更小的动态偏差。图4中，在1000s时氨水流量侧有扰动进入系统情况下，本发明能够快速识别扰动类型为斜坡输入扰动，并在扰动持续过程中将其抑制消除，取得很好的控制效果。但是在斜坡扰动影响系统情况下，其它扰动抑制方法并不能有效抑制扰动，有较大的动态偏差。图5中，氨水流量侧受持续扰动影响，本发明能够快速识别出扰动类型为周期输入扰动，改变氨水流量，有效抑制扰动。与其它扰动抑制方法相比，本发明有较小的动态偏差。图6中，氨水流量侧受多种扰动影响，本发明能识别出扰动类型主要为阶跃输入和周期输入扰动，并首先完全抑制阶跃扰动的影响，再抑制周期扰动，有较好的抑制效果。与其它扰动抑制方法相比，有较小的动态偏差。

Claims (7)

1.一种氨法脱硫系统的扰动抑制预测控制方法，其特征在于：包括以下步骤：
S1：以脱硫塔的氨水流量作为控制量，以循环浆液pH作为被控量，在稳态工况下进行开环阶跃响应试验，获取控制量与被控量之间的传递函数，得到被控对象的辨识模型；
S2：将循环浆液pH对氨水流量的传递函数转换为带扰动项的系统状态空间模型；所述步骤S2中的系统状态空间模型如式(1)所示：
Figure FDA0003529838510000011
式中，xd(k)表示k时刻的系统状态变量，xd(k+1)表示k+1时刻的系统状态变量，u(k)表示k时刻的控制量，y(k)表示k时刻的被控量，d(k)表示k时刻的扰动量，Ad表示xd(k)的系数矩阵，Bd表示u(k)的系数矩阵，Brd表示d(k)的系数矩阵，Cd表示xd(k)的系数矩阵；
S3：选取阶跃输出扰动模型、阶跃输入扰动模型、斜坡输入扰动模型和周期输入扰动模型这四个扰动模型按顺序组成扰动模型集；针对扰动模型集中的每一个扰动模型，将步骤S2得到的系统状态空间模型转换为增量状态空间模型，再将扰动增量项和系统输出项作为扩增量对状态变量进行扩增，得到扩增状态变量和扩增状态空间模型；所述步骤S3中的扩增状态空间模型如下式所示：
Figure FDA0003529838510000012
Figure FDA0003529838510000013
式中，xi(k+1)表示k+1时刻第i个扰动模型扩增的状态向量，i＝1,2,3,4，包括三个子向量Δxd(k+1)、Δd(k+1)和y(k+1)，Δxd(k+1)表示k+1时刻系统原来的状态增量，Δd(k+1)表示k+1时刻当前扰动模型的扰动增量，y(k+1)表示k+1时刻脱硫系统的被控量；xi(k)表示k时刻第i个扰动模型扩增的状态向量，包括三个子向量Δxd(k)、Δd(k)和y(k)，Δxd(k)表示k时刻系统原来的状态增量，Δd(k)表示k时刻当前扰动模型的扰动增量，y(k)表示k时刻脱硫系统的被控量；Δu(k)表示k时刻脱硫系统的控制量增量，Aai表示第i个扰动模型的扩增状态空间模型的第一系数矩阵，A1,...,A9表示矩阵Aai中的元素，Bai表示第i个扰动模型的扩增状态空间模型的第二系数矩阵，B1,...,B3表示矩阵Bai中的元素，Cai表示第i个扰动模型的扩增状态空间模型的第三系数矩阵，C1,...,C3表示矩阵Cai中的元素；
S4：根据步骤S3中每一个扰动模型的特点，得出所述四个扰动模型的扩增状态空间模型中的系数矩阵；
S5：利用标准Kalman滤波器对每个扩增状态空间模型进行状态估计；
S6：计算脱硫系统的实际输出与Kalman滤波器得到的预估输出之间的偏差；
S7：采用递推贝叶斯公式计算出各个扰动模型与当前脱硫系统的匹配概率；
S8：根据各个扰动模型与当前脱硫系统的匹配概率计算各个扩增状态空间模型的权重；
S9：根据各个扩增状态空间模型的权重，对各个扩增状态空间模型进行加权平均，计算出脱硫系统的p步平均预测输出值；
S10：根据扩增状态空间模型构建平均预测模型，计算最优控制增量向量；所述步骤S10中的平均预测模型如下式所示：
Figure FDA0003529838510000021
式中，
Figure FDA0003529838510000022
为k时刻循环浆液pH值的p步平均预测输出向量，
Figure FDA0003529838510000023
ΔU(k)为k时刻控制量向量，F为加权后的平均预测模型的状态变量的系数矩阵，
Figure FDA0003529838510000024
wi(k)表示k时刻第i个扰动模型的扩增状态空间模型的权重，Fi表示第i个扰动模型的扩增状态空间模型的状态向量的系数矩阵，Φ为加权后的平均预测模型的控制量向量的系数矩阵，
Figure FDA0003529838510000025
Φi表示第i个扰动模型的扩增状态空间模型的控制量向量的系数矩阵；
Figure FDA0003529838510000031
p表示预测步长，m表示控制步长；
所述最优控制增量向量通过以下过程计算得到：基于性能指标函数计算k时刻控制量增量Δu(k)，进而基于k时刻控制量增量Δu(k)构造控制增量向量ΔU，制定最终性能指标函数来计算最优控制增量向量，最终性能指标函数和最优控制增量公式如下式：
Figure FDA0003529838510000032
ΔU＝(ΦTWyΦ)-1ΦTWy[Yr-Fx(k)]
式中，Yr为浆液pH值设定值，Wy为误差权矩阵，J为性能指标，x(k)为k时刻的平均预测模型的状态量；
S11：计算得到脱硫系统的输出。
2.根据权利要求1所述的氨法脱硫系统的扰动抑制预测控制方法，其特征在于：所述步骤S4中，四个扰动模型的扩增状态空间模型中的系数矩阵Aai、Bai和Cai通过下式得到：
Figure FDA0003529838510000033
Ca1＝[O O I]
Figure FDA0003529838510000034
Ca2＝[O O I]
Figure FDA0003529838510000035
Ca3＝[O O I]
Figure FDA0003529838510000036
Ca4＝[O O I]
其中，Aa1表示阶跃输出扰动模型的扩增状态空间模型的第一系数矩阵，Aa2表示阶跃输入扰动模型的扩增状态空间模型的第一系数矩阵，Aa3表示斜坡输入扰动模型的扩增状态空间模型的第一系数矩阵，Aa4表示周期输入扰动模型的扩增状态空间模型的第一系数矩阵，Ba1表示阶跃输出扰动模型的扩增状态空间模型的第二系数矩阵，Ba2表示阶跃输入扰动模型的扩增状态空间模型的第二系数矩阵，Ba3表示斜坡输入扰动模型的扩增状态空间模型的第二系数矩阵，Ba4表示周期输入扰动模型的扩增状态空间模型的第二系数矩阵，Ca1表示阶跃输出扰动模型的扩增状态空间模型的第三系数矩阵，Ca2表示阶跃输入扰动模型的扩增状态空间模型的第三系数矩阵，Ca3表示斜坡输入扰动模型的扩增状态空间模型的第三系数矩阵，Ca4表示周期输入扰动模型的扩增状态空间模型的第三系数矩阵。
3.根据权利要求1所述的氨法脱硫系统的扰动抑制预测控制方法，其特征在于：所述步骤S5中，状态估计通过下式实现：
Figure FDA0003529838510000041
P(k+1|k)＝AaiP(k|k)Aai T+Q
L(k+1)＝P(k+1|k)Cai T[CaiP(k+1|k)Cai T+R]-1
Figure FDA0003529838510000042
P(k+1|k+1)＝[I-L(k+1)Cai]P(k+1|k)
Figure FDA0003529838510000043
其中，
Figure FDA0003529838510000044
表示k时刻对k+1时刻的第i个扰动模型的扩增状态空间模型状态量的预估值，
Figure FDA0003529838510000045
表示k时刻对k时刻的第i个扰动模型的扩增状态空间模型状态量的预估值，
Figure FDA0003529838510000046
表示k+1时刻对k+1时刻的第i个扰动模型的扩增状态空间模型状态量的预估值，
Figure FDA0003529838510000047
表示k时刻对k+1时刻的第i个扰动模型的扩增状态空间模型输出量的预估值，P(k+1|k)表示k时刻对k+1时刻的协方差矩阵，P(k|k)表示k时刻对k时刻的协方差矩阵，P(k+1|k+1)表示k+1时刻对k+1时刻的协方差矩阵，L(k+1)表示k+1时刻的状态估计增益矩阵，y(k+1)表示k+1时刻的脱硫系统的实际输出，Q表示输入噪声项的协方差，R表示输出噪声项的协方差。
4.根据权利要求3所述的氨法脱硫系统的扰动抑制预测控制方法，其特征在于：所述步骤S6中，脱硫系统的实际输出与Kalman滤波器的预估输出之间的偏差通过下式得到：
Figure FDA0003529838510000051
式中，ei(k+1)表示k+1时刻脱硫系统的实际输出与第i个扰动模型的Kalman滤波器的预估输出之间的偏差。
5.根据权利要求1所述的氨法脱硫系统的扰动抑制预测控制方法，其特征在于：所述步骤S7中，各个扰动模型与当前脱硫系统的匹配概率通过下式得到：
Figure FDA0003529838510000052
式中，ρi(k+1)表示k+1时刻第i个扰动模型与当前脱硫系统的匹配概率，ρi(k)表示k时刻第i个扰动模型与当前脱硫系统的匹配概率，ei(k+1)表示表示k+1时刻脱硫系统的实际输出与第i个扰动模型的Kalman滤波器的预估输出之间的偏差，Λ表示贝叶斯概率协方差矩阵；设定匹配概率的下限值δ，当k时刻的匹配概率ρi(k)低于下限值δ时，先以该下限值δ置换ρi(k)后，再代入式中计算出k+1时刻的匹配概率ρi(k+1)。
6.根据权利要求5所述的氨法脱硫系统的扰动抑制预测控制方法，其特征在于：所述步骤S8中，通过下式计算各个扩增状态空间模型的权重：
Figure FDA0003529838510000053
式中，wi(k)表示k时刻第i个扰动模型的扩增状态空间模型的权重。
7.根据权利要求1所述的氨法脱硫系统的扰动抑制预测控制方法，其特征在于：所述步骤S9中，脱硫系统的p步平均预测输出值通过以下公式得到：
Figure FDA0003529838510000061
式中，
Figure FDA0003529838510000062
表示k时刻对未来j个时刻的第i个扩增状态空间模型的预测输出值，wi(k)表示k时刻第i个扰动模型的扩增状态空间模型的权重，
Figure FDA0003529838510000063
表示k时刻对未来j个时刻加权后的平均扩增状态空间模型的预测输出值。
CN201910836219.8A 2019-09-05 2019-09-05 一种氨法脱硫系统的扰动抑制预测控制方法 Active CN110471291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910836219.8A CN110471291B (zh) 2019-09-05 2019-09-05 一种氨法脱硫系统的扰动抑制预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910836219.8A CN110471291B (zh) 2019-09-05 2019-09-05 一种氨法脱硫系统的扰动抑制预测控制方法

Publications (2)

Publication Number Publication Date
CN110471291A CN110471291A (zh) 2019-11-19
CN110471291B true CN110471291B (zh) 2022-05-10

Family

ID=68514895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910836219.8A Active CN110471291B (zh) 2019-09-05 2019-09-05 一种氨法脱硫系统的扰动抑制预测控制方法

Country Status (1)

Country Link
CN (1) CN110471291B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611691A (zh) * 2020-04-21 2020-09-01 大唐环境产业集团股份有限公司 基于多模态模型预测控制脱硫系统多目标优化控制方法
CN113204189B (zh) * 2020-04-28 2023-05-26 大唐环境产业集团股份有限公司 脱硫系统控制模型、其建立方法和脱硫系统控制方法
CN113174327B (zh) * 2021-01-15 2021-12-31 北京中科生仪科技有限公司 基于pcr扩增仓的搅动控制方法
CN114035430A (zh) * 2021-09-30 2022-02-11 湖北华电襄阳发电有限公司 一种基于预测控制的脱硫系统pH值控制系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102000490A (zh) * 2010-11-25 2011-04-06 东南大学 氨法烟气脱硫中气溶胶的控制方法及脱硫主塔
CN105629736A (zh) * 2016-03-22 2016-06-01 东南大学 数据驱动的火电机组scr脱硝扰动抑制预测控制方法
CN106647268A (zh) * 2016-12-21 2017-05-10 东南大学 基于模型预测控制的mgt‑cchp分层最优控制系统
CN107168055A (zh) * 2017-05-15 2017-09-15 东南大学 一种基于多变量预测控制的氨法脱硫优化控制方法
CN108636094A (zh) * 2018-07-12 2018-10-12 浙江大学 一种湿法脱硫工艺中的精确预测控制与节能系统及方法
CN109224815A (zh) * 2018-10-18 2019-01-18 中国石化扬子石油化工有限公司 一种基于多变量约束区间预测控制的氨法脱硫优化控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10817801B2 (en) * 2016-07-25 2020-10-27 General Electric Company System and method for process modeling and control using disturbance rejection models

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102000490A (zh) * 2010-11-25 2011-04-06 东南大学 氨法烟气脱硫中气溶胶的控制方法及脱硫主塔
CN105629736A (zh) * 2016-03-22 2016-06-01 东南大学 数据驱动的火电机组scr脱硝扰动抑制预测控制方法
CN106647268A (zh) * 2016-12-21 2017-05-10 东南大学 基于模型预测控制的mgt‑cchp分层最优控制系统
CN107168055A (zh) * 2017-05-15 2017-09-15 东南大学 一种基于多变量预测控制的氨法脱硫优化控制方法
CN108636094A (zh) * 2018-07-12 2018-10-12 浙江大学 一种湿法脱硫工艺中的精确预测控制与节能系统及方法
CN109224815A (zh) * 2018-10-18 2019-01-18 中国石化扬子石油化工有限公司 一种基于多变量约束区间预测控制的氨法脱硫优化控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Data-Driven Disturbance Rejection Predictive Control for SCR Denitrification System》;Xiao Wu.etc;《Industrial & Engineering Chemistry Research》;20160503;第A-H页 *
《氨法脱硫过程数据校正及预测控制方法研究 》;黄源烽;《万方学位论文》;20190603;第1-104页 *

Also Published As

Publication number Publication date
CN110471291A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN110471291B (zh) 一种氨法脱硫系统的扰动抑制预测控制方法
CN109062053B (zh) 一种基于多变量校正的脱硝喷氨控制方法
CN107168055B (zh) 一种基于多变量预测控制的氨法脱硫优化控制方法
Peng et al. Nonlinear predictive control using neural nets-based local linearization ARX model—Stability and industrial application
CN100462877C (zh) 工业过程中非方系统的解耦控制方法
Lee et al. Uniformly ultimately bounded fuzzy adaptive tracking controllers for uncertain systems
CN110908351A (zh) 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法
Meng et al. NN-based asymptotic tracking control for a class of strict-feedback uncertain nonlinear systems with output constraints
CN111064205A (zh) 基于惯性下垂和动态矩阵分段控制的储能调频控制方法
CN112015082A (zh) 一种基于模糊增益调度预测控制的机炉协调系统控制方法
CN113625547B (zh) 一种控制器的主阀位置控制方法
Aoyama et al. Control-affine neural network approach for nonminimum-phase nonlinear process control
Hu et al. Feedforward DMC-PID cascade strategy for main steam temperature control system in fossil-fired power plant
CN113741182B (zh) 一种基于广义值迭代的污水处理过程控制方法
Volcke et al. Influence of microbial growth kinetics on steady state multiplicity and stability of a two‐step nitrification (SHARON) model
CN114035430A (zh) 一种基于预测控制的脱硫系统pH值控制系统及方法
Medjbeur et al. Adaptive fuzzy terminal synergetic control
Wang et al. Chaos optimization strategy on fuzzy-immune-PID control of the turbine governing system
Abu-Ayyad et al. SISO extended predictive control—formulation and the basic algorithm
CN111538230A (zh) 一种pid控制器的设计与在一级控制系统中的应用方法
Lu et al. Multistage model predictive control based on data-driven distributionally robust optimization
Abu-Ayyad et al. MIMO extended predictive control—implementation and robust stability analysis
Francisco et al. Nonlinear offset free MPC for self-optimizing control in wastewater treatment plants
Chi et al. Fuzzy dynamic matrix predictive control of ammonia injection quantityin SCR denitration systems
Feng et al. Improved Linear Active Disturbance Rejection Control Strategy Based on RBF Neural Network For Main Steam Temperature Of Thermal Power Boiler

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Yiguo

Inventor after: Jiang Hao

Inventor before: Li Yiguo

GR01 Patent grant
GR01 Patent grant