CN110764419B - 大型燃煤电站co2捕集整体调度及预测控制系统和方法 - Google Patents

大型燃煤电站co2捕集整体调度及预测控制系统和方法 Download PDF

Info

Publication number
CN110764419B
CN110764419B CN201911116949.7A CN201911116949A CN110764419B CN 110764419 B CN110764419 B CN 110764419B CN 201911116949 A CN201911116949 A CN 201911116949A CN 110764419 B CN110764419 B CN 110764419B
Authority
CN
China
Prior art keywords
coal
fired power
power plant
overall
whole system
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
CN201911116949.7A
Other languages
English (en)
Other versions
CN110764419A (zh
Inventor
孙栓柱
廖霈之
李逗
孙彬
李春岩
高进
沈洋
潘苗
杨晨琛
吴啸
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
Jiangsu Fangtian Power Technology Co Ltd
Original Assignee
Southeast University
Jiangsu Fangtian Power Technology Co Ltd
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, Jiangsu Fangtian Power Technology Co Ltd filed Critical Southeast University
Priority to CN201911116949.7A priority Critical patent/CN110764419B/zh
Publication of CN110764419A publication Critical patent/CN110764419A/zh
Application granted granted Critical
Publication of CN110764419B publication Critical patent/CN110764419B/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

本发明公开了一种大型燃煤电站CO2捕集整体调度及预测控制系统和方法，根据燃煤电站CO2捕集整体系统的运行特性，选取模型主要控制变量和被控变量；首先考虑上网电价、CO2排放价格、主蒸汽温度等约束，构建燃煤电站CO2捕集整体系统的经济性能指标，计算出当前条件下经济最优的目标值，其后构建基于状态空间的模型预测控制器对最优目标值进行跟踪。本发明不仅能够实现燃煤电站CO2捕集整体系统的经济最优，也能有效处理CO2捕集系统的大延迟特性，提高了输出测的动态调节品质，使得控制系统适应工业现场需要。

Description

大型燃煤电站CO2捕集整体调度及预测控制系统和方法
技术领域
本发明属于燃煤电站调控技术领域，具体涉及一种大型燃煤电站CO2捕集整体调度及预测控制系统和方法。
背景技术
燃煤火电机组是当前CO2等温室气体最主要的排放源，深入研究火电机组CO2捕集技术是实现温室气体减排、控制环境温度的重要手段。基于化学吸附的燃烧后CO2捕集技术由于其高效吸收CO2、不改变现有火电机组装置的优势，是当前CO2捕集的主流技术。
燃煤火电机组与燃烧后CO2捕集系统具有强耦合作用。由于太阳能、风能等新型能源的局限性，不能保持稳定的能源输出，因此需要常规火电机组进行深度调峰，以维持电网供需平衡。当电网负荷指令发生变化，火电机组尾部烟气会随机组负荷产生波动，对下游CO2捕集系统的捕集率、再沸器温度等关键变量产生较大影响。同时，燃烧后CO2捕集系统的溶剂再生需要消耗大量热量，这由火电机组汽轮机抽汽提供热源，而汽轮机抽汽会降低火电机组发电量，影响机组热效率。因此，将燃煤火电机组与燃烧后CO2捕集系统看作是整体系统进行控制设计，并合理设计燃煤火电机组与燃烧后CO2捕集系统的目标值，实现碳捕集和发电量的整体平衡，是实现整体系统灵活运行、实现经济最优的最佳手段。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种大型燃煤电站CO2捕集整体调度及预测控制系统和方法，考虑上网电价、CO2排放价格、主蒸汽温度约束等因素，构建大型燃煤电站CO2捕集整体系统的经济指标，计算最优被控变量给定值。同时，设计整体系统模型预测控制器，能有效处理大型燃煤电站CO2捕集整体系统的强耦合、大延迟和输出、输出约束特性，提高控制品质。
为实现上述技术目的，本发明采取的技术方案为：
一种大型燃煤电站CO2捕集整体调度及预测控制系统，包括优化求解模块、神经网络稳态模型、模型预测控制器、第一延迟模块、第二延迟模块、状态观测器和大型燃煤电站CO2捕集整体系统模型；
所述优化求解模块，根据上网电价、CO2排放价格、主蒸汽温度约束构建大型燃煤电站 CO2捕集整体系统的经济指标，输出当前时刻最优被控变量u*；
所述神经网络稳态模型，根据当前时刻最优被控变量u*，输出大型燃煤电站CO2捕集整体系统当前时刻的给定值yr(k)；
所述模型预测控制器，通过优化性能指标，输出大型燃煤电站CO2捕集整体系统当前时刻的最优控制量u(k)；
所述第一延迟模块，输入大型燃煤电站CO2捕集整体系统控制变量前一时刻的采样值 u(k-1)；
所述第二延迟模块，输入大型燃煤电站CO2捕集整体系统被控变量前一时刻的采样值 y(k-1)；
所述状态观测器，根据u(k-1)与y(k-1)估计出当前时刻大型燃煤电站CO2捕集整体系统的状态量
Figure BDA0002274339000000021
所述大型燃煤电站CO2捕集整体系统模型，在当前时刻最优控制变量u(k)的作用下输出被控变量y(k)。
为优化上述技术方案，采取的具体措施还包括：
上述的大型燃煤电站CO2捕集整体系统模型包含锅炉、汽轮机、发电机、吸收塔和分离塔；变量包含给煤量、给水流量、主蒸汽阀门开度、贫液流量、再沸器抽汽流量、主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度。
一种大型燃煤电站CO2捕集整体调度及预测控制方法，包括以下步骤：
(1)选取主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度作为大型燃煤电站CO2捕集整体系统的被控变量y(k)；选取给煤量、给水流量、主蒸汽阀门开度、贫液流量和再沸器抽汽流量作为相对应的控制变量u(k)；
(2)在开环情况下，改变给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量，获取不同发电量、捕集率负荷下的大型燃煤电站CO2捕集整体系统的稳态输入、输出数据；
(3)将给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量稳态数据作为输入变量，将主蒸汽压力、中间点焓值、输出功率、捕集率及再沸器温度稳态数据作为输出变量，利用BP神经网络进行离线训练，建立大型燃煤电站CO2捕集整体系统的稳态模型；
(4)基于上网电价、CO2排放价格、主蒸汽温度约束，构建燃煤电站CO2捕集整体系统的经济指标J1；
(5)通过优化燃煤电站CO2捕集整体系统的经济指标J1，使得整体经济指标J1最小，求解出最优被控变量u*；
(6)通过BP神经网络稳态模型，求解出当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k)；
(7)设置模型预测控制器相关参数；
(8)设置模型预测控制器性能指标J2；
(9)求解模型预测控制器性能指标J2，计算未来M时刻内最优输入量差值ΔU；
(10)计算当前时刻的最佳控制量u(k)＝u(k-1)+Δu(k)；
(11)输出最佳控制量u(k)，采集燃煤电站CO2捕集整体系统的输出y(k)，其后在每个采样周期内，重复执行步骤(8)到步骤(11)。
上述的步骤(3)，所述BP神经网络含有一层隐藏层，神经元个数为14，训练函数为traingdm，建立的大型燃煤电站CO2捕集整体系统的稳态模型函数公式为：
y(k)＝f(u(k)) (1)；
y(k)为被控变量在当前时刻的采集值，u(k)为控制变量在当前时刻的采集值。
上述的步骤(4)，所述燃煤电站CO2捕集整体系统的经济指标J1，如公式(2)：
Figure BDA0002274339000000031
Edemand为当前时刻电厂AGC指令负荷，y3为机组发电量，Celectricity为当前时刻上网电价， Fgas为当前时刻烟气流量，y4为CO2捕集率，CCO2为当前时刻CO2排放价格，Penalty为主蒸汽压力约束惩罚项，a、b、c分别为权系数。
上述的步骤(6)，所述当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k)，如公式(3)：
yr(k)＝f(u*) (3)。
上述的步骤(7)，所述模型预测控制器相关参数包括预测时域P，控制时域M，输出误差权矩阵Q，控制权矩阵R；
其中Ts＝30秒，预测时域P＝10，控制时域M＝3，
Figure BDA0002274339000000041
上述的步骤(8)，所述模型预测控制器性能指标J2，如公式(4)所示：
Figure BDA0002274339000000042
其中，Yr＝[yr(k) yr(k) … yr(k)]T为燃煤电站CO2捕集整体系统给定值， Y(k+P|k)＝[y(k|k) y(k+1|k) … y(k+P-1|k)]T为未来P步时刻内燃煤电站CO2捕集整体系统的预测输出，ΔU＝[Δu(k) Δu(k+1) … Δu(k+M-1)]T为未来M时刻内输入量的差值。
上述的步骤(9)采用二次规划quadprog求解器求解模型预测控制器性能指标J2。
本发明具有以下有益效果：
本发明考虑上网电价、CO2排放价格、主蒸汽温度约束等因素，构建燃煤电站CO2捕集整体系统的经济指标，获得整体系统在当前时刻的经济最优工作点；其次通过使用基于状态空间的模型预测控制器，解决了常规PID模型预测控制器不能处理大延迟、输入输出约束和强耦合特性的技术问题，提高动态调节品质。
附图说明
图1为本发明控制系统的结构示意图。
图2为本发明大型燃煤电站CO2捕集整体系统模型结构图。
图3为本发明大型燃煤电站CO2捕集整体系统的经济指标优化前后的效果对比图。
图4为本发明在给定值变化时主蒸汽压力控制效果图。
图5为本发明在给定值变化时中间点焓值控制效果图。
图6为本发明在给定值变化时机组发电量控制效果图。
图7为本发明在给定值变化时给煤量控制效果图。
图8为本发明在给定值变化时给水量控制效果图。
图9为本发明在给定值变化时主蒸汽阀门开度控制效果图。
图10为本发明在给定值变化时捕集率控制效果图。
图11为本发明在给定值变化时再沸器温度控制效果图。
图12为本发明在给定值变化时贫液流量控制效果图。
图13为本发明在给定值变化时再沸器抽汽流量控制效果图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
如图1所示，本发明的一种大型燃煤电站CO2捕集整体调度及预测控制系统，包括优化求解模块、神经网络稳态模型、模型预测控制器、第一延迟模块、第二延迟模块、状态观测器和大型燃煤电站CO2捕集整体系统模型；
优化求解模块有三路输入，分别是当前时刻上网电价Celectricit、当前时刻CO2排放价格 CCO2和主蒸汽压力约束惩罚项Penalty，其输出为当前时刻最优被控变量u*；
神经网络稳态模型输入为当前时刻最优被控变量u*，输出为当前时刻的给定值yr(k)；
大型燃煤电站CO2捕集整体系统的输入变量u(k)与输出变量y(k)分别通过第一延迟单元和第二延迟单元得到延迟变量u(k-1)与y(k-1)；延迟变量u(k-1)与y(k-1)通过状态观测器获得当前时刻状态量估计值
Figure BDA0002274339000000051
模型预测控制器的输入分别是：当前时刻的给定值yr(k)、前一时刻被控变量y(k-1)、当前时刻状态量估计值
Figure BDA0002274339000000053
计算出当前时刻最佳控制变量u(k)。
所述优化求解模块，根据上网电价、CO2排放价格、主蒸汽温度约束构建大型燃煤电站 CO2捕集整体系统的经济指标，输出当前时刻最优被控变量u*；
所述神经网络稳态模型，根据当前时刻最优被控变量u*，输出大型燃煤电站CO2捕集整体系统当前时刻的给定值yr(k)；
所述模型预测控制器，通过优化性能指标，输出大型燃煤电站CO2捕集整体系统当前时刻的最优控制量u(k)；
所述第一延迟模块，输入大型燃煤电站CO2捕集整体系统控制变量前一时刻的采样值 u(k-1)；
所述第二延迟模块，输入大型燃煤电站CO2捕集整体系统被控变量前一时刻的采样值 y(k-1)；
所述状态观测器，根据u(k-1)与y(k-1)估计出当前时刻大型燃煤电站CO2捕集整体系统的状态量
Figure BDA0002274339000000052
实施例中，根据大型燃煤电站CO2捕集整体系统前一时刻的输入数据u(k-1)、前一时刻的输出数据y(k-1)，利用卡尔曼滤波器，估计出当前时刻大型燃煤电站CO2捕集整体系统的状态量
Figure BDA0002274339000000061
所述大型燃煤电站CO2捕集整体系统模型，在当前时刻最优控制变量u(k)的作用下输出被控变量y(k)。
如图2所示，实施例中，所述大型燃煤电站CO2捕集整体系统模型包含锅炉、汽轮机、发电机、吸收塔和分离塔；变量包含给煤量、给水流量、主蒸汽阀门开度、贫液流量、再沸器抽汽流量、主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度。
本发明的一种大型燃煤电站CO2捕集整体调度及预测控制方法，包括：
(1)选取主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度为大型燃煤电站 CO2捕集整体系统的被控变量y(k)，选取给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量为相对应的控制变量u(k)；
(2)在开环情况下，改变给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量，获取不同发电量、捕集率负荷下的大型燃煤电站CO2捕集整体系统的稳态输入、输出数据；
(3)将给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量稳态数据作为输入变量，将主蒸汽压力、中间点焓值、输出功率、捕集率及再沸器温度稳态数据作为输出变量，将控制变量的历史采样值作为输入，将被控变量的历史采样值作为输出，利用BP神经网络进行离线训练，建立大型燃煤电站CO2捕集整体系统的稳态模型；
该神经网络含有一层隐藏层，神经元个数为14，训练函数为traingdm，建立的大型燃煤电站CO2捕集整体系统的稳态模型函数公式为：
y(k)＝f(u(k)) (1)；
y(k)为被控变量在当前时刻的采集值，u(k)为控制变量在当前时刻的采集值。
(4)考虑上网电价、CO2排放价格、主蒸汽温度约束等因素，构建燃煤电站CO2捕集整体系统的经济指标，如公式(2)：
Figure BDA0002274339000000062
其中，Edemand为当前时刻电厂AGC指令负荷，y3为机组发电量，Celectricity为当前时刻上网电价，Fgas为当前时刻烟气流量，y4为CO2捕集率，CCO2为当前时刻CO2排放价格，Penalty为主蒸汽压力约束惩罚项，a、b、c分别为权系数。
(5)通过优化燃煤电站CO2捕集整体系统的经济指标J1，使得整体经济指标J1(惩罚项)最小，求解出最优被控变量u*。
(6)将u*作为输入，通过BP神经网络稳态模型，求解出当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k)，如公式(3)
yr(k)＝f(u*) (3)；
(7)设置模型预测控制器相关参数，包括预测时域P，控制时域M，输出误差权矩阵Q，控制权矩阵R；
其中Ts＝30秒，预测时域P＝10，控制时域M＝3，
Figure BDA0002274339000000071
对未来时域的被控变量进行优化，优化控制变量的具体方法为：
(8)设置模型预测控制器性能指标，如公式(4)所示：
Figure BDA0002274339000000072
其中，Yr＝[yr(k) yr(k) … yr(k)]T为燃煤电站CO2捕集整体系统给定值， Y(k+P|k)＝[y(k|k) y(k+1|k) … y(k+P-1|k)]T为未来P步时刻内燃煤电站CO2捕集整体系统的预测输出，ΔU＝[Δu(k) Δu(k+1) … Δu(k+M-1)]T为未来M时刻内输入量的差值；
(9)采用二次规划quadprog求解器求解模型预测控制器性能指标，计算未来M时刻内最优输入量差值ΔU；
(10)计算当前时刻的最佳控制量u(k)＝u(k-1)+Δu(k)；
(11)输出最佳控制量u(k)，采集燃煤电站CO2捕集整体系统的输出y(k)，其后在每个采样周期内，重复执行第(8)步到第(11)步。
实施例中，大型燃煤电站CO2捕集整体系统的经济指标如图3所示，控制效果如图4、图5、图6、图7、图8、图9、图10、图11、图12、图13所示。初始稳态工况为u1＝57.46551kg/s、u2＝404.187kg/s、u3＝87.735％、u4＝392.9845kg/s、u5＝99.10833kg/s、y1＝21.3634MPa、y2＝2722.1325kJ/kg、y3＝432.9270MW、y4＝70％、y5＝392K，AGC负荷指令为Edemand＝500MW，Celectricity＝0.35元/kW·h，CCO2＝0.2349元/kg，Penalty＝0。在600秒时，AGC负荷指令变为Edemand＝600MW，价格不变，则优化后燃煤电站CO2捕集整体系统给定值变为：y1＝25.7248MPa、 y2＝2672.8165kJ/kg、y3＝577.2926MW、y4＝86.445％、y5＝392K，运行一段时间后，在7800秒时，价格分别变为Celectricity＝0.28元/kW·h，CCO2＝0.3132元/kg，优化后燃煤电站CO2捕集整体系统给定值变为：y1＝21.1815MPa、y2＝2714.6599kJ/kg、y3＝423.5138MW、y4＝98％、y5＝392K。系统总共运行15000秒，为方便观察比较，以30秒为采样周期进行取点、绘图。
由图3可知，优化目标值后，燃煤电站CO2捕集整体系统经济惩罚项大幅度降低，分别由1447.65元/30秒、1430.76元/30秒降低至423.18元/30秒、674.1元/30秒。
由图4-图13所示，基于状态空间的模型预测控制器能够有效的跟踪目标值，波动小、响应速度快，能够实现稳态无差控制。
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 (9)

1.一种大型燃煤电站CO2 捕集整体调度及预测控制系统，其特征在于，包括优化求解模块、神经网络稳态模型、模型预测控制器、第一延迟模块、第二延迟模块、状态观测器和大型燃煤电站CO2 捕集整体系统模型；
所述优化求解模块，根据上网电价、CO2 排放价格、主蒸汽温度约束构建大型燃煤电站CO2捕集整体系统的经济指标，输出当前时刻最优被控变量u*；
所述神经网络稳态模型，根据当前时刻最优被控变量u*，输出大型燃煤电站CO2捕集整体系统当前时刻的最优给定值yr(k)；
所述模型预测控制器，通过优化性能指标，输出大型燃煤电站CO2捕集整体系统当前时刻的最优控制变量u(k)；
所述第一延迟模块，输入大型燃煤电站CO2捕集整体系统控制变量前一时刻的采样值u(k-1)；
所述第二延迟模块，输入大型燃煤电站CO2捕集整体系统被控变量前一时刻的采样值y(k-1)；
所述状态观测器，根据u(k-1)与y(k-1)估计出当前时刻大型燃煤电站CO2捕集整体系统的状态量
Figure FDA0003611615800000011
所述大型燃煤电站CO2 捕集整体系统模型，在当前时刻最优控制变量u(k)的作用下输出被控变量y(k)。
2.根据权利要求1所述的一种大型燃煤电站CO2 捕集整体调度及预测控制系统，其特征在于，所述大型燃煤电站CO2 捕集整体系统模型包含锅炉、汽轮机、发电机、吸收塔和分离塔；变量包含给煤量、给水流量、主蒸汽阀门开度、贫液流量、再沸器抽汽流量、主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度。
3.根据权利要求1或2所述的一种大型燃煤电站CO2 捕集整体调度及预测控制系统的大型燃煤电站CO2 捕集整体调度及预测控制方法，其特征在于，包括以下步骤：
(1)选取主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度作为大型燃煤电站CO2捕集整体系统的被控变量y(k)；选取给煤量、给水流量、主蒸汽阀门开度、贫液流量和再沸器抽汽流量作为相对应的最优控制变量u(k)；
(2)在开环情况下，改变给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量，获取不同发电量、捕集率负荷下的大型燃煤电站CO2捕集整体系统的稳态输入、输出数据；
(3)将给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量稳态数据作为输入变量，将主蒸汽压力、中间点焓值、输出功率、捕集率及再沸器温度稳态数据作为输出变量，利用BP神经网络进行离线训练，建立大型燃煤电站CO2捕集整体系统的稳态模型；
(4)基于上网电价、CO2排放价格、主蒸汽温度约束，构建燃煤电站CO2捕集整体系统的经济指标J1；
(5)通过优化燃煤电站CO2捕集整体系统的经济指标J1，使得整体经济指标J1最小，求解出最优被控变量u*；
(6)通过BP神经网络稳态模型，求解出当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k)；
(7)设置模型预测控制器相关参数；
(8)设置模型预测控制器性能指标J2；
(9)求解模型预测控制器性能指标J2，计算未来M时刻内最优输入量差值ΔU；
(10)计算当前时刻的最优控制变量u(k)＝u(k-1)+Δu(k)；
(11)输出最优控制变量u(k)，采集燃煤电站CO2捕集整体系统的输出y(k)，其后在每个采样周期内，重复执行步骤(8)到步骤(11)。
4.根据权利要求3所述的一种大型燃煤电站CO2 捕集整体调度及预测控制方法，其特征在于，步骤(3)所述BP神经网络含有一层隐藏层，神经元个数为14，训练函数为traingdm，建立的大型燃煤电站CO2捕集整体系统的稳态模型函数公式为：
y(k)＝f(u(k)) (1)；
y(k)为被控变量在当前时刻的采集值，u(k)为最优控制变量在当前时刻的采集值。
5.根据权利要求3所述的一种大型燃煤电站CO2 捕集整体调度及预测控制方法，其特征在于，步骤(4)所述燃煤电站CO2捕集整体系统的经济指标J1，如公式(2)：
Figure FDA0003611615800000021
Edemand为当前时刻电厂AGC指令负荷，y3为机组发电量，Celectricity为当前时刻上网电价，Fgas为当前时刻烟气流量，y4为CO2捕集率，
Figure FDA0003611615800000022
为当前时刻CO2排放价格，Penalty为主蒸汽压力约束惩罚项。
6.根据权利要求3所述的一种大型燃煤电站CO2 捕集整体调度及预测控制方法，其特征在于，步骤(6)所述当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k)，如公式(3)：
yr(k)＝f(u*) (3)。
7.根据权利要求3所述的一种大型燃煤电站CO2 捕集整体调度及预测控制方法，其特征在于，步骤(7)所述模型预测控制器相关参数包括预测时域P，控制时域M，输出误差权矩阵Q，控制权矩阵R；
其中Ts＝30秒，预测时域P＝10，控制时域M＝3，
Figure FDA0003611615800000031
8.根据权利要求3所述的一种大型燃煤电站CO2 捕集整体调度及预测控制方法，其特征在于，步骤(8)所述模型预测控制器性能指标J2，如公式(4)所示：
Figure FDA0003611615800000032
其中，Yr＝[yr(k)yr(k)…yr(k)]T为燃煤电站CO2捕集整体系统给定值，Y(k+P|k)＝[y(k|k)y(k+1|k)…y(k+P-1|k)]T为未来P步时刻内燃煤电站CO2捕集整体系统的预测输出，ΔU＝[Δu(k)Δu(k+1)…Δu(k+M-1)]T为未来M时刻内输入量的差值。
9.根据权利要求3所述的一种大型燃煤电站CO2 捕集整体调度及预测控制方法，其特征在于，步骤(9)采用二次规划quadprog求解器求解模型预测控制器性能指标J2。
CN201911116949.7A 2019-11-15 2019-11-15 大型燃煤电站co2捕集整体调度及预测控制系统和方法 Active CN110764419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911116949.7A CN110764419B (zh) 2019-11-15 2019-11-15 大型燃煤电站co2捕集整体调度及预测控制系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911116949.7A CN110764419B (zh) 2019-11-15 2019-11-15 大型燃煤电站co2捕集整体调度及预测控制系统和方法

Publications (2)

Publication Number Publication Date
CN110764419A CN110764419A (zh) 2020-02-07
CN110764419B true CN110764419B (zh) 2022-06-10

Family

ID=69337875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911116949.7A Active CN110764419B (zh) 2019-11-15 2019-11-15 大型燃煤电站co2捕集整体调度及预测控制系统和方法

Country Status (1)

Country Link
CN (1) CN110764419B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111552175B (zh) * 2020-05-14 2023-03-28 东南大学 一种超临界燃煤电站-化学吸附燃烧后碳捕集系统的整体优化调度和快速变负荷控制方法
CN112731873B (zh) * 2020-12-18 2022-03-08 东南大学 高炉联合循环系统与燃烧后碳捕集系统的协调控制方法
CN113393905B (zh) * 2021-06-03 2024-03-22 东南大学 一种化学吸收co2捕集系统的动态鲁棒软测量系统及方法
CN113341765B (zh) * 2021-06-10 2023-10-27 江苏舜高智能科技有限公司 一种严格控制碳排放的燃煤电站co2捕集系统灵活调控方法
CN113341717A (zh) * 2021-06-10 2021-09-03 江苏舜高智能科技有限公司 一种大型燃煤电站co2捕集整体系统扰动抑制方法
CN113359451A (zh) * 2021-06-10 2021-09-07 江苏舜高智能科技有限公司 一种基于大型燃煤电站co2捕集系统经济性预测控制方法
CN113341716B (zh) * 2021-06-10 2023-08-04 江苏舜高智能科技有限公司 一种基于人工智能的大型燃煤电站co2捕集系统优化调度方法
CN113899125B (zh) * 2021-11-19 2023-06-02 云南电网有限责任公司电力科学研究院 一种基于经济预测控制的高温蒸汽热泵控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107450325A (zh) * 2017-09-06 2017-12-08 东南大学 一种燃烧后co2捕集系统的多模型预测控制方法
CN108958031A (zh) * 2018-07-19 2018-12-07 东南大学 燃烧后co2捕集燃煤发电系统协调预测控制方法
CN110026068A (zh) * 2019-04-08 2019-07-19 东南大学 一种基于神经网络逆控制的大型燃煤电站co2捕集系统及前馈控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9127572B2 (en) * 2013-10-18 2015-09-08 Alstom Technology Ltd. Oxy fired power generation system and method of operating the same

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107450325A (zh) * 2017-09-06 2017-12-08 东南大学 一种燃烧后co2捕集系统的多模型预测控制方法
CN108958031A (zh) * 2018-07-19 2018-12-07 东南大学 燃烧后co2捕集燃煤发电系统协调预测控制方法
CN110026068A (zh) * 2019-04-08 2019-07-19 东南大学 一种基于神经网络逆控制的大型燃煤电站co2捕集系统及前馈控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Dynamic behavior investigations and disturbance rejection predictive control of solvent-based post-combustion CO2 capture process;Wu, Xiao等;《Fuel》;20190415;第242卷;第624-637页 *

Also Published As

Publication number Publication date
CN110764419A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110764419B (zh) 大型燃煤电站co2捕集整体调度及预测控制系统和方法
CN107482688B (zh) 一种碳捕集虚拟电厂调度优化方法
CN108710356B (zh) 一种有效的燃烧后co2捕集燃煤发电系统运行控制方法
CN106842955B (zh) 带烟气量扰动抑制的燃烧后co2捕集系统预测控制方法
CN111552175B (zh) 一种超临界燃煤电站-化学吸附燃烧后碳捕集系统的整体优化调度和快速变负荷控制方法
CN110026068B (zh) 一种基于神经网络逆控制的大型燃煤电站co2捕集系统及前馈控制方法
Wu et al. Reinforced coordinated control of coal-fired power plant retrofitted with solvent based CO2 capture using model predictive controls
Dong PD power-level control design for PWRs: A physically-based approach
Wu et al. Flexible operation of supercritical coal-fired power plant integrated with solvent-based CO2 capture through collaborative predictive control
CN108958031B (zh) 燃烧后co2捕集燃煤发电系统协调预测控制方法
CN113489024B (zh) 热电联供机组多模式抽汽辅助调峰调频控制系统及方法
Ding et al. Sliding mode/H∞ control of a hydro-power plant
CN110932320A (zh) 自动发电控制系统分布式模型预测控制器设计方法
CN115445390B (zh) 带吸收剂存储的火电机组碳捕集系统调度与预测控制方法
CN110737198B (zh) 基于bp神经网络的大型燃煤电站co2捕集系统预测控制方法
Wang et al. Flexible electric power control for coal-fired units by incorporating feedwater bypass
CN108508748B (zh) 一种有效的光热辅助燃烧后co2捕集系统运行控制方法
Huo et al. Thermodynamic modeling and control of hybrid solar-fossil fuel power generation and storage system
CN206818334U (zh) 一种基于dsc的入炉燃煤发热量实时监控系统
CN113341765B (zh) 一种严格控制碳排放的燃煤电站co2捕集系统灵活调控方法
Jung et al. $ CO_2 $ Capture Process using Aqueous Monoethanolamine (MEA): Reduction of Solvent Regeneration Energy by Flue gas Splitting
CN109617135B (zh) 混合发电系统电力调度多目标决策方法
CN106930791B (zh) 低碳排放的发电系统的电网运行方法
Tica et al. Hierarchical model predictive control approach for start-up optimization of a combined cycle power plant
CN113341716B (zh) 一种基于人工智能的大型燃煤电站co2捕集系统优化调度方法

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