CN110794677A - 基于迭代学习的抽汽供热发电机组协调系统预测控制器 - Google Patents

Abstract

本发明公开了一种基于迭代学习的抽汽供热机组协调系统预测控制器，结合供热机组的协调对象特点，采用基于迭代学习的预测控制算法，将电功率、主汽压力和抽汽压力的偏差送入预测控制器，统一优化并计算得出锅炉燃烧率指令、主汽调门指令和抽汽调门指令的优化值，控制器主要由三部分组成，分别是：预测模块，用于预测未来各个采样时刻的输出；计算模块，用于根据设定的性能指标计算控制范围内最优的控制增量；执行模块，用于将计算所得最优控制律应用于系统；用于存储本次迭代信息，以修改下次迭代时的控制率。该控制器能有效保证多变量过程控制的稳定性及安全性，且算法过程清晰明了，编程方便，能满足工程需要。

Description

基于迭代学习的抽汽供热发电机组协调系统预测控制器

技术领域

本发明涉及一种基于迭代学习的抽汽供热发电机组协调系统预测控制器，属于热能动力工程和自动控制领域。

背景技术

上世纪70年代，Astrom和Wittenmark首先提出自校正控制技术，并在造纸厂得到了成功应用。70年代后期，在此基础之上，预测控制逐渐发展了起来。本世纪以来，人们越来越多地将预测控制运用到其他领域，在交通、土木、能源、航天航空及医疗等方面都能发现其身影。预测控制在处理带约束控制优化问题的优势使其在很多行业得到应用。

迭代学习的思想最初由日本学者Uchiyama于1978年提出，于1984年由Arimoto等人作出了开创性研究。其不断重复同一个轨迹的控制尝试，并以此修正控制率，得到较好的控制效果。它不依赖于精确的数学模型，对于具有非线性，复杂性，难以建模以及高精度轨迹控制问题有着重要应用意义。

就热工控制领域而言，面对当今大型、复杂和具有不确定性的热工对象，早期的PID控制系统显然已经不能适应电力行业快速发展的需要。目前热工控制系统的设计已在各方面都取得了一定的进展，但我们看到，其中很多仍采用传统控制算法和解耦控制方式来实现，随着工业生产的不断发展,这些控制理论和方法表现出日益明显的局限性。无疑，运用更好的技术与方法实现对大型单元机组的调度与控制，对于电力行业乃至整个国民经济建设的发展都具有极其重要的意义。

针对上述状况，本文将迭代学习思想与预测控制相结合的设计思路应用于多变量热工控制系统，并且根据电厂生产的实际特点，选用迭代学习状态空间预测控制直接算法实现单元机组的协调控制。

发明内容

为解决上述问题，本发明公开了一种基于迭代学习的抽汽供热发电机组协调系统预测控制器，用于抽汽供热发电机组的优化控制，减小电负荷、主汽压力、抽汽压力这些控制量的波动幅度，以及由此引起的机组运行安全及经济性问题，考虑到工业实际过程中可能出现的模型失配，将迭代学习的思想与预测控制相结合，采用增量式增广状态空间预测模型，将电功率、主汽压力和抽汽压力的偏差送入基于迭代学习算法的预测控制器，计算得出锅炉燃烧率指令、主汽调门指令和抽汽调门指令的优化值。

为达到上述目的，本发明采用的方法是：

一种基于迭代学习的抽汽供热发电机组协调系统预测控制器控制器，主要由四部分组成，分别是：

预测模块，用于预测未来各个采样时刻的输出；

计算模块，用于根据设定的性能指标计算控制范围内最优的控制增量；

实施模块，用于将计算所得最优控制律应用于系统；

记忆模块，用于存储本次迭代信息，以修改下次迭代时的控制率。

基于迭代学习算法的预测控制器采用带扰动项扩增的增量状态空间模型来描述具有干扰的被控过程。该3×3多变量对象的输入输出可用下式表示：

μ_B、μ_T、μ_s分别为锅炉燃烧率指令、主汽调门指令和抽汽调门指令；P_T、N_E、P_E分别为主汽压力(汽机前压力)、电功率和抽汽压力，G_NB(s)、G_NT(s)、G_NS(s)分别为锅炉燃烧率指令、主汽调门指令和抽汽调门指令对应电功率的传递函数模型；G_EB(s)、G_ET(s)、G_ES(s)分别为锅炉燃烧率指令、主汽调门指令和抽汽调门指令对应抽汽压力的传递函数模型；G(s)为传递函数矩阵。

其带扰动项的状态空间模型可写作：

x_k(t+1)＝A₀x_k(t)+B₀u_k(t)+d_k(t)

y_k(t)＝C₀x_k(t)

其中，x_k表示状态量，u_k表示输入量，y_k表示输出量，d_k表示扰动项，t表示时间序列，k表示迭代序列。

将上述状态空间模型进行扩增，改写为增量形式，同时将扰动项d并入状态，得到增广状态空间模型，其中，δ表示时间增量算子：

写成：

根据e_k＝r-y_k可得到p步输出预测方程如下：

其中，

为状态估计值的迭代增量，通过卡尔曼滤波得到：

其中，K为静态卡尔曼增益。

取预测时长为p，控制时长为m，性能指标采用：

式中，

为第k次迭代时未来p个时刻的预测输出误差，

为当前和未来的控制增量向量；

为输出误差加权系数矩阵；

为控制增量变化量加权系数矩阵；

为控制增量加权系数矩阵。

Q,R,P中加权系数取常数值。

J取最小时，最优控制为：

所述执行模块取计算得到的最优控制增量序列中当前时刻k的控制增量作用于系统：

u_kj(t)＝u_kj(t-1)+δu_kj(t),j＝1,2,3

再以t+1时刻为基点进行下一时刻的最优控制增量序列计算，实现滚动优化。

在第k次迭代过程中，计算出t时刻的最优控制增量并执行之后，将t时刻的输入输出，控制增量以及状态增量等信息送入记忆存储模块，为第k+1次迭代控制量计算提供历史信息。

本发明的有益效果是：

本发明所述的一种基于迭代学习的抽汽供热发电机组协调系统预测控制器控制器，通过将迭代学习思想与预测控制相结合的控制策略，减少控制量的波动，加快电负荷、抽汽压力、主汽压力这些被控量响应速度，增强对模型失配的抗性，增加协调控制系统稳定性。

附图说明

图1为抽汽供热发电单元机组结构示意图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

工作原理：结合抽汽供热机组的协调对象特点，采用基于迭代学习的状态空间预测控制算法，将电功率、主汽压力和抽汽压力的偏差送入基于迭代学习的预测控制器，计算得出锅炉燃烧率指令、主汽调门指令和抽汽调门指令的优化值。

控制器主要由四部分组成，分别是：预测模块，用于预测未来各个采样时刻的输出；计算模块，用于根据设定的性能指标计算控制范围内最优的控制增量；执行模块，用于将计算所得最优控制律应用于系统；记忆模块，用于存储本次迭代信息，以修改下次迭代时的控制率。

基于迭代学习的预测控制器采用带扰动项扩增的增量状态空间模型来描述具有干扰的被控过程。该模型基于图1所示的抽汽供热机组协调对象的传递函数模型。图1中μ_B、μ_T、μ_s分别为锅炉燃烧率指令、主汽调门指令和抽汽调门指令；P_T、N_E、P_E分别为主汽压力(汽机前压力)、电功率和抽汽压力。该3×3多变量对象的输入输出可用下式表示：

式中G_PB(s)、G_NB(s)、G_EB(s)分别为以μ_B为输入，P_T、N_E、P_E为输出的传递函数(μ_T、μ_S保持不变)；G_PT(s)、G_NT(s)、G_EB(s)分别为以μ_T为输入，P_T、N_E、P_E为输出的传递函数(μ_B、μ_S保持不变)；G_NS(s)、G_ES(s)分别为以μ_S为输入，N_E、P_E为输出的传递函数(μ_B、μ_T保持不变)。具体的数学模型为：

这里的s是通过拉普拉斯变换得到的传递函数中的一个通用的符号变量，无实际意义。

根据传递函数矩阵可得到状态空间模型，加入扰动项写作：

x_k(t+1)＝A₀x_k(t)+B₀u_k(t)+d_k(t)

y_k(t)＝C₀x_k(t)

其中，x_k表示状态量，u_k表示输入量，y_k表示输出量，d_k表示扰动项，t表示时间序列，k表示迭代序列。

将上述状态空间模型进行扩增，改写为增量形式，同时将扰动项d并入状态，得到增广状态空间模型，其中，δ表示时间增量算子：

写成：

根据e_k＝r-y_k，r为期望值序列，

可得到第k次迭代时t时刻p步误差预测方程如下：

其中，

为状态估计值的迭代增量，通过卡尔曼滤波得到：

其中，K为静态卡尔曼增益。

取预测时长为p，控制时长为m，性能指标采用

式中，

为第k次迭代时未来p个时刻的预测输出误差，

为当前和未来的控制增量向量；

为输出误差加权系数矩阵；

为控制增量变化量加权系数矩阵；

为控制增量加权系数矩阵。

Q,R,P中加权系数取常数值。

J取最小时，最优控制为：

所述执行模块取计算得到的最优控制增量序列中当前时刻k的控制增量作用于系统：

u_kj(t)＝u_kj(t-1)+δu_kj(t),j＝1,2,3

再以t+1时刻为基点进行下一时刻的最优控制增量序列计算，实现滚动优化。

在第k次迭代过程中，计算出t时刻的最优控制增量并执行之后，将t时刻的输入输出，控制增量以及状态增量等信息送入记忆存储模块，为第k+1次迭代控制量计算提供历史信息。

控制器相关参数取值如下表所示：

迭代学习预测控制器参数

当电功率发生10％的阶跃扰动时，在燃烧率、汽机调门指令及抽汽调门指令的快速协调动作下，采用迭代学习预测控制器的抽汽供热发电机组更快地达到了设定值，且基本没有超调量，同时主汽压力波动较小，且更快地达到稳定。

当抽汽压力发生10％的阶跃扰动时，在燃烧率、汽机调门指令及抽汽调门指令的快速协调动作下，采用迭代学习预测控制器的抽汽供热发电机组的主汽压力超调小且很快稳定，虽然电功率超调增加，但是很快稳定下来。

当发生模型失配时，该控制器能够较好地协调燃料率，汽机调门及抽汽调门指令，快速动作，使输出能够较快地达到设定值，波动较小，能够稳定控制。

以上实例表明：本实施例的基于迭代学习的抽汽供热发电机组协调系统预测控制器，能有效改善抽汽供热发电机组的控制性能，减少控制量的波动，加快电负荷、抽汽压力、主汽压力这些被控量响应速度且波动较小，并维持在安全范围内，在模型失配时有较好的抗性，机组经济性和安全性均得到保障。

Claims (6)

1.基于迭代学习的抽汽供热发电机组协调系统预测控制器，其特征在于：主要由四部分组成，分别是：

a)预测模块：用于预测未来各个采样时刻的输出；

b)计算模块：用于根据设定的性能指标计算控制范围内最优的控制增量；

c)执行模块：用于将计算所得最优控制律应用于系统；

d)记忆模块：用于存储本次迭代信息，以修改下次迭代时的控制率。

2.基于迭代学习算法的抽汽供热发电机组协调系统预测控制器的使用方法，其特征在于：利用历史信息，将迭代学习与预测控制相结合，只有一个优化步骤，通过增量状态空间模型的引入来保证无偏跟踪控制。

3.根据权利要求1所述的基于迭代学习的抽汽供热发电机组协调系统预测控制器的使用方法，其特征在于：该控制器采用带扰动项扩增的增量状态空间模型来描述具有干扰的被控过程，多变量对象的输入输出可用下式表示：

其中

μ_B、μ_T、μ_s分别为锅炉燃烧率指令、主汽调门指令和抽汽调门指令；P_T、N_E、P_E分别为主汽压力、电功率和抽汽压力；G_PB(s)、G_PT(s)分别为锅炉燃烧率指令、主汽调门指令对应主汽压力的传递函数模型；G_NB(s)、G_NT(s)、G_NS(s)分别为锅炉燃烧率指令、主汽调门指令和抽汽调门指令对应电功率的传递函数模型；G_EB(s)、G_ET(s)、G_ES(s)分别为锅炉燃烧率指令、主汽调门指令和抽汽调门指令对应抽汽压力的传递函数模型；G(s)为传递函数矩阵；

根据传递函数矩阵可得到状态空间模型，加入扰动项写作：

x_k(t+1)＝A₀x_k(t)+B₀u_k(t)+d_k(t)

y_k(t)＝C₀x_k(t)

其中，x_k表示状态量，u_k表示输入量，y_k表示输出量，d_k表示扰动项，t表示时间序列，k表示迭代序列；

将上述状态空间模型进行扩增，改写为增量形式，同时将扰动项d并入状态，得到增广状态空间模型，其中，δ表示时间增量算子：

写成：

在有限时间序列[0,N]上，可以将预测模型写成上升系统的形式：

其中

δu_k＝[δu_k(0)^T δu_k(1)^T…δu_k(N-1)^T]^Τ，

应用迭代学习算法，相邻两次迭代过程输出量的关系表示为：

其中，Δ为迭代增量算子；

根据e_k＝r-y_k，r为期望值序列，

可将上式写成：

从而得到第k次迭代时t时刻p步误差预测方程如下：

其中，

为状态估计值的迭代增量，通过卡尔曼滤波得到：

其中，K为静态卡尔曼增益。

4.根据权利要求1所述的基于迭代学习的抽汽供热发电机组协调系统预测控制器的使用方法，其特征在于：取预测时长为p，控制时长为m，性能指标J采用

式中，

为第k次迭代时未来p个时刻的预测输出误差，

其中，

分别表示在t+1,t+2,…,t+p时刻的主汽压力的预测输出，

分别表示在t+1,t+2,…,t+p时刻的电功率的预测输出，分别表示在t+1,t+2,…,t+p时刻的抽汽压力的预测输出；分别表示t时刻主汽压力，电功率和抽汽压力的设定值；

为当前和未来的控制增量向量；

为输出误差加权系数矩阵，矩阵中不同元素的大小表示不同的权重；

为控制增量变化量加权系数矩阵，矩阵中不同元素的大小表示不同的权重；

为控制增量加权系数矩阵，矩阵中不同元素的大小表示不同的权重；

Q,R,P中加权系数取常数值。

5.根据权利要求4所述的基于迭代学习的抽汽供热发电机组协调系统预测控制器的使用方法，其特征在于：J取最小时，最优控制为：

其中

为前一次迭代过程的预测输出误差，为基于前一次迭代过程t时刻的最优增量，

所述执行模块取计算得到的最优控制增量序列中当前时刻t的控制增量δu_kj(t),j＝1,2,3作用于系统：

u_kj(t)＝u_kj(t-1)+δu_kj(t),j＝1,2,3

u_kj(t-1)为本次迭代上一时刻的控制作用，u_kj(t)为本次迭代本时刻的控制作用，再以t+1时刻为基点进行下一时刻的最优控制量序列计算，以实现滚动优化。

6.根据权利要求4所述的基于迭代学习的抽汽供热发电机组协调系统预测控制器的使用方法，其特征在于：在第k次迭代过程中，计算出t时刻的最优控制增量并执行之后，将t时刻的输入输出，控制增量以及状态增量等信息送入记忆存储模块，为第k+1次迭代控制量计算提供历史信息。