CN111273563B - 一种基于供热机组agc综合指标的预测控制方法 - Google Patents
一种基于供热机组agc综合指标的预测控制方法 Download PDFInfo
- Publication number
- CN111273563B CN111273563B CN202010075838.2A CN202010075838A CN111273563B CN 111273563 B CN111273563 B CN 111273563B CN 202010075838 A CN202010075838 A CN 202010075838A CN 111273563 B CN111273563 B CN 111273563B
- Authority
- CN
- China
- Prior art keywords
- function
- formula
- equation
- load
- control
- 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
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于供热机组AGC综合指标的预测控制方法,涉及一种供热机组控制方法。步骤一:构建增广预测模型,将传统状态空间模型中的控制增量Δu与状态增量Δx引入状态空间;步骤2:构建二次型性能函数,计算关于负荷性能指标函数J1及关于压力性能指标函数J2;步骤3:以步骤2中的J1与J2,加权获得综合性能指标函数J;步骤4:计算步骤1中的约束条件;步骤5:求得指标函数J最小值,以此获得该工况下的负荷与压力最优协调控制量Δu。将预测控制基本思想应用于机组综合性能指标评估,在区分机组供热与非供热的不同工况下,引入最小二乘法预测未来的最优调节量,并反馈到机组控制器来完成下一步的控制。
Description
技术领域
本发明涉及一种供热机组控制方法,尤其是一种基于供热机组AGC综合指标的预测控制方法,属于电力系统自动控制技术领域。
背景技术
随着强随机性新型能源占比增加,火电机组调峰的频率及深度大幅增加。在此常态下,传统火电因其大惯性导致其调节速度不能满足AGC考核要求,致使电厂“两个细则”考核急剧增加。为应对此问题,火电企业开始对机组AGC跟踪指令的能力进行优化,以提高其调节性能。
目前,国内外火电机组主要研究方向多是基于锅炉侧和汽轮机侧进行优化设计,其研究对象主要是CCS(协调控制系统),应用较多的是神经网络、自适应控制、预测控制与模糊控制等方法。实际上,此类研究所对应的性能评估是基于“两个细则”下的K值,其中基于机组速度的调节速率指标K1、基于调节允许的偏差量的指标K2(机组额定有功功率的1%)以及基于机组响应时间的K3,这些方法在一定程度上提高了机组的控制性能。
然而,上述先进控制策略仅以控制结果为最终目标,并未对调节控制量u进行优化,过调、弱调均会降低机组整个调节过程的经济性。尤其当机组处于供热状态时,此时供热机组不仅要完成发电任务,同时还要保障供热,其供热负荷改变势必会对运行工况带来影响。
因此,为了有效兼顾机组投AGC时的控制品质与综合经济指标,本发明提出了一种基于供热机组AGC综合指标的预测控制方法,将预测控制基本思想应用于机组综合性能指标评估。在区分机组供热与非供热的不同工况下,引入最小二乘法预测未来的最优调节量,并反馈到机组控制器来完成下一步的控制。本方法针对机组不同运行状态(供热与常规发电)进行优化控制,综合考量发电、供热两种状态,通过运算综合指标J来实时获取机组对负荷、压力的最优控制量,完成机组控制任务的同时,保障机组运行经济性。
发明内容
针对背景技术存在的问题,本发明提供一种基于供热机组AGC综合指标的预测控制方法。
为实现上述目的,本发明采取下述技术方案:一种基于供热机组AGC综合指标的预测控制方法,包括以下步骤:
步骤一:构建增广预测模型,将传统状态空间模型中的控制增量Δu与状态增量Δx引入状态空间,
传统状态空间模型传统的表达形式由公式(1),
A是状态空间向量,B是控制向量,C是输出向量,公式(1)是离散化状态空间方程,其中k是当前时刻,k+1是下一采样时刻,
当上公式(1)有r个输入量,q个输出量以及n个状态量时,引入增量Δu与状态增量Δx,其改进形式的表达如下式:
公式(2)化简成公式(3):
传统预测控制方法中,将极小值问题由下式表示:
式中J为函数值,Q与R分别为差值与控制量的权重,rk+i为k+i时刻输出设定,yk+i|k为k时刻预测的k+i时刻被控量,p为预测时域,m为控制时域,
其中上式当满足公式(5)约束条件:
将公式(4)引入控制变量后,可如下公式(6)表示:
公式(6)即为增广预测模型;
步骤2:构建二次型性能函数,计算关于负荷性能指标函数J1及关于压力性能指标函数J2,根据基本二次型性能函数形式,分别对负荷性能指标函数J1及关于压力性能指标函数J2进行计算,将负荷、压力的偏差来作为偏差权重值分别用Q1与Q2表示,表示负荷k+i实际输出值,表示负荷k+i时刻AGC指令,表压力k+i时刻输出值,表示负荷k+i时刻压力设定值,对应的经济权重值分别用R1与R2表示,为k+i时刻综合阀位指令,为k+i时刻控制量,反馈作用于被控对象,将上述变量带入公式(6)中,可得:
步骤3:以步骤2中的J1与J2,根据公式(9)加权获得综合性能指标函数J,
J=αJ1+βJ2 (9)
α为机组负荷性能指标函数权值,β为机组主汽压力性能指标函数权值,权值α与β根据供热机组的工况来调节,调节方法为:
其中N为负荷;
步骤4:计算步骤1中的约束条件,
公式(6)结合Laguerre函数向量,可以得到最优性能函数J的约束量,
结合方法为:
将Laguerre函数向量表达为下式:
且其任意时刻增量可以表达成一个形如公式(12)的r行向量:
Δu(k+t)=(Δu1(k+t),…Δui(k+t)…Δur(k+t)) (12)
公式(12)中Δui(k+t)的获得是通过Laguerre函数推导出,其表达如下:
Δui(k+t)=Li(t)Tηi (13)
其中ηi为系数向量,Li(t)即为Laguerre函数向量,
将公式(12)和公式(13)代入至公式(6)中,可以得到此模型下的预测输出:
将公式(14)分别代入至公式(7)和公式(8),即可得出约束条件公式(5)的解umin、umax、ymin、ymax;
步骤5:求得指标函数J最小值,以此获得该工况下的负荷与压力最优协调控制量Δu。
与现有技术相比,本发明的有益效果是:
1、引入块结构预测控制概念,其本质是将常规预测控制中的单步控制更改为多步控制,以此增加控制量周期的长度,预测未来M个步长之间的偏差量(每隔M个步长进行一次优化计算),以减少计算时间。应用于本发明,其基本思想是把单步预测改成多步预测,目的是计算未来几个周期内的最优控制,以负荷控制为例,引入二次型计算,现将机组实际负荷与AGC指令取差值,作为偏差权重,将几个周期内的控制量变化值取积分作为经济权重(控制性能指标),而控制量变化又体现在综合阀位指令上,注意此时变化权重在二次型中,系数取负值,因为,综合阀位指令在一个调整周期内变化量积分值越大,说明调节越快,也就说明控制性能指标越好,对应“两个细则”考核越少,结合偏差指标,说明经济性好,同理,汽压控制具有相同特征;
2、鉴于供热机组不同时期其运行工况不同。在供热期机组主要保证供汽压力,而非供热期其主要任务是完成发电负荷,所以在此基本原则下可以调整对应的α与β权值,基本原则是抽汽量不变的情况下,负荷越高对机组带负荷影响越小,对应负荷影响因子会逐渐增加。灵活调整权值,相对于无权值计算,保证了性能函数的准确性。
附图说明
图1是本发明的基于供热机组AGC综合指标的预测控制方法的控制原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示,本发明公开了一种基于供热机组AGC综合指标的预测控制方法,包括以下步骤:
步骤1:构建增广预测模型,即将传统状态空间模型中的控制增量Δu与状态增量Δx引入状态空间,
上述传统状态空间模型,即在描述被控对象时,传统的表达形式由公式(1),为将控制量Δu引入分析,现在传统形式上进行增广,遂变为公式(2),
其中,A是状态空间向量,B是控制向量,C是输出向量,公式(1)是离散化状态空间方程,其中k是当前时刻,k+1是下一采样时刻,
当上公式(1)有r个输入量,q个输出量以及n个状态量时,引入增量Δu与状态增量Δx,其改进形式的表达如下式:
将公式(2)经过化简成公式(3)形式:
在传统预测控制方法中,将极小值问题由下式表示:
式中J为函数值(性能指标),Q与R分别为差值与控制量的权重,rk+i为k+i时刻输出设定,yk+i|k为k时刻预测的k+i时刻被控量,p为预测时域,m为控制时域,
其中上式当满足公式(5)约束条件:
将公式(4)引入控制变量后,可如下公式(6)表示:
公式(6)即为增广预测模型;
步骤2:构建二次型性能函数,计算关于负荷性能指标函数J1及关于压力性能指标函数J2,
根据基本二次型性能函数形式,分别对负荷性能指标函数J1及关于压力性能指标函数J2进行计算,将负荷、压力的偏差来作为偏差权重值分别用Q1与Q2表示,表示负荷k+i实际输出值,表示负荷k+i时刻AGC指令,表压力k+i时刻输出值,表示负荷k+i时刻压力设定值,对应的经济权重值分别用R1与R2表示,为k+i时刻综合阀位指令,为k+i时刻控制量,反馈作用于被控对象,将上述变量带入公式(6)中,可得:
步骤3:以步骤2中的J1与J2,根据公式(9)加权获得综合性能指标函数J,
J=αJ1+βJ2 (9)
α为机组负荷性能指标函数权值,β为机组主汽压力性能指标函数权值,权值α与β根据供热机组的工况来调节,调节方法为:
以300MW机组供热期为例:
其中N为负荷;
步骤4:计算步骤1中的约束条件,
约束调节计算方法为:通过步骤1所创建的增广预测模型公式(6),结合Laguerre函数向量,可以得到最优性能函数J的约束量,
结合方法为:
将Laguerre函数向量表达为下式:
且其任意时刻增量可以表达成一个形如公式(12)的r行向量:
Δu(k+t)=(Δu1(k+t),…Δui(k+t)…Δur(k+t)) (12)
公式(12)中Δui(k+t)的获得是通过Laguerre函数推导出,其表达如下:
Δui(k+t)=Li(t)Tηi (13)
其中ηi为系数向量,Li(t)即为Laguerre函数向量,
将公式(12)和公式(13)代入至公式(6)中,可以得到此模型下的预测输出:
将公式(14)分别代入至公式(7)和公式(8),即可得出约束条件公式(5)的解umin、umax、ymin、ymax;
步骤5:在步骤4中得到约束条件umin、umax、ymin、ymax下,求得指标函数J最小值,以此获得该工况下的负荷与压力最优协调控制量Δu。
后续中将负荷与压力最优协调控制量Δu,传入机组协调控制系统,即可完成CCS对机组压力与负荷的控制。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的装体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (1)
1.一种基于供热机组AGC综合指标的预测控制方法,其特征在于:所述方法包括以下步骤:
步骤一:构建增广预测模型,将传统状态空间模型中的控制增量Δu与状态增量Δx引入状态空间,
传统状态空间模型传统的表达形式由公式(1),
A是状态空间向量,B是控制向量,C是输出向量,公式(1)是离散化状态空间方程,其中k是当前时刻,k+1是下一采样时刻,
当上公式(1)有r个输入量,q个输出量以及n个状态量时,引入增量Δu与状态增量Δx,其改进形式的表达如下式:
公式(2)化简成公式(3):
传统预测控制方法中,将极小值问题由下式表示:
式中J为函数值,Q与R分别为差值与控制量的权重,rk+i为k+i时刻输出设定,yk+i|k为k时刻预测的k+i时刻被控量,p为预测时域,m为控制时域,
其中上式当满足公式(5)约束条件:
将公式(4)引入控制变量后,可如下公式(6)表示:
公式(6)即为增广预测模型;
步骤2:构建二次型性能函数,计算关于负荷性能指标函数J1及关于压力性能指标函数J2,根据基本二次型性能函数形式,分别对负荷性能指标函数J1及关于压力性能指标函数J2进行计算,将负荷、压力的偏差来作为偏差权重值分别用Q1与Q2表示,表示负荷k+i实际输出值,表示负荷k+i时刻AGC指令,表压力k+i时刻输出值,表示负荷k+i时刻压力设定值,对应的经济权重值分别用R1与R2表示,为k+i时刻综合阀位指令,为k+i时刻控制量,反馈作用于被控对象,将上述变量带入公式(6)中,可得:
步骤3:以步骤2中的J1与J2,根据公式(9)加权获得综合性能指标函数J,
J=αJ1+βJ2 (9)
α为机组负荷性能指标函数权值,β为机组主汽压力性能指标函数权值,权值α与β根据供热机组的工况来调节,调节方法为:
其中N为负荷;
步骤4:计算步骤1中的约束条件,
公式(6)结合Laguerre函数向量,可以得到最优性能函数J的约束量,
结合方法为:
将Laguerre函数向量表达为下式:
且其任意时刻增量可以表达成一个形如公式(12)的r行向量:
Δu(k+t)=(Δu1(k+t),…Δui(k+t)…Δur(k+t)) (12)
公式(12)中Δui(k+t)的获得是通过Laguerre函数推导出,其表达如下:
Δui(k+t)=Li(t)Tηi (13)
其中ηi为系数向量,Li(t)即为Laguerre函数向量,
将公式(12)和公式(13)代入至公式(6)中,可以得到此模型下的预测输出:
将公式(14)分别代入至公式(7)和公式(8),即可得出约束条件公式(5)的解umin、umax、ymin、ymax;
步骤5:求得指标函数J最小值,以此获得该工况下的负荷与压力最优协调控制量Δu。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010075838.2A CN111273563B (zh) | 2020-01-22 | 2020-01-22 | 一种基于供热机组agc综合指标的预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010075838.2A CN111273563B (zh) | 2020-01-22 | 2020-01-22 | 一种基于供热机组agc综合指标的预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111273563A CN111273563A (zh) | 2020-06-12 |
CN111273563B true CN111273563B (zh) | 2023-01-06 |
Family
ID=70996913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010075838.2A Active CN111273563B (zh) | 2020-01-22 | 2020-01-22 | 一种基于供热机组agc综合指标的预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111273563B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122797B (zh) * | 2014-07-22 | 2016-08-31 | 东南大学 | 一种新型火电机组负荷多变量预测控制方法 |
CN106814623A (zh) * | 2017-03-03 | 2017-06-09 | 燕山大学 | 一种基于梯形区间软约束的多目标优化预测控制方法 |
CN106919053A (zh) * | 2017-04-12 | 2017-07-04 | 东南大学 | 一种基于变结构预测控制算法的火电机组协调控制系统 |
CN108167802B (zh) * | 2017-11-23 | 2020-04-03 | 华能国际电力股份有限公司大连电厂 | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 |
CN108803342B (zh) * | 2018-07-05 | 2021-06-01 | 东南大学 | 一种单元机组负荷快速响应预测控制方法 |
-
2020
- 2020-01-22 CN CN202010075838.2A patent/CN111273563B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111273563A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110285403B (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN103225799B (zh) | 一种火电厂主蒸汽温度控制方法 | |
CN112147891B (zh) | 一种火电机组协调系统全局非线性优化控制方法 | |
CN106919053A (zh) | 一种基于变结构预测控制算法的火电机组协调控制系统 | |
CN110376895B (zh) | 一种基于分层受限预测控制的火电机组协调控制方法 | |
CN107515598A (zh) | 基于多参数动态矩阵控制的火电机组分布式协调控制系统 | |
CN107908106B (zh) | 二次再热机组再热汽温的自降阶多回路集中预估控制系统 | |
CN101286045A (zh) | 一种燃煤锅炉系统混合控制方法 | |
CN109507910A (zh) | 一种基于数据驱动的火电机组建模与控制方法 | |
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 | |
CN113253779A (zh) | 一种基于粒子群模糊pid算法的热泵温度控制系统 | |
CN110579968A (zh) | 一种超超临界机组深度调峰协调系统预测控制策略 | |
Ren et al. | Feedforward feedback pitch control for wind turbine based on feedback linearization with sliding mode and fuzzy PID algorithm | |
CN112526882A (zh) | 基于分层模型预测控制算法的超临界机组协调控制方法 | |
CN114722693A (zh) | 一种水轮机调节系统二型模糊控制参数的优化方法 | |
CN114428456B (zh) | 一种火电机组控制系统的控制方法及装置 | |
CN109062030A (zh) | 基于拉盖尔函数模型的火电单元机组负荷预测pid控制方法 | |
CN111273563B (zh) | 一种基于供热机组agc综合指标的预测控制方法 | |
CN108803342B (zh) | 一种单元机组负荷快速响应预测控制方法 | |
Han et al. | A L1-LEMPC hierarchical control structure for economic load-tracking of super-critical power plants | |
CN115421390A (zh) | 计及深度强化学习的热电联产机组多工况自适应控制方法 | |
CN113189871B (zh) | 一种面向火电机组灵活性运行的协调控制策略 | |
CN110631003B (zh) | 一种基于层级调度多模型预测控制的再热汽温调节方法 | |
CN111561693B (zh) | 一种电站锅炉状态空间汽温控制的方法 | |
Krajinski et al. | Implementation of an Advanced Operation Control for AI-based Wind Farm Power Maximization Using Wake Redirection and Artificial Neural Networks |
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 |