CN111290282A - 火电机组协调系统的预见式预测控制方法 - Google Patents

火电机组协调系统的预见式预测控制方法 Download PDF

Info

Publication number
CN111290282A
CN111290282A CN202010217858.9A CN202010217858A CN111290282A CN 111290282 A CN111290282 A CN 111290282A CN 202010217858 A CN202010217858 A CN 202010217858A CN 111290282 A CN111290282 A CN 111290282A
Authority
CN
China
Prior art keywords
unit
thermal power
coordination system
power generating
generating unit
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.)
Granted
Application number
CN202010217858.9A
Other languages
English (en)
Other versions
CN111290282B (zh
Inventor
李永生
陈彦桥
张文亮
王亮
范国朝
谢云辰
林忠伟
牛玉广
韩翔宇
何青波
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.)
North China Electric Power University
Guodian Science and Technology Research Institute Co Ltd
Original Assignee
North China Electric Power University
Guodian Science and Technology Research Institute 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 North China Electric Power University, Guodian Science and Technology Research Institute Co Ltd filed Critical North China Electric Power University
Priority to CN202010217858.9A priority Critical patent/CN111290282B/zh
Publication of CN111290282A publication Critical patent/CN111290282A/zh
Application granted granted Critical
Publication of CN111290282B publication Critical patent/CN111290282B/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
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • 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
    • G05B13/048—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 using a predictor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出一种火电机组协调系统的预见式预测控制方法，基于BP神经网络算法建立超临界火电机组协调系统数学模型，并在此基础上提出了一种基于前馈参考和ANFIS校正的预见式预测控制方法，来对机组进行优化控制。该方法改进了传统火电机组控制策略的不足，充分利用未来信息，来提高火电机组电网AGC指令的跟踪效果，本发明能够有效的实现电网AGC指令的快速稳定跟踪。

Description

火电机组协调系统的预见式预测控制方法
技术领域：
本发明具体涉及一种基于前馈参考和ANFIS反馈校正的火电机组协调系统AGC指令预见式预测控制方法，属于火电机组AGC跟踪调节和预测、预见技术领域。
背景技术：
为保证全电网能安全、稳定及高效率的运行，提高发电的质量，需要对自动发电控制(Automatic Generation Control，简称AGC)的各项服务内容制定了考核指标，对AGC机组的考核指标包括AGC可用率考核和AGC性能考核两部分。其中AGC性能考核主要从调节速率、调节精度和响应时间三个因素进行综合评定。在保证不加大锅炉燃料量的经济性基础上实现AGC性能指标考核，保证负荷快速稳定跟踪调节是各发电厂的重要任务。
随着火电机组参数的提高以及超临界机组自身的复杂性，传统的控制方式越来越难以保证其协调控制系统达到一个良好的控制效果，同时其参数的调整也变得更加困难。目前，火电机组的AGC控制策略主要采用各大DCS厂商提供的组态逻辑，采用了负荷指令前馈+PID反馈的调节方案，其核心思路在于：尽可能的将整个控制系统整定成开环调节的方式，反馈调节仅起小幅度的调节作用。这种方案要求前馈控制回路的参数必须整定得非常精确，对于煤种稳定、机组设备稳定、机组运行方式成熟的机组，这种方案是比较有效的，因此一直以来都是DCS厂商的推荐方案；但是对于煤种多变、机组控制及测量设备不精确、运行参数经常与设计参数存在较大偏差等存在一定复杂情况的机组，则并不能得到比较好的控制效果，有待进行改进。
从控制角度来看，现有的火电机组控制策略仍有一些领域需要进一步完善。尽管目前火电机组协调控制系统中普遍采用负荷指令作为前馈信号，但是，由于未充分利用负荷预发曲线这一未来信息作用有限。因此，为进一步提高电网AGC指令的跟踪效果，保证机组的安全、经济运行，有必要改进现有控制策略，为火电机组的负荷控制提供新的控制方法。现有的火电机组协调控制系统的AGC跟踪控制策略中，传统的PID控制方法受非线性和回路间耦合作用的影响，控制性能难以满足安全、经济生产的需要，而一些改进策略虽然可以达到可接受的控制效果，但从控制角度来看，仍有一些领域需要进一步完善。
发明内容：
本发明针对于火电机组协调控制系统，克服现有火电机组控制系统存在多变量、非线性、强耦合、大时延的缺点，将预见式预测控制、神经网络、遗传算法、自适应神经模糊推理系统(ANFIS)算法等先进控制技术应用到火电机组的优化控制中去，提出一种火电机组协调系统的预见式预测控制方法，以有效的提高火电机组对于AGC指令跟踪的调节精度和调节速率，本发明的技术方案如下：
一种火电机组协调系统的预见式预测控制方法，包括如下具体步骤：
1)从火电机组的数据采集系统的历史数据库中调取火电机组历史数据形成辨识数据样本，并基于BP神经网络建立火电机组协调系统对象模型；
2)采用基于ANFIS算法的预见式预测控制方法对火电机组进行控制，包括如下具体步骤：
2.1)根据步骤1)中火电机组协调系统对象模型，基于BP神经网络建立机组预测模型；
2.2)根据步骤2.1)中机组预测模型设置参考轨迹，该参考轨迹表达式为：
HE＝H0+H′
其中，HE代表参考轨迹的行向量；H0代表机组的设定值；H′代表机组的前馈值；
2.3)根据步骤2.1)中机组预测模型和2.2)中参考轨迹，采用遗传算法实现预测控制方法的滚动优化过程，确认t时刻的初步优化性能指标J(t)，其中，t时刻的初步优化性能指标J(t)有如下形式：
Figure BDA0002425048320000021
式中，
Figure BDA0002425048320000022
为经过机组预测模型后的，未来火电机组协调系统控制输入为u(t+h-1)(h＝1,…,p)时的输出值；yr(t+h)(h＝1,…,p)为
Figure BDA0002425048320000023
对应的输出期望值；
2.4)根据t时刻的初步优化性能指标J(t)，建立t时刻的具备二次限制能力的优化性能指标，并以该优化性能指标作为表征火电机组AGC追踪效果的目标函数：
Figure BDA0002425048320000031
式中，u(t+h-2)是未来火电机组协调系统控制输入为u(t+h-1)前一时刻的输入；rh为加权值；
2.5)基于ANFIS神经网络，建立机组运行信息预测模型并获取机组预见式信息；
2.6)根据实时信息对火电机组协调系统进行反馈校正并完成在线校正过程。
优选地，所述辨识样本数据覆盖机组所有运行工况点；所述辨识数据样本的采样周期为1min，采集时间段为1年～3年。
优选地，所述辨识数据样本量大于等于10000组。
优选地，所述火电机组协调系统对象模型的输入信号为辨识数据样本中的主蒸汽调门开度、给煤量和给水量，输出信号为机组负荷、主蒸汽压力和汽水分离器出口温度。
优选地，步骤2.2)中所述参考轨迹包括机组负荷参考轨迹、机组中间点温度参考轨迹和机组主蒸汽压力参考轨迹，
其中，对于机组负荷参考轨迹，其表达式为：
NE＝N0+α1[(Pt-1-P′t-1)-(Pt-2-P′t-2)]
+α2[(Tt-1-T′t-1)-(Tt-2-T′t-2)]
式中，NE表示机组当前时刻的负荷参考轨迹；N0表示机组的AGC指令；Pt-1、Pt-2分别表示机组t-1，t-2的主汽压力实际值；P′t-1、P′t-2分别表示机组t-1，t-2的滑压目标值；Tt-1、Tt-2、分别表示机组t-1，t-2的中间点温度实际运行值；T′t-1和T′t-2分别表示机组t-1，t-2的中间点温度设定目标值；α1、α2表示相应的前馈系数；
对于机组中间点温度参考轨迹，其表达式为：
T＝T0+γ1(Kt-1-Kt-2)+γ2(Ct-1-Ct-2)
式中，T表示机组温度参考轨迹，T0表示中间点温度设定值；Kt-1、Kt-2分别表示t-1，t-2时刻机组实际运行时的中间点温度；Ct-1、Ct-2分别表示t-1，t-2时刻机组的给煤量；γ1、γ2表示相应的前馈系数；
对于机组主蒸汽压力参考轨迹，其表达式为：
P＝P0+β1(Wt-1-Wt-2)+β2(Nt-1-Nt-2)
式中，P表示机组温度参考轨迹，P0表示中间点温度设定值；Wt-1、Wt-2分别表示t-1，t-2时刻机组实际运行时的给水量；Nt-1、Nt-2分别表示t-1，t-2时刻机组的负荷；β1、β2表示相应的前馈系数。
优选地，步骤2.5)的具体步骤如下：
基于ANFIS神经网络，分别建立关于AGC指令、滑压目标值和中间点温度的机组运行信息预测模型；并调取火电机组协调系统中机组运行数据作为机组运行信息预测模型的运行数据，再利用Sugeno算法分别训练关于AGC指令、滑压目标值和中间点温度的机组运行信息预测模型，得到关于AGC指令、滑压目标值和中间点温度的机组运行信息预测模型对应的输出函数，即机组预见式信息；所述机组运行信息预测模型的运行数据的输入节点数为5，输出节点为1，规则数为32；所述机组运行信息预测模型的隶属度函数为高斯函数。
优选地，步骤2.5)的具体步骤如下：步骤2.6)的具体过程如下：
首先检测被控对象的实际输出y(t+1)，再将该实际输出y(t+1)与机组运行信息预测模型在该时刻的输出
Figure BDA0002425048320000041
差值的绝对值作为第一组差值；然后将被控对象的实际输出y(t+1)与步骤2.5)所获取的预见式信息y′(t+1)差值的绝对值作为第二组差值，最后将第一组差值与第二组差值之和，作为火电机组协调系统的综合误差用以校正调整，再通过步骤2.4)进行遗传算法多次迭代寻优，求得在线校正下的预测控制量。
优选地，所述火电机组协调系统的综合误差的计算公式如下：
Figure BDA0002425048320000051
优选地，所述机组预测模型的输入层包括机组t-1和t-2时刻分别对应的给煤量、给水量、主蒸汽调门开度、机组负荷、主蒸汽压力和中间点温度共12个节点；机组预测模型的输出层包括t时刻的机组负荷、主蒸汽压力和中间点温度共3个节点。
优选地，步骤2.3)中所述滚动优化过程具体步骤如下：
2.3.1)选择编码策略
2.3.2)定义适应度函数f(X)；
2.3.3)确定遗传策略；
2.3.4)生成初始种群P；
2.3.5)计算群体中各个体的适应度值；
2.3.6)将遗传算子作用于种群，产生下一代种群；
2.3.7)迭代终止判定。
本发明相比于现有技术具有如下有益效果
本发明提出的火电机组协调系统的预见式预测控制方法，基于BP神经网络算法建立超临界火电机组协调系统数学模型，并在此基础上提出了一种基于前馈参考和ANFIS校正的预见式预测控制方法，来对机组进行优化控制。该方法改进了传统火电机组控制策略的不足，充分利用未来信息，来提高火电机组电网AGC指令的跟踪效果，本发明能够有效的实现电网AGC指令的快速稳定跟踪。
本发明的火电机组协调系统的预见式预测控制方法，基于ANFIS算法预见式的得到机组未来的信息，将其用于滚动优化过程中的在线校正部分，从而更好的修正控制量，实现机组对于AGC指令的快速响应跟踪。本专利对所提出的基于前馈参考和ANFIS校正的预见式预测控制方法进行技术保护，对于任何熟悉本技术领域的技术人员在本发明公开的范围内，能够轻易想到的变化或替换，都应涵盖在本发明权利要求的保护范围内。
本发明的火电机组协调系统的预见式预测控制方法，在超临界机组的多输入多输出控制系统中，较常规PID控制算法有着更加优良的控制效果。通过神经网络预测控制，机组能更快、更准确地跟踪机组AGC曲线、滑压目标值和设定的中间点温度。
本发明的火电机组协调系统的预见式预测控制方法，利用机组运行历史数据对系统的参考目标值进行前馈修正，并利用机组未来的目标值对机组的滚动优化控制量进行修正，进一步改善机组的运行参数，能够提高机组的AGC响应速度、经济性、稳定性和安全性。
附图说明：
图1为预见式预测控制图；
图2为BP神经网络结构图；
图3为实施例中机组BP神经网络算法图；
图4为ANFIS结构图；
图5为ANFIS训练流程图；
图6为ANFIS模型构建图。
具体实施方式：
下面结合具体实施例及对应附图对本发明作进一步说明。
实施例一：
本实施例采用本发明提供的火电机组协调系统的预见式预测控制方法对某600MW超临界直流炉组进行预测控制，如图1所示，首先辨识出协调系统的模型，通过遗传算法进行预见式预测控制并且通过得到前馈量加入到参考轨迹中，在优化控制的过程中通过ANFIS算法得到机组预见信息进行在线校正预测结果，最后将优化的控制变量进行输出，依此得到快速，稳定跟踪AGC指令的控制变量。本实施例的具体步骤如下
Step 1、基于BP神经网络建立系统对象模型，该BP神经网络的原理如图2所示，图中：xj为输入层第j个节点的输入(j＝1,…,M)；vij为隐含层第i个节点到输入层第j个节点之间的权值；
Figure BDA0002425048320000061
为隐含层的激励函数；θi为隐含层第i个节点的输出(阈值写入求和项中)；
Figure BDA0002425048320000062
为输出层第k个节点到隐含层第i个节点之间的权值(i＝1,…,q)；ak为输出层第k个节点的阈值(k＝1,…,L)；Ψ(x)为输出层的激励函数；Ok为输出层第k个节点的输出；
Figure BDA0002425048320000071
具体步骤为：
从火电机组数据采集系统的历史数据库中调取某600MW超临界直流炉机组历史数据(目标回路的输入数据和输出数据)，形成辨识数据样本，数据样本的采样周期为1min；采集时间段为1年内不同工况下的稳态运行时间；辨识数据样本量为10000组；输入信号为单元机组的三个控制量：主蒸汽调门开度、给煤量、给水量；输出信号为表征机组运行水平的机组负荷、主蒸汽压力和汽水分离器出口温度，基于BP神经网络算法建立火电机组协调系统对象模型，算法包含信号的前向传播和误差的反向传播两个阶段。第一阶段(前向传播过程)是将给定的输入信息通过输入层、隐含层处理并计算出每个单元的实际输出值；第二阶段(反向传播过程)是在输出层未能得到期望的输出值的情况下，逐层递归地计算实际输出与期望输出之差值(即误差)，并根据此差值调节权值，其算法图如下图3所示。用10000组现场运行数据作为模型的训练输入，训练得到一个3入3出的单元机组神经网络模型；用训练数据后1000组运行数据对模型进行检验。
Step 2、采用基于ANFIS算法的预见式预测控制方法对火电机组进行控制，包括如下具体步骤：
Step 2.1，根据Step 1中的火电机组协调系统对象模型建立预测模型，该预测模型与对象模型相似，同样采用BP神经网络算法建立。因机组t时刻的输出与机组之前时刻的输入、输出息息相关，因此本实施例选择机组t-1和t-2时刻分别对应的给煤量、给水量、调门开度、机组负荷、主蒸汽压力和中间点温度共12个节点作为预测模型输入层输入；预测模型有两层隐层，隐层1有36个节点，隐层2有12个节点；预测模型输出层有3个节点，分别为t时刻的机组负荷、主蒸汽压力和中间点温度。该预测模型摆脱了传统控制基于严格数学模型的要求，从全新的角度建立模型。预测模型具有展示系统未来动态行为的功能，利用预测模型为预测控制的优化提供先验知识，从而决定采用何种控制输入，使未来时刻被控对象的输出变化符合预期的目标。
Step 2.2，在Step 2.1得到预测模型的基础上设置参考轨迹，该参考轨迹由一系列1行3列的行向量组成，行向量信息包括机组的AGC指令、对应的滑压目标值及设定的机组中间点温度。除此之外，还包括在此基础上机组的前馈信息，以优化机组的参考轨迹；
对于机组负荷参考轨迹，本发明综合考虑AGC指令、主蒸汽压力及中间点温度的前馈值，其表达式为：
NE＝N0+α1[(Pt-1-P′t-1)-(Pt-2-P′t-2)]
+α2[(Tt-1-T′t-1)-(Tt-2-T′t-2)]
式中，NE表示机组当前时刻的负荷参考轨迹；N0表示机组的AGC指令；Pt-1、Pt-2分别表示机组t-1，t-2的主汽压力实际值；P′t-1、P′t-2分别表示机组t-1，t-2的滑压目标值；Tt-1、Tt-2、分别表示机组t-1，t-2的中间点温度实际运行值；T′t-1和T′t-2分别表示机组t-1，t-2的中间点温度设定目标值；α1、α2表示相应的前馈系数，即前馈量的权重值，范围为(0,1)，通过改变前馈系数来改变前馈量的权重，从而达到不同的控制效果。
对于机组中间点温度参考轨迹，本发明综合考虑机组水煤比的变化、锅炉给煤量的变化及中间点温度设定值，其表达式为：
T＝T0+γ1(Kt-1-Kt-2)+γ2(Ct-1-Ct-2)
式中，T表示机组温度参考轨迹，T0表示中间点温度设定值；Kt-1，Kt-2表示t-1，t-2时刻机组实际运行时的中间点温度；Ct-1，Ct-2表示t-1，t-2时刻机组的给煤量；γ1、γ2表示相应的前馈系数，即前馈量的权重值，范围为(0,1)，通过改变前馈系数来改变前馈量的权重，从而达到不同的控制效果。
对于机组主蒸汽压力设定值，本发明综合考虑机组的给水量变换、负荷变化及滑压值，其表达式为：
P＝P0+β1(Wt-1-Wt-2)+β2(Nt-1-Nt-2)
式中，P表示机组温度参考轨迹，P0表示中间点温度设定值；Wt-1，Wt-2表示t-1，t-2时刻机组实际运行时的给水量；Nt-1，Nt-2表示t-1，t-2时刻机组的负荷；β1、β2表示相应的前馈系数，即前馈量的权重值，范围为(0,1)，通过改变前馈系数来改变前馈量的权重，从而达到不同的控制效果。
Step 2.3，在Step 2.2设置好参考轨迹的基础上，采用遗传算法实现预测控制器的滚动优化过程，并确认t时刻的优化性能指标J(t)并以该优化性能指标J(t)作为火电机组AGC追踪效果的目标函数(即过程误差最小)；
其中，t时刻的优化性能指标J(t)有如下形式：
Figure BDA0002425048320000091
式中，
Figure BDA0002425048320000092
为经过BP预测模型后的在未来输入为u(t+h-1)(h＝1,…,p)时的输出值；yr(t+h)(h＝1,…,p)为输出期望值。
该步骤中滚动优化过程的具体步骤如下：
Step 2.3.1选择编码策略；
Step 2.3.2定义适应度函数f(X)；
Step 2.3.3确定遗传策略；
Step 2.3.4生成初始种群P；
Step 2.3.5计算群体中各个体的适应度值；
Step 2.3.6将遗传算子作用于种群，产生下一代种群；
Step 2.3.7迭代终止判定；
Step 2.4，通过遗传算法迭代求解可求得预测模型未来的输入量u(t+h-1),此输入量是1行3列的行向量，包括主蒸汽调门开度、机组给煤量和给水量。在此迭代过程中，考虑到机组控制量的上下限及机组的实际运行情况，对控制量进行了限制,修正后的给水量的下限设置为850t/h，上限设置为1900t/h；修正后的给煤量的下限150t/h，上限设置为330t/h；高调门开度上限设置为98％，下限设置为60％。考虑遗传算法得到的控制量是随机的，上下两步得到的优化控制量可能存在跳变的情况，而机组实际运行过程是不允许短时间内控制量大幅变动的，因此应对寻优控制量进行二次限制，使得上下两步的控制量平稳过渡。滚动优化迭代过程重复进行，直至J(t)达到最小，这时求出的控制量即可作为系统最优控制量。具备二次限制能力的优化性能指标有如下形式：
Figure BDA0002425048320000101
式中，u(t+h-2)是未来输入u(t+h-1)前一时刻的系统控制输入(包括主蒸汽调门开度、给煤量、给水量)，rh为对应的加权值，通过改变加权系数来改变目标函数中二次限制成分的权重以此来改变优化性能指标，最终达到不同的控制效果。
Step 2.5，通过ANFIIS算法获取机组负荷预见式信息，并用于优化求解过程中积极参与在线校正，为整个校正过程提供动作趋势，通过预测输出与实际输出的对比及预见式信息与实际输出的对比形成综合误差进行在线校正，为整个控制过程提供优化趋势。其中，ANFIS算法采用反向传播算法和最小二乘算法的混合算法调整参数，使得隶属度函数的参数能与给定的数据最好的拟合。ANFIS算法结构可分为五层：计算输入的模糊隶属度；计算每条规则的适用度；计算适用度的归一化值；计算每条规则的输出；计算模糊系统的输出。如下图4所示。
图中，x，y是系统的输入，y是推理系统的输出，均为可提供的数据对；网络对同一层的每个节点具有相似的功能，用O1,i表示第一层第i个节点的输出，依次类推。
第一层：输入参数的选择和模糊化，该层每个节点i是以节点函数表示的方形节点
O1，i＝μAi(x)，i＝1，2
O1，i＝μB(i-2)(y)，i＝3，4
其中，Ai和Bi-2是与该节点函数相关的语言变量，O1,i是模糊集A的隶属度函数。
第二层：模糊规则激励强度的计算，将输入信号的隶属度相乘，其输出为O2，i＝ωi＝μAi(x)μBi(y)，i＝1，2
第三层：本层节点进行各条规则适用度的归一化计算，即第i个节点计算第i条规则的ωi与全部规则ω值之和的比值
Figure BDA0002425048320000111
第四层：该层每个节点i为自适应节点，其输出为
Figure BDA0002425048320000112
第五层：该层的单节点是一个固定节点，计算所有输入信号的总输出为
Figure BDA0002425048320000113
建立基于ANFIS的机组运行信息预测模型，用于分别预测AGC指令、对应的滑压目标值及设定的机组中间点温度的预见信息。使用大量的协调系统中机组的运行数据作为ANFIS的运行数据，其中10000组运行数据，输入节点数为5，输出节点为1，规则数为32。
载入系统数据
对于AGC指令的信息预见来讲，ANFIS模型训练的输入数据为10000行5列，其中第1列数据为：N1，N2，…，N9995；第2列的数据为：N2，N3，…，N9996；第3列的数据为：N3，N4，…，N9997；第4列的数据为：N4，N5，…，N9998；第5列的数据为：N5，N6，…，N9999。模型训练的输出数据为：N6，N7，…，N10000。滑压目标值和中间点温度的输入数据和输出数据同理可得。
生成初始的模糊推理系统
初始的模糊推理系统采用Grid partition方法来构建。ANFIS属于Sugeno型模糊系统，其隶属度函数有多种，包括梯形函数、三角形函数、高斯型函数、钟型函数等。本方法采用高斯函数(Gauss)作为隶属度函数。
在生成初始模糊推理系统的基础上，进行训练和测试，使得该系统很好的预测未来信心，即得到AGC指令、滑压目标值和中间点温度的预见信息。
在这一网络中，利用Sugeno算法训练ANFIS，按算法指定的指标得到结构中具体参数。通过经过训练后的输入、输出量的隶属度函数及所得参数，最终得到系统的输出函数。
其中，如图5所示，训练ANFIS可分为以下5个步骤完成：
(1)将载入的系统输入输出数据分为训练数据、检测数据和核对数据，通过将数据放入模型训练，调整参数使模型适用于训练数据。
(2)确定初始ANFIS输入输出的个数及其隶属度函数的个数和类型，即确定前件参数。本例输入个数为5，输出个数为1，隶属度函数的类型为高斯函数，个数为32。
(3)生成初始ANFIS，具体结构如图4所示。
(4)确定训练参数，训练初始ANFIS。训练参数包含期望误差、训练次数等。训练次数通过核对误差多次试探来决定。
(5)最后检验训练后的ANFIS。当训练误差小于期望误差或训练误差次数到时结束，输出训练后ANFIS的参数。否则，继续训练。
根据历史AGC指令进行五步指令数据的预测，因此，需要训练五个不同性能的ANFIS模型。在得到训练模型的基础上，每给定五个AGC指令的历史数据来得到初步的预测数据，作为滚动优化过程中在线校正的预见式数据，通过对历史数据的处理达到对未来信息的预见，提供算法优化趋势以得到系统最优控制量。在训练过程中，根据2.5)此前部分的设置，构造的ANFIS模型结构框架如图6所示，输入量数目为5，输出量数目为1，隶属度函数的数目为32，设置训练误差Error Tolerance为0，训练步数Epochs为50。滑压目标值与中间点温度设定值得五步预测与之类似。
Step 2.6，在火电机组协调系统的控制过程中，存在协调模型及预测模型与实际系统模型失配的情况以及外界环境干扰的影响，外界环境干扰的影响，由目标函数通过遗传算法在线滚动优化求得的最优解(预测值)可能与实际输出值相差较大。通过Step 2.5利用预见式信息参与在线校正，在此基础上利用目标函数通过遗传算法求得最优解(预测值)。除预见信息参与外，同时还需进行对象实际输出与模型预测输出的误差对比进行反馈校正，综合两部分实现整个控制过程中的在线校正。由于在实际过程中存在环境干扰等未知因素，最优解可能偏离实际值，若不及时利用实时信息进行反馈校正，下一步的优化将建立在不准确的模型预测基础上，随着过程的进行，预测输出有可能越来越偏离实际输出。为了防止只依赖于模型的开环优化造成的误差，预测控制器在t+1时刻计算优化控制量前，需先检测被控对象的实际输出y(t+1)，并把它与模型预测的该时刻的输出
Figure BDA0002425048320000131
相比较，同时体现出预见式信息的优势将被控对象的实际输出y(t+1)与预见式信息y'(t+1)相比较，构成综合误差：
Figure BDA0002425048320000132
这一误差信息反映了模型中未包含的不确定因素对输出的影响，可用来预测未来的输出误差，启发式的修正原始预测控制量。。再通过步骤2.4)遗传算法多次迭代寻优，可求得在在线校正下准确的预测控制量，从而使2.4)、2.5)、2.6)过程形成一个完整的闭环结构。

Claims (10)

1.一种火电机组协调系统的预见式预测控制方法，其特征在于：包括如下具体步骤：
1)从火电机组的数据采集系统的历史数据库中调取火电机组历史数据形成辨识数据样本，并基于BP神经网络建立火电机组协调系统对象模型；
2)采用基于ANFIS算法的预见式预测控制方法对火电机组进行控制，包括如下具体步骤：
2.1)根据步骤1)中火电机组协调系统对象模型，基于BP神经网络建立机组预测模型；
2.2)根据步骤2.1)中机组预测模型设置参考轨迹，该参考轨迹表达式为：
HE＝H0与H′
其中，HE代表参考轨迹的行向量；H0代表机组的设定值；H′代表机组的前馈值；
2.3)根据步骤2.1)中机组预测模型和2.2)中参考轨迹，采用遗传算法实现预测控制方法的滚动优化过程，确认t时刻的初步优化性能指标J(t)，其中，t时刻的初步优化性能指标J(t)有如下形式：
Figure FDA0002425048310000011
式中，
Figure FDA0002425048310000012
为经过机组预测模型后的，未来火电机组协调系统控制输入为u(t+h-1)(h＝1，...，p)时的输出值；yr(t+h)(h＝1，...，p)为
Figure FDA0002425048310000014
对应的输出期望值；
2.4)根据t时刻的初步优化性能指标J(t)，建立t时刻的具备二次限制能力的优化性能指标，并以该优化性能指标作为表征火电机组AGC追踪效果的目标函数：
Figure FDA0002425048310000013
式中，u(t+h-2)是未来火电机组协调系统控制输入为u(t+h-1)前一时刻的输入；rh为加权值；
2.5)基于ANFIS神经网络，建立机组运行信息预测模型并获取机组预见式信息；
2.6)根据实时信息对火电机组协调系统进行反馈校正并完成在线校正过程。
2.根据权利要求1所述的火电机组协调系统的预见式预测控制方法，其特征在于：所述辨识样本数据覆盖机组所有运行工况点；所述辨识数据样本的采样周期为1min，采集时间段为1年～3年。
3.根据权利要求2所述的火电机组协调系统的预见式预测控制方法，其特征在于：所述辨识数据样本量大于等于10000组。
4.根据权利要求3所述的火电机组协调系统的预见式预测控制方法，其特征在于：所述火电机组协调系统对象模型的输入信号为辨识数据样本中的主蒸汽调门开度、给煤量和给水量，输出信号为机组负荷、主蒸汽压力和汽水分离器出口温度。
5.根据权利要求4所述的火电机组协调系统的预见式预测控制方法，其特征在于：步骤2.2)中所述参考轨迹包括机组负荷参考轨迹、机组中间点温度参考轨迹和机组主蒸汽压力参考轨迹，
其中，对于机组负荷参考轨迹，其表达式为：
NE＝N0+α1[(Pt-1-P′t-1)-(Pt-2-P′t-2)]+α2[(Tt-1-T′t-1)-(Tt-2-T′t-2)]
式中，NE表示机组当前时刻的负荷参考轨迹；N0表示机组的AGC指令；Pt-1、Pt-2分别表示机组t-1，t-2的主汽压力实际值；P′t-1、P′t-2分别表示机组t-1，t-2的滑压目标值；Tt-1、Tt-2、分别表示机组t-1，t-2的中间点温度实际运行值；T′t-1和T′t-2分别表示机组t-1，t-2的中间点温度设定目标值；α1、α2表示相应的前馈系数；
对于机组中间点温度参考轨迹，其表达式为：
T＝T0+γ1(Kt-1-Kt-2)+γ2(Ct-1-Ct-2)
式中，T表示机组温度参考轨迹，T0表示中间点温度设定值；Kt-1、Kt-2分别表示t-1，t-2时刻机组实际运行时的中间点温度；Ct-1、Ct-2分别表示t-1，t-2时刻机组的给煤量；γ1、γ2表示相应的前馈系数；
对于机组主蒸汽压力参考轨迹，其表达式为：
P＝P0+β1(Wt-1-Wt-2)+β2(Nt-1-Nt-2)
式中，P表示机组温度参考轨迹，P0表示中间点温度设定值；Wt-1、Wt-2分别表示t-1，t-2时刻机组实际运行时的给水量；Nt-1、Nt-2分别表示t-1，t-2时刻机组的负荷；β1、β2表示相应的前馈系数。
6.根据权利要求1-5任一所述的火电机组协调系统的预见式预测控制方法，其特征在于：步骤2.5)的具体步骤如下：
基于ANFIS神经网络，分别建立关于AGC指令、滑压目标值和中间点温度的机组运行信息预测模型；并调取火电机组协调系统中机组运行数据作为机组运行信息预测模型的运行数据，再利用Sugeno算法分别训练关于AGC指令、滑压目标值和中间点温度的机组运行信息预测模型，得到关于AGC指令、滑压目标值和中间点温度的机组运行信息预测模型对应的输出函数，即机组预见式信息；所述机组运行信息预测模型的运行数据的输入节点数为5，输出节点为1，规则数为32；所述机组运行信息预测模型的隶属度函数为高斯函数。
7.根据权利要求6所述的火电机组协调系统的预见式预测控制方法，其特征在于：步骤2.5)的具体步骤如下：步骤2.6)的具体过程如下：
首先检测被控对象的实际输出y(t+1)，再将该实际输出y(t+1)与机组运行信息预测模型在该时刻的输出
Figure FDA0002425048310000031
差值的绝对值作为第一组差值；然后将被控对象的实际输出y(t+1)与步骤2.5)所获取的预见式信息y′(t+1)差值的绝对值作为第二组差值，最后将第一组差值与第二组差值之和，作为火电机组协调系统的综合误差用以校正调整，再通过步骤2.4)进行遗传算法多次迭代寻优，求得在线校正下的预测控制量。
8.根据权利要求7所述的火电机组协调系统的预见式预测控制方法，其特征在于：所述火电机组协调系统的综合误差的计算公式如下：
Figure FDA0002425048310000041
9.根据权利要求8所述的火电机组协调系统的预见式预测控制方法，其特征在于：所述机组预测模型的输入层包括机组t-1和t-2时刻分别对应的给煤量、给水量、主蒸汽调门开度、机组负荷、主蒸汽压力和中间点温度共12个节点；机组预测模型的输出层包括t时刻的机组负荷、主蒸汽压力和中间点温度共3个节点。
10.根据权利要求9所述的火电机组协调系统的预见式预测控制方法，其特征在于：步骤2.3)中所述滚动优化过程具体步骤如下：
2.3.1)选择编码策略
2.3.2)定义适应度函数f(X)；
2.3.3)确定遗传策略；
2.3.4)生成初始种群P；
2.3.5)计算群体中各个体的适应度值；
2.3.6)将遗传算子作用于种群，产生下一代种群；
2.3.7)迭代终止判定。
CN202010217858.9A 2020-03-25 2020-03-25 火电机组协调系统的预见式预测控制方法 Active CN111290282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010217858.9A CN111290282B (zh) 2020-03-25 2020-03-25 火电机组协调系统的预见式预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010217858.9A CN111290282B (zh) 2020-03-25 2020-03-25 火电机组协调系统的预见式预测控制方法

Publications (2)

Publication Number Publication Date
CN111290282A true CN111290282A (zh) 2020-06-16
CN111290282B CN111290282B (zh) 2022-08-09

Family

ID=71024840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010217858.9A Active CN111290282B (zh) 2020-03-25 2020-03-25 火电机组协调系统的预见式预测控制方法

Country Status (1)

Country Link
CN (1) CN111290282B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112398177A (zh) * 2020-11-30 2021-02-23 国网新疆电力有限公司电力科学研究院 获得超临界或超超临界火电机组柔性给煤指令的方法
CN114428456A (zh) * 2020-10-29 2022-05-03 北京国电智深控制技术有限公司 一种火电机组控制系统的控制方法及装置
CN114428455A (zh) * 2020-10-29 2022-05-03 北京国电智深控制技术有限公司 一种火电机组控制系统的控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406101A (zh) * 2016-11-21 2017-02-15 华北电力大学（保定） 一种火电机组协调控制系统的智能计算预测控制方法
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
CN107168059A (zh) * 2017-05-27 2017-09-15 杭州意能电力技术有限公司 一种基于主汽压力的火电机组预测控制策略
CN108227488A (zh) * 2017-12-22 2018-06-29 上海交通大学 基于滑模预测控制的超超临界火电机组协调控制方法
US20180269687A1 (en) * 2017-03-17 2018-09-20 General Electric Technology Gmbh Scalable flexibility control of distributed loads in a power grid
CN110376895A (zh) * 2019-07-30 2019-10-25 华能国际电力股份有限公司营口电厂 一种基于分层受限预测控制的火电机组协调控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406101A (zh) * 2016-11-21 2017-02-15 华北电力大学（保定） 一种火电机组协调控制系统的智能计算预测控制方法
US20180269687A1 (en) * 2017-03-17 2018-09-20 General Electric Technology Gmbh Scalable flexibility control of distributed loads in a power grid
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
CN107168059A (zh) * 2017-05-27 2017-09-15 杭州意能电力技术有限公司 一种基于主汽压力的火电机组预测控制策略
CN108227488A (zh) * 2017-12-22 2018-06-29 上海交通大学 基于滑模预测控制的超超临界火电机组协调控制方法
CN110376895A (zh) * 2019-07-30 2019-10-25 华能国际电力股份有限公司营口电厂 一种基于分层受限预测控制的火电机组协调控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DONGFENG WANG.ETAL: "Predictive Control for Boiler-Turbine", <2009 INTERNATIONAL CONFERENCE ON TEST AND MEASUREMENT>, 17 February 2010 (2010-02-17), pages 1 - 4 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114428456A (zh) * 2020-10-29 2022-05-03 北京国电智深控制技术有限公司 一种火电机组控制系统的控制方法及装置
CN114428455A (zh) * 2020-10-29 2022-05-03 北京国电智深控制技术有限公司 一种火电机组控制系统的控制方法及装置
CN114428456B (zh) * 2020-10-29 2024-05-14 北京国电智深控制技术有限公司 一种火电机组控制系统的控制方法及装置
CN112398177A (zh) * 2020-11-30 2021-02-23 国网新疆电力有限公司电力科学研究院 获得超临界或超超临界火电机组柔性给煤指令的方法
CN112398177B (zh) * 2020-11-30 2023-02-24 国网新疆电力有限公司电力科学研究院 获得超临界或超超临界火电机组柔性给煤指令的方法

Also Published As

Publication number Publication date
CN111290282B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN111290282B (zh) 火电机组协调系统的预见式预测控制方法
CN110285403B (zh) 基于被控参数预估的主蒸汽温度控制方法
US11543787B2 (en) Networked control system time-delay compensation method based on predictive control
CN111443681B (zh) 超临界火电机组协调控制系统多模型预测控制设计方法
Fu et al. Adaptive learning and control for MIMO system based on adaptive dynamic programming
CN109901403A (zh) 一种自主水下机器人神经网络s面控制方法
Zhou et al. Adaptive NN control for nonlinear systems with uncertainty based on dynamic surface control
CN105867138A (zh) 一种基于pid控制器的稳定平台控制方法及装置
CN111812975A (zh) 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法
CN112819224B (zh) 基于深度学习融合模型的机组出力预测及置信评估方法
CN113964884A (zh) 基于深度强化学习的电网有功频率的调控方法
CN114428456B (zh) 一种火电机组控制系统的控制方法及装置
Menhas et al. Real/binary co-operative and co-evolving swarms based multivariable PID controller design of ball mill pulverizing system
CN116880191A (zh) 一种基于时序预测的过程工业生产系统的智能控制方法
JPH0553605A (ja) プロセス制御方法及びその制御装置
CN115441475A (zh) 一种电网输电线路功率紧急控制方法
CN112615364A (zh) 一种新型的电网稳控装置广域智能协同控制方法
CN107045287A (zh) 基于预测控制技术的机组协调控制系统及控制方法
Garduno-Ramirez et al. Overall control of fossil-fuel power plants
Tu et al. State variable-fuzzy prediction control strategy for superheated steam temperature of thermal power units
Xiao et al. Design of Liquid Level Control System of Steam Generator Based on Neural Network PID Controller
Ni et al. Decoupling control for a class of dynamic nonlinear coupling systems via ADRC based on DRNN
CN111695300A (zh) 一种汽轮机阀门流量拟合方法及系统
CN110442028B (zh) 基于模糊预测的反分叉控制方法
Li et al. Reinforcement learning-based control with application to the once-through steam generator system

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
CB02 Change of applicant information

Address after: 210046 fairyland Road, Qixia District, Nanjing, Jiangsu Province, No. 10

Applicant after: National Energy Group Science and Technology Research Institute Co.,Ltd.

Applicant after: North China Electric Power University

Address before: 210046 fairyland Road, Qixia District, Nanjing, Jiangsu Province, No. 10

Applicant before: GUODIAN SCIENCE AND TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd.

Applicant before: North China Electric Power University

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant