CN112180731B - 能源设备运行控制方法及系统 - Google Patents
能源设备运行控制方法及系统 Download PDFInfo
- Publication number
- CN112180731B CN112180731B CN202011089652.9A CN202011089652A CN112180731B CN 112180731 B CN112180731 B CN 112180731B CN 202011089652 A CN202011089652 A CN 202011089652A CN 112180731 B CN112180731 B CN 112180731B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- value
- time domain
- control
- reference curve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006870 function Effects 0.000 claims description 71
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000005484 gravity Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 8
- 239000002028 Biomass Substances 0.000 description 35
- 238000002309 gasification Methods 0.000 description 24
- 238000004519 manufacturing process Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
本发明公开了一种能源设备运行控制方法,包括如下步骤,S1,建立负荷跟踪参考曲线,并提取最大值、最小值、极大值和极小值,将最大值和最小值做差,将极大值的个数和极小值的个数求和,并对做差的结果和求和的结果进行模糊化处理后到模糊化变量词;S2,根据模糊化变量词和模糊规则计算预测时域和成本函数的权重的隶属度;S3,将隶属度反模糊化得到控制时域的确切值和成本函数的权重的确切值;S4,根据控制时域的确切值和成本函数的权重的确切值改变能源设备的控制变量,返回步骤S1更新负荷跟踪参考曲线,循环进行步骤S1~步骤S4;其中,负荷跟踪参考曲线的时间跨度大于预测时域设定的最大值,能自适应的更新预测时域,减少计算量,提升控制效果。
Description
技术领域
本公开涉及能源系统运行控制领域,尤其涉及一种能源设备运行控制方法及系统,可用于包括但不限于锅炉、发电机、热解气化炉、热泵等多种能源系统,解决能源系统在负荷调节时的经济或能量代价过高的问题。
背景技术
能源系统的输出必须要随着负荷的变化而对应调整,目前的能源系统大多情况下负荷变化都是可预知的,比如办公楼用电负荷、冬季采暖负荷等一般都呈周期性变化。现有的能源系统控制思路一般是用系统输出和负荷需求的差值对系统进行反馈调节,差值越大,反馈信号越强,如最常用的PID控制器。这种控制思路的问题在于,当负荷频繁剧烈波动时,能源系统必须随之频繁调节,而这种频繁调节的成本较高,比如需要频繁启停设备,既浪费能量,又损伤设备寿命。因此,需要开发一种能源系统运行控制方法,既保证系统输出能够满足负荷变化的需求,又使运行控制成本不会太高。
能源系统大多是具有非线性、延时性、多变量耦合特点的复杂系统。模型预测控制(MPC)是解决复杂工业过程控制的有效方法,已广泛应用于能源系统控制领域。预测时域是MPC的关键参数,受系统惯性以及控制目标要求的影响,过小的预测时域会导致控制器性能下降,但过大的预测时域会增加计算时间而对控制效果没有好处。现有技术中,常采用固定预测时域的方法,控制系统的计算量大,误差较大,控制效果差。
发明内容
在现有技术中,模型预测控制存在计算量大,误差较大,控制效果不好的问题,为了解决上述技术问题,本公开提供如下技术方案。
一种能源设备运行控制方法,包括如下步骤。
S1,建立负荷跟踪参考曲线,提取所述负荷跟踪参考曲线中的最大值、最小值、极大值和极小值,将所述最大值和所述最小值做差,将所述极大值的个数和所述极小值的个数求和,并对做差的结果和求和的结果进行模糊化处理后到模糊化变量词。
S2,根据所述模糊化变量词和预设的模糊规则计算预测时域和成本函数的权重的隶属度。
S3,将所述隶属度反模糊化得到控制时域的确切值和成本函数的权重的确切值。
S4,根据所述控制时域的确切值和所述成本函数的权重的确切值改变能源设备的控制变量,以及
返回步骤S1更新所述负荷跟踪参考曲线,循环进行步骤S1~步骤S4,直至所述负荷跟踪参考曲线跟踪结束。
其中,所述负荷跟踪参考曲线的时间跨度大于所述预测时域设定的最大值。
根据本公开提供的一些实施例,设置所述负荷跟踪参考曲线的起始时间为t0,时间跨度为Δt,所述负荷跟踪参考曲线的终止时间为t0+Δt,所述预测时域为tf,所述控制时域为tc,所述步骤S4中,在t0+tc时间跨度内改变所述能源设备的控制变量,然后返回所述步骤S1,更新所述负荷跟踪参考曲线的起始时间为t0+tc,终止时间为t0+tc+Δt。
根据本公开提供的一些实施例,所述步骤S2中,通过预设的模糊规则计算出预测时域和一个或多个成本函数的权重,并根据所述更新后的所述负荷跟踪参考曲线调整各个成本函数之间的权重占比。
根据本公开提供的一些实施例,所述步骤S2中,通过模糊化论域和与所述模糊化论域相对应的模糊化变量词集对所述模糊化变量词进行模糊计算,所述模糊化论域包括最大值与最小值的差,以及极大值与极小值点数之和,所述模糊化变量词集包括“负大”、“负中”、“负小”、“零”、“正小”、“正中”和“正大”。
根据本公开提供的一些实施例,所述步骤S3中,采用最大隶属度值法、加权平均重心法或中位数法对所述预测时域和所述成本函数的权重反模糊化处理得到控制时域的确切值和成本函数的权重的确切值。
根据本公开提供的一些实施例,采用所述加权平均重心法进行反模糊化处理,计算公式包括:
其中,x0为反模糊化处理得到的确切值,xi为反模糊化论域内的值,μ(xi)为xi的隶属度值。
本公开还提供一种能源设备运行控制系统,包括模糊化处理单元、模糊计算单元、反模糊化处理单元、模糊控制单元和模糊控制反馈单元。
所述模糊化处理单元,用于建立负荷跟踪参考曲线,提取所述负荷跟踪参考曲线中的最大值、最小值的差、极大值和极小值,将所述最大值和所述最小值做差,将所述极大值的个数和所述极小值的个数求和,并对结果进行模糊化处理后到模糊化变量词。
所述模糊计算单元,用于接收所述模糊化变量词,并根据所述模糊化变量词和预设的模糊规则计算出预测时域和成本函数的权重的隶属度。
所述反模糊化处理单元,用于接收所述隶属度,并将所述隶属度反模糊化得到控制时域的确切值和成本函数的权重的确切值。
所述模糊控制单元,用于接收所述控制时域的确切值和所述成本函数的权重的确切值,并控制改变能源设备的控制时域和控制变量。
所述模糊控制反馈单元,用于采集所述能源系统实际的负荷数据以及所述控制时域信息,以用于更新所述负荷跟踪参考曲线,所述负荷跟踪参考曲线的时间跨度大于所述预测时域设定的最大值。
根据本公开提供的一些实施例,所述模糊化计算单元进行模糊计算后得到多个成本函数,多个所述成本函数的权重之和等于一。
根据本公开提供的一些实施例,所述模糊化处理单元包括最大值与最小值的差和极大值点数与极小值点数之和的模糊化论域,以及与所述模糊化论域相对应的模糊化变量词集。
根据本公开提供的一些实施例,所述模糊规则以模糊条件句的形式建立了状态变量与控制变量之间的联系,用以将输入的模糊量计算得出相应的输出模糊量。
通过上述技术方案可以看出,本公开提供的一种能源设备运行控制方法,可以根据负荷跟踪参考曲线特征,通过模糊控制自适应的更新预测时域和成本函数的权重,大大减少控制系统的计算量,同时可以提升能源设备的控制效果。
附图说明
图1示意性示出了本公开实施例的一种能源设备运行控制方法的流程图;
图2示意性示出了本公开实施例的一种能源设备运行控制方法中有/无模糊控制情况下75kW生物质气化炉输出的产气负荷对比图;
图3示意性示出了本公开实施例的一种能源设备运行控制方法中有/无模糊控制情况下75kW生物质气化炉的控制参数对比图;
图4示意性示出了本公开实施例的一种能源设备运行控制方法中有/无模糊控制情况下75kW生物质气化炉的控制变量变化对比图;
图5示意性示出了本公开实施例的一种能源设备运行控制方法中有/无模糊控制情况下75kW生物质气化炉的部分性能指标对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”表明了特征、步骤、操作的存在,但是并不排除存在或添加一个或多个其他特征。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释,例如论域,是指包含控制变量或控制目标所有可选数值的集合,一般以字母U表示;例如确切量,是指真实的输入值与输出值;例如模糊量(或模糊变量词),是指使用模糊语言变量表达的输入值与输出值,一般包括“负大”(NB)、“负中”(NM)、“负小”(NS)、“零”(ZO)、“正小”(PS)、“正中”(PM)、“正大”(PB)等,语言变量的数量一般根据模糊控制的精度要求确定,语言变量越多,控制的精度越高;例如隶属度,是指若对论域中的任一元素x,都有一个数μ(x)∈[0,1]与之对应,则称μ为U上的模糊集,μ(x)称为x对μ的隶属度,经典集合对事物只用“1”、“0”简单地表示“属于”或“不属于”的分类,而模糊集合中隶属度是0到1之间连续变化的值,隶属度μ(x)越接近于1,表示x属于μ的程度越高,μ(x)接近于0表示x属于μ的程度越低;例如隶属度函数,是指当x在U中变动时,μ(x)就是一个函数,称为μ的隶属度函数,用取值于区间[1,0]的隶属度函数μ(x)表征x属于μ的程度高低,使用模糊控制的过程中,常用的隶属度函数按形状可分为矩形、梯形三角形及曲线分布等隶属度函数。
图1示意性示出了本公开实施例的一种能源设备运行控制方法的流程图。
如与1所示,本公开提供一种能源设备运行控制方法,包括如下步骤:
S1,建立负荷跟踪参考曲线,提取负荷跟踪参考曲线中的最大值、最小值、极大值和极小值,将最大值和最小值做差,将极大值的个数和极小值的个数求和,并对做差的结果和求和的结果进行模糊化处理后到模糊化变量词;
S2,根据模糊化变量词和预设的模糊规则计算预测时域和成本函数的权重的隶属度;
S3,将隶属度反模糊化得到控制时域的确切值和成本函数的权重的确切值;
S4,根据控制时域的确切值和成本函数的权重的确切值改变能源设备的控制变量,以及
返回步骤S1更新负荷跟踪参考曲线,循环进行步骤S1~步骤S4,直至负荷跟踪参考曲线跟踪结束;
其中,负荷跟踪参考曲线的时间跨度大于预测时域设定的最大值。
根据本公开提供的一些实施例,采取在多个间隔固定时间点设置对应的负荷值,将相邻时间点的负荷值依次连接,即为对应负荷的跟踪参考曲线。
根据本公开提供的一些实施例,提取负荷的跟踪参考曲线中的最大值和最小值的数据并做差,其差值的大小表明能源设备在该段时间内控制调节幅度的大小;提取负荷的跟踪参考曲线中的极大值和极小值,将其个数求和,其和值的大小表示在该段时间内能源设备控制调节的频繁程度。
根据本公开提供的一些实施例,设置负荷跟踪参考曲线的起始时间为t0,时间跨度为Δt,负荷跟踪参考曲线的终止时间为t0+Δt,预测时域为tf,控制时域为tc,步骤S4中,在t0+tc时间跨度内改变能源设备的控制变量,然后返回步骤S1,更新负荷跟踪参考曲线的起始时间为t0+tc,终止时间为t0+tc+Δt。
根据本公开提供的一些实施例,步骤S2中,通过预设的模糊规则计算出预测时域和一个或多个成本函数的权重,并根据更新后的负荷跟踪参考曲线调整各个成本函数之间的权重占比。
根据本公开提供的一些实施例,成本函数包括实际负荷与跟踪参考曲线上负荷的误差、运行成本或设备的能效。
根据本公开提供的一些实施例,步骤S2中,通过模糊化论域和与模糊化论域相对应的模糊化变量词集对模糊化变量词进行模糊计算,模糊化论域包括最大值与最小值的差,以及极大值与极小值点数之和,模糊化变量词集包括“负大”、“负中”、“负小”、“零”、“正小”、“正中”和“正大”。
根据本公开提供的一些实施例,步骤S3中,采用最大隶属度值法、加权平均重心法或中位数法对预测时域和成本函数的权重反模糊化处理得到控制时域的确切值和成本函数的权重的确切值。
根据本公开提供的一些实施例,采用加权平均重心法进行反模糊化处理,计算公式包括:
其中,x0为反模糊化处理得到的确切值,xi为反模糊化论域内的值,μ(xi)为xi的隶属度值。
根据计算得出控制时域的确切值和成本函数的权重的确切值,然后根据制时域的确切值和成本函数的权重的确切值改变能源设备的控制变量。可选的,利用多目标优化算法(如遗传算法、粒子群算法、蚁群算法等)求解多个带权重的成本函数构成的多目标优化问题的若干有效解,每个有效解包含对应的控制时域内的进料量和进气量。利用多目标决策方法(如线性加权和法、模糊优选法等)从若干有效解中选取最优解,进而依据上述最优解改变能源设备的控制变量,以及更新上述建立的负荷跟踪参考曲线,循环进行上述步骤,直至负荷跟踪参考曲线跟踪结束。
本公开还提供一种能源设备运行控制系统,包括模糊化处理单元、模糊计算单元、反模糊化处理单元、模糊控制单元和模糊控制反馈单元。
模糊化处理单元,用于建立负荷跟踪参考曲线,提取负荷跟踪参考曲线中的最大值、最小值的差、极大值和极小值,将最大值和最小值做差,将极大值的个数和极小值的个数求和,并对结果进行模糊化处理后到模糊化变量词。
模糊计算单元,用于接收模糊化变量词,并根据模糊化变量词和预设的模糊规则计算出预测时域和成本函数的权重的隶属度。
反模糊化处理单元,用于接收隶属度,并将隶属度反模糊化得到控制时域的确切值和成本函数的权重的确切值。
模糊控制单元,用于接收控制时域的确切值和成本函数的权重的确切值,并控制改变能源设备的控制时域和控制变量。
模糊控制反馈单元,用于采集能源系统实际的负荷数据以及控制时域信息,以用于更新负荷跟踪参考曲线,负荷跟踪参考曲线的时间跨度大于预测时域设定的最大值。
具体的,能源设备运行控制系统通过如下步骤进行调节控制作业。根据本公开的实施例,需要说明的是,本公开所提供的能源设备运行控制系统与能源设备运行控制方法是相对应的,能源设备运行控制系统可以用于实现能源设备运行控制方法。
S1,通过模糊化处理单元建立负荷跟踪参考曲线,提取负荷跟踪参考曲线中的最大值、最小值、极大值和极小值,将最大值和最小值做差,将极大值的个数和极小值的个数求和,并对做差的结果和求和的结果进行模糊化处理后到模糊化变量词。
S2,模糊计算单元根据模糊化变量词和预设的模糊规则计算预测时域和成本函数的权重的隶属度;
S3,反模糊化处理单元将隶属度反模糊化得到控制时域的确切值和成本函数的权重的确切值;
S4,模糊控制单元根据控制时域的确切值和成本函数的权重的确切值改变能源设备的控制变量,以及
返回步骤S1模糊控制反馈单元更新负荷跟踪参考曲线,循环进行步骤S1~步骤S4,直至负荷跟踪参考曲线跟踪结束;
其中,负荷跟踪参考曲线的时间跨度大于预测时域设定的最大值。
根据本公开提供的一些实施例,模糊化计算单元进行模糊计算后得到多个成本函数,多个成本函数的权重之和等于一。
根据本公开提供的一些实施例,模糊化处理单元包括最大值与最小值的差和极大值点数与极小值点数之和的模糊化论域,以及与模糊化论域相对应的模糊化变量词集。
根据本公开提供的一些实施例,模糊规则以模糊条件句的形式建立了状态变量与控制变量之间的联系,用以将输入的模糊量计算得出相应的输出模糊量。
通过上述技术方案可以看出,本公开提供的一种能源设备运行控制方法,可以根据负荷跟踪参考曲线特征,自适应的更新预测时域,大大减少控制系统的计算量,同时对控制效果还有一定的提升。
下面结合一些具体实施例对本公开的技术方案进行阐述,应当理解的是,这些具体实施例只是为了更好的、更清楚的对本公开技术方案的阐述,以便于本领域技术人员对本公开技术方案的理解,而不应当视为对本公开的保护范围的限定。
根据本公开提供的一些实施例,选取75kW生物质气化炉,作为能源设备,其中,原料为木屑。
根据表1中的参数绘制75kW生物质气化炉的产气负荷跟踪参考曲线。具体的,表1中每个时间点对应的产气负荷,通过折线相连,即为产气负荷跟踪参考曲线。
表1参考产气负荷随时间的变化
75kW生物质气化炉的控制变量包括进气量和进料量,其中,进气量的控制范围为9.5~16.5m3/h,进料量的控制范围为0~100kg/h。
75kW生物质气化炉的第一成本函数为,生物质气化炉实际输出产气负荷与参考曲线上的产气负荷的差值。这个差值越小,表明控制效果越好,准确度越高。
75kW生物质气化炉的第二成本函数为:生物质气化炉实际进气量、进料量的相邻时刻变化幅值之和,这个和值越小,表明控制效果越准确,进气装置、进料装置的磨损更低,同时,能耗更低。
75kW生物质气化炉的第三成本函数为:生物质气化炉实际产气热值、气化温度、气化效率三者之和,这个和值越大,表明控制效果越好,也即可以提高生物质气化炉的效率。
三个成本函数中涉及的所有变量在运算前进行标准化处理,将三个成本函数分别乘上各自的权重后,在MPC中进行优化。
在无模糊控制的情况下,75kW生物质气化炉的控制时域等于预测时域,为20min,第一成本函数的权重:第二成本函数的权重:第三成本函数的权重=1:0:0。
在有模糊控制的情况下,75kW生物质气化炉的控制时域等于预测时域,第二成本函数的权重=第三成本函数的权重=(1-第一成本函数的权重)/2。
设置时间跨度Δt为30min,采集生物质气化炉从运行起至30min中产气负荷跟踪参考曲线中关于最大值、最小值、极大值和极小值的数据,将最大值和最小值做差,将极大值的个数和极小值的个数求和,并对做差的结果和求和的结果进行模糊化处理后到模糊化变量词。具体如表2所示。
表2模糊化论域和模糊化变量词集
其中,模糊变量词集包括“负大”(NB)、“负中”(NM)、“负小”(NS)、“零”(ZO)、“正小”(PS)、“正中”(PM)、“正大”(PB)等。语言变量的数量一般根据模糊控制的精度要求确定,语言变量越多,控制的精度越高。
根据模糊化变量词和预设的模糊规则计算预测时域和第一成本函数的权重、第二成本函数的权重和第三成本函数的权重的隶属度。
其中,预设的模糊规则如表3所示。
表3模糊规则表
将得到的隶属度反模糊化得到控制时域的确切值和第一成本函数权重的确切值。
反模糊化的模糊变量词集和输出的控制时域的确切值和第一成本函数权重的确切值如表4所示。
表4反模糊化的变量词集和输出的控制时域和第一成本函数权重论域
在进行反模糊化计算的过程中,采用加权平均重心法,公式如下:
其中:x0为模糊控制输出量反模糊化后的确切值,xi为模糊控制量论域内的值,μ(xi)为xi的隶属度值。
根据计算得出控制时域的确切值和成本函数的权重的确切值,然后根据制时域的确切值和成本函数的权重的确切值改变75kW生物质气化炉的控制变量。可选的,利用多目标优化算法(如遗传算法、粒子群算法、蚁群算法等)求解三个带权重的成本函数构成的多目标优化问题的若干有效解,每个有效解包含对应的控制时域内的进料量和进气量。利用多目标决策方法(如线性加权和法、模糊优选法等)从若干有效解中选取最优解,进而依据上述最优解改变能源设备的控制变量,以及更新上述建立的产气负荷跟踪参考曲线,循环进行上述步骤,直至产气负荷跟踪参考曲线跟踪结束。在本实施例中,整个产气负荷跟踪的时长设置为50min。
图2示意性示出了本公开实施例的一种能源设备运行控制方法中有/无模糊控制模块生物质气化炉输出的产气负荷对比图。
具体的,如图2所示,其中图2(a)为75kW生物质气化炉在有/无模糊控制的情况下产气负荷曲线与建立的负荷跟踪参考曲线的对比图,图2(b)为75kW生物质气化炉在有/无模糊控制的情况下产气负荷曲线与建立的负荷跟踪参考曲线的误差对比图,从图中可以看出,在整体上,有模糊控制的情况下的曲线比无模糊控制的情况下的曲线更加的贴合建立的负荷跟踪参考曲线,尤其是随时间的进行,有模糊控制的情况下,误差持续变低,且误差的波动变化变小,即表明在本公开的技术方案中,模糊控制反馈单元根据所采集所述能源系统实际的负荷数据以及所述控制时域信息,更新所述负荷跟踪参考曲线后,控制的准确性和控制效果得到了改善和提升。
图3示意性示出了本公开实施例的一种能源设备运行控制方法中有/无模糊控制生物质气化炉的控制参数对比图。
具体的,图3(a)为75kW生物质气化炉在有/无模糊控制的情况下预测时域的对比图,图3(b)为75kW生物质气化炉在有/无模糊控制的情况下第一成本函数权重的对比图,从图3中可以得出如下结论,75kW生物质气化炉在有模糊控制的情况下的预测时域是动态变化的(8~12min),且均小于无模糊控制模块的MPC预测时域(20min),因此,本公开提供的技术方案可有效减小MPC控制系统的计算量。
图4示意性示出了本公开实施例的一种能源设备运行控制方法中有/无模糊控制生物质气化炉的控制变量变化对比图。
具体的,图4(a)为75kW生物质气化炉在有/无模糊控制的情况下进气量方差的对比图,图4(b)为75kW生物质气化炉在有/无模糊控制的情况下进料量方差的对比图,其中,75kW生物质气化炉在有模糊控制的情况下的进气量的方差为3.88,小于在无模糊控制的情况下的进气量的方差6.08;75kW生物质气化炉在有模糊控制的情况下的进料量的方差为155.53,小于在无模糊控制的情况下的进料量的方差165.18。因此,本公开提供的技术方案,可以有效地降低进气量和进料量的变化幅度,降低设备的能耗以及设备的磨损,也即能降低设备的运行成本。
图5示意性示出了本公开实施例的一种能源设备运行控制方法中有/无模糊控制生物质气化炉的部分性能指标对比图。
具体的,图5(a)为75kW生物质气化炉在有/无模糊控制的情况下产气热值的对比图,图5(b)为75kW生物质气化炉在有/无模糊控制的情况下气化温度的对比图,图5(c)为75kW生物质气化炉在有/无模糊控制的情况下气化效率的对比图。从图中可以看出,75kW生物质气化炉在有/无模糊控制的情况下的气化效率基本相当,但是在有模糊控制的情况下的产气热值和气化温度均高于无模糊控制的情况下的产气热值和气化温度。所以即可得出结论,本公开提供的技术方案,可以再保持气化效率不变的的情况下,有效地提高产气热值和气化温度,也即提高能源设备的性能。
在上述实施例中,整个产气负荷跟踪的时长50min,时间跨度Δt设置为30min。在本公开的其他实施例中,也可以设置其他的整个产气负荷跟踪的时长或者时间跨度,其结果与上述实施例一致。
在本公开的其他实施例中,可以对不同的负荷建立不同的负荷跟踪参考曲线,也可以对不同的控制变量进行控制,也可以对根据实际需要对一个或多个成本函数赋予对应的权重以及模糊化变量词,多种变量排列组合成不同的实施例,均在本公开的保护范围以内。
至此,已经结合附图对本公开实施例进行了详细描述。需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。此外,上述对各步骤/模块的定义并不仅限于实施例中提到的各种具体步骤和模块名称,本领域普通技术人员可对其进行简单地更改或替换。
还需要说明的是,在本公开的具体实施例中,除非有所知名为相反之意,本说明书及所附权利要求中的数值参数是近似值,能够根据通过本公开的内容所得的所需特性改变。具体而言,所有使用于说明书及权利要求中表示组成的尺寸、范围条件等等的数字,应理解为在所有情况中是受到「约」的用语所修饰。一般情况下,其表达的含义是指包含由特定数量在一些实施例中±10%的变化、在一些实施例中±5%的变化、在一些实施例中±1%的变化、在一些实施例中±0.5%的变化。
本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种能源设备运行控制方法,其特征在于,包括如下步骤:
S1,建立负荷跟踪参考曲线,提取所述负荷跟踪参考曲线中的最大值、最小值、极大值和极小值,将所述最大值和所述最小值做差,将所述极大值的个数和所述极小值的个数求和,并对做差的结果和求和的结果进行模糊化处理后到模糊化变量词;
S2,根据所述模糊化变量词和预设的模糊规则计算预测时域和成本函数的权重的隶属度,包括:
通过预设的模糊规则计算出预测时域和一个或多个成本函数的权重,并根据更新后的所述负荷跟踪参考曲线调整各个成本函数之间的权重占比;以及
通过模糊化论域和与所述模糊化论域相对应的模糊化变量词集对所述模糊化变量词进行模糊计算,所述模糊化论域包括最大值与最小值的差,以及极大值与极小值点数之和,所述模糊化变量词集包括“负大”、“负中”、“负小”、“零”、“正小”、“正中”和“正大”;
S3,将所述隶属度反模糊化得到控制时域的确切值和成本函数的权重的确切值,包括:采用最大隶属度值法、加权平均重心法或中位数法对所述预测时域和所述成本函数的权重反模糊化处理得到控制时域的确切值和成本函数的权重的确切值;
S4,根据所述控制时域的确切值和所述成本函数的权重的确切值改变能源设备的控制变量,以及
返回步骤S1更新所述负荷跟踪参考曲线,循环进行步骤S1~步骤S4,直至所述负荷跟踪参考曲线跟踪结束;
其中,所述负荷跟踪参考曲线的时间跨度大于所述预测时域设定的最大值;
所述建立负荷跟踪参考曲线包括:设置所述负荷跟踪参考曲线的起始时间为t0,时间跨度为Δt,所述负荷跟踪参考曲线的终止时间为t0+Δt,所述预测时域为tf,所述控制时域为tc,所述步骤S4中,在t0+tc时间跨度内改变所述能源设备的控制变量,然后返回所述步骤S1,更新所述负荷跟踪参考曲线的起始时间为t0+tc,终止时间为t0+tc+Δt。
2.根据权利要求1所述的能源设备运行控制方法,其特征在于,采用所述加权平均重心法进行反模糊化处理,计算公式包括:
其中,x0为反模糊化处理得到的确切值,xi为反模糊化论域内的值,μ(xi)为xi的隶属度值。
3.一种能源设备运行控制系统,用于执行如权利要求1或2所述的能源设备运行控制方法,其特征在于,包括:
模糊化处理单元,用于建立负荷跟踪参考曲线,提取所述负荷跟踪参考曲线中的最大值、最小值的差、极大值和极小值,将所述最大值和所述最小值做差,将所述极大值的个数和所述极小值的个数求和,并对结果进行模糊化处理后到模糊化变量词;
模糊计算单元,用于接收所述模糊化变量词,并根据所述模糊化变量词和预设的模糊规则计算出预测时域和成本函数的权重的隶属度;
反模糊化处理单元,用于接收所述隶属度,并将所述隶属度反模糊化得到控制时域的确切值和成本函数的权重的确切值;
模糊控制单元,用于接收所述控制时域的确切值和所述成本函数的权重的确切值,并控制改变能源设备的控制时域和控制变量;
模糊控制反馈单元,用于采集所述能源设备实际的负荷数据以及所述控制时域信息,以用于更新所述负荷跟踪参考曲线,所述负荷跟踪参考曲线的时间跨度大于所述预测时域设定的最大值。
4.根据权利要求3所述的系统,其特征在于,所述模糊化计算单元进行模糊计算后得到多个成本函数,多个所述成本函数的权重之和等于一。
5.根据权利要求3或4所述的系统,其特征在于,所述模糊化处理单元包括最大值与最小值的差和极大值点数与极小值点数之和的模糊化论域,以及与所述模糊化论域相对应的模糊化变量词集。
6.根据权利要求3或4所述的系统,其特征在于,所述模糊规则以模糊条件句的形式建立了状态变量与控制变量之间的联系,用以将输入的模糊量计算得出相应的输出模糊量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011089652.9A CN112180731B (zh) | 2020-10-13 | 2020-10-13 | 能源设备运行控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011089652.9A CN112180731B (zh) | 2020-10-13 | 2020-10-13 | 能源设备运行控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112180731A CN112180731A (zh) | 2021-01-05 |
CN112180731B true CN112180731B (zh) | 2024-05-31 |
Family
ID=73949556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011089652.9A Active CN112180731B (zh) | 2020-10-13 | 2020-10-13 | 能源设备运行控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112180731B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667015A (zh) * | 2009-08-26 | 2010-03-10 | 东南大学 | 汽车驾驶机器人的车速跟踪模糊控制方法 |
CN107211061A (zh) * | 2015-02-03 | 2017-09-26 | 杜比实验室特许公司 | 用于空间会议回放的优化虚拟场景布局 |
CN107390528A (zh) * | 2017-08-23 | 2017-11-24 | 华南理工大学 | 一种焊缝跟踪应用的自适应模糊控制方法 |
CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
CN108376999A (zh) * | 2018-04-02 | 2018-08-07 | 浙江工业大学 | 一种考虑孤岛运行时间不确定性的多微网故障管理方法 |
EP3358426A1 (en) * | 2017-02-07 | 2018-08-08 | Johnson Controls Technology Company | Building energy cost optimization system with asset sizing |
CA2990795A1 (en) * | 2017-03-17 | 2018-09-17 | General Electric Technology Gmbh | Scalable flexibility control of distributed loads in a power grid |
CN108803771A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 基于自适应模糊控制的最大功率点跟踪方法 |
EP3413421A1 (en) * | 2017-06-07 | 2018-12-12 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (eldr) optimization |
CN109219724A (zh) * | 2016-06-06 | 2019-01-15 | 三菱电机株式会社 | 用于控制多区蒸汽压缩系统的系统和方法以及永久计算机可读存储介质 |
CA3072045A1 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
CA2977057A1 (en) * | 2017-08-18 | 2019-02-18 | Acts Technologies Inc. | Method and system for controlling a hydraulic testing system using model predictive control |
CN109612055A (zh) * | 2018-12-14 | 2019-04-12 | 天津大学 | 一种空调水系统的前馈模糊控制方法 |
CN110131853A (zh) * | 2019-05-14 | 2019-08-16 | 南京南瑞继保电气有限公司 | 一种基于模糊推理的中央空调冷冻水供水温度设定方法 |
CN110443428A (zh) * | 2019-08-12 | 2019-11-12 | 上海宝能信息科技有限公司 | 一种空气压缩机群组负荷预测方法及其控制设备 |
CN111258213A (zh) * | 2020-03-09 | 2020-06-09 | 深圳市锐同技术有限公司 | 一种基于模糊自整定pid的温度控制的方法 |
CN111559389A (zh) * | 2020-06-22 | 2020-08-21 | 江苏理工学院 | 一种智能汽车在变附着系数重复性轨迹下的控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8543390B2 (en) * | 2004-10-26 | 2013-09-24 | Qnx Software Systems Limited | Multi-channel periodic signal enhancement system |
US10908602B2 (en) * | 2017-08-02 | 2021-02-02 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for network-sensitive data collection |
-
2020
- 2020-10-13 CN CN202011089652.9A patent/CN112180731B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667015A (zh) * | 2009-08-26 | 2010-03-10 | 东南大学 | 汽车驾驶机器人的车速跟踪模糊控制方法 |
CN107211061A (zh) * | 2015-02-03 | 2017-09-26 | 杜比实验室特许公司 | 用于空间会议回放的优化虚拟场景布局 |
CN109219724A (zh) * | 2016-06-06 | 2019-01-15 | 三菱电机株式会社 | 用于控制多区蒸汽压缩系统的系统和方法以及永久计算机可读存储介质 |
EP3358426A1 (en) * | 2017-02-07 | 2018-08-08 | Johnson Controls Technology Company | Building energy cost optimization system with asset sizing |
CA2990795A1 (en) * | 2017-03-17 | 2018-09-17 | General Electric Technology Gmbh | Scalable flexibility control of distributed loads in a power grid |
CN108803771A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 基于自适应模糊控制的最大功率点跟踪方法 |
EP3413421A1 (en) * | 2017-06-07 | 2018-12-12 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (eldr) optimization |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
CA3072045A1 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CA2977057A1 (en) * | 2017-08-18 | 2019-02-18 | Acts Technologies Inc. | Method and system for controlling a hydraulic testing system using model predictive control |
CN107390528A (zh) * | 2017-08-23 | 2017-11-24 | 华南理工大学 | 一种焊缝跟踪应用的自适应模糊控制方法 |
CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
CN108376999A (zh) * | 2018-04-02 | 2018-08-07 | 浙江工业大学 | 一种考虑孤岛运行时间不确定性的多微网故障管理方法 |
CN109612055A (zh) * | 2018-12-14 | 2019-04-12 | 天津大学 | 一种空调水系统的前馈模糊控制方法 |
CN110131853A (zh) * | 2019-05-14 | 2019-08-16 | 南京南瑞继保电气有限公司 | 一种基于模糊推理的中央空调冷冻水供水温度设定方法 |
CN110443428A (zh) * | 2019-08-12 | 2019-11-12 | 上海宝能信息科技有限公司 | 一种空气压缩机群组负荷预测方法及其控制设备 |
CN111258213A (zh) * | 2020-03-09 | 2020-06-09 | 深圳市锐同技术有限公司 | 一种基于模糊自整定pid的温度控制的方法 |
CN111559389A (zh) * | 2020-06-22 | 2020-08-21 | 江苏理工学院 | 一种智能汽车在变附着系数重复性轨迹下的控制方法 |
Non-Patent Citations (5)
Title |
---|
基于模糊逻辑和SVPWM的永磁同步电动机电流滞环反馈跟踪控制器;周广旭,唐任远;电工技术学报;-;第-卷(第04期);全文 * |
基于遗传算法优化的磨机负荷模糊控制;李艳姣;王建民;张杰;;河北联合大学学报(自然科学版)(第04期);全文 * |
模糊自调整PID控制在辊压机控制系统的应用;郭唤唤;冯绍欣;郑辉;李明波;;智慧工厂(第02期);全文 * |
步进驱动系统的闭环适应性模糊控制器及雷达罩天线座跟踪测量仪控制系统;冯显英, 宋现春, 张强, 岳明君;微电机;-;第-卷(第02期);全文 * |
磨矿过程磨机负荷的优化计算与智能控制;李艳姣;王建民;张杰;;自动化与仪表(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112180731A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | An improved ACO algorithm optimized fuzzy PID controller for load frequency control in multi area interconnected power systems | |
Chopra et al. | Comparative analysis of tuning a PID controller using intelligent methods | |
Qiao et al. | Self-organizing fuzzy control for dissolved oxygen concentration using fuzzy neural network 1 | |
Ghanim et al. | Optimal fuzzy logic control for temperature control based on social spider optimization | |
CN108427268B (zh) | 一种基于知识与数据信息决策的污水处理优化控制方法 | |
CN103123460A (zh) | 温度控制系统和温度控制方法 | |
Banerjee et al. | Seeker optimization algorithm for load-tracking performance of an autonomous power system | |
Han et al. | Dynamic optimal control for wastewater treatment process under multiple operating conditions | |
Verma et al. | Intelligent temperature controller for water-bath system | |
Zhang et al. | Multi‐variable direct self‐organizing fuzzy neural network control for wastewater treatment process | |
He et al. | A novel self-organizing TS fuzzy neural network for furnace temperature prediction in MSWI process | |
Dey et al. | Fractional-order models identification and control within a supervisory control framework for efficient nutrients removal in biological wastewater treatment plants | |
CN112180731B (zh) | 能源设备运行控制方法及系统 | |
Han et al. | Fuzzy super-twisting sliding mode control for municipal wastewater nitrification process | |
Kor et al. | Modeling and optimization of high chromium alloy wear in phosphate laboratory grinding mill with fuzzy logic and particle swarm optimization technique | |
Medewar et al. | Two tank non-interacting liquid level control comparison using fuzzy and PSO controller | |
Patil et al. | Design of PID controller for cascade control process using genetic algorithm | |
Xu et al. | A novel dissolve oxygen control method based on fuzzy neural network | |
Tian | Main steam temperature control based on GA-BP optimised fuzzy neural network | |
CN114839861A (zh) | 智能pid控制器在线优化方法及系统 | |
Yan et al. | Model Prediction and Optimal Control of Gas Oxygen Content for A Municipal Solid Waste Incineration Process | |
Zhang et al. | Dynamic Multiobjective Optimal Control with Knowledge-Decision for Wastewater Treatment Process | |
Qiao et al. | A hybrid intelligent optimal control system design for wastewater treatment process | |
Sadeghassadi et al. | Setpoint control for reacting to wastewater influent in BSM1 | |
Cao et al. | A Multi-Objective Direct Heuristic Dynamic Programming Based Tracking Control for Wastewater Treatment Process |
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 |