CN113391552A - 一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法 - Google Patents

一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法 Download PDF

Info

Publication number
CN113391552A
CN113391552A CN202110658735.3A CN202110658735A CN113391552A CN 113391552 A CN113391552 A CN 113391552A CN 202110658735 A CN202110658735 A CN 202110658735A CN 113391552 A CN113391552 A CN 113391552A
Authority
CN
China
Prior art keywords
unit
control
disturbance rejection
active disturbance
control 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.)
Granted
Application number
CN202110658735.3A
Other languages
English (en)
Other versions
CN113391552B (zh
Inventor
侯国莲
黄婷
弓林娟
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
Original Assignee
North China Electric Power University
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 filed Critical North China Electric Power University
Priority to CN202110658735.3A priority Critical patent/CN113391552B/zh
Publication of CN113391552A publication Critical patent/CN113391552A/zh
Application granted granted Critical
Publication of CN113391552B publication Critical patent/CN113391552B/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

本发明公开了一种面向火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法。首先，将超超临界机组的协调控制系统作为研究对象并分析其控制难点；然后，为其设计级联自适应容积卡尔曼自抗扰控制方法。最后，依托仿真平台验证本发明控制方法的可行性，并采用性能指标量化统计分析控制方法的有效性。本发明的研究对象分析中，将其简化为三输入三输出的系统，更准确描述了其动态特性。此外，本发明将数值精度高且稳定性强的自适应容积卡尔曼滤波与基于误差形式的状态观测器级联，使控制器性能显著提高。很大程度上改善了系统的负荷快速控制能力，提高了机组的灵活运行能力。

Description

一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗 扰控制方法
技术领域
本发明涉及火力发电机组灵活性运行的协调控制技术领域，更具体地，涉及一种提高大型火力发电机组灵活运行能力的级联自适应容积卡尔曼自抗扰控制策略。
背景技术
近年来，随着规模化可再生能源发电并入电网，有效缓解了我国化石能源短缺、环境污染等问题。但其伴随的强随机性、波动性和间歇性严重威胁着电网的安全、经济、稳定运行。全球能源互联网发展合作组织指出，能源清洁低碳转型和高质量发展是贯彻落实新发展理念的重要抓手和着力点。加快能源变革转型，以清洁能源为主导转变能源生产方式，以电为中心转变能源消费方式，以大电网互联转变能源配置方式，将有力推动构建清洁低碳、安全高效的能源体系。由此可见，以可再生能源发电为主体，发挥火电机组的基荷作用将成为我国电力生产领域的发展趋势。因此，急需推进火力发电机组的技术改造，提高其深度调峰能力，为大规模集中式可再生能源电力的消纳提供保障。
超超临界机组是一种具有高热效率、低排放、少污染的先进发电技术。目前运行的超超临界机组过热器出口主蒸汽压力高于26MPa、蒸汽温度高于 600℃。与超临界机组相比，超超临界机组的热效率提高了1.2％～4％，因此它已成为我国近年来电力生产领域的主力机组。此外，超超临界机组广泛采用以锅炉跟随为基础的直接能量平衡协调控制策略，在保证快速准确响应外部负荷指令的同时维持锅炉与汽轮机之间的能量平衡。所以，挖掘超超临界机组的负荷快速控制能力，对提高能源利用效率及接纳大规模新能源电力并入电网具有重要现实意义。作为超超临界机组的控制核心，协调控制系统需满足高品质的控制性能要求以提高单元机组的灵活性运行能力。然而，超超临界机组协调控制系统具有多变量、时变、非线性、大延迟和强耦合的动态特性，加之可再生能源电力并入电网带来的波动，采用常规的控制方法已难以满足控制性能需求。因此，本文将超超临界机组的协调控制系统作为被控对象，为其设计先进的级联自适应容积卡尔曼自抗扰控制策略，对提高大型火力发电机组的灵活性运行能力具有重要意义。
自抗扰控制是基于经典PID控制理论并融合了非线性机制和现代控制理论优势的一种先进控制技术。线性自抗扰控制器具有结构固定和不依赖于精确模型的优势，易于在工业过程中实现。此外，自抗扰控制器拥有卓越的跟踪性能和抗干扰能力，其核心部件为状态观测器(ESO)。利用ESO可对未知的系统总扰动(包含内部扰动和外部扰动)进行实时准确估计，并通过状态反馈控制律对其进行补偿。可见，自抗扰控制是处理未知干扰和系统内部不确定性的有效控制方案。但传统的基于输出的自抗扰控制器在跟踪性能及工业实现便利化方面还有很大的改进空间。为提高自抗扰控制技术的工业竞争力，在控制性能和工业便利化之间达到合理平衡的基于误差的自抗扰控制(EADRC)应运而生。与传统的基于输出的自抗扰控制策略不同，EADRC将系统设定值与实际输出值之间的误差作为跟踪信号。采用基于误差形式表示的EADRC，更符合常见的工业形式及提高跟踪精度的要求。更令人满意的是，可将EADRC的三大经典元部件(微分跟踪器、ESO、反馈控制律)封装成单个模块，并设计成“即插即用”的工业解决方案。此外，将具有良好滤波精度以及数值稳定性的自适应容积卡尔曼滤波器与 EADRC的ESO级联，可降低ESO的观测负担提高控制器的跟踪精度。基于此，潜在地增加了EADRC相对于无处不在的PID型控制器的竞争力，可高效处理无精确模型的强非线性的工业过程控制问题。EADRC在电力、航空航天、燃料电池等工业领域得到广泛研究与应用。因此，采用级联自适应容积卡尔曼滤波自抗扰控制技术为多变量强耦合的单元机组协调控制系统设计控制器，以提高机组的负荷快速控制能力、实现大型火电机组的灵活性运行。
发明内容
本发明旨在提供一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法，改进大型火力发电机组协调控制系统的控制品质，提高机组的负荷快速控制能力。该方法充分考虑了被控对象的复杂动态特性及机组实际运行过程中因负荷和煤质变化带来的扰动、模型内部的不确定性，结合改进型自抗扰技术能够实时准确跟踪并补偿误差的优势为其设计先进的自抗扰控制策略。机组协调控制系统基于所设计的级联自适应容积卡尔曼自抗扰控制器，在自动发电控制(AGC)发出的负荷指令及外部扰动作用下，机组各工况点模型均实现了快速准确响应负荷指令并维持机组稳定运行。
本发明所提出的一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法，由以下4个步骤组成：
S1：分析超超临界机组锅炉—汽轮机单元的控制难点；
S2：确立针对超超临界机组协调控制系统的改进型自抗扰控制策略结构；
S3：描述级联自适应容积卡尔曼自抗扰控制技术的原理及其设计步骤；
S4：依托仿真平台验证并分析所提控制策略的可行性。
S1：单元机组协调控制系统的任务是响应外部负荷指令Ns的同时维持汽机与锅炉两侧能量平衡，保证机组安全稳定运行。单元机组负荷控制系统在锅炉和汽轮机各自基础控制系统之上设置协调控制级，来实施锅炉和汽轮机在响应负荷要求时的协调和配合。协调级接受电网负荷指令或本地负荷指令，并根据机组运行情况进行选择处理后产生两个控制指令：锅炉指令BD和汽轮机指令TD，分别送往锅炉和汽轮机的有关基础控制系统。汽轮机主控制系统根据汽机指令 TD进行调节，燃料控制系统、风量控制系统以及给水控制系统根据锅炉指令BD 对锅炉的燃烧控制系统进行调节。锅炉的燃烧控制系统根据BD调节燃料量来改变燃烧率，汽轮机主控制系统根据TD调节阀门开度来改变汽轮机的进汽量。燃烧率和进汽量的协调变化使得机组在快速响应外部负荷指令的同时维持主蒸汽压力相对稳定，保证机组安全经济运行。超超临界直流炉机组由于缺乏汽包的缓冲蓄能作用，其给水控制无法独立出来，因此将其协调控制系统描述为一个三输入三输出的被控对象，能更为准确地描述其动态特性。被控对象的三个被控量为：有功功率N、主蒸汽压力PT和分离器出口温度T，三个控制输入量为阀门开度μT、燃料量B、给水量W。被控量与控制输入量之间相互强耦合且伴随着时变、大延迟、非线性等复杂动态特性，加之电网随机性的波动，使机组的协调控制系统很难获取满意的控制品质。
基于S1的分析可知，超超临界机组协调控制系统因其复杂的动态特性较难达获取满意的控制性能，因此需为其设计先进的级联自适应容积卡尔曼自抗扰控制策略以提高控制品质。为系统的有功功率输出回路、主蒸汽压力回路、分离器出口温度回路分别设计一个自适应容积卡尔曼滤波自抗扰控制器，记为 ACKF-EADRC1、ACKF-EADRC2、ACKF-EADRC3。则步骤S2可具体化为：
S2.1：将协调控制系统的有功功率N信号送入级联自适应容积卡尔曼滤波自抗扰控制器ACKF-EADRC1，ACKF-EADRC1通过实时准确地对N进行估计和补偿，使N准确快速跟踪Ns，达到机组快速响应负荷指令的效果。
S2.2：将协调控制系统的主蒸汽压力PT信号输送入级联自适应卡尔曼滤波自抗扰控制器ACKF-EADRC2，ACKF-EADRC2通过实时准确地对PT进行估计和补偿，使PT稳定在设定值Ps附近。即机组快速响应外部负荷指令的同时保证了主蒸汽压力的稳定，维持机组安全稳定运行。
S2.3：将协调控制系统的分离器出口温度T信号送入级联自适应卡尔曼滤波自抗扰控制器ACKF-EADRC3，ACKF-EADRC3通过实时准确地对T进行估计和补偿，使T在极小范围内波动。即机组快速响应外部负荷指令的同时维持了机组的安全经济运行。
在确定了基于被控对象的级联自适应容积卡尔曼滤波自抗扰控制策略架构后，在S3中将ACKF-EADRC1、ACKF-EADRC2和ACKF-EADRC3的设计步骤具体化：
S3.1：二阶EADRC的设计。
考虑如下二阶系统：
Figure BDA0003114271500000041
其中，g为包含时间变量t、外部扰动d等因素的集总函数；b≠0为系统输入增益的不确定性；b0为b的估计值。将包含了未知的外部扰动和内部动的系统总扰动f定义为：
f＝g+(b-b0)u (2)
在二阶过程的EADRC策略设计中，将
Figure BDA0003114271500000042
作为状态变量，并将跟踪误差定义如下:
Figure BDA0003114271500000043
式(1)的系统可写成以坐标
Figure BDA0003114271500000044
的扩张状态形式:
Figure BDA0003114271500000051
Figure BDA0003114271500000052
假设f*是随时间变化可微的，且
Figure BDA0003114271500000053
为f*的边界。对于上述分析的基于误差形式的被控对象模型和状态变量定义，EADRC的二阶ESO可表示为:
Figure BDA0003114271500000054
当ESO的增益调整到适当值时，z1、z2和z3能实时精确地分别跟踪e、
Figure BDA0003114271500000055
和f信号。随后,根据下式反馈控制律可对系统总扰动进行实时补偿:
Figure BDA0003114271500000056
根据EADRC的稳定性分析可知,控制器的增益选择如下:
Figure BDA0003114271500000057
其中，ωc和ωo分别为控制器和ESO的带宽。根据经验ωo≈3～5ωc。
S3.2：卡尔曼滤波利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计。本发明的进一步改进在于，将自适应机制及球面径向容积准则引入卡尔曼滤波算法，提高其估计精度及数值稳定性，具体步骤包括：
S3.2.1：自适应容积卡尔曼滤波算法初始化，包括：初始化滤波参数x0、 Q0和R0。x0为状态向量初始值、Q0为噪声协方差、R0为测量噪声协方差。
用状态向量x0计算初始均值
Figure BDA0003114271500000058
和协方差P0：
Figure BDA0003114271500000059
S3.2.2：自适应容积卡尔曼滤波算法的时间更新，获得状态量预测值及误差协方差预测值。
步骤S3.2.2具体化包括：
分解误差协方差：
Sk-1＝chol(Pk-1) (10)
其中chol()是矩阵的Cholesky分解，并返回一个较低的三角形Cholesky 因子，即
Pk-1＝Sk-1ST k-1 (11)
计算容积点：
Figure BDA0003114271500000061
其中，n表示状态变量的个数，ξ代表一组标准体积点，ξ的计算公式：
Figure BDA0003114271500000062
其中[1]表示单位矩阵，i表示第i列向量。
通过状态空间方程传播体积点，计算预测状态：
Figure BDA0003114271500000063
计算传播协方差矩阵：
Figure BDA0003114271500000064
其中，Qk-1是第k-1步时的噪声协方差矩阵。
S3.2.3：自适应容积卡尔曼滤波算法的量测更新，包括基于误差协方差计算容积点，传播容积点并计算预测值，获得误差协方差的预测值，计算卡尔曼增益，更新预测状态及误差协方差，自适应更新估计噪声协方差Qk和测量噪声协方差Rk。循环执行步骤3.2.2至步骤3.2.3，满足预设终止条件时停止循环。
步骤S3.2.3具体化包括：
再次分解误差协方差：
Skk-1＝chol(Pkk-1) (16)
再次计算容积点：
Figure BDA0003114271500000065
传播容积点并计算预测值：
Figure BDA0003114271500000071
计算估计误差协方差：
Figure BDA0003114271500000072
其中，Rk-1为第k-1步时的测量噪声协方差矩阵。
计算卡尔曼增益：
Figure BDA0003114271500000073
更新预测状态：
Figure BDA0003114271500000074
更新误差协方差：
Figure BDA0003114271500000075
自适应更新估计噪声协方差Qk和测量噪声协方差Rk:
Figure BDA0003114271500000076
Figure BDA0003114271500000077
在确定了级联自适应容积卡尔曼滤波自抗扰控制器的结构之后，需要对其参数进行选取。通常采用手动整定的方式获取ACKF-EADRC1、 ACKF-EADRC2、ACKF-EADRC3的最优参数b01、ωo1、ωc1、b02,ωo2、ωc2、b03、ωo3、ωc3，至此已完成基于超超临界机组协调控制系统的控制器设计。
基于步骤S3所得的改进型自抗扰控制结构，为被控对象确立级联自适应容积卡尔曼滤波自抗扰控制器。在步骤S4中依托仿真平台验证并分析所提控制策略的可行性，具体过程如下：
S4.1：虽然自抗扰控制是基于弱模型的控制技术，但增加模型的信息可提高其控制性能。因此，分别选取某超超临界机组90％和70％负荷工况点附近的实际历史运行数据8000组，通过子空间辨识法得到该工况点模型。
S4.2：基于步骤S4.1所得模型，设计级联自适应容积卡尔曼自抗扰控制器。
S4.3：将AGC发出的负荷指令设定值NS送入被控对象，获取机组的被控量N、PT及T。
S4.4：确定外部扰动ud1设定值，并送入被控对象，模拟机组实际运行过程中因煤质和变负荷带来的扰动。观察机组的被控量N、PT及T。
S4.5：计算机组有功功率N与外部负荷指令NS的拟合程度，PT和T的变化范围，对协调控制系统的控制性能进行分析。
S4.6：对所设计的控制器进行鲁棒测试。将90％负荷工况点模型作为标称模型，选择其中的某两个模型参数相对于标称值发生±10％的摄动。蒙特卡洛试验的样本数设置为200，得到被控量的响应曲线簇，观察其离散程度，并计算其性能指标。
本发明有益效果：
本发明结合我国电力生产领域逐步提升新能源电力消纳能力的发展趋势，从控制的角度出发，为超超临界机组协调控制系统设计级联自适应容积卡尔曼滤波自抗扰控制策略，提升其控制品质进而提高大型火力发电机组机组负荷快速控制能力。
本发明改进型自抗扰控制策略设计过程中充分考虑了超超临界机组协调控制系统的复杂动态特性及控制难点，将性能优越的基于误差的自抗扰控制技术与自适应容积卡尔曼滤波算法相结合，使所设计的控制器能满足大电网对火电机组的深度快速负荷调控能力需求。
本发明将被控对象简化为一个三入三出的系统，更能准确地描述大型火力发电机组锅炉-汽轮机单元的动态特性。此外，为系统的每一个输出回路分别设计一个级联自适应容积卡尔曼自抗扰控制器，通过实时准确地跟踪机组的有功功率、主蒸汽压力、分离器出口温度和补偿，实现了机组深度快速响应负荷指令的同时保证其安全稳定运行。
具体实施方式
下面参照说明书附图对本发明的具体实施方式做进一步描述。
请参阅说明书附图中的图1，图1为本发明所涉及的单元机组负荷控制结构图。当外部负荷请求指令到来时，负荷指令处理回路将对其进行选择处理，使之转变为单元机组安全运行所能接受的实际负荷指令Ns。机炉主控制器选择符合机组运行要求的负荷控制方式，并接受实际负荷指令Ns、有功功率N、主蒸汽压力给定值Ps和主蒸汽压力PT信号并产生汽机指令(TD)和锅炉指令(BD) 分别送入汽轮机和锅炉控制系统。锅炉的燃烧控制系统根据BD调节燃料量来改变燃烧率，汽轮机的数字电液控制系统根据TD调节阀门开度来改变汽轮机的进汽量。燃烧率和进汽量的协调变化使得机组在快速响应外部负荷需求的同时维持主蒸汽压力相对稳定，保证机组稳定运行。
请参阅说明书附图中的图2，图2为本发明所涉及的超超临界机组协调控制系统的结构简图，将被控对象简化为为一个三输入三输出被控对象，能更为精确地描述其动态特性。被控对象的三个被控量为：有功功率N、主蒸汽压力 PT和分离器出口温度T，三个控制输入量为阀门开度μT、燃料量B、给水量W。
请参阅说明书附图中的图3，图3为本发明所提及的级联自适应容积卡尔曼自抗扰控制器结构图，该控制器能够实现对估计量的实时准确跟踪并补偿。
请参阅说明书附图中的图4，图4为本发明所提及的面向超超临界机组灵活性运行的级联自适应容积卡尔曼自抗扰控制结构方框图。为系统的负荷输出回路、主蒸汽压力回路及分离器出口温度回路分别设计一个级联自适应容积卡尔曼自抗扰控制器，提高了机组的负荷快速控制同时维持其安全稳定运行。本实施例基于泰州电厂1000MW机组，方法步骤包括：
S1：分析超超临界机组锅炉—汽轮机单元的控制难点；
S2：确立针对超超临界机组协调控制系统的改进型自抗扰控制策略结构；
S3：描述级联自适应容积卡尔曼自抗扰控制技术的原理及其设计步骤；
S4：依托仿真平台验证并分析所提控制策略的可行性。
S1：单元机组协调控制系统中负荷控制回路的任务是响应外部负荷指令 Ns并且维持汽机与锅炉两侧能量平衡，保证机组安全稳定运行。单元机组负荷控制系统在锅炉和汽轮机各自基础控制系统之上设置协调控制级，来实施锅炉和汽轮机在响应负荷要求时的协调和配合。协调级接受电网负荷指令或本地负荷指令，并根据机组运行情况进行选择处理后产生两个控制指令：锅炉指令BD和汽轮机指令TD，分别送往锅炉和汽轮机的有关基础控制系统中去。汽轮机主控制系统根据汽机指令TD进行调节，锅炉指令BD将分别送到燃料控制系统、风量控制系统以及给水控制系统三个子系统中对锅炉的燃烧控制系统进行调节。锅炉的燃烧控制系统根据BD调节燃料量来改变燃烧率，汽轮机主控制系统根据TD 调节阀门开度来改变汽轮机的进汽量。燃烧率和进汽量的协调变化使得机组在快速响应外部负荷指令的同时维持主蒸汽压力相对稳定，保证机组安全经济运行。超超临界直流炉机组由于缺乏汽包的缓冲蓄能作用，其给水控制无法独立出来，因此将其协调控制系统描述为一个三输入三输出的被控对象更为精确。被控对象的三个被控量为：有功功率N、主蒸汽压力PT和分离器出口温度T，三个控制输入量为阀门开度μT、燃料量B、给水量W。被控对象的被控量与控制输入量之间相互强耦合且伴随着时变、大延迟、非线性等复杂动态特性，因此使用常规的控制方法很难获取满意的控制品质。
基于S1的分析可知，超超临界机组协调控制系统因其复杂的动态特性较难达获取满意的控制性能，因此需为其设计先进的级联自适应容积卡尔曼自抗扰控制策略以提高控制品质。为系统的每一个输出回路分别设计一个自适应容积卡尔曼滤波自抗扰控制器，分别记为ACKF-EADRC1、ACKF-EADRC2、 ACKF-EADRC3。则步骤S2可具体化为：
S2.1：将协调控制系统的有功功率N信号送入级联自适应卡尔曼滤波自抗扰控制器ACKF-EADRC1，ACKF-EADRC1通过实时准确地对N进行估计和补偿，使N准确快速跟踪Ns，达到机组快速准确响应负荷指令的效果。
S2.2：将协调控制系统的主蒸汽压力PT信号输送入级联自适应卡尔曼滤波自抗扰控制器ACKF-EADRC2，ACKF-EADRC2通过实时准确地对PT进行估计和补偿，使PT稳定在设定值Ps附近。即机组快速响应外部负荷指令的同时保证了主蒸汽压力的稳定，维持机组安全稳定运行。
S2.3：将协调控制系统的分离器出口温度T信号送入级联自适应卡尔曼滤波自抗扰控制器ACKF-EADRC3，ACKF-EADRC3通过实时准确地对T进行估计和补偿，使T在极小范围内波动。即机组快速响应外部负荷指令的同时维持了机组的安全经济运行。
在确定了基于被控对象的改进型自抗扰控制策略架构后，在S3中将ACKF-EADRC1、ACKF-EADRC2和ACKF-EADRC3的设计步骤具体化：
S3.1：二阶EADRC的设计。
考虑如下二阶系统：
Figure BDA0003114271500000111
其中，g为包含时间变量t、外部扰动d等因素的集总函数；b≠0为系统输入增益的不确定性；b0为b的估计值。将包含了未知的外部扰动和内部动的系统总扰动f定义为：
f＝g+(b-b0)u (26)
在二阶过程的EADRC策略设计中，将
Figure BDA0003114271500000112
作为状态变量，并将跟踪误差定义如下:
Figure BDA0003114271500000113
式(25)的系统可写成以坐标
Figure BDA0003114271500000114
的扩张状态形式:
Figure BDA0003114271500000115
Figure BDA0003114271500000116
假设f*是随时间变化可微的，且
Figure BDA0003114271500000117
为f*的边界。对于上述分析的基于误差形式的被控对象模型和状态变量定义，EADRC的二阶ESO可表示为:
Figure BDA0003114271500000118
当ESO的增益调整到适当值时，z1、z2和z3能实时精确地分别跟踪e、
Figure BDA0003114271500000119
和f信号。随后,根据下式反馈控制律可对系统总扰动进行实时补偿:
Figure BDA0003114271500000121
根据EADRC的稳定性分析可知,控制器的增益选择如下:
Figure BDA0003114271500000122
其中，ωc和ωo分别为控制器和ESO的带宽。根据经验ωo≈3～5ωc。
S3.2：卡尔曼滤波利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计。本发明的进一步改进在于，将自适应机制及球面径向容积准则引入卡尔曼滤波算法，提高其估计精度及数值稳定性，具体步骤包括：
S3.2.1：自适应容积卡尔曼滤波算法初始化，包括：初始化滤波参数x0、 Q0和R0。x0为状态向量初始值、Q0为噪声协方差、R0为测量噪声协方差。
用状态向量x0计算初始均值
Figure BDA0003114271500000123
和协方差P0：
Figure BDA0003114271500000124
S3.2.2：自适应容积卡尔曼滤波算法的时间更新，获得状态量预测值及误差协方差预测值，具体化包括：
分解误差协方差：
Sk-1＝chol(Pk-1) (34)
其中chol()是矩阵的Cholesky分解，并返回一个较低的三角形Cholesky 因子，即
Pk-1＝Sk-1ST k-1 (35)
计算容积点：
Figure BDA0003114271500000125
其中，n表示状态变量的个数，ξ代表一组标准体积点，ξ的计算公式：
Figure BDA0003114271500000126
其中[1]表示单位矩阵，i表示第i列向量。
通过状态空间方程传播体积点，计算预测状态：
Figure BDA0003114271500000131
计算传播协方差矩阵：
Figure BDA0003114271500000132
其中，Qk-1是第k-1步时的噪声协方差矩阵。
S3.2.3：自适应容积卡尔曼滤波算法的量测更新，包括基于误差协方差计算容积点，传播容积点并计算预测值，获得误差协方差的预测值，计算卡尔曼增益，更新预测状态及误差协方差，自适应更新估计噪声协方差Qk和测量噪声协方差Rk。循环执行步骤3.2.2至步骤3.2.3，满足预设终止条件时停止循环。具体化包括：
再次分解误差协方差：
Skk-1＝chol(Pkk-1) (40)
再次计算容积点：
Figure BDA0003114271500000133
传播容积点并计算预测值：
Figure BDA0003114271500000134
计算估计误差协方差：
Figure BDA0003114271500000135
其中，Rk-1为第k-1步时的测量噪声协方差矩阵。
计算卡尔曼增益：
Figure BDA0003114271500000136
更新预测状态：
Figure BDA0003114271500000137
更新误差协方差：
Figure BDA0003114271500000141
自适应更新估计噪声协方差Qk和测量噪声协方差Rk:
Figure BDA0003114271500000142
Figure BDA0003114271500000143
在确定了级联自适应容积卡尔曼滤波自抗扰控制器的结构之后，需要对其参数进行选取。通常采用手动整定的方式获取ACKF-EADRC1、 ACKF-EADRC2、ACKF-EADRC3的最优参数b01、ωo1、ωc1、b02,ωo2、ωc2、b03、ωo3、ωc3，至此已完成基于超超临界机组协调控制系统的控制器设计。
基于步骤S3所得的改进型自抗扰控制结构，为被控对象确立级联自适应容积卡尔曼滤波自抗扰控制器。在步骤S4中依托仿真平台验证并分析所提控制策略的可行性，具体过程如下：
本算例中机组90％和70％负荷工况点的操作条件如下：
表1 1000MW机组不同负荷工况点的操作条件
Figure BDA0003114271500000144
S4.1：虽然自抗扰控制是基于弱模型的控制技术，但增加模型的信息可提高其控制性能。因此，分别选取泰州电厂1000MW超超临界机组90％和70％负荷工况点附近的实际历史运行数据8000组，通过子空间辨识法得到该工况点模型。
S4.2：基于步骤S4.1所得模型，设计级联自适应容积卡尔曼自抗扰控制器。
S4.3：将AGC发出的负荷指令设定值NS送入被控对象，获取机组的被控量N、PT及T。
S4.4：确定外部扰动ud1设定值，并送入被控对象，模拟机组实际运行过程中因煤质和变负荷带来的扰动。观察机组的被控量N、PT及T。
S4.5：计算机组有功功率N与外部负荷指令NS的拟合程度，PT和T的变化范围，统计分析控制指标调节时间ts、超调量Mp及ITAE。
Figure BDA0003114271500000151
Figure BDA0003114271500000152
S4.6：对所设计的控制器进行鲁棒测试。将90％负荷工况点模型作为标称模型，选择其中的某两个模型参数相对于标称值发生±10％的摄动。蒙特卡洛试验的样本数设置为200，得到被控量的响应曲线簇，观察其离散程度。计算其性能指标(调节时间ts和超调量Mp)的变化范围平均值Mean及标准差SD。 Mean代表标称控制器对于摄动模型的平均性能水平，SD代表蒙特卡洛试验的离散程度。
统计结果表明，本发明所提出的面向超超临界机组灵活性运行的级联自适应卡尔曼滤波自抗扰控制策略在本算例中表现出卓越的负荷快速控制性能，有效提高了机组灵活性运行能力。

Claims (5)

1.一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法其特征在于：包括以下步骤：
S1：分析超超临界机组锅炉—汽轮机单元的控制难点；
S2：确立针对超超临界机组协调控制系统的改进型自抗扰控制策略结构；
S3：描述级联自适应容积卡尔曼自抗扰控制技术的原理及其设计步骤；
S4：依托仿真平台验证并分析所提控制策略的可行性。
2.根据权利要求1所述的一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法，其特征在于：步骤S1所述的分析超超临界机组锅炉—汽轮机单元的控制难点具体如下：
S1：单元机组协调控制系统的任务是响应外部负荷指令Ns的同时维持汽机与锅炉两侧能量平衡，保证机组安全稳定运行。单元机组负荷控制系统在锅炉和汽轮机各自基础控制系统之上设置协调控制级，来实施锅炉和汽轮机在响应负荷要求时的协调和配合。协调级接受电网负荷指令或本地负荷指令，并根据机组运行情况进行选择处理后产生两个控制指令：锅炉指令BD和汽轮机指令TD，分别送往锅炉和汽轮机的有关基础控制系统。汽轮机主控制系统根据汽机指令TD进行调节，燃料控制系统、风量控制系统以及给水控制系统根据锅炉指令BD对锅炉的燃烧控制系统进行调节。锅炉的燃烧控制系统根据BD调节燃料量来改变燃烧率，汽轮机主控制系统根据TD调节阀门开度来改变汽轮机的进汽量。燃烧率和进汽量的协调变化使得机组在快速响应外部负荷指令的同时维持主蒸汽压力相对稳定，保证机组安全经济运行。超超临界直流炉机组由于缺乏汽包的缓冲蓄能作用，其给水控制无法独立出来，因此将其协调控制系统描述为一个三输入三输出的被控对象，能更为准确地描述其动态特性。被控对象的三个被控量为：有功功率N、主蒸汽压力PT和分离器出口温度T，三个控制输入量为阀门开度μT、燃料量B、给水量W。被控量与控制输入量之间相互强耦合且伴随着时变、大延迟、非线性等复杂动态特性，加之电网随机性的波动，使机组的协调控制系统很难获取满意的控制品质。
3.据权利要求1所述的一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法，其特征在于：确立针对超超临界机组协调控制系统的改进型自抗扰控制策略结构，所述步骤S2中为系统的三个输出回路分别设计一个自抗扰控制器，分别记为ACKF-EADRC1、ACKF-EADRC2、ACKF-EADRC3，包括：
S2.1：将协调控制系统的有功功率N信号送入级联自适应容积卡尔曼滤波自抗扰控制器ACKF-EADRC1，ACKF-EADRC1通过实时准确地对N进行估计和补偿，使N准确快速跟踪Ns，达到机组快速响应负荷指令的效果。
S2.2：将协调控制系统的主蒸汽压力PT信号输送入级联自适应卡尔曼滤波自抗扰控制器ACKF-EADRC2，ACKF-EADRC2通过实时准确地对PT进行估计和补偿，使PT稳定在设定值Ps附近。即机组快速响应外部负荷指令的同时保证了主蒸汽压力的稳定，维持机组安全稳定运行。
S2.3：将协调控制系统的分离器出口温度T信号送入级联自适应卡尔曼滤波自抗扰控制器ACKF-EADRC3，ACKF-EADRC3通过实时准确地对T进行估计和补偿，使T在极小范围内波动。即机组快速响应外部负荷指令的同时维持了机组的安全经济运行。
4.据权利要求1所述的一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法，其特征在于：描述级联自适应容积卡尔曼自抗扰控制技术的原理及其设计步骤包括：
S3.1：二阶EADRC的设计。
考虑如下二阶系统：
Figure FDA0003114271490000021
其中，g为包含时间变量t、外部扰动d等因素的集总函数；b≠0为系统输入增益的不确定性；b0为b的估计值。将包含了未知的外部扰动和内部动的系统总扰动f定义为：
f＝g+(b-b0)u (2)
在二阶过程的EADRC策略设计中，将
Figure FDA0003114271490000022
作为状态变量，并将跟踪误差定义如下:
Figure FDA0003114271490000023
式(1)的系统可写成以坐标
Figure FDA0003114271490000024
的扩张状态形式:
Figure FDA0003114271490000031
Figure FDA0003114271490000032
假设f*是随时间变化可微的，且
Figure FDA0003114271490000033
为f*的边界。对于上述分析的基于误差形式的被控对象模型和状态变量定义，EADRC的二阶ESO可表示为:
Figure FDA0003114271490000034
当ESO的增益调整到适当值时，z1、z2和z3能实时精确地分别跟踪e、
Figure FDA0003114271490000035
和f信号。随后,根据下式反馈控制律可对系统总扰动进行实时补偿:
Figure FDA0003114271490000036
根据EADRC的稳定性分析可知,控制器的增益选择如下:
Figure FDA0003114271490000037
其中，ωc和ωo分别为控制器和ESO的带宽。根据经验ωo≈3～5ωc。
S3.2：卡尔曼滤波利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计。本发明的进一步改进在于，将自适应机制及球面径向容积准则引入卡尔曼滤波算法，提高其估计精度及数值稳定性，具体步骤包括：
S3.2.1：自适应容积卡尔曼滤波算法初始化，包括：初始化滤波参数x0、Q0和R0。x0为状态向量初始值、Q0为噪声协方差、R0为测量噪声协方差。用状态向量x0计算初始均值
Figure FDA0003114271490000038
和协方差P0：
Figure FDA0003114271490000039
S3.2.2：自适应容积卡尔曼滤波算法的时间更新，获得状态量预测值及误差协方差预测值。具体化包括：
分解误差协方差：
Sk-1＝chol(Pk-1) (10)
其中chol()是矩阵的Cholesky分解，返回一个较低的三角形Cholesky因子，即
Pk-1＝Sk-1ST k-1 (11)
计算容积点：
Figure FDA0003114271490000041
其中，n表示状态变量的个数，ξ代表一组标准体积点，ξ的计算公式：
Figure FDA0003114271490000042
其中[1]表示单位矩阵，i表示第i列向量。
通过状态空间方程传播体积点，计算预测状态：
Figure FDA0003114271490000043
计算传播协方差矩阵：
Figure FDA0003114271490000044
其中，Qk-1是第k-1步时的噪声协方差矩阵。
S3.2.3：自适应容积卡尔曼滤波算法的量测更新，包括基于误差协方差计算容积点，传播容积点并计算预测值，获得误差协方差的预测值，计算卡尔曼增益，更新预测状态及误差协方差，自适应更新估计噪声协方差Qk和测量噪声协方差Rk。循环执行步骤3.2.2至步骤3.2.3，满足预设终止条件时停止循环。具体化包括：再次分解误差协方差：
Sk|k-1＝chol(Pk|k-1) (16)
再次计算容积点：
Figure FDA0003114271490000045
传播容积点并计算预测值：
Figure FDA0003114271490000046
计算估计误差协方差：
Figure FDA0003114271490000051
其中，Rk-1为第k-1步时的测量噪声协方差矩阵。
计算卡尔曼增益：
Figure FDA0003114271490000052
更新预测状态：
Figure FDA0003114271490000053
更新误差协方差：
Figure FDA0003114271490000054
自适应更新估计噪声协方差Qk和测量噪声协方差Rk:
Figure FDA0003114271490000055
Figure FDA0003114271490000056
在确定了级联自适应容积卡尔曼滤波自抗扰控制器的结构之后，需要对其参数进行选取。通常采用手动整定的方式获取ACKF-EADRC1、ACKF-EADRC2、ACKF-EADRC3的最优参数b01、ωo1、ωc1、b02,ωo2、ωc2、b03、ωo3、ωc3，至此已完成基于超超临界机组协调控制系统的控制器设计。
5.根据权利要求1所述的一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法，其特征在于：基于步骤S3所设计的级联自适应容积卡尔曼自抗扰控制方法，在步骤S4中依托仿真平台验证并分析所提控制策略的可行性具体包括：
S4.1：虽然自抗扰控制是基于弱模型的控制技术，但增加模型的信息可提高其控制性能。因此，分别选取某超超临界机组90％和70％负荷工况点附近的实际历史运行数据8000组，通过子空间辨识法得到该工况点模型。
S4.2：基于步骤S4.1所得模型，设计级联自适应容积卡尔曼自抗扰控制器。
S4.3：将AGC发出的负荷指令设定值NS送入被控对象，获取机组的被控量N、PT及T。
S4.4：确定外部扰动ud1设定值，并送入被控对象，模拟机组实际运行过程中因煤质和变负荷带来的扰动。观察机组的被控量N、PT及T。
S4.5：计算机组有功功率N与外部负荷指令NS的拟合程度，PT和T的变化范围，对协调控制系统的控制性能进行分析。
S4.6：对所设计的控制器进行鲁棒测试。将90％负荷工况点模型作为标称模型，选择其中的某两个模型参数相对于标称值发生±10％的摄动。蒙特卡洛试验的样本数设置为200，得到被控量的响应曲线簇，观察其离散程度。计算其性能指标(调节时间ts和超调量Mp)的变化范围平均值Mean及标准差SD。Mean代表标称控制器对于摄动模型的平均性能水平，SD代表蒙特卡洛试验的离散程度。S4.7：计算机组有功功率N与外部负荷指令NS的拟合程度，PT和T的变化范围，统计分析控制指标调节时间ts、超调量Mp及ITAE。
Figure FDA0003114271490000061
Figure FDA0003114271490000062
CN202110658735.3A 2021-06-15 2021-06-15 一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法 Active CN113391552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110658735.3A CN113391552B (zh) 2021-06-15 2021-06-15 一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110658735.3A CN113391552B (zh) 2021-06-15 2021-06-15 一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法

Publications (2)

Publication Number Publication Date
CN113391552A true CN113391552A (zh) 2021-09-14
CN113391552B CN113391552B (zh) 2022-07-29

Family

ID=77620803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110658735.3A Active CN113391552B (zh) 2021-06-15 2021-06-15 一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法

Country Status (1)

Country Link
CN (1) CN113391552B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108536012A (zh) * 2018-03-23 2018-09-14 东南大学 一种超临界火电机组协调控制系统及其非线性抗干扰控制方法
CN109143857A (zh) * 2018-08-14 2019-01-04 上海电力学院 一种超超临界机组协调控制系统的解耦控制方法
CN109668139A (zh) * 2018-12-10 2019-04-23 清华大学 一种超临界火电机组机炉协调控制方法
CN110112770A (zh) * 2019-04-17 2019-08-09 河海大学 一种基于自适应h∞容积卡尔曼滤波的发电机动态状态估计方法
CN111443681A (zh) * 2020-05-29 2020-07-24 聊城信源集团有限公司 超临界火电机组协调控制系统多模型预测控制设计方法
CN111478312A (zh) * 2019-11-20 2020-07-31 国网河北省电力有限公司电力科学研究院 一种提升电网稳定性的综合能源集群协调控制方法
CN112130455A (zh) * 2020-08-18 2020-12-25 东南大学 协调控制系统的控制方法、装置、存储介质及系统
CN112147891A (zh) * 2020-09-07 2020-12-29 东南大学 一种火电机组协调系统全局非线性优化控制方法
CN112526882A (zh) * 2020-11-30 2021-03-19 国家电投集团东北电力有限公司本溪热电分公司 基于分层模型预测控制算法的超临界机组协调控制方法
CN112859614A (zh) * 2021-01-22 2021-05-28 上海发电设备成套设计研究院有限责任公司 一种超超临界火电机组的控制方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108536012A (zh) * 2018-03-23 2018-09-14 东南大学 一种超临界火电机组协调控制系统及其非线性抗干扰控制方法
CN109143857A (zh) * 2018-08-14 2019-01-04 上海电力学院 一种超超临界机组协调控制系统的解耦控制方法
CN109668139A (zh) * 2018-12-10 2019-04-23 清华大学 一种超临界火电机组机炉协调控制方法
CN110112770A (zh) * 2019-04-17 2019-08-09 河海大学 一种基于自适应h∞容积卡尔曼滤波的发电机动态状态估计方法
CN111478312A (zh) * 2019-11-20 2020-07-31 国网河北省电力有限公司电力科学研究院 一种提升电网稳定性的综合能源集群协调控制方法
CN111443681A (zh) * 2020-05-29 2020-07-24 聊城信源集团有限公司 超临界火电机组协调控制系统多模型预测控制设计方法
CN112130455A (zh) * 2020-08-18 2020-12-25 东南大学 协调控制系统的控制方法、装置、存储介质及系统
CN112147891A (zh) * 2020-09-07 2020-12-29 东南大学 一种火电机组协调系统全局非线性优化控制方法
CN112526882A (zh) * 2020-11-30 2021-03-19 国家电投集团东北电力有限公司本溪热电分公司 基于分层模型预测控制算法的超临界机组协调控制方法
CN112859614A (zh) * 2021-01-22 2021-05-28 上海发电设备成套设计研究院有限责任公司 一种超超临界火电机组的控制方法、装置、设备及存储介质

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
GOULIAN HOU: "Extended non-minimal state space predictive control and its application in ultra-supercritical unit", 《2016 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
GUOLIAN HOU 等: "Application of ADRC approach in ultra-supercritical unit combustion control system for energy efficiency improvement", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》 *
SHUOSHUO CAO 等: "Closed-Loop Combustion Optimization Control With Applications to an Ultra-Supercritical Coal-Fired Boiler", 《2019 CHINESE CONTROL CONFERENCE (CCC)》 *
屈小凡 等: "深度调峰超超临界机组过热汽温迭代学习预测控制", 《动力工程学报》 *
张君颖: "大型超（超）临界机组协调控制系统的优化设计", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
秦志明: "超超临界机组动态模型与控制的研究", 《华北电力大学博士学位论文》 *
马永光 等: "1000MW超超临界机组协调系统的线性自抗扰控制", 《动力工程学报》 *
黄伟 等: "超超临界机组协调控制系统线性自抗扰优化控制研究", 《热能动力工程》 *

Also Published As

Publication number Publication date
CN113391552B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Li et al. Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning
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
Wu et al. Superheated steam temperature control based on modified active disturbance rejection control
Zhang et al. Further results on delay-dependent stability of multi-area load frequency control
CN112147891B (zh) 一种火电机组协调系统全局非线性优化控制方法
Li et al. Flexibility control and simulation with multi-model and LQG/LTR design for PWR core load following operation
CN113189871B (zh) 一种面向火电机组灵活性运行的协调控制策略
CN115313416B (zh) 一种适用于储能电站辅助调频系统的多目标优化控制方法
CN105337290B (zh) 一种适用于电力系统低频振荡辅助决策的无功调整方法
Xu et al. Fuzzy adaptive finite time command filter backstepping control of power system
CN113093523B (zh) 一种含抽水蓄能电站的区域负荷频率分数阶pid优化控制方法
CN113391552B (zh) 一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法
CN118011805A (zh) 基于数据驱动和Tube优化的超超临界机组模型预测控制方法
CN108427271A (zh) 压水堆核电站一回路冷却剂温度控制方法
Sekyere et al. Optimal Tuning of PID Controllers for LFC in Renewable Energy Source Integrated Power Systems Using an Improved PSO
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
CN115912515A (zh) 一种考虑电压越限的负荷功率实时控制方法
Rahimi et al. Assessment of Automatic Generation Control performance index criteria
CN113282043A (zh) 基于多变量状态空间模型的超超临界机组协调控制方法
CN108258732B (zh) 新能源电力系统在正常调控域运行方式下的控制方法
Song et al. Fuzzy-Logic-Based Adaptive Internal Model Control for Load Frequency Control Systems with Electric Vehicles
Hosseinian et al. An optimization-based load frequency control in an interconnected multi-area power system using linear quadratic gaussian tuned via PSO
Feng et al. Improved Linear Active Disturbance Rejection Control Strategy Based on RBF Neural Network For Main Steam Temperature Of Thermal Power Boiler
Tu et al. State variable-fuzzy prediction control strategy for superheated steam temperature of thermal power units
Valsalam et al. Boiler modelling and optimal control of steam temperature in power plants

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