CN113703311B - 一种燃煤机组自组织协同预测控制方法 - Google Patents
一种燃煤机组自组织协同预测控制方法 Download PDFInfo
- Publication number
- CN113703311B CN113703311B CN202110997108.2A CN202110997108A CN113703311B CN 113703311 B CN113703311 B CN 113703311B CN 202110997108 A CN202110997108 A CN 202110997108A CN 113703311 B CN113703311 B CN 113703311B
- Authority
- CN
- China
- Prior art keywords
- control
- model
- time
- value
- output
- 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 146
- 230000008569 process Effects 0.000 claims abstract description 67
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 230000009897 systematic effect Effects 0.000 claims abstract description 7
- 238000004886 process control Methods 0.000 claims description 29
- 238000012546 transfer Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- XUFQPHANEAPEMJ-UHFFFAOYSA-N famotidine Chemical compound NC(N)=NC1=NC(CSCCC(N)=NS(N)(=O)=O)=CS1 XUFQPHANEAPEMJ-UHFFFAOYSA-N 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- FQZYTYWMLGAPFJ-OQKDUQJOSA-N tamoxifen citrate Chemical compound [H+].[H+].[H+].[O-]C(=O)CC(O)(CC([O-])=O)C([O-])=O.C=1C=CC=CC=1C(/CC)=C(C=1C=CC(OCCN(C)C)=CC=1)/C1=CC=CC=C1 FQZYTYWMLGAPFJ-OQKDUQJOSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013404 process transfer Methods 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种燃煤机组自组织协同预测控制方法,该方法首先根据经典模型预测控制方法,融合鲁棒控制的启发约束和饱和约束方法,重新架构预测控制理论,形成新的预测控制方法理论;其次针对燃煤机组不同的控制对象,提出系统性的试验整定方法并采用稳定可靠的模型辨识方法,获得过程参数控制模型;最后搭建仿真平台并构建仿真模型,并提出模型参数摄动和自适应控制方法,最终形成一种燃煤机组自组织协同预测控制方法,进一步提升了现代经典模型预测控制方法在热工控制过程中应用的完备性。
Description
技术领域
本发明涉及一种燃煤机组过程控制方法,具体涉及一种燃煤机组自组织协同预测控制方法。
背景技术
长期以来,燃煤机组过程控制基本以PID加前馈控制为主,然而PID是一种线性控制器,对于快速非时变环节的过程表现出控制上的优越性,然而当下燃煤机组运行过程大多表现出较强的非线性,时延性和大惯性,使传统的PID加前馈的控制方式越来越难以适应其生成控制需求,具体表现为前馈的构造不能用简单的线性模型,且PID的调节参数难以适应全局的高品质需求。近年来,针对这种典型的大迟延和大惯性环节,越来越多新的控制理论和控制方法被提出,然而目前这些新的控制理论普遍存在结构复杂且缺乏系统性的调试指导方法。
发明内容
本发明的目的在于针对现有燃煤机组过程控制方法完备性的不足,提供了一种燃煤机组自组织协同预测控制方法。
为达到上述目的,本发明采用如下的技术方案予以实现:
一种燃煤机组自组织协同预测控制方法,包括以下步骤:
1)根据经典模型预测控制方法,融合鲁棒控制的启发约束和饱和约束方法,重新架构预测控制理论,形成新的变结构预测控制方法理论;
2)对步骤1)中的所形成的变结构预测控制方法理论基础上,针对燃煤机组特定的控制对象,提出系统性的试验整定方法,并获得过程参数控制模型;
3)在对步骤1)中的变结构预测控制算法和对步骤2)中获得的过程控制模型基础上,搭建仿真平台;并在搭建仿真平台的基础上,根据步骤2)中的试验整定对象特点,构建仿真模型,并提出模型参数摄动和自适应控制方法,最终形成燃煤机组自组织协同预测控制方法。
本发明进一步的改进在于,步骤1)中,根据经典模型预测控制方法,融合鲁棒控制的启发约束和饱和约束方法,重新架构预测控制理论,形成新的预测控制方法理论,具体如下:
燃煤机组热工过程控制采用一阶惯性加迟延过程描述,其阶跃响应模型为:
式中:Δu(t)=u(t)-u(t-1);y为过程输出;u为控制输入;t为离散采样时间;Si为过程的阶跃响应系数;n为正整数,为一次扰动下,连续控制空间至稳定所需要的时间除以采样时间步长;则未来计算过程中t+N的预测输出为:
式中:为t+N时刻过程输出的预测值;为t+N时刻过程所受扰动的预测值;N为预测步数;上式表明,过程未来输出的预测值由四项组成;第一项取决于当前和未来的控制序列;假定未来各时刻所受的扰动不变,则未来时刻的扰动量预测值为由当前时刻的扰动量误差,其值为:
式中:ym(t)为当前时刻过程输出的测量值;为当前时刻过程所受扰动的广义估计值,它包含系统的外部扰动,过程模型参数的摄动以及过程未建模的综合误差,取目标函数为:
式中:
C(q-1)=c0+c1q-1+…+cncq-nc
其中,r(t)为过程输出的设定值;C(q-1)为稳定多项式,其表示的是过去的控制误差对未来控制的影响;假定当前和未来时刻的控制输出入恒定值,分别取u(t-1)和u(t),所对应的目标函数分别为和其中N为预测时域长度,则变结构预测控制的问题描述为,求当前的控制输入u(t),建立如下约束条件:
并满足如下饱和约束:
uL<u(t)<uH
其中,uL和uH分别为过程控制输入的下限和上限,对于热工过程,取:
C(q-1)=(1+λ)-λq-1
其中λ为低阶过程控制参数,进一步化简得:
式中:
假定当前及未来的控制序列为恒定值,其大小等于t-1时刻的控制量,则有:Δu(t-i+N)=0,i=1,…,N,由此可推得此时的目标函数值为:
式中,N≤n-2,假定当前控制输入为u(t),而未来各时刻的控制量保持不变,则有:Δu(t-i+N)=0,i=1,…,N,不难推得此时的目标函数值为:
当时,则:
不失一般性,设SN≥SN-1>0,则有因此,当时,Δu(t)可取:
考虑到约束条件式,上式可推导获得:
本发明进一步的改进在于,步骤2)中,对控制作用进行推导计算,具体如下:
当时,控制作用u(t)为:
式中,ε为可调整实数,其作用是加快系统收敛,起到饱和约束的作用,同样的推导,当时,控制作用u(t)为:
其中:
本发明进一步的改进在于,步骤2)中,针对燃煤机组特定的控制对象,提出系统性的试验整定方法,并获得过程参数控制模型,具体如下:
以时间序列为基础,确定燃煤机组某一控制对象的控制输入x(t)和控制输出y(t),设计如下扰动试验:
在控制输入和控制输出稳定的前提下,将x(t)幅度改变10%,以1s为采样周期,观察控制输出y(t)的变化,直至其再次达到稳定,记录和保存x(t)和y(t)数据;为保证模型辨识的准确性和一致性,该扰动试验将进行5次;以某一次保存和记录的控制输入x(t)和控制输出y(t)为例,进行模型参数辨识,具体如下:
2.1)确定需要辨识的模型为一阶惯性加迟延模型;确定需辨识的模型为系统增益k、惯性时间T和系统迟延时间τ的搜索计算上限分别为kmax、Tmax和τmax,下限分别为kmin、Tmin和τmin;
2.2)利用差分进化算法完成程序辨识主体,建立搜索下限矩阵如下:
MINX=[kmin,Tmin,τmin]
建立搜索上限矩阵如下:
MAXX=[kmax,Tmax,τmax]
在3维空间内随机产生满足约束条件的M=30个个体,实施措施如下:
2.2.1)生成初始群体
xij(0)=randij(0,1)(MAXX(i)-MINX(i))+MINX(i)
其中,下标i表示第i个个体,MAXX(i)和MINX(i)分别是第i个个体第j条染色体的上界和下界,randij(0,1)是[0,1]之间的随机小数,其中1≤i≤3,1≤j≤M;
2.2.2)变异操作
从群体中随机选择3个个体xp1、xp1和xp3,其中p1、p2和p3为随机整数,且i≠p1≠p2≠p3,则
hij(t+1)=xp1j(t)+F(xp2j(t)-xp3j(t))
其中,xp2j(t)-xp3j(t)为差异化向量,此差分操作是差分进化算法的关键,F=0.95,为变异因子,hij(t+1)是第i个向量的第j条染色体变异量;
2.2.3)交叉操作
交叉操作是为了增加群体的多样性,具体操作如下:
其中为rand lij是[0,1]之间的随机小数,CR为交叉概率,CR∈[0,1],vij(t+1)是第i个向量的第j条染色体的交叉量;
2.2.4)选择操作
为了确定xi(t)是否成为下一代的成员,试验向量vi(t+1)和目标向量xi(t)对目标函数f进行比较:
令y′(t+1)=f(xi(t+1)),则y′(t+1)为控制输出离散时间序列y(t+1)的最优期望输出值;
反复执行步骤2.2.1)至2.2.4),执行次数为G=100,输出xi(t+1),故
k=x1(t+1)
T=x2(t+1)
τ=x3(t+1)
由此可得出该次控制输入x(t)和控制输出y(t)之间的模型传递函数为;
其中G(s)为控制输出y(t)所对应的拉式变换Y(s)与控制输入x(t)所对应的拉式变化X(s)的传递函数。
本发明进一步的改进在于,步骤3)中,重复5次试验得到5次传递函数,将5次传递函数的系统增益、惯性时间和系统迟延时间进行算术平均,即得到最后的传递函数模型为:
其中ka、Ta和τa分别为系统平均增益、平均惯性时间和系统平均迟延时间;
利用传递函数模型G(s)进行阶跃扰动,以5s为记录频率,获得离散阶跃扰动输出yout(t),其中yout(t)的离散记录时间长度按如下进行计算:
当满足上式所记录的离散时间长度td=t;
则步骤2)中的过程阶跃响应系数Si为:
[S1,S2,…Sn]=[yout(0s),yout(5s),…yout(tds)]
本发明进一步的改进在于,结合步骤1)中的变结构预测控制算法和步骤2)中获得的过程控制模型基础上,搭建仿真平台;并在搭建仿真平台的基础上,根据步骤2)中的试验整定对象特点,构建仿真模型,并提出模型参数摄动和自适应控制方法,最终形成燃煤机组自组织协同预测控制方法,具体如下:
设定u(t)为当前时刻过程控制输入,ym(t)为当前时刻过程输出的测量值,r(t)为过程输出的设定值,uL=0和uH=100分别为过程控制输入的下限和上限,λ=2.0,为低阶过程控制参数,α为系统收敛可调参数,ε为系统可调参数,与设备具体性能相关,可加速控制收敛,Si为过程阶跃响应系数,为一维矩阵,n为过程控制时域长度,其等于过程阶跃响应一维矩阵长度,N为预测时域长度,自组织协同预测控制参数自适应具体如下:
如步骤2)中所述、对过程控制传递参数函数G(s)进行参数摄动,得到如下传递函数模型:
其中kamax=1.5ka、Tamin=0.5Ta、τamin=0.5τa;
其中kamin=0.5ka、Tamax=1.5Ta、τamax=1.5τa;
令ε=ka,过程仿真模型为G2(s),仿真时间长度为ts,时间步长为5s;
3.1)令α=0.0001,步进量Δ=0.00005;
3.2)进行时间长度为ts的全时域仿真,并计算过程累计偏差:
将Idev和α进行记录和保存;
3.3)令α=α+Δ,重复3.1)至3.2)过程直至α=0.002;
3.4)比较上述每一步记录的Idev,找出其中的最小者和相对应的α值,并进行记录,令α=αmin;
令ε=ka,过程仿真模型为G(s),仿真时间长度为ts,时间步长为5s;重复3.1)至3.3)过程,比较每一步记录的Idev,找出其中的最小者和相对应的α值,并进行记录,令α=αpro;
令ε=ka,过程仿真模型为G1(s),仿真时间长度为ts,时间步长为5s;重复3.1)至3.3)过程,比较每一步记录的Idev,找出其中的最小者和相对应的α值,并进行记录,令α=αmax;
分析被控对象在燃煤机组不同的负荷段所对应的传递函数变化趋势,则由40%额定负荷至70%额定负荷至100%额定负荷,α的取值变化依据αmin→αpro→αmax变化,完成模型参数自适应方法。
本发明进一步的改进在于,λ取值为1.0至3.0之间。
本发明进一步的改进在于,α取值为0.0001至0.002之间。
本发明进一步的改进在于,n取值为200至400之间。
本发明进一步的改进在于,N取值为60至120之间。
本发明至少具有如下有益的技术效果:
本发明提供的一种燃煤机组自组织协同预测控制方法,首先根据经典模型预测控制方法,融合鲁棒控制的启发约束和饱和约束方法,重新架构预测控制理论,形成新的预测控制方法理论;其次针对燃煤机组不同的控制对象,提出系统性的试验整定方法并采用稳定可靠的模型辨识方法,获得过程参数控制模型;最后搭建仿真平台并构建仿真模型,并提出模型参数摄动和自适应控制方法,最终形成燃煤机组自组织协同预测控制方法
附图说明
图1为燃煤机组预测控制基本原理图;
图2为过程传递函数阶跃扰动模型图;
图3为自适应协同预测控制算法仿真模型图;
图4为自组织协同预测控制调门开度变化示意图;
图5为自组织协同预测控制汽温扰动跟踪变化示意图。
具体实施方式
以下结合附图和实施例对本发明作进一步的详细说明。
本发明提供的一种燃煤机组自组织协同预测控制方法,以1000MW超超临界机组汽温控制系统为例,进行具体说明,包括以下步骤:
1、燃煤机组汽温控制一般可用一阶惯性加迟延过程描述,其阶跃响应模型为:
式中:Δu(t)=u(t)-u(t-1);y为过程输出;u为控制输入;t为离散采样时间,取t=5s;Si为过程的阶跃响应系数;n为正整数,一般为一次扰动下,连续控制空间至稳定所需要的时间除以采样时间步长;其有限阶跃响应及时域预测特性如图1所示,则未来计算过程中t+N的预测输出为:
式中:为t+N时刻过程输出的预测值;为t+N时刻过程所受扰动的预测值;N为预测步数。上式表明,过程未来输出的预测值由四项组成;第一项取决于当前和未来的控制序列;第二项和第三项由过去的各时刻的控制量决定;第四项为未来时刻扰动量预测值。假定未来各时刻所受的扰动不变,则未来时刻的扰动量预测值为可由当前时刻的扰动量误差,其值为:
式中:ym(t)为当前时刻过程输出的测量值;为当前时刻过程所受扰动的广义估计值,它包含系统的外部扰动,过程模型参数的摄动以及过程未建模的综合误差。取目标函数为:
式中:
C(q-1)=c0+c1q-1+…+cncq-nc
其中,r(t)为过程输出的设定值;C(q-1)为稳定多项式,其表示的是过去的控制误差对未来控制的影响。假定当前和未来时刻的控制输出入恒定值,分别取u(t-1)和u(t),所对应的目标函数分别为和其中N为预测时域长度,则变结构预测控制的问题描述为,求当前的控制输入u(t),建立如下约束条件:
并满足如下饱和约束:
uL<u(t)<uH
其中,uL和uH分别为过程控制输入的下限和上限,对于热工过程,选取低阶次的C(q-1)不仅能够降低系统设计的复杂度,而且也能取得很好的控制品质,在本研究中,取:
C(q-1)=(1+λ)-λq-1
其中λ为低阶过程控制参数,进一步化简得:
式中:
假定当前及未来的控制序列为恒定值,其大小等于t-1时刻的控制量,则有:Δu(t-i+N)=0,i=1,…,N,由此可推得此时的目标函数值为:
式中,N≤n-2,假定当前控制输入为u(t),而未来各时刻的控制量保持不变,则有:Δu(t-i+N)=0,i=1,…,N,不难推得此时的目标函数值为:
当时,则:
不失一般性,设SN≥SN-1>0,则有因此,当时,Δu(t)可取:
考虑到约束条件式,上式可推导获得:
综合可取:
进一步,当时,控制作用u(t)为:
ε为可调整实数,其作用是加快系统收敛,起到饱和约束的作用,同样的推导,当时,控制作用u(t)为:
其中:
2、以时间序列为基础,确定燃煤机组某一控制对象的控制输入x(t)和控制输出y(t),设计如下扰动试验:
在控制输入和控制输出稳定的前提下,将x(t)幅度改变10%,以1s为采样周期,观察控制输出y(t)的变化,直至其再次达到稳定,记录和保存x(t)和y(t)数据;为保证模型辨识的准确性和一致性,该扰动试验将进行5次;以某一次保存和记录的控制输入x(t)和控制输出y(t)为例,进行模型参数辨识,具体如下:
2.1)确定需要辨识的模型为一阶惯性加迟延模型;确定需辨识的模型为系统增益k、惯性时间T和系统迟延时间τ的搜索计算上限分别为kmax=-0.5、Tmax=300s和τmax=100s,下限分别为kmin=-2.0、Tmin=100s和τmin=0;
2.2)利用差分进化算法完成程序辨识主体,建立搜索下限矩阵如下:
MINX=[kmin,Tmin,τmin]
建立搜索上限矩阵如下:
MAXX=[kmax,Tmax,τmax]
在3维空间内随机产生满足约束条件的M=30个个体,实施措施如下:
2.2.1)生成初始群体
xij(0)=randij(0,1)(MAXX(i)-MINX(i))+MINX(i)
其中,下标i表示第i个个体,MAXX(i)和MINX(i)分别是第i个个体第j条染色体的上界和下界,randij(0,1)是[0,1]之间的随机小数,其中1≤i≤3,1≤j≤M;
2.2.2)变异操作
从群体中随机选择3个个体xp1、xp1和xp3,其中p1、p2和p3为随机整数,且i≠p1≠p2≠p3,则
hij(t+1)=xp1j(t)+F(xp2j(t)-xp3j(t))
其中,xp2j(t)-xp3j(t)为差异化向量,此差分操作是差分进化算法的关键,F=0.95,为变异因子,hij(t+1)是第i个向量的第j条染色体变异量;
2.2.3)交叉操作
交叉操作是为了增加群体的多样性,具体操作如下:
其中为rand lij是[0,1]之间的随机小数,CR为交叉概率,CR=0.1,vij(t+1)是第i个向量的第j条染色体的交叉量;
2.2.4)选择操作
为了确定xi(t)是否成为下一代的成员,试验向量vi(t+1)和目标向量xi(t)对目标函数f进行比较:
令y′(t+1)=f(xi(t+1)),则y′(t+1)为控制输出离散时间序列y(t+1)的最优期望输出值;
反复执行步骤2.2.1)至2.2.4),执行次数为G=100,输出xi(t+1),故
k=x1(t+1)
T=x2(t+1)
τ=x3(t+1)
由此可得出该次控制输入x(t)和控制输出y(t)之间的模型传递函数为。
其中G(s)为控制输出y(t)所对应的拉式变换Y(s)与控制输入x(t)所对应的拉式变化X(s)的传递函数,因此该5试验就可得到5次传递函数,将5次传递函数的系统增益、惯性时间和系统迟延时间进行算术平均,即可得到最后的传递函数模型为:
其中ka、Ta和τa分别为系统平均增益、平均惯性时间和系统平均迟延时间;以1000MW汽温控制系统为例,其为:ka=-1.05,Ta=300,τa=60,
如图2所示,利用传递函数模型G(s)进行阶跃扰动,以5s为记录频率,获得离散阶跃扰动输出yout(t),其中yout(t)的离散记录时间长度按如下进行计算:
当满足上式所记录的离散时间长度td=t,以上述模型计算,取td=1500;
则步骤2)中的过程阶跃响应系数Si为:
[S1,S2,…Sn]=[yout(0s),yout(5s),…yout(tds)]
3、结合步骤1)中的变结构预测控制算法和步骤2)中获得的过程控制模型基础上,搭建仿真平台;并在搭建仿真平台的基础上,根据步骤2)中的试验整定对象特点,构建仿真模型,并提出模型参数摄动和自适应控制方法,最终形成一种燃煤机组自组织协同预测控制方法,具体如下:
如图3所示,为自适应协同预测控制算法仿真模型,其自适应协同预测控制算法已如步骤1)所描述,在此不再重复;而仿真模型的仿真对象已如步骤2)所描述,在此不再重复;本步骤主要是对自适应协调预测控制算法的控制参数自适应调整方法进行声明。在图中,u(t)为当前时刻过程控制输入,ym(t)为当前时刻过程输出的测量值,r(t)为过程输出的设定值,uL=0和uH=100分别为过程控制输入的下限和上限,λ=2.0,为低阶过程控制参数,α为系统收敛可调参数,初始化α=0.0001,ε为系统可调参数,Si为过程阶跃响应系数,为一维矩阵,n为过程控制时域长度,n=300,N为预测时域长度,N=90,自组织协同预测控制参数自适应具体如下:
如步骤2)中所述、对过程控制传递参数函数G(s)进行参数摄动,得到如下传递函数模型:
其中kamin=1.5ka=1.575、Tamin=0.5Ta=150、τamin=0.5τa=30;
其中kamin=0.5ka=0.525、Tamax=1.5Ta=450、τamax=1.5τa=90;
令ε=|ka|=1.05,过程仿真模型为G2(s),仿真时间长度为ts,时间步长为5s;
3.1)令α=0.0001,步进量Δ=0.00005;
3.2)进行时间长度为ts的全时域仿真,并计算过程累计偏差:
将Idev和α进行记录和保存;
3.3)令α=α+Δ,重复3.1)至3.2)过程直至α=0.002
3.4)比较上述每一步记录的Idev,找出其中的最小者和相对应的α值,并进行记录,令α=αmin,得αmin=0.00025;
令ε=ka,过程仿真模型为G(s),仿真时间长度为ts,时间步长为5s;重复3.1)至3.3)过程,比较每一步记录的Idev,找出其中的最小者和相对应的α值,并进行记录,令α=αpro,得αpro=0.0005;
令ε=ka,过程仿真模型为G1(s),仿真时间长度为ts,时间步长为5s;重复3.1)至3.3)过程,比较每一步记录的Idev,找出其中的最小者和相对应的α值,并进行记录,令α=αmax,得αmax=0.0015;
分析被控对象在燃煤机组不同的负荷段所对应的传递函数变化趋势,则由40%额定负荷至70%额定负荷至100%额定负荷,α的取值变化依据αmin→αpro→αmax变化,完成模型参数自适应方法;其自适应控制效果如图4和图5所示。
Claims (5)
1.一种燃煤机组自组织协同预测控制方法,其特征在于,包括以下步骤:
1)根据经典模型预测控制方法,融合鲁棒控制的启发约束和饱和约束方法,重新架构预测控制理论,形成新的变结构预测控制方法理论;具体如下:
燃煤机组热工过程控制采用一阶惯性加迟延过程描述,其阶跃响应模型为:
式中:Δu(t)=u(t)-u(t-1);y为过程输出;u为控制输入;t为离散采样时间;Si为过程的阶跃响应系数;n为正整数,为一次扰动下,连续控制空间至稳定所需要的时间除以采样时间步长;则未来计算过程中t+N的预测输出为:
式中:为t+N时刻过程输出的预测值;为t+N时刻过程所受扰动的预测值;N为预测步数;上式表明,过程未来输出的预测值由四项组成;第一项取决于当前和未来的控制序列;假定未来各时刻所受的扰动不变,则未来时刻的扰动量预测值为由当前时刻的扰动量误差,其值为:
式中:ym(t)为当前时刻过程输出的测量值;为当前时刻过程所受扰动的广义估计值,它包含系统的外部扰动,过程模型参数的摄动以及过程未建模的综合误差,取目标函数为:
式中:
C(q-1)=c0+c1q-1+…+cncq-nc
其中,r(t)为过程输出的设定值;C(q-1)为稳定多项式,其表示的是过去的控制误差对未来控制的影响;假定当前和未来时刻的控制输出入恒定值,分别取u(t-1)和u(t),所对应的目标函数分别为和其中N为预测时域长度,则变结构预测控制的问题描述为,求当前的控制输入u(t),建立如下约束条件:
并满足如下饱和约束:
uL<u(t)<uH
其中,uL和uH分别为过程控制输入的下限和上限,对于热工过程,取:
C(q-1)=(1+λ)-λq-1
其中λ为低阶过程控制参数,进一步化简得:
式中:
假定当前及未来的控制序列为恒定值,其大小等于t-1时刻的控制量,则有:Δu(t-i+N)=0,i=1,…,N,由此可推得此时的目标函数值为:
式中,N≤n-2,假定当前控制输入为u(t),而未来各时刻的控制量保持不变,则有:Δu(t-i+N)=0,i=1,…,N,不难推得此时的目标函数值为:
当时,则:
不失一般性,设SN≥SN-1>0,则有因此,当时,Δu(t)可取:
考虑到约束条件式,上式可推导获得:
2)对步骤1)中的所形成的变结构预测控制方法理论基础上,针对燃煤机组特定的控制对象,提出系统性的试验整定方法,并获得过程参数控制模型;
对控制作用进行推导计算,具体如下:
当时,控制作用u(t)为:
式中,ε为可调整实数,其作用是加快系统收敛,起到饱和约束的作用,同样的推导,当时,控制作用u(t)为:
其中:
针对燃煤机组特定的控制对象,提出系统性的试验整定方法,并获得过程参数控制模型,具体如下:
以时间序列为基础,确定燃煤机组某一控制对象的控制输入x(t)和控制输出y(t),设计如下扰动试验:
在控制输入和控制输出稳定的前提下,将x(t)幅度改变10%,以1s为采样周期,观察控制输出y(t)的变化,直至其再次达到稳定,记录和保存x(t)和y(t)数据;为保证模型辨识的准确性和一致性,该扰动试验将进行5次;以某一次保存和记录的控制输入x(t)和控制输出y(t)为例,进行模型参数辨识,具体如下:
2.1)确定需要辨识的模型为一阶惯性加迟延模型;确定需辨识的模型为系统增益k、惯性时间T和系统迟延时间τ的搜索计算上限分别为kmax、Tmax和τmax,下限分别为kmin、Tmin和τmin;
2.2)利用差分进化算法完成程序辨识主体,建立搜索下限矩阵如下:
MINX=[kmin,Tmin,τmin]
建立搜索上限矩阵如下:
MAXX=[kmax,Tmax,τmax]
在3维空间内随机产生满足约束条件的M=30个个体,实施措施如下:
2.2.1)生成初始群体
xij(0)=randij(0,1)(MAXX(i)-MINX(i))+MINX(i)
其中,下标i表示第i个个体,MAXX(i)和MINX(i)分别是第i个个体第j条染色体的上界和下界,randij(0,1)是[0,1]之间的随机小数,其中1≤i≤3,1≤j≤M;
2.2.2)变异操作
从群体中随机选择3个个体xp1、xp1和xp3,其中p1、p2和p3为随机整数,且i≠p1≠p2≠p3,则
hij(t+1)=xp1j(t)+F(xp2j(t)-xp3j(t))
其中,xp2j(t)-xp3j(t)为差异化向量,此差分操作是差分进化算法的关键,F=0.95,为变异因子,hij(t+1)是第i个向量的第j条染色体变异量;
2.2.3)交叉操作
交叉操作是为了增加群体的多样性,具体操作如下:
其中为rand lij是[0,1]之间的随机小数,CR为交叉概率,CR∈[0,1],vij(t+1)是第i个向量的第j条染色体的交叉量,xij(t)是第i个向量的第j条染色体的当前值;
2.2.4)选择操作
为了确定xi(t)是否成为下一代的成员,试验向量vi(t+1)和目标向量xi(t)对目标函数f进行比较:
令y'(t+1)=f(xi(t+1)),则y'(t+1)为控制输出离散时间序列y(t+1)的最优期望输出值;
反复执行步骤2.2.1)至2.2.4),执行次数为G=100,输出xi(t+1),故
k=x1(t+1)
T=x2(t+1)
τ=x3(t+1)
由此可得出该次控制输入x(t)和控制输出y(t)之间的模型传递函数为;
其中G(s)为控制输出y(t)所对应的拉式变换Y(s)与控制输入x(t)所对应的拉式变化X(s)的传递函数;
3)在对步骤1)中的变结构预测控制算法和对步骤2)中获得的过程控制模型基础上,搭建仿真平台;并在搭建仿真平台的基础上,根据步骤2)中的试验整定对象特点,构建仿真模型,并提出模型参数摄动和自适应控制方法,最终形成燃煤机组自组织协同预测控制方法;具体如下:
重复5次试验得到5次传递函数,将5次传递函数的系统增益、惯性时间和系统迟延时间进行算术平均,即得到最后的传递函数模型为:
其中ka、Ta和τa分别为系统平均增益、平均惯性时间和系统平均迟延时间;
利用传递函数模型G(s)进行阶跃扰动,以5s为记录频率,获得离散阶跃扰动输出yout(t),其中yout(t)的离散记录时间长度按如下进行计算:
当满足上式所记录的离散时间长度td=t;
则步骤2)中的过程阶跃响应系数Si为:
[S1,S2,…Sn]=[yout(0s),yout(5s),…yout(tds)]
结合步骤1)中的变结构预测控制算法和步骤2)中获得的过程控制模型基础上,搭建仿真平台;并在搭建仿真平台的基础上,根据步骤2)中的试验整定对象特点,构建仿真模型,并提出模型参数摄动和自适应控制方法,最终形成燃煤机组自组织协同预测控制方法,具体如下:
设定u(t)为当前时刻过程控制输入,ym(t)为当前时刻过程输出的测量值,r(t)为过程输出的设定值,uL=0和uH=100分别为过程控制输入的下限和上限,λ=2.0,为低阶过程控制参数,α为系统收敛可调参数,ε为系统可调参数,与设备具体性能相关,可加速控制收敛,Si为过程阶跃响应系数,为一维矩阵,n为过程控制时域长度,其等于过程阶跃响应一维矩阵长度,N为预测时域长度,自组织协同预测控制参数自适应具体如下:
如步骤2)中所述、对过程控制传递参数函数G(s)进行参数摄动,得到如下传递函数模型:
其中kamax=1.5ka、Tamin=0.5Ta、τamin=0.5τa;
其中kamin=0.5ka、Tamax=1.5Ta、τamax=1.5τa;
令ε=ka,过程仿真模型为G2(s),仿真时间长度为ts,时间步长为5s;
3.1)令α=0.0001,步进量Δ=0.00005;
3.2)进行时间长度为ts的全时域仿真,并计算过程累计偏差:
其中ym(t)为当前时刻过程输出的测量值,r(t)为过程输出的设定值,将Idev和α进行记录和保存;
3.3)令α=α+Δ,重复3.1)至3.2)过程直至α=0.002;
3.4)比较上述每一步记录的Idev,找出其中的最小者和相对应的α值,并进行记录,令α=αmin;
令ε=ka,过程仿真模型为G(s),仿真时间长度为ts,时间步长为5s;重复3.1)至3.3)过程,比较每一步记录的Idev,找出其中的最小者和相对应的α值,并进行记录,令α=αpro;
令ε=ka,过程仿真模型为G1(s),仿真时间长度为ts,时间步长为5s;重复3.1)至3.3)过程,比较每一步记录的Idev,找出其中的最小者和相对应的α值,并进行记录,令α=αmax;
分析被控对象在燃煤机组不同的负荷段所对应的传递函数变化趋势,则由40%额定负荷至70%额定负荷至100%额定负荷,α的取值变化依据αmin→αpro→αmax变化,完成模型参数自适应方法。
2.根据权利要求1所述的一种燃煤机组自组织协同预测控制方法,其特征在于,λ取值为1.0至3.0之间。
3.根据权利要求1所述的一种燃煤机组自组织协同预测控制方法,其特征在于,α取值为0.0001至0.002之间。
4.根据权利要求1所述的一种燃煤机组自组织协同预测控制方法,其特征在于,n取值为200至400之间。
5.根据权利要求1所述的一种燃煤机组自组织协同预测控制方法,其特征在于,N取值为60至120之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997108.2A CN113703311B (zh) | 2021-08-27 | 2021-08-27 | 一种燃煤机组自组织协同预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997108.2A CN113703311B (zh) | 2021-08-27 | 2021-08-27 | 一种燃煤机组自组织协同预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113703311A CN113703311A (zh) | 2021-11-26 |
CN113703311B true CN113703311B (zh) | 2024-07-16 |
Family
ID=78656162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110997108.2A Active CN113703311B (zh) | 2021-08-27 | 2021-08-27 | 一种燃煤机组自组织协同预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113703311B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355774B (zh) * | 2021-12-27 | 2023-07-28 | 中国联合网络通信集团有限公司 | 模型预测控制方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107168062A (zh) * | 2017-05-31 | 2017-09-15 | 国网河南省电力公司电力科学研究院 | 一种超临界燃煤机组协调控制系统中的负荷预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8346693B2 (en) * | 2009-11-24 | 2013-01-01 | King Fahd University Of Petroleum And Minerals | Method for hammerstein modeling of steam generator plant |
CN111552175B (zh) * | 2020-05-14 | 2023-03-28 | 东南大学 | 一种超临界燃煤电站-化学吸附燃烧后碳捕集系统的整体优化调度和快速变负荷控制方法 |
-
2021
- 2021-08-27 CN CN202110997108.2A patent/CN113703311B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107168062A (zh) * | 2017-05-31 | 2017-09-15 | 国网河南省电力公司电力科学研究院 | 一种超临界燃煤机组协调控制系统中的负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113703311A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Reinforcement learning for optimal primary frequency control: A Lyapunov approach | |
Ghods et al. | Methods for long-term electric load demand forecasting; a comprehensive investigation | |
Devaraj et al. | Real-coded genetic algorithm and fuzzy logic approach for real-time tuning of proportional–integral–derivative controller in automatic voltage regulator system | |
CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
CN112631215A (zh) | 工业过程运行指标智能预报方法、装置、设备及存储介质 | |
CN113703311B (zh) | 一种燃煤机组自组织协同预测控制方法 | |
CN117784852B (zh) | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 | |
CN115167102A (zh) | 一种基于并行优势动作评价的强化学习自适应pid控制方法 | |
Srikanth et al. | Analytical tuning rules for second-order reduced ADRC with SOPDT models | |
CN117856258A (zh) | 基于目标值竞争的多能协同互补优化方法、设备及介质 | |
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 | |
CN112000004A (zh) | 一种利用迭代二次启发式规划的污水处理浓度控制方法 | |
CN115167150B (zh) | 具有未知系统动态的批次过程二维离轨策略交错q学习最优跟踪控制方法 | |
CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
Tian et al. | A new incremental learning modeling method based on multiple models for temperature prediction of molten steel in LF | |
Gu et al. | Steady state hierarchical optimizing control for large-scale industrial processes with fuzzy parameters | |
Yu et al. | Adaptive Optimal Control via Continuous-Time $ Q $-Learning for Stackelberg–Nash Games of Uncertain Nonlinear Systems | |
KR100310609B1 (ko) | 퍼지전문가장치를이용한피아이디제어기의계수조정장치및그의제어방법 | |
Yu et al. | Adaptive RBF model for model-based control | |
CN115313411B (zh) | 一种电网无功优化控制方法和装置 | |
Omizegba et al. | Fuzzy logic controller parameter tuning using particle swarm algorithm | |
Zhang et al. | Dynamic Optimization for SP of Control Loops Based on Both Rapid Intelligent Optimization and UniSim/EPKS Environments | |
CN115016284B (zh) | 一种变量柱塞泵数字孪生控制方法和系统 | |
CN111459030B (zh) | 一种用于锅炉闭环燃烧优化的自适应建模方法 | |
Li et al. | Multi-area AGC system performance improvement using GA based fuzzy logic control |
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 |