CN114371619B - 一种mgt-cchp变工况动态能效优化控制方法 - Google Patents
一种mgt-cchp变工况动态能效优化控制方法 Download PDFInfo
- Publication number
- CN114371619B CN114371619B CN202111549370.7A CN202111549370A CN114371619B CN 114371619 B CN114371619 B CN 114371619B CN 202111549370 A CN202111549370 A CN 202111549370A CN 114371619 B CN114371619 B CN 114371619B
- Authority
- CN
- China
- Prior art keywords
- control
- mgt
- cchp
- energy efficiency
- dynamic energy
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 15
- 238000002485 combustion reaction Methods 0.000 claims description 11
- 239000000446 fuel Substances 0.000 claims description 10
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims description 9
- 101150036841 minJ gene Proteins 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical group C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 239000003507 refrigerant Substances 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 239000003345 natural gas Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 238000004088 simulation Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 239000002737 fuel gas Substances 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 2
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 description 2
- 229910052794 bromium Inorganic materials 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 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
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002918 waste heat 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
本发明涉及一种MGT‑CCHP变工况动态能效优化控制方法，包括建立MGT‑CCHP输入输出训练集，将训练集输入神经网络，通过误差反向传播算法进行训练，得到非线性预测模型；获取动态能效指标、负荷跟踪优化目标和控制量变化量优化目标，根据以上三种优化目标通过乌托邦点跟踪控制框架进行重构，获取第一控制目标函数；建立第二控制目标函数，设定第一控制目标函数和第二控制目标函数切换条件；根据非线性预测模型、第一控制目标函数和第二控制目标函数，结合当前时刻输入量、上一时刻输入量得到最优控制增量序列；根据最优控制增量序列，获取当前时刻控制输入增量，结合上一时刻控制量，计算得到当前时刻控制量，并将当前时刻控制量输入MGT‑CCHP中。与现有技术相比，本发明具有兼顾负荷跟踪和动态能效等优点。
Description
技术领域
本发明涉及分布式能源系统领域，尤其是涉及一种MGT-CCHP变工况动态能效优化控制方法。
背景技术
微燃机冷热电联供系统(Micro gas turbine-LiBr double effect absorptionrefrigerating machine combined cooling,heating and power system，MGT-CCHP系统)由微型燃气轮机和烟气型吸收式溴化锂冷热水机组成，可同时供应冷、热、电三种负荷，能够实现能源的梯级利用。
MGT-CCHP中微型燃气轮机能够提供电能，溴机利用微型燃气轮机余热烟气制冷、供热，实现了能源的梯级利用，通常与可再生能源、储能等构成分布式能源系统、综合能源系统等。MGT-CCHP通常是区域能源系统能量流的耦合点，需要同时应对多种负荷需求的变化，这对其灵活运行控制技术提出新要求。另一方面，需要进一步提升MGT-CCHP运行过程动态能效。目前MGT-CCHP的控制器设计侧重于小范围负荷跟踪和抗干扰性，但在大范围负荷跟踪和系统动态能效提升方面都有不足之处，现有技术无法对这两个方面兼顾优化，且对于控制量的修正也没有实时性，有待改进。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种MGT-CCHP变工况动态能效优化控制方法。
本发明的目的可以通过以下技术方案来实现：
一种MGT-CCHP变工况动态能效优化控制方法，包括以下步骤：
S1、根据MGT-CCHP历史运行数据建立训练集，将训练集输入神经网络，所述神经网络的输入为MGT-CCHP上一时刻输入量和上一时刻输出量，所述神经网络的输出为MGT-CCHP当前时刻输出量，通过误差反向传播算法进行训练，得到非线性预测模型；
S2、获取动态能效指标、负荷跟踪优化目标和控制量变化量优化目标，根据以上三种优化目标建立性能指标；
S3、将性能指标通过乌托邦点跟踪控制框架进行重构，获取第一控制目标函数；
S4、建立第二控制目标函数，设定第一控制目标函数和第二控制目标函数切换条件；
S5、根据非线性预测模型、第一控制目标函数和第二控制目标函数，结合当前时刻输入量、上一时刻输入量得到最优控制增量序列；
S6、根据最优控制增量序列，获取当前时刻控制输入增量，结合上一时刻控制量，计算得到当前时刻控制量，并将当前时刻控制量输入MGT-CCHP中。
进一步地，所述第一控制目标函数表达式如下：
式中，minJ表示总控制目标，表示动态能效指标，/>表示负荷跟踪优化目标，表示控制量变化量优化目标，J1表示乘以权重矩阵F的动态能效指标，J2表示乘以权重矩阵Q的负荷跟踪优化目标，J3表示乘以权重矩阵R的控制量变化量优化目标。
进一步地，所述第一控制目标函数切换条件具体为：当输出量进入负荷跟踪设定值的邻近区域时，将性能指标中动态能效指标删除；
所述第二控制目标函数表达式为：
式中，Y表示MGT-CCHP输出量，W表示负荷跟踪设定值，ε表示邻近区域设定值，minJ表示总控制目标，表示动态能效指标，/>表示负荷跟踪优化目标，/>表示控制量变化量优化目标，J1表示乘以设定的权重矩阵F的动态能效指标，J2表示乘以设定的权重矩阵Q的负荷跟踪优化目标，J3表示乘以设定的权重矩阵R的控制量变化量优化目标。
进一步地，所述最优控制增量序列表达式如下：
约束条件
式中，Y表示MGT-CCHP输出量，W表示负荷跟踪设定值，ε表示邻近区域设定值，minJ表示总控制目标，表示动态能效指标，/>表示负荷跟踪优化目标，/>表示控制量变化量优化目标，J1表示乘以设定的权重矩阵F的动态能效指标，J2表示乘以设定的权重矩阵Q的负荷跟踪优化目标，J3表示乘以设定的权重矩阵R的控制量变化量优化目标，/>表示非线性预测模型的输出值；Nc表示控制时域长度；Np表示预测时域长度；uj,Nc表示控制时域内第j个控制量的取值；uj,min、uj,max分别表示第j个控制量的下限和上限；Δuj,Nc表示控制时域内第j个控制量的变化量；Δuj,min、Δuj,max分别表示第j个控制量的变化量下限和上限。
进一步地，所述当前时刻控制输入增量的计算表达式为：
ΔUNc(k)＝[Δu1,Nc(k)；Δu2,Nc(k)；Δu3,Nc(k)]
式中，ΔUNc(k)表示当前时刻控制输入增量。
进一步地，控制量变化量包括燃气变化量、回热阀开度变化量和冷剂阀开度变化量。
进一步地，所述MGT-CCHP的输出量包括微燃机转速、冷冻水温度和生活热水温度。
进一步地，神经网络在训练时将输入和输出值的取值归一化至绝对值小于1。
进一步地，所述动态能效指标优选为天然气消耗量。
进一步地，所述MGT-CCHP历史运行数据包括变化工况下和稳定工况下的MGT-CCHP输入值和输出值。
与现有技术相比，本发明具有以下优点：
1、本发明建立的控制目标函数包括动态能效指标、负荷跟踪优化目标和控制量变化量优化目标，通过训练神经网络获取的非线性预测模型约束控制量的值，兼顾了MGT-CCHP运行时的动态能效和负荷跟踪性能，且结合了当前时刻与上一时刻的输入量输出量，实现了闭环控制，
2、本发明的动态能效指标优选为天然气消耗量，相比其它动态能效指标，天然气消耗量具有更好的经济效益。
3、本发明在训练神经网络时选用的历史运行数据包括不同情况下的MGT-CCHP输入值和输出值，数据可靠性强。
附图说明
图1为本发明的流程示意图。
图2为本发明非线性预测模型的网络架构示意图。
图3为本发明仿真实验1的输入变化图。
图4为本发明仿真实验1的输出变化图。
图5为本发明仿真实验动态能效对比图。
图6为本发明仿真实验2的输入变化图。
图7为本发明仿真实验2的输出变化图。
图8为本发明仿真实验3的输入变化图。
图9为本发明仿真实验3的输出变化图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供了一种MGT-CCHP变工况动态能效优化控制方法，如图1所示，具体包括以下步骤：
步骤S1、MGT-CCHP的工艺流程通常以微燃机燃料量、微燃机回热阀开度和高压冷剂阀开度作为主要输入量，以微燃机转速、冷水出口温度、热水出口温度作为主要输出量，可利用神经网络的非线性映射关系描述机组大范围变工况运行的非线性特征。如图2所示，选取MGT-CCHP上一时刻输入量和上一时刻输出量作为神经网络的输入，选取MGT-CCHP当前时刻输出量作为神经网络的输出，将大量包含变工况和稳定运行工况的历史运行数据划分训练集和验证集，使用误差反向传播算法训练神经网络，得到非线性预测模型，表达式如下：
Y(k)＝f(U(k-1,Y(k-1))
式中，U为MGT-CCHP系统输入向量，U＝[Gf,μreg,μhgr] T，Gf为微燃机燃料量，μreg为微燃机回热阀开度，μhgr为烟气型双效溴化锂吸收式冷热水机的高压冷剂阀开度；Y为MGT-CCHP系统输出向量，Y＝[n,Tcw,Thw]T，n为微燃机转速，Tcw、Thw分别为烟气型双效溴化锂吸收式冷热水机的冷冻水温度、生活热水温度；f(·)为神经网络非线性映射关系；k为当前时刻，k-1为上一时刻；神经网络训练时，数据采样时间为5s，训练数据共为10020组，覆盖77％-100％工况运行数据，另选取燃料量由100％阶跃至97％的运行数据作为验证集，共160组，验证模型的可靠性。输入和输出数据均归一化至[-1,1]。选取均方根误差作为评价指标，训练集均方根误差为0.026，验证集均方根误差为0.007。
步骤S2、为了改善MGT-CCHP的动态能效，以能够综合表征MGT-CCHP能量转换“数量”和“质量”的火用效率作为动态能效的分析依据，火用效率的计算公司如下：
式中，ηex为火用效率；Qe，Qh，Qc，Qf依次为供电量、供热量、制冷量和燃料输入总能量；α，β分别为热火用系数和冷火用系数；Ned为额定发电功率；n为微燃机转速，ned为微燃机额定转速；Thw为热水出口温度，Thw,in为热水进口温度；c为水的比热容；mhw为热水流量；Tcw为冷水出口温度，Tcw,in为冷水进口温度；mcw为冷水流量；Ta为环境温度；H为燃料热值，Gf为燃气消耗量。
分析可知，在燃料热值、冷热水流量和温度，以及水的比热容保持恒定的情况下，MGT-CCHP火用效率与燃气消耗量、微燃机转速、冷水出口温度、热水出口温度有关。因此，要提升动态能效，可通过优化上述四种参数，在本实施例中，优选燃气消耗量为动态能效指标。
同时，MGT-CCHP需满足用户冷热电三种负荷需求。而且在控制过程中希望控制量的变化量尽可能小，即一共有三个优化目标，表达式如下：
ΔU＝[ΔGf,Δreg,Δhgr]T
W＝[nr,Tcw,r,Thw,r]T
式中，ΔU为控制量的变化量，包括燃气变化量ΔGf,、回热阀开度变化量Δreg和冷剂阀开度变化量Δhgr，W为负荷跟踪设定值，包括微燃机转速设定值nr，冷水出口温度设定值Tcw,r，热水出口温度设定值Thw,r。minJ1、minJ2和minJ3表示三种优化目标。
根据三种优化目标可建立性能指标，表达式如下：
式中，minJ为性能指标，下标F，Q，R为自行设定的权重矩阵。
步骤S3、通过乌托邦点跟踪控制框架将性能指标重构为第一控制目标函数，表达式如下：
式中，minJ为总控制目标，为动态能效指标，/>为负荷跟踪优化目标，/>为控制量变化量优化目标，J1为乘以权重矩阵F的动态能效指标，J2为乘以权重矩阵Q的负荷跟踪优化目标，J3为乘以权重矩阵R的控制量变化量优化目标。
步骤S4、为了消除负荷跟踪的稳态误差，建立第二控制目标函数，设定第一控制目标函数和第二控制目标函数切换条件。第一控制目标函数和第二控制目标函数切换条件为当输出进入输出设定值的邻近区域时，将综合考虑经济性和负荷跟踪性能的多目标性能指标切换至跟踪型主导性能指标，优先满足负荷跟踪精度要求。第二控制目标函数如下：
式中，Y为MGT-CCHP输出量，ε为邻近区域设定值。
步骤S5、根据非线性预测模型、第一控制目标函数和第二控制目标函数，结合当前时刻输入量、上一时刻输入量得到最优控制增量序列，表达式如下：
约束条件
式中，为非线性预测模型的输出值；Nc为控制时域长度；Np为预测时域长度；uj,Nc为控制时域内第j个控制量的取值；uj,min、uj,max分别为第j个控制量的下限和上限；Δuj,Nc为控制时域内第j个控制量的变化量；Δuj,min、Δuj,max分别为第j个控制量的变化量下限和上限。
步骤S6、根据最优控制增量序列，获取当前时刻控制输入增量，结合上一时刻的控制量，计算得到当前时刻控制量，并将当前时刻控制量输入MGT-CCHP中，当前时刻控制输入增量表达式如下：
ΔUNc(k)＝[Δu1,Nc(k)；Δu2,Nc(k)；Δu3,Nc(k)]
式中，ΔUNc(k)为当前时刻控制输入增量。最后得到的当前时刻控制量U(k)即为：
U(k)＝U(k-1)+ΔUNc(k)
最后将得到的当前时刻控制量上输入MGT-CCHP中，得到实际输出值，完成一次控制。由于部分参数的实时性，重复上述步骤S5～步骤S6即可实现连续控制，控制周期应根据响应速度进行选取。
进行3组仿真对比实验，由图3～图n可看出MGT-CCHP在本方法控制下和在动态矩阵控制法控制下参数相同时的性能区别。
在仿真实验1中，MGT-CCHP设定值由初始状态[68012，7，78.3]阶跃至[54800，7.8，76.2]，即微燃机转速设定值下降20％，冷水出口温度设定值上升11％，热水出口温度设定值下降2.6％。
由图3、图4可以看出，当冷热电需求发生变化后，两种方法的燃气消耗量均快速降低至相近水平，然后缓慢微调。回热阀开度先增后减。在本方法作用下，冷水温度比动态矩阵控制法能够更快达到设定值。两个控制器热水出口温度达到设定值时间相近，但本方法调节时期的前半段能够更快降低热水出口温。最后计算出的动态能效如图5所示。
在仿真实验2中，在第50秒，将热水流量阀门开度变为原来的1.1倍，持续50秒。无控制作用下，热水流量的突然增加使得热水温度下降。热水流量阀门变为原来的1.1倍，相同操作变量对应的输出变量稳态值与原来的不完全相同，机组特性发生变化。由图6、图7可以看出，在热水流量扰动时，本方法、动态矩阵控制法在调节过程对转速、冷水出口温度影响很小。本方法、动态矩阵控制法均受扰动影响，本方法能够将热水温度在设定值附近轻微波动(0.1℃)，热水受影响程度小于动态矩阵控制法波动程度(0.4℃)。
在仿真实验3中，在50秒，在冷水反馈通道上增加0.2℃的温度增量，持续50秒，50秒后温度增量变为0。由图8、图9可以看出，本方法、动态矩阵控制法的调节也均对热水温度造成了影响，但本方法对热水的影响较小。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中提到的MGT-CCHP变工况动态能效优化方法，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种MGT-CCHP变工况动态能效优化控制方法，其特征在于，包括以下步骤：
S1、根据MGT-CCHP历史运行数据建立训练集，将训练集输入神经网络，所述神经网络的输入为MGT-CCHP上一时刻输入量和上一时刻输出量，所述神经网络的输出为MGT-CCHP当前时刻输出量，通过误差反向传播算法进行训练，得到非线性预测模型；
S2、获取动态能效指标、负荷跟踪优化目标和控制量变化量优化目标，根据以上三种优化目标建立性能指标；
S3、将性能指标通过乌托邦点跟踪控制框架进行重构，获取第一控制目标函数；
S4、建立第二控制目标函数，设定第一控制目标函数和第二控制目标函数切换条件；
S5、根据非线性预测模型、第一控制目标函数和第二控制目标函数，结合当前时刻输入量、上一时刻输入量得到最优控制增量序列；
S6、根据最优控制增量序列，获取当前时刻控制输入增量，结合上一时刻控制量，计算得到当前时刻控制量，并将当前时刻控制量输入MGT-CCHP中；
非线性预测模型的表达式如下：
Y(k)＝f(U(k-1),Y(k-1))
其中：U为MGT-CCHP的系统输入向量，Y为MGT-CCHP的系统输出向量，k为当前时刻，k-1为上一时刻，f(·)为神经网络非线性映射关系，U＝[Gf,μreg,μhgr]T，Gf为微燃机燃料量，μreg为微燃机回热阀开度，μhgr为烟气型双效溴化锂吸收式冷热水机的高压冷剂阀开度；
所述第一控制目标函数表达式如下：
式中，minJ表示总控制目标，表示动态能效指标，/>表示负荷跟踪优化目标，/>表示控制量变化量优化目标，J1表示乘以权重矩阵F的动态能效指标，J2表示乘以权重矩阵Q的负荷跟踪优化目标，J3表示乘以权重矩阵R的控制量变化量优化目标；
所述第一控制目标函数切换条件具体为：当输出量进入负荷跟踪设定值的邻近区域时，将性能指标中动态能效指标删除；
所述第二控制目标函数表达式为：
式中，Y表示MGT-CCHP输出量，W表示负荷跟踪设定值，ε表示邻近区域设定值，minJ表示总控制目标，表示动态能效指标，/>表示负荷跟踪优化目标，/>表示控制量变化量优化目标，J1表示乘以设定的权重矩阵F的动态能效指标，J2表示乘以设定的权重矩阵Q的负荷跟踪优化目标，J3表示乘以设定的权重矩阵R的控制量变化量优化目标。
2.根据权利要求1所述的一种MGT-CCHP变工况动态能效优化控制方法，其特征在于，所述最优控制增量序列表达式如下：
约束条件
式中，Y表示MGT-CCHP输出量，W表示负荷跟踪设定值，ε表示邻近区域设定值，minJ表示总控制目标，表示动态能效指标，/>表示负荷跟踪优化目标，/>表示控制量变化量优化目标，J1表示乘以设定的权重矩阵F的动态能效指标，J2表示乘以设定的权重矩阵Q的负荷跟踪优化目标，J3表示乘以设定的权重矩阵R的控制量变化量优化目标，/>表示非线性预测模型的输出值；Nc表示控制时域长度；Np表示预测时域长度；uj,Nc表示控制时域内第j个控制量的取值；uj,min、uj,max分别表示第j个控制量的下限和上限；Δuj,Nc表示控制时域内第j个控制量的变化量；Δuj,min、Δuj,max分别表示第j个控制量的变化量下限和上限。
3.根据权利要求2所述的一种MGT-CCHP变工况动态能效优化控制方法，其特征在于，所述当前时刻控制输入增量的计算表达式为：
ΔUNc(k)＝[Δu1,Nc(k)；Δu2,Nc(k)；Δu3,Nc(k)]
式中，ΔUNc(k)表示当前时刻控制输入增量。
4.根据权利要求1所述的一种MGT-CCHP变工况动态能效优化控制方法，其特征在于，控制量变化量包括燃气变化量、回热阀开度变化量和冷剂阀开度变化量。
5.根据权利要求1所述的一种MGT-CCHP变工况动态能效优化控制方法，其特征在于，所述MGT-CCHP的输出量包括微燃机转速、冷冻水温度和生活热水温度。
6.根据权利要求1所述的一种MGT-CCHP变工况动态能效优化控制方法，其特征在于，神经网络在训练时将输入和输出值的取值归一化至绝对值小于1。
7.根据权利要求1所述的一种MGT-CCHP变工况动态能效优化控制方法，其特征在于，所述动态能效指标为天然气消耗量。
8.根据权利要求1所述的一种MGT-CCHP变工况动态能效优化控制方法，其特征在于，所述MGT-CCHP历史运行数据包括变化工况下和稳定工况下的MGT-CCHP输入值和输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111549370.7A CN114371619B (zh) | 2021-12-17 | 2021-12-17 | 一种mgt-cchp变工况动态能效优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111549370.7A CN114371619B (zh) | 2021-12-17 | 2021-12-17 | 一种mgt-cchp变工况动态能效优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114371619A CN114371619A (zh) | 2022-04-19 |
| CN114371619B true CN114371619B (zh) | 2024-04-23 |
Family
ID=81139967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111549370.7A Active CN114371619B (zh) | 2021-12-17 | 2021-12-17 | 一种mgt-cchp变工况动态能效优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114371619B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115327929A (zh) * | 2022-09-21 | 2022-11-11 | 中建材创新科技研究院有限公司 | 一种纸面石膏板高精度切断的控制优化方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105652665A (zh) * | 2016-03-03 | 2016-06-08 | 东南大学 | 一种微型燃气轮机冷热电三联供系统的协调控制方法 |
| WO2017024583A1 (zh) * | 2015-08-13 | 2017-02-16 | 华为技术有限公司 | 模型预测控制的方法和装置 |
| CN106647268A (zh) * | 2016-12-21 | 2017-05-10 | 东南大学 | 基于模型预测控制的mgt‑cchp分层最优控制系统 |
| CN107703745A (zh) * | 2017-09-21 | 2018-02-16 | 东南大学 | 基于经济预测控制的mgt‑cchp控制系统 |
| CN108345571A (zh) * | 2018-01-18 | 2018-07-31 | 东南大学 | 微型燃气轮机冷热电联供系统预测控制方法与控制系统 |
| CN108845492A (zh) * | 2018-05-23 | 2018-11-20 | 上海电力学院 | 一种基于cps评价标准的agc系统智能预测控制方法 |
| CN110400018A (zh) * | 2019-07-29 | 2019-11-01 | 上海电力大学 | 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置 |
| CN112600253A (zh) * | 2020-11-18 | 2021-04-02 | 国网浙江省电力有限公司台州供电公司 | 基于用能效率最优的园区综合能源协同优化方法及设备 |
| CN112700094A (zh) * | 2020-12-22 | 2021-04-23 | 上海电力大学 | 一种基于mpc及loddlc的综合能源系统多时间尺度优化调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065197A (zh) * | 2012-12-12 | 2013-04-24 | 中国能源建设集团广东省电力设计研究院 | 分布式冷热电联供系统的优化配置方法 |
-
2021
- 2021-12-17 CN CN202111549370.7A patent/CN114371619B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017024583A1 (zh) * | 2015-08-13 | 2017-02-16 | 华为技术有限公司 | 模型预测控制的方法和装置 |
| CN105652665A (zh) * | 2016-03-03 | 2016-06-08 | 东南大学 | 一种微型燃气轮机冷热电三联供系统的协调控制方法 |
| CN106647268A (zh) * | 2016-12-21 | 2017-05-10 | 东南大学 | 基于模型预测控制的mgt‑cchp分层最优控制系统 |
| CN107703745A (zh) * | 2017-09-21 | 2018-02-16 | 东南大学 | 基于经济预测控制的mgt‑cchp控制系统 |
| CN108345571A (zh) * | 2018-01-18 | 2018-07-31 | 东南大学 | 微型燃气轮机冷热电联供系统预测控制方法与控制系统 |
| CN108845492A (zh) * | 2018-05-23 | 2018-11-20 | 上海电力学院 | 一种基于cps评价标准的agc系统智能预测控制方法 |
| CN110400018A (zh) * | 2019-07-29 | 2019-11-01 | 上海电力大学 | 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置 |
| CN112600253A (zh) * | 2020-11-18 | 2021-04-02 | 国网浙江省电力有限公司台州供电公司 | 基于用能效率最优的园区综合能源协同优化方法及设备 |
| CN112700094A (zh) * | 2020-12-22 | 2021-04-23 | 上海电力大学 | 一种基于mpc及loddlc的综合能源系统多时间尺度优化调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于PSO-SVM的电网调度电厂耗煤基准值滚动预测;李一琨;车权;赵慧荣;彭道刚;;中国电力(第02期);147-154 * |
| 微燃机-冷热电联供机组的Hammerstein模型及非线性广义预测控制;潘蕾;赵德材;张俊礼;沈炯;彭春华;;东南大学学报(自然科学版)(第03期);84-89 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114371619A (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Combined heat and power control considering thermal inertia of district heating network for flexible electric power regulation | |
| CN103225799B (zh) | 一种火电厂主蒸汽温度控制方法 | |
| Correa-Jullian et al. | Operation scheduling in a solar thermal system: A reinforcement learning-based framework | |
| CN103439941A (zh) | 一种燃气内燃机冷热电三联供系统优化运行方法 | |
| CN112150024B (zh) | 一种综合能源系统多场景能效评估方法 | |
| CN114371619B (zh) | 一种mgt-cchp变工况动态能效优化控制方法 | |
| CN112311019A (zh) | 多智能体系统及其能源路由策略 | |
| CN113159983A (zh) | 离网型光气热电联产综合能源系统协调控制方法 | |
| Xu et al. | Unlocking the flexibility of CHP in district heating systems to provide frequency response | |
| CN108954491A (zh) | 一种光热中温补偿型电锅炉供热系统的控制方法 | |
| Yang et al. | Dynamic flexibility optimization of integrated energy system based on two-timescale model predictive control | |
| CN115981156A (zh) | 一种时变输出约束下的航空发动机主动限制保护控制方法 | |
| Zhang et al. | Research on modeling and control of PEMFC cooling system | |
| Tian et al. | Fuzzy-PID controller based on variable universe for main steam temperature system | |
| CN113344357A (zh) | 基于频域动态指标的综合能源系统的设计方法 | |
| Danti et al. | Performance analysis of an optimization management algorithm on a multi-generation small size power plant | |
| Jayanthi et al. | Decentralized controller gain scheduling using PSO for power system restoration assessment in a two-area interconnected power system | |
| JP2017036705A (ja) | 発電制御装置、発電装置の制御方法、及びプログラム | |
| Zhao et al. | Multi-objective economic predictive controller for optimal dynamic energy efficiency in mgt-cchp | |
| Qian et al. | Design of adaptive predictive controller for superheated steam temperature control in thermal power plant | |
| Wang et al. | Operational optimization on large‐scale combined heat and power units with low‐pressure cylinder near‐zero output | |
| Xie et al. | Deep Reinforcement Learning Based Load Control Strategy for Combined Heat and Power Units | |
| Wu et al. | Coordinative Control of Combined Heat and Power Integrated Energy System Using Dynamic Matrix Control | |
| Sawant et al. | Modelling and Simulation of Microscale Trigeneration Systems Based on Real-Life Experimental Data | |
| CN111812979B (zh) | 一种应用于双效溴化锂吸收式制冷系统的多变量广义预测控制方法 |
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 |