CN114428455A - 一种火电机组控制系统的控制方法及装置 - Google Patents

一种火电机组控制系统的控制方法及装置 Download PDF

Info

Publication number
CN114428455A
CN114428455A CN202011186867.2A CN202011186867A CN114428455A CN 114428455 A CN114428455 A CN 114428455A CN 202011186867 A CN202011186867 A CN 202011186867A CN 114428455 A CN114428455 A CN 114428455A
Authority
CN
China
Prior art keywords
matrix
control
output
time window
controlled object
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.)
Pending
Application number
CN202011186867.2A
Other languages
English (en)
Inventor
田彬
胡珺
陈志钊
张春辉
叶青
朱子凡
田绍钢
高向东
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.)
Guodian Fuzhou Power Generation Co ltd
Beijing Guodian Zhishen Control Technology Co ltd
Guodian Bengbu Power Generation Co Ltd
Original Assignee
Guodian Fuzhou Power Generation Co ltd
Beijing Guodian Zhishen Control Technology Co ltd
Guodian Bengbu Power Generation 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 Guodian Fuzhou Power Generation Co ltd, Beijing Guodian Zhishen Control Technology Co ltd, Guodian Bengbu Power Generation Co Ltd filed Critical Guodian Fuzhou Power Generation Co ltd
Priority to CN202011186867.2A priority Critical patent/CN114428455A/zh
Publication of CN114428455A publication Critical patent/CN114428455A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/042Adaptive 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

本文公开了一种火电机组控制系统的控制方法及装置,所述方法包括:根据被控对象的输入量(包括一路控制量和至少一路可测扰动量)和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型,通过预测模型对被控对象在未来时间窗内的输出量变化做出预测得到预测输出量矩阵,利用NLTD对未来时间窗内的输出偏差量的变化做出估计得到修正量矩阵,根据修正量矩阵对预测输出量矩阵进行修正得到修正后的预测输出量矩阵,确定最优控制律的目标函数,根据输出量在未来时间窗内的设定值参考轨迹和修正后的预测输出量矩阵基于目标函数求解当前控制量在未来时间窗内的增量,将所述增量叠加到所述当前控制量上。本文能提高控制系统的抗干扰能力。

Description

一种火电机组控制系统的控制方法及装置
技术领域
本发明涉及工业控制技术领域,尤其涉及的是一种火电机组控制系统的控制方法及装置。
背景技术
新能源电力在电源结构布局中的比例逐步增加,以化石能源为一次能源的传统发电比例逐渐降低。但在未来相当长的时间(约50年)内,传统化石能源的主导地位仍然不会改变。然而,随着并网新能源电力比率的不断提高,其随机波动性降低了电源侧的可控性,使得电力系统原有的供需平衡可控性被打破,导致我国当前出现弃风、弃光现象。
多能源互补可以利用相对可控的电源实现对波动性电源的平抑,进而构成连续稳定可调可控的发电功率输出,为电力系统的实时供需平衡提供可靠保障。综合考虑我国的电源结构特征,燃煤机组在传统化石能源发电形式中占比近90%,必须成为主导的互补电源并不断提升弹性运行能力。
随着电网相关细则规定的出台,进一步明确了大型燃煤发电机组参与电网深度调峰的重要作用,这意味着火电机组将经常于深度变负荷状态运行,传统协调控制方案在新的形势下逐渐不能满足要求,因此在机组安全稳定运行的基础上,研究能有效提升机组灵活性的协调控制优化方案具有重大意义。
同时,国家对火力发电机组的环保排放指标要求越来越高,很多火力发电机组完成了低氮燃烧器改造,改造后的锅炉配煤配风方式与设计工况偏离较大导致机组吸热原理发生根本性改变,从而增大过热汽温波动幅度,造成超温现象频发、人员操作干预增多、监盘压力增大。常规汽温控制采用PID 控制为基础的串级、导前微分等控制策略,控制效果并不理想。
发明内容
本文提供一种火电机组控制系统的控制方法及装置,能够提高控制系统的抗干扰能力。
根据本申请的第一方面,本发明实施例提供一种火电机组控制系统的控制方法,包括:
根据被控对象的输入量和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型;其中,所述输入量包括一路控制量和至少一路可测扰动量;
通过所述被控对象的预测模型对所述被控对象在未来时间窗内的输出量变化做出预测,得到预测输出量矩阵;
利用非线性跟踪微分器NLTD对所述被控对象在未来时间窗内的输出偏差量的变化做出估计,得到修正量矩阵;其中,所述输出偏差量是输出量的预测值与实际值之间的偏差;
根据所述修正量矩阵对所述预测输出量矩阵进行修正得到修正后的预测输出量矩阵;
确定预测控制最优控制律的目标函数,根据输出量在未来时间窗内的设定值参考轨迹和修正后的预测输出量矩阵基于所述目标函数求解当前控制量在未来时间窗内的增量,将所述未来时间窗内的增量叠加到所述当前控制量上。
根据本申请的第二方面,本发明实施例提供一种火电机组控制系统的控制装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的火电机组控制系统的控制程序,所述火电机组控制系统的控制程序被所述处理器执行时实现上述火电机组控制系统的控制方法的步骤。
根据本申请的第三方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有火电机组控制系统的控制程序,所述火电机组控制系统的控制程序被处理器执行时实现上述火电机组控制系统的控制方法的步骤。
与相关技术相比,本发明实施例提供的一种火电机组控制系统的控制方法及装置,根据被控对象的输入量(包括一路控制量和至少一路可测扰动量) 和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型,通过所述被控对象的预测模型对所述被控对象在未来时间窗内的输出量变化做出预测,得到预测输出量矩阵,利用非线性跟踪微分器NLTD对所述被控对象在未来时间窗内的输出偏差量的变化做出估计,得到修正量矩阵,根据所述修正量矩阵对所述预测输出量矩阵进行修正得到修正后的预测输出量矩阵,确定最优控制律的目标函数,根据输出量在未来时间窗内的设定值参考轨迹和修正后的预测输出量矩阵基于所述目标函数求解当前控制量在未来时间窗内的增量,将所述未来时间窗内的增量叠加到所述当前控制量上。本发明实施例的技术方案将多变量预测控制算法和自抗扰控制算法相结合,可以对可测扰动和不可测扰动进行有效抑制,提高了控制系统的抗干扰能力。
附图说明
图1为本发明实施例1的一种火电机组控制系统的控制方法的流程图。
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,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例1
如图1所示,本发明实施例提供了一种火电机组控制系统的控制方法,包括:
步骤S110,根据被控对象的输入量和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型;其中,所述输入量包括一路控制量和至少一路可测扰动量;
步骤S120,通过所述被控对象的预测模型对所述被控对象在未来时间窗内的输出量变化做出预测,得到预测输出量矩阵;
步骤S130,利用非线性跟踪微分器NLTD对所述被控对象在未来时间窗内的输出偏差量的变化做出估计,得到修正量矩阵;其中,所述输出偏差量是输出量的预测值与实际值之间的偏差;
步骤S140,根据所述修正量矩阵对所述预测输出量矩阵进行修正得到修正后的预测输出量矩阵;
步骤S150,确定预测控制最优控制律的目标函数,根据输出量在未来时间窗内的设定值参考轨迹和修正后的预测输出量矩阵基于所述目标函数求解当前控制量在未来时间窗内的增量,将所述未来时间窗内的增量叠加到所述当前控制量上;
在上述实施例中,根据被控对象的输入量(包括一路控制量和至少一路可测扰动量)和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型,通过所述被控对象的预测模型对所述被控对象在未来时间窗内的输出量变化做出预测,得到预测输出量矩阵,利用非线性跟踪微分器NLTD对所述被控对象在未来时间窗内的输出偏差量的变化做出估计,得到修正量矩阵,根据所述修正量矩阵对所述预测输出量矩阵进行修正得到修正后的预测输出量矩阵,确定最优控制律的目标函数,根据输出量在未来时间窗内的设定值参考轨迹和修正后的预测输出量矩阵基于所述目标函数求解当前控制量在未来时间窗内的增量,将所述未来时间窗内的增量叠加到所述当前控制量上以实现对被控对象的闭环控制。上述闭环控制方法将多变量预测控制算法和自抗扰控制算法相结合,可以对可测扰动和不可测扰动进行有效抑制,从而提高控制系统的抗干扰能力。
火电机组控制系统存在惯性大和纯滞后的工艺环节,比如脱硝喷氨系统、磨出口风温系统、过热汽温控制系统等等。由于火电厂锅炉燃烧情况很复杂,除了可测扰动量之外,还存在着诸多不可测干扰因素(如煤质的变化等)及模型失配的影响,对于这一部分不可测扰动采用自抗扰控制(Auto Disturbances Rejection Control,简称ADRC)进行处理,并实现多变量预测控制与自抗扰控制的融合,能够对可测扰动和不可测扰动进行有效抑制,从而提高控制系统的抗干扰能力。
在一些示例性的实施方式中,所述被控对象的输入量包括一路控制量和三路可测扰动量;
在一些示例性的实施方式中,根据被控对象的输入量和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型,包括:
根据被控对象的输入量和输出量的历史数据进行参数寻优计算得到被控对象的受控自回归积分滑动平均过程(Controlled AutoRegressive Integrated MovingAverage,简称CARIMA)模型,所述被控对象的CARIMA 模型通过公式(1)确定:
Figure BDA0002751616420000051
其中,k代表当前时刻;y(k)代表当前时刻的输出量;u(k-1)代表上一时刻的控制量;v1(k-1)代表上一时刻的第一可测扰动量;v2(k-1)代表上一时刻的第二可测扰动量;v3(k-1)代表上一时刻的第三可测扰动量;e(k)为均值为零的白噪声;Δ=1-z-1为差分算子;A(z-1),B(z-1),B1(z-1),B2(z-1),B3(z-1), C(z-1)均为z-1的多项式;
Figure BDA0002751616420000052
Figure BDA0002751616420000053
Figure BDA0002751616420000054
Figure BDA0002751616420000055
Figure BDA0002751616420000056
Figure BDA0002751616420000057
在一些示例性的实施方式中,当所述被控对象为过热汽温控制系统时,所述被控对象的输入量包括一路控制量和三路可测扰动量;其中,所述一路控制量为过热器减温水流量,三路可测扰动量分别为:主蒸汽流量、给煤量和减温器前蒸汽温度;输出量为过热器出口汽温。
在一些示例性的实施方式中,根据被控对象的输入量和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型,还包括:
对所述CARIMA模型加阶跃信号得到所述CARIMA模型的阶跃响应;
利用基于热工对象传递函数G(S)的多变量线性离散状态空间模型,采用粒子种群优化(Particle Swarm Optimization,简称PSO)算法对所述 CARIMA模型的阶跃响应进行识别以得到被控对象的简化的传递函数模型;
Figure BDA0002751616420000061
其中,K、α表示增益信息,m、n表示阶次信息,β表示微分时间常数,τ表示纯滞后时间常数,T表示惯性时间常数。简化后所得到的热工对象传递函数模型包括更少的参数,将此模型用于G矩阵的计算,简化了(GTG+λ)-1的计算,缩短了计算时间,确保了(GTG+λ)-1可求解。
在一些示例性的实施方式中,通过所述被控对象的预测模型对所述被控对象在未来时间窗内的输出量变化做出预测,得到预测输出量矩阵,包括:
确定未来时间窗对应的预测步数为N步,则预测输出量矩阵y通过公式(2)确定:
y=GΔU(k)+F0ΔU(k-1)+G1(z-1)Δv1(k)+G2(z-1)Δv2(k)+G3(z-1)Δv3(k)+F(z-1)y(k) (2)
其中,
Figure BDA0002751616420000062
Figure BDA0002751616420000063
是第j步预测的预测输出量,j=1,2,3...N;k代表当前时刻;y(k)代表当前时刻的实际输出量;
Figure BDA0002751616420000064
Figure RE-GDA0002881560630000071
Figure RE-GDA0002881560630000072
Figure RE-GDA0002881560630000073
Figure RE-GDA0002881560630000074
Figure BDA0002751616420000072
Figure BDA0002751616420000073
ΔU(k)=[Δu(k),Δu(k+1),...,Δu(k+N-1)]T
Figure BDA0002751616420000074
ΔU(k-1)=[Δu(k-nb),Δu(k-nb+1),...,Δu(k-1)]T
G1(z-1)=[G11(z-1),G12(z-1),...,G1N(z-1)]T
G2(z-1)=[G21(z-1),G22(z-1),...,G2N(z-1)]T
G3(z-1)=[G31(z-1),G32(z-1),...,G3N(z-1)]T
F(z-1)=[F1(z-1),F2(z-1),...,FN(z-1)]T
在一些示例性的实施方式中,利用非线性跟踪微分器NLTD对所述被控对象在未来时间窗内的输出偏差量的变化做出估计,得到修正量矩阵,包括:
确定未来时间窗对应的预测步数为N步,则修正量矩阵E(k+1)通过公式 (3)确定:
E(k-1)=[err(k+1),err(k+2),...,err(k+N)]T (3)
其中,k代表当前时刻;err(k+j)是第j步预测的输出偏差量, j=1,2,3...N,err(k+j)是第j步预测的输出量预测值与实际值之间的偏差量;
利用非线性跟踪微分器NLTD估计第j步预测的输出偏差量err(k+j),所述err(k+j)通过公式(4)确定:
Figure BDA0002751616420000081
其中,err(k)是当前时刻的输出偏差量,是当前时刻输出量的预测值与实际值之间的偏差;
wi是第i步预测的衰减因子,0<wi<1;h是离散步长;×是乘法符号;v2(k)是输出偏差量对应的微分速率;
v2(k)通过公式(5)确定:
Figure BDA0002751616420000082
公式(5)中,k为当前时刻,err(k)为参考输入,v1,v2分别为参考输入的跟踪值和微分值,h为离散步长,h0为滤波因子,r为跟踪参考输入过渡过程的速度因子,fst(·)为非线性函数,fst(·)的公式如下:
Figure BDA0002751616420000083
其中,sign()是符号函数。
在确定h0、r两个参数后,可以对参考输入信号err(k)安排对象期望过渡过程v1及其对应的微分速率v2
在一些示例性的实施方式中,根据所述修正量矩阵对所述预测输出量矩阵进行修正得到修正后的预测输出量矩阵,包括:
修正后的输出量预测值矩阵
Figure BDA0002751616420000091
通过公式(6)确定:
Figure BDA0002751616420000092
其中,
Figure BDA0002751616420000093
是预测输出量矩阵,E(k+1)是修正量矩阵。
在一些示例性的实施方式中,确定预测控制最优控制律的目标函数,包括:
确定未来时间窗对应的预测步数为N步,控制量的控制步数为M步,预测控制最优控制律的目标函数J通过公式(7)确定:
Figure BDA0002751616420000094
将目标函数J表示为公式(8):
Figure BDA0002751616420000095
其中,qj是第j步预测的误差对应的加权系数,λi是第i-1步控制的控制量增量对应的加权系数;Δu(k+i-1)是第i-1步控制的控制量增量; yr(k+j)是第j步预测对应的输出量设定值;Y(k+1)是未来时间窗内的预测输出量矩阵,Yr(k+1)是输出量在未来时间窗内的设定值参考轨迹,ΔU(k)是未来时间窗内的控制量增量矩阵。
在一些示例性的实施方式中,第j步预测对应的输出量设定值通过公式 (9)设定:
yr(k+j)=αyr(k+j-1)+(1-α)ysp (9)
其中,α为柔化因子,0<α<1;ysp为输出量的目标值。比如,对于一个恒温控制系统,如果50度是该控制系统的目标温度,那么ysp为50 度。
在一些示例性的实施方式中,根据输出量在未来时间窗内的设定值参考轨迹和修正后的预测输出量矩阵基于所述目标函数求解当前控制量在未来时间窗内的增量,包括:
设定控制量的控制步数M小于未来时间窗对应的预测步数N,对G矩阵进行化简,化简后的G矩阵为:
Figure BDA0002751616420000101
将目标函数J对ΔU(k)求导,并令求导结果为零,得到未来时间窗内的控制量增量矩阵ΔU(k),ΔU(k)通过公式(10)确定:
Figure BDA0002751616420000102
实施例2
本发明实施例提供了一种火电机组控制系统的控制装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的火电机组控制系统的控制程序,所述火电机组控制系统的控制程序被所述处理器执行时实现上述实施例1中所述的火电机组控制系统的控制方法的步骤。
实施例3
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有火电机组控制系统的控制程序,所述火电机组控制系统的控制程序被处理器执行时实现上述实施例1中所述的火电机组控制系统的控制方法的步骤。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
需要说明的是,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (13)

1.一种火电机组控制系统的控制方法,包括:
根据被控对象的输入量和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型;其中,所述输入量包括一路控制量和至少一路可测扰动量;
通过所述被控对象的预测模型对所述被控对象在未来时间窗内的输出量变化做出预测,得到预测输出量矩阵;
利用非线性跟踪微分器NLTD对所述被控对象在未来时间窗内的输出偏差量的变化做出估计,得到修正量矩阵;其中,所述输出偏差量是输出量的预测值与实际值之间的偏差;
根据所述修正量矩阵对所述预测输出量矩阵进行修正得到修正后的预测输出量矩阵;
确定预测控制最优控制律的目标函数,根据输出量在未来时间窗内的设定值参考轨迹和修正后的预测输出量矩阵基于所述目标函数求解当前控制量在未来时间窗内的增量,将所述未来时间窗内的增量叠加到所述当前控制量上。
2.如权利要求1所述的方法,其特征在于:
所述被控对象的输入量包括一路控制量和三路可测扰动量。
3.如权利要求2所述的方法,其特征在于:
根据被控对象的输入量和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型,包括:
根据被控对象的输入量和输出量的历史数据进行参数寻优计算得到被控对象的受控自回归积分滑动平均过程CARIMA模型,所述被控对象的CARIMA模型通过公式(1)确定:
Figure FDA0002751616410000011
其中,k代表当前时刻;y(k)代表当前时刻的输出量;u(k-1)代表上一时刻的控制量;v1(k-1)代表上一时刻的第一可测扰动量;v2(k-1)代表上一时刻的第二可测扰动量;v3(k-1)代表上一时刻的第三可测扰动量;e(k)为均值为零的白噪声;Δ=1-z-1为差分算子;A(z-1),B(z-1),B1(z-1),B2(z-1),B3(z-1),C(z-1)均为z-1的多项式;
Figure FDA0002751616410000021
Figure FDA0002751616410000022
Figure FDA0002751616410000023
Figure FDA0002751616410000024
Figure FDA0002751616410000025
Figure FDA0002751616410000026
4.如权利要求2所述的方法,其特征在于:
当所述被控对象为过热汽温控制系统时,所述一路控制量为过热器减温水流量,三路可测扰动量分别为:主蒸汽流量、给煤量和减温器前蒸汽温度;输出量为过热器出口汽温。
5.如权利要求3所述的方法,其特征在于,
根据被控对象的输入量和输出量的历史数据进行参数寻优计算以建立被控对象的预测模型,还包括:
对所述CARIMA模型加阶跃信号得到所述CARIMA模型的阶跃响应;
利用基于热工对象传递函数G(S)的多变量线性离散状态空间模型,采用粒子种群优化PSO算法对所述CARIMA模型的阶跃响应进行识别以得到被控对象的简化的传递函数模型;
Figure FDA0002751616410000027
其中,K、α表示增益信息,m、n表示阶次信息,β表示微分时间常数,τ表示纯滞后时间常数,T表示惯性时间常数。
6.如权利要求3所述的方法,其特征在于:
通过所述被控对象的预测模型对所述被控对象在未来时间窗内的输出量变化做出预测,得到预测输出量矩阵,包括:
确定未来时间窗对应的预测步数为N步,则预测输出量矩阵y通过公式(2)确定:
y=GΔU(k)+F0ΔU(k-1)+G1(z-1)Δv1(k)+G2(z-1)Δv2(k)+G3(z-1)Δv3(k)+F(z-1)y(k) (2)
其中,
Figure RE-FDA0002881560620000031
Figure RE-FDA0002881560620000032
是第j步预测的预测输出量,j=1,2,3...N;k代表当前时刻;y(k)代表当前时刻的实际输出量;
Figure RE-FDA0002881560620000033
Figure RE-FDA0002881560620000034
Figure RE-FDA0002881560620000035
Figure RE-FDA0002881560620000036
ΔU(k)=[Δu(k),Δu(k+1),...,Δu(k+N-1)]T
Figure RE-FDA0002881560620000037
ΔU(k-1)=[Δu(k-nb),Δu(k-nb+1),...,Δu(k-1)]T
G1(z-1)=[G11(z-1),G12(z-1),...,G1N(z-1)]T
G2(z-1)=[G21(z-1),G22(z-1),...,G2N(z-1)]T
G3(z-1)=[G31(z-1),G32(z-1),...,G3N(z-1)]T
F(z-1)=[F1(z-1),F2(z-1),...,FN(z-1)]T
7.如权利要求6所述的方法,其特征在于:
利用非线性跟踪微分器NLTD对所述被控对象在未来时间窗内的输出偏差量的变化做出估计,得到修正量矩阵,包括:
确定未来时间窗对应的预测步数为N步,则修正量矩阵E(k+1)通过公式(3)确定:
E(k-1)=[err(k+1),err(k+2),...,err(k+N)]T (3)
其中,k代表当前时刻;err(k+j)是第j步预测的输出偏差量,j=1,2,3...N,err(k+j)是第j步预测的输出量预测值与实际值之间的偏差量;
利用非线性跟踪微分器NLTD估计第j步预测的输出偏差量err(k+j),所述err(k+j)通过公式(4)确定:
Figure FDA0002751616410000041
其中,err(k)是当前时刻的输出偏差量,是当前时刻输出量的预测值与实际值之间的偏差;
wi是第i步预测的衰减因子,0<wi<1;h是离散步长;×是乘法符号;v2(k)是输出偏差量对应的微分速率;
v2(k)通过公式(5)确定:
Figure FDA0002751616410000042
公式(5)中,k为当前时刻,err(k)为参考输入,v1,v2分别为参考输入的跟踪值和微分值,h为离散步长,h0为滤波因子,r为跟踪参考输入过渡过程的速度因子,fst(·)为非线性函数,fst(·)的公式如下:
Figure FDA0002751616410000051
其中,sign()是符号函数。
8.如权利要求6或7所述的方法,其特征在于:
根据所述修正量矩阵对所述预测输出量矩阵进行修正得到修正后的预测输出量矩阵,包括:
修正后的输出量预测值矩阵
Figure FDA0002751616410000052
通过公式(6)确定:
Figure FDA0002751616410000053
其中,
Figure FDA0002751616410000054
是预测输出量矩阵,E(k+1)是修正量矩阵。
9.如权利要求6所述的方法,其特征在于:
确定预测控制最优控制律的目标函数,包括:
确定未来时间窗对应的预测步数为N步,控制量的控制步数为M步,预测控制最优控制律的目标函数J通过公式(7)确定:
Figure FDA0002751616410000055
将目标函数J表示为公式(8):
J=[Y(k+1)-Yr(k+1)]T[Y(k+1)-Yr(k+1)]+λΔU(k)TΔU(k) (8)
Figure FDA0002751616410000056
Yr(k+1)=[yr(k+1),yr(k+2),...,yr(k+N)]T
ΔU(k)=[Δu(k),Δu(k+1),...,Δu(k+M-1)]T
λ=[λ12,...,λM]T
其中,qj是第j步预测的误差对应的加权系数,λi是第i-1步控制的控制量增量对应的加权系数;Δu(k+i-1)是第i-1步控制的控制量增量;yr(k+j)是第j步预测对应的输出量设定值;Y(k+1)是未来时间窗内的预测输出量矩阵,Yr(k+1)是输出量在未来时间窗内的设定值参考轨迹,ΔU(k)是未来时间窗内的控制量增量矩阵。
10.如权利要求9所述的方法,其特征在于:
第j步预测对应的输出量设定值通过公式(9)设定:
yr(k+j)=αyr(k+j-1)+(1-α)ysp (9)
其中,α为柔化因子,0<α<1;ysp为输出量的目标值。
11.如权利要求9所述的方法,其特征在于:
根据输出量在未来时间窗内的设定值参考轨迹和修正后的预测输出量矩阵基于所述目标函数求解当前控制量在未来时间窗内的增量,包括:
设定控制量的控制步数M小于未来时间窗对应的预测步数N,对G矩阵进行化简,化简后的G矩阵为:
Figure FDA0002751616410000061
将目标函数J对ΔU(k)求导,并令求导结果为零,得到未来时间窗内的控制量增量矩阵ΔU(k),ΔU(k)通过公式(10)确定:
Figure FDA0002751616410000062
12.一种火电机组控制系统的控制装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的火电机组控制系统的控制程序,所述火电机组控制系统的控制程序被所述处理器执行时实现上述权利要求1-11中任一项所述的火电机组控制系统的控制方法的步骤。
13.一种计算机可读存储介质,所述计算机可读存储介质上存储有火电机组控制系统的控制程序,所述火电机组控制系统的控制程序被处理器执行时实现上述权利要求1-11中任一项所述的火电机组控制系统的控制方法的步骤。
CN202011186867.2A 2020-10-29 2020-10-29 一种火电机组控制系统的控制方法及装置 Pending CN114428455A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011186867.2A CN114428455A (zh) 2020-10-29 2020-10-29 一种火电机组控制系统的控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011186867.2A CN114428455A (zh) 2020-10-29 2020-10-29 一种火电机组控制系统的控制方法及装置

Publications (1)

Publication Number Publication Date
CN114428455A true CN114428455A (zh) 2022-05-03

Family

ID=81309841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011186867.2A Pending CN114428455A (zh) 2020-10-29 2020-10-29 一种火电机组控制系统的控制方法及装置

Country Status (1)

Country Link
CN (1) CN114428455A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860450A (zh) * 2022-12-07 2023-03-28 北京和利时工业软件有限公司 一种基于状态空间模型的预测控制方法、装置及介质
CN115877811A (zh) * 2023-03-08 2023-03-31 北京东方国信科技股份有限公司 流程工艺处理方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106090870A (zh) * 2016-06-01 2016-11-09 江苏科技大学 火电厂主汽温度串级自抗扰控制器及系统和方法
CN111290282A (zh) * 2020-03-25 2020-06-16 国电科学技术研究院有限公司 火电机组协调系统的预见式预测控制方法
CN111520701A (zh) * 2020-04-28 2020-08-11 南京信息工程大学 一种基于改进型预测控制的cfb锅炉主蒸汽压力控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106090870A (zh) * 2016-06-01 2016-11-09 江苏科技大学 火电厂主汽温度串级自抗扰控制器及系统和方法
CN111290282A (zh) * 2020-03-25 2020-06-16 国电科学技术研究院有限公司 火电机组协调系统的预见式预测控制方法
CN111520701A (zh) * 2020-04-28 2020-08-11 南京信息工程大学 一种基于改进型预测控制的cfb锅炉主蒸汽压力控制方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
HAIMING NIU 等: "Application of a Spray Desuperheating Control Strategy On 1000MW Ultra Supercritical Thermal Power Unit", THE 27TH CHINESE CONTROL AND DECISION CONFERENCE *
HUANPAO HUANG 等: "A new synthesis method for unit coordinated control system in thermal power plant - ADRC control scheme", 2004 INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY *
JIANHUA ZHANG 等: "Improvement of boiler combustion control performance using probability density function shaping and particle swarm optimization", 2008 2ND INTERNATIONAL SYMPOSIUM ON SYSTEMS AND CONTROL IN AEROSPACE AND ASTRONAUTICS *
XIA WU 等: "Active disturbance rejection generalized predictive control and its application on large time-delay systems", 2017 6TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS *
牛海明 等: "基于多目标粒子群算法的过热汽温自抗扰控制", 中国电力 *
王文兰;张嘉英;: "基于CARIMA模型的自适应预测函数控制在锅炉燃烧系统中的应用", 电力自动化设备, no. 04 *
袁著祉 等: "环形加热炉自校正控制系统", 信息与控制, pages 14 - 19 *
赵鲁滨: "ADRC技术在锅炉温度控制中的应用研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, pages 40 - 64 *
高山: "300MW机组主汽温系统预测控制方案研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, pages 12 - 50 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860450A (zh) * 2022-12-07 2023-03-28 北京和利时工业软件有限公司 一种基于状态空间模型的预测控制方法、装置及介质
CN115877811A (zh) * 2023-03-08 2023-03-31 北京东方国信科技股份有限公司 流程工艺处理方法、装置及设备

Similar Documents

Publication Publication Date Title
CN108134114B (zh) 一种质子交换膜燃料电池温度控制方法
Kong et al. Nonlinear multivariable hierarchical model predictive control for boiler-turbine system
CN114428455A (zh) 一种火电机组控制系统的控制方法及装置
Ayala et al. Local model predictive controller in a solar desalination plant collector field
Roca et al. Solar field control for desalination plants
CN107515598A (zh) 基于多参数动态矩阵控制的火电机组分布式协调控制系统
CN114428456B (zh) 一种火电机组控制系统的控制方法及装置
CN108490790A (zh) 一种基于多目标优化的过热汽温自抗扰串级控制方法
CN111562744B (zh) 一种基于pso算法的锅炉燃烧隐式广义预测控制方法
Camacho et al. Model predictive control in solar trough plants: A review
CN112526882A (zh) 基于分层模型预测控制算法的超临界机组协调控制方法
Alamoodi et al. Nonlinear control of coal-fired steam power plants
CN114928049A (zh) 一种火电机组前馈预测控制方法及系统
Chen et al. Phase compensation based active disturbance rejection control for high order superheated steam temperature system
CN104235820A (zh) 一种基于改进型单神经元自适应pid控制策略的锅炉汽温控制方法
CN113091088B (zh) 一种基于双阶段神经网络的锅炉燃烧广义预测控制方法
CN110912185B (zh) 一种含风力发电电网自动发电控制系统pid控制器设计方法
Hosseinirad et al. An optimal control strategy for a heat pump in an integrated solar thermal system
Cheng et al. An optimized nonlinear generalized predictive control for steam temperature in an ultra supercritical unit
CN112764346B (zh) 分散式自抗扰多变量控制方法
Witheephanich et al. Control strategies of a solar cooling plant with Fresnel collector: A case study
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
CN111429010B (zh) 一种基于内模控制结构的火力发电机组协调控制系统
Suthar et al. Two degree of freedom controller optimization using GA for shell and tube heat exchanger
CN111273563B (zh) 一种基于供热机组agc综合指标的预测控制方法

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