CN114428456A - 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 PDFInfo
- Publication number
- CN114428456A CN114428456A CN202011186891.6A CN202011186891A CN114428456A CN 114428456 A CN114428456 A CN 114428456A CN 202011186891 A CN202011186891 A CN 202011186891A CN 114428456 A CN114428456 A CN 114428456A
- Authority
- CN
- China
- Prior art keywords
- control
- output
- controlled object
- increment
- output quantity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 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
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- G05B13/048—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 using a predictor
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,包括:根据被控对象的输入量和输出量的历史数据建立预测模型;输入量包括一路控制量和至少一路可测扰动量;通过预测模型对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;确定最优控制律的目标函数;根据输出量设定值参考轨迹、预测输出量矩阵和当前时刻的输出偏差量求解控制量增量矩阵;将被控对象的输出量设定值与实际值之间的偏差作为误差量,将误差量和误差量的微分作为模糊前馈算法的输入,进行模糊运算得到当前时刻控制量的第一增量,将当前时刻的控制量增量和第一增量叠加到当前时刻的控制量上得到当前时刻的最终控制量。本文能提高控制系统的抗干扰能力。
Description
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;
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、预测输出量矩阵和当前时刻的输出偏差量基于所述目标函数求解未来时间窗内的控制量增量矩阵;其中,所述输出偏差量是输出量的模型输出值与实际值的偏差;
将被控对象的输出量设定值与实际值之间的偏差作为误差量,将误差量和误差量的微分作为模糊前馈算法的输入,基于所述模糊前馈算法进行模糊运算得到当前时刻控制量的第一增量;
从未来时间窗内的控制量增量矩阵中获取当前时刻的控制量增量作为第二增量,将所述第一增量和第二增量叠加到当前时刻的控制量上得到当前时刻的最终控制量。
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;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、预测输出量矩阵和当前时刻的输出偏差量基于所述目标函数求解未来时间窗内的控制量增量矩阵;其中,所述输出偏差量是输出量的模型输出值与实际值的偏差;将被控对象的输出量设定值与实际值之间的偏差作为误差量,将误差量和误差量的微分作为模糊前馈算法的输入,基于所述模糊前馈算法进行模糊运算得到当前时刻控制量的第一增量;从未来时间窗内的控制量增量矩阵中获取当前时刻的控制量增量作为第二增量,将所述第一增量和第二增量叠加到当前时刻的控制量上得到当前时刻的最终控制量。本发明实施例的技术方案将多变量预测控制算法和模糊控制算法相结合,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,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、预测输出量矩阵和当前时刻的输出偏差量基于所述目标函数求解未来时间窗内的控制量增量矩阵;其中,所述输出偏差量是输出量的模型输出值与实际值的偏差;
步骤S140,将被控对象的输出量设定值与实际值之间的偏差作为误差量,将误差量和误差量的微分作为模糊前馈算法的输入,基于所述模糊前馈算法进行模糊运算得到当前时刻控制量的第一增量;
步骤S150,从未来时间窗内的控制量增量矩阵中获取当前时刻的控制量增量作为第二增量,将所述第一增量和第二增量叠加到当前时刻的控制量上得到当前时刻的最终控制量。
在上述实施例中,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;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;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、预测输出量矩阵和当前时刻的输出偏差量基于所述目标函数求解未来时间窗内的控制量增量矩阵;其中,所述输出偏差量是输出量的模型输出值与实际值的偏差;将被控对象的输出量设定值与实际值之间的偏差作为误差量,将误差量和误差量的微分作为模糊前馈算法的输入,基于所述模糊前馈算法进行模糊运算得到当前时刻控制量的第一增量;从未来时间窗内的控制量增量矩阵中获取当前时刻的控制量增量作为第二增量,将所述第一增量和第二增量叠加到当前时刻的控制量上得到当前时刻的最终控制量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模糊控制算法相结合,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。多变量预测控制算法利用辨识出来的多变量模型预测系统输出量未来一段时间的值并求解控制律,但是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模糊控制(Fuzzy Control,简称FC)进行处理,并实现多变量预测控制与模糊控制的融合,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:
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;
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;
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:
ΔU(k)=[Δu(k),Δu(k+1),...,Δu(k+N-1)]T;
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,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(3)确定:
将目标函数J表示为公式(4):
J=[Y(k+1)-Yr(k+1)]T[Y(k+1)-Yr(k+1)]+λΔU(k)TΔU(k) (4)
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=[λ1,λ2,...,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。
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、预测输出量矩阵和当前时刻的输出偏差量基于所述目标函数求解未来时间窗内的控制量增量矩阵,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:
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(5)确定:
其中,E(k)=[err(k),err(k),...,err(k)]T;
err(k)是当前时刻的输出偏差量,E(k)是未来时间窗内的输出偏差量矩阵。
在一些示例性的实施方式中,将被控对象的输出量设定值与实际值之间的偏差作为误差量,将误差量和误差量的微分作为模糊前馈算法的输入,基于所述模糊前馈算法进行模糊运算得到当前时刻控制量的第一增量,包括:
将被控对象的输出量设定值与实际值之间的偏差作为误差量e, e=yr-y;其中,yr是输出量的设定值,y是输出量的实际值;
确定模糊前馈算法的两路输入和一路输出的确切量论域范围,将确切量转化为等级量的区间向量并进行等级量的划分;
确定模糊前馈算法的两路输入和一路输出的模糊量论域范围和模糊子集;
根据模糊规则进行计算,通过加权平均判决规则进行输出非模糊化处理,得到一个确切量的输出f;
将f作为当前时刻控制量的第一增量。
在一些示例性的实施方式中,确定模糊前馈算法的两路输入和一路输出的确切量论域范围,将确切量转化为等级量的区间向量并进行等级量的划分,包括:
e的确切量论域范围是:[-8,8];
输出量f的确切量论域范围是:[-20,20];
e转化为等级量的区间向量是:[-8,-4,-2,-1,1,2,4,8];
e的等级量划分是:[-3,-2,-1,0,1,2,3];
输出量f转化为等级量的区间向量是:[-18,18];
输出量f的等级量划分是:[-3,-2,-1,0,1,2,3];
在一些示例性的实施方式中,确定模糊前馈算法的两路输入和一路输出的模糊量论域范围,包括:
e的模糊量论域范围是:[NB,NM,NS,ZO,PS,PM,PB];
输出量f的模糊量论域范围是:[NB,NM,NS,ZO,PS,PM,PB];
在一些示例性的实施方式中,e的模糊子集列表如下表1所示:
表1
表1中,E代表误差量e在确切量论域范围内的等级量划分,E代表误差量e在模糊量论域范围内的划分,表格中的数值代表隶属度。
表2
在一些示例性的实施方式中,f的模糊子集列表如下表3所示:
表3
表3中,F代表输出量f在确切量论域范围内的等级量划分,F代表输出量f在模糊量论域范围内的划分,表格中的数值代表隶属度。
在一些示例性的实施方式中,模糊规则包括以下规则:
其中∪代表“并”的关系。
在一些示例性的实施方式中,加权平均判决规则包括公式(6)表示的规则:
其中,Fi代表f的第i个等级量,μ F (Fi)代表Fi属于F的隶属度,fmax、fmin代表f的上下限值,Fm代表划分等级量的个数。
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以下方式确定:
通过公式(7)设定第j步预测对应的输出量yr(k+j)
yr(k+j)=αyr(k+j-1)+(1-α)ysp (7)
其中,α为柔化因子,0<α<1;ysp为输出量的目标值。比如,对于一个温度控制系统,如果50度是该温度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,将被控对象的输出量设定值与实际值之间的偏差作为误差量,还包括:
如果被控对象满足热工模型传递函数G(S),则对被控对象的输出量设定值Yr(s)进行如下公式(8)的处理:
Yr(s)=G(s).Ysp(s) (8)
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,Ysp(s)是输出量的目标值的拉式变换。
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;
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、预测输出量矩阵和当前时刻的输出偏差量基于所述目标函数求解未来时间窗内的控制量增量矩阵;其中,所述输出偏差量是输出量的模型输出值与实际值的偏差;
将被控对象的输出量设定值与实际值之间的偏差作为误差量,将误差量和误差量的微分作为模糊前馈算法的输入,基于所述模糊前馈算法进行模糊运算得到当前时刻控制量的第一增量;
从未来时间窗内的控制量增量矩阵中获取当前时刻的控制量增量作为第二增量,将所述第一增量和第二增量叠加到当前时刻的控制量上得到当前时刻的最终控制量。
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:
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;
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。
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:
ΔU(k)=[Δu(k),Δu(k+1),...,Δu(k+N-1)]T;
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:
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(3)确定:
将目标函数J表示为公式(4):
J=[Y(k+1)-Yr(k+1)]T[Y(k+1)-Yr(k+1)]+λΔU(k)TΔU(k) (4)
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=[λ1,λ2,...,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。
9.如权利要求1所述的方法,其特征在于:
将被控对象的输出量设定值与实际值之间的偏差作为误差量,将误差量和误差量的微分作为模糊前馈算法的输入,基于所述模糊前馈算法进行模糊运算得到当前时刻控制量的第一增量,包括:
将被控对象的输出量设定值与实际值之间的偏差作为误差量e,e=yr-y;其中,yr是输出量的设定值,y是输出量的实际值;
确定模糊前馈算法的两路输入和一路输出的确切量论域范围,将确切量转化为等级量的区间向量并进行等级量的划分;
确定模糊前馈算法的两路输入和一路输出的模糊量论域范围和模糊子集;
根据模糊规则进行计算,通过加权平均判决规则进行输出非模糊化处理,得到一个确切量的输出f;
将f作为当前时刻控制量的第一增量。
10.如权利要求7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以下方式确定:
通过公式(7)设定第j步预测对应的输出量yr(k+j)
yr(k+j)=αyr(k+j-1)+(1-α)ysp (7)
其中,α为柔化因子,0<α<1;ysp为输出量的目标值。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186891.6A CN114428456B (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 |
---|---|---|---|
CN202011186891.6A CN114428456B (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 (2)
Publication Number | Publication Date |
---|---|
CN114428456A true CN114428456A (zh) | 2022-05-03 |
CN114428456B CN114428456B (zh) | 2024-05-14 |
Family
ID=81309655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011186891.6A Active CN114428456B (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) | CN114428456B (zh) |
Cited By (2)
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 (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011076295A2 (en) * | 2009-12-21 | 2011-06-30 | Vestas Wind Systems A/S | A wind turbine having a control method and controller for performing predictive control of a wind turbine generator |
WO2013046193A2 (en) * | 2011-09-26 | 2013-04-04 | Vestas Wind Systems A/S | System and method for extending the operating life of a wind turbine gear train based on energy storage |
CN103336503A (zh) * | 2013-06-24 | 2013-10-02 | 马从国 | 水产养殖池塘溶解氧控制系统 |
CN103345153A (zh) * | 2013-06-16 | 2013-10-09 | 北京联合大学 | 通用网络化预测模糊控制方法 |
CN104181958A (zh) * | 2014-07-22 | 2014-12-03 | 南京归图科技发展有限公司 | 一种过热汽温快速节能预测控制方法 |
CN105573123A (zh) * | 2016-01-19 | 2016-05-11 | 东南大学 | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制系统 |
CN107479389A (zh) * | 2017-09-30 | 2017-12-15 | 东南大学 | 一种火电机组过热汽温预测模糊自适应pid控制方法 |
CN107968444A (zh) * | 2017-12-20 | 2018-04-27 | 云南电网有限责任公司电力科学研究院 | 一种新能源集群协调优化控制方法 |
CN107975457A (zh) * | 2017-11-17 | 2018-05-01 | 重庆邮电大学 | 一种抑制风速波动干扰的风电机组变桨控制方法 |
CN108386094A (zh) * | 2018-02-05 | 2018-08-10 | 东南大学 | 一种永磁同步直线电机双开自动门控制方法 |
CN109782712A (zh) * | 2019-01-08 | 2019-05-21 | 北京国电智深控制技术有限公司 | 一种火力发电机组控制系统及方法 |
CN110161841A (zh) * | 2019-06-05 | 2019-08-23 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种适用于暂冲式跨声速风洞的前馈-模糊pid控制方法 |
CN110376895A (zh) * | 2019-07-30 | 2019-10-25 | 华能国际电力股份有限公司营口电厂 | 一种基于分层受限预测控制的火电机组协调控制方法 |
CN110579968A (zh) * | 2019-09-25 | 2019-12-17 | 国家能源集团谏壁发电厂 | 一种超超临界机组深度调峰协调系统预测控制策略 |
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 |
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 |
CN111562744A (zh) * | 2020-06-15 | 2020-08-21 | 安徽工业大学 | 一种基于pso算法的锅炉燃烧隐式广义预测控制方法 |
-
2020
- 2020-10-29 CN CN202011186891.6A patent/CN114428456B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011076295A2 (en) * | 2009-12-21 | 2011-06-30 | Vestas Wind Systems A/S | A wind turbine having a control method and controller for performing predictive control of a wind turbine generator |
WO2013046193A2 (en) * | 2011-09-26 | 2013-04-04 | Vestas Wind Systems A/S | System and method for extending the operating life of a wind turbine gear train based on energy storage |
CN103345153A (zh) * | 2013-06-16 | 2013-10-09 | 北京联合大学 | 通用网络化预测模糊控制方法 |
CN103336503A (zh) * | 2013-06-24 | 2013-10-02 | 马从国 | 水产养殖池塘溶解氧控制系统 |
CN104181958A (zh) * | 2014-07-22 | 2014-12-03 | 南京归图科技发展有限公司 | 一种过热汽温快速节能预测控制方法 |
CN105573123A (zh) * | 2016-01-19 | 2016-05-11 | 东南大学 | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制系统 |
CN107479389A (zh) * | 2017-09-30 | 2017-12-15 | 东南大学 | 一种火电机组过热汽温预测模糊自适应pid控制方法 |
CN107975457A (zh) * | 2017-11-17 | 2018-05-01 | 重庆邮电大学 | 一种抑制风速波动干扰的风电机组变桨控制方法 |
CN107968444A (zh) * | 2017-12-20 | 2018-04-27 | 云南电网有限责任公司电力科学研究院 | 一种新能源集群协调优化控制方法 |
CN108386094A (zh) * | 2018-02-05 | 2018-08-10 | 东南大学 | 一种永磁同步直线电机双开自动门控制方法 |
CN109782712A (zh) * | 2019-01-08 | 2019-05-21 | 北京国电智深控制技术有限公司 | 一种火力发电机组控制系统及方法 |
CN110161841A (zh) * | 2019-06-05 | 2019-08-23 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种适用于暂冲式跨声速风洞的前馈-模糊pid控制方法 |
CN110376895A (zh) * | 2019-07-30 | 2019-10-25 | 华能国际电力股份有限公司营口电厂 | 一种基于分层受限预测控制的火电机组协调控制方法 |
CN110579968A (zh) * | 2019-09-25 | 2019-12-17 | 国家能源集团谏壁发电厂 | 一种超超临界机组深度调峰协调系统预测控制策略 |
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 |
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 |
CN111562744A (zh) * | 2020-06-15 | 2020-08-21 | 安徽工业大学 | 一种基于pso算法的锅炉燃烧隐式广义预测控制方法 |
Non-Patent Citations (3)
Title |
---|
SHIHE CHEN,等: "Generalized Predictive Fuzzy Control of Coordinated Control System of Thermal Power Plant", 3RD INTERNATIONAL CONFERENCE ON MACHINERY, MATERIALS AND INFORMATION TECHNOLOGY APPLICATIONS, 31 December 2015 (2015-12-31), pages 804 - 810 * |
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 * |
黄达,等: "700MW超超临界火电机组协调系统全工况多模型预测控制及其工程应用", 工业控制计算机, 25 January 2021 (2021-01-25) * |
Cited By (2)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114428456B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114428455A (zh) | 一种火电机组控制系统的控制方法及装置 | |
Kong et al. | Nonlinear multivariable hierarchical model predictive control for boiler-turbine system | |
Liu et al. | Nonlinear fuzzy model predictive iterative learning control for drum-type boiler–turbine system | |
Li et al. | Offset-free fuzzy model predictive control of a boiler–turbine system based on genetic algorithm | |
Wu et al. | Data-driven modeling and predictive control for boiler–turbine unit using fuzzy clustering and subspace methods | |
CN114428456A (zh) | 一种火电机组控制系统的控制方法及装置 | |
Lu et al. | The PID Controller Based on the Artificial Neural Network and the Differential Evolution Algorithm. | |
CN104122797A (zh) | 一种新型火电机组负荷多变量预测控制方法 | |
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 | |
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 | |
Pelusi et al. | Fuzzy algorithm control effectiveness on drum boiler simulated dynamics | |
Yin et al. | Mode-decomposition memory reinforcement network strategy for smart generation control in multi-area power systems containing renewable energy | |
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 | |
CN107908106A (zh) | 二次再热机组再热汽温的自降阶多回路集中预估控制系统 | |
CN109375503B (zh) | 一种蒸汽余热梯级利用优化控制方法 | |
Sindareh-Esfahani et al. | Model predictive control of a heat recovery steam generator during cold start-up operation using piecewise linear models | |
Ghaffari et al. | Identification and control of power plant de-superheater using soft computing techniques | |
Govindan et al. | Online learning based neural network adaptive controller for efficient power tracking of PWR type reactor with unknown internal dynamics | |
CN117313992A (zh) | 一种考虑多能流社区负荷的碳排放因子更新方法 | |
Cheng et al. | An optimized nonlinear generalized predictive control for steam temperature in an ultra supercritical unit | |
Tian | Main steam temperature control based on GA-BP optimised fuzzy neural network | |
JP3012716B2 (ja) | プロセス制御方法及びその制御装置 | |
CN107045287A (zh) | 基于预测控制技术的机组协调控制系统及控制方法 | |
Alhammadi et al. | A cyber-security framework for boiler of steam power plant using simulation data to train machine learning model | |
Hošovský et al. | Hybridized GA-optimization of neural dynamic model for nonlinear 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 |