CN116047897A - 一种基于参数自适应抗扰控制器的燃气轮机预测控制方法 - Google Patents
一种基于参数自适应抗扰控制器的燃气轮机预测控制方法 Download PDFInfo
- Publication number
- CN116047897A CN116047897A CN202211356212.4A CN202211356212A CN116047897A CN 116047897 A CN116047897 A CN 116047897A CN 202211356212 A CN202211356212 A CN 202211356212A CN 116047897 A CN116047897 A CN 116047897A
- Authority
- CN
- China
- Prior art keywords
- control
- model
- output
- dmc
- gas turbine
- 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
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
本发明属于信息技术领域,公开了一种基于参数自适应抗扰控制器的燃气轮机预测控制方法。基于Rowen模型建立了燃气轮机数学模型并利用数据对其参数进行辨识。考虑燃气轮机变工况过程中的外部扰动,采用自适应参数自抗扰控制器实现燃气轮机燃料‑转速控制;在此基础上,利用模型预测控制算法对外电网发电需求量进行跟踪,滚动优化转速设定值,从而提高机组调峰能力。选取国内某电厂实际运行数据验证表明,该方法的在快速性、稳定误差和抗外部干扰方面优于其它算法。
Description
技术领域
本发明属于信息技术领域,涉及一种基于参数自适应抗扰控制器的燃气轮机预测控制方法。
背景技术
蒸燃联合循环机组是分布式能源系统的重要组成部分,具有热效率高、能耗低及环境污染小等优点(戈志华,马立群,何洁,&赵世飞.(2020).燃气-蒸汽联合循环热电联产机组多种运行方式负荷特性研究.中国电机工程学报,40(8),10)。与常规燃煤发电厂相比,蒸燃联合循环机组效率可提高15%以上,对推动工业能源企业实现提质增效,降低成本,实现碳中和、碳达峰具有重要意义(郭磊,宋文蛰,王相平,于洋,&王二信.(2019).Igcc燃用低热值燃料的燃气轮机运行性能优化.中国电力,052(002),14-19)。作为蒸燃联合循环的重要组成部分之一,燃气轮机是一个复杂非线性系统,在承担电网调峰任务时,大范围工况变化给常规的PID控制器带来巨大挑战(侯国莲、戴晓燕、弓林娟、徐海鑫、张建华.(2020).基于t-s模糊模型的燃气轮机系统负荷跟踪多目标预测控制.中国电力,53(11),9)。因此,如何利用模型预测控制算法实现燃气轮机的变负荷控制一直是一项具有挑战性的工作。
近年来,众多学者基于模型预测控制算法对燃气轮机控制开展研究。针对安装在Damavand联合循环电厂的V94.2型燃气轮机,提出了一种具有在线参数估计的自适应模型预测控制方法(Ghorbani,H.,Ghaffari,A.,&Rahnama,M..(2008).Constrained modelpredictive control implementation for a heavy-duty gas turbine powerplant.Wseas Transactions on Systems&Control,3(6),507-516);此外,利用传统的数学模型和自回归各态历经模型(Autoregressive exogenous,ARX)辨识方法建立了燃气轮机的线性模型,采用模型预测控制算法通过压缩机进口导叶位置和燃油信号来调节控制GE9001E型燃气轮机排气温度和转子转速(Eslami,M.,Shayesteh,M.R.,&Pourahmadi,M..(2018).Optimal design of pid-based low–pass filter for gas turbine usingintelligent method.IEEE Access,15335-15345)。针对燃气轮机甩负荷过程控制,提出一种非线性模型预测控制算法减少氮氧化物的排放(Pires,T.S.,Cruz,M.E.,Colaco,M.J.,&Alves,M.A.C..(2018).Application of nonlinear multivariable model predictivecontrol to transient operation of a gas turbine and nox emissionsreduction.Energy,149(APR.15),341-353)。提出一种渐近模型预测控制策略用于燃气轮机的转速控制(Mu,J.,&Rees,D..(2004).Approximate model predictive control forgas turbine engines.American Control Conference,2004.Proceedings of the2004)。此外,提出一种扩展模型预测控制方法用于提高燃气轮机发电厂的热效率和负荷频率控制性能(Mohamed,Wang,JH,Khalil,&Limhabrash.(2016).Predictive controlstrategy of a gas turbine for improvement of combined cycle power plantdynamic performance and efficiency.SPRINGERPLUS)。尽管上述方法都能在某一方面有效提高燃气轮机的运行性能,就燃气轮机的变负荷控制而言,上述方法没有考虑到燃机运行过程中来自外部环境或执行器方法的扰动。
自抗扰控制器是对PID控制技术的扩展,它能对把系统的未建模动态和未知外扰作用都归结为对系统的“总扰动”而进行估计并给予补偿。近年来,该控制器广泛应用于风机控制、锅炉控制、发动机控制等。关于燃气轮机的自抗扰控制问题,提出一种基于自抗扰控制器的涡轮发动机泰坦130的控制(Jiang,J.P.,Zhang,Q.,&Wang,L.P..(2012).Research on modeling and simulation of active disturbance rejectioncontroller for gas turbine.Applied Mechanics and Materials,157-158,507-510);设计了一种微型燃气轮机自抗扰转速控制器,实现燃气轮机的稳定运行(肖洪昌,童家鹏,&余涛.(2009).微型燃气轮发电机系统的自抗扰控制方法研究.电力系统保护与控制(13),13-18+37)。如何将自抗扰控制器与模型预测控制结合实现燃气轮机的AGC控制是一项具有挑战的工作。
燃气轮机是蒸燃联合循环机组中重要组成部分,其与燃气轮机与余热锅炉、汽轮机等结合,逐步成为一种流行发电技术。燃气轮机结构图如图1所示,燃气轮机包括压气机、燃烧室、涡轮、发电机和回热器等部分。目前,燃气轮机控制除了可靠性和燃料成本优化外,还要求改进负荷需求跟踪,以减少电力系统的频率变化,提高发电效率。然而,在燃气轮机运行过程,来自外部环境中的各类型扰动对燃气轮机的变负荷控制带来巨大挑战。因此,迫切需要一种具有抗扰能力的燃气轮机变负荷预测控制器,实现工业场景中燃气轮机的自动发电控制。
在上述研究的基础上,本发明提出一种基于参数自适应自抗扰控制器(AdaptiveParameter based Active Disturbance Rejection Controller,APADRC)的预测控制算法实现燃气轮机的变负荷控制。针对燃气轮机变工况控制过程中存在的扰动,设计了APADRC实现燃料-转速控制;在此基础,结合外电网下发调峰指令,利用模型预测控制算法滚动优化转速设定值。选取国内某电厂实际运行数据验证了本发明所提模型具有快速性好、调峰稳态误差小和抗外部干扰能力强等优点。
发明内容
燃气轮机控制系统的稳定性对降低环境污染,提高用户侧的能源利用效率具有重要作用。本发明针对燃气轮机负荷变化引起的多工况,提出一种基于干扰观测器的燃气轮机预测控制算法。基于Rowen模型建立了燃气轮机数学模型并利用数据对其参数进行辨识。考虑燃气轮机变工况过程中的外部扰动,采用自适应参数自抗扰控制器实现燃气轮机燃料-转速控制;在此基础上,利用模型预测控制算法对外电网发电需求量进行跟踪,滚动优化转速设定值,从而提高机组调峰能力。选取国内某电厂实际运行数据验证表明,该方法的在快速性、稳定误差和抗外部干扰方面优于其它算法。
本发明的技术方案:
一种基于参数自适应抗扰控制器的燃气轮机预测控制方法,步骤如下:
S1.基于机理和数据协同驱动的燃气轮机建模;
结合燃气轮机Rowen模型,利用ARX模型对燃气轮机Rowen模型进行辨识;将燃气轮机的燃料阀开度作为ARX模型的输入,燃料流量、转速作为ARX模型的输出;通过辨识得ARX模型结构如式(1):
A(q)y(t)=B(q)u(t)+e(t) (1)
其中,y(t)为ARX模型的输出信号;u(t)为ARX模型的输入信号;e(t)为白噪声,其均值为0,方差为σ2;A(q),B(q)为关于时移算子q的多项式,即q-1u(t)=u(t-1);
将ARX模型参数化处理,得到参数化的ARX模型如式(2):
其中,l(t)为ARX模型输出的残差;
根据AIC信息准则估计ARX模型的阶数:
AIC=-2ln L+2p (5)
其中,L为ARX模型的似然函数;p=na+nb+2为ARX模型的参数数目;AIC最小时的p′为AIC准则估计的结果;
结合公式(4)取残差的平方和为准则函数:
J(θ)对θ导数为0,且式(7)中ψTψ满秩,得最小二乘估计值;
θLS=(ψTψ)-1ψTY (8)
S2.燃气轮机控制器参数自适应抗扰控制;
采用APADRC算法实现燃机转速控制,使输出值yADRC(k)跟踪设定值v0(k);该APADRC算法包括微分跟踪器、非线性状态误差反馈控制律、扩张状态观测器和参数自适应调节器;其中,微分跟踪器的表达式如式(9)和式(10)所示;
v1(k+1)=v1(k)+hv2(k) (9)
v2(k+1)=v2(k)+hfhan(k),|fhan(k)|≤r (10)
其中,k为当前时刻;v1为目标状态;v2为目标状态的微分;r为速度因子;h为积分步长;fhan为最速控制综合函数计算值,由式(11)至式(14)所示;
a1(k)=v1(k)-v0(k)+h0v2(k) (11)
其中,a1,a2为最速控制综合函数中间计算变量;h0为滤波因子;
扩张状态观测器基于公式(2)得到的ARX模型,测量系统输入uADRC(k)与系统输出yADRC(k)计算系统内部状态信息,利用扩张状态z3,估计基于公式(2)构建的ARX模型的内部不确定性与外部扰动,其表达式如式(15)至式(17)所示;
z1(k+1)=z1(k)+h(z2(k)-β1(z1(k)-yADRC(k))) (15)
其中,z1,z2为状态估计值;z3为扩张状态估计值;β1,β2,β3为观测器增益;fal(e,ε,δ)为fal函数滤波器;
其中,ε为0到1之间常数;δ为影响滤波效果常数;
非线性状态误差反馈控制律根据微分跟踪器与扩张状态观测器之间状态误差计算出控制量,再利用扩张状态估计值z3来补偿控制量uADRC(k);
其中,α1,α2,α3为控制器增益;b0为补偿因子,决定扰动估计值补偿z3控制量的强弱;
参数自适应调节器是在线利用梯度下降法来调节扩张状态观测器中增益β1,β2,β3,离线训练误差与参数的关系;选用五个设定值点v0,分别通过网格搜索,将各观测器增益β1,β2,β3进行排列组合,遍历所有参数计算均方根误差E,再利用多项式拟合方式构建均方根误差E与观测器增益β1,β2关系;以均方根误差E为目标函数,通过梯度下降方式进行自适应调整参数;
其中,η为学习率;调整APADRC算法中观测器增益,计算出误差,循环迭代在线自适应调整参数,使得性能指标最小;
S3.燃气轮机模型变负荷预测控制
在燃气轮机仿真模型AGC负荷调度指令发生变动情况时,通过动态矩阵控制算法DMC控制燃气轮机跟踪其负荷需求,从而减少电力系统的频率变化,提高发电效率;在满足系统的控制约束和输出约束条件下,用当前的状态、过去的状态以及DMC输出计算未来状态,通过滚动优化求解最优的控制量,使得DMC输出与期望值偏差最小;
其中,a为模型的阶跃响应向量;第一步控制增量ΔuDMC(k);
a=[a1,a2,…,aN] (22)
在k时刻,控制量保持不变的条件下,得到DMC输出的未来P个时刻内初始预测输出其中M个时刻内控制量发生变化的条件下,控制增量为ΔuDMC(k),ΔuDMC(k+1),…,ΔuDMC(k+M-1),据式(23)计算模型未来P个时刻输出值其中P为预测时域,M为控制时域,并满足M≤P≤N;
其中,A为P×M动态矩阵,是由模型的阶跃响应向量a构造;前M步控制增量ΔUDMC;
求解优化问题,将得到最优控制量作用于基于公式(2)构建的ARX模型,使得DMC输出接近期望值,并满足控制量变化较小;在k时刻,根据期望与约束条件得到性能指标为:
其中,Q=diag(q1,q2,…,qP)为输出误差加权矩阵;R=diag(r1,r2,…,rM)为控制增量加权矩阵;
使得性能指标J最小,则对J取ΔUDMC的导数,并令导数为零,得:
对于最优控制量ΔUDMC,只取第一个控制增量ΔuDMC(k)计算出模型未来时刻的预测输出并将uDMC(k)=uDMC(k-1)+ΔuDMC(k)输入到实际模型得到y(k+1),其中c为M维列向量cT=[1 0 …0]1×M;
S4性能指标验证本发明的有效性
结合电厂调峰调度指令,选用均方根误差RMSE、平均绝对百分比误差MAPE和平均绝对误差MAE指标验证本发明所提方法在燃机发电量和燃机转速跟踪控制的有效性,其表达式如式(29)至式(31)所示;
其中,n为计算次数;predi为预测值;reali为真实值。
本发明是基于参数自适应抗扰控制器的燃气轮机预测控制方法,可解决燃气轮机甩负荷过程的控制器可自适应调节参数,减少电力系统的频率变化,提高发电效率。选取国内某电厂实际运行数据验证了本发明所提模型具有快速性好、调峰稳态误差小和抗外部干扰能力强等优点。
附图说明
图1为燃气轮机结构图。
图2为基于APADRC的燃气轮机预测控制结构图。
图3(a)为基于梯度下降的APADRC参数寻优过程。
图3(b)为燃机甩负荷APADRC的转速跟踪控制。
图4为含噪声和扰动场景下燃气轮机AGC控制效果图。
图4(a)为外环控制对比图。
图4(b)为内环控制对比图。
图4(c)为燃气轮机发电量的观测噪声。
图4(d)为燃料阀开度扰动。
图4(e)为开度动态响应对比图。
图4(f)为燃烧量动态响应对比图。
具体实施方式
本发明提出一种基于参数自适应的自抗扰控制器的模型预测控制方法,它有三部分组成分别是:数据驱动的燃机系统模型,参数自适应自抗扰控制器以及模型预测控制器。其中,数据驱动的燃机系统模型是采用渐进辨识方法进行辨识,APADRC实现燃机燃料与转速自适应控制,模型预测控制算法依据调度指令设定实现燃机变负荷运行。
内容1:基于机理和数据协同驱动的燃气轮机建模
为了验证所提方法的有效性,结合燃气轮机Rowen模型,利用ARX模型对燃气轮机Rowen模型进行辨识;将燃气轮机的燃料阀开度作为ARX模型的输入,燃料流量、转速作为ARX模型的输出;通过辨识得ARX模型结构如式(1):
A(q)y(t)=B(q)u(t)+e(t) (1)
其中,y(t)为模型的输出信号;u(t)为模型的输入信号;e(t)为白噪声,其均值为0,方差为σ2;A(q),B(q)为关于时移算子q的多项式,即q-1u(t)=u(t-1);
将ARX模型参数化处理,得到参数化的ARX模型如式(2):
根据AIC信息准则估计ARX模型的阶数:
AIC=-2ln L+2p (5)
其中,L为ARX模型的似然函数;p=na+nb+2为ARX模型的参数数目;AIC最小时的p′为AIC准则估计的结果;
结合公式(4)取残差的平方和为准则函数:
J(θ)对θ导数为0,且式(7)中ψTψ满秩,得最小二乘估计值;
θLS=(ψTψ)-1ψTY (8)
内容2:燃气轮机控制器参数自适应抗扰控制
考虑到燃气轮机变负荷控制过程中存在输入扰动和观测噪声,提出采用APADRC算法实现燃机转速控制,该方法由四部分组成分别是微分跟踪器、非线性状态误差反馈控制律、扩张状态观测器和参数自适应调节器。微分跟踪器是安排惯性环节提取微分信号的过渡过程,使输出值yADRC(k)快速并无超调的跟踪设定值v0(k),其表达式如式(1)和式(2)所示;
v1(k+1)=v1(k)+hv2(k) (9)
v2(k+1)=v2(k)+hfhan(k),|fhan(k)|≤r (10)
其中,k为当前时刻;v1为目标状态;v2为目标状态的微分;r为速度因子;h为积分步长;fhan为最速控制综合函数计算值,由式(11)至式(14)所示;
a1(k)=v1(k)-v0(k)+h0v2(k) (11)
其中,a1,a2为最速控制综合函数中间计算变量;h0为滤波因子;
扩张状态观测器基于公式(2)得到的ARX模型,测量系统输入uADRC(k)与系统输出yADRC(k)计算系统内部状态信息,利用扩张状态z3,估计基于公式(2)构建的ARX模型的内部不确定性与外部扰动,其表达式如式(15)至式(17)所示;
z1(k+1)=z1(k)+h(z2(k)-β1(z1(k)-yADRC(k))) (15)
其中,z1,z2为状态估计值;z3为扩张状态估计值;β1,β2,β3为观测器增益;fal(e,ε,δ)为fal函数滤波器;
其中,ε为0到1之间常数;δ为影响滤波效果常数;
非线性状态误差反馈控制律根据微分跟踪器与扩张状态观测器之间状态误差计算出控制量,再利用扩张状态估计值z3来补偿控制量uADRC(k);
其中,α1,α2,α3为控制器增益;b0为补偿因子,决定扰动估计值补偿z3控制量的强弱;
参数自适应调节器是在线利用梯度下降法来调节扩张状态观测器中增益β1,β2,β3,离线训练误差与参数的关系;选用五个设定值点v0,分别通过网格搜索,将各观测器增益β1,β2,β3进行排列组合,遍历所有参数计算均方根误差E,再利用多项式拟合方式构建均方根误差E与观测器增益β1,β2关系;以均方根误差E为目标函数,通过梯度下降方式进行自适应调整参数;
其中,η为学习率;调整APADRC算法中观测器增益,计算出误差,循环迭代在线自适应调整参数,使得性能指标最小;
内容3:燃气轮机模型变负荷预测控制
在燃气轮机仿真模型AGC负荷调度指令发生变动情况时,通过动态矩阵控制算法DMC控制燃气轮机跟踪其负荷需求,从而减少电力系统的频率变化,提高发电效率;在满足系统的控制约束和输出约束条件下,用当前的状态、过去的状态以及DMC输出计算未来状态,通过滚动优化求解最优的控制量,使得DMC输出与期望值偏差最小;
其中,a为模型的阶跃响应向量;第一步控制增量ΔuDMC(k);
a=[a1,a2,…,aN] (22)
在k时刻,控制量保持不变的条件下,得到DMC输出的未来P个时刻内初始预测输出其中M个时刻内控制量发生变化的条件下,控制增量为ΔuDMC(k),ΔuDMC(k+1),…,ΔuDMC(k+M-1),据式(23)计算模型未来P个时刻输出值其中P为预测时域,M为控制时域,并满足M≤P≤N;
其中,A为P×M动态矩阵,是由模型的阶跃响应向量a构造;前M步控制增量ΔUDMC;
求解优化问题,将得到最优控制量作用于基于公式(2)构建的ARX模型,使得DMC输出接近期望值,并满足控制量变化较小;在k时刻,根据期望与约束条件得到性能指标为:
其中,Q=diag(q1,q2,…,qP)为输出误差加权矩阵;R=diag(r1,r2,…,rM)为控制增量加权矩阵;
使得性能指标J最小,则对J取ΔUDMC的导数,并令导数为零,得:
对于最优控制量ΔUDMC,只取第一个控制增量ΔuDMC(k)计算出模型未来时刻的预测输出并将uDMC(k)=uDMC(k-1)+ΔuDMC(k)输入到实际模型得到y(k+1),其中c为M维列向量cT=[1 0 … 0]1×M;
内容4:性能指标验证本发明的有效性
结合电厂调峰调度指令,选用均方根误差RMSE、平均绝对百分比误差MAPE和平均绝对误差MAE指标验证本发明所提方法在燃机发电量和燃机转速跟踪控制的有效性,其表达式如式(29)至式(31)所示;
其中,n为计算次数;predi为预测值;reali为真实值。
选取国内某电厂实际运行数据进行辨识模型并在两个场景下,验证了本发明所提模型具有快速性好、调峰稳态误差小和抗外部干扰能力强等优点。
场景1:燃机甩负荷运行场景
基于双闭环的燃气轮机控制模型分为燃机发电量控制和燃机转速控制,结合燃机负荷变化数值,运用模型预测控制算法动态优化燃机转速设定值。鉴于燃机燃料开度与转速控制器的观测器参数受工况变化的影响,因此提出一种基于参数自适应的燃机甩负荷控制器。在离线场景下,利用网格搜索观测器增益参数β1,β2,β3,利用曲面拟合算法获取其均方差误差分布。若转速设定值发生变化,选择适应的曲面模型,利用梯度下降法求解局部最小值下对应的观测器参数提供给自抗扰控制器如图3所示。
当燃气轮机负荷发生变化时,APADRC与ADRC转速跟踪效果如表1、图3所示,本发明所提方法可自适应、快速的跟踪设定并且偏差较小,而基于固定参数的ADRC控制器在某种工况下跟踪效果较好,甩负荷时效果不佳,验证了本发明所提方法的跟踪效果优于基于固定参数的ADRC控制器。
表1燃气轮机AGC控制跟踪误差统计分析
场景2:含扰动和噪声的燃机甩负荷运行场景
为了验证本发明所提方法的鲁棒性,结合不同分布的观测噪声和不同强度的扰动信号类型,选择DMC+ADRC和DMC+PI类型控制器域本文所提控制器进行对比分析。
表2含噪声和扰动场景下燃气轮机AGC控制跟踪误差统计分析
当燃气轮机受到扰动和噪声的影响下,DMC+APADRC、DMC+ADRC和DMC+PI类型控制器效果如表2、图4所示,DMC+PI类型控制器受到外界影响导致控制精度不高,DMC+ADRC类型控制器对于发电量跟踪效果较好而对于转速跟踪的效果不佳精度下降,而本文所提控制器其发电量与转速的控制效果有一定的可靠性,表明本发明所提方法的鲁棒性和跟踪性明显优于对比方法。
Claims (1)
1.一种基于参数自适应抗扰控制器的燃气轮机预测控制方法,其特征在于,具体步骤如下:
S1.基于机理和数据协同驱动的燃气轮机建模;
结合燃气轮机Rowen模型,利用ARX模型对燃气轮机Rowen模型进行辨识;将燃气轮机的燃料阀开度作为ARX模型的输入,燃料流量、转速作为ARX模型的输出;通过辨识得ARX模型结构如式(1):
A(q)y(t)=B(q)u(t)+e(t) (1)
其中,y(t)为ARX模型的输出信号;u(t)为ARX模型的输入信号;e(t)为白噪声,其均值为0,方差为σ2;A(q),B(q)为关于时移算子q的多项式,即q-1u(t)=u(t-1);
将ARX模型参数化处理,得到参数化的ARX模型如式(2):
其中,l(t)为ARX模型输出的残差;
根据AIC信息准则估计ARX模型的阶数:
AIC=-2lnL+2p (5)
其中,L为ARX模型的似然函数;p=na+nb+2为ARX模型的参数数目;AIC最小时的p′为AIC准则估计的结果;
结合公式(4)取残差的平方和为准则函数:
J(θ)对θ导数为0,且式(7)中ψTψ满秩,得最小二乘估计值;
θLS=(ψTψ)-1ψTY (8)
S2.燃气轮机控制器参数自适应抗扰控制;
采用APADRC算法实现燃机转速控制,使输出值yADRC(k)跟踪设定值v0(k);该APADRC算法包括微分跟踪器、非线性状态误差反馈控制律、扩张状态观测器和参数自适应调节器;其中,微分跟踪器的表达式如式(9)和式(10)所示;
v1(k+1)=v1(k)+hv2(k) (9)
v2(k+1)=v2(k)+hfhan(k),|fhan(k)|≤r (10)
其中,k为当前时刻;v1为目标状态;v2为目标状态的微分;r为速度因子;h为积分步长;fhan为最速控制综合函数计算值,由式(11)至式(14)所示;
a1(k)=v1(k)-v0(k)+h0v2(k) (11)
其中,a1,a2为最速控制综合函数中间计算变量;h0为滤波因子;
扩张状态观测器基于公式(2)得到的ARX模型,测量系统输入uADRC(k)与系统输出yADRC(k)计算系统内部状态信息,利用扩张状态z3,估计基于公式(2)构建的ARX模型的内部不确定性与外部扰动,其表达式如式(15)至式(17)所示;
z1(k+1)=z1(k)+h(z2(k)-β1(z1(k)-yADRC(k))) (15)
其中,z1,z2为状态估计值;z3为扩张状态估计值;β1,β2,β3为观测器增益;fal(e,ε,δ)为fal函数滤波器;
其中,ε为0到1之间常数;δ为影响滤波效果常数;
非线性状态误差反馈控制律根据微分跟踪器与扩张状态观测器之间状态误差计算出控制量,再利用扩张状态估计值z3来补偿控制量uADRC(k);
其中,α1,α2,α3为控制器增益;b0为补偿因子,决定扰动估计值补偿z3控制量的强弱;
参数自适应调节器是在线利用梯度下降法来调节扩张状态观测器中增益β1,β2,β3,离线训练误差与参数的关系;选用五个设定值点v0,分别通过网格搜索,将各观测器增益β1,β2,β3进行排列组合,遍历所有参数计算均方根误差E,再利用多项式拟合方式构建均方根误差E与观测器增益β1,β2关系;以均方根误差E为目标函数,通过梯度下降方式进行自适应调整参数;
其中,η为学习率;调整APADRC算法中观测器增益,计算出误差,循环迭代在线自适应调整参数,使得性能指标最小;
S3.燃气轮机模型变负荷预测控制
在燃气轮机仿真模型AGC负荷调度指令发生变动情况时,通过动态矩阵控制算法DMC控制燃气轮机跟踪其负荷需求,从而减少电力系统的频率变化,提高发电效率;在满足系统的控制约束和输出约束条件下,用当前的状态、过去的状态以及DMC输出计算未来状态,通过滚动优化求解最优的控制量,使得DMC输出与期望值偏差最小;
其中,a为模型的阶跃响应向量;第一步控制增量ΔuDMC(k);
a=[a1,a2,…,aN] (22)
在k时刻,控制量保持不变的条件下,得到DMC输出的未来P个时刻内初始预测输出其中M个时刻内控制量发生变化的条件下,控制增量为ΔuDMC(k),ΔuDMC(k+1),…,ΔuDMC(k+M-1),据式(23)计算模型未来P个时刻输出值其中P为预测时域,M为控制时域,并满足M≤P≤N;
其中,A为P×M动态矩阵,是由模型的阶跃响应向量a构造;前M步控制增量ΔUDMC;
求解优化问题,将得到最优控制量作用于基于公式(2)构建的ARX模型,使得DMC输出接近期望值,并满足控制量变化较小;在k时刻,根据期望与约束条件得到性能指标为:
其中,Q=diag(q1,q2,…,qP)为输出误差加权矩阵;R=diag(r1,r2,…,rM)为控制增量加权矩阵;
使得性能指标J最小,则对J取ΔUDMC的导数,并令导数为零,得:
对于最优控制量ΔUDMC,只取第一个控制增量ΔuDMC(k)计算出模型未来时刻的预测输出并将uDMC(k)=uDMC(k-1)+ΔuDMC(k)输入到实际模型得到y(k+1),其中c为M维列向量cT=[1 0…0]1×M;
S4性能指标验证本发明的有效性
结合电厂调峰调度指令,选用均方根误差RMSE、平均绝对百分比误差MAPE和平均绝对误差MAE指标验证本发明所提方法在燃机发电量和燃机转速跟踪控制的有效性,其表达式如式(29)至式(31)所示;
其中,n为计算次数;predi为预测值;reali为真实值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211356212.4A CN116047897A (zh) | 2022-11-01 | 2022-11-01 | 一种基于参数自适应抗扰控制器的燃气轮机预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211356212.4A CN116047897A (zh) | 2022-11-01 | 2022-11-01 | 一种基于参数自适应抗扰控制器的燃气轮机预测控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116047897A true CN116047897A (zh) | 2023-05-02 |
Family
ID=86114314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211356212.4A Pending CN116047897A (zh) | 2022-11-01 | 2022-11-01 | 一种基于参数自适应抗扰控制器的燃气轮机预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116047897A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311188A (zh) * | 2023-09-26 | 2023-12-29 | 青岛理工大学 | 用于固定场所的人群导流栏杆的控制方法、系统、设备 |
-
2022
- 2022-11-01 CN CN202211356212.4A patent/CN116047897A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311188A (zh) * | 2023-09-26 | 2023-12-29 | 青岛理工大学 | 用于固定场所的人群导流栏杆的控制方法、系统、设备 |
CN117311188B (zh) * | 2023-09-26 | 2024-03-12 | 青岛理工大学 | 用于固定场所的人群导流栏杆的控制方法、系统、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cirre et al. | Feedback linearization control for a distributed solar collector field | |
Prasad et al. | Plant-wide predictive control for a thermal power plant based on a physical plant model | |
CN107270283B (zh) | 一种基于循环流化床机组的多变量约束预测控制方法 | |
Draganescu et al. | Generalized predictive control for superheated steam temperature regulation in a supercritical coal-fired power plant | |
Haji et al. | Adaptive model predictive control design for the speed and temperature control of a V94. 2 gas turbine unit in a combined cycle power plant | |
CN110824926B (zh) | 一种火电机组深度调峰一次调频控制方法 | |
CN109669355B (zh) | 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法 | |
CN116047897A (zh) | 一种基于参数自适应抗扰控制器的燃气轮机预测控制方法 | |
CN114123238A (zh) | 一种电解铝负荷参与电力系统调频的卡尔曼滤波控制方法 | |
Adegas et al. | Structured control of LPV systems with application to wind turbines | |
CN111123698A (zh) | 一种水力发电机组调节系统的无模型自适应pid控制方法 | |
CN113448248A (zh) | 一种火电机组灵活性及深度调峰智能控制方法 | |
Lian | Main steam temperature control based on variable universe fuzzy dynamic matrix control | |
Esmaeili et al. | Robust & nonlinear control of an ultra-supercritical coal fired once-through boiler-turbine unit in order to optimize the uncertain problem | |
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 | |
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 | |
Zhang et al. | Study on multi-loop control strategy of three-shaft gas turbine for electricity generation | |
JPS6199001A (ja) | 火力発電ボイラの蒸気温度制御装置及び制御方法 | |
CN114053865A (zh) | 适用于燃煤锅炉scr脱硝控制系统的广义预测控制方法 | |
Garduno-Ramirez et al. | Overall control of fossil-fuel power plants | |
Aurora et al. | Nonlinear model predictive control of combined cycle power plants | |
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 | |
Dang et al. | A multi-objective optimal nonlinear control of variable speed wind turbine | |
Sun et al. | The application prospects of intelligent PID controller in power plant process control | |
Dai et al. | Process Model-Assisted Optimization Control Method Based on Model Predictive Control and Deep Reinforcement Learning for Coordinated Control System in Coal-Fired Power Unit |
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 |