CN116146516B - 一种多台压缩机智能并网控制方法及系统 - Google Patents
一种多台压缩机智能并网控制方法及系统 Download PDFInfo
- Publication number
- CN116146516B CN116146516B CN202211578104.1A CN202211578104A CN116146516B CN 116146516 B CN116146516 B CN 116146516B CN 202211578104 A CN202211578104 A CN 202211578104A CN 116146516 B CN116146516 B CN 116146516B
- Authority
- CN
- China
- Prior art keywords
- compressor
- compressors
- flow
- representing
- intelligent grid
- 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 38
- 238000001816 cooling Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 13
- 230000009471 action Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 230000002787 reinforcement Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 description 10
- 230000006835 compression Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000000926 separation method Methods 0.000 description 3
- 238000010977 unit operation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 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
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/005—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by changing flow path between different stages or between a plurality of compressors; Load distribution between compressors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/007—Conjoint control of two or more different functions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/02—Surge control
- F04D27/0207—Surge control by bleeding, bypassing or recycling fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明公开了一种多台压缩机智能并网控制方法及系统,如下:获取进冷箱流量FT、压缩机设计流量FT1n、压缩机最小流量FT1m;根据进冷箱流量FT除以压缩机设计流量FT1n,进位取整计算出第一台数Tn;根据进冷箱流量FT除以压缩机最小流量FT1m,进位取整计算出第二台数Tm;若Tn=1时,则开一台压缩机,其它压缩机停止运行,控制压缩机的进冷箱总量为FT;若Tn>1时,执行以下步骤:当Tn=Tm,控制Tn台压缩机运行在加载模式,其它压缩机停止运行,并输出最小流量开度信号到Tn台压缩机控制导叶开度大小;当Tn<Tm,控制Tn台压缩机运行在加载模式,其它压缩机停止运行,控制每台压缩机流量为进冷箱总量FT/Tn。
Description
技术领域
本发明涉及空气分离技术领域,更具体的,涉及一种多台压缩机智能并网控制方法及系统。
背景技术
由于下游装置对气体需求量变化大,空气分离装置需要多台压缩机并联运行,考虑到压缩机的供货时间和价格,通常会采用标准机型,标准机型的控制系统是压缩机自带的,为了防止多台压缩机同时加卸载,目前常用的并联运行通过设置每台压缩机不同的排气压力,使各压缩机的在不同的压力下自动加卸载。由于每台压缩机加卸载的设定压力不同,造成压缩机出口管网压力波动大,这会导致空分装置输出产品的纯度波动;另外会有部分压缩机在处于卸载运行,这会增加能耗。
目前并列机组运行控制方式主要有:
(1)设置透平转速手动控制方式,使每台压缩机满负载运行,当压缩站负荷有变化后,通过打回流的方式,使机组安全运行,这种控制方法虽然能保证机组安全运行,但能源浪费很严重。
(2)设置性能控制器,根据主性能参数的变化,按比例分配流量给压缩站内各压缩机,如站内压缩机型号相同,则等流量分配,如机组容量不同,则根据各压缩机的特性按一定比例分配流量。由于几乎没有任何两台机组的特性相同,这种固定比例流量分配的控制方式也并不合适,比如为了维持出口压力恒定,有些机组在满负载运行,而有些机组进入喘振或打回流。
(3)设置基本负荷机组和调峰机组,控制基本负荷机组在最大效率点运行,当工艺负荷变化后,由调峰机组调节负荷,以满足压缩站主性能参数变化的需要,这种方法在实际工程中用的比较多,但安全性和机组能效方面也不是最佳。
发明内容
本发明为了解决以上对现有的技术通过下游压力来控制多台标准机型压缩机并联运行方式出口管网压力波动大、压缩机加卸载频繁、能耗高的问题,提供了一种多台压缩机智能并网控制方法及系统,其能保持压力平稳,且能耗低。
为实现上述本发明目的,采用的技术方案如下:
一种多台压缩机智能并网控制方法,所述的方法包括步骤如下:
获取进冷箱流量FT、压缩机设计流量FT1n、压缩机最小流量FT1m;
根据进冷箱流量FT除以压缩机设计流量FT1n,进位取整计算出第一台数Tn;根据进冷箱流量FT除以压缩机最小流量FT1m,进位取整计算出第二台数Tm;
若Tn=1时,则开一台压缩机,其它压缩机停止运行,控制压缩机的进冷箱总量为FT;
若Tn>1时,执行以下步骤:
当Tn=Tm,控制Tn台压缩机运行在加载模式,其它压缩机停止运行,并输出最小流量开度信号到Tn台压缩机控制导叶开度大小;
当Tn<Tm,控制Tn台压缩机运行在加载模式,其它压缩机停止运行,控制每台压缩机流量为进冷箱总量FT/Tn。
优选地,当压缩机的总台数N大于第二台数Tm,结合各个压缩机的历史运行时长、故障次数、运行次数,并根据权重计算出评分,按照评分高低排列,选出评分较高的Tn压缩机启动运行。
进一步地,当对进冷箱流量FT进行调整时,采用训练好的深度强化学习模型输出最优的流量分配策略π控制各个压缩机的运行状态;所述的流量分配策略π包括压缩机的导叶开度、停止或启动、负荷。
再进一步地,所述的深度强化学习模型包括动作神经网络、批评家神经网络;
所述的动作神经网络将系统状态St作为输入,输出动作At,得到策略π定义为一个映射π:St→At;其中,t表示时隙;
对于任何动作At,采用评论家神经网络用于评估预期的长期回报,来指导动作At向更好的方向发展,定义为一个映射Q(St,A)→R;
其中,所述的系统状态包括压缩机的喘振控制偏差、负载、出口温度、出口流量、排气压力、入口压力。
再进一步地,设置深度强化学习模型的回报函数Rt,其具体公式如下:
式中,μ1、μ2、μ3表示权重系数,μ1+μ2+μ3=1;ΔDevn表示压缩机n的喘振控制偏差与平均喘振控制偏差的差值;ΔTn表示压缩机n的出口温度与所有参与负载调节的压缩机的平均出口温度的偏差;ΔGn表示压缩机n可调节负载与所有参与负载调节的压缩机的平均可调节负载的偏差。
再进一步地,所述的喘振控制偏差Dev的计算公式如下:
Dev=1-(A+b)
其中,b为喘振控制裕量;A表示喘振接近度;f(Rc)表示特性修正;ps表示入口压力;Δpo,s表示入口流量压差;Rc表示排气压力与入口压力之比。
再进一步地,设置最小代价函数更新动作神经网络的参数θu;
所述的最小代价函数的表示如下:
其中,u(St)表示当前动作神经网络输入St所产生的输出;Γ表示样本索引;
通过优化最小代价函数L(θu)来更新动作神经网络的参数θu,学习到最优策略π,从而完成训练过程。
再进一步地,通过训练深度强化学习模型得到最优化的目标函数为:
s.t C1:0≤Gn≤Gmax×95%,0≤n≤N
C2:FT=FT1+FT2+,…,FTn
C3:A<1
其中,G、Gmax表示压缩机的最大负载;FTn表示第n台压缩机的出口流量。
再进一步地,当需要停用压缩机时,控制除待停用压缩机以外的其他压缩机,增加其防喘振阀的开度,直到待停用压缩机完成处于停止状态,恢复防喘振阀的开度。
一种多台压缩机智能并网控制系统,包括多个压缩机、控制多台压缩机的DCS控制系统;
所述的DCS控制系统控制多个压缩机时,执行如上所述的多台压缩机智能并网控制方法。
本发明的有益效果如下:
本发明自动化程度高(无需人工干预空压机运行)、空压机出口压力平稳、产品纯度稳定、装置能耗低。可以在下游流量确定的情况下控制每台压缩机的导叶开度,来降低能耗。所述的多台压缩机智能并网控制方法既要保证用户供气压力稳定,又要使空压站内各压缩机承担合理的负载,有效的减少能源消耗。
附图说明
图1是本发明所述的多台压缩机智能并网方法的流程图。
图2是本发明所述的多台压缩机智能并网控制的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示,一种多台压缩机智能并网控制方法,所述的方法包括步骤如下:
获取进冷箱流量FT、压缩机设计流量FT1n、压缩机最小流量FT1m;
根据进冷箱流量FT除以压缩机设计流量FT1n,进位取整计算出第一台数Tn;根据进冷箱流量FT除以压缩机最小流量FT1m,进位取整计算出第二台数Tm;
若Tn=1时,则开一台压缩机,其它压缩机停止运行,控制压缩机的进冷箱总量为FT;
若Tn>1时,执行以下步骤:
当Tn=Tm,控制Tn台压缩机运行在加载模式,其它压缩机停止运行,并输出最小流量开度信号到Tn台压缩机控制导叶开度大小;
当Tn<Tm,控制Tn台压缩机运行在加载模式,其它压缩机停止运行,控制每台压缩机流量为进冷箱总量FT/Tm。
本实施例中,若多台压缩机是相同的型号,其性能相同,可直接利用本实施例所述的多台压缩机智能并网控制方法进行初步的分配流量。
若多台压缩机的型号有多种,其性能也就不相同。可以选择型号较小的压缩机的最大设计流量作为压缩机组的设计流量FT1n,选择型号较大的压缩机的最小流量作为压缩机组的最小流量FT1m,也即选择多台压缩机存在流量重叠区。然后根据以上所述的多台压缩机智能并网控制方法实现流程分配。
在本实施例中,所述的多台压缩机智能并网控制方法是对多台压缩机刚开始并网运行时的并网控制。通过该并联运行通过设置每台压缩机尽可能相同的排气压力,使各压缩机相同的压力下加卸载,保持压力平稳。最重要的是,通过该方法能有效的降低能耗。因此本实施例所述的方法自动化程度高(无需人工干预压缩机运行)、压缩机的出口压力平稳、产品纯度稳定、装置能耗低。
假设多台压缩机的型号相同,压缩机供货商提供的装置所需压力下设计流量为FT1n:13100Nm3/h,放空阀不开的最小流量为FT1m:10760Nm3/h(通常是设计工况的82%左右),目前装置进冷箱所需流量为FT:30000Nm3/h。
FT÷FT1大于2,余数6000,则需压缩机开三台,
传统的一种方式压力控制:那么有可能2台压缩机输出到流量为设计流量,第3台压缩机输出30000-13100X2=3800Nm3/h的流量到装置,为了防止第3台压缩机喘振,剩余10760-3800=6960Nm3/h流量需要从放空阀排放。按此计算压力控制方式损失6980Nm3/h增压空气。
本发明所述的方法通过流量控制方式,通过装置DCS控制系统控制压缩机导叶的开度(压力控制方式下装置DCS(PLC)控制系统不控制压缩机机导叶的开度),把2台压缩机的导叶固定到最小流量的开度,3台压缩机输出30000-10760X2=8480Nm3/h的流量到装置,为了防止第3台压缩机喘振,剩余10760-8480=2280Nm3/h流量需要从放空阀排放。流量控制方式损失2280Nm3/h增压空气。
相对于传统的方式,流量控制节省的能耗为6960-2280=4680Nm3/h的增压空气。
在一个具体的实施了中,当压缩机的总台数N大于第二台数Tm,结合各个压缩机的历史运行时长、故障次数、运行次数,并根据权重计算出评分,按照评分高低排列,选出评分较高的Tn压缩机启动运行。
本实施例举一个具体的例子,但实际设置并不限制于该实施例。
综合评分的计算公式如下:
W=历史运行时长对应的评分×ω1+故障次数对应的评分×ω2+运行次数对应的评分×ω3。
其中,ω1、ω2、ω3表示权重系数,ω1+ω2+ω3=1,本实施例中,ω1=0.5、ω2=0.3、ω3=0.2。
本实施例通过综合评分筛选出评分相对比较高的多台压缩机进行并网控制,选择出的压缩机的历史运行时长、故障次数、运行次数相对比较少,有效的保证在后续运行中压缩机组的整体的稳定性。
实施例2
基于实施例1所述的多台压缩机智能并网控制方法,更具体地,若多台压缩机的型号、性能一致,当进冷箱流量FT降低或增加时,可以等量分配流量,或对实际流量比较小的压缩机进行相应的降低或增加。若多台压缩机的型号、性能不一致,或即使是多台型号相同的压缩机,通过不同时间的运行,其性能或多或少存在不同的差异。此时,对进冷箱流量FT进行调整时,采用训练好的深度强化学习模型输出最优的流量分配策略π控制各个压缩机的运行状态;所述的流量分配策略π包括压缩机的导叶开度、停止或启动、负荷。
在一个具体的实施例中,所述的深度强化学习模型采用的是深度确定性策略梯度的深度强化学习模型,所述的深度强化学习模型包括动作神经网络、批评家神经网络;
所述的动作神经网络将系统状态St作为输入,输出动作At,得到策略π定义为一个映射π:St→At;其中,t表示时隙;
对于任何动作At,采用评论家神经网络用于评估预期的长期回报,来指导动作At向更好的方向发展,定义为一个映射Q(St,A)→R;
其中,所述的系统状态包括压缩机的喘振控制偏差、负载、出口温度、出口流量、排气压力、入口压力。
在深度确定性策略梯度的深度强化学习模型中,actor网络的输入是系统状态,输出动作,以DNN进行函数拟合,对于连续动作NN输出层可以用tanh或sigmod,离散动作以softmax作为输出层则达到概率输出的效果。critic网络输入为系统状态和动作,输出为Q值。
本实施例通过采用训练好的深度强化学习模型自适应的控制,能实现对参与负载的各个压缩机进行有所差别的微调,保障各个压缩机的最好的状态下工作。
在一个具体的实施例中,设置深度强化学习模型的回报函数Rt,其具体公式如下:
式中,μ1、μ2、μ3表示权重系数,μ1+μ2+μ3=1;ΔDevn表示压缩机n的喘振控制偏差与平均喘振控制偏差的差值;ΔTn表示压缩机n的出口温度与所有参与负载调节的压缩机的平均出口温度的偏差;ΔGn表示压缩机n可调节负载与所有参与负载调节的压缩机的平均可调节负载的偏差。
在本实施例中,设置回报函数与喘振控制偏差、出口温度、可调节负载有关,本实施例计算喘振控制偏差Dev,喘振控制偏差Dev是一个无因次参量,不受压缩机入口工况变化的影响,Dev用于负荷平衡控制,及喘振控制与保护。
据气体压缩的原理,压缩机将机械能转换被压缩气体的势能(提高压力),在压缩同样单位气体时出口温度越高,压缩机的效率越低,即压缩机将更多的机械能转换为热能。
根据每个压缩机的负载和其它并联机组负载的对比来调整各个压缩机的负载,在控制压力(出口或入口)到达设定值的同时,调整每台压缩机的负载,使之实现负载均衡控制。
本实施例通过将压缩机的喘振控制偏差、出口温度、可调节负载作为回报值,保障各个压缩机保持在基本相对比较平均的位置。
在一个具体的实施例中,所述的喘振控制偏差Dev的计算公式如下:
Dev=1-(A+b)
其中,b为喘振控制裕量;A表示喘振接近度;f(Rc)表示特性修正;ps表示入口压力;Δpo,s表示入口流量压差;Rc表示排气压力与入口压力之比。
本实施例中,喘振接近度A表示运行点趋近喘振线的程度,当A等于1,则运行点在喘振线上,A小于1时,则运行点在喘振线右侧,A大于1时,则运行点在喘振线左侧,进入喘振区。为确保机组运行安全,通常将喘振线右移一个裕量b得到喘振控制线。
在一个具体的实施例中,设置最小代价函数更新动作神经网络的参数θu;
所述的最小代价函数的表示如下:
其中,u(St)表示当前动作神经网络输入St所产生的输出;Γ表示样本索引;
通过优化最小代价函数L(θu)来更新动作神经网络的参数θu,学习到最优策略π,从而完成训练过程。
对于评论家神经网络,将从记忆内存中取得的样本表示为ΩΓ={(St,At,Rt,St+1)|t∈Γ};本实施例通过设置损失函数,通过优化损失函数L(θQ)来更新评论家神经网络的参数θQ,学习到最优策略π,从而完成训练过程。
本实施例中,所述的损失函数的表示如下:
其中,γ是折扣因子;St'表示初始化系统状态、At'表示初始化动作。
在一个具体的实施例中,通过训练深度强化学习模型得到最优化的目标函数为:
s.t C1:0≤Gn≤Gmax×95%,0≤n≤N
C2:FT=FT1+FT2+,…,FTn
C3:A<1
其中,G、Gmax表示压缩机的最大负载;FTn表示第n台压缩机的出口流量。s.t表示约束条件。
约束条件C1表示某个压缩机的负载过高(超过95%)时,需新增一台机组。
约束条件C2表示各个压缩机出口流量之和等于进冷箱流量FT。
本实施例设置所述的最优化的目标函数使得所有负载调节的压缩机处于相比比较均衡的工作位置。
在一个具体的实施例中,当需要停用压缩机时,控制除待停用压缩机以外的其他压缩机,增加其防喘振阀的开度,直到待停用压缩机完成处于停止状态,恢复防喘振阀的开度。
本实施例所述的多台压缩机智能并网控制方法既要保证用户供气压力稳定,又要使空压站内各压缩机承担合理的负载,有效的减少能源消耗。
实施例3
如图2所示,一种多台压缩机智能并网控制系统,包括多个压缩机、控制多台压缩机的DCS控制系统;
所述的DCS控制系统控制多个压缩机时,执行如实施例1或实施例2所述的多台压缩机智能并网控制方法。
设有包括空压机出口流量计FT(1~n)、出口关断阀HV(1~n)、去冷箱流量计FT组成。出口温度计、排气压力传感器、入口压力传感等等。
压缩机的出口流量计的作用是为了防止压缩机的偏流。所述的出口关断阀的作用是防止工艺气体逆流倒回到停止运行的压缩机,使压缩机反转,导致损坏压缩机。
所述的去冷箱流量计是为了保证进冷箱的流量保持稳定。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种多台压缩机智能并网控制方法,其特征在于:所述的方法包括步骤如下:
获取进冷箱流量FT、压缩机设计流量FT1n、压缩机最小流量FT1m;
根据进冷箱流量FT除以压缩机设计流量FT1n,进位取整计算出第一台数Tn;根据进冷箱流量FT除以压缩机最小流量FT1m,进位取整计算出第二台数Tm;
若Tn=1时,则开一台压缩机,其它压缩机停止运行,控制压缩机的进冷箱总量为FT;
若Tn>1时,执行以下步骤:
当Tn=Tm,控制Tn台压缩机运行在加载模式,其它压缩机停止运行,并输出最小流量开度信号到Tn台压缩机控制导叶开度大小;
当Tn<Tm,控制Tn台压缩机运行在加载模式,其它压缩机停止运行,控制每台压缩机流量为进冷箱总量FT/Tn;
当对进冷箱流量FT进行调整时,采用训练好的深度强化学习模型输出最优的流量分配策略π控制各个压缩机的运行状态;所述的流量分配策略π包括压缩机的导叶开度、停止或启动、负荷;
所述的深度强化学习模型包括动作神经网络、批评家神经网络;
所述的动作神经网络将系统状态St作为输入,输出动作At,得到策略π定义为一个映射π:St→At;其中,t表示时隙;
对于任何动作At,采用评论家神经网络用于评估预期的长期回报,来指导动作At向更好的方向发展,定义为一个映射Q(St,A)→R;
其中,所述的系统状态包括压缩机的喘振控制偏差、负载、出口温度、出口流量、排气压力、入口压力;
设置深度强化学习模型的回报函数Rt,其具体公式如下:
式中,μ1、μ2、μ3表示权重系数,μ1+μ2+μ3=1;ΔDevn表示压缩机n的喘振控制偏差与平均喘振控制偏差的差值;ΔTn表示压缩机n的出口温度与所有参与负载调节的压缩机的平均出口温度的偏差;ΔGn表示压缩机n可调节负载与所有参与负载调节的压缩机的平均可调节负载的偏差。
2.根据权利要求1所述的多台压缩机智能并网控制方法,其特征在于:当压缩机的总台数N大于第二台数Tm,结合各个压缩机的历史运行时长、故障次数、运行次数,并根据权重计算出评分,按照评分高低排列,选出评分较高的Tn台压缩机启动运行。
3.根据权利要求1所述的多台压缩机智能并网控制方法,其特征在于:所述的喘振控制偏差Dev的计算公式如下:
Dev=1-(A+b)
其中,b为喘振控制裕量;A表示喘振接近度;f(Rc)表示特性修正;ps表示入口压力;Δpo,s表示入口流量压差;Rc表示排气压力与入口压力之比。
4.根据权利要求1所述的多台压缩机智能并网控制方法,其特征在于:设置最小代价函数更新动作神经网络的参数θu;
所述的最小代价函数的表示如下:
其中,u(St)表示当前动作神经网络输入St所产生的输出,Γ表示样本索引;
通过优化最小代价函数L(θu)来更新动作神经网络的参数θu,学习到最优策略π,从而完成训练过程。
5.根据权利要求3所述的多台压缩机智能并网控制方法,其特征在于:通过训练深度强化学习模型得到最优化的目标函数为:
s.t C1:0≤Gn≤Gmax×95%,0≤n≤N
C2:FT=FT1+FT2+,…,FTn
C3:A<1
其中,Gn表示第n台压缩机的负载、Gmax表示压缩机的最大负载;FTn表示第n台压缩机的出口流量。
6.根据权利要求1~5任一项所述的多台压缩机智能并网控制方法,其特征在于:当需要停用压缩机时,控制除待停用压缩机以外的其他压缩机,增加其防喘振阀的开度,直到待停用压缩机完成处于停止状态,恢复防喘振阀的开度。
7.一种多台压缩机智能并网控制系统,其特征在于:包括多个压缩机、控制多台压缩机的DCS控制系统;
所述的DCS控制系统控制多个压缩机时,执行如权利要求1~6任一项所述的多台压缩机智能并网控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211578104.1A CN116146516B (zh) | 2022-12-05 | 2022-12-05 | 一种多台压缩机智能并网控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211578104.1A CN116146516B (zh) | 2022-12-05 | 2022-12-05 | 一种多台压缩机智能并网控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116146516A CN116146516A (zh) | 2023-05-23 |
CN116146516B true CN116146516B (zh) | 2024-03-12 |
Family
ID=86351686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211578104.1A Active CN116146516B (zh) | 2022-12-05 | 2022-12-05 | 一种多台压缩机智能并网控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116146516B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08296566A (ja) * | 1995-04-26 | 1996-11-12 | Kobe Steel Ltd | 圧縮機の台数制御装置 |
CN1405456A (zh) * | 2001-09-18 | 2003-03-26 | 株式会社日立制作所 | 多台压缩机的控制方法及压缩机系统 |
CN101592388A (zh) * | 2008-05-27 | 2009-12-02 | 海尔集团公司 | 一种变容量多联机整机能力的控制方法及系统 |
CN103256213A (zh) * | 2012-02-15 | 2013-08-21 | 株式会社日立工业设备技术 | 压缩机系统及其运转控制方法 |
CN107829969A (zh) * | 2017-07-31 | 2018-03-23 | 青岛海尔空调电子有限公司 | 一种磁悬浮离心式空调机组防喘振控制方法及系统 |
CN108106291A (zh) * | 2018-01-25 | 2018-06-01 | 天津商业大学 | 并联机组中压缩机启停的控制方法及控制装置 |
CN108708872A (zh) * | 2018-04-26 | 2018-10-26 | 西安交通大学 | 一种并列运行透平压缩机控制方法及控制系统 |
CN113391656A (zh) * | 2021-06-07 | 2021-09-14 | 国家石油天然气管网集团有限公司西气东输分公司 | 一种压缩机组智能增减控制方法 |
CN114087222A (zh) * | 2021-11-18 | 2022-02-25 | 国家石油天然气管网集团有限公司 | 基于多压缩机组并联的智能负载调节控制方法 |
-
2022
- 2022-12-05 CN CN202211578104.1A patent/CN116146516B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08296566A (ja) * | 1995-04-26 | 1996-11-12 | Kobe Steel Ltd | 圧縮機の台数制御装置 |
CN1405456A (zh) * | 2001-09-18 | 2003-03-26 | 株式会社日立制作所 | 多台压缩机的控制方法及压缩机系统 |
CN101592388A (zh) * | 2008-05-27 | 2009-12-02 | 海尔集团公司 | 一种变容量多联机整机能力的控制方法及系统 |
CN103256213A (zh) * | 2012-02-15 | 2013-08-21 | 株式会社日立工业设备技术 | 压缩机系统及其运转控制方法 |
CN107829969A (zh) * | 2017-07-31 | 2018-03-23 | 青岛海尔空调电子有限公司 | 一种磁悬浮离心式空调机组防喘振控制方法及系统 |
CN108106291A (zh) * | 2018-01-25 | 2018-06-01 | 天津商业大学 | 并联机组中压缩机启停的控制方法及控制装置 |
CN108708872A (zh) * | 2018-04-26 | 2018-10-26 | 西安交通大学 | 一种并列运行透平压缩机控制方法及控制系统 |
CN113391656A (zh) * | 2021-06-07 | 2021-09-14 | 国家石油天然气管网集团有限公司西气东输分公司 | 一种压缩机组智能增减控制方法 |
CN114087222A (zh) * | 2021-11-18 | 2022-02-25 | 国家石油天然气管网集团有限公司 | 基于多压缩机组并联的智能负载调节控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116146516A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101901014B (zh) | 空压站预测调压控制方法 | |
CN109269021B (zh) | 空调系统节能运行优化调度方法 | |
JPS6032036B2 (ja) | 発電所の制御装置 | |
CN107180984A (zh) | 燃料电池系统及其控制方法 | |
CA2520823A1 (en) | Method for controlling a compressed air installation comprising several compressors, control box applied thereby and compressed air installation applying this method | |
EP2239438A2 (en) | Systems and Methods for Controlling Compressor Extraction Cooling | |
CN101718270A (zh) | 空压机控制系统的预测调压方法 | |
CN105543443B (zh) | 一种用于转炉煤气加压机防喘振控制系统的方法 | |
CN105370629A (zh) | Pta装置用能量回收控制方法 | |
CN114784342B (zh) | 一种防喘振燃料电池空气供给控制方法及系统、装置 | |
CN108708872A (zh) | 一种并列运行透平压缩机控制方法及控制系统 | |
CN115823706B (zh) | 一次泵自适应变压差节能控制系统及方法 | |
CN111736466B (zh) | 一种半潜平台快速排载系统的优化控制方法及系统 | |
CN105736434B (zh) | 一种电厂风机的性能监控方法与系统 | |
CN116146516B (zh) | 一种多台压缩机智能并网控制方法及系统 | |
CN106679121A (zh) | 一种基于pid控制的稳定加湿控制方法 | |
CN111059030A (zh) | 基于冷却水量动态独立控制的空压机三级冷却系统及方法 | |
JP6684453B2 (ja) | 蒸気タービン発電機の抽気制御方法及びその制御装置 | |
CN113935601A (zh) | 一种考虑过渡能效的并联供水泵组节能调度方法 | |
CN113739437A (zh) | 一种多台压缩机并联运行的动态负荷分配控制方法 | |
CN110985218B (zh) | 一种燃气轮机的增压机压力调节方法及系统 | |
CN116149401B (zh) | 一种压缩空气储能电站换热器出口温度控制系统及方法 | |
RU2004114846A (ru) | Способ оптимирования эксплуатации множества компрессорных агрегатов компрессорной станции природного газа | |
CN116241441A (zh) | 锅炉给水系统汽动给水泵自动并泵控制方法 | |
CN114278441B (zh) | 燃气涡轮及其燃料流量调整方法 |
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 |