CN116300761A - 协调系统增量计算与给煤量分层控制方法、设备及介质 - Google Patents

协调系统增量计算与给煤量分层控制方法、设备及介质 Download PDF

Info

Publication number
CN116300761A
CN116300761A CN202310322093.9A CN202310322093A CN116300761A CN 116300761 A CN116300761 A CN 116300761A CN 202310322093 A CN202310322093 A CN 202310322093A CN 116300761 A CN116300761 A CN 116300761A
Authority
CN
China
Prior art keywords
coal
increment
control
model
load
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
CN202310322093.9A
Other languages
English (en)
Inventor
张璜
袁世通
周旭战
李帅飞
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.)
Zhongnan Electric Power Test and Research Institute of China Datang Group Science and Technology Research Institute Co Ltd
Original Assignee
Zhongnan Electric Power Test and Research Institute of China Datang Group Science and Technology Research Institute 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 Zhongnan Electric Power Test and Research Institute of China Datang Group Science and Technology Research Institute Co Ltd filed Critical Zhongnan Electric Power Test and Research Institute of China Datang Group Science and Technology Research Institute Co Ltd
Priority to CN202310322093.9A priority Critical patent/CN116300761A/zh
Publication of CN116300761A publication Critical patent/CN116300761A/zh
Pending legal-status Critical Current

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32368—Quality control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)

Abstract

本申请公开了一种协调系统增量计算与给煤量分层控制方法、设备及介质。该方法可以包括：建立燃煤发热量神经网络在线辨识模型；根据燃煤发热量神经网络在线辨识模型进行子模型的二次划分，形成网格化子模型对象集；建立三输入三输出的多变量协调系统被控对象动态数学模型，确定网格化子模型对象集的内部参数；判断当前负荷点和燃煤品质，计算当前时刻的最优控制增量向量；根据当前制粉系统运行台数和各台实际煤量，依据分层控制的原则对给煤量总增量进行分配。本发明解决火电机组在大幅度、高速率、煤质不稳定工况下运行时机炉协调系统控制难题，提升机组的安全、稳定、灵活调整能力。

Description

协调系统增量计算与给煤量分层控制方法、设备及介质
技术领域
本发明涉及火电厂热工自动控制领域，更具体地，涉及一种协调系统增量计算与给煤量分层控制方法、设备及介质。
背景技术
近年来，清洁能源大规模并网的新型能源格局对火电机组参与调峰、调频的辅助服务能力提出了更高要求。在电网负荷指令频繁大幅度变化时，如何提升火电机组协调控制灵活性与机组安全性的问题亟待解决。
在机组大幅度、高速率变工况运行时，火电机组协调控制存在以下问题：
(1)当前多数机组用煤来源复杂，燃煤品质变化大且难以实时在线、准确测量，传统的煤质校正方式响应速度慢并且精度有限，后续以智能算法为代表的煤质建模研究因其所需数据维度高、算法结构复杂等因素难以开展规模化工程应用。煤质的不确定性为协调控制下的锅炉热量的精准输入带来了较大挑战，严重影响了协调控制系统的调节精度与调整速度。
(2)火电机组普遍采用的PID+比例前馈的控制策略只能适应小范围的变工况运行，当机组频繁大范围变工况运行时，机组的非线性动态特征凸显，原控制策略、参数和前馈信号等将不再适配，宽负荷下的协调控制品质将会恶化。
(3)当前基于模型的预测控制算法多数只以被控量设定值与实际值的差值以及控制量增量作为优化指标，并未考虑控制量在调整区间内是否濒临边界值的情况，控制量长期在临界值附近调整易给机组的安全运行带来隐患。
(4)当前协调控制系统输出的锅炉主控信号均以综合(单一)指令的方式送至各制粉系统，并未考虑各粉仓的煤质差异，在各制粉系统给煤量不同且所用煤质的发热量差异明显时，综合(单一)的指令将会改变入炉煤的平均热值，炉膛燃烧情况、汽压、汽温等参数波动较大，内部扰动的增加为机组的控制性能和安全性能带来更大隐患。
因此，有必要开发一种协调系统增量计算与给煤量分层控制方法、设备及介质。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种协调系统增量计算与给煤量分层控制方法、设备及介质，解决火电机组在大幅度、高速率、煤质不稳定工况下运行时机炉协调系统控制难题，提升机组的安全、稳定、灵活调整能力。
第一方面，本公开实施例提供了一种协调系统增量计算与给煤量分层控制方法，包括：
建立燃煤发热量神经网络在线辨识模型；
以制粉系统启停负荷点和汽轮机调门开度变化负荷点作为非线性系统局部线性化的子模型分界点，根据所述燃煤发热量神经网络在线辨识模型在各子模型内根据燃煤发热量的不同进行子模型的二次划分，形成网格化子模型对象集；
基于现场数据，建立三输入三输出的多变量协调系统被控对象动态数学模型，确定所述网格化子模型对象集的内部参数；
判断当前负荷点和燃煤品质，遍历网格得到与当前工况相适配的协调系统被控对象动态数学模型，计算当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T，其中Vu1表示汽轮机调门开度增量，Vu2表示给煤量总增量，Vu3表示给水增量；
根据当前制粉系统运行台数和各台实际煤量，依据分层控制的原则对给煤量总增量Vu2进行分配。
优选地，通过长短期记忆网络进行训练，建立所述燃煤发热量神经网络在线辨识模型。
优选地，所述燃煤发热量神经网络在线辨识模型的输入数据包括：T0时刻的汽水分离器出口压力P1、汽水分离器出口温度T1、省煤器入口给水温度T2、省煤器入口给水压力P2、省煤器入口给水流量S1、过热器出口蒸汽流量S2、T0及3分钟内的各台给煤机瞬时煤量离散序列{C1,C2,...,Cf}，其中f为当前采样精度下的离散数据个数；
所述燃煤发热量神经网络在线辨识模型的输出数据为T0时刻煤质发热量的工业分析实测值。
优选地，建立所述网格化子模型对象集包括：
深度调峰下机组的最低负荷为Fd％Pe，最高负荷为Fu％Pe，锅炉侧制粉系统的运行状态有m种方式，对应的负荷点依次为：F11％Pe，F12％Pe，...，F1m％Pe；
在汽轮机采取部分进汽的方式下，汽轮机的4个主汽调节门控制有n种方式，对应的负荷点依次为：F21％Pe，F22％Pe，...，F2n％Pe；
将两组划分方式下的负荷点进行升序排列，得到初步的子模型负荷分界点：F1％Pe，F2％Pe，...，Fn+m％Pe，Pe为系统额定功率；
在每个负荷区间内依据燃煤发热量进行子模型二次划分，以所述燃煤发热量神经网络在线辨识模型的输入输出变量在负荷区间内的阶跃扰动数据做为建模数据源，得到全负荷工况下涵盖配煤所有典型方式的网格数据库
Figure BDA0004152140760000041
优选地，所述多变量协调系统被控对象动态数学模型的输入变量包括汽轮机调门开度U1，总燃料量U2，给水流量U3；
所述多变量协调系统被控对象动态数学模型的输出变量包括机组功率Y1，主蒸汽压力Y2，分离器出口温度Y3；
将所述网格数据库S中元素依次带入建模，建立全负荷工况下涵盖配煤所有典型方式的协调控制对象的网格化子模型传递函数，记为
Figure BDA0004152140760000042
Figure BDA0004152140760000043
优选地，计算当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T包括：
基于模型设计预测控制器，采用未来P步内期望输出与实际输出的差值、未来C步控制增量以及控制量临界程度的二次型函数作为性能指标，求得当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T。
优选地，判断当前负荷点和燃煤品质，遍历网格得到与当前工况相适配的协调系统被控对象动态数学模型，计算当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T包括：
依据当前负荷点和燃煤发热量，在模型集中自动筛选相适配的协调系统被控对象数学模型，记为Tq，基于模型Tq设计预测控制器，采用未来P步内期望输出与实际输出的差值、未来C步控制增量以及控制量临界程度的二次型函数作为性能指标，k时刻算法的性能指标J(k)为：
J(k)＝[Y-YS]TQ[Y-YS]+△uTR△u-(U+△u-Umin)TW[Umax-(U+△u)]
式中，Y为输出量实际值，包含了未来时刻对输出量的预测信息；YS为输出量设定值；Q为输出量权重系数矩阵；△u为k时刻控制量增量；R为控制量增量权重系数矩阵；U为k-1时刻的控制量；Umin和Umax分别为控制量的区间下限与区间上限；W为控制量临界程度权重系数矩阵，其中：
Q＝diag(Q1,Q2,...Qi,...,QP)，Qi＝diag(qi)
R＝diag(R1,R2,...Ri,...,RC)，Ri＝diag(ri)
W＝diag(W1,W2,...Wi,...,WC)，Wi＝diag(wi)
式中，qi为第i个被控量对应的权重系数，Qi为qi的对角矩阵；ri为第i个控制量增量对应的权重系数，Ri为ri的对角矩阵；wi为第i个控制量临界程度对应的权重系数，Wi为wi的对角矩阵；
由性能指标最小得到当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T。
优选地，根据当前制粉系统运行台数和各台实际煤量，依据分层控制的原则对给煤量总增量Vu2进行分配包括：
计算当前各台给煤机的给煤量占比：
Pj＝Mj/(M1+M2+...+Mc)，j＝1,2,...,c
式中，Mj为k时刻第j台运行给煤机瞬时给煤量，c为运行给煤机台数，Pj为第j台给煤机给煤量占总煤量比例；
Pj表征了单台给煤机的给煤率占比，也为单台给煤机的供煤热值在总燃烧热值中的贡献率，为保证控制量变化后燃烧总热值的稳定，单台给煤机给煤量增量为：
△u2j＝△u2×Pj，j＝1,2,...,c
且满足：Ucmin≤U2j+△u2j≤Ucmax
式中：△u2为给煤量总增量；U2j为第j台给煤机k-1时刻实际煤量；△u2j为k时刻第j台给煤机的给煤量增量；Ucmin和Ucmax分别为单台给煤机煤量下限和上限。
作为本公开实施例的一种具体实现方式，
第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的协调系统增量计算与给煤量分层控制方法。
第三方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的协调系统增量计算与给煤量分层控制方法。
本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的协调系统增量计算与给煤量分层控制方法的步骤的流程图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
为便于理解本发明实施例的方案及其效果，以下给出三个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
实施例1
图1示出了根据本发明的一个实施例的协调系统增量计算与给煤量分层控制方法的步骤的流程图。
如图1所示，该协调系统增量计算与给煤量分层控制方法包括：步骤101，建立燃煤发热量神经网络在线辨识模型；步骤102，以制粉系统启停负荷点和汽轮机调门开度变化负荷点作为非线性系统局部线性化的子模型分界点，根据燃煤发热量神经网络在线辨识模型在各子模型内根据燃煤发热量的不同进行子模型的二次划分，形成网格化子模型对象集；步骤103，基于现场数据，建立三输入三输出的多变量协调系统被控对象动态数学模型，确定网格化子模型对象集的内部参数；步骤104，判断当前负荷点和燃煤品质，遍历网格得到与当前工况相适配的协调系统被控对象动态数学模型，计算当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T，其中Vu1表示汽轮机调门开度增量，Vu2表示给煤量总增量，Vu3表示给水增量；步骤105，根据当前制粉系统运行台数和各台实际煤量，依据分层控制的原则对给煤量增量Vu2进行分配。
在一个示例中，通过长短期记忆网络进行训练，建立燃煤发热量神经网络在线辨识模型。
在一个示例中，燃煤发热量神经网络在线辨识模型的输入数据包括：T0时刻的汽水分离器出口压力P1、汽水分离器出口温度T1、省煤器入口给水温度T2、省煤器入口给水压力P2、省煤器入口给水流量S1、过热器出口蒸汽流量S2、T0及3分钟内的各台给煤机瞬时煤量离散序列{C1,C2,...,Cf}，其中f为当前采样精度下的离散数据个数；
燃煤发热量神经网络在线辨识模型的输出数据为T0时刻煤质发热量的工业分析实测值。
在一个示例中，建立网格化子模型对象集包括：
深度调峰下机组的最低负荷为Fd％Pe，最高负荷为Fu％Pe，锅炉侧制粉系统的运行状态有m种方式，对应的负荷点依次为：F11％Pe，F12％Pe，...，F1m％Pe；
在汽轮机采取部分进汽的方式下，汽轮机的4个主汽调节门控制有n种方式，对应的负荷点依次为：F21％Pe，F22％Pe，...，F2n％Pe；
将两组划分方式下的负荷点进行升序排列，得到初步的子模型负荷分界点：F1％Pe，F2％Pe，...，Fn+m％Pe，Pe为系统额定功率；
在每个负荷区间内依据燃煤发热量进行子模型二次划分，以所述燃煤发热量神经网络在线辨识模型的输入输出变量在负荷区间内的阶跃扰动数据做为建模数据源，得到全负荷工况下涵盖配煤所有典型方式的网格数据库
Figure BDA0004152140760000081
在一个示例中，多变量协调系统被控对象动态数学模型的输入变量包括汽轮机调门开度U1，总燃料量U2，给水流量U3；
多变量协调系统被控对象动态数学模型的输出变量包括机组功率Y1，主蒸汽压力Y2，分离器出口温度Y3；
将网格数据库S中元素依次带入建模，建立全负荷工况下涵盖配煤所有典型方式的协调控制对象的网格化子模型传递函数，记为
Figure BDA0004152140760000082
Figure BDA0004152140760000091
在一个示例中，计算当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T包括：
基于模型设计预测控制器，采用未来P步内期望输出与实际输出的差值、未来C步控制增量以及控制量临界程度的二次型函数作为性能指标，求得当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T。
在一个示例中，判断当前负荷点和燃煤品质，遍历网格得到与当前工况相适配的协调系统被控对象动态数学模型，计算当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T包括：
依据当前负荷点和燃煤发热量，在模型集中自动筛选相适配的协调系统被控对象数学模型，记为Tq，基于模型Tq设计预测控制器，采用未来P步内期望输出与实际输出的差值、未来C步控制增量以及控制量临界程度的二次型函数作为性能指标，k时刻算法的性能指标J(k)为：
J(k)＝[Y-YS]TQ[Y-YS]+△uTR△u-(U+△u-Umin)TW[Umax-(U+△u)]
式中，Y为输出量实际值，包含了未来时刻对输出量的预测信息；YS为输出量设定值；Q为输出量权重系数矩阵；△u为k时刻控制量增量；R为控制量增量权重系数矩阵；U为k-1时刻的控制量；Umin和Umax分别为控制量的区间下限与区间上限；W为控制量临界程度权重系数矩阵，其中：
Q＝diag(Q1,Q2,...Qi,...,QP)，Qi＝diag(qi)
R＝diag(R1,R2,...Ri,...,RC)，Ri＝diag(ri)
W＝diag(W1,W2,...Wi,...,WC)，Wi＝diag(wi)
式中，qi为第i个被控量对应的权重系数，Qi为qi的对角矩阵；ri为第i个控制量增量对应的权重系数，Ri为ri的对角矩阵；wi为第i个控制量临界程度对应的权重系数，Wi为wi的对角矩阵；
由性能指标最小得到当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T。
在一个示例中，根据当前制粉系统运行台数和各台实际煤量，依据分层控制的原则对给煤量总增量Vu2进行分配包括：
计算当前各台给煤机的给煤量占比：
Pj＝Mj/(M1+M2+...+Mc)，j＝1,2,...,c
式中，Mj为k时刻第j台运行给煤机瞬时给煤量，c为运行给煤机台数，Pj为第j台给煤机给煤量占总煤量比例；
Pj表征了单台给煤机的给煤率占比，也为单台给煤机的供煤热值在总燃烧热值中的贡献率，为保证控制量变化后燃烧总热值的稳定，单台给煤机给煤量增量为：
△u2j＝△u2×Pj，j＝1,2,...,c
且满足：Ucmin≤U2j+△u2j≤Ucmax
式中：△u2为给煤量总增量；U2j为第j台给煤机k-1时刻实际煤量；△u2j为k时刻第j台给煤机的给煤量增量；Ucmin和Ucmax分别为单台给煤机煤量下限和上限。
具体地，采用长短期记忆网络(LSTM,Long ShortTerm Memory)进行训练，建立具有结构精简、拟合准确度高、数据量依赖度小的燃煤发热量神经网络在线辨识模型，优势在于：
(1)LSTM神经网络适合处理和预测时间序列中间隔和延迟较长的事件，与协调系统被控对象具有的大惯性、大迟延特征相吻合，在原理和结构上保证了模型输出的合理性和可靠度。
(2)由于煤质化验时间周期长，历史数据积累不足，基于LSTM神经网络适应于小样本数据的燃煤发热量估算具有准确且稳定的估算效果。
燃煤发热量神经网络在线辨识模型输入数据为：T0时刻的汽水分离器出口压力P1、汽水分离器出口温度T1、省煤器入口给水温度T2、省煤器入口给水压力P2、省煤器入口给水流量S1、过热器出口蒸汽流量S2、T0及3分钟内的各台给煤机瞬时煤量离散序列{C1,C2,...,Cf}，其中f为当前采样精度下的离散数据个数。燃煤发热量神经网络在线辨识模型输出数据为：T0时刻煤质发热量的工业分析实测值。
以制粉系统启停负荷点和汽轮机调门开度变化负荷点作为非线性系统局部线性化的子模型分界点，在各子模型内根据燃煤发热量的不同进行子模型的二次划分，形成网格化子模型对象集，具体包括：
深度调峰下，若机组的最低负荷为Fd％Pe，最高负荷为Fu％Pe，依据负荷区间的不同，锅炉侧制粉系统的运行状态有m种方式，对应的负荷点依次为：F11％Pe，F12％Pe，...，F1m％Pe；
在汽轮机采取部分进汽的方式下，汽轮机的4个主汽调节门控制有n种方式，对应的负荷点依次为：F21％Pe，F22％Pe，...，F2n％Pe；
将两组划分方式下的负荷点进行升序排列，得到初步的子模型负荷分界点：F1％Pe，F2％Pe，...，Fn+m％Pe，Pe为系统额定功率；
在每个负荷区间内依据燃煤发热量进行子模型二次划分，以[F1％Pe，F2％Pe]区间为例，实际运行中机组配煤有a种典型方式，对应a类燃煤发热量{R1,R2,...,Ra}，选取燃用R1煤种时，以燃煤发热量神经网络在线辨识模型的输入输出变量在[F1％Pe，F2％Pe]负荷区间内的阶跃扰动数据做为建模数据源之一，记为S1,2,1，以此类推，得到全负荷工况下涵盖配煤所有典型方式的网格数据库
Figure BDA0004152140760000111
基于现场数据，建立三输入三输出的多变量协调系统被控对象动态数学模型，确定网格化子模型对象集内部参数；多变量模型输入变量为汽轮机调门开度U1，总燃料量U2，给水流量U3；输出变量为机组功率Y1，主蒸汽压力Y2，分离器出口温度Y3；将包含阶跃扰动特征的网格数据S中元素依次带入建模，建立全负荷工况下涵盖配煤所有典型方式的协调控制对象的网格化子模型传递函数，记为
Figure BDA0004152140760000121
判断当前负荷点和燃煤品质，遍历网格得到与当前工况相适配的协调系统被控对象动态数学模型，基于模型设计预测控制器，采用未来P步内期望输出与实际输出的差值、未来C步控制增量以及控制量临界程度的二次型函数作为性能指标，求得当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T，其中Vu1表示汽轮机调门开度增量，Vu2表示给煤量增量，Vu3表示给水增量；依据当前负荷点和燃煤发热量，在模型集中自动筛选相适配的协调系统被控对象数学模型，记为Tq，基于模型Tq设计预测控制器，采用未来P步内期望输出与实际输出的差值、未来C步控制增量以及控制量临界程度的二次型函数作为性能指标，k时刻算法的性能指标J(k)为：
J(k)＝[Y-YS]TQ[Y-YS]+△uTR△u-(U+△u-Umin)TW[Umax-(U+△u)]
式中，Y为输出量实际值，包含了未来时刻对输出量的预测信息；YS为输出量设定值；Q为输出量权重系数矩阵；△u为k时刻控制量增量；R为控制量增量权重系数矩阵；U为k-1时刻的控制量；Umin和Umax分别为控制量的区间下限与区间上限；W为控制量临界程度权重系数矩阵。其中：
Q＝diag(Q1,Q2,...Qi,...,QP)，Qi＝diag(qi)
R＝diag(R1,R2,...Ri,...,RC)，Ri＝diag(ri)
W＝diag(W1,W2,...Wi,...,WC)，Wi＝diag(wi)
式中，qi为第i个被控量对应的权重系数，Qi为qi的对角矩阵；ri为第i个控制量增量对应的权重系数，Ri为ri的对角矩阵；wi为第i个控制量临界程度对应的权重系数，Wi为wi的对角矩阵。
由性能指标最小得到当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T，其中Vu1表示汽轮机调门开度增量，Vu2表示给煤量总增量，Vu3表示给水增量。
根据当前制粉系统运行台数和各台实际煤量，依据分层控制的原则对给煤量总增量Vu2进行分配，保证动态调整后不会带来炉内燃烧热值的偏离，同时减少因锅炉侧内扰带来的汽温、汽压的大幅波动。
计算当前各台给煤机的给煤量占比：
Pj＝Mj/(M1+M2+...+Mc)，j＝1,2,...,c
式中，Mj为k时刻第j台运行给煤机瞬时给煤量，c为运行给煤机台数，Pj为第j台给煤机给煤量占总煤量比例；
Pj表征了单台给煤机的给煤率占比，也为单台给煤机的供煤热值在总燃烧热值中的贡献率，为保证控制量变化后燃烧总热值的稳定，单台给煤机给煤量增量为：
△u2j＝△u2×Pj，j＝1,2,...,c
且满足：Ucmin≤U2j+△u2j≤Ucmax
式中：△u2为给煤量总增量；U2j为第j台给煤机k-1时刻实际煤量；△u2j为k时刻第j台给煤机的给煤量增量；Ucmin和Ucmax分别为单台给煤机煤量下限和上限。
本发明通过小样本数据下煤质辨识、非线性被控对象全局建模及模型自动筛选、模型预测控制的指标优化、给煤量分层控制等技术手段，显著提高了机组在大幅度、高速率变工况下的负荷跟踪能力和运行稳定性，增强了控制系统的自适应能力。
以某电厂660MW超临界机组协调系统为例，采用系统建模及优化控制方法，详细说明本发明内容。选取198MW(30％Pe)、440MW(66.7％Pe)、528MW(80％Pe)、660MW(100％Pe)作为初步的子模型负荷分界点，机组配煤有3种典型方式，分别对应3类燃煤发热量，采用全负荷工况下涵盖配煤所有典型方式的网格数据库数据进行建模和预测控制的优化。
实际应用表明：当机组负荷变化量99MW(15％Pe)、变负荷速率为7.92MW/min(1.2％Pe/min)时，负荷最大动态偏差由原来的9.2MW降为4.5MW，主蒸汽压力最大动态偏差由原来的1.2MPa降为0.75MPa，主汽温偏差和再热汽温偏差分别控制在±5℃和±5.5℃以内，协调控制系统的快速性、准确性显著提升。
实施例2
本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述协调系统增量计算与给煤量分层控制方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
实施例3
本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的协调系统增量计算与给煤量分层控制方法。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (10)

1.一种协调系统增量计算与给煤量分层控制方法，其特征在于，包括：
建立燃煤发热量神经网络在线辨识模型；
以制粉系统启停负荷点和汽轮机调门开度变化负荷点作为非线性系统局部线性化的子模型分界点，根据所述燃煤发热量神经网络在线辨识模型在各子模型内根据燃煤发热量的不同进行子模型的二次划分，形成网格化子模型对象集；
基于现场数据，建立三输入三输出的多变量协调系统被控对象动态数学模型，确定所述网格化子模型对象集的内部参数；
判断当前负荷点和燃煤品质，遍历网格得到与当前工况相适配的协调系统被控对象动态数学模型，计算当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T，其中Vu1表示汽轮机调门开度增量，Vu2表示给煤量总增量，Vu3表示给水增量；
根据当前制粉系统运行台数和各台实际煤量，依据分层控制的原则对给煤量增量Vu2进行分配。
2.根据权利要求1所述的协调系统增量计算与给煤量分层控制方法，其中，通过长短期记忆网络进行训练，建立所述燃煤发热量神经网络在线辨识模型。
3.根据权利要求1所述的协调系统增量计算与给煤量分层控制方法，其中，所述燃煤发热量神经网络在线辨识模型的输入数据包括：T0时刻的汽水分离器出口压力P1、汽水分离器出口温度T1、省煤器入口给水温度T2、省煤器入口给水压力P2、省煤器入口给水流量S1、过热器出口蒸汽流量S2、T0及3分钟内的各台给煤机瞬时煤量离散序列{C1,C2,...,Cf}，其中f为当前采样精度下的离散数据个数；
所述燃煤发热量神经网络在线辨识模型的输出数据为T0时刻煤质发热量的工业分析实测值。
4.根据权利要求1所述的协调系统增量计算与给煤量分层控制方法，其中，建立所述网格化子模型对象集包括：
深度调峰下机组的最低负荷为Fd％Pe，最高负荷为Fu％Pe，锅炉侧制粉系统的运行状态有m种方式，对应的负荷点依次为：F11％Pe，F12％Pe，...，F1m％Pe；
在汽轮机采取部分进汽的方式下，汽轮机的4个主汽调节门控制有n种方式，对应的负荷点依次为：F21％Pe，F22％Pe，...，F2n％Pe；
将两组划分方式下的负荷点进行升序排列，得到初步的子模型负荷分界点：F1％Pe，F2％Pe，...，Fn+m％Pe，Pe为系统额定功率；
在每个负荷区间内依据燃煤发热量进行子模型二次划分，以所述燃煤发热量神经网络在线辨识模型的输入输出变量在负荷区间内的阶跃扰动数据做为建模数据源，得到全负荷工况下涵盖配煤所有典型方式的网格数据库
Figure FDA0004152140750000021
5.根据权利要求4所述的协调系统增量计算与给煤量分层控制方法，其中，所述多变量协调系统被控对象动态数学模型的输入变量包括汽轮机调门开度U1，总燃料量U2，给水流量U3；
所述多变量协调系统被控对象动态数学模型的输出变量包括机组功率Y1，主蒸汽压力Y2，分离器出口温度Y3；
将所述网格数据库S中元素依次带入建模，建立全负荷工况下涵盖配煤所有典型方式的协调控制对象的网格化子模型传递函数，记为
Figure FDA0004152140750000031
Figure FDA0004152140750000032
6.根据权利要求1所述的协调系统增量计算与给煤量分层控制方法，其中，计算当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T包括：
基于模型设计预测控制器，采用未来P步内期望输出与实际输出的差值、未来C步控制增量以及控制量临界程度的二次型函数作为性能指标，求得当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T。
7.根据权利要求6所述的协调系统增量计算与给煤量分层控制方法，其中，判断当前负荷点和燃煤品质，遍历网格得到与当前工况相适配的协调系统被控对象动态数学模型，计算当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T包括：
依据当前负荷点和燃煤发热量，在模型集中自动筛选相适配的协调系统被控对象数学模型，记为Tq，基于模型Tq设计预测控制器，采用未来P步内期望输出与实际输出的差值、未来C步控制增量以及控制量临界程度的二次型函数作为性能指标，k时刻算法的性能指标J(k)为：
J(k)＝[Y-YS]TQ[Y-YS]+△uTR△u-(U+△u-Umin)TW[Umax-(U+△u)]
式中，Y为输出量实际值，包含了未来时刻对输出量的预测信息；YS为输出量设定值；Q为输出量权重系数矩阵；△u为k时刻控制量增量；R为控制量增量权重系数矩阵；U为k-1时刻的控制量；Umin和Umax分别为控制量的区间下限与区间上限；W为控制量临界程度权重系数矩阵，其中：
Q＝diag(Q1,Q2,...Qi,...,QP)，Qi＝diag(qi)
R＝diag(R1,R2,...Ri,...,RC)，Ri＝diag(ri)
W＝diag(W1,W2,...Wi,...,WC)，Wi＝diag(wi)
式中，qi为第i个被控量对应的权重系数，Qi为qi的对角矩阵；ri为第i个控制量增量对应的权重系数，Ri为ri的对角矩阵；wi为第i个控制量临界程度对应的权重系数，Wi为wi的对角矩阵；
由性能指标最小得到当前时刻的最优控制增量向量Vu:(Vu1,Vu2,Vu3)T。
8.根据权利要求1所述的协调系统增量计算与给煤量分层控制方法，其中，根据当前制粉系统运行台数和各台实际煤量，依据分层控制的原则对给煤量总增量Vu2进行分配包括：
计算当前各台给煤机的给煤量占比：
Pj＝Mj/(M1+M2+...+Mc)，j＝1,2,...,c
式中，Mj为k时刻第j台运行给煤机瞬时给煤量，c为运行给煤机台数，Pj为第j台给煤机给煤量占总煤量比例；
Pj表征了单台给煤机的给煤率占比，也为单台给煤机的供煤热值在总燃烧热值中的贡献率，为保证控制量变化后燃烧总热值的稳定，单台给煤机给煤量增量为：
△u2j＝△u2×Pj，j＝1,2,...,c
且满足：Ucmin≤U2j+△u2j≤Ucmax
式中：△u2为给煤量总增量；U2j为第j台给煤机k-1时刻实际煤量；△u2j为k时刻第j台给煤机的给煤量增量；Ucmin和Ucmax分别为单台给煤机煤量下限和上限。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求1-8中任一项所述的协调系统增量计算与给煤量分层控制方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-8中任一项所述的协调系统增量计算与给煤量分层控制方法。
CN202310322093.9A 2023-03-29 2023-03-29 协调系统增量计算与给煤量分层控制方法、设备及介质 Pending CN116300761A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310322093.9A CN116300761A (zh) 2023-03-29 2023-03-29 协调系统增量计算与给煤量分层控制方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310322093.9A CN116300761A (zh) 2023-03-29 2023-03-29 协调系统增量计算与给煤量分层控制方法、设备及介质

Publications (1)

Publication Number Publication Date
CN116300761A true CN116300761A (zh) 2023-06-23

Family

ID=86823995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310322093.9A Pending CN116300761A (zh) 2023-03-29 2023-03-29 协调系统增量计算与给煤量分层控制方法、设备及介质

Country Status (1)

Country Link
CN (1) CN116300761A (zh)

Similar Documents

Publication Publication Date Title
CN110285403B (zh) 基于被控参数预估的主蒸汽温度控制方法
CN102494336B (zh) 一种循环流化床锅炉燃烧过程多变量控制方法
CN113031565B (zh) 一种火电机组一次调频功率响应性能预测方法及系统
Zhang et al. Cascade control of superheated steam temperature with neuro-PID controller
CN102841539B (zh) 基于多模型预测控制的亚临界协调控制方法
CN104865830A (zh) 一种机组负荷双重智能优化控制方法
CN102444784A (zh) 基于动态矩阵控制的钢铁企业蒸汽管网压力控制系统
WO2015035134A1 (en) Combined cycle power generation optimization system
CN103322553A (zh) 一种火电机组过热汽温多模型扰动估计预测控制方法
CN116755409B (zh) 一种基于值分布ddpg算法的燃煤发电系统协调控制方法
CN112330012B (zh) 一种基于迁移学习的建筑能耗预测方法及设备
CN112015082B (zh) 一种基于模糊增益调度预测控制的机炉协调系统控制方法
Pan et al. L1 adaptive control for improving load-following capability of nonlinear boiler–turbine units in the presence of unknown uncertainties
CN106855691A (zh) 用于超临界火电机组机炉系统负荷跟踪的双层控制系统
CN117930776A (zh) 一种基于模型预测的白酒生产精准供汽预调控方法及系统
CN110610276B (zh) 一种含广义预测控制的综合能源系统调度方法及系统
CN116300761A (zh) 协调系统增量计算与给煤量分层控制方法、设备及介质
Laurencio-Molina et al. Design of an artificial neural network controller for a tankless water heater by using a low-profile embedded system
Elshafei et al. Boilers optimal control for maximum load change rate
CN113885607B (zh) 一种汽温控制方法、装置、电子设备和计算机存储介质
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
Vansovits et al. Identification of industrial water boiler for model predictive control of district heat plant
CN115544856A (zh) 一种电热综合能源系统日前优化调度方法
CN106125781A (zh) 一种基于LMIs的汽包水位控制系统设计方法
Yulianto et al. SYSTEM DEVELOPMENT FOR ENHANCING BOILER PERFORMANCE: FROM PID CONTROL TO ADAPTIVE AND MODEL PREDICTIVE CONTROL FOR MORE EFFECTIVE OPTIMIZATION OF TEMPERATURE, PRESSURE, AND LEVEL CONTROL IN BOILER SYSTEM

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