CN116482970A - 煤气化装置的调控方法、装置、设备及可读存储介质 - Google Patents
煤气化装置的调控方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116482970A CN116482970A CN202310207378.8A CN202310207378A CN116482970A CN 116482970 A CN116482970 A CN 116482970A CN 202310207378 A CN202310207378 A CN 202310207378A CN 116482970 A CN116482970 A CN 116482970A
- Authority
- CN
- China
- Prior art keywords
- controlled variable
- variable
- value
- model
- coal gasification
- 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
- 238000002309 gasification Methods 0.000 title claims abstract description 125
- 239000003245 coal Substances 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000001276 controlling effect Effects 0.000 claims abstract description 10
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 109
- 229910052739 hydrogen Inorganic materials 0.000 claims description 109
- 239000001257 hydrogen Substances 0.000 claims description 109
- 230000006870 function Effects 0.000 claims description 76
- 238000013499 data model Methods 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 3
- 238000010521 absorption reaction Methods 0.000 description 44
- 239000007789 gas Substances 0.000 description 28
- 238000005457 optimization Methods 0.000 description 25
- 238000000746 purification Methods 0.000 description 25
- 238000004519 manufacturing process Methods 0.000 description 23
- 230000008859 change Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 15
- 238000004891 communication Methods 0.000 description 13
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 10
- PAYRUJLWNCNPSJ-UHFFFAOYSA-N Aniline Chemical compound NC1=CC=CC=C1 PAYRUJLWNCNPSJ-UHFFFAOYSA-N 0.000 description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 8
- 229910052799 carbon Inorganic materials 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 229910021529 ammonia Inorganic materials 0.000 description 5
- 238000001179 sorption measurement Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000006096 absorbing agent Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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)
- 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
本公开的实施例提供了一种煤气化装置的调控方法、装置、设备及可读存储介质。方法包括：获取煤气化装置的被控变量的当前值；将被控变量的当前值与被控变量模型库进行匹配，以获得被控变量的最优值；将被控变量最优值输入至预设多变量模型，以获得煤气化装置的操作变量的目标值，其中，操作变量能够影响被控变量；根据操作变量的目标值，对煤气化装置进行调控，以使被控变量的当前值与被控变量的最优值相匹配。以此方式，无论下游负荷等被控变量如何波动或变化，均可对被控变量的大小进行自动调节，使其围绕在最优值附近，以确保气化炉的气体有效利用率最大化、煤气化装置的经济效率最高。
Description
技术领域
本公开涉及化工领域，尤其涉及煤气化装置的调控方法、装置、设备及可读存储介质。
背景技术
我国的资源禀赋特点决定了煤炭在相当长一段时期内仍将是我国的主体能源，煤炭能源作为我国能源结构的重要组成，对于确保我国能源供应安全具有至关重要的作用，而煤化工产业作为实现煤炭资源高效利用的有力手段，直接关系到国家的能源战略发展规划。煤气化作为一种洁净煤技术，为我国煤化工行业的可持续发展提供了可靠保证，而气化炉作为煤气化的关键设备影响着煤化工的发展。为此人们设计出各种各样的将原煤转化为煤气的气化炉。但由于气体产品缓冲性较差，下游负荷波动频繁等因素影响，需要工作人员反复手动调节氢气管网的压力等参数，以确保气化炉的气体有效利用率最大化、煤气化装置的经济效率最高。
发明内容
本公开提供了一种煤气化装置的调控方法、装置、设备及可读存储介质。
根据本公开的第一方面，提供了一种煤气化装置的调控方法。该方法包括：
获取所述煤气化装置的被控变量的当前值；
将所述被控变量的当前值与被控变量模型库进行匹配，以获得所述被控变量的最优值；
将所述被控变量最优值输入至预设多变量模型，以获得所述煤气化装置的操作变量的目标值，其中，所述操作变量能够影响所述被控变量；
根据所述操作变量的目标值，对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的最优值相匹配。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述被控变量模型库通过以下步骤建立：
获取所述被控变量的历史值；
根据所述被控变量的历史值，建立被控变量数据模型；其中，所述被控变量数据模型的输出为所述被控变量的第一最优值；
根据所述被控变量数据模型和预设的被控变量机理模型，建立所述被控变量模型库，其中，所述被控变量机理模型的输出为所述被控变量的第二最优值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将所述被控变量的当前值与被控变量模型库进行匹配，以获得所述被控变量的最优值，包括：
将所述被控变量的当前值与所述被控变量数据模型进行匹配，获得所述被控变量的第一最优值；
根据所述被控变量机理模型的预设约束条件，获得所述被控变量的第二最优值；
将所述第一最优值与所述第二最优值进行差值比较，确定差值最小时所述被控变量的最优值作为所述被控变量最终的最优值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述被控变量机理模型包括：预设经济函数、物料平衡函数以及能量平衡函数，其中：
所述预设经济函数是关于下游用户负荷、下游用户生成的产品的附加值以及所述煤气化装置和所述下游用户产生的经济效益的函数；
所述物料平衡函数是关于下游用户负荷、下游用户生成的产品的附加值以及所述煤气化装置产生的氢气量的函数；
所述能量平衡函数是关于下游用户负荷、下游用户生成的产品所消耗的能量以及所述煤气化装置和所述下游用户所消耗的能量的函数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设多变量模型通过以下步骤获取：
以所述被控变量的历史值为输入，以所述操作变量的历史值为输出，建立传递函数待求取的多变量模型；
采用脉冲响应测试或阶跃响应测试对所述传递函数待求取的多变量模型进行测试，获得所述传递函数；
建立关于所述被控变量、所述操作变量以及所述传递函数之间的所述预设多变量模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述操作变量的目标值，对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的最优值相匹配，包括：
获取所述操作变量的当前值；
计算所述操作变量的目标值与所述操作变量的当前值的变量差；
根据所述变量差以及PID控制方法，对所述被控变量进行调节，以使调节后的所述被控变量的当前值与所述被控变量的最优值相匹配。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在将所述被控变量的当前值与被控变量模型库进行匹配之前，所述方法还包括：
对所述被控变量的当前值进行预处理，其中，所述预处理包括以下至少一项：对所述被控变量进行整理、清洗、删除所述被控变量中的零值数据、重复数据以及对所述被控变量进行标准化处理。
根据本公开的第二方面，提供了一种煤气化装置的调控装置。该装置包括：
第一获取模块，用于获取所述煤气化装置的被控变量的当前值；
匹配模块，用于将所述被控变量的当前值与被控变量模型库进行匹配，以获得所述被控变量的最优值；
第二获取模块，用于将所述被控变量最优值输入至预设多变量模型，以获得所述煤气化装置的操作变量的目标值，其中，所述操作变量能够影响所述被控变量；
调控模块，用于根据所述操作变量的目标值，对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的目标值相匹配。
根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。
本公开中，将被控变量的当前值与被控变量模型库自动进行匹配后，可获得被控变量的最优值，然后将被控变量最优值输入至预设多变量模型之后，即可获得所述煤气化装置的操作变量的目标值，然后根据操作变量的目标值，可自动地对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的最优值相匹配，如此，无论下游负荷等被控变量如何波动或变化，均可对被控变量的大小进行自动调节，使其围绕在最优值附近，这不仅避免了需要工作人员反复手动调节氢气管网的压力等操作变量，也可确保气化炉的气体有效利用率最大化、煤气化装置的经济效率最高。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的一种煤气化装置的调控方法的流程图；
图2示出了根据本公开的实施例的另一种煤气化装置的调控方法的流程图；
图3示出了根据本公开的实施例的一种煤气化装置的调控系统的框图；
图4示出了根据本公开的实施例的煤气化装置的调控装置的框图；
图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的煤气化装置的调控方法100的流程图。方法100可以包括：
步骤110，获取所述煤气化装置的被控变量的当前值；
煤气化装置可以为图3中除下游的氢气用户之外的其他装置，如包括：气化炉+变换反应器+吸收塔+氢气提纯装置；其中：
气化炉用于将煤转化为氢气、一氧化碳二氧化碳等气体，
变换反应器用于将气化炉排出的气体中的一氧化碳加水变成二氧化碳和氢气，
吸收塔用于吸收掉变换反应器排出的气体中溶于水的气体，而不溶于水的气体为氢气和一氧化碳，
氢气提纯装置，用于通过吸附将吸收塔排出的气体吸附，以对氢气进行进一步提纯，
外部氢源，用于提供氢气，在氢气提纯装置提取出的氢气不够下游氢气用户使用时，就会使用。
步骤120，将所述被控变量的当前值与被控变量模型库进行匹配，以获得所述被控变量的最优值；
被控变量模型库的输入为被控变量的实时值，输出为被控变量的最优值。
步骤130，将所述被控变量最优值输入至预设多变量模型，以获得所述煤气化装置的操作变量的目标值，其中，所述操作变量能够影响所述被控变量；
预设多变量模型的输入为被控变量的值，输出为操作变量的值。
被控变量是最终的调控目标，以确保气体有效利用率最大化、煤气化装置的经济效率最高；操作变量是实现被控变量的调节手段，即通过该操作变量可实现对被控变量的调节。
例如：被控变量为氢气管网的压力阀门的开度，则操作变量为氢气管网的压力，被控变量为氢气管网的流量阀门的开度，则操作变量为氢气管网的流量。
被控变量包括但不限于：吸收塔的压力、氢气管网的压力、PSA压力(PressureSwing Absorption，变压吸附)和下游用户(如图3中的氢气用户A、氢气用户B、氢气用户C和氢气用户D)负荷(即给下游用户提供的氢气量)等。
而下游用户可以是生产甲醇的装置、生产苯胺的装置、生产氨气的装置。
操作变量包括但不限于：煤气化变换气吸收塔侧采氢线流量(即图3中吸收塔流出氢气的流量)、煤气化变换气吸收塔侧采碳线流量(即图3中吸收塔流出一氧化碳的流量)、煤气化变换气吸收塔塔顶压力控制阀(即图3中吸收塔的压力)、几套PSA(Pressure SwingAbsorption，变压吸附)装置(即图3中氢气提纯装置A至氢气提纯装置C)的进口阀门(如图3中流量阀门FIC001和FIC006测得的氢气)和出口阀门(如图3中流量阀门FIC1002、FIC1004、FIC 1007测得的氢气、氢气管网的阀门(如图3中压力阀门PIC1003、PIC1005、PIC1008、PIC1009)等。
步骤140，根据所述操作变量的目标值，对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的最优值相匹配。
将被控变量的当前值与被控变量模型库自动进行匹配后，可获得被控变量的最优值，然后将被控变量最优值输入至预设多变量模型之后，即可获得所述煤气化装置的操作变量的目标值，然后根据操作变量的目标值，可自动地对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的最优值相匹配，如此，无论下游负荷等被控变量如何波动或变化，均可对被控变量的大小进行自动调节，使其围绕在最优值附近，这不仅避免了需要工作人员反复手动调节氢气管网的压力等操作变量，也可确保气化炉的气体有效利用率最大化、煤气化装置的经济效率最高。
在一些实施例中，所述被控变量模型库通过以下步骤建立：
获取所述被控变量的历史值；
根据所述被控变量的历史值，建立被控变量数据模型；其中，所述被控变量数据模型的输出为所述被控变量的第一最优值；
被控变量数据模型的输入为被控变量的实时值，输出为被控变量的最优值。
建立被控变量数据模型时，除了结合被控变量的历史值之外，还可结合被控变量的历史最优值即每个测得到被控变量的历史值对应的调节后的历史最优值，而建立时，可将被控变量的历史值和历史最优值分别作为横纵坐标进行线性拟合，以获得被控变量数据模型。
根据所述被控变量数据模型和预设的被控变量机理模型，可建立所述被控变量模型库，其中，所述被控变量机理模型的输出为所述被控变量的第二最优值，第一最优值和第二最优值均为最优值，只不过是不同模型输出的，为了区分，所以称之为第一最优值和第二最优值。
由于被控变量的历史值的离散的，因而，获取被控变量的历史值之后，对被控变量的历史值进行线性拟合，以获得被控变量数据模型；然后根据所述被控变量数据模型和所述被控变量机理模型，即可建立被控变量模型库，以便于利用被控变量模型库获得所述被控变量的最优值。
在一些实施例中，所述将所述被控变量的当前值与被控变量模型库进行匹配，以获得所述被控变量的最优值，包括：
将所述被控变量的当前值与所述被控变量数据模型进行匹配，获得所述被控变量的第一最优值；
根据所述被控变量机理模型的预设约束条件，获得所述被控变量的第二最优值；
将所述第一最优值与所述第二最优值进行差值比较，确定差值最小时所述被控变量的最优值作为所述被控变量最终的最优值。
由于被控变量数据模型的输入为被控变量的实时值，输出为被控变量的最优值，因而，将被控变量的当前值与所述被控变量数据模型进行匹配，获得所述被控变量的第一最优值；而根据所述被控变量机理模型的预设约束条件，可获得所述被控变量的第二最优值，然后将第一最优值与所述第二最优值进行差值比较，即可确定差值最小的一对最优值，最终可将差值最小的一对最优值中的任一个最优值作为所述被控变量最终的最优值，如将多对被控变量数据模型输出的最优值A与被控变量机理模型的最优值B进行差值比较后，将差值最小的一对最优值(A1和B1)中任一个最优值作为最终的最优值，即最终的最优值为A1或B1。
在一些实施例中，所述被控变量机理模型包括：预设经济函数、物料平衡函数以及能量平衡函数，其中：
被控变量机理模型的预设约束条件为上述预设经济函数、物料平衡函数以及能量平衡函数的约束函数，如上述预设经济函数取值最大，而物料平衡函数以及能量平衡函数的取值最小，以确保经济获取最大，而物料消耗和能量消耗最小。
所述预设经济函数是关于下游用户负荷、下游用户生成的产品的附加值以及所述煤气化装置和所述下游用户产生的经济效益的函数；
所述物料平衡函数是关于下游用户负荷、下游用户生成的产品的附加值以及所述煤气化装置产生的氢气量的函数；
所述能量平衡函数是关于下游用户负荷、下游用户生成的产品所消耗的能量以及所述煤气化装置和所述下游用户所消耗的能量的函数。
另外，获取第二最优值的方式为：将预设经济函数的经济效益值最大，煤气化装置产生的氢气量最小以及煤气化装置和所述下游用户所消耗的能量最小为约束条件，求出的下游用户负荷作为被控变量的最优值。
在一些实施例中，所述预设多变量模型通过以下步骤获取：
以所述被控变量的历史值为输入，以所述操作变量的历史值为输出，建立传递函数待求取的多变量模型；
采用脉冲响应测试或阶跃响应测试对所述传递函数待求取的多变量模型进行测试，获得所述传递函数；
阶跃响应测试即：将其中一个操作变量的值变动后，获得被控变量的新值，然后根据多个变动后的操作变量和各变动后的操作变量对应的被控变量的新值，即可求出传递函数中的各种参数，如增益、时间常数和滞后时间。脉冲响应测试的原理类似于阶跃响应测试，本公开不再赘述。
建立关于所述被控变量、所述操作变量以及所述传递函数之间的所述预设多变量模型。
采用脉冲响应测试或阶跃响应测试对所述传递函数待求取的多变量模型进行测试，可准确获得传递函数，然后基于被控变量、操作变量以及传递函数即可建立关于三者的预设多变量模型。
其中，预设多变量模型为：
所述的CV1-CV2、MV1-MV2为被控变量和操作变量，当然，预设多变量模型中参数包括但不限于文中列举的CV1、CV1、MV1、MV2，而k1-k4、τ1-τ4和t1-t4分别为传递函数的增益、时间常数和滞后时间。等均为传递函数，s为拉普拉斯变化后的s，其中，拉普拉斯变换是工程数学中常用的一种积分变换，又名拉氏变换。拉氏变换是一个线性变换，可将一个有参数实数t(t≥0)的函数转换为一个参数为复数s的函数。
在一些实施例中，所述根据所述操作变量的目标值，对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的最优值相匹配，包括：
获取所述操作变量的当前值；
计算所述操作变量的目标值与所述操作变量的当前值的变量差；
根据所述变量差以及PID控制方法，对所述被控变量进行调节，以使调节后的所述被控变量的当前值与所述被控变量的最优值相匹配。
调节后的所述被控变量的当前值与所述被控变量的最优值相匹配指的是：调节后的所述被控变量的当前值与所述被控变量的最优值的差值小于预设阈值。
通过计算操作变量的目标值与操作变量的当前值的变量差，可根据该变量差以及PID控制方法，自动地对所述被控变量进行调节，以使调节后的所述被控变量的当前值与所述被控变量的最优值相匹配，如此，无论下游负荷等被控变量如何波动或变化，均可对被控变量的大小进行自动调节，使其围绕在最优值附近，以确保气化炉的气体有效利用率最大化、煤气化装置的经济效率最高。当然，被控变量的最优值并非一成不变的，当被控变量的当前值不同时，被控变量的最优值也会适应性不同，以与实际工况相匹配。
例如：任一阀门开度的变化大小(即被控变量)可用以下公式计算：
其中，VO1为目标阀门开度(即被控变量的最优值))；VO0为当前阀门开度(即被控变量的当前值)；Pe为多变量模型预测控制部分给出的操作变量(比如压力)目标值与操作变量的当前值的差值。
具体的，可调节参数Kp、Td和Ts采用以下公式计算出：
其中，MV1为上述任一阀门的第二当前阀门开度(即调节后的阀门开度)；PV1为第二当前操作变量大小(即对应第二当前阀门开度的操作变量)；MV2为上述任一阀门的第三当前阀门开度(即再次调节后的阀门开度)；PV2为第三当前操作变量大小(即对应第三当前阀门开度的操作变量)；t1为第一调节时间(第二当前阀门开度开始变化的时间)；t2为第二调节时间(PV1开始变化的时间点)；t3为第三调节时间(PV1变化为PV2的时间点)。
在一些实施例中，在将所述被控变量的当前值与被控变量模型库进行匹配之前，所述方法还包括：
对所述被控变量的当前值进行预处理，其中，所述预处理包括以下至少一项：对所述被控变量进行整理、清洗、删除所述被控变量中的零值数据、重复数据以及对所述被控变量进行标准化处理。
对被控变量的当前值进行预处理，就是对被控变量进行整理和清洗，删除数据中的零值数据、重复数据和异常数据，还需数据进行标准化处理，以消除数量级引起的被控变量模型库和预设多变量模型偏差，确保被控变量模型库和预设多变量模型建立和预测的准确性。
下面将结合图2和图3进一步详细说明本公开的技术方案：
本公开的煤气化装置的调控方法包括：
实时优化部分，根据不同条件及约束对煤气化装置及下游负荷进行实时优化。
多变量模型(即预设多变量模型)预测控制部分，根据模型预测结果得到合适且合理的操作变量的目标值。
底层控制回路部分，通过阀门等硬件将操作变量调节至目标值。
该煤气化装置的及下游负荷智能调控具体步骤如下：
实时优化部分，根据煤气化和下游负荷及经济、物料和能量等约束，实时计算出同负荷变化相关的最优稳态值(即被控变量最优值)，并将最优值给到多变量模型预测控制部分；
多变量模型预测控制部分，在给定的工艺约束范围内，得到合理的操作变量的设定值(即操作变量的目标值)，其设定值可以使得在负荷调节时最优；
底层控制回路部分，在给定的设备约束范围内，通过阀门等硬件的变化，将操作变量的当前值逐步推至多变量模型预测控制的设定值上。
1、所述实时优化部分包括：
获取当前工况数据(即被控变量的当前值)，如煤气化变换气吸收塔压力、氢气管网压力、PSA压力和下游用户负荷等；
根据预设模型分类库(即被控变量模型库)，得出与所述当前工况数据相匹配的稳态实时优化模型(即被控变量数据模型)；
根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算，得出在当前工况下最优的煤气化变换气吸收塔压力、氢气管网压力、PSA压力和下游用户负荷等关键参数，并发送给多变量模型预测控制部分。
所述预设模型分类库的建立过程，包括：
收集历史工况数据(即被控变量的历史值)，如煤气化变换气吸收塔压力、氢气管网压力、PSA压力和下游用户负荷等因素，经济、物料平衡和能量平衡等方面；
被控变量机理模型包括预设经济函数、物料平衡函数和能量平衡函数，其中：
所述的预设经济函数可表示为：
E＝A*F1+B*F2+C*F3…
其中E表示煤气化装置及下游共产生的经济效益，A表示煤气化分配给下游装置一号的负荷(即给下游装置一号的氢气量)，一号产品所带来的附加值为F1，B表示煤气化分配给下游装置二号的负荷(即给下游装置二号的氢气量)，二号产品所带来的附加值为F2，C表示煤气化分配给下游装置三号的负荷(即给下游装置三号的氢气量)，三号产品所带来的附加值(即赚的钱)为F3,F1,F2及F3可根据市场行情自动修改。
所述的物料平衡函数可表示为：
M＝A*F1+B*F2+C*F3…
其中M表示煤气化装置产生的氢气量，A表示煤气化分配给下游装置一号的负荷，B表示煤气化分配给下游装置二号的负荷，C表示煤气化分配给下游装置三号的负荷。
所述的能量平衡函数可表示为：
H＝A*F1+B*F2+C*F3…
其中H表示煤气化装置及下游装置所消耗的能量，A表示煤气化分配给下游装置一号的负荷，生产一号产品所消耗的能量为H1，B表示煤气化分配给下游装置二号的负荷，生产二号产品所消耗的能量为H2，B表示煤气化分配给下游装置三号的负荷，生产三号产品所消耗的能量为H3。
根据所述历史工况数据，对数据进行预处理并训练稳态实时优化模型(即被控变量数据模型)，得到不同工况数据下完成收敛的多个稳态实时优化数据模型，包括气化变换气吸收塔压力、氢气管网压力、PSA压力和下游用户负荷等参数；
根据所述历史工艺情况，根据物料平衡和能量平衡等进行理论计算，得到不同工况下稳态实时优化机理模型(即被控变量机理模型)；
根据所述多个稳态实时优化数据模型和不同工况下稳态实时优化机理建立所述预设模型分类库。
2、所述多变量模型预测控制部分包括：
获取当前工况数据，包括被控变量CV、操作变量MV；
根据多变量模型预测控制算法，得到将当前工况下被控变量调整至实时优化部分得到的各变量最优参数所需调整的操作变量的大小；
所述被控变量CV包括但不限于煤气化变换气吸收塔压力、氢气管网压力、PSA压力和下游用户负荷等关键参数；
所述操作变量MV包括但不限于煤气化变换气吸收塔侧采氢线流量、煤气化变换气吸收塔侧采碳线流量、煤气化变换气吸收塔塔顶压力控制阀、几套PSA装置的进口阀门和出口阀门、氢气管网的阀门等；
所述的多变量模型预测控制算法，利用过程变量的脉冲响应或阶跃响应曲线，把它在采样时刻的一系列数值作为描述对象的动态特征信息，构成预测模型。这些动态特征信息(传递函数)，反映了每个输入变量对应于每个输出变量的影响关系。将多个输入变量，多个输出变量，置于控制器中，控制器中的数学模型，能够预测出每个输入变量(被控变量)对应于每个输出变量(操作变量)的关联系数，给出未来期望的被控变量目标值时，能够准确决定多个输入变量中每个输入变量(被控变量)，按照系数关系给出对应的变化动作。
所述传递函数包括但不限于一阶传递函数，需依据所述CV的动态特征信息和所述模型辨识结果确定，如为一阶传递函数，各CV和MV之间的关系可表示为：
所述的CV1、MV1为被控变量和操作变量，包括但不限于文中列举的CV1、CV1、MV1、MV2，k1-k4、τ1-τ4和t1-t4分别为传递函数的增益、时间常数和滞后时间。s为拉普拉斯变化后的s。
由阶跃响应法测试得出，得到模型后对模型进行验证。
所述模型验证包括自身验证和交叉验证；所述自身验证指的是将阶跃响应测试下实际过程的输出值与模型的计算输出值作比较；所述交叉验证指的是再进行多次不同幅度大小的阶跃响应测试，将多组阶跃响应测试下实际过程的输出值与模型的计算输出值作比较。
进一步地，判断模型精度，如果所述模型精度满足要求，可进行下一步多变量模型预测控制器的构建；如果所述模型精度不满足要求，需重新进行多变量模型预测控制所有部分，构成一个迭代程序。
所述模型预测控制器构建包括建立所述集散控制系统和所述模型预测控制系统间的通讯连接、报警切除以及多变量模型预测控制器的建模。
所述离线仿真，即通过离线方式检测所述集散控制系统和所述模型预测控制系统间的通讯是否正常以及控制功能能否实现。
所述控制器投用，即在线进行多变量模型预测控制器的实施，并进行相关参数调整，以实现所述煤气化装置及下游负荷智能调控稳定运行。
进一步的，所述优化控制方法还包括专家调整，当超出所述多变量预测控制器调节范围时，需调用专家知识库中的专家进行人工调整。
3、所述底层回路控制部分包括：
获取操作变量MV工况数据；
根据PID算法，得到将当前工况下操作变量调整至多变量模型预测控制部分得到的各操作变量最优参数所需调整的操作变量的大小；
自动调节阀门的开度使得操作变量MV逐渐推至多变量模型预测控制部分得到的操作变量；
需要说明的是，本发明的控制器既可以是具有处理能力的独立芯片，也可以是可编程逻辑控制器(Programmable Logic Controller,PLC)。
具体的，阀门开度的变化大小可用以下公式计算：
其中，VO1为目标阀门开度；VO0为当前阀门开度；Pe为多变量模型预测控制部分给出的操作变量目标值与当前操作变量大小的差值。
具体的，可调节参数Kp、Td和Ts采用以下公式计算出：
其中，MV1为第二当前阀门开度；PV1为第二当前操作变量大小；MV2为第三目标阀门开度；PV2为第三操作变量大小；t1为第一调节时间；t2为第二调节时间；t3为第三调节时间。
下面将进一步说明本公开的技术方案：
实施例一
本发明是一种煤气化装置及上下游负荷智能调控的控制方法，它由下列三大模块构成一个有机系统，如图2所示：
模块一、底层控制回路模块，在给定的设备约束范围内，通过阀门等硬件的变化，将操作变量的当前值逐步推至多变量模型预测控制的目标值上；
模块二、多变量模型预测控制模块，在给定的工艺约束范围内，得到合理的操作变量的目标值，其目标值可以使得在负荷调节时最优；
模块三、实时优化模块，根据煤气化和下游负荷及经济、物料和能量等约束，实时计算出同负荷变化相关的被控变量的最优值，并将最优值给到多变量模型预测控制部分；
本公开的煤气化装置及下游负荷智能调控的原理结构图如图2所示，其中，实时优化模块根据装置的实际运行需求，包括市场变化、经济效益等，计算出与负荷变化相关的过程变量(包括吸收塔压力、氢气提纯装置压力和氢气管网压力)的最优值，并送入到模块二的多变量模型预测控制模块中；多变量模型预测控制在不违背设备约束与保证产品质量的前提下，得到合理的操作变量的目标值，其目标值可以使得在负荷调节时最优，并将目标值给到底层控制回路模块；底层控制回路模块在给定的设备约束范围内，通过阀门等硬件的变化，将操作变量的当前值逐步推至多变量模型预测控制的目标值上，实现不同工况间平滑、快速的过渡。
实施例二
如图二所示，应用于本发明的煤气化装置及下游负荷智能调控包括气化炉R1001、变换反应器R1002、变换器吸收塔T1001和T1002、三期的氢气提纯装置D1001、D1002和D1003、两个外部氢源C1001和C1002、四个氢气下游用户A、B、C及D、二期和三期的氢气提纯装置前流量控制阀门FIC1001和FIC1002、一期、二期和三期的氢气提纯装置后流量控制阀门FIC1002、FIC1004和FIC1007、氢气管网的压力控制阀门PIC1003、PIC1005和PIC1008、外部氢源压力控制阀门PIC1009、下游四个氢气下游用户前流量控制阀门FIC1010、FIC1011、FIC1012和FIC1013，和控制器(图中未示)，气化炉R1001的输出端连接变化反应器R1002，变换反应器同吸收塔A和吸收塔B连通，吸收塔A连通氢气提纯装置A，吸收塔B连通氢气提纯装置B、氢气提纯专制C及氢气用户D，氢气提纯装置A、B和C及外部氢源A和B汇入氢气管网后送往氢气用户A、B及C，控制器的输入端分别与吸收塔A压力PIC2001，吸收塔B压力PIC2002、氢气提纯装置A、氢气提纯装置B和氢气提纯装置C压力PIC2001、PIC2002和PIC2023和氢气管网压力PIC1003、PIC1005、PIC1008和PIC1009通信连接，控制器的输出端分别与吸收塔A侧采氢线流量FIC2001和侧采碳线流量FIC2002、吸收塔B侧采氢线流量FIC2003和侧采碳线流量FIC2004、吸收塔A塔顶压控阀FV1001、吸收塔B塔顶压控阀FV1002、氢气提纯装置A出口流量FIC1004、氢气提纯装置B入口流量FIC1006和出口流量FIC1007、氢气提纯装置C入口流量FIC1001和出口流量FIC1002、氢气管线压力控制PIC1003、PIC1005、PIC1008和PIC1009通信连接。
获取当前工况数据。
需要说明的是，所述当前工况数据包括：吸收塔T1001和T1002塔压、氢气提纯装置A、B、C压力、氢气管线压力，氢气用户A、B、C、D负荷、外部氢源A和B流量、吸收塔A侧采氢线流量和侧采碳线流量、吸收塔B侧采氢线流量和侧采碳线流量、氢气提纯装置A、B和C出口流量及入口流量，氢气管线压力控制等。
通过数据模型和机理模型匹配稳态实时优化模型；
收集历史工况数据，如煤气化变换气吸收塔压力、氢气管网压力、PSA压力和下游用户负荷等因素，经济、物料平衡和能量平衡等方面；
从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型。
在一些实施例中，在所述获取当前工况数据之后，还包括：
对所述当前工况数据进行预处理。
需要说明的是，所述预处理包括对获取到的当前工况数据进行整理、清洗，删除数据中的零值数据、重复数据和异常数据后，对数据进行标准化处理，确保后续计算的准确性。
需要说明的是，为了建立稳态实时优化模型，对历史工况数据进行收集，收集后的数据被存储于数据库中，对数据进行预处理，就是对数据进行整理和清洗，删除数据中的零值数据、重复数据和异常数据。并将整理后的数据中的70％的数据作为训练集、30％的数据作为测试集。通过机器学习建立模型，在模型建立过程中，还需数据进行标准化处理，以消除数量级引起的模型偏差，确保模型建立和预测的准确性。
进一步需要说明的是，煤气化装置在生产过程中，会按计划调整生产负荷及煤气化炉倒炉等操作，稳态实时优化模型必须能够随着装置的调整而变化，在不同工况下实现模型的收敛，这对模型的准确性、自适应程序的完善和现场测量仪表的准确度都有较高的要求。对收集到的9803小时煤气化工况数据进行统计分析，在这些数据中共有12种工况。
根据所述历史工艺情况，根据物料平衡和能量平衡等进行理论计算，得到不同工况下稳态实时优化机理模型；
所述的经济函数可表示为：
E＝2835*A+14000*B+5000*C
其中E表示煤气化装置及下游产生的经济效益，A表示煤气化分配给下游装置一号生产甲醇的负荷，B表示煤气化分配给下游装置二号生产苯胺的负荷，C表示煤气化分配给下游装置三号生产氨气的负荷。
所述的物料平衡可表示为：
M＝2*A+B+1.5*C
其中M表示煤气化装置产生的氢气量，A表示煤气化分配给下游装置一号生产甲醇的负荷(即为甲醇生产装置提供的氢气量)，B表示煤气化分配给下游装置二号生产苯胺的负荷(即为苯胺生产装置提供的氢气量)，C表示煤气化分配给下游装置三号生产氨气的负荷(即为氨气生产装置提供的氢气量)。
所述的能量平衡可表示为：
H＝2560*A+4683*B+9846*C
其中H表示煤气化装置及下游装置所消耗的能量，A表示煤气化分配给下游装置一号生产甲醇的负荷，B表示煤气化分配给下游装置二号生产苯胺的负荷，B表示煤气化分配给下游装置三号生产氨气的负荷。
根据所述历史工况数据，对数据进行预处理并训练稳态实时优化模型，得到不同工况数据下完成收敛的多个稳态实时优化数据模型，包括气化变换气吸收塔压力、氢气管网压力、PSA压力和下游用户负荷等参数；
根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算，得出在当前工况下最优的煤气化变换气吸收塔压力、氢气管网压力、PSA压力和下游用户负荷等关键参数，并发送给多变量模型预测控制部分。
多变量模型预测控制获取当前工况下最优的煤气化变换气吸收塔压力、氢气管网压力、PSA压力和下游用户负荷等关键参数；
多变量模型预测控制算法，利用过程变量的脉冲响应或阶跃响应曲线，把它在采样时刻的一系列数值作为描述对象的动态特征信息，构成预测模型。这些动态特征信息(传递函数)，反映了每个输入变量对应于每个输出变量的影响关系。将多个输入变量，多个输出变量，置于控制器中，控制器中的数学模型，能够预测出每个输入变量(操作变量)对应于每个输出变量(被控变量)的关联系数，给出未来期望的被控变量目标值时，能够准确决定多个输入变量中每个输入变量(操作变量)，按照系数关系给出对应的变化动作。
根据多变量模型预测控制算法，得到将当前工况下被控变量调整至实时优化部分得到的各变量最优参数所需调整的操作变量的大小；
所述传递函数包括但不限于一阶传递函数，需依据所述CV的动态特征信息和所述模型辨识结果确定，如为一阶传递函数，各CV和MV之间的关系可表示为，本模型中各变量之间的关系(即传递函数)如表1(其中，s为拉普拉斯变化后的s)所示：
表1
/>
/>
本实施例中，实时优化模块中得出的最优参数包括吸收塔A压力、吸收塔B压力、氢气提纯装置A、氢气提纯装置B、氢气提纯装置C及氢气管线压力，作为多变量模型预测控制的被控变量(CV)；
本实施例中，需要多变量模型控制模块去动作的参数有氢气用户A负荷、
氢气用户B负荷、氢气用户C负荷、氢气用户D负荷、外部氢源A负荷、外部氢源B负荷、吸收塔A侧采氢线流量、吸收塔A侧采碳线流量、吸收塔B侧采氢线流量、吸收塔B侧采碳线流量、吸收塔A塔顶压控阀、吸收塔B塔顶压控阀、氢气提纯装置B入口流量、氢气提纯装置C入口流量、氢气提纯装置A出口流量、氢气提纯装置B出口流量、氢气提纯装置C出口流量、氢气管线阀门A、氢气管线阀门B和氢气管线阀门C，作为多变量模型预测控制的操作变量(MV)；
上述模型由阶跃响应法测试得出，得到模型后对模型进行验证。
通过将将阶跃响应测试下实际过程的输出值与模型的计算输出值作比较模型的精度符合要求；通过进行多次不同幅度大小的阶跃响应测试，将多组阶跃响应测试下实际过程的输出值与模型的计算输出值作比较显示精度符合要求。
使用通过阶跃响应法得到的模型建立集散控制系统和模型预测控制系统间的通讯连接、报警切除以及多变量模型预测控制器的建模。
通过离线仿真，即检测所述集散控制系统和所述模型预测控制系统间的通讯是否正常以及控制功能能否实现。
通过线进行多变量模型预测控制器的实施，并进行相关参数调整，将多变量模型预测控制得到的操作变量的目标值传输给底层控制回路。
底层控制回路获取操作变量MV工况数据；
根据PID算法，得到将当前工况下操作变量调整至多变量模型预测控制部分得到的各操作变量最优参数所需调整的操作变量的大小；
由于所述操作变量较多，下面用氢气用户A负荷流量调整作为举例：
具体的，阀门开度的变化大小可用以下公式计算：
其中，VO1为目标阀门开度；VO0为当前阀门开度；Pe为多变量模型预测控制部分给出的操作变量目标值与当前操作变量大小的差值。
具体的，可调节参数Kp、Td和Ts采用以下公式计算出：
其中，MV1为第二当前阀门开度；PV1为第二当前操作变量大小；MV2为第三目标阀门开度；PV2为第三操作变量大小；t1为第一调节时间；t2为第二调节时间；t3为第三调节时间。
本文中计算出的Kp、Td和Ts的大小分别为5、10秒和0.5秒。
通过以上公式的计算，可以得出把多变量模型控制当前工况下操作变量调整至多变量模型预测控制部分得到的各操作变量最优参数所需调整的操作变量的大小。
通过建立实时优化部分、多变量模型预测部分和底层控制回路部分的通讯，最终达成了煤气化装置及下游负荷可以根据市场行情和经济关系实时调控。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图4示出了根据本公开的实施例的煤气化装置的调控装置400的方框图。如图4所示，装置400包括：
第一获取模块410，用于获取所述煤气化装置的被控变量的当前值；
匹配模块420，用于将所述被控变量的当前值与被控变量模型库进行匹配，以获得所述被控变量的最优值；
第二获取模块430，用于将所述被控变量最优值输入至预设多变量模型，以获得所述煤气化装置的操作变量的目标值，其中，所述操作变量能够影响所述被控变量；
调控模块440，用于根据所述操作变量的目标值，对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的目标值相匹配。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备和存储有计算机指令的非瞬时计算机可读存储介质。
图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种煤气化装置的调控方法，其特征在于，包括：
获取所述煤气化装置的被控变量的当前值；
将所述被控变量的当前值与被控变量模型库进行匹配，以获得所述被控变量的最优值；
将所述被控变量最优值输入至预设多变量模型，以获得所述煤气化装置的操作变量的目标值，其中，所述操作变量能够影响所述被控变量；
根据所述操作变量的目标值，对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的最优值相匹配。
2.根据权利要求1所述的方法，其特征在于，所述被控变量模型库通过以下步骤建立：
获取所述被控变量的历史值；
根据所述被控变量的历史值，建立被控变量数据模型；其中，所述被控变量数据模型的输出为所述被控变量的第一最优值；
根据所述被控变量数据模型和预设的被控变量机理模型，建立所述被控变量模型库，其中，所述被控变量机理模型的输出为所述被控变量的第二最优值。
3.根据权利要求2所述的方法，其特征在于，
所述将所述被控变量的当前值与被控变量模型库进行匹配，以获得所述被控变量的最优值，包括：
将所述被控变量的当前值与所述被控变量数据模型进行匹配，获得所述被控变量的第一最优值；
根据所述被控变量机理模型的预设约束条件，获得所述被控变量的第二最优值；
将所述第一最优值与所述第二最优值进行差值比较，确定差值最小时所述被控变量的最优值作为所述被控变量最终的最优值。
4.根据权利要求3所述的方法，其特征在于，
所述被控变量机理模型包括：预设经济函数、物料平衡函数以及能量平衡函数，其中：
所述预设经济函数是关于下游用户负荷、下游用户生成的产品的附加值以及所述煤气化装置和所述下游用户产生的经济效益的函数；
所述物料平衡函数是关于下游用户负荷、下游用户生成的产品的附加值以及所述煤气化装置产生的氢气量的函数；
所述能量平衡函数是关于下游用户负荷、下游用户生成的产品所消耗的能量以及所述煤气化装置和所述下游用户所消耗的能量的函数。
5.根据权利要求1所述的方法，其特征在于，
所述预设多变量模型通过以下步骤获取：
以所述被控变量的历史值为输入，以所述操作变量的历史值为输出，建立传递函数待求取的多变量模型；
采用脉冲响应测试或阶跃响应测试对所述传递函数待求取的多变量模型进行测试，获得所述传递函数；
建立关于所述被控变量、所述操作变量以及所述传递函数之间的所述预设多变量模型。
6.根据权利要求1所述的方法，其特征在于，
所述根据所述操作变量的目标值，对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的最优值相匹配，包括：
获取所述操作变量的当前值；
计算所述操作变量的目标值与所述操作变量的当前值的变量差；
根据所述变量差以及PID控制方法，对所述被控变量进行调节，以使调节后的所述被控变量的当前值与所述被控变量的最优值相匹配。
7.根据权利要求1至6中任一项所述的方法，其特征在于，在将所述被控变量的当前值与被控变量模型库进行匹配之前，所述方法还包括：
对所述被控变量的当前值进行预处理，其中，所述预处理包括以下至少一项：对所述被控变量进行整理、清洗、删除所述被控变量中的零值数据、重复数据以及对所述被控变量进行标准化处理。
8.一种煤气化装置的调控装置，其特征在于，包括：
第一获取模块，用于获取所述煤气化装置的被控变量的当前值；
匹配模块，用于将所述被控变量的当前值与被控变量模型库进行匹配，以获得所述被控变量的最优值；
第二获取模块，用于将所述被控变量最优值输入至预设多变量模型，以获得所述煤气化装置的操作变量的目标值，其中，所述操作变量能够影响所述被控变量；
调控模块，用于根据所述操作变量的目标值，对所述煤气化装置进行调控，以使所述被控变量的当前值与所述被控变量的目标值相匹配。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207378.8A CN116482970A (zh) | 2023-02-28 | 2023-02-28 | 煤气化装置的调控方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207378.8A CN116482970A (zh) | 2023-02-28 | 2023-02-28 | 煤气化装置的调控方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116482970A true CN116482970A (zh) | 2023-07-25 |
Family
ID=87223937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310207378.8A Pending CN116482970A (zh) | 2023-02-28 | 2023-02-28 | 煤气化装置的调控方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116482970A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454326A (zh) * | 2023-11-27 | 2024-01-26 | 无锡雪浪数制科技有限公司 | 气化炉稳态分析方法、装置、平台及存储介质 |
-
2023
- 2023-02-28 CN CN202310207378.8A patent/CN116482970A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454326A (zh) * | 2023-11-27 | 2024-01-26 | 无锡雪浪数制科技有限公司 | 气化炉稳态分析方法、装置、平台及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN109062053A (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
| CN105786035B (zh) | 基于试探式预测控制技术的火电机组scr脱硝优化控制系统 | |
| CN112901449B (zh) | 一种基于机器学习的空气压缩机系统能耗优化方法 | |
| CN104732296A (zh) | 一种分布式光伏输出功率短期预测模型建模方法 | |
| CN116482970A (zh) | 煤气化装置的调控方法、装置、设备及可读存储介质 | |
| CN108154266B (zh) | 一种含风电电力系统经济调度方法 | |
| CN102636992A (zh) | 一种基于混杂系统理论的分段线性系统的建模与控制方法 | |
| CN107958301A (zh) | 一种lng接收站运行优化方法 | |
| Jin et al. | Wasserstein metric-based two-stage distributionally robust optimization model for optimal daily peak shaving dispatch of cascade hydroplants under renewable energy uncertainties | |
| CN112855513A (zh) | 基于遗传算法的空压机集群控制系统能耗优化方法及系统和装置 | |
| CN113221304A (zh) | 一种天然气管网能量间接赋值的计算系统及方法 | |
| Li et al. | Assessment framework of provincial carbon emission peak prediction in China: An empirical analysis of Hebei province | |
| US7155367B1 (en) | Method for evaluating relative efficiency of equipment | |
| CN109214709B (zh) | 一种钢铁企业制氧系统优化分配的方法 | |
| Ding et al. | Forecast of pv power generation based on residual correction of markov chain | |
| Su et al. | Prediction method for transformer state based on gru network | |
| CN104077231A (zh) | 基于符号动力学和ls-svm的变压器维护优化方法 | |
| CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
| CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 | |
| CN115271318A (zh) | 一种能源回收调度方法及装置 | |
| Zhao et al. | A dynamic process adjustment method based on residual prediction for quality improvement | |
| Kulіnchenko et al. | Development of extreme regulator of separation moisture from the gas stream | |
| CN103645633B (zh) | 一种变换炉系统的炉温自学习控制方法 | |
| Jin et al. | A causal model-based scheduling approach for coke oven gas system in steel industry |
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 |