CN117250866A - 一种pgnn前馈动态补偿-多模型预测控制方法 - Google Patents
一种pgnn前馈动态补偿-多模型预测控制方法 Download PDFInfo
- Publication number
- CN117250866A CN117250866A CN202311480117.XA CN202311480117A CN117250866A CN 117250866 A CN117250866 A CN 117250866A CN 202311480117 A CN202311480117 A CN 202311480117A CN 117250866 A CN117250866 A CN 117250866A
- Authority
- CN
- China
- Prior art keywords
- control
- steam temperature
- model
- pgnn
- main steam
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000005507 spraying Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000003245 coal Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010977 unit operation Methods 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
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
本发明公开了一种基于多模型间隙度量PGNN前馈动态补偿的多模型预测控制方法，涉及发电机组协调控制相关技术领域，通过预测模型对系统未来状态的估计，指导控制器提前做出调整，以解决机组宽负荷运行时主汽温度容易产生的偏差和超调问题，并通过前馈补偿实现对负荷变动的精确快速响应。该方案将PGNN预测模型、前馈动态补偿和多模型预测控制等技术整合来改善控制系统的灵活性。通过预测模型的准确预测和阀门开度前馈动态补偿的优化，控制系统可以更好地对主汽温度的变化做出响应，可以提高控制系统的性能，消除偏差，保持稳定性，使主蒸汽温度能够更加准确地跟随设定值，从而实现更优秀的控制效果，提高控制品质。
Description
技术领域
本发明涉及发电机组协调控制相关技术领域，具体涉及一种PGNN前馈动态补偿-多模型预测控制方法。
背景技术
随着太阳能、风能等清洁能源利用技术的发展，新型能源大规模并入电力系统。然而，可再生能源具有波动性、随机性和间歇性等特征，容易引起电网负荷的宽范围波动。在燃煤机组的汽水系统中，主蒸汽温度精确控制对于机组的安全可靠运行、设备寿命的延长以及经济效益至关重要。因此，在机组运行负荷频繁变动的情况下，迅速而稳定地维持主蒸汽温度在合理范围内是维持机组稳定运行、保障电厂运营安全、提高机组热效率的关键因素。
在燃煤机组的主蒸汽温度控制系统中，通常采用过热一级减温喷水和过热二级减温喷水作为调节手段，共同实现控制和调节的功能。当前，我国大部分燃煤机组主蒸汽温度控制采用PID串级控制系统，通过比例、微分和积分环节的共同作用，将主蒸汽温度控制在设定值的额定范围内。然而，在机组调峰运行时，由于负荷大范围变动等不稳定因素的影响，PID控制器难以及时准确地纠正控制系统在短时间内产生的动态偏差，导致过热汽温出现动态超调的现象。主蒸汽温度剧烈波动，只能通过运行人员手动调节，不仅增加了运行人员的工作量，而且增加了人为误差。
对喷水减温器阀门开度进行前馈动态补偿具有重要的意义，它有助于提高控制性能，适应系统的动态特性，降低人工干预，同时能够更好地应对负荷波动，从而提高燃煤机组过热汽温控制系统的性能和可靠性。引入了物理引导的神经网络(PGNN)来改进过热汽温控制，能够有效应对负荷波动，减少干扰对主蒸汽温度的影响，提高主汽温度跟随设定值的能力，提高控制精度和稳定性。同时，能够适应系统的动态特性和负荷变化，实现自适应调整，改善控制效果。此外，前馈动态补偿优化喷水减温器阀门开度可以减少人为误差，提高自动化程度，增强系统的稳定性和可靠性。
在实际运行的电厂中，各个运行参数会受到多个因素的耦合影响，这使得对运行参数的控制更为复杂。主蒸汽作为电力系统的重要参数，受到多个子系统的共同影响。通过采用多模型策略的预测控制，可以克服模型失配，避免多控制器切换给系统引入的干扰。
发明内容
本发明提供了一种PGNN前馈动态补偿-多模型预测控制方法，其技术目的是通过预测模型对系统未来状态的估计，指导控制器提前做出调整，以减小主汽温度偏差和超调量，并通过前馈补偿实现对负荷变动的精确快速响应。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一步，建立基于PGNN的前馈动态补偿逻辑模块，包括：
S1：构建基于PGNN的主汽温度预测模型。利用物理引导的神经网络建模方法，预测未来一段时间内主汽温度变化趋势；
S2：引入阀门开度前馈动态补偿模块。期望的主汽温度设定值为yset，预测的主汽温度为yt(k)，将它们之间的偏差设定为阀门开度的补偿，将预测到的偏差变化趋势通过前馈动态补偿引入到PID控制器的输出中，使得控制结构能够对输入变化快速响应，减小跟踪误差并提高过热汽温的控制品质。
第二步，基于上述模块构建PGNN前馈动态补偿-多模型预测控制系统，具体包括：
S3：在控制系统中采用基于多模型R/S切换策略的预测控制器控制环节，并通过结合PGNN前馈动态补偿优化模型将系统的扰动提前作用在喷水阀门上，减小系统的滞后性。
进一步地，所述步骤P3可以细分为：
S31：基于多模型R/S切换策略的预测控制器控制环节，克服模型失配，避免了模型切换尤其是多控制器切换给系统引入的干扰。
S32：将一级过热器出口温度与其他的导前区干扰变量如负荷、煤量等进行结构连接后作为二级过热汽温导前区PGNN模型的输入，采用同样的控制方式，提高主蒸汽温度的调节精度和控制品质。
S33：建立一级过热汽温控制系统与二级控制系统仿真模型，通过优化逻辑与控制器的共同作用，消除控制系统的内外扰动所引起的偏差，维持控制系统的稳定性，使主蒸汽温度能够更加准确的跟随其设定值。
最后，对该PGNN前馈动态补偿-多模型预测控制方法的性能进行检验。并通过对比PID串级控制和PGNN前馈动态补偿-多模型预测控制的效果，检验本发明中基于PGNN前馈动态补偿-多模型预测控制方案的优化性能。本发明采用方法的绝对偏差比传统PID串级控制更小，这表示PGNN前馈动态补偿-多模型预测控制可以更准确地将主汽温度跟踪到设定值，提高控制的稳定性。
本发明的有益效果在于：
本发明采用一种基于PGNN前馈动态补偿-多模型预测控制方法，目标应用于过热蒸汽温度控制系统。采用PGNN前馈动态补偿-多模型预测控制可以通过使用PGNN预测模型、前馈动态补偿和多模型预测控制等技术来改善控制系统的性能。通过预测模型的准确预测和阀门开度前馈动态补偿的优化，控制系统可以更好地对主汽温度的变化做出响应，从而提高控制品质。
附图说明
图1为本发明中PGNN前馈动态补偿-多模型预测控制系统的结构图；
图2为本发明中PGNN前馈动态补偿-多模型预测控制与串级PID控制效果对比图。
具体实施方式
下面将结合附图对本发明的技术方案进行详细说明。应当理解，此处所描述的具体实例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供了基于多模型间隙度量PGNN前馈动态补偿的多模型预测控制系统，通过联合使用PGNN预测模型、前馈动态补偿和多模型预测控制等技术，使得控制系统可以更好地对主汽温度的变化做出响应，从而改善控制系统的性能，实现提高控制品质的目的。其中yset Ⅰ、yset Ⅱ分别为一级过热汽温出口温度设定值和二级过热汽温出口温度设定值；PI2 Ⅰ和PI2 Ⅱ分别为一级过热器和二级过热器副调节回路控制器函数。该预测控制系统的建立包括以下步骤：
步骤一：构建主汽温度预测模型
使用PGNN神经网络建模方法构建主汽温度的预测模型。利用物理引导的神经网络建模方法，预测未来一段时间内主汽温度变化趋势。
步骤二：引入阀门开度前馈动态补偿模块
(1)将预测模型得到的主汽温度预测结果与设定值偏差作为阀门开度的补偿，通过前馈动态补偿的方式引入到PID控制器的输出即喷水减温器的阀门开度中。达到减小跟踪误差的效果。
(2)用主汽温度的预测模型和期望的主汽温度设定值来计算前馈动态补偿量，以期对负荷等因素的变化进行提前动作。期望的主汽温度设定值为yset，预测的主汽温度为yt(k)，它们之间的偏差表示为：
eF(k)＝yset-yt(k)
(3)利用该偏差计算阀门开度的前馈动态补偿量，以对机组负荷变化引起的主汽温度变化做出快速反应，阀门开度前馈动态补偿ΔuF(k)表示为：
式中，和/>分别为阀门开度前馈动态补偿模块比例增益和积分增益，需要根据系统的实际情况进行调整和优化。
步骤三：基于R/S切换策略的多模型预测控制器设计
预测函数控制(Predictive Functional Control，PFC)是一种预测控制算法，强调控制器的输入结构对控制系统性能的影响。通过合理设计控制器的输入结构，可以充分利用系统的特性和约束，提高控制系统的响应速度、稳定性和鲁棒性。算法实现具体步骤如下：
(1)预测函数控制器的预测模型选为一阶惯性加纯滞后环节模型。模型通过以下传递函数表示：
式中，Km是传递函数的增益；Tm是时延常数；Td是滞后时间常数；s是复频域变量。
(2)对于没有滞后的一阶环节来讲，其中滞后时间常数Td等于0，通过零阶保持器将连续时间的一阶惯性环节离散化：
ym(k+1)＝αmym(k)+Km(1-αm)u(k)
式中，ym(k+1)为k时刻的输出；u(k)为在k时刻控制器的输出量；αm为采样周期Tr和预测函数控制参考轨迹的时间函数。
(3)在预测函数控制中，可以通过以下离散模型可以用来建立预测模型，并用于预测系统的未来响应，数学表达为：
式中，P为预测时间长度。
(4)过调节控制信号，使得过程输出与参考轨迹之间的误差在优化时域内最小化，采用最小化误差函数表示为：
式中，P1，P2为控制时域的上下限。
(5)令可以得到最佳控制量，即控制时域的上限和下限相等P1＝P2＝P，得到控制量u(k)，表示为：
式中，c(k+P)为主汽温度系统的设定值，
(6)当滞后时间Td不为零时，可以采用Smith预估控制思想，通过对系统模型输出进行修正来改善控制系统的性能，表示为：
ypav(k)＝y(k)+ym(k)-ym(k-D)
式中，D＝Td/Tm。
(7)将(5)式中的y(k)用ypav(k)代替，得到有滞后环节的PFC的输出u(k)。
此即为优化控制器k时刻的输出u(k)，可以使系统在未来的预测时域内实现最小化误差，使系统的输出在未来时刻与参考轨迹尽可能接近。
最后，经由以上步骤，可以建立基于多模型间隙度量PGNN前馈动态补偿的多模型预测控制系统。对比分析采用PGNN前馈动态补偿-多模型预测控制与传统串级PID控制的主汽温度跟随情况，表明PGNN前馈动态补偿-多模型预测控制相对于PID串级控制在主汽温度控制方面具有更好的性能。通过图2可以看出，与原控制系统传统PID的控制效果对比，通过阀门开度前馈动态补偿逻辑和多模型预测控制器的共同作用，可以提高控制系统的性能，消除偏差，保持稳定性，使主蒸汽温度能够更加准确地跟随设定值，从而实现更优秀的控制效果。
以上所述仅是本发明的优选实施方案，其他有效实施方案均可。对于相同技术领域的其他技术人员，若基于本发明提出有效的改进，这些改进也应当视为本发明的保护范围之内。
Claims (6)
1.一种PGNN前馈动态补偿-多模型预测控制方法，其特征在于，包括以下步骤：
第一步：建立基于PGNN的前馈动态补偿逻辑模块；
第二步：基于上述模块构建PGNN前馈动态补偿-多模型预测控制系统。
2.根据权利要求1所述的一种PGNN前馈动态补偿-多模型预测控制方法，其特征在于，所述第一步包括：
S1：构建基于PGNN的主汽温度预测模型；利用物理引导的神经网络建模方法，预测未来一段时间内主汽温度变化趋势；
S2：引入阀门开度前馈动态补偿模块；期望的主汽温度设定值为yset，预测的主汽温度为yt(k)，将它们之间的偏差设定为阀门开度的补偿，将预测到的偏差变化趋势通过前馈动态补偿引入到PID控制器的输出中，使得控制结构能够对输入变化快速响应，减小跟踪误差并提高过热汽温的控制品质。
3.根据权利要求2所述的一种PGNN前馈动态补偿-多模型预测控制方法，其特征在于，所述步骤S2具体包括：
(1)将预测模型得到的主汽温度预测结果与设定值偏差作为阀门开度的补偿，通过前馈动态补偿的方式引入到PID控制器的输出即喷水减温器的阀门开度中；达到减小跟踪误差的效果；
(2)用主汽温度的预测模型和期望的主汽温度设定值来计算前馈动态补偿量，以期对负荷等因素的变化进行提前动作；期望的主汽温度设定值为yset，预测的主汽温度为yt(k)，它们之间的偏差表示为：
eF(k)＝yset-yt(k)
(3)利用该偏差计算阀门开度的前馈动态补偿量，以对机组负荷变化引起的主汽温度变化做出快速反应，阀门开度前馈动态补偿ΔuF(k)表示为：
式中，和/>分别为阀门开度前馈动态补偿模块比例增益和积分增益。
4.根据权利要求2所述的一种PGNN前馈动态补偿-多模型预测控制方法，其特征在于，所述第二步包括：
S3：在控制系统中采用基于多模型R/S切换策略的预测控制器控制环节，并通过结合PGNN前馈动态补偿优化模型将系统的扰动提前作用在喷水阀门上，减小系统的滞后性。
5.根据权利要求3所述的一种PGNN前馈动态补偿-多模型预测控制方法，其特征在于，所述步骤S3包括：
S31：基于多模型R/S切换策略的预测控制器控制环节，克服模型失配，避免了模型切换尤其是多控制器切换给系统引入的干扰；
S32：将一级过热器出口温度与其他的导前区干扰变量如负荷、煤量进行结构连接后作为二级过热汽温导前区PGNN模型的输入，采用同样的控制方式，提高主蒸汽温度的调节精度和控制品质；
S33：建立一级过热汽温控制系统与二级控制系统仿真模型，通过优化逻辑与控制器的共同作用，消除控制系统的内外扰动所引起的偏差，维持控制系统的稳定性，使主蒸汽温度能够更加准确的跟随其设定值。
6.根据权利要求5所述的一种PGNN前馈动态补偿-多模型预测控制方法，其特征在于，所述步骤S3具体包括：
(1)预测函数控制器的预测模型选为一阶惯性加纯滞后环节模型；模型通过以下传递函数表示：
式中，Km是传递函数的增益；Tm是时延常数；Td是滞后时间常数；s是复频域变量；
(2)对于没有滞后的一阶环节来讲，其中滞后时间常数Td等于0，通过零阶保持器将连续时间的一阶惯性环节离散化：
ym(k+1)＝αmym(k)+Km(1-αm)u(k)
式中，ym(k+1)为k时刻的输出；u(k)为在k时刻控制器的输出量；αm为采样周期Tr和预测函数控制参考轨迹的时间函数；
(3)在预测函数控制中，通过以下离散模型用来建立预测模型，并用于预测系统的未来响应，数学表达为：
式中，P为预测时间长度；
(4)过调节控制信号，使得过程输出与参考轨迹之间的误差在优化时域内最小化，采用最小化误差函数表示为：
式中，P1，P2为控制时域的上下限；
(5)令可以得到最佳控制量，即控制时域的上限和下限相等P1＝P2＝P，得到控制量u(k)，表示为：
式中，c(k+P)为主汽温度系统的设定值，
(6)当滞后时间Td不为零时，采用Smith预估控制思想，通过对系统模型输出进行修正来改善控制系统的性能，表示为：
ypav(k)＝y(k)+ym(k)-ym(k-D)
式中，D＝Td/Tm；
(7)将(5)中的y(k)用ypav(k)代替，得到有滞后环节的PFC的输出u(k)；
此即为优化控制器k时刻的输出u(k)，使系统在未来的预测时域内实现最小化误差，使系统的输出在未来时刻与参考轨迹尽可能接近。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311480117.XA CN117250866A (zh) | 2023-11-08 | 2023-11-08 | 一种pgnn前馈动态补偿-多模型预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311480117.XA CN117250866A (zh) | 2023-11-08 | 2023-11-08 | 一种pgnn前馈动态补偿-多模型预测控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117250866A true CN117250866A (zh) | 2023-12-19 |
Family
ID=89133506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311480117.XA Pending CN117250866A (zh) | 2023-11-08 | 2023-11-08 | 一种pgnn前馈动态补偿-多模型预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117250866A (zh) |
-
2023
- 2023-11-08 CN CN202311480117.XA patent/CN117250866A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Superheated steam temperature control based on modified active disturbance rejection control | |
| CN111443681B (zh) | 超临界火电机组协调控制系统多模型预测控制设计方法 | |
| CN103225799B (zh) | 一种火电厂主蒸汽温度控制方法 | |
| Wu et al. | Gain scheduling design based on active disturbance rejection control for thermal power plant under full operating conditions | |
| WO2023087906A1 (zh) | 一种基于事件触发的模糊神经网络温度控制系统及方法 | |
| JP2517354B2 (ja) | 被修正スミス予測手段を使用する蒸気温度制御 | |
| Silva et al. | Adaptive regulation of super-heated steam temperature: a case study in an industrial boiler | |
| CN102841539A (zh) | 基于多模型预测控制的亚临界协调控制方法 | |
| CN104102134B (zh) | 一种通过性能指标实现再热汽温多变量协调预测控制的方法 | |
| CN106933202B (zh) | 利用基于所估计的状态信息的间歇重新初始化的前馈控制 | |
| 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 | |
| Zhang et al. | Zone economic model predictive control of a coal-fired boiler-turbine generating system | |
| Liu et al. | Intelligent decoupling control of power plant main steam pressure and power output | |
| CN103134046A (zh) | 一种火电机组过热汽温两级协调预测控制方法 | |
| CN108361683B (zh) | 一种全负荷段再热气温智能控制系统 | |
| CN113835342B (zh) | 一种过热汽温系统的抗扰预测控制方法 | |
| CN111102559A (zh) | 一种基于双神经网络逆模型的屛式过热器汽温控制方法 | |
| Darwish et al. | Advanced boiler control system for steam power plants using modern control techniques | |
| CN117250866A (zh) | 一种pgnn前馈动态补偿-多模型预测控制方法 | |
| Hu et al. | Feedforward DMC-PID cascade strategy for main steam temperature control system in fossil-fired power plant | |
| 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 | |
| Ma et al. | Intelligent Compensation for the Set Values of PID Controllers to Improve Boiler Superheated Steam Temperature Control | |
| 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 | |
| Garduno-Ramirez et al. | A multiobjective-optimal neuro-fuzzy extension to power plant co-ordinated control |
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 |