一种电站锅炉蒸汽温度的智能计算预测控制方法与流程

文档序号:12436742阅读:226来源:国知局
一种电站锅炉蒸汽温度的智能计算预测控制方法与流程

本发明涉及一种电站锅炉蒸汽温度的智能计算预测控制方法,其属于锅炉自动控制技术领域,适用于火电机组的过热蒸汽温度和再热蒸汽温度的自动控制。



背景技术:

将电站锅炉蒸汽温度控制在允许的设定值范围,包括过热蒸汽温度和再热蒸汽温度,均是提高发电机组的经济效益、保证机组安全运行的不可缺少的环节,日益受到发电厂家和科研人员的高度重视。

如今几乎所有的大型电站机组都要参与电网调峰,对中调自动发电控制(AGC)指令的响应速度极大的关系到电厂的经济效益和社会效益。而对AGC指令做出快速响应的前提是机组自身的各参数能够良好的维持在安全范围内,这需要机组具备性能优良的自动控制系统予以保证。

然而由于火力发电生产过程的特殊性和蒸汽管道构造的复杂性,对蒸汽温度对象的控制比较困难。其中由于机组负荷的随机性波动,导致扰动频繁且扰动量较大,尤其是对于机组负荷或者等价地说蒸汽流量的扰动,致使汽温经常波动,主要原因是汽温系统对于机组负荷的变化具有明显的时变和非线性特性。通常当负荷增加时,会导致系统特性函数的惯性时间常数以及静态增益都呈现明显变化,总的汽温则随负荷升高而增加。常规固定参数的蒸汽温度串级PID控制方案很难在全工况范围取得满意的控制效果。

为此一些更先进的控制方案陆续被提出。

比如中国专利“一种电站锅炉主蒸汽温度全程控制方法”(201310576564.5)针对汽温对象特性随机组负荷呈现明显的非线性变化的问题,提出了一种根据机组运行工况自动调度PID控制器参数的方法,但由于其方案仍然局限于常规的串级PID控制方案,因而对控制系统性能的改善是有限的,因为从理论上可以证明PID控制器对于一阶或二阶系统可以获得最优的定值跟踪控制性能,但对于像锅炉汽温系统这样的高阶系统则只能获得尽量满意的控制性能。

也有一些专利和文献采用分段性的多模型预测控制或者采用具有全局特性描述能力的神经网络模型进行预测控制设计,但是他们都是从模型描述系统本身特性的角度考虑问题,仍然需要在线进行复杂的预测控制计算,不利于在目前广泛使用的分散控制系统(DCS)上实现,即使通过专用工业控制器如PLC等实现,这些方案需要占用大量的内存开销,对于内存有限的PLC设备来说也是十分不利的,从而限制了控制方案的推广应用。

另外一种针对汽温系统随机组负荷时变特点的解决方法是采用在线自适应辨识系统模型,然后针对辨识的模型在线设计自适应控制器(包括模型预测控制)。但是由于汽温系统随时受到多种因素的影响,在线辨识的结果往往不能反映甚至完全偏离真实的汽温系统特性,此时的控制效果当然就无法满足期望的控制品质。由上述分析可见,已有的锅炉蒸汽温度控制方法仍存在一定的局限性或缺陷。



技术实现要素:

本发明所要解决的技术问题是提供了一种准确度高、反应快速、在线计算量小、编程实现简单的电站锅炉蒸汽温度的智能计算预测控制方法。

本发明采用如下技术方案:

一种电站锅炉蒸汽温度的智能计算预测控制方法,具体步骤如下:

步骤1.确定预测控制的采样时间间隔Ts

步骤2.辨识机组运行在M个典型负荷工况下蒸汽温度系统的输入-输出差分方程形式描述的局部模型Gm

步骤3.采用模型预测控制对所有局部模型Gm进行方波信号的跟踪控制仿真;

步骤4.将所有局部模型Gm的控制仿真数据用来训练智能计算模型,从而形成智能预测控制器IPC;

步骤5.辨识调节阀门的非线性逆模型,即u(t)=f[v(t)];

步骤6.将所述步骤4中训练得到的智能预测控制器IPC作为实时控制器;通过采集需要的输入信号并送入智能预测控制器IPC,所述智能预测控制器IPC自动计算得到任意工况下调节汽温所需的减温水流量v(t),并将所述减温水流量v(t)代入所述步骤5中调节阀门的非线性逆模型u(t)=f[v(t)],可得到当前采样时刻t的减温水阀门开度理论计算值,然后经速率限制和幅度限制,得到当前采样时刻t可实施的减温水阀门开度实际指令u(t)。

进一步的,所述步骤1中的采样时间间隔Ts,根据锅炉蒸汽温度系统的特性快慢以及控制器计算服务器的配置情况,其取值范围为Ts=3~10秒。

进一步的,所述步骤2中的M个典型负荷工况的个数,在机组主要的运行负荷区间内均匀取值M=4~7个。

进一步的,所述步骤2中的蒸汽温度系统的输入-输出差分方程形式描述的M个局部模型Gm包括内回路模型Gm,qv和外回路模型Gm,yq,内回路模型Gm,qv和外回路模型Gm,yq分别如下:

内回路模型Gm,qv

外回路模型Gm,yq

其中,t表示当前采样控制时刻;

nd和ne表示内回路模型Gm,qv的阶次,对于M个不同的典型负荷工况取相同的值,取值范围nd=ne=2~3;

na和nb表示外回路模型Gm,yq的阶次,对于M个不同的典型负荷工况取相同的值,取值范围na=nb=3~6;

di、ej、ai、bj表示模型系数,采用最小二乘法辨识得到,对于M个不同的典型负荷工况取到不同的值;

q(t)表示t时刻的导前汽温预测值;

v(t-j)表示t-j时刻的减温水流量;

y(t)表示t时刻的出口汽温预测值。

进一步的,所述步骤3中的模型预测控制基于内回路目标函数Jqv(t)和外回路目标函数Jyq(t)采用广义预测控制算法进行求解,其中内回路目标函数Jqv(t)如下:

外回路目标函数Jyq(t)如下:

其中,t表示当前采样控制时刻;

Pq和Py分别表示内回路和外回路的预测时域,Mv和Mq分别表示内回路和外回路的控制时域;

qr(t+i)、q(t+i)分别表示t+i时刻的导前汽温给定值和预测值;

yr(t+i)、y(t+i)分别表示t+i时刻的出口汽温给定值和预测值;

Δv(t+j)表示t+j时刻待计算的减温水预测控制增量;

Δqr(t+j)表示t+j时刻待计算的导前汽温给定值增量。

进一步的,所述步骤3中的方波信号,取单位方波信号,其周期为500Ts~1000Ts。

进一步的,所述步骤4中用于智能预测控制器IPC设计的智能计算模型采用径向基函数神经网络模型,通常又称RBF神经网络;训练后得到的所述智能预测控制器IPC包括内回路IPC2和外回路IPC1。

进一步的,所述步骤5中的调节阀门的非线性逆模型u(t)=f[v(t)]是减温水调节阀门开度u(t)(%)-减温水流量v(t)(kg/s)特性的逆模型,用于在控制系统中对阀门的非线性调节特性进行补偿线性化,采用二次函数描述,即u(t)=c2v(t)2+c1v(t)+c0,其中c2、c1、c0是待辨识确定的阀门特性系数。

进一步的,所述步骤5中的辨识方法采用的是最小二乘法。

进一步的,所述步骤6中的速率限制和幅度限制,分别是|Δu(t)|≤Δumax和umin≤u(t)≤umax,其中Δu(t)为当前采样时刻计算的减温水调节阀门开度控制增量;Δumax为速率限制值,根据具体的阀门设计要求,取值范围3%~10%;umin和umax分别为幅度限制的下限和上限,取阀门位置的物理限制,即0和100%。

本发明的有益效果如下:

本发明克服了现有的蒸汽温度控制方法的不足,蒸汽温度包括过热蒸汽温度和再热蒸汽温度,提供了一种准确度高、反应快速、在线计算量小、编程实现简单的电站锅炉蒸汽温度的直接预测控制方法,避免具有大迟延、大惯性和时变特性的蒸汽温度对象随着机组负荷变化而导致蒸汽温度控制性能不佳的问题。

在机组运行的全工况范围内,实现蒸汽温度的直接预测控制,提高蒸汽温度控制的动态调节性能和稳定性,同时编程实现简单,便于在火电机组广泛使用的DCS中组态实现而无需增加其它软硬件设备。

附图说明

图1是常规的蒸汽温度串级PID控制系统原理图。

图2是本发明提供的蒸汽温度串级智能预测控制系统原理图。

图1-图2中符号说明:y为蒸汽温度测量值;

yr为蒸汽温度设定值;

q为导前汽温测量值;

qr为导前汽温设定值;

u为减温水阀门开度指令;

v为减温水流量信号;

x为机组负荷;

Gm,yq为蒸汽温度惰性区传递函数;

Gm,qv为蒸汽温度导前区传递函数;

v=g(u)为减温水阀门开度到减温水流量的非线性特性函数;

u=f(v)为减温水流量到减温水阀门开度的非线性特性逆函数;

va为预测控制器输出信号,在前述非线性特性逆函数准确的理想情况下等于减温水流量信号v;

PID为外回路控制器,PI为内回路控制器,IPC1为外回路智能预测控制器,IPC2为内回路智能预测控制器;

图1和图2中左侧虚线框(a)内部分表示在计算机上实现的控制器,右侧虚线框(b)内部分表示现场汽温过程被控对象。

具体实施方式

下面将结合图1和图2以及具体实施例对本发明进行进一步详细的说明。

如图1-图2所示,本实施例涉及一种基于智能计算进行预测控制律学习的电站锅炉蒸汽温度的预测控制方法,具体步骤如下:

步骤1.确定预测控制的采样时间间隔Ts

步骤2.辨识机组运行在M个典型负荷工况下蒸汽温度系统的输入-输出差分方程形式描述的局部模型Gm

步骤3.采用模型预测控制对所有局部模型Gm进行方波信号的跟踪控制仿真;步骤4.将所有局部模型Gm的控制仿真数据用来训练智能计算模型,从而形成智能预测控制器IPC;

步骤5.辨识调节阀门的非线性逆模型,即u(t)=f[v(t)];

步骤6.将所述步骤4中训练得到的智能预测控制器IPC作为实时控制器;通过采集需要的输入信号并送入智能预测控制器IPC,所述智能预测控制器IPC自动计算得到任意工况下调节汽温所需的减温水流量v(t),并将所述减温水流量v(t)代入所述步骤5中调节阀门的非线性逆模型u(t)=f[v(t)],可得到当前采样时刻t的减温水阀门开度理论计算值,然后经速率限制和幅度限制,得到当前采样时刻t可实施的减温水阀门开度实际指令u(t)。

进一步的,所述步骤1中的采样时间间隔Ts,根据锅炉蒸汽温度系统的特性快慢以及控制器计算服务器的配置情况,其取值范围为Ts=3~10秒。

进一步的,所述步骤2中的M个典型负荷工况的个数,在机组主要的运行负荷区间内均匀取值M=4~7个。

进一步的,所述步骤2中的蒸汽温度系统的输入-输出差分方程形式描述的M个局部模型Gm包括内回路模型Gm,qv和外回路模型Gm,yq,内回路模型Gm,qv和外回路模型Gm,yq分别如下:

内回路模型Gm,qv

外回路模型Gm,yq

其中,t表示当前采样控制时刻;

nd和ne表示内回路模型Gm,qv的阶次,对于M个不同的典型负荷工况取相同的值,取值范围nd=ne=2~3;

na和nb表示外回路模型Gm,yq的阶次,对于M个不同的典型负荷工况取相同的值,取值范围na=nb=3~6;

di、ej、ai、bj表示模型系数,采用最小二乘法辨识得到,对于M个不同的典型负荷工况取到不同的值;

q(t)表示t时刻的导前汽温预测值;

v(t-j)表示t-j时刻的减温水流量;

y(t)表示t时刻的出口汽温预测值。

进一步的,所述步骤3中的模型预测控制基于内回路目标函数Jqv(t)和外回路目标函数Jyq(t)采用广义预测控制算法进行求解,其中内回路目标函数Jqv(t)如下:

外回路目标函数Jyq(t)如下:

其中,t表示当前采样控制时刻;

Pq和Py分别表示内回路和外回路的预测时域,Mv和Mq分别表示内回路和外回路的控制时域;

qr(t+i)、q(t+i)分别表示t+i时刻的导前汽温给定值和预测值;

yr(t+i)、y(t+i)分别表示t+i时刻的出口汽温给定值和预测值;

Δv(t+j)表示t+j时刻待计算的减温水预测控制增量;

Δqr(t+j)表示t+j时刻待计算的导前汽温给定值增量。

进一步的,所述步骤3中的方波信号,取单位方波信号,其周期为500Ts~1000Ts。进一步的,所述步骤4中用于智能预测控制器IPC设计的智能计算模型采用径向基函数神经网络模型,通常又称RBF神经网络;训练后得到的所述智能预测控制器IPC包括内回路IPC2和外回路IPC1。

进一步的,所述步骤5中的调节阀门的非线性逆模型u(t)=f[v(t)]是减温水调节阀门开度u(t)(%)-减温水流量v(t)(kg/s)特性的逆模型,用于在控制系统中对阀门的非线性调节特性进行补偿线性化,采用二次函数描述,即u(t)=c2v(t)2+c1v(t)+c0,其中c2、c1、c0是待辨识确定的阀门特性系数。

进一步的,所述步骤5中的辨识方法采用的是最小二乘法。

进一步的,所述步骤6中的速率限制和幅度限制,分别是|Δu(t)|≤Δumax和umin≤u(t)≤umax,其中Δu(t)为当前采样时刻计算的减温水调节阀门开度控制增量;Δumax为速率限制值,根据具体的阀门设计要求,取值范围3%~10%;umin和umax分别为幅度限制的下限和上限,取阀门位置的物理限制,即0和100%。

本发明的工作原理如下:

由于本发明只用一个RBF神经网络学习了M个不同的典型负荷工况下内回路的M个预测控制器的功能,也只用一个RBF神经网络学习了M个不同的典型负荷工况下外回路的M个预测控制器的功能,而且学习过程是离线进行的,在线计算时只是两个训练好的无需在线优化计算的RBF神经网络预测控制器IPC2和IPC1,因而典型负荷工况的个数M可以取的较大以便增强系统的控制性能,而通常的多模型预测控制则不宜取过大的M以避免过大的在线优化计算量。

本发明的主要技术特征:运用模型辨识,以及对相应模型进行电站锅炉蒸汽温度预测控制器参数的仿真计算和计算结果的神经网络综合学习。

上述详细说明是针对本发明可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明的等效实施或变更,比如:具体实施时使用其它形式的预测控制算法,包括模型算法控制MAC、动态矩阵控制DMC、预测函数控制PFC,代替本施实例的广义预测控制GPC,进行局部控制器计算和仿真,以及使用其它形式的智能计算模型代替本施实例的RBF神经网络RBFNN进行全局控制器的学习集成,包括BP神经网络BPNN、小波神经网络WNN、支持向量机SVM、支持向量回归机SVR、最小二乘支持向量机LSSVM等等,均应包含于本案的专利保护范围中。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1