一种基于循环流化床机组的新型多变量约束预测控制方法与流程

本发明涉及循环流化床agc控制的研究领域，具体是涉及一种基于循环流化床机组的新型多变量约束预测控制方法。

背景技术：

循环流化床锅炉(circulatingfluidizedbedboiler，cfbb)燃烧效率高、燃料适应性广、燃烧污染低、脱硫效率高，在能源紧缺和环境保护的大背景之下，其应用前景非常广阔。然而循环流化床机组是一个非常复杂的多变量系统，具有非线性、大延迟、大惯性和强耦合等特性，且在结构上与常规工业煤粉锅炉机组存在较大的差异，目前针对cfbb机组agc控制研究的主要有以下两个问题：其一，agc控制结构研究较少，工程实践中直接套用传统煤粉锅炉机组的控制结构，无法充分利用cfbb的特性；其二，控制策略有待改进，pid加前馈解耦的传统控制方案无法获得理想的控制效果，尤其是agc的负荷跟踪性能较差。

针对第二个问题，不少学者进行了深入的研究，将预测控制算法应用于cfbb机组的agc控制问题中，并且也取得了一定的效果。而针对预测控制算法在cfbb机组agc控制方面的应用，主要存在以下的问题：

(1)预测控制算法的研究基于单一工况进行，未考虑cfbb对象的非线性特征；

(2)未考虑涉及的各类输入输出约束问题；

(3)预测模型主要采用传递函数的形式，消除不可测扰动影响的能力有待增强。

综上，对于循环流化床机组的控制研究而言，提出充分利用机组特性的新型控制结构，并在此基础上设计新型控制策略，以此应对对象非线性、大延迟、大惯性和强耦合等特性，就显得尤为重要了。

技术实现要素：

针对目前存在的上述技术问题，本发明提供了一种基于循环流化床机组的新型多变量约束预测控制方法。

为了实现上述目的，本发明所采用的技术方案为：

一种基于循环流化床机组的新型多变量约束预测控制方法，包括以下步骤：

s1：确定控制对象的agc运行工况区间，划分工况点

针对具体循环流化床机组控制对象的特性，确定agc运行区间，取

θ＝{ne|ne∈[40％ecr,110％ecr]}(1)

式(1)中，θ为agc的运行区间，ne为机组功率(mw)，ecr为机组额定工况，40％ecr为低负荷运行状态，110％ecr为出力超发运行状态；

在上述区间范围内，以20％ecr为间隔，选取4个具体工况点，即40％ecr、60％ecr、80％ecr和100％ecr；

s2：获得4个工况点下的控制对象阶跃响应系数

在上述4个工况点，对实际电厂对象进行阶跃响应动态实验；以其中第l个工况点为例，设该对象有m维控制输入、p维输出，则获取的相应阶跃响应系数矩阵al,i，如式(2)所示：

式(2)中，m为输入量的个数，p为输出量的个数，n为模型长度，l为工况点个数；

s3：获得4个工况点下的控制对象状态空间近似表述形式

同样以其中第l个工况点为例，控制对象的状态空间近似表述形式如式(3)所示：

式(3)中，xl(k)为第l个工况点控制对象的状态变量，y(k)为输出变量，δu(k)为控制量增量，sl、al和cl分别如式(4)、(5)和(6)所示；

式(5)中，al,i如式(2)所示；

s4：获取由不同工况点子模型组成的线性变参数模型(linear-parameters-varyingmodel,lpv)

lpv模型如式(7)所示：

式(7)中，

c(w)＝[λ1(w)c1λ2(w)c2…λl(w)cl](9)

式(9)中，w为lpv模型的调度变量，取为循环流化床机组的功率参数ne，λ为权重函数，且为调度变量w的势函数；

s5：获取预测控制算法的预测模型

预测模型如式(11)所示：

y(k)＝fx(k)+φδu(k)(11)

式(11)中，

式(12)中，yn(k+1|k)为基于k时刻的数据计算获得的k+1时刻的输出预测值，n＝1,...,p，p为输出量的个数；式(13)中，δuz(k)为控制增量，z＝1,...,m，m为输入量的个数；式(14)中，p为预测控制算法的预测时域；

s6：进行预测控制算法的滚动优化，计算获得最优控制量

控制对象为3输入3输出结构，其中，3个输入量分别为给煤量(b,kg/s)、主汽调门(ut,％)和一次风调频指令(uw,％)；3个输出量分别为机组功率(ne,mw)、主汽压力(pt,mpa)和炉膛床温(tb,℃)；根据循环流化床机组agc控制的具体要求，机组功率及主汽压力为设定值控制，炉膛床温为区间控制，所以，在k时刻制定的性能指标，如式(16)所示：

式(16)中，j(k)为性能指标函数，w1,2(k)为机组功率及主汽压力的设定值，y1,2(k)为机组功率及主汽压力的实际输出值，δu(k)为控制量增量，q1,q2,q3为误差权系数，r1,r2,r3为控制权系数；δp(k)为床温输出与设定值的偏差，如式(17)所示：

式(17)中，

式(18)中，tbmin和tbmax为床温区间控制的上下限；

同时，对性能指标设置约束条件，包括控制量和控制量增量，如式(19)所示：

式(19)中，bmin、bmax，ut,min、ut,max，uw,min、uw,max，分别为控制量b、ut、uw的最小和最大值；dbmin、dbmax，dut,min、dut,max，duw,min、duw,max分别为控制量增量db、dut、duw的最小和最大值；

基于性能指标和约束条件，计算得到相应的最优控制增量δum(k)，相应的即时控制增量δu(k)为：

δu(k)＝lδum(k)(20)

式(20)中，

式(21)中，δuz,m(k)如式(22)所示，z＝1,...,m，m为输入量个数；

式(23)中，

l0＝[10…0](1×m)(24)

式(19)—式(24)中，m为预测控制的控制时域；

由此获得δu(k)，并通过u(k)＝u(k-1)+δu(k)来计算u(k)的值；

s7：进行预测控制算法的反馈校正。

优选地，步骤s4中的状态变量x(k)通过滚动时域估计方法获取，包括以下步骤：

s4.1：考虑多输入多输出控制对象的离散时间线性时不变系统的状态空间描述如式(25)所示：

式(25)中，v(k)为测量噪声，w(k)为系统过程噪声，γ为系统噪声输入矩阵；系统过程噪声w(k)和测量噪声v(k)均为高斯白噪声序列，且两者具备式(26)所示的统计特性：

式(26)中，q0为非负定矩阵，表示系统过程噪声w(k)的方差阵；r0为正定阵，表示测量噪声v(k)的方差阵，δ(k,j)为克罗尼克δ符号；

s4.2：获取当前时刻k的输入输出测量数据，如式(27)所示：

s4.3：根据约束优化问题计算最优解，约束优化问题如式(28)所示：

式(28)中，rmhe、qmhe、π0分别为对应变量的正定惩罚矩阵；

通过到达代价函数估算初始状态估计量和初始惩罚矩阵πk-n，其中，到达代价函数如式(29)所示：

且πk-n基于前向黎卡提方程迭代计算，则基于卡尔曼估计获得；

联立式(25)—式(29)，计算获得最优解，如式(30)所示：

answerop＝(x(k-n|k-1)op,w(n|k-1)op)(30)

式(30)中，

w(n|k-1)op＝{w(k-n|k-1)op,w(k-n+1|k-1)op,…,w(k-1|k-1)op}(31)

s4.4：利用优化问题最优解迭代计算获得系统状态量估计值；

联立式(25)、式(26)和式(30)，计算x(k|k-1)op。

与现有技术相比，本发明的有益效果表现在：

(1)充分利用一次风量对于循环流化床锅炉“积碳”和蓄热的动态影响，提高机组agc负荷跟踪速率。

(2)基于lpv模型构建的预测模型可提高描述循环流化床机组显著非线性特征的能力，能够更加准确的描述控制对象的非线性特性，减小模型失配对控制算法性能的影响。

附图说明

以下结合实施例和附图对本发明的一种基于循环流化床机组的新型多变量约束预测控制方法作出进一步的详述。

图1为本发明的流程图；

图2为不同控制算法对于cfbb机组agc控制的仿真实验曲线(200mw～270mw)；

图3为不同控制算法对于cfbb机组agc控制的仿真实验曲线(270mw～300mw)；

图4为床温区间控制仿真示意图(床温处于控制区间内变化)；

图5为床温区间控制仿真示意图(床温处于控制区间外变化)；

图6为不同控制算法抗扰性能测试曲线；

图7为不同控制算法鲁棒性能测试曲线。

具体实施方式

请参阅图1所示，一种基于循环流化床机组的新型多变量约束预测控制方法，包括以下的步骤：s1：确定控制对象的agc运行工况区间，划分工况点；s2：获得4个工况点下的控制对象阶跃响应系数；s3：获得4个工况点下的控制对象状态空间近似表述形式；s4：获取由不同工况点子模型组成的线性变参数模型；s5：获取预测控制算法的预测模型；s6：进行预测控制算法的滚动优化，计算获得最优控制量；s7：进行预测控制算法的反馈校正。

一种基于循环流化床机组的新型多变量约束预测控制方法，具体包括以下步骤：

s1：确定控制对象的agc运行工况区间，划分工况点

针对具体循环流化床机组控制对象的特性，确定agc运行区间，取

θ＝{ne|ne∈[40％ecr,110％ecr]}(1)

式(1)中，θ为agc的运行区间，ne为机组功率(mw)，ecr为机组额定工况，40％ecr为低负荷运行状态，110％ecr为出力超发运行状态。

在上述区间范围内，以20％ecr为间隔，选取4个具体工况点，即40％ecr、60％ecr、80％ecr和100％ecr。

s2：获得4个工况点下的控制对象阶跃响应系数

在上述4个工况点，对实际电厂对象进行阶跃响应动态实验。以其中第l个工况点为例，设该对象有m维控制输入、p维输出，则获取的相应阶跃响应系数矩阵al,i，如式(2)所示：

式(2)中，m为输入量的个数，p为输出量的个数，n为模型长度，l为工况点个数。

s3：获得4个工况点下的控制对象状态空间近似表述形式

同样以其中第l个工况点为例，控制对象的状态空间近似表述形式如式(3)所示：

式(3)中，xl(k)为第l个工况点控制对象的状态变量，y(k)为输出变量，δu(k)为控制量增量，sl、al和cl分别如式(4)、(5)和(6)所示。

式(5)中，al,i如式(2)所示。

s4：获取由不同工况点子模型组成的线性变参数模型(linear-parameters-varyingmodel,lpv)

lpv模型如式(7)所示：

式(7)中，

c(w)＝[λ1(w)c1λ2(w)c2…λl(w)cl](9)

式(9)中，w为lpv模型的调度变量，取为循环流化床机组的功率参数ne，λ为权重函数，且为调度变量w的势函数。

状态变量x(k)通过滚动时域估计方法获取，包括以下步骤：

s4.1：考虑多输入多输出控制对象的离散时间线性时不变系统的状态空间描述如式(25)所示：

式(25)中，v(k)为测量噪声，w(k)为系统过程噪声，γ为系统噪声输入矩阵。系统过程噪声w(k)和测量噪声v(k)均为高斯白噪声序列，且两者具备式(26)所示的统计特性：

式(26)中，q0为非负定矩阵，表示系统过程噪声w(k)的方差阵。r0为正定阵，表示测量噪声v(k)的方差阵，δ(k,j)为克罗尼克δ符号。

s4.2：获取当前时刻k的输入输出测量数据，如式(27)所示：

s4.3：根据约束优化问题计算最优解，约束优化问题如式(28)所示：

式(28)中，rmhe、qmhe、π0分别为对应变量的正定惩罚矩阵。

通过到达代价函数估算初始状态估计量和初始惩罚矩阵πk-n，其中，到达代价函数如式(29)所示：

且πk-n基于前向黎卡提方程迭代计算，则基于卡尔曼估计获得。

联立式(25)—式(29)，计算获得最优解，如式(30)所示：

answerop＝(x(k-n|k-1)op,w(n|k-1)op)(30)

式(30)中，

w(n|k-1)op＝{w(k-n|k-1)op,w(k-n+1|k-1)op,…,w(k-1|k-1)op}(31)

s4.4：利用优化问题最优解迭代计算获得系统状态量估计值；

联立式(25)、式(26)和式(30)，计算x(k|k-1)op。

s5：获取预测控制算法的预测模型

预测模型如式(11)所示：

y(k)＝fx(k)+φδu(k)(11)

式(11)中，

式(12)中，yn(k+1|k)为基于k时刻的数据计算获得的k+1时刻的输出预测值，n＝1,...,p，p为输出量的个数。式(13)中，δuz(k)为控制增量，z＝1,...,m，m为输入量的个数。式(14)中，p为预测控制算法的预测时域。

s6：进行预测控制算法的滚动优化，计算获得最优控制量

控制对象为3输入3输出结构，其中，3个输入量分别为给煤量(b,kg/s)、主汽调门(ut,％)和一次风调频指令(uw,％)。3个输出量分别为机组功率(ne,mw)、主汽压力(pt,mpa)和炉膛床温(tb,℃)。根据循环流化床机组agc控制的具体要求，机组功率及主汽压力为设定值控制，炉膛床温为区间控制，所以，在k时刻制定的性能指标，如式(16)所示：

式(16)中，j(k)为性能指标函数，w1,2(k)为机组功率及主汽压力的设定值，y1,2(k)为机组功率及主汽压力的实际输出值，δu(k)为控制量增量，q1,q2,q3为误差权系数，r1,r2,r3为控制权系数。δp(k)为床温输出与设定值的偏差，如式(17)所示：

式(17)中，

式(18)中，tbmin和tbmax为床温区间控制的上下限。

同时，对性能指标设置约束条件，包括控制量和控制量增量，如式(19)所示：

式(19)中，bmin、bmax，ut,min、ut,max，uw,min、uw,max，分别为控制量b、ut、uw的最小和最大值。dbmin、dbmax，dut,min、dut,max，duw,min、duw,max分别为控制量增量db、dut、duw的最小和最大值。

基于性能指标和约束条件，计算得到相应的最优控制增量δum(k)，相应的即时控制增量δu(k)为：

δu(k)＝lδum(k)(20)

式(20)中，

式(21)中，δuz,m(k)如式(22)所示，z＝1,...,m，m为输入量个数。

式(23)中，

l0＝[10…0](1×m)(24)

式(19)—式(24)中，m为预测控制的控制时域。

由此获得δu(k)，并通过u(k)＝u(k-1)+δu(k)来计算u(k)的值。

s7：进行预测控制算法的反馈校正

下面结合具体实施方式对本发明的技术方案作进一步的介绍，本实例中所涉及的循环流化床机组控制对象，由基于机理构建的非线性数学模型表示。

式(1)中，bc(t)为t时刻炉膛中的积碳量，kg；qi(t)为t时刻燃料燃烧释放的总热量，mj；qf为燃料的单位发热量，mj/kg；qw为一次风热容量，mj；pd为汽包压力，mpa。

为了说明lpv模型在构建新型控制算法预测模型中发挥的作用，本例基于动态实验数据，整理40％、60％、80％和100％负荷工况点的相关数据，辨识获得4组状态空间模型，以此构建lpv模型，并将该模型应用于控制算法中的预测模型描述。

下面，本例以式(1)所示机理模型为控制对象，分别基于不同的控制算法进行仿真验证。首先，对比传统pid控制算法与本专利提出的新型多变量约束预测控制算法，以agc升负荷阶段为例，验证算法的性能；其次，以agc升负荷阶段中主蒸汽压力定压控制阶段为例，验证床温区间控制的效果；最后，同样以agc升负荷阶段中主蒸汽压力定压控制阶段为例，对比动态矩阵控制(dmc)与本专利提出的新型多变量约束预测控制算法，验证算法的抗扰性能和鲁棒性。

根据我国的电网技术要求，机组容量在300mw～600mw之间(含300mw)的火电机组，agc联调时调节速率需达到3mw/min。以300mw的循环流化床机组为例，agc调节速率需满足1.0％*ne/min，为了说明预测控制算法的效果，体现预测控制算法的优势，在仿真实验时，设计3.0％*ne/min的升负荷速率(即9mw/min)，即机组功率的设定值取为9mw/min的斜波上升信号，且agc运行下限设为200mw，上限设为320mw；主汽压力的控制有定压运行和滑压运行两种方式，以300mw的循环流化床机组为例，滑压运行只有在机组负荷处于140mw～270mw时才起作用，滑压的定值由负荷指令决定；当机组运行负荷低于140mw或者高于270mw时，压力控制转入定压运行，主汽压力设定值依然根据机组负荷指令线性形成；而床温的变化范围为850℃～950℃，即床温设定值为[850℃，950℃]。

通过matlab软件的simulink模块进行仿真实验：

仿真实验(一)：agc仿真实验

仿真实验基于200mw～270mw、270mw～300mw两个工况进行，其中，第一个工况范围中压力控制为滑压运行，第二个工况范围则为定压运行。依据上述的agc运行控制要求完成仿真实验，将本专利提出的预测控制优化算法与传统pid控制算法相对比，在滑压运行工况区间，获得如图2所示的agc控制曲线图。在定压运行工况区间，获得如图3所示的agc控制曲线图。

从图2中的曲线可以看出，与传统pid控制相比，多变量约束预测控制优化算法优势非常显著，首先是agc跟踪性能优秀，超调量较小。控制作用的波动也较小；而pid控制针对多变量系统的控制效果不甚理想，控制量波动较明显，且针对cfbb对象的非最小相位特性处理能力较差，在控制初期呈现非常明显的反向特性。而就床温区间控制而言，由于第三主回路由单一pid控制器控制，而初始床温设定值的下限850℃又与当前工况的稳定值相距甚远，所以必然导致pid控制器的剧烈动作，如图所示，pid控制器的控制作用直接抵到了预设的下限，并始终维持在该数值之上，在整个agc升负荷过程中，pid控制策略并没有能很好利用一次风的动态特性提高系统跟踪能力。

从图3中的曲线可以看出，相比于滑压运行阶段，定压运行时预测控制算法的压力曲线在升负荷阶段存在一定的波动，但是就agc升负荷性能而言，与传统pid控制策略相比，预测控制优化算法的效果同样是显著的。首先是负荷跟踪的效果，pid控制不仅在升负荷阶段的跟踪性能不理想，而且在负荷设定值稳定后，其控制作用和与之相对应的控制量仍然存在较为剧烈的波动。而就床温区间控制而言，这里更加可以凸显出预测控制算法在处理此类多变量控制问题方面的优势，由于在当前工况条件下，床温已经处在了设定值范围之内，所以第三主回路的单一pid控制器直接不再参与控制作用，控制量始终维持在了初始值，而实际上，由于多变量系统的耦合作用，一次风量对于cfbb对象的其余两个输出量同样有影响，应该充分利用其作用改善agc控制的跟踪性能。

仿真实验(二)：床温区间控制性能仿真实验

为进一步说明控制算法对床温进行区间控制的性能，下面以270mw～300mw工况agc运行区间为例，进行仿真实验，其中仿真实验分以下两个具体情况：

(1)床温控制区间内的扰动实验

假设2000s时，控制对象的床温输出受到幅值为5℃，周期为100s的正弦信号扰动，仿真曲线如图4所示。

从图4曲线可以看出，多变量约束预测控制可以有效地将床温控制在预定的区间之内，输出侧的扰动迅速引起床温参数的波动，但是控制量并没有在2000s之后产生明显变化，可以看出，只要输出量在允许的设定区间内变化，控制量将保持不变，这样可显著得减少控制执行器频繁地动作，延长使用寿命。

(2)床温控制区间外的扰动实验

假设2000s时，控制对象的床温输出受到幅值为25℃的阶跃信号扰动，仿真曲线如图5所示。

从图5曲线可以看出，当控制对象受到幅值为25℃的阶跃信号干扰时，床温超出了设定区间的上界，此时多变量约束预测控制算法就会迅速通过协调3个控制量来使床温重新回到设定范围之内。

从图4、图5所示的仿真实验可以看出，本专利提出的多变量约束预测控制算法在处理区间控制问题时，拥有非常理想的控制效果，可以将其应用于cfbb机组的床温区间控制之中。

仿真实验(三)：多变量约束预测控制算法性能仿真实验

为了进一步说明多变量约束预测控制算法的控制性能，下面以270mw～300mw工况agc运行区间为例，从两个方面继续展开仿真研究：

(1)抗扰性能测试

假设在1000s时机组功率回路受到阶跃扰动，对比本专利提出的预测控制优化算法与基本动态矩阵预测控制算法(dmc)进行抗扰性能对比，得到如图6所示响应曲线。

从图6曲线可以看出，在系统未受到扰动量干扰时，基本dmc算法与预测控制优化算法在agc负荷跟踪时性能相近，只是控制量的波动略大于优化算法；而当扰动发生时，优化算法稳定性方面的性能明显优于dmc算法，dmc算法出现了非常显著的波动，且在较长时间内无法稳定下来，控制品质趋于恶化，而优化算法通过扰动发生时必要的控制量调整之后，控制量和被控量均能较快得稳定下来，控制品质依然比较优秀。

(2)鲁棒性能测试

针对cfbb机组而言，由于其燃用的煤种品质一般较差，在实际运行过程中煤质的波动非常频繁，这样就会造成控制算法频繁的模型失配，故而对控制系统的鲁棒性能要求也就更高。假设在1000s时将与给煤量相关的参数k1增大20％，用以模拟煤质发生变化，预测模型出现失配，对比本专利提出的预测控制优化算法与基本动态矩阵预测控制算法(dmc)进行鲁棒性性能对比，此时获得如图7所示的变化曲线。

从图7曲线可以看出，当煤质发生变化，即预测模型失配时，dmc算法和优化算法由于反馈校正环节的引入，最终都可以抑制其影响。但是相比而言，dmc算法产生的波动更为剧烈，持续时间更长，整体的控制品质趋于恶化，而优化算法虽然也出现了一定程度的波动，但是整体而言可以较快得稳定下来，鲁棒性能更加优异。

综上，不管是agc负荷跟踪性能，床温区间控制性能，还是抗扰能力和鲁棒性，通过仿真曲线对比都可以看出，本专利提出的基于mhe算法的多变量约束预测控制算法都体现出了优秀的控制性能，对于循环流化床机组agc控制的实际工程应用具有重要的意义。

以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。