一种火电机组协调控制系统的智能计算预测控制方法与流程

本发明涉及一种火电机组协调控制系统的智能计算预测控制方法，属于火力发电机组自动控制技术领域。

背景技术：

电站锅炉-汽轮机协调控制系统的任务是通过锅炉侧的燃料量u_b和汽机侧的汽机调门开度u_t的联合调节，以及时响应中调负荷指令N₀要求的机组出力N_e，同时维持机组主蒸汽压力P_t在允许的设定值P₀范围，二者的协调配合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，对锅炉-汽轮机过程的协调控制比较困难。其中由于机组负荷指令的随机性波动，导致扰动频繁且扰动量较大。对于机组负荷的扰动，致使主蒸汽压力经常波动，主要原因是锅炉-汽轮机系统对于机组负荷的变化具有明显的时变和非线性特性。当负荷变化时，描述系统特性的传递函数函数的惯性时间常数以及静态增益都呈现明显变化。目前广泛使用的固定参数的单向解耦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“基于模型动态解耦的火电机组机炉协调控制方法”(200910154934.X)针对机炉协调系统特性之间的耦合问题，提出了一种基于模型动态解耦的控制方法，一定程度上提高了系统的控制性能，但其主体控制方案仍然是常规的PID控制，因而存在如下两个方面的问题：(1)固定参数的解耦模型对于机组负荷的变化鲁棒性差；(2)常规的PID控制局限于三个参数自由度，仍然难以取得满意的控制效果。

有的专利和文献则针对系统随机组负荷时变的特点，采用在线自适应辨识系统模型，然后针对辨识的模型在线自适应解耦。但是由于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协调系统特性，此时的控制效果当然就无法满足期望的控制品质。

也有一些专利和文献采用分段性的多模型预测控制，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。

由上述分析可见，已有的锅炉-汽轮机协调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机组负荷及主蒸汽压力控制性能优良的火电机组协调控制系统的智能计算预测控制方法。

本发明采用如下技术方案：

一种火电机组协调控制系统的智能计算预测控制方法，具体采用如下步骤：

步骤1.确定预测控制的采样时间间隔T_s；

步骤2.通过机组特性测试获得在M个典型负荷工况下锅炉汽轮机系统的输入-输出差分方程形式描述的局部模型G_m；

步骤3.采用模型预测控制对所述步骤2中的所有局部模型G_m进行方波信号的控制仿真；

步骤4.将所述步骤3中的所有局部模型G_m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.将从所述步骤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所述智能预测控制器IPC，所述智能预测控制器IPC自动计算得到任意工况下调节锅炉汽轮机所需的控制增量指令Δu(t)。

进一步的，所述步骤1中的采样时间间隔T_s，根据控制器运算系统的具体情况，的取值范围为T_s＝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取值M＝4～7个。

进一步的，所述步骤2中的锅炉汽轮机系统的输入-输出差分方程形式描述的M个局部模型G_m包括以燃烧率u_b(t)(t/h)和汽机调门开度u_t(t)(％)作为输入，以主蒸汽压力P_t(t)作为输出的压力模型G_m,P和以发电功率N_e(t)作为输出的功率模型G_m,N；其中，所述压力模型G_m,P形式如下：

所述功率模型G_m，N形式如下：

其中，t表示当前采样控制时刻；

n_a、n_b、n_c、n_d、n_e、n_f表示模型阶次，对于M个不同的典型负荷工况取相同的值，取值范围n_a＝n_b＝n_c＝n_d＝n_e＝n_f＝4～6；

a_i、b_j、c_k、d_i、e_j、f_k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会得到不同的值。

进一步的，所述步骤3中的模型预测控制基于如下目标函数采用广义预测控制算法进行求解，其目标函数J(t)为：

(3)|Δu_b(t)|≤Δu_b，max，|Δu_t(t)|≤Δu_t，max；

(4)u_b，min≤u_b(t)≤u_b，max，u_t，min≤u_t(t)≤u_t，max.

其中，N₁、N₂分别表示主蒸汽压力和输出功率的预测时域，整数取值范围20～50；

M₁、M₂分别表示燃烧率和汽机调门开度的控制时域，整数取值范围1～10；

α₁、α₂分别表示主蒸汽压力和输出功率的预测误差加权，取值范围0～1；

β₁、β₂分别表示燃烧率和汽机调门开度的控制增量加权，取值范围0～1；

s.t.表示紧随其后的是4个约束条件；

Δu_b(t)、Δu_t(t)分别表示当前采样时刻计算的燃烧率和汽机调门开度控制增量；

Δu_t，max、u_b，max分别表示燃烧率和汽机调门开度的速率限制值，根据具体的设计要求，取值范围是3％～10％；

u_b，min、u_b，max分别表示燃烧率指令幅度限制的下限和上限，其值根据执行机构位置的物理限制及安全要求设置；

u_t，min、u_t，max分别表示汽机调门开度指令幅度限制的下限和上限，其值根据执行机构位置的物理限制及安全要求设置；

u_b(t)表示燃烧率，单位是t/h；

u_t(t)表示汽机调门开度，单位是％；

P_t(t)表示主蒸汽压力；N_e(t)表示发电功率；

n_a、n_b、n_c、n_d、n_e、n_f表示模型阶次，对于M个不同的典型负荷工况取相同的值，取值范围n_a＝n_b＝n_c＝n_d＝n_e＝n_f＝4～6；

a_i、b_j、c_k、d_i、e_j、f_k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会得到不同的值；

P₀(t+i₁)、N₀(t+i₂)分别表示主蒸汽压力和输出功率的参考轨迹，分别按下式计算：

P₀(t)＝P_t(t)，P₀(t+i₁)＝γ₁P₀(t+i₁-1)+(1-γ₁)P_target；

N₀(t)＝N_e(t)，N₀(t+i₂)＝γ₂N₀(t+i₂-1)+(1-γ₂)N_target；

其中，γ₁、γ₂分别表示主蒸汽压力和输出功率的跟踪柔化系数，取值范围0～1；

P_target表示主蒸汽压力P_t(t)的目标值；

N_target表示输出功率N_e(t)的目标值。

进一步的，所述步骤3中的方波信号，所述方波信号的周期取值范围为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包括燃烧率预测控制器IPCB和汽机调门预测控制器IPCT。

本发明的有益效果如下：

本发明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-汽轮机协调系统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机炉协调系统对象随着机组负荷变化而导致机组负荷及主蒸汽压力控制性能不佳的问题。

本发明在机组运行的全工况范围内，实现电站锅炉-汽轮机协调系统的直接预测控制，提高锅炉-汽轮机协调系统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中组态实现而无需附加其它软硬件设备。

附图说明

图1是常规的电站机组锅炉-汽轮机协调系统控制原理图。

图2是本发明提供的电站机组锅炉-汽轮机协调系统智能预测控制原理图。

图1和图2中符号说明：P_t为主蒸汽压力测量值；

P₀为主蒸汽压力设定值；

N_e为发电功率测量值；

N₀为发电功率设定值；

u_b为锅炉燃料量指令；

u_t为汽轮机调门开度指令；

x为机组负荷，一般等于发电功率；

PIDb为锅炉燃料量控制器；

PIDt为汽轮机调门开度控制器；

IPCb为锅炉燃料量智能预测控制器；

IPCt为汽轮机调门开度智能预测控制器。

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和图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汽轮机协调控制系统的预测控制方法，具体步骤如下：

步骤1.确定预测控制的采样时间间隔T_s；

步骤2.通过机组特性测试获得在M个典型负荷工况下锅炉汽轮机系统的输入-输出差分方程形式描述的局部模型G_m；

步骤3.采用模型预测控制对所述步骤2中的所有局部模型G_m进行方波信号的控制仿真；

步骤4.将所述步骤3中的所有局部模型G_m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.将从所述步骤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所述智能预测控制器IPC，所述智能预测控制器IPC自动计算得到任意工况下调节锅炉汽轮机所需的控制增量指令Δu(t)。

进一步的，所述步骤1中的采样时间间隔T_s，根据控制器运算系统的具体情况，的取值范围为T_s＝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取值M＝4～7个。

进一步的，所述步骤2中的锅炉汽轮机系统的输入-输出差分方程形式描述的M个局部模型G_m包括以燃烧率u_b(t)(t/h)和汽机调门开度u_t(t)(％)作为输入，以主蒸汽压力P_t(t)作为输出的压力模型G_m,P和以发电功率N_e(t)作为输出的功率模型G_m,N；其中，所述压力模型G_m,P形式如下：

所述功率模型G_m,N形式如下：

其中，t表示当前采样控制时刻；

n_a、n_b、n_c、n_d、n_e、n_f表示模型阶次，对于M个不同的典型负荷工况取相同的值，取值范围n_a＝n_b＝n_c＝n_d＝n_e＝n_f＝4～6；

a_i、b_j、c_k、d_i、e_j、f_k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会得到不同的值。

进一步的，所述步骤3中的模型预测控制基于如下目标函数采用广义预测控制算法进行求解，其目标函数J(t)为：

(3)|Δu_b(t)|≤Δu_b，max，|Δu_t(t)|≤Δu_t，max；

(4)u_b，min≤u_b(t)≤u_b，max，u_t，min≤u_t(t)≤u_t，max.

其中，N₁、N₂分别表示主蒸汽压力和输出功率的预测时域，整数取值范围20～50；

M₁、M₂分别表示燃烧率和汽机调门开度的控制时域，整数取值范围1～10；

α₁、α₂分别表示主蒸汽压力和输出功率的预测误差加权，取值范围0～1；

β₁、β₂分别表示燃烧率和汽机调门开度的控制增量加权，取值范围0～1；

s.t.表示紧随其后的是4个约束条件；

Δu_b(t)、Δu_t(t)分别表示当前采样时刻计算的燃烧率和汽机调门开度控制增量；

Δu_t，max、u_b，max分别表示燃烧率和汽机调门开度的速率限制值，根据具体的设计要求，取值范围是3％～10％；

u_b，min、u_b，max分别表示燃烧率指令幅度限制的下限和上限，其值根据执行机构位置的物理限制及安全要求设置；

u_t，min、u_t，max分别表示汽机调门开度指令幅度限制的下限和上限，其值根据执行机构位置的物理限制及安全要求设置；

u_b(t)表示燃烧率，单位是t/h；

u_t(t)表示汽机调门开度，单位是％；

P_t(t)表示主蒸汽压力；N_e(t)表示发电功率；

n_a、n_b、n_c、n_d、n_e、n_f表示模型阶次，对于M个不同的典型负荷工况取相同的值，取值范围n_a＝n_b＝n_c＝n_d＝n_e＝n_f＝4～6；

a_i、b_j、c_k、d_i、e_j、f_k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会得到不同的值；

P₀(t+i₁)、N₀(t+i₂)分别表示主蒸汽压力和输出功率的参考轨迹，分别按下式计算：

P₀(t)＝P_t(t)，P₀(t+i₁)＝γ₁P₀(t+i₁-1)+(1-γ₁)P_target；

N₀(t)＝N_e(t)，N₀(t+i₂)＝γ₂N₀(t+i₂-1)+(1-γ₂)N_target；

其中，γ₁、γ₂分别表示主蒸汽压力和输出功率的跟踪柔化系数，取值范围0～1；

P_target表示主蒸汽压力P_t(t)的目标值；

N_target表示输出功率N_e(t)的目标值。

进一步的，所述步骤3中的方波信号，所述方波信号的周期取值范围为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包括燃烧率预测控制器IPCB和汽机调门预测控制器IPCT。

本发明的工作原理如下：

由于本发明只用2个RBF神经网络分别学习了M个不同的典型负荷工况下燃烧率预测控制器IPCB和汽机调门预测控制器IPCT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IPCB和IPCT，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火电机组协调控制系统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。