一种火电机组灵活变负荷分布式智能预测控制方法

1.本发明涉及热工自动控制领域，尤其是涉及一种火电机组灵活变负荷分布式智能预测控制方法。


背景技术：

2.能源电力行业的发展趋势是建设清洁低碳、安全高效的能源体系和构建以新能源为主体的新型电力系统，这就对火电机组的运行灵活性提出了更高的要求。
3.机炉协调系统是火电机组最重要的系统之一，其主要任务是调节机组的功率输出以满足电网的负荷需求，同时将火电机组的各项运行参数(压力、温度等)保持在合理范围之内。一方面，机炉协调控制系统具有多变量、强耦合、非线性以及严格的运行约束等特点；另一方面，当火电机组在大范围变工况运行时，机组的各项运行参数波动较大，容易超出其合理的范围之内，从而影响机组的稳定运行。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种火电机组灵活变负荷分布式智能预测控制方法，该方法可保证机组大范围变负荷跟踪精度的同时，减少运行参数波动，实现火电机组安全经济稳定运行。
5.本发明的目的可以通过以下技术方案来实现：
6.根据本发明的第一方面，提供了一种火电机组灵活变负荷分布式智能预测控制方法，该方法包括以下步骤：
7.步骤s1、基于火电机组控制系统机理，将系统分解为两个并行控制的锅炉子系统和汽轮机子系统；
8.步骤s2、采用神经网络描述火电机组变负荷运行的非线性特征，采用分布式控制策略，分别构建锅炉子系统和汽轮机子系统的非线性动态预测模型，并采用分布式的预测控制器进行预测跟踪控制；其中，采用nash均衡博弈方法两个子控制系统之间的信息交互以及火电机组的全局优化决策。
9.优选地，所述步骤s1中火电机组控制系统、锅炉子系统和汽轮机子系统的控制参数分别为：
10.1)火电机组：控制变量为控制燃料量流量的阀门开度、控制汽轮机入口蒸汽流量的阀门开度、控制汽包入口给水流量的阀门开度；被控变量为机组发电负荷、锅炉汽包压力、汽包水位偏差；状态变量为机组发电负荷、锅炉汽包压力、锅炉汽包内汽水混合物密度；
11.2)锅炉子系统：控制变量为控制燃料量流量的阀门开度、控制汽包入口给水流量的阀门开度；被控变量为锅炉汽包压力、汽包水位偏差；
12.3)汽轮机子系统：控制变量为控制汽轮机入口蒸汽流量的阀门开度，被控变量为机组发电负荷。
13.优选地于，所述步骤s2中采用神经网络描述火电机组变负荷运行的非线性特征，
具体为：采用神经网络描述火电机组变负荷运行的非线性特征，选择上一时刻的控制变量和被控变量作为神经网络的输入，当前时刻的输出作为神经网络的输出；
14.结合火电机组的历史运行数据，采用误差反向传播算法训练神经网络，分别建立锅炉子系统和汽轮机子系统的非线性动态预测模型。
15.优选地，所述锅炉子系统和汽轮机子系统的非线性动态预测模型的表达式分别为：
[0016][0017]
式中，y
1,m
为锅炉子系统的预测模型输出，y
1,m
＝[pm,lm]
t
，pm为锅炉汽包压力的预测值，lm为汽包水位偏差的预测值；y
2,m
为汽轮机子系统的预测模型输出，y
2,m
＝em，em为机组发电负荷的预测值；u1为锅炉子系统的控制变量，u1＝[u1,u3]
t
，u1为控制燃料量流量的阀门开度，u3为控制汽包入口给水流量的阀门开度；y1为锅炉子系统的被控变量，y1＝[p,l]
t
，p为锅炉汽包压力，l为汽包水位偏差；u2为汽轮机子系统的控制变量，u2＝u2，u2为控制汽轮机入口蒸汽流量的阀门开度；y2为汽轮机子系统的被控变量，y2＝e，e为机组发电负荷。
[0018]
优选地，所述采用分布式的预测控制器进行预测跟踪控制具体为：对分解后的锅炉子系统和汽轮机子系统，采用分布式控制策略，分别设计预测控制器，使得火电机组的机组负荷、汽包压力及汽包水位偏差跟踪设定值。
[0019]
优选地，所述锅炉子系统优化的目标函数表达式为：
[0020][0021]
式中，n
p
为预测时域，nc为控制时域，q
1,i
为误差加权系数，r
1,j
为控制加权矩阵，u
1,max
、u
1,min
分别为控制变量u1的上下限，δu1为控制变量u1的增量，δu1＝[δu1,δu3]
t
，δu
1,max
、δu
1,min
分别为控制变量δu1的上下限；y
1,p
为锅炉子系统的预测输出，y
1,p
＝[p
p
,l
p
]
t
，表达式为：
[0022]y1,p
(k+i)＝y
1,m
(k+i)+h1(y1(k)-y
1,m
(k))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0023]
式中，h1为校正系数，y
1,m
(k+i)为锅炉子系统的多步预测值；
[0024]y1,r
为锅炉子系统的期望轨迹，y
1,r
＝[pr,lr]
t
，表达式为：
[0025][0026]
式中，α为柔化系数，r1为锅炉子系统期望值，r1＝[p
set
,l
set
]
t
，p
set
为汽包压力设定值，l
set
为汽包水位偏差设定值。
[0027]
优选地，所述汽轮机子系统优化的目标函数表达式为：
[0028][0029]
式中，u
2,max
、u
2,min
分别为控制变量u2的上下限，δu2为控制变量u2的增量，δu2＝δu2，δu
2,max
、δu
2,min
分别为控制变量δu2的上下限；y
2,p
为汽轮机子系统的预测输出；y
2,r
为锅炉子系统的期望轨迹。
[0030]
优选地，所述步骤s2中采用nash均衡博弈方法两个子控制系统之间的信息交互以及火电机组的全局优化决策，具体为：
[0031]
求解优化问题式(2)和(5)，满足迭代条件，则得到最优解以进行火电机组的全局优化决策；其中，迭代条件表达式为：
[0032][0033]
式中，l为迭代系数；δi为迭代精度；
[0034]
两个子控制系统的控制变量计算表达式为：
[0035]
u(k)＝u(k-1)+δu
*
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0036]
式中，u(k)＝[u1(k),u2(k)]
t
，
[0037]
根据本发明的第二方面，提供了一种电子设备，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任一项所述的方法。
[0038]
根据本发明的第三方面，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任一项所述的方法。
[0039]
与现有技术相比，本发明具有以下优点：
[0040]
本发明采用数据驱动的神经网络算法建立机组的非线性预测控制模型，能够较好地描述火电机组变负荷过程中的非线性动态特性，进而满足机组变负荷运行时各项运行参数的跟踪精度要求；综合考虑非线性预测控制的运算实时性和复杂度，采用分布式控制策略，将火电机组划分为锅炉和汽轮机两个并行计算子控制系统，并基于nash均衡博弈方法实现两个子控制系统之间的信息交互以及整体火电机组的全局优化决策，在确保机组大范围变负荷跟踪精度的同时，减少运行参数波动，实现火电机组安全经济稳定运行。
附图说明
[0041]
图1为控制系统结构图；
[0042]
图2为锅炉子系统预测模型结构图；
[0043]
图3为汽机子系统预测模型结构图；
[0044]
图4为预测模型效果图；
[0045]
图5为预测值与真实值误差曲线图；
[0046]
图6为mpc与dmpc控制输出曲线图；
[0047]
图7为mpc与dmpc控制输入曲线图。
具体实施方式
[0048]
下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0049]
实施例
[0050]
本实施例给出了一种火电机组灵活变负荷分布式智能预测控制方法，是该方法包括如下步骤：
[0051]
步骤s1、如图1所示，选用bell-astrom燃油火电机组模型(以下简称ba模型)作为分布式智能预测控制方法的被控对象，其机理模型：
[0052][0053]
式中，u1为控制燃料量流量的阀门开度，u2为控制汽轮机入口蒸汽流量的阀门开度，u3为控制汽包入口给水流量的阀门开度，e为机组发电负荷，p为锅炉汽包压力，l为汽包水位偏差，ρf为锅炉汽包内汽水混合物密度，αs为表征蒸汽质量的参数，qe为蒸汽蒸发速度。
[0054]
控制变量：控制燃料量流量的阀门开度、控制汽轮机入口蒸汽流量的阀门开度、控制汽包入口给水流量的阀门开度；
[0055]
被控变量：机组发电负荷、锅炉汽包压力、汽包水位偏差；
[0056]
状态变量：机组发电负荷、锅炉汽包压力、锅炉汽包内汽水混合物密度。
[0057]
然后，根据系统机理将整个系统分解为锅炉子系统和汽轮机子系统。其中，锅炉子系统的控制变量为控制燃料量流量的阀门开度、控制汽包入口给水流量的阀门开度，被控变量为锅炉汽包压力、汽包水位偏差；汽轮机子系统的控制变量为控制汽轮机入口蒸汽流量的阀门开度、被控变量为机组发电负荷。此外，控制汽轮机入口蒸汽流量的阀门开度和锅炉汽包压力为锅炉子系统和汽轮机子系统之间的耦合变量。
[0058]
根据ba模型机理，模型控制变量u1、u2、u3(即阀门开度)的范围均为[0,1]，其变化率的范围为：
[0059][0060]
步骤s2、采用神经网络描述火电机组大范围变负荷运行的非线性特征，并基于ba模型的机理分析选择上一时刻的控制变量和被控变量作为神经网络的输入、当前时刻的输出作为神经网络的输出。结合机组的历史运行数据，采用误差反向传播算法训练神经网络，分别建立锅炉子系统和汽轮机子系统的非线性动态预测模型：
[0061][0062]
式中，y
1,m
为锅炉子系统的预测模型输出，y
1,m
＝[pm,lm]
t
，pm为锅炉汽包压力的预测值，lm为汽包水位偏差的预测值；y
2,m
为汽轮机子系统的预测模型输出，y
2,m
＝em，em为机组发电负荷的预测值；u1为锅炉子系统的控制变量，u1＝[u1,u3]
t
；y1为锅炉子系统的被控变量，y1＝[p,l]
t
；u2为汽轮机子系统的控制变量，u2＝u2；y2为汽轮机子系统的被控变量，y2＝e。
[0063]
神经网络训练时，锅炉子系统和汽轮机子系统的神经网络模型结构分别如图2和图3所示，隐含层的神经元个数均为14，数据集共10002组，选取其中的70％为训练集、30％为测试集，训练效果如图4所示，训练误差如图5所示，从图中可以看出模型性能良好，满足控制要求。
[0064]
步骤s3、对分解后的锅炉子系统和汽轮机子系统，采用分布式控制策略，分别设计预测控制器，使得火电机组的机组负荷、汽包压力及汽包水位偏差能够快速地跟踪设定值。为了使系统输出能够跟踪设定值并且避免在控制过程中控制作用增量变化剧烈，锅炉子系统和汽轮机子系统优化的目标函数分别如式(4)和(7)所示。
[0065][0066]
式中，n
p
为预测时域，nc为控制时域，q
1,i
为误差加权系数，r
1,j
为控制加权矩阵，u
1,max
、u
1,min
分别为控制变量u1的上下限，δu1为控制变量u1的增量，δu1＝[δu1,δu3]
t
，δu
1,max
、δu
1,min
分别为控制变量δu1的上下限。y
1,p
为锅炉子系统的预测输出，y
1,p
＝[p
p
,l
p
]
t
，通过式(5)来计算；y
1,r
为锅炉子系统的期望轨迹，y
1,r
＝[pr,lr]
t
，通过式(6)来计算。
[0067]y1,p
(k+i)＝y
1,m
(k+i)+h1(y1(k)-y
1,m
(k))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0068]
式中，h1为校正系数，y
1,m
(k+i)为锅炉子系统的多步预测值。
[0069][0070]
式中，α为柔化系数，r1为锅炉子系统期望值，r1＝[p
set
,l
set
]
t
，p
set
为汽包压力设定值，l
set
为汽包数位偏差设定值。
[0071][0072]
式中，u
2,max
、u
2,min
分别为控制变量u2的上下限，δu2为控制变量u2的增量，δu2＝δu2，δu
2,max
、δu
2,min
分别为控制变量δu2的上下限。y
2,p
为汽轮机子系统的预测输出，y
2,p
＝e
p
，计算方式与式(6)类似；y
2,r
为锅炉子系统的期望轨迹，y
2,r
＝er，计算方式与式(6)类似。
[0073]
步骤s4、由于锅炉子系统和汽轮机子系统之间存在输入耦合，每个子系统的输出
和其他子系统的输入有关，所以每个子系统在求解自身的优化问题时也会将考虑其他子系统的作用。
[0074]
k时刻，锅炉子系统和汽轮机子系统对输入变量进行初始化，并通过分布式控制器信息交互层来交换数据信息，并令迭代系数l＝1，则有最优解的初始值求解优化问题(4)和(7)，得到最优解求解优化问题(4)和(7)，得到最优解然后，判断两个子控制器是否满足迭代条件，如式(8)所示。如果满足迭代条件，则得到最优解。否则，则令l＝l+1，再次求解优化问题(4)和(7)，直至满足迭代条件。
[0075][0076]
式中，δi为迭代精度。
[0077]
步骤s5、计算系统的控制变量，如式(9)所示。将控制变量作用于火电机组，使得机组的输出能够快速地跟踪设定值。
[0078]
u(k)＝u(k-1)+δu
*
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0079]
式中，u(k)＝[u1(k),u2(k)]
t
，
[0080]
接下来，通过一组仿真对比实验来验证本发明的分布式智能预测控制器的控制效果，具体如下：
[0081]
对机组进行变负荷测试，假设机组运行在机组负荷为85.06mw、汽包压力为118.8kg/cm3、汽包水位偏差为0m的工况，k＝5时刻，让机组变化到机组负荷为105.8mw、汽包压力为129.6kg/cm3、汽包水位偏差为0m的工况。对机组分别设计预测控制器(mpc)和分布式预测控制器(dmpc)。mpc的参数设置如下：采样时间ts＝3s，预测时域n
p
＝20，控制时域nc＝5，误差加权系数q＝1，控制加权系数r＝0.01。dmpc的参数设置如下：采样时间ts＝3s，预测时域n
p
＝20，控制时域nc＝5，误差加权系数qi＝0.5，控制加权系数ri＝0.01，迭代精度δi＝0.01，(i＝1,2)。
[0082]
仿真效果如图6和图7所示，从图中可以看出，dmpc能够在确保机组大范围变负荷跟踪精度的同时，减少运行参数波动，实现火电机组安全经济稳定运行。
[0083]
本发明电子设备包括中央处理单元(cpu)，其可以根据存储在只读存储器(rom)中的计算机程序指令或者从存储单元加载到随机访问存储器(ram)中的计算机程序指令，来执行各种适当的动作和处理。在ram中，还可以存储设备操作所需的各种程序和数据。cpu、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。
[0084]
设备中的多个部件连接至i/o接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备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。
[0085]
处理单元执行上文所描述的各个方法和处理，例如方法s1～s2。例如，在一些实施例中，方法s1～s2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。在一些实施例中，计算机程序的部分或者全部可以经由rom和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到ram并由cpu执行时，可以执行上文描述的方法s1
～s2的一个或多个步骤。备选地，在其他实施例中，cpu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s1～s2。
[0086]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：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)等等。
[0087]
用于实施本发明的方法的程序代码可以采用一种或多种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。
[0088]
在本发明的上下文中，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。
[0089]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。