专利名称：过程自适应控制方法及过程控制系统的制作方法
技术领域：
本发明涉及过程自适应控制技术及控制系统，尤其涉及适合于根据过程特性(甚至当过程属于分布参数系统时)获得良好控制特性的过程自适应技术及控制系统。
在被控制过程中，有些是以其被控时显著的慢响应为特征的。例如，热电厂的控制是以蒸汽温度的响应为持征的。例如，主蒸汽温度的时间常数长达10至20分钟。因此，在常规的反馈控制中存在这样的问题，即主蒸汽温度随负荷指令的大幅变化而大幅变化并且变化导致汽轮机的热应力的增加并缩短了其使用寿命。由于这个问题，因此难于控制一个热电站。
为了解决这个问题，提出了一种包含一个热电厂模型的控制系统，用这个模型预测电厂的极近将来的动作，并根据这个预测的结果确定控制输入。
对于在确定控制输入时采用一个模型的控制技术，必须建立一个模型并调整该模型的参数。为此已经提出了几种方法，它们包括在下列文献中研究的过程自适应控制技术(1)Y.Sato等，“热电厂的蒸汽预测控制”，IEEE/PES1984 Winter Meeting，Dallas，Texas，U.S.A.1984年1月29日～2月3日，(2)Sato等，“采用卡尔曼滤波器的锅炉蒸汽温度的预测控制”The 18th SICE(Society of Instrumentation andControl Engineers)Lecture，1201，1979年8月29日～9月1日，(3)Y.Sato等，“热电厂的蒸汽温度预测控制”，IEEE Trans.on Power Apparatus and Systems，PAS-103卷，第9期，9月(1984年)，2382-2387页。在这些论文中，过程自适应控制技术应用于一个热电厂。在这些研究中采用的预测模型是一个集总参数模型，其中末级过热器的特性是用一个物理公式表示的。这个模型将前级过热器的出口蒸汽温度处理成一个干扰并预测末级过热器的出口蒸汽温度，即主蒸汽温度。
随着现在电力需求的增加，白天与夜晚之间的电力需求已变得明显。因此，甚至在一个大功率的热电厂中需要进行负荷跟踪操作(中负荷操作)和日常的启-停(DSS)操作。为了满足这些要求，必须改善热电厂控制系统的起动控制特性和负荷跟踪特性。
然而，在一个常规的预测控制中难于满意地满足这些要求。这是因为正如在上述论文中描述得那样一个热电厂近似于一个集总参数模型。
一个热电厂包括多个热交换器，例如炉水壁、第一级过热器、第二级过热器及第三级过热器。当水从上游向下游流经这些热交换器时，它从燃气中吸收能量并变成蒸汽然后变成过热蒸汽。也就是说，热电厂属于分布参数系统。尽管如此，上述现有技术采用一个集总参数模型来近似末级过热器，由这个模型预测在极近将来热电厂的动作，并基于该预测的结果确定控制输入。由于以上矛盾在预测中不可能考虑前级过热器出口蒸汽温度的变化，因而现有技术存在不能改善预测性能和不能期望可控性的问题。因为现有技术将基本上属于一个分布参数系统的热电厂近似成一个集总参数系统，所以不可能在技术上精确仿真一个电厂特性。因此，即使采用那个模型来预测在极近将来电厂的动作，也存在改善预测精度和改善可控性的某种限制。
在如上的常规模型中，尚未设计参数的自动调整。对于常规模型存在这样一个问题，即象根据电厂的操作数据操作员或维护人员手动调整参数那样，参数的调整花费较长的时间。
本发明的第一个目的是提供一种过程自适应控制技术及过程控制系统，它能控制采用一个能精确地仿真一个属于分布参数系统的电厂特性的模型的过程。
本发明的第二个目的是提供一种过程自适应控制技术，它能自动调整参数，从而减少调整所需的时间。
为了实现上述第一目的，根据本发明的一个模式提供了一种过程自适应控制技术，它包括一个过程模型并用这个模型确定控制输入，其特征在于，过程模型是由延迟时间因子与基于物理公式的集总参数模型的组合而构成，构成模型的物理公式的一部分或全部变量通过延迟时间因子(而其余的直接地)输入给上述集总参数模型的物理公式，进行计算以找出该过程的状态量，并利用状态量确定控制输入。
上述过程可以由一个或多个子过程构成，其中上述状态量是控制输入。这里，每一个子过程的模型可以由延迟时间因子与基于物理公式的集总参数模型的组合而构成。此外，过程可以以这样的结构构成，即两个或多个子过程顺序连接，由上游子过程模型的物理公式获得的状态量用作为下游子过程模型的一个输入变量，该状态量通过下游子过程的延迟时间因子输入给该下游子过程模型的物理公式，由这些模型获得每一个子过程的预测状态量，并且用这些预测值确定控制输入。
为了实现第二个目的，根据本发明的另一模式可以在上述结构上添加另一个结构，其中通过借助于爬山算法(mountaineeringmethod)、模糊外推法或神经网络的任何一种或其组合确定过程模型的参数，来完成过程模型的校正。
另外，根据本发明的另一个模式提供了另一种过程自适应控制技术，它包括一个过程模型并且利用这个模型确定控制输入，其特征在于，上述过程模型由一个或多个子过程构成，其中上述状态量是控制输入，并且每一个子过程的模型由基于物理公式的集总参数模型所构成；而且两个或多个子过程顺序连接，由上游子过程模型的物理公式获得的状态量用作为一个输入变量并输入给该下游子过程模型的物理公式，由这些模型获得每一个子过程的预测状态量，并且用这些预测值确定控制输入。
另外，根据本发明的另一个模式提供了一种过程控制系统，它根据对过程的期望值以及该过程的状态量确定过程的控制输入，其特征在于，包括一个过程模型并具有一个状态量预测系统，以用该模型预测过程的状态量；该预测系统包括一个模型，该模型由至少一个延迟时间因子与基于物理公式的集总参数模型的组合所构成；而且该模型通过延迟时间因子接收构成该模型物理公式的一部分或全部变量的输入，并且也直接接收其余的变量，并且借助于该物理模型执行一个操作，以计算并输出过程的状态量，其中输入变量是控制输入和过程的状态量。
更特别地是提供了这样一个系统，即，热电厂的每一个热交换器的模型是由延迟时间因子与基于物理公式的集总参数模型的组合所构成，并且将给定的热交换器模型结合进一个模型，以借助于该模型预测在极近将来热电厂的动作，并根据预测的结果确定热电厂的控制输入。此外，对基于物理公式的集总参数模型构造一个卡尔曼滤波器。以用这个卡尔曼滤波器估计状态变量的值，并根据估计值预测在极近将来热电厂的动作。
例如，可以把一个热电厂设想为本发明应用的一个典型过程。在这个应用中，因为热电厂的每一个热交换器的模型是由延迟时间因子与基于物理公式的集总参数模型的组合而构成的，所以可以精确地仿真基本上属于分布参数系统的每一个热交换器的特性。因为将这些热交换器模型结合进一个模型并且用这个模型预测在极近将来热电厂的动作，所以可以改善预测精度，因为根据这个预测的结果确定热电厂的控制输入，所以也可以改善可控性。
因为利用热电厂的操作数据通过爬山算法调整模型的参数，所以能自动地调整参数并减少调整所需的时间。
因为借助于神经网络调整模型的参数，所以也能自动地调整参数并减少调整所需的时间。采用神经网络比采用爬山算法可以减少更多的调整时间。
因为借助于模糊外推法调整模型的参数，所以也能自动地调整参数并减少调整所需的时间。采用模糊外推法(象采用神经网络那样)比采用爬山算法能减少更多的调整时间。
图1是显示本发明一个实施例的结构的方框图；图2是显示一个热电厂轮廓的说明图；图3是显示本发明一个实施例中的蒸汽温度预测系统细节的方框图；图4是显示本发明一个实施例中的预测单元细节的方框图；图5是显示本发明一个实施例中的水/蒸汽与烟气温度之间的关系的说明图；图6是显示构成本发明一个实施例的校正系统的细节的说明图；图7是显示构成本发明一个实施例的热电厂控制系统的功能结构的方框图；图8是显示图7所示系统的硬件结构的一个例子的方框图；图9是显示图7所示系统的硬件结构的另一个例子的方框图图10是显示热交换器的集总参数系统的原理的说明图；图11是比较不同实施例的响应特性的曲线图；图12是显示本发明一个实施例中的蒸汽温度控制结构的方框图；图13是显示图12所示系统的响应的曲线图，其中采用当前值给出控制并使用一个预测模型观察其变化；图14是通过仿真评价图12所示系统的曲线图，其中采用由预测模型的预测值给出控制；图15是显示用于校正在本发明过程控制中的预测模型的静态特性的过程的流程图；图16是显示用于校正在本发明过程控制中的预测模型的动态特性的过程的流程图；图17是显示用于在本发明过程控制中通过爬山算法校正预测模型参数的系统结构轮廓的方框图；图18是显示通过爬山算法校正参数的原理的说明图；图19是显示用于在本发明过程控制中通过模糊外推法校正预测模型参数的系统结构轮廓的方框图；图20是显示通过模糊外推法校正参数的原理的说明图；图21是显示通过模糊外推法校正参数的过程的说明图22是显示用于建立校正参数的模糊外推模型的过程的流程图；图23是显示用于在本发明过程控制中通过神经网络方法校正预测模型参数的系统结构轮廓的方框图；图24是显示通过神经网络方法校正参数的原理的说明图；图25是显示用于建立校正参数的神经网络模型的过程的流程图。
下面参照附图给出本发明的一个实施例。首先解释在这个实施例中要控制的热电厂的轮廓。图2显示了一个燃煤热电厂的例子。
空气由吸风机101经空气预热器102预热，由主送风机103加速，并送入磨煤机107。另一方面，由给煤机马达105驱动的给煤机106将煤斗104中的煤传输入该磨煤机107。在磨煤机107中磨碎的煤然后与空气一起送入锅炉126中的燃烧器127并在那里燃烧。
已燃气将经过省煤器(ECO)130、炉水壁(WW)108和第一级过热器(1SH)109的水变成蒸汽。蒸汽经过第一级喷水减温器(SP1)116并由第二级过热器(2SH)过热，并经过第二级喷水减温器(2SP)120并进一步由第三级过热器(3SH)111过热，然后经过主蒸汽管和主蒸汽调整器121进入高压汽轮机122。由高压汽轮机122出来的蒸汽经第一级中间再热器112和第二级中间再热器113中间再热，然后进入中/低压汽轮机。
高压汽轮机122和中/低压汽轮机123驱动发电机124发电。从中/低压汽轮机出来的蒸汽由冷凝器125冷凝。给水泵117将凝结水再次送入锅炉126的省煤器130。出自给水泵117的给水分别经过第一级喷水减温器控制阀115和第二级喷水减温器控制阀119送至第一级喷水减温器116和第二级喷水减温器120中。出自给水泵117的给水经过中间再热喷水减温器控制阀131也送入中间再热喷水减温器(SP3)132。锅炉126装备有用以再循环已燃气的烟气再循环风机114。锅炉126也装备有用以控制排气的引风机118。
该热电厂装备有用于检测电厂状况的多个传感器。它们是用于测量主蒸汽压力(PMS)的传感器S1、用于测量第一级过热器出口蒸汽温度(T1SH)的传感器S2、用于测量排气中的氧含量(O2)的传感器S3、用于测量炉压(PWW)的传感器S4、用于测量第二级过热器出口蒸汽温度(T2SH)的传感器S5、用于测量主蒸汽温度(TMS)的传感器S6、用于测量中间再热蒸汽温度(TRS)和第一级中间再热器出口蒸汽温度(T1RH)的传感器S7和S9、以及用于测量发电机124的发电输出(MW)的传感器S8，每一个传感器如图2所示。此外，用于测量蒸汽流量、压力和温度的流量传感器、压力传感器和温度传感器安装在第一级过热器109、第二级过热器110和第三级过热器111的入口或出口，但在图中均未显示它们，以同样的方式，用于测量蒸汽流量、压力和温度的流量传感器、压力传感器和温度传感器安装在第一级中间再热器112和第二级中间再热器113的入口或出口。来自上述传感器S1至S9和上述流量、压力和温度传感器的输出信号传送给下面将描述的主控制单元和子回路控制单元。上述中间再热喷射器132用作为备用设备，它仅当温度超过限度时才操作。
在这个实施例中，根据这些传感器信号控制热电厂。在这个实施例中的控制就其功能包括一个主控制单元和一个用于主控制单元的子回路控制单元。图7概略显示了其结构。
如图7所示，主控制单元1000包括一个常规控制系统(1100系统)和一个预测控制系统(1200系统)，常规控制系统控制快响应项(例如主蒸汽压力)。预测控制系统控制慢响应项(例如主蒸汽温度)。常规控制系统包括主蒸汽压力控制单元1101、氧气控制单元1102、炉压控制单元1103、以及主单元1104，主单元1104接收一个负荷指令输入并给汽轮机控制和锅炉控制输出相应的要求操作指令。预测控制系统包括控制和处理功能，它们是第一级过热器出蒸汽温度控制单元1201、第二级过热器出口蒸汽温度控制单元1202、主蒸汽温度控制单元1203、及中间再热蒸汽温度控制单元1204。
在常规控制系统中，也设置有校正单元1105、校正单元1106、校正单元1107、校正单元1108、校正单元1109、校正单元1110、及校正单元1111。校正单元1105根据来自上述蒸汽压力控制单元1101的控制输入校正来自上述主单元1104的要求操作指令并输出一个给水控制的操作指令，校正单元1106根据来自第一级过热器输出蒸汽温度控制单元1201的控制输入校正来自所说校正单元1105的输出并输出一个燃料控制的操作指令，校正单元1107根据来自氧气控制单元1102的控制输入校正来自所说校正单元1106的输出并输出一个空气控制的操作指令，校正单元1108根据来自炉压控制单元1103的控制输入校正来自所说校正单元1107的输出并输出一个排气控制的操作指令，校正单元1109根据来自第二级过热器出口蒸汽温度控制单元1202的控制输入校正来自所说校正单元1105的输出并输出一个第一级喷水减温器控制的操作指令，校正单元1110根据来自主蒸汽温度控制单元1203的控制输入校正来自所说校正单元1105的输出并输出一个第二级喷水减温器的操作指令，校正单元1111根据来自中间再热蒸汽温度控制单元1204的控制输入校正来自所说校正单元1105的输出并输出一个烟气再循环控制的操作指令。
上述主单元1104接收对发电输出进行经济供电调度(ELD)控制以及对频率进行自动频率控制(AFC)的指令，对该热电厂的负载变化率和负载变化范围设置限制并对频率进行校正，然后计算和输出相应的操作指令。
第一级过热器出口蒸汽温度控制单元1201、第二级过热器出口蒸汽温度控制单元1202、主蒸汽温度控制单元1203及中间再热蒸汽温度控制单元1204的每一个处理功能单元根据来自每一个相应传感器的信息为每一个期望值计算和输出控制输入。在图7中，一个双线方框显示的处理单元执行确定被控变量的预测控制。
在子回路控制单元2000中，设置有汽轮机控制单元2001、给水控制单元2002、燃料控制单元2003、空气控制单元2004、排气控制单元2005、第一级喷水减温器控制单元2006、第二级喷水减温器控制单元2007、以及烟气再循环控制单元2008。汽轮机控制单元2001按收来自上述在单元1104的一个输出信号和来自传感器8的有关发电输出的一个信号并控制主蒸汽调整器121，给水控制单元2002接收来自上述校正单元1105的一个输出信号并控制给水泵117，燃料控制单元2003接收来自上述校正单元1106的一个输出信号并控制给煤机马达105，空气控制单元2004接收来自上述校正单元1107的一个输出信号并控制吸风机103，排气控制单元2005接收来自上述校正单元1109的一个输出信号并控制引风机118，第一级喷水减温器控制单元2006接收来自上述校正单元1109的一个输出信号并控制第一级喷水减温器控制阀115，第二级喷水减温器控制单元2007接收来自上述校正单元1110的一个输出信号并控制第二级喷水减温器控制阀119，烟气再循环控制单元2008接收来自上述校正单元1111的一个输出信号并控制烟气再循环风机114。
上述系统例如是以如图8所示的硬件结构构成的。也就是说，系统包括第一个主控制控制器1100、第二个主控制控制器1200及其它控制器。第一个主控制控制器1100共享上述主控制单元1000的常规控制系统的处理功能，第二个主控制控制器1200共享预测控制系统的处理功能，其它控制器由子回路控制单元2000的每一个处理单元所构成，子回路控制单元2000包括汽轮机控制控制器2010、给水控制控制器2020、燃料控制控制器2030、空气控制控制器2040、排气控制控制器2050、第一级喷水减温器控制控制器2060、第二级喷水减温器控制控制器2070及烟气再循环控制控制器2080。每一个这些控制器通过接收和发送信号的传输网络相互连接。在这个实施例中，用于校正在预测控制中使用的预测模型的模型校正系统1300与该传输网络相连接。每一个这些控制器和校正系统由计算机系统构成。每一个计算机系统(图中未示出)例如可以这样构成，即包括一个中央处理单元、存储器、接口及其它设备。
如图9所示，将模型校正系统形成在第二个主控制控制器1200中构成的系统是可以接受的。
在一个热电厂的所有被控变量中蒸汽温度是难于控制的。例如，它包括四个不同的温度，即第一级过热器出口蒸汽温度T1SH、第二级过热器出口蒸汽温度T2SH、主蒸汽温度TMS、及中间再热蒸汽温度TRS。为了控制这些蒸汽温度，有四个控制输入是可获得的；即燃料流量Ff、第一级喷水减温器流量FSP1、第二级喷水减温器流量FSP2、及再循环烟气流量Fgrf。本发明通过预测控制能够控制这些变量。并且本发明的特征在于采用一种已有技术预测模型用于预测控制。
下面说明另一个实施例，其中本发明的预测控制用于上述热电厂的蒸汽温度控制。
图1显示了本发明的一个实施例的结构，给出的实施例包括期望值预测系统2、蒸汽温度预测系统3、控制输入确定系统4、模型校正系统5、及开关6。期望值预测系统2求出热电厂1的蒸汽温度的预测期望值，蒸汽温度预测系统3求出预测蒸汽温度，控制输入确定系统4根据预测期望值和预测蒸汽温度确定控制输入，模型校正系统5校正蒸汽温度预测模型的参数，开关6选择是采用预测系统的预测还是采用直接被控变量。期望值预测系统2、蒸汽温度预测系统3、控制输入确定系统4及开关6在第二个主控制控制器1200中实现，它执行上述预测控制系统中的处理，模型校正系统5在计算机1300中实现，它构成模型校正系统。
期望值预报系统2根据公式(1)预测蒸汽温度极近将来的期望值r。在这个公式中，分别计算第一级过热器出口温度T1SH、第二级过热器出口蒸汽温度T2SH、主蒸汽温度THS、及中间再热蒸汽温度TRS的期望值^r1、^r2、^r3、和^r4。^r1(k，n)＝r1(k)+a1(k)·n·ΔT^r2(k，n)＝r2(k)+a2(k)·n·ΔT……………(1)^r3(k，n)＝r3(k)+a3(k)·n·ΔT^r4(k，n)＝r4(k)+a4(k)·n·ΔT其中^r1(k，n)从当前时刻k提前n个采样周期时第一级过热器出口蒸汽温度T1SH的预测期望值；^r2(k，n)从当前时刻k提前n个采样周期时第二级过热器出口蒸汽温度T2SH的预测期望值；^r3(k，n)从当前时刻k提前n个采样周期时主蒸汽温度TMS的预测期望值；^r4(k，n)从当前时刻k提前n个采样周期时中间再热蒸汽温度TRS的期望值r4的预测值；ri(k)当前时刻k时蒸汽温度的期望值ri(i＝1至4)；ai(k)当前时刻k时蒸汽温度的期望值ri的变化率(i＝1至4)；T采样周期。
尽管在本实施例中根据极近将来的预测结果确定期望值。但是在本发明中没有这样的限制。
蒸汽温度预测系统3利用一个蒸汽温度系统模型预测极近将来的蒸汽温度。在蒸汽温度系统模型中，如图3所示，热电厂1的每一个热交换器的模型由延迟时间因子301、302、303与基于物理公式的集总参数模型304的组合而构成。在这个实施例中，这些热交换器在水/蒸汽系统中从上游至下游顺序连接，以使这个结构允许从上游至下游传输的水/蒸汽的状态发生变化。在这个实施例中，对每一个热交换器的这些模型进行积分并用于预测极近将来的蒸汽温度。
集总参数系统的模型由按照每一个热交换器的水/蒸汽系统和烟气系统的能量守恒公式表示。烟气温度计算模型306用于烟气温度。这个烟气温度计算模型306根据燃料流量Ff、空气流量Fa和烟气再循环流量Fgrf计算烟气温度。
基于物理公式为集总参数模型304构造卡尔曼滤波器305。该模型利用这个卡尔曼滤波器305估计状态变量，并且通过积分并利用每一个热交换器的上述模型，根据这个估计预测极近将来的蒸汽温度。
如图3所示，蒸汽流量Fs通过延迟时间因子302、蒸汽温度Qsi-1通过延迟时间因子301、烟气温度Qsi-1通过延迟时间因子303均输入给前级的集总参数模型(i)304，并且该模型(i)304输出蒸汽温度Qsi。此外，蒸汽流量Fs通过延迟时间因子302、从前级输出的蒸汽温度Qsi通过延迟时间因子301、烟气温度Qgi通过延迟时间因子303均输入给后级的集总参数模型(i+1)304，并且该模型(i+1)304输出蒸汽温度Qsi+1。尽管图3仅显示了两级热交换器，但是在本发明中级数是不受限制的。
在这个实施例中，如图4所示，延迟因子301、302和303由三次延迟因子近似，而三次延迟因子是由一阶延迟因子串联组成的。在这个实施例中，构成延迟时间因子301的每个一阶延迟因子的每一个时间常数设置成T1＝15秒。构成延迟时间因子302的每个一阶延迟因子的每一个时间常数设置成T2＝5秒。构成延迟时间因子303的每个一阶延迟因子的每一个时间常数设置成T3＝30秒。因此，延迟时间因子301的时间常数大约为45秒，延迟时间因子303的时间常数大约为150秒。另一方面，延迟时间因子302的时间常数比较小并且大约为15秒。因此，删除延迟时间因子302是可能的。
在如图10所示的模型的假设中，由能量守恒定律导出热交换器的集总参数模型。图10所示的模型假设为在这样一种状态，即蒸汽在构成热交换器的管壁的金属的一侧流动而烟气在另一侧流动并且热量从烟气通过金属(如图中的阴影区域所示)传递给蒸汽。在这个状态中，因为具有入口温度Qgini和烟气流量Fgi的烟气接触热交换器的金属，所以烟气传递热量Qgmi给金属并然后以出口温度Qgi流出。另一方面，因为具有入口蒸汽温度Qgini和蒸汽流量Fgi的蒸汽接触热交换器的金属，所以蒸汽从金属接收热量Qmsi然后以出口温度Qsi流出，等于锅炉烟气流量FgBF的烟气流量Fgi是空气流量Fa、燃料流量Ff和再循环烟气流量Fgrf之和，这将在后面描述。
基于象上面的物理公式，利用从能量守恒定律推导出的公式(2)和(3)表示集总参数模型，这将在后面描述。
在下面的公式中使用的符号表示如下。
V体积比重H焓F流速
Q传递的热量M重量C比热温度P压力A表面积对流导热率辐射导热率符号的下标表示如下s水/蒸汽g烟气m金属gm烟气至金属ms金属至水/蒸汽i第i级热交换器水/蒸汽系统(即，管侧流体)的能量守恒公式由公式(2)表示。管金属系统的能量守恒公式由公式(3)给出。VsiγsidHsidt=(Hsini-Hsi)·Fsi-Amsiαnsi(θmi-θsi).......(2)]]>[公式3]Mmi·Cmidθmidt-Agmiαgmi(θrini-θmi)-Amsiαmsi(θmi-θsi).........(3)]]>其中，Vsi在热交换器中管侧流体(水/蒸汽)的体积(米3)γsi管侧流体(水/蒸汽)的比重(公斤/米3)Hsi管侧流体(水/蒸汽)的出口焓(千卡/公斤)Hgini管侧流体(水/蒸汽)的入口焓(千卡/公斤)Fsi管侧流体(水/蒸汽)的流速(公斤/秒)Amsi从管金属至管侧流体(水/蒸汽)的传热表面积(米2)Agmi从壳侧流体(烟气)至管金属的传热表面积(米2)αmsi从管金属到管侧流体(水/蒸汽)的对流导热率(千卡/米2·秒·度)αgmi从壳侧流体(烟气)至管金属的对流导热率(千卡/米2/·秒·度)Mmi热交换器的管金属的重量(公斤)Cmi管金属的比热(千卡/公斤·度)Qmi管金属的温度(度)Qsi管侧流体(水/蒸汽)的出口温度(度)Qgini壳侧流体(烟气)的入口温度(度)i第i级热交换器。
与管侧流体(水/蒸汽)和金属段相比，热交换器的壳侧流体(烟气)的响应非常快。因此，应当理解能量守恒定律统计地应用于上述情形。于是，热交换器的出口烟气温度由以下公式给出。Ogini=η·Hu·Fi+Ha·Fa+Hgri·Fgri-Qww-QHEXCPg·FgBF....(4)]]>QWW=βWW{(ηHu·Fi+Hu·Fa+Hgrf·FgrfCPg·FgBF+273)/100}4·(4-1)]]>QHEX＝f(Ff)……………………………………………(4-2)η ＝f(Ff)……………………………………………(4-3)βWW＝f(Ff)……………………………………………(4-4)CPg＝f(Ff)……………………………………………(4-5)其中，燃料的热效率Hu热值(千卡/公斤)Ff燃料流量(公斤/秒)Ha空气的焓(千卡/公斤)Fa空气流量(公斤/秒)Hgrf再循环烟气的焓(千卡/公斤)Fgrf再循环烟气流量(公斤/秒)Cpg烟气的比热(千卡/公斤·度)βww炉膛的辐射导热率FgBF锅炉的烟气流量(公斤/秒)Qww炉水壁吸收的热量(千卡/秒)
QHEX除了炉冷壁之外由在烟气侧上游的其它热交换器吸收的总热量(千卡/秒)下面给出空气的上述焓值Ha，其中空气的比热是Cpg，空气的温度是Qa。
另外，下面给出再循环烟气的焓Hgrf，其中烟气的比热是Cpg并且靠近省煤器的烟气温度是Qge。
当热交换器的水/蒸汽系统的热传递近似成一个恒压过程时，应用以下公式，在以下公式中省略了每一个热交换器的级数i。dHsdt={∂Hs∂θs}Pdθsdt=CPsdθsdt··············(5)]]>Hs={∂Hs∂θs}Pθs+Hso=CPsθs+Hso··············(6)]]>CPs={∂s∂θs}P........................(7)]]>其中，Cps在恒压时的比热(千卡/公斤·度)Hso标准焓(千卡/公斤)在这个计算中，公式(7)近似于以下公式。
Cps＝(ΔHs/Δθs)p……(8)
用公式(5)和(6)代替公式(2)并整理之得到以下公式。dθsdt=-CPsFs-AmsαmsVsγsCPsθs+AmsαmsVsγsCPsθm]]>+FsVsγsCPs(Hsin-Hso)···········(9)]]>于是，将公式(3)变换成以下公式。dθmdt=AmsαmsMmCmθs-Agmαgm+AmsαmsMmCmθm]]>+AgmαgmMmCmθg·········(10)]]>整理公式(9)和(10)得到以下公式。dx1dt=A11x1+A12x2+B11u1··············(11)]]>dx2dt=A21x1+A22x2+B22u2·············(12)]]>A11=-CPsFs+AmsαmsVsγsCPs··············(13)]]>A12=AmsαmsVsγsCPs················(14)]]>A21=AmsαmsMmCm·············(15)]]>A22=-Agmαgm+AmsαmsMmCm················(16)]]>B11=FsVsγsCPs·················(17)]]>B22=AgmαgmMmCm·····················(18)]]>X1＝θs…………………………………………(19)X2＝θm…………………………………………(20)u1＝Hsin-Hso…………………………………………(21)u2＝θg…………………………………………(22)其中，Aij状态转移矩阵的元素Bij输入矩阵的元素在上述公式(19)中，x1和u2是可测量量，而x2是不可测量量。从管金属至水/蒸汽的导热率αms及从壳侧流体(烟气)至管金属的导热率αgm分别由以下公式近似。
αms＝f(Fs) ……(23)αgm＝f(FgBF)……(24)按离散时间表示公式(11)和(12)得到以下公式，这是一个表示预测模型的物理公式。在这个详细描述的带下标“m”的量意味着表示在一个矩阵中的量。
XM(k)＝AMXM(k-1)+BMUM(k-1)……(1Ca)其中，AM状态转移矩阵(模型)BM输入矩阵(模型)XM(k)在采样时刻k的状态(模型)量XM(k-1)在采样时刻k-1的状态(模型)量UM(k-1)在采样时刻k-1的控制输入(模型)下面，解释用卡尔曼滤波器进行状态量估计和误差估计。
如果在采样时刻k时状态量的估计为Xm而模型误差为ε(k)，则下面的计算求出了在采样时刻k时最大似然估计^Xm(k)。
XM(k)＝AMXM(k-1)+BMUM(k-1)+ε(k)…(10b)ε(k)＝K{XM(k)-～XM(k)} ……(10c)～XM(k)＝AM^XM(k-1)-BMUM(k-1) ……(10d)其中，k卡尔曼增益每一个热交换器的单元模型采用上述模型公式以图4所示的方框图表示。即，每一个热交换器的单元模型包括烟气温度计算模型306、对流单元307、延迟时间因子301、302和303、集总参数模型304以及卡尔曼滤波器305。烟气温度计算模型306根据燃料流量Ff、空气流量Fa、烟气再循环流量Fgrf、由炉水壁吸收的热量Qww及由除了炉水壁在烟气侧上游中的其它热交换器吸收的总热量QHEX计算烟气温度Qgin。对流单元307将热交换器的入口蒸汽温度转换成烟气侧流体(水/蒸汽)的入口焓Hsin。延迟时间因子301、302及303分别近似地给焓Hsin、蒸汽流量F3及烟气温度Qgin增加三次延迟。
预测模型的总结构如图5所示在图5中，由给水泵117供给的水经过省煤器(ECO)130并被炉水壁(WW)108加热，然后经过第一级过热器109、第一级喷水减温器116、第二级过热器110、第二级喷水减温器120、第三级过热器111及主蒸汽调整器121进入高压汽轮机122。在这个顺序中，由每一个过热器109、110和111给出通过烟气温度计算而获得的烟气温度Qg1SH、Qg2SH及Qg3SH，并且根据上述公式计算相应的出口温度。从高压汽轮机出来的蒸汽经过第一级中间再热器112、中间再热喷水减温器132及第二级中间再热器113进入低压汽轮机123。在这个顺序中，由第一级中间再热器112及第二级中间再热器113给出通过烟气温度计算而获得的烟气温度Qg1RH及Qg2RH，并且根据上述物理公式计算相应的出口温度。
这里，利用上述公式(10b)求出在采样时刻k提前n个采样周期的被控变量^Xm(k，n)而进行系统预测。
在下面，检验象上面进行的预测特性。在这个检验中，将仅对末级过热器采用集总参数模型进行的预测工作与象在这个实施例中描述得那样采用延迟时间因子与集总参数模型的组合进行的预测工作进行比较。当在每一种情况下测量对相同的控制输入的响应特性时，求出的结果如图11(a)所示。从图中清楚可见，当仅采用集总参数模型进行预测时，模型的响应比对象的响应快从而误差变得更大。这导致由误差引起的回拉作用(draw-back action)也变得更大从而使预测精度变得更差(图11(b))。另一方面，在采用延迟时间因子与集总参数模型的组合的预测中，误差变小，因为被控变量的响应近似于对象的响应特性因此回拉作用也变得更小且预测精度得到了改善(图11(c))。
在这个实施例中，并行设置预测控制和常规控制以仅当预测值的误差落入一个特定范围内时才启动预测控制。图1中的开关6用于这个目的。当误差大时执行常规的PI(比例积分)控制并且当误差变小时切换到本发明的预测控制。
这个实施例由一个计算机进行计算并执行。因此，模型公式按照如图10(b)所示的离散时间表示。下面详细解释按照离散时间的模型公式的表示。
当从上述能量守恒定律推导出的热传递型模型(11)和(12)按照离散时间表示并用矩阵元素显示时，得到以下公式。x1(k)x2(k)=φ11φ12φ21φ22x1(k-1)x2(k-1)··············(25)]]>+h11h12h21h22u1(k-1)u2(k-1)]]>下面，解释用卡尔曼滤波器利用公式(25)估计状态变量。
为了使用一个热传递型模型的离散时间表示的公式(25)预测蒸汽温度，蒸汽温度Qs和管金属温度Qm的状态变量在预测的起始值是必需的。然而，对管金属温度Qm采用一个估计值，因为它是不可测量的，在这个实施例中，卡尔曼滤波器用于估计管金属温度Qm。
为了采用卡尔曼滤波器，公式(25)表示如下XM(k)＝ΦM(k-1)·XM(k-1)-HM(k-1)·UM(k-1)……(26)XM(k)=x1(k)x2(k)·················(27)]]>UM(k-1)=u1(k-1)u2(k-1)····················(28)]]>φM(k-1)=φ11(k-1)φ12(k-1)φ21(k-1)φ22(k-1)··············(29)]]>HM(k-1)=h11(k-1)h12(k-1)h21(k-1)h22(k-1)···················(30)]]>其中，XM(k)在采样时刻k时状态变量向量(蒸汽温度Qs，管金属温度Qm)ΦM(k-1)在采样时刻k-1时状态转移矩阵HM(k-1)在采样时刻k-1时输入矩阵UM(k-1)在采样时刻k-1时控制输入此外，假设用公式(26)表示的系统观测方程可以用以下公式表示。
YM(k)＝CM·XM(k)+VM(k)……(31)其中，YM(k)在采样时刻k时预测向量(相应于蒸汽温度Qs)XM(k)状态变量向量(蒸汽温度Qs，管金属温度Qm)VM(k)观测噪声向量CM预测矩阵由公式(26)和(31)限定的卡尔曼滤波器用公式表示如下，其中上标’表示转置矩阵。
XM(k)＝～XM(k)+PM(k)·CM’·WM-1{YM(k)-CM·～XM(k)}……(32)～XM(k)＝ΦM(k-1)·^XM(k-1)+HM(k-1)·UM(k-1) ……(33)PM(k)＝{MM’-1(k)+CM’·WM-1·CM}-1……(34)MM(k)＝ΦM(k-1)·PM(k-1)·ΦM’(k-1)+HM(k-1)·UM(k-1)·HM’(k-1) …(35)其中，^XM(k)在采样时刻k时被控变量XM(k)的最大似然估计/XM(k)在采样时刻k时被控变量XM(k)的估计下面，解释控制输入确定系统4。
控制输入确定系统4根据极近将来的预测期望值与极近将来的预测蒸汽温度确定控制输入。在这个实施例中执行比例积分控制。[公式14]显示了一个控制算法。Δuj(k)＝ui(k)-ui(k-1)＝Kpi[{ri(k，n)-yi(k，n)}-{ri(k-1，n)-yi(k-1，n)}]+Kli{ri(k，n)-yi(k，n)} ……(15)(i＝1～4)其中Kpi比例增益Kli积分增益Ui(k)在当前时刻k时控制输入Ui的变化模型校正系统5校正模型参数以使蒸汽温度系统模型的特性符合热电厂的特性。图6显示了模型校正系统5的结构。下面参照这个图解释校正算法。
首先，借助于爬山算法校正模型参数，以使热电厂的被控变量与由预测模型获得的被控变量的估计值之间的误差，即模型的误差可以变小，并且采集和记录这个校正的结果。
然后，把由爬山算法校正的这个模型的结果使用为示教数据，让神经网络(神经系统)学习模型校正规则。当神经网络通过这个学习已经学到模型校正规则之后，由这个神经网络进行预测模型的校正。
类似地，基于由上述爬山算法校正的模型结果，把模型校正规则整理为模糊规则并通过这个整理的模糊规则进行预测模型的校正。
在准备上述模糊规则时，可以使用已经学会模型校正规则的神经网络。换句话说，从学会的神经网络的输入/输出特性准备模糊规则是可能的。
在模型校正时，系统测量电厂(或仿真器也是可能的)的时间响应数据并根据该数据校正静态特性，然后校正动态特性。例如，可以由主控制器进行校正，但也可以在另一个计算机系统中进行。
通过将负荷量级以一个恒定的间距进行变化而对每一个负荷量级进行静态特性的校正。如图15所示，首先测量当前负荷量级(步骤1501)，然后测量每一个过程量(步骤1502)，其中测量热交换器的Fs、Qs、Ps、Fg、Pg、Qg及其它量。然后由这些量获得水/蒸汽的焓(Hs)分布(步骤1503)。即，获得每一个热交换器的入口和出口处的水/蒸汽的焓(Hs)。然后，估计由水/蒸汽吸收的热量(Qms、Qgm)的分布(步骤1504)。当这些系统平衡时Qms等于Qgm。
接着，估计烟气的焓(Hg)分布。这是利用在可测量温度处的温度及烟气的比热求出的(步骤1505)。例如，一个典型的可测量温度处是靠近省煤器的地方。此外，估计烟气温度(Qg)的分布(步骤1506)。这是利用该焓分布和该比热进行估计的。然后，估计金属温度(Qm)的分布(步骤1507)。最后，估计导热率(αms、αgm和βgm)(步骤1508)。
下面解释动态特征的校正。如图16所示，给电厂(仿真器)施加输入(例如阶跃输入和斜坡输入)并测量电厂的时间响应数据(步骤1601)。给出典型的输入(例如增加燃料流量的指令)并测量响应于输入的第一级过热器出口蒸汽温度的变化数据。例如给模型设置可以由设计固定的起始参数(步骤1602)。然后，给电厂施加电厂的控制输入和被控变量并估计模型的起始状态(步骤1603)。然后，给模型施加输入(例如阶跃输入和斜坡输入)并计算对输入的时间响应(步骤1604)。另外还计算电厂与模型之间的时间响应的误差(步骤1605)。下一个步骤是判断是否这个误差收敛于一个特定的范围内(步骤1606)。如果它不收敛于该范围内，则修正模型的参数(步骤1607)。例如，可以采用爬山算法、模糊外推法或神经网络进行这个修正。然后程序返回步骤1603重复进行这段操作直至误差已收敛于一个特定的范围内才结束校正。
下面解释用爬山算法修正模型的参数。图17和18显示了某些例子。
图17是用于校正模型的系统的一个举例结构。在这个例子中，控制输入UM输入给热电厂(或仿真器也是可接受的)1和根据本发明的预测模型建立的预测系统3。响应于这个输入从热电厂输出状态量XM并且从预测系统(模型由下标m显示)3输出状态量XmM。模型校正系统5测量这些输出的误差eM，用以下公式对其积分，并根据积分值的大小估计之。然后，系统用爬山算法修正参数以使积分值可以趋于最小。P1=∫0T{a1(x1-xm1)2+···+an(xn-xmn)2}dt→MIN.…………(35)]]>
图18显示了复合单纯形法(complex method)的原理，它是从单纯形法延伸而来的可用于具有约束条件的情形。复合单纯形法是一种用以达到一个函数的最小值点的方法，即由一组(n+1)n维空间的点形成的一个单纯形，参照具有最大函数值的一个点，抽取其余的点限定的一个超平面的一个镜象以形成一个新的单纯形，然后对这个新的单纯形进行相同的操作以形成另一个单纯形，并重复进行，从而达到最小值点。在图18中用等值线显示估计值。由于在这个例子中是要寻找最小值，所以等值线不代表峰值而是表示谷值。图中的阴影区域显示了约束条件。如果任伺点影响约束条件，都将被修正以不造成影响。
图18中的例子显示了用爬山算法修正两个参数P1和P2的情形。即，首先给出参数P1和P2的起始值。设计值例如可以用于此目的。产生随机数并使它们作为这些参数也是可以接受的。这个点设置得如图18中的坐标点1所示。接着，通过产生随机数确定坐标点2和3。然后，将这三个参数提供给仿真器和热电厂的模型3，测量每一个状态量的误差，并用上述公式(36)对数据进行积分。参照具有最大函数值的点(在这个例子中假设是点1)，从由点2和3限定的一个平面上抽取点1的镜象。把它称为点4。然后，用点2、3和4形成另一个单纯形。该整数由点4表示，将积分值与点2和3进行比较，并重复上述相同的步骤。如果点4不满足约束条件，则向这一侧移动该点并在那设置一个新的点4。以这种方式，依次搜索到一个更高的估计值，在这个实施例中它是这些参数与最小可能误差的组合。
关于爬山算法的细节，请参看“M.J.Box，一种具有其它算法的约束最优化新算法，The Computer J.8卷，第1期(1985年)42-52页”及“Kiyotaka Shimizu，系统控制与线性规划(1991年2月10日发行)，76-79页”。
以这种方式可以获得最优参数。在这个例子中需要校正的参数是延迟时间因子的时间常数。由于根据电厂的操作数据通过爬山算法调整在这个例子中的模型参数，所以可以自动调整参数并且也可以减少调整所需的时间。
下面解释更有效地进行调整的另一种方法，其中采用由爬山算法修正的数据建立用于修正的模糊规则。图19显示了一个例子。
图19显示了一个模糊外推系统的例子的结构。这个系统可以建立在模型校正系统5中。这个系统包括模糊规则部分1901、隶属函数部分1902、及模糊外推部分(1903)。模糊规则部分1901中写有模糊规则，隶属函数部分1902中存贮着用于确定前捉的适应及每一条规则的结论的隶属函数，模糊外推部分根据由隶属函数确定的自适应性用模糊规则进行外推。
在这个实施例中，如图20(A)所示，应注意两个上升时间的比(Tm/T)，它们是响应于增加的燃料流量(如阶跃线所示)达到期望值的62％的模型(如虚线所示)的上升时间Tm和电厂的第一级过热器的蒸汽温度的上升时间T，并对它们确定规则，然后对在试探操作或仿真中测量的该比率(Tm/T)施加这些规则，根据确定的隶属函数的适应用模糊外推法校正参数，如图20(B)所示。
以下规则例如存储在模糊规则部分1901中。这个例子用修正因子C3来修正延迟时间因子303的时间常数T3。
规则1如果(Tm/T)变小，则增大T3的修正因子C3。
规则2如果(Tm/T)是正确的，则T3的修正因子是C3是正确的。
规则3如果(Tm/T)变大，则减小T3的修正因子C3。
在模糊外推部分1903中，如图21所示，输入(Tm/T)适应于如图20(B)所示的隶属函数并得到适应。然后获得的适应适于修正因子C3的隶属函数，然后对包括适应的一部分面积计算重心并确定相应于重心的修正因子。由于对于图中的例子由规则1和规则2求得适应，所以在包括了每一条规则的前提适应的一个整个面积上进行重心的计算。
尽管在这个解释中仅描述了关于第一级过热器的一个例子，但是上述方法可以以同样的方式应用于其它过热器。对于这些应用，根据每一个应用准备合适的隶属函数和规则。
例如，如图22所示，准备模糊外推模型。即，首先采集目标参数必需的数据(步骤2201)。然后，抽取输入与输出变量之间的常数关系(步骤2202)。另外，在这个步骤中选择使用什么样的函数。然后，准备模糊规则和隶属函数(步骤2203)。现在，可以确定模型的结构。最后，通过调整模糊规则和隶属函数辨识模型的参数(步骤2204)。
根据这个例子，由于通过上述步骤确定了修正参数的因子，所以根据这个因子可以自动地调整参数。此外因为利用电厂的操作数据用模糊外推法调整这个例子中的模型参数，所以可以自动调整参数并缩短调整所需的时间。采用模糊外推法，象采用后面将解释的神经网络那样，可以比采用爬山算法缩短更多的调整时间。
除了模糊外推法之外，还可以采用神经网络修正模型的参数。为此目的，通过让网络学习过去的数据准备规则。
这里，解释关于神经网络的修正参数。在神经网络中可以让网络学习事先参数修正的老数据来修正参数。图23显示了网络的结构。在图23所示的一个例子中对第一级过热器、第二过热器和第三级过热器，分别输入每一个过热器的上升时间的比(Tm1SH/T1SH、Tm2SH/T2SH、Tm3SH/T3SH)并获得相应的修正因子C31SH、C32SH和C33SH。图24显示了这些上升时间的比之间的关系。
例如，可以通过图25所示的步骤建立神经网络。即，采集数据(步骤2501)并确定输入/输出变量(包括选择要使用的变量)(步骤2502)。然后，确定神经网络的层数和单元数并决定结构(步骤2503)。现在，确定了模型的结构。然后，通过反向传播(back propagation)让网络进行学习并调整神经网络的每一个神经元的权重因子(步骤2504)。
因为在这个例子中模型的参数是通过采用电厂的操作数据由神经网络调整的，所以能自动调整参数并缩短调整所需的时间。采用神经网络可以比采用爬山算法缩短更多的调整时间。
在上述实施例中，把包括多级热交换器的一个过程考虑为子过程并且采用延迟时间因子与基于物理公式的集总参数模型的组合作为每一个子过程的模型。不用说，本发明的模型可以用于包括一个单一过程的过程。
在应用本发明于一个包括多个子过程的过程中，可以忽略延迟时间因子。在这样一种情形中，也可以由多个集总参数模型形成每一个子过程。
给出的仿真结果可以证明本发明的效果。图12显示了一个例子的结构，图13显示了仿真的结果。
图12是一个实施例的结构，其中本发明应用于可变压力直通式锅炉。在这个实施例中，系统包括作为子过程的第一级过热器、第二级过热器和第三级过热器，以及由串联连接的集总参数模型与相应于这些子过程的延迟时间因子构成的预测模型601。系统借助于这个模型601预测极近将来的第一级过热器出口温度、第二级过热器出口温度及主蒸汽温度，并且用预测的结果，通过比例积分控制操作第一级喷水减温器喷水体积、燃料流量和第二级喷水减温器喷水体积。
图13显示了采用当前值把预测模型用于图12所示的反馈控制时预测模型的评价结果。图13显示的评价是由可变压力直通式锅炉的一个实时仿真器进行的。在图13中，对于第一级过热器出口蒸汽温度、第二级过热器出口蒸汽温度和主蒸汽温度，五分钟后的蒸汽温度如虚线所示，而实际温度由粗线所示。从这个图中可知，主蒸汽温度的预测值显示了提前于实际温度五分钟的变化，它意味着将获得一个良好的结果。
图14显示了采用图12所示实施例中的预测值的预测控制的评价结果。评价方法与图13中的相同。
从图14可知，在这个实施例中主蒸汽温度的变化是控制在采用当前值的反馈控制中的1/3至1/2之间，这意味着可控性大大改善了。
尽管上述实施例是一个热电厂的例子，但是不用说本发明并不限于这个应用。它也可以应用于其它电厂，包括核电站或化工厂。
尽管在上述实施例中是在一个控制器中处理预测和确定控制输入，但是也可以在分别的控制中处理之。
根据本发明，因为过程的模型是由延迟时间因子与基于物理公式的集总参数模型的组合而形成的，所以甚至当过程属于分布参数系统时也能精确地仿真模型的特性并能改善预测精度。
此外，通过由多个子过程形成模型并允许上游子过程的输出作为下游子过程的部分输入被接收，这样可以精确地预测过程。因为根据预测的结果确定控制输入，所以可以进一步改善可控性。
因为系统采用电厂的操作数据通过爬山算法或模援外推法或神经网络中的任何一种调整模型的参数，所以可以自动调整参数并缩短调整所需的时间。
权利要求
1.一种过程自适应控制技术，它包括一个过程模型并且利用该模型确定控制输入，其特征在于该过程模型由延迟时间因子与基于物理公式的集总参数模型的组合而构成，构成该模型的物理公式的一部分或全部变量通过该延迟时间因子，其余的直接地，输入给上述集总参数模型的物理公式，用该模型进行计算以求出该过程的状态量，并用该状态量确定控制输入。
2.如权利要求1所述的一种过程自适应控制技术，其特征在于上述过程由一个或多个子过程所构成，其中上述状态量的一部分或全部是控制输入，并且每一个子过程的模型由延迟时间因子与基于物理公式的集总参数模型的组合所构成。
3.如权利要求2所述的过程自适应控制技术，其特征在于两个或多个子过程顺序连接，由上游子过程模型的物理公式获得的状态量用作为下游子过程模型的一个输入变量，所说状态量通过该下游子过程的延迟时间因子输入给所说下游子过程模型的物理公式，由这些模型获得每一个子过程的预测状态量，并且用这些预测值确定控制输入。
4.如权利要求1或2或3所述的一种过程自适应控制技术，其特征在于为基于物理公式的所述集总参数模型构成一个卡尔曼滤波器，并用这个卡尔曼滤波器预测所述状态量的误差。
5.如权利要求1或2或3所述的一种过程自适应控制技术，其特征在于为基于物理公式的所述集总参数模型构成一个卡尔曼滤波器，并用这个卡尔曼滤波器预测所述状态量的误差，并且还预测不可测量变量的状态量。
6.如权利要求1所述的一种自适应控制技术，其特征在于通过借助于爬山算法、模糊外推法或神经网络的任何一种或其组合确定所述过程模型的参数，来完成该过程模型的校正。
7.如权利要求6所述的一种过程自适应控制技术，其特征在于至少按照其它参数中的延迟时间因子的时间常数来校正所述过程模型。
8.一种过程自适应控制技术，其特征在于上述过程模型由一个或多个子过程模型所构成，其中上述状态量的一部分或全部是控制输入，并且每一个子过程的模型由基于物理公式的集总参数模型所构成；两个或多个子过程顺序连接，由上游子过程模型的物理公式获得的状态量用作为一个输入变量并输入给该下游子过程模型的物理公式，由这些模型获得每一个子过程预测状态量，并且用这些预测值确定控制输入。
9.一种过程控制系统，它根据对过程的期望值和过程的状态量确定过程的控制输入，其特征在于包括一个过程模型并具有一个状态量预测系统，以用该模型预测该过程的状态量；该预测系统包括用作一种方法的一个模型，该模型由至少一个延迟时间因子与基于物理公式的集总参数模型的组合所构成；该模型通过该延迟时间因子接收构成该模型的物理公式的一部分或全部变量的输入并也直接接收其它变量，并且用该物理公式执行一个操作以计算和输出该过程的状态量，其中输入变量是控制输入和该过程的状态量。
10.如权利要求9所述的一种过程控制系统，其特征在于所述过程是一个热电站的一个蒸汽产生过程，它包括至少一个热交换器，并且所述预测系统是一个蒸汽温度预测系统；该系统包含一个热交换器模型和一个烟气温度计算模型，该热交换器模型用于计算所说热交换器的出口蒸汽温度，该烟气温度计算模型用于计算传递热量给该热交换器的烟气的温度，每一个模型均是基于物理公式的集总参数模型；该系统根据燃料流量、空气流量和烟气再循环流量用该烟气温度计算模型计算该热交换器的出口处的烟气温度，该系统根据所说烟气温度、蒸汽温度和蒸汽流量计算该热交换器的出口处的蒸汽温度，并且通过上述延迟时间因子将至少该烟气温度和该蒸汽温度输入给该模型。
11.如权利要求10所述的一种过程控制系统，其特征在于所述延迟时间因子是至少一个或多个一阶延迟因子的串联连接。
12.如权利要求10所述的一种过程控制系统，其特征在于上述蒸汽温度预测系统包括一个卡尔曼滤波器，所说卡尔曼滤波器估计在所述热交换器模型中被计算的状态量的误差。
13.如权利要求12所述的一种过程控制系统，其特征在于上述卡尔曼滤波器也估计所述热交换器的金属温度，该热交换器模型在其计算中采用被估计的金属温度。
全文摘要
根据延迟时间因子与基于物理公式的集总参数模型的组合，构成一个热电厂的每一个热交换器的模型，将给出的这些热交换器的模型综合进一个模型。用该模型预测极近将来的热电厂的动作并根据预测的结果确定电厂的控制输入。采用电厂的操作数据通过爬山算法调整模型的参数。还可以借助于神经网络系统和模糊外推法校正模型的参数。
文档编号G05B13/02GK1112693SQ9410427
公开日1995年11月29日 申请日期1994年3月11日 优先权日1993年3月12日
发明者野村政英, 大内和红, 菅野彰, 远山荣二, 木村亨 申请人:株式会社日立制作所