本發(fā)明涉及熱能動力工程和自動控制，特別是涉及一種基于預(yù)測控制技術(shù)的機組協(xié)調(diào)控制系統(tǒng)及控制方法。

背景技術(shù)：

傳統(tǒng)協(xié)調(diào)系統(tǒng)一般采用“負荷指令前饋”+“pid反饋”的調(diào)節(jié)方案，由于鍋爐煤量對主蒸汽壓力影響的慣性時間長，常規(guī)的pid控制往往難于對該類大滯后過程進行有效控制；而對于汽溫控制，由于在機組加減負荷過程中，煤水比控制的不合理，汽溫控制品質(zhì)較差。變負荷率僅能設(shè)置為3～6mw/min，agc的考核速率和精度均受到明顯影響；大幅度變負荷時，主汽壓力偏差最大可達1.4mpa，且有明顯的調(diào)節(jié)振蕩，并且會長時間存在1.0mpa以上的控制偏差；控制性能很差，在運行人員頻繁解手動干預(yù)的情況下，主汽溫度經(jīng)常達608℃以上。且由于機組燃水比控制與主汽溫控制的協(xié)調(diào)性較差，主汽溫度經(jīng)常長時間跌至590℃以下，最低可達575℃。

由于鍋爐的慣性時間長，而汽機的慣性時間很短，在機組運行過程中，鍋爐跟不上汽機所導(dǎo)致的能量不平衡是造成機組負荷調(diào)節(jié)性能差、關(guān)鍵參數(shù)波動大的根本原因，而且由于實際過程中煤種經(jīng)常發(fā)生變化，容易發(fā)生主汽壓力和主汽溫度的波動。

因此，機組存在負荷調(diào)節(jié)能力不理想、汽壓汽溫等關(guān)鍵參數(shù)波動大及系統(tǒng)不能很好適應(yīng)煤種變化等實際問題，傳統(tǒng)的協(xié)調(diào)控制系統(tǒng)不能得到很好的控制效果。

技術(shù)實現(xiàn)要素：

發(fā)明目的：為解決現(xiàn)有技術(shù)的不足，本發(fā)明提供一種通過采用預(yù)測控制和神經(jīng)網(wǎng)絡(luò)控制，可以有效提前鍋爐熱負荷的調(diào)整，確保鍋爐能與汽輪機充分協(xié)調(diào)的控制系統(tǒng)及控制方法。

技術(shù)方案：一種基于預(yù)測控制技術(shù)的機組協(xié)調(diào)控制系統(tǒng)，包括反饋回路和熱值矯正回路，所述反饋回路的主控制器采用廣義預(yù)測控制器，以提前控制和調(diào)節(jié)被控對象；所述熱值校正回路采用rbf神經(jīng)網(wǎng)絡(luò)控制器，以提前預(yù)測當(dāng)前時刻的熱值校正系數(shù)，提前控制被控對象。

進一步的，所述廣義預(yù)測控制器包括：用于計算各個關(guān)于后移算子z的多項式的丟番圖方程計算模塊，計算矩陣g求解模塊以及用于求解預(yù)測控制算法中的控制量的控制量求解模塊。

一種采用所述控制系統(tǒng)的控制方法，包括以下步驟：

(1)采用廣義預(yù)測控制器進行控制量的計算

(11)計算各個關(guān)于后移算子z的多項式，

(12)計算多項式求解矩陣g，

(13)求解預(yù)測控制算法中的控制量；

(2)采用rbf神經(jīng)網(wǎng)路對煤種熱值進行矯正

采用當(dāng)前時刻及前兩個采樣時刻的煤種熱值校正系數(shù)作為輸入對下一時刻的煤種熱值校正系數(shù)進行預(yù)測；包括：

(21)計算聚類中心，

(22)計算權(quán)值。

進一步的，所述步驟(11)中預(yù)測控制器的過程輸出離散差分方程為：

a(z^-1)y(t)＝b(z^-1)u(t-1)+c(z^-1)w(t)/δ，

其中，a(z^-1)、b(z^-1)、c(z^-1)都是關(guān)于后移算子z的多項式：

u(t)、y(t)表示被控對象的輸入和輸出；δ＝1-z^-1表示差分算子；w(t)表示隨機擾動；各多項式中的系數(shù)為常數(shù)，由實驗得出；na、nb、nc分別表示各多項式中最高次項次數(shù)。

進一步的，按如下方法計算所述步驟(12)中多項式求解矩陣g：

為了得到預(yù)測的最優(yōu)值，采用以下丟番圖方程對gj(z^-1)進行求解：

1＝ej(z^-1)a(z^-1)δ+z^-jfj(z^-1)

ej(z^-1)b(z^-1)＝gj(z^-1)+z^-jhj(z^-1)，

其中，j＝1,2,3,…,n1，n1為最大預(yù)測時域，并且

ej(z^-1)＝e0+e1z^-1+…+ej-1z^-j+1

gj(z^-1)＝g0+g1z^-1+…+gj-1z^-j+1

其中，e0,e1，…,ej-1表示由第一個丟番圖方程解得的多項式ej(z^-1)中的各系數(shù)，表示由第一個丟番圖方程解得的多項式fj(z^-1)中的各系數(shù)，g0,g1,…,gj-1表示多項式gj(z^-1)中各項的系數(shù)，表示多項式hj(z^-1)中各項的系數(shù)。

當(dāng)j分別取1,2,3,…,n1時，將ej(z^-1)b(z^-1)代入第二個丟番圖方程求解得出多項式gj(z^-1)中的系數(shù)將得到的系數(shù)組成矩陣，得出矩陣形式g：

其中n1為最大預(yù)測時域，nu為控制時域。

進一步的，所述步驟(13)中，由丟番圖方程解出a(z^-1)并帶入差分方程，并將ej(z^-1)b(z^-1)替換成gj(z^-1)+z^-jhj(z^-1)，并省略(z^-1)，并將式：δu(t)＝(1-z^-1)u(t)中的t換成t+j可以得到：

y(t+j)＝gjδu(t+j-1)+fjy(t)+hjδu(t-1)+ejw(t+j)，

當(dāng)j分別取1,2,3,…,n1時，可以將等式寫成矩陣形式，即廣義預(yù)測控制的矩陣形式為：

y＝gu+fy(t)+hδu(t-1)+e，

其中：

δu(t-1)＝(1-z-¹)u(t-1)

y^t＝[y(t+1),…,y(t+n1)]

u^t＝[δu(t),…,δu(t+nu-1)]

其中，定義yr^t為被控對象輸出的設(shè)定值：

yr^t＝[yr(t+1),…,yr(t+n1)]，

定義j為性能指標函數(shù)：

j＝(y-yr)^t(y-yr)+λu^tu，

其中，λ為控制加權(quán)常數(shù)；

對該性能指標函數(shù)求導(dǎo)令其為0，可得j取最小值時，u為：

u＝(g^tg+λi)^-1g^t[yr-fy(t)-hδu(t-1)]。

進一步的，所述步驟(21)包括：

(a)算法初始化：選擇h個不同的初始聚類中心，并令k＝1，從實驗數(shù)據(jù)中隨機選取h個不同的樣本輸入作為初始數(shù)據(jù)中心記為ci(k)，i＝1,2,…,h；

(b)計算所有樣本輸入與各個選出的聚類中心的距離||xj-ci(k)||，其中，i＝1,2,…,h，j＝1,2,…,n；

(c)對輸入xj，按最小距離原則進行分類：即當(dāng)||xj-ci(k)||取得最小值時，i＝1,2,…,h，xj被歸為第i類；

(d)重新計算各類的新的聚類中心：

其中，ni為第i個聚類域中包含的樣本的個數(shù)；x為屬于第i類的所有輸入；

(e)如果ci(k+1)≠ci(k)，轉(zhuǎn)到步驟(b)，否則聚類結(jié)束；

(f)根據(jù)各聚類中心之間的距離確定擴展常數(shù)，隱節(jié)點的擴展常數(shù)σ＝κdi，

其中，di為第i個數(shù)據(jù)中心與其他離他最近的數(shù)據(jù)中心之間的距離，即κ為重疊系數(shù)。

進一步的，所述步驟(22)中，根據(jù)確定的隱節(jié)點的數(shù)據(jù)中心和擴展常數(shù)，得出輸出權(quán)矢量w＝[w1,w2,…,wh]隱層的輸出陣h為：

其中，e為自然常數(shù)，i＝1,2,…,nj＝1,2,…,h；

則神經(jīng)網(wǎng)絡(luò)模型最終的輸出為：

r＝hw，

采用最小二乘的方法計算權(quán)值矢量：

w＝(h^th)^-1h^tr。

有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明提出的一種基于預(yù)測控制技術(shù)的機組協(xié)調(diào)控制系統(tǒng)及控制方法，預(yù)測控制器的內(nèi)部主汽溫度預(yù)測模型采用受過去主汽溫度影響的線性函數(shù)模型，通過預(yù)測控制，可以有效地提前動作，使得鍋爐能夠跟得上汽輪機的能量需求，提高了機組負荷的調(diào)節(jié)性能，有效減小了關(guān)鍵參數(shù)的波動，大大提高了機組的運行穩(wěn)定性和安全性；基于rbf神經(jīng)網(wǎng)絡(luò)的熱值校正系數(shù)模型采用受過去熱值校正系數(shù)影響的非線性函數(shù)模型，能夠適應(yīng)煤種的變化，彌補傳統(tǒng)的btu校正熱值的校正過程遠滯后于煤種的變化的問題，通過存儲前期各個采樣時刻的煤種熱值校正系數(shù)，并作為rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)，建立煤種熱值校正系數(shù)的非線性神經(jīng)網(wǎng)絡(luò)模型，然后用該模型對煤種熱值校正系數(shù)的未來值進行遞推預(yù)估，通過預(yù)估的提前時間來彌補btu校正過程的滯后，提高機組的穩(wěn)定性。

附圖說明

圖1是本發(fā)明實施例的系統(tǒng)原理圖；

圖2是基于rbf神經(jīng)網(wǎng)絡(luò)的煤種熱值校正模型圖。

具體實施方式

下面結(jié)合具體實施例，進一步闡明本發(fā)明的技術(shù)方案。

如圖1所示，本發(fā)明實施例公開的一種基于預(yù)測控制技術(shù)的機組協(xié)調(diào)控制系統(tǒng)，包括反饋回路和熱值矯正回路，所述反饋回路的主控制器采用廣義預(yù)測控制器，所述熱值校正回路采用rbf神經(jīng)網(wǎng)絡(luò)控制器。

其中，廣義預(yù)測控制器包括：丟番圖方程計算模塊，用于計算各個關(guān)于后移算子z的多項式；計算矩陣g求解模塊，通過丟番圖方程計算模塊得出的多項式求解矩陣g；控制量求解模塊，用于求解預(yù)測控制算法中的控制量。廣義預(yù)測控制器的內(nèi)部主汽溫度預(yù)測模型采用關(guān)于過去時刻主汽溫度的線性函數(shù)模型。

神經(jīng)網(wǎng)路控制器包括基于rbf神經(jīng)網(wǎng)絡(luò)的煤種熱值校正系數(shù)模型和煤種熱值校正系數(shù)的遞推預(yù)測模塊。

主控制器采用廣義預(yù)測控制器控制主汽壓力與設(shè)定值之間的偏差，煤量前饋通過主汽壓力設(shè)定值和負荷指令對煤量指令和給水指令提前調(diào)節(jié)，熱值校正回路通過存儲熱值校正系數(shù)預(yù)測未來時刻的熱值校正系數(shù)對煤種變化頻繁的情況提前動作。

一種采用所述控制系統(tǒng)的控制方法，包括以下步驟：

(1)采用廣義預(yù)測控制器進行控制量的計算

(11)計算各個關(guān)于后移算子z的多項式

預(yù)測控制器的過程輸出(即主汽壓力)可用差分方程表示為：

a(z^-1)y(t)＝b(z^-1)u(t-1)+c(z^-1)w(t)/δ，

其中，a(z^-1)、b(z^-1)、c(z^-1)都是關(guān)于后移算子z的多項式，公式如下：

u(t)、y(t)表示被控對象的輸入和輸出；δ＝1-z^-1表示差分算子；w(t)表示隨機擾動；各多項式中系數(shù)為常數(shù)，都通過實驗得出；na、nb、nc分別表示各多項式中最高次項次數(shù)。

(12)計算多項式求解矩陣g

為了得到預(yù)測的最優(yōu)值，采用以下丟番圖方程對gj(z^-1)進行求解：

1＝ej(z^-1)a(z^-1)δ+z^-jfj(z^-1)

ej(z^-1)b(z^-1)＝gj(z^-1)+z^-jhj(z^-1)，

其中，j＝1,2,3,…,n1，n1為最大預(yù)測時域，并且

ej(z^-1)＝e0+e1z^-1+…+ej-1z^-j+1

gj(z^-1)＝g0+g1z^-1+…+gj-1z^-j+1

其中，e0,e1，…,ej-1表示由第一個丟番圖方程解得的多項式ej(z^-1)中的各系數(shù)，表示由第一個丟番圖方程解得的多項式fj(z^-1)中的各系數(shù)，g0,g1,…,gj-1表示多項式gj(z^-1)中各項的系數(shù)，表示多項式hj(z^-1)中各項的系數(shù)。

當(dāng)j分別取1,2,3,…,n1時，將ej(z^-1)b(z^-1)代入第二個丟番圖方程求解得出多項式gj(z^-1)中的系數(shù)將得到的系數(shù)組成矩陣，得出矩陣形式g：

其中，n1為最大預(yù)測時域，nu為控制時域。

(13)求解預(yù)測控制算法中的控制量

由丟番圖方程解出a(z^-1)并帶入差分方程，且將ej(z^-1)b(z^-1)替換成gj(z^-1)+z-jhj(z^-1)，并省略(z^-1)，另將式δu(t)＝(1-z^-1)u(t)中的t換成t+j可以得到：

y(t+j)＝gjδu(t+j-1)+fjy(t)+hjδu(t-1)+ejw(t+j)，

當(dāng)j分別取1,2,3,…,n1時，可以將等式寫成矩陣形式，即廣義預(yù)測控制的矩陣形式為：

y＝gu+fy(t)+hδu(t-1)+e，

其中：

δu(t-1)＝(1-z^-1)u(t-1)

y^t＝[y(t+1),…,y(t+n1)]

u^t＝[δu(t),…,δu(t+nu-1)]

其中，定義yr^t為被控對象輸出的設(shè)定值：

yr^t＝[yr(t+1),…,yr(t+n1)]，

定義j為性能指標函數(shù)：

j＝(y-yr)^t(y-yr)+λu^tu，

其中，λ為控制加權(quán)常數(shù)；

對該性能指標函數(shù)求導(dǎo)令其為0，可得j取最小值時，u為：

u＝(g^tg+λi)-¹g^t[yr-fy(t)-hδu(t-1)]。

(2)采用rbf神經(jīng)網(wǎng)路對煤種熱值進行矯正

如圖2所示的基于rbf神經(jīng)網(wǎng)絡(luò)的煤種熱值校正模型，采用當(dāng)前時刻及前兩個采樣時刻的煤種熱值校正系數(shù)作為輸入對下一時刻的煤種熱值校正系數(shù)進行預(yù)測；圖中輸入變量x1,x2,…,xn即為煤種熱值校正系數(shù)，w1,w2,…,wn為函數(shù)f(x,ck)的權(quán)值，在本實施例中f(x,ck)由下式表示：

其中，||·||表示距離，σ為擴展常數(shù)，x為樣本輸入向量，ck為樣本中心。

樣本輸入向量x的轉(zhuǎn)置為x^t，且x^t包括當(dāng)前時刻熱值校正系數(shù)r(k)，k-1時刻熱值校正系數(shù)r(k-1)，k-2時刻的煤種熱值校正系數(shù)r(k-2)，如下式所示：

x^t＝[r(k-2),r(k-1),r(k)]，

將k+1時刻的煤種熱值校正系數(shù)作為輸出，對下一時刻(即k+1時刻)的煤種熱值校正系數(shù)進行預(yù)測，即：

r＝r(k+1)，

基于rbf神經(jīng)網(wǎng)絡(luò)的熱值校正系數(shù)回路的控制方法包括：

(21)計算聚類中心

(a)算法初始化：選擇h個不同的初始聚類中心，并令k＝1。可以從實驗數(shù)據(jù)中隨機選取h個不同的樣本輸入作為初始數(shù)據(jù)中心記為ci(k)，i＝1,2,…,h；

(b)計算所有樣本輸入與各個選出的聚類中心的距離||xj-ci(k)||，其中i＝1,2,…,h，j＝1,2,…,n；

(c)對輸入xj，按最小距離原則進行分類：即當(dāng)||xj-ci(k)||取得最小值時，i＝1,2,…,h，xj被歸為第i類；

(d)重新計算各類的新的聚類中心：

其中，ni為第i個聚類域中包含的樣本的個數(shù)，x為屬于第i類的所有輸入；

(e)如果ci(k+1)≠ci(k)，轉(zhuǎn)到步驟(b)，否則聚類結(jié)束；

(f)根據(jù)各聚類中心之間的距離確定擴展常數(shù)，隱節(jié)點的擴展常數(shù)σ＝κdi，其中di為第i個數(shù)據(jù)中心與其他離他最近的數(shù)據(jù)中心之間的距離，即κ為重疊系數(shù)。

(22)計算權(quán)值。

由于隱節(jié)點的數(shù)據(jù)中心和擴展常數(shù)確定了，輸出權(quán)矢量w＝[w1,w2,…,wh]隱層的輸出陣h為：

其中，e為自然常數(shù)，i＝1,2,…,nj＝1,2,…,h；

則神經(jīng)網(wǎng)絡(luò)模型最終的輸出，即熱值校正系數(shù)為：

r＝hw，

采用最小二乘的方法計算權(quán)值矢量：

w＝(h^th)^-1h^tr。

控制原理：預(yù)測控制可根據(jù)所預(yù)測的未來時間段內(nèi)的被控偏差來進行調(diào)節(jié)，若用預(yù)測控制來實現(xiàn)鍋爐的熱負荷調(diào)節(jié)，則可以有效“提前”鍋爐熱負荷的調(diào)整，確保鍋爐能與汽輪機充分協(xié)調(diào)。

所述熱值校正回路采用基于rbf的神經(jīng)網(wǎng)絡(luò)模型采用當(dāng)前時刻及前兩個采樣時刻的煤種熱值校正系數(shù)作為輸入對下一時刻的煤種熱值校正系數(shù)進行預(yù)測。盡管煤種熱值的變化具有一定的隨機性和復(fù)雜性，但煤種熱值的變化還是一個連續(xù)過程，總可以用一個復(fù)雜的非線性連續(xù)函數(shù)來描述，要認知一個高度復(fù)雜的非線性變化過程，往往可以借助神經(jīng)網(wǎng)絡(luò)技術(shù)建立其變化過程的非線性模型，通過對模型的分析和預(yù)估，掌握其變化規(guī)律。本發(fā)明在傳統(tǒng)煤種btu校正的基礎(chǔ)上，通過存儲前期各個采樣時刻的煤種熱值校正系數(shù)，并作為rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)，建立煤種熱值校正系數(shù)的非線性神經(jīng)網(wǎng)絡(luò)模型，后用該模型對煤種熱值校正系數(shù)的未來值進行遞推預(yù)估，通過預(yù)估的提前時間來彌補btu校正過程的滯后。

實施例：

下面以某發(fā)電有限公司600mw超臨界機組采用本發(fā)明的協(xié)調(diào)控制系統(tǒng)為例，詳細說明本發(fā)明。

(1)以10mw/min速率變負荷時的控制性能

以10mw/min的速率從650mw下降到550mw，待運行穩(wěn)定后再上升回650mw，進行了一次正、反向幅度50mw的變負荷試驗。

優(yōu)化系統(tǒng)在10mw/min速率下變負荷的整體性能評價：

①負荷控制：實際負荷嚴格按照設(shè)定變負荷速率變化，動態(tài)過程平穩(wěn)，無振蕩，過調(diào)量很小；實際速率、響應(yīng)延遲時間、動態(tài)控制偏差、穩(wěn)態(tài)控制精度均滿足要求。

②主汽壓力控制：與滑壓設(shè)定值保持相同趨勢變化，動態(tài)過程平穩(wěn)，無振蕩和過調(diào)，最大動態(tài)偏差僅為0.3～0.4mpa。

③主汽溫度控制：控制非常平穩(wěn)，變負荷過程中的平均最大動態(tài)偏差僅為2～3℃。

(2)優(yōu)化控制系統(tǒng)的agc運行性能

優(yōu)化系統(tǒng)在10mw/min速率下變負荷的整體性能評價：

①負荷控制：速率設(shè)置為9mw/min，實際負荷嚴格按照設(shè)定變負荷速率變化，動態(tài)過程平穩(wěn)，無振蕩，過調(diào)量很小；實際速率、響應(yīng)延遲時間、動態(tài)控制偏差、穩(wěn)態(tài)控制精度均滿足要求。

②主汽壓力控制：在穩(wěn)態(tài)階段，控制幾乎無差；在大幅agc變負荷和啟、停磨階段，也僅在短時間內(nèi)存在0.3～0.5mpa的偏差，絕大部分時間內(nèi)機組實際主汽壓力與滑壓設(shè)定值始終保持相同趨勢變化，動態(tài)過程平穩(wěn)，無振蕩和過調(diào)。

③主汽溫度控制：在穩(wěn)態(tài)階段，汽溫偏差始終在±1.0℃的范圍內(nèi)，控制幾乎無差，汽溫非常平穩(wěn)。在大幅變負荷和啟、停磨，汽溫也僅在短時間有5～8℃的下降，且依靠優(yōu)化系統(tǒng)的智能燃水比控制策略，不需要運行人員手動干預(yù)即可快速回調(diào)至設(shè)定值附近。在定值設(shè)為600.8℃時，在各種擾動工況下，汽溫最大值均能控制在603℃以內(nèi)，說明優(yōu)化系統(tǒng)對于抑制超溫非常有效，機組可在今后的運行中進一步提高汽溫設(shè)定值，以獲得更好的運行經(jīng)濟性。

由此可見，優(yōu)化控制系統(tǒng)投入后，機組的agc運行性能、主蒸汽溫度的控制品質(zhì)均得到了非常明顯的改善。