基于分层模型预测控制算法的超临界机组协调控制方法

摘要

本发明公开了一种基于分层模型预测控制算法的超临界机组协调控制方法，包括如下内容：将超临界机组的被控对象看作一个三输入三输出的多变量系统，系统的输入量为给水流量、汽机调门开度和实际入炉煤量，输出量为机组实发功率、机侧主汽压力和分离器出口温度；将超临界机组的被控对象的不同工况的子模型按CARIMA模型进行表述，并基于丢番图方程求得模型预测值，最终以性能指标函数最小为优化目标求取当前最优控制量；采用分层结构算法，建立三层子模型集；根据机组运行负荷范围、控制偏差及偏差变化率的大小，组合不同层次、不同数量的子模型集，以适应机组运行时的不同控制目标。本发明能有效保证超临界机组的控制效果，满足实际工程需要。

说明书

技术领域

本发明涉及热能与动力工程的自动控制方法，尤其涉及一种基于分层模型预测控制算法的超临界机组协调控制方法。

背景技术

电力系统目前的发展趋势是低碳化，包括风电、光伏发电、水电及核电在内的清洁能源本身具有随机性和波动性，大量接入电网势必影响电网的安全性和稳定性。

为给电力系统安全运行提供可靠性支撑，还是需要发挥火电“压舱石”的作用，不断提高火电机组的灵活性运行水平。目前几乎所有燃煤电厂的协调控制系统都以PID为基础，而PID控制器在机组大范围变负荷运行时，并不适应大滞后、非线性、约束多及强耦合的协调系统被控对象，导致机组AGC、一次调频等涉网功能不满足电网要求，进而严重制约火电机组的运行灵活性。切换子模型或子控制器的方法虽易实现且计算负担较轻，但易导致控制量跳变，不利于系统稳定；加权子模型或子控制器的方法虽能实现系统的平滑过渡，但计算负担加大。

发明内容

发明目的：针对现有技术存在的问题，本发明的目的是提供一种能够提高机组负荷调节性能及拓宽负荷调节宽度，同时保证主汽压力、主汽温等关键参数的控制性能的超临界机组协调控制方法。

技术方案：本发明所述的一种基于分层模型预测控制算法的超临界机组协调控制方法，包括如下内容：

(1)将超临界机组的被控对象看作一个三输入三输出的多变量系统，所述多变量系统的输入量为给水流量、汽机调门开度和实际入炉煤量，输出量为机组实发功率、机侧主汽压力和分离器出口温度；

(2)将所述超临界机组的被控对象的不同工况下的子模型按CARIMA模型进行表述，并基于丢番图方程求得模型预测值，最终以性能指标函数最小为优化目标求取当前最优控制量；

(3)采用分层结构算法，建立三层子模型集；根据机组运行负荷范围、控制偏差及偏差变化率的大小，组合不同层次、不同数量的子模型集，以适应机组运行时的不同控制目标。

进一步的，步骤(1)中，采用现场的阶跃响应试验数据辨识所述超临界机组30％～100％Pe的数学模型。

具体的，步骤(1)中，采用如下公式表述所述被控对象：

其中，

具体的，步骤(2)中，采用如下公式将所述超临界机组的被控对象的不同工况下的子模型按CARIMA模型进行表述：

其中，z

将上式等号两边同乘差分算子，得：

记

记

进一步的，步骤(2)中，所述基于丢番图方程求得模型预测值的具体内容如下：

建立丢番图方程：

求得多项式：

有l步预测模型：

其中，N表示预测时域，Nu表示控制时域，系数矩阵

n

令ξ

其中，Y为未来输出预测值向量，ΔU为所求控制增量向量，ΔU(k-j)为过去控制增量向量，Y(k)为已知输出值向量，具体表达式为：

Y＝[y

ΔU＝[Δu

Y(k)＝[y

矩阵F

进一步的，步骤(2)中，定义k时刻的优化性能指标为：

J(k)＝[Y-Y

其中，Y

优化目标是使性能指标J(k)取最小；

将式Y＝F

J(k)＝[F

令

控制量求解的过程中，控制量及控制增量需满足约束条件；

最终k时刻最优控制量为：U(k)＝U(k-1)+ΔU(k)；

将所求最优控制量作用于被控对象；下一时刻，重复上述过程。

优选的，还包括通过性能指标函数的加权进行子控制器整合的步骤，并采用间隙度量作为加权参数，具体步骤如下：

其中，w

δ(P

进一步的，步骤(3)具体包括如下内容：

建立三层精度不同的子模型集，分别记为L

其中，L

当机组处于AGC负荷指令变化的初始时刻，选用L

有益效果：

和现有技术相比，本发明具有如下显著效果：1、将多模型与广义预测控制技术结合，多模型方法通过对子模型或对应子控制器的切换/加权处理来实现最终控制作用的整合，保证了火电机组全工况协调控制性能；2、由实际阶跃响应试验数据辨识建立不同负荷点的传递函数模型集，从而掌握了协调系统被控对象的动态特性；3、结合Gap Metric理论，对各子广义预测控制器的性能指标函数进行加权融合，弥补了加权方法计算负担重和切换方法控制作用易跳变的缺点；4、使用不同层次子模型集参与控制，能够适应机组运行时的不同控制目标。

附图说明

图1为算法分层结构。

图2为分层结构算法原理图。

具体实施方式

下面以350MW超临界机组为例，并结合附图，详细阐述本发明的技术方案。

将350MW超临界机组的被控对象看作一个三输入三输出的多变量系统，其中系统的输入量为给水流量D

实验方法为，在目标工况将机组投入BASE运行模式，同时各子系统投入自动。盘前运行人员通过手操器给予控制量正向及反向阶跃扰动，采集相关数据并建立110MW、150MW、190MW、230MW、270MW、300MW及350MW对应的传递函数模型。

为定量描述子模型间的动态特性差异，采用EL-Sakkarya提出的间隙度量(Gapmetric)方法。线性模型G

其中

上式中，S

350MW超临界机组的被控对象可由式(3)表述：

上式中，

式(3)可按式(4)的CARIMA模型表述：

上式中，z

式(4)等号两边同乘差分算子，有：

为简便，记

建立丢番图方程，如式(6)：

其中多项式

可通过上述丢番图方程求得。

有l步预测模型：

其中N代表预测时域，Nu代表控制时域，系数矩阵

n

n

n

为方便讨论，令ξ

可将式(7)写成式(8)：

Y＝F

其中，Y为未来输出预测值向量，ΔU为所求控制增量向量，ΔU(k-j)为过去控制增量向量，Y(k)为已知输出值向量，具体表达式为：

Y＝[y

ΔU＝[Δu

Y(k)＝[y

式(8)中矩阵F

k时刻的优化性能指标为：

J(k)＝[Y-Y

上式中，Y

将式(8)代入式(9)，有：

J(k)＝[F

令

控制量求解的过程中，控制量及控制增量需满足具体的约束条件。

最终k时刻最优控制量为：

U(k)＝U(k-1)+ΔU(k) (12)

将所求最优控制量作用于被控对象。下一时刻，重复上述过程。

为减少多模型方法的计算负担，同时也为实现系统的平滑过渡，考虑按式(13)，通过性能指标函数的加权来实现子控制器的整合。

其中，w

上式中，δ(P

子模型集内的模型个数对控制性能有较大影响。子模型集内含子模型个数越少，单一模型覆盖的负荷范围相对更大，精度更低；内含子模型个数越多，单一模型覆盖的负荷范围相对更小，有利于提高控制精度。分层结构算法基本思想是，根据机组运行负荷范围、控制偏差及偏差变化率的大小，组合不同层次、不同数量的子模型集，以适应机组运行时的不同控制目标。

如图1所示，建立三层精度不同的子模型集，分别记为L

针对350MW超临界火电机组，确定L

如图2分层结构算法原理图所示，当机组处于AGC负荷指令变化的初始时刻，为快速逼近负荷指令，可选用模型数较少的L

判断阈值a的参考值为0.05，判断阈值b的参考值为0.002，判断阈值c的参考值为0.03，判断阈值d的参考值为0.01。可根据实际情况对上述参数的具体取值作出适应性调整。