博文
基于权重因子自校正的主蒸汽温度外挂广义预测串级控制
|
引用本文
王懋譞, 王永富, 柴天佑, 张晓宇. 基于权重因子自校正的主蒸汽温度外挂广义预测串级控制. 自动化学报, 2022, 48(2): 418−433 doi: 10.16383/j.aas.c200195 Wang Mao-Xuan, Wang Yong-Fu, Chai Tian-You, Zhang Xiao-Yu. External generalized predictive cascade control for main steam temperature based on weight factor self-regulating. Acta Automatica Sinica, 2022, 48(2): 418−433 doi: 10.16383/j.aas.c200195 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200195?viewType=HTML 文章简介 关键词 主蒸汽温度, 广义预测控制, 模糊神经网络, 权重因子, 自校正, 串级控制 摘 要 针对电厂目前普遍采用PI-PI串级控制器调节锅炉主蒸汽温度系统, 不能有效克服惯性、时滞和参数时变等问题的影响, 本文提出了一种理想GPC (Generalized predictive control)-PI串级控制器. 首先, 该理想串级控制器不仅能抑制一次和二次扰动, 而且外环GPC通过对主蒸汽温度的多步预测, 并结合滚动优化技术能有效克服主蒸汽温度系统的惯性和时滞问题. 另外, 针对主蒸汽温度系统参数时变的特性, 该理想控制器采用了T-S (Takagi-Sugeno)型模糊神经网络(Fuzzy neural network, FNN)作为主蒸汽温度模型, 该模型能够通过反馈校正技术实时更新模型参数. 同时, 为了改善主蒸汽温度系统动态响应品质和稳定性, 对外环GPC中的权重因子进行了模糊自校正设计, 通过理论分析和对比仿真验证了该理想GPC-PI串级控制器优于权重因子固定的GPC-PI和PI-PI串级控制器. 最后, 考虑到直接将电厂集散控制系统(Distributed control system, DCS)中的PI-PI串级控制器升级为理想GPC-PI串级控制器存在安全以及风险责任等问题, 故将电厂的传统PI-PI串级控制器升级成外挂的GPC-PI-PI串级控制器, 既改善了锅炉主蒸汽温度的控制效果又规避了风险责任, 实际应用验证了该方法的有效性. 引 言 主蒸汽温度是火力发电厂热力系统中的重要参数指标之一. 主蒸汽温度的控制目标是维持末级过热器出口温度在允许范围内, 以保证电厂的经济运行, 同时还要防止主蒸汽温度波动导致的金属疲劳, 危及机组的安全运行. 在过热器入口调节减温水后, 由于过热器管道长度和蒸汽容积较大, 主蒸汽在过热器中的吸热过程时间较长, 主蒸汽温度的变化会滞后. 同时, 受到升降负荷、蒸汽流量、烟气侧温度、煤质等扰动的影响, 主蒸汽温度的动态特性也会发生变化. 因此主蒸汽温度系统表现出大惯性、大时滞、随机扰动、参数时变等复杂动态特性, 成为电厂热工过程控制中的难点. 目前, 在电厂主蒸汽系统中仍然大规模采用串级PI控制器, 通过调节减温水实现主蒸汽温度的控制. 主蒸汽温度串级PI控制结构的优势在于内环PI回路比外环PI回路调节迅速, 内环的二次扰动可以被快速抑制, 保证系统控制的稳定. 虽然内环PI控制器解决了内环回路二次扰动的控制问题, 但是外环PI控制器只根据当前时刻的主蒸汽温度偏差进行调节, 由于末级过热器存在惯性和时滞的动态特性, 导致出现主蒸汽温度超调量大、调节周期长、难以稳定的问题. 为了解决主蒸汽温度系统的时滞问题, 文献[4]利用Smith预测模型估计出主蒸汽温度的时滞动态特性, 通过补偿控制, 改善了主蒸汽温度的控制效果. 但Smith预测模型参数需要精确辨识, 只有当预测模型与实际过程相匹配时, Smith预测控制才能实施有效控制. 文献[5-7]分别结合神经网络和模糊系统整定主蒸汽温度系统外环PI 控制器参数, 文献[8]和文献[9]则分别采用遗传算法和粒子群算法优化主蒸汽串级PI控制器的参数. 上述文献虽然改善了串级PI控制器的调节效果, 但是其整定优化方法仍然依据当前时刻的主蒸汽温度偏差来设计, 未考虑到主蒸汽温度的惯性和时滞问题. 因此PI-PI串级控制结构的外环PI回路难以克服主蒸汽温度系统惯性和时滞动态特性的影响. 基于模型的预测控制采用多步预测、在线滚动优化和反馈校正策略, 能够有效克服被控对象惯性、时滞和参数时变的动态特性, 其原因在于: 1) 通过过程模型的多步预测, 被控对象惯性和时滞的动态特性被融入到有限时域的滚动优化目标中; 2) 通过实时反馈校正, 过程模型能够有效克服参数时变的特性; 3) 预测控制可以通过可调参数的整定, 调节被控对象和控制增量的变化速率, 防止被控对象的超调和振荡. 因此预测控制方法非常适合主蒸汽温度的控制任务. 国内外学者应用模型预测控制, 在主蒸汽温度的控制中进行了有益的探索, 通过仿真实验或实际应用验证了主蒸汽温度预测控制的有效性. 如文献[1]利用锅炉运行实验数据, 离线辨识出主蒸汽温度在500 MW负荷下的受控自回归滑动平均模型, 在此模型基础上设计广义预测控制器(Generalized predictive control, GPC), 由于锅炉负荷变化会导致主蒸汽温度系统的参数发生较大变化, 显然特定负荷下的主蒸汽温度模型无法对其他负荷工况下的主蒸汽温度实现有效预测. 为了解决负荷变化导致的主蒸汽温度模型参数时变的问题, 文献[10]在锅炉历史运行数据的基础上, 离线辨识了5个典型负荷下的主蒸汽温度模型, 利用神经模糊模型建立主蒸汽温度全局非线性动态模型, 神经模糊模型在线运行时根据负荷指令可以得到当前工况下的主蒸汽温度模型. 文献[11]首先采用模糊聚类算法离线辨识典型工况下的主蒸汽温度模型, 然后利用T-S (Takagi-Sugeno)模糊逻辑系统建立主蒸汽温度全局非线性动态模型用于主蒸汽温度的预测. 上述文献中离线辨识的主蒸汽温度模型同预测控制理论相比, 没有设计在线反馈校正环节, 需要进一步考虑主蒸汽温度系统中其他扰动导致的模型参数时变和模型失配引起的稳定性问题. 基于上述文献的工作, 将模型预测控制应用于主蒸汽温度的调节, 需要在以下几个方面进一步完善: 1) 主蒸汽温度模型在实际应用中需要结合预测控制的反馈校正技术, 通过在线辨识算法实时更新主蒸汽温度模型, 克服主蒸汽温度系统参数时变特性; 2) 预测控制优化目标中的可调参数例如权重因子对系统的稳定性和调节效果具有较大影响, 其优化整定方法有待进一步深入研究; 3) 在电厂实际应用当中, 直接修改集散控制系统(Distributed control system, DCS)中的控制结构会导致电厂运行系统安全和风险责任的问题. 因此在保证安全的前提下, 如何设计独立的外挂主蒸汽温度预测控制系统成为本文重点研究的内容; 4) 应用模型预测控制与电厂实际相结合时, 主蒸汽温度系统的收敛性和稳定性需要进一步探究. 因此本文提出一种基于权重因子自校正的广义预测串级控制器, 并应用于电厂锅炉主蒸汽温度控制. 本文的主要贡献包括: 1) 本文采用T-S型模糊神经网络(Fuzzy neural network, FNN)对锅炉主蒸汽温度系统进行建模, 并设计了基于梯度下降和递推最小二乘(Recursive least square, RLS)的参数在线辨识方法, 有效克服了主蒸汽温度系统参数时变的特性. 2) 通过主蒸汽温度的多步预测, GPC结合滚动优化技术有效克服了主蒸汽温度系统的惯性和时滞等问题. 在分析权重因子对主蒸汽温度调节效果和稳定性影响的基础上, 设计了权重因子模糊自校正环节. 本文对主蒸汽温度系统的收敛性和稳定性进行了分析, 对比仿真验证了理想GPC-PI串级控制器相比于权重因子固定的GPC-PI和PI-PI串级控制器, 能够实现主蒸汽温度动态响应速度快、超调量小、稳定性好的综合调节效果. 3) 在电厂的实际应用中, 为了保证锅炉DCS的安全运行, 在对原有DCS中PI-PI串级控制结构不进行修改的前提下, 本文将电厂原始PI-PI串级控制器升级成外挂GPC-PI-PI串级控制器, 并对电厂实际应用中主蒸汽温度系统的收敛性进行了分析. 实际应用中不仅取得了良好的控制效果, 而且极大地规避了风险责任. 本文结构安排如下: 第1节介绍了电厂常用的主蒸汽温度串级PI控制结构及其特性, 然后提出了理想广义预测串级控制结构. 第2节详细介绍了基于T-S型FNN的理想主蒸汽温度模型, 分别设计了基于梯度下降法和基于递推最小二乘的参数更新算法. 第3节设计了主蒸汽温度的理想GPC-PI控制策略和权重因子的模糊动态调节过程, 并对系统性能及稳定性进行分析, 通过对比仿真验证了本文所提出方法的有效性. 第4节介绍了实际电厂应用的外挂GPC-PI-PI控制策略、性能分析以及控制效果. 第5节为本文的结论. 图 1 主蒸汽温度串级PI控制系统 图 2 理想广义预测串级控制系统结构 作者简介 王懋譞 东北大学机械工程与自动化学院博士研究生. 主要研究方向为模型预测控制及其在电厂中的应用. E-mail: wangmx2238@163.com 王永富 东北大学机械工程与自动化学院教授. 1998年获得东北大学机械电子专业硕士学位, 2005年获得东北大学控制理论与控制工程专业博士学位. 主要研究方向为机电系统模糊建模与控制, 新能源汽车, 电厂的智能优化控制. 本文通信作者. E-mail: yfwang@mail.neu.edu.cn 柴天佑 中国工程院院士, 东北大学教授, IEEE Fellow, IFAC Fellow. 1985年获得东北大学博士学位. 主要研究方向为自适应控制, 智能解耦控制, 流程工业综台自动化理论、方法与技术. E-mail: tychai@mail.neu.edu.cn 张晓宇 国家能源投资集团工程师. 2014年获得清华大学博士学位. 主要研究方向为大型电厂锅炉的燃烧优化控制. E-mail: 16810116@shenhua.cc 相关文章 [1] 代伟, 陆文捷, 付俊, 马小平. 工业过程多速率分层运行优化控制. 自动化学报, 2019, 45(10): 1946-1959. doi: 10.16383/j.aas.2018.c180300 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c180300?viewType=HTML [2] 段艳杰, 吕宜生, 张杰, 赵学亮, 王飞跃. 深度学习在控制领域的研究现状与展望. 自动化学报, 2016, 42(5): 643-654. doi: 10.16383/j.aas.2016.c160019 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c160019?viewType=HTML [3] 代伟, 柴天佑. 数据驱动的复杂磨矿过程运行优化控制方法. 自动化学报, 2014, 40(9): 2005-2014. doi: 10.3724/SP.J.1004.2014.02005 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2014.02005?viewType=HTML [4] 许锋, 魏小丽, 任丽红, 罗雄麟. 基于多变量广义预测控制的不稳定系统控制结构选择方法. 自动化学报, 2013, 39(9): 1547-1551. doi: 10.3724/SP.J.1004.2013.01547 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.01547?viewType=HTML [5] 李奇安, 褚健. 对角CARIMA模型多变量广义预测控制器系数直接算法. 自动化学报, 2007, 33(1): 59-65. doi: 10.1360/aas-007-0059 http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0059?viewType=HTML [6] 俞建成, 张艾群, 王晓辉, 苏立娟. 基于模糊神经网络水下机器人直接自适应控制. 自动化学报, 2007, 33(8): 840-846. doi: 10.1360/aas-007-0840 http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0840?viewType=HTML [7] 石宇静, 柴天佑. 基于神经网络与多模型的非线性自适应广义预测控制. 自动化学报, 2007, 33(5): 540-545. doi: 10.1360/aas-007-0540 http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0540?viewType=HTML [8] 韩志刚, 汪国强. 无模型控制律串级形式及其应用. 自动化学报, 2006, 32(3): 345-352. http://www.aas.net.cn/cn/article/id/15819?viewType=HTML [9] 宋崇辉, 柴天估. 一类具有稳定性的广义预测控制算法. 自动化学报, 2004, 30(6): 807-815. http://www.aas.net.cn/cn/article/id/16254?viewType=HTML [10] 丁宝苍, 李少远, 席裕庚. 基于Popov定理的输入非线性广义预测控制系统的稳定性分析. 自动化学报, 2003, 29(4): 582-588. http://www.aas.net.cn/cn/article/id/13927?viewType=HTML [11] 余有灵, 徐立鸿, 吴启迪. 广义模糊神经网络. 自动化学报, 2003, 29(6): 867-875. http://www.aas.net.cn/cn/article/id/16393?viewType=HTML [12] 陈善本, 娄亚军, 赵冬斌, 吴林. 脉冲GTAW熔池动态过程模糊神经网络建模与控制. 自动化学报, 2002, 28(1): 74-82. http://www.aas.net.cn/cn/article/id/15505?viewType=HTML [13] 达飞鹏, 宋文忠. 基于输入输出模型的模糊神经网络滑模控制. 自动化学报, 2000, 26(1): 136-139. http://www.aas.net.cn/cn/article/id/14687?viewType=HTML [14] 李为民, 黄田, D.J.Whitehouse. 数控铣削过程有约束广义预测控制解析算法. 自动化学报, 1999, 25(6): 796-799. http://www.aas.net.cn/cn/article/id/16624?viewType=HTML [15] 李少远, 王群仙, 李焕芝, 陈增强, 袁著祉. Sugeno模糊模型的辨识与控制. 自动化学报, 1999, 25(4): 488-492 http://www.aas.net.cn/article/id/16663?viewType=HTML [16] 张昊, 吴捷, 郁滨. 应用模糊神经网络进行负荷预测的研究. 自动化学报, 1999, 25(1): 60-67. http://www.aas.net.cn/cn/article/id/16732?viewType=HTML [17] 周景振, 韩曾晋. 一种新型多变量模糊自适应控制系统的研究. 自动化学报, 1999, 25(2): 215-220. http://www.aas.net.cn/cn/article/id/16710?viewType=HTML [18] 王轶, 席裕庚. 广义预测控制的并行算法. 自动化学报, 1996, 22(1): 74-78. http://www.aas.net.cn/cn/article/id/17186?viewType=HTML [19] 张焕水, 邓自立. 广义离散随机线性系统自校正最优预报器. 自动化学报, 1996, 22(1): 49-57. http://www.aas.net.cn/cn/article/id/17183?viewType=HTML [20] 刘业良. 一种自校正控制器及其应用. 自动化学报, 1996, 22(4): 481-484. http://www.aas.net.cn/cn/article/id/17114?viewType=HTML [21] 张乃尧, 栾天. 基于模糊神经网络的模型参考自适应控制. 自动化学报, 1996, 22(4): 476-480. http://www.aas.net.cn/cn/article/id/17113?viewType=HTML [22] 陈增强, 袁著祉, 李玉梅, 侯平, 王维民, 崔保民. 工业锅炉的加权预测自校正控制. 自动化学报, 1993, 19(1): 46-53. http://www.aas.net.cn/cn/article/id/14276?viewType=HTML [23] 袁著祉, 崔保民. 新型随机广义预测自校正控制器. 自动化学报, 1992, 18(3): 282-289. http://www.aas.net.cn/cn/article/id/14482?viewType=HTML [24] 杨承志, 舒迪前. 多变量自校正控制器的状态空间设计. 自动化学报, 1992, 18(1): 31-38. http://www.aas.net.cn/cn/article/id/14524?viewType=HTML 
https://blog.sciencenet.cn/blog-3291369-1328581.html
上一篇：基于主视通路结构分级响应模型的轮廓检测方法
下一篇：反馈学习高斯表观网络的视频目标分割
