[发明专利]一种基于循环流化床机组的多变量约束预测控制方法

摘要

一种基于循环流化床机组的多变量约束预测控制方法，涉及循环流化床AGC控制的研究领域。包括以下的步骤：确定控制对象的AGC运行工况区间，划分工况点；获得4个工况点下的控制对象阶跃响应系数；获得4个工况点下的控制对象状态空间近似表述形式；获取由不同工况点子模型组成的线性变参数模型；获取预测控制算法的预测模型；进行预测控制算法的滚动优化，计算获得最优控制量；进行预测控制算法的反馈校正。本发明充分利用一次风量对于循环流化床锅炉“积碳”和蓄热的动态影响，提高机组AGC负荷跟踪速率。可提高描述循环流化床机组显著非线性特征的能力，能够更加准确的描述控制对象的特性，减小模型失配对控制算法性能的影响。

主权项

一种基于循环流化床机组的新型多变量约束预测控制方法，其特征在于，包括以下步骤：S1：确定控制对象的AGC运行工况区间，划分工况点针对具体循环流化床机组控制对象的特性，确定AGC运行区间，取Θ＝{Ne|Ne∈[40％ECR,110％ECR]}  (1)式(1)中，Θ为AGC的运行区间，Ne为机组功率(MW)，ECR为机组额定工况，40％ECR为低负荷运行状态，110％ECR为出力超发运行状态；在上述区间范围内，以20％ECR为间隔，选取4个具体工况点，即40％ECR、60％ECR、80％ECR和100％ECR；S2：获得4个工况点下的控制对象阶跃响应系数在上述4个工况点，对实际电厂对象进行阶跃响应动态实验；以其中第l个工况点为例，设该对象有m维控制输入、p维输出，则获取的相应阶跃响应系数矩阵Al,i，如式(2)所示：式(2)中，m为输入量的个数，p为输出量的个数，N为模型长度，l为工况点个数；S3：获得4个工况点下的控制对象状态空间近似表述形式同样以其中第l个工况点为例，控制对象的状态空间近似表述形式如式(3)所示：Xl(k+1)=SlXl(k)+AlΔu(k)y(k)=ClXl(k)---(3)]]>式(3)中，Xl(k)为第l个工况点控制对象的状态变量，y(k)为输出变量，Δu(k)为控制量增量，Sl、Al和Cl分别如式(4)、(5)和(6)所示；Al=Al,1Al,2...Al,N-2Al,N-1Al,N---(5)]]>式(5)中，Al,i如式(2)所示；S4：获取由不同工况点子模型组成的线性变参数模型(Linear‑Parameters‑Varying Model,LPV)LPV模型如式(7)所示：X(k+1)=SX(k)+AΔu(k)y(k)=CX(k)---(7)]]>式(7)中，C(w)＝[λ1(w)C1 λ2(w)C2 … λl(w)Cl]  (9)X(k)=X1(k)X2(k)...Xl(k)---(10)]]>式(9)中，w为LPV模型的调度变量，取为循环流化床机组的功率参数Ne，λ为权重函数，且为调度变量w的势函数；S5：获取预测控制算法的预测模型预测模型如式(11)所示：y(k)＝FX(k)+ΦΔu(k)  (11)式(11)中，y(k)=y1(k+1|k)...yp(k+1|k)---(12)]]>Δu(k)=Δu1(k)...Δum(k)---(13)]]>F=CSCS2...CSP---(14)]]>式(12)中，yn(k+1|k)为基于k时刻的数据计算获得的k+1时刻的输出预测值，n＝1,...,p，p为输出量的个数；式(13)中，Δuz(k)为控制增量，z＝1,...,m，m为输入量的个数；式(14)中，P为预测控制算法的预测时域；S6：进行预测控制算法的滚动优化，计算获得最优控制量控制对象为3输入3输出结构，其中，3个输入量分别为给煤量(B,Kg/s)、主汽调门(uT,％)和一次风调频指令(uW,％)；3个输出量分别为机组功率(Ne,MW)、主汽压力(pt,MPa)和炉膛床温(Tb,℃)；根据循环流化床机组AGC控制的具体要求，机组功率及主汽压力为设定值控制，炉膛床温为区间控制，所以，在k时刻制定的性能指标，如式(16)所示：minJ(k)=||w1,2(k)-y1,2(k)||q1,q22+||δP(k)||q32+||Δu(k)||r1,r2,r32---(16)]]>式(16)中，J(k)为性能指标函数，w1,2(k)为机组功率及主汽压力的设定值，y1,2(k)为机组功率及主汽压力的实际输出值，Δu(k)为控制量增量，q1,q2,q3为误差权系数，r1,r2,r3为控制权系数；δP(k)为床温输出与设定值的偏差，如式(17)所示：δP(k)=δ(k+1)δ(k+2)...δ(k+P)---(17)]]>式(17)中，δ(k)=Tbmin-Tb(k),Tb(k)<Tbmin0,Tbmin≤Tb(k)≤TbmaxTb(k)-Tbmax,Tb(k)>Tbmax---(18)]]>式(18)中，Tbmin和Tbmax为床温区间控制的上下限；同时，对性能指标设置约束条件，包括控制量和控制量增量，如式(19)所示：Bmin≤B(k)≤BmaxuT,min≤uT(k)≤uT,maxuW,min≤uW(k)≤uW,max...Bmin≤B(k+M-1)≤BmaxuT,min≤uT(k+M-1)≤uT,maxuW,min≤uW(k+M-1)≤uW,maxdBmin≤dB(k)≤dBmaxduT,min≤duT(k)≤duT,maxduW,min≤duW(k)≤duW,max...dBmin≤dB(k+M-1)≤dBmaxduT,min≤duT(k+M-1)≤duT,maxduW,min≤duW(k+M-1)≤duW,max---(19)]]>式(19)中，Bmin、Bmax，uT,min、uT,max，uW,min、uW,max，分别为控制量B、uT、uW的最小和最大值；dBmin、dBmax，duT,min、duT,max，duW,min、duW,max分别为控制量增量dB、duT、duW的最小和最大值；基于性能指标和约束条件，计算得到相应的最优控制增量ΔuM(k)，相应的即时控制增量Δu(k)为：Δu(k)＝LΔuM(k)  (20)式(20)中，ΔuM(k)=Δu1,M(k)...Δum,M(k)---(21)]]>式(21)中，Δuz,M(k)如式(22)所示，z＝1,...,m，m为输入量个数；Δuz,M(k)=Δuz(k)...Δuz(k+M-1)---(22)]]>式(23)中，L0＝[1 0 … 0](1×M)(24)式(19)—式(24)中，M为预测控制的控制时域；由此获得Δu(k)，并通过u(k)＝u(k‑1)+Δu(k)来计算u(k)的值；S7：进行预测控制算法的反馈校正。