[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

权利要求书

1.一种基于循环流化床机组的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，单位为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A_l,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：

式(3)中，X_l(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，S_l、A_l和C_l分别如式(4)、(5)和(6)所示；

式(5)中，A_l,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-VaryingModel,LPV)；

LPV模型如式(7)所示：

式(7)中，

C(w)＝[λ₁(w)C₁ λ₂(w)C₂ … λ_l(w)C_l] (9)

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；

状态变量X(k)通过滚动时域估计方法获取，包括以下步骤：

S4.1：考虑多输入多输出控制对象的离散时间线性时不变系统的状态空间描述如式(25)所示：

式(25)中，V(k)为测量噪声，W(k)为系统过程噪声，Γ为系统噪声输入矩阵；系统过程噪声W(k)和测量噪声V(k)均为高斯白噪声序列，且两者具备式(26)所示的统计特性：

式(26)中，Q₀为非负定矩阵，表示系统过程噪声W(k)的方差阵；R₀为正定阵，表示测量噪声V(k)的方差阵，δ(k,j)为克罗尼克δ符号；

S4.2：获取当前时刻k的输入输出测量数据，如式(27)所示：

S4.3：根据约束优化问题计算最优解，约束优化问题如式(28)所示：

式(28)中，R_MHE、Q_MHE、Π₀分别为对应变量的正定惩罚矩阵；

通过到达代价函数估算初始状态估计量和初始惩罚矩阵Π_k-N，其中，到达代价函数如式(29)所示：

且Π_k-N基于前向黎卡提方程迭代计算，则基于卡尔曼估计获得；

联立式(25)—式(29)，计算获得最优解，如式(30)所示：

answer_op＝(X(k-N|k-1)_op,W(N|k-1)_op) (30)

式(30)中，

W(N|k-1)_op＝{W(k-N|k-1)_op,W(k-N+1|k-1)_op,…,W(k-1|k-1)_op} (31)

S4.4：利用优化问题最优解迭代计算获得系统状态量估计值；

联立式(25)、式(26)和式(30)，计算X(k|k-1)_op；

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，

式(12)中，y_n(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，Δu_z(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，单位为Kg/s；主汽调门u_T，单位为％；一次风调频指令u_W，单位为％；3个输出量分别为机组功率Ne，单位为MW；主汽压力p_t，单位为MPa；炉膛床温Tb，单位为℃；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：

式(16)中，J(k)为性能指标函数，w_1,2(k)为机组功率及主汽压力的设定值，y_1,2(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；δ_P(k)为床温输出与设定值的偏差，如式(17)所示：

式(17)中，

式(18)中，Tb_min和Tb_max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：

式(19)中，B_min、B_max，u_T,min、u_T,max，u_W,min、u_W,max，分别为控制量B、u_T、u_W的最小和最大值；dB_min、dB_max，du_T,min、du_T,max，du_W,min、du_W,max分别为控制量增量dB、du_T、du_W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Δu_M(k)，相应的即时控制增量Δu(k)为：

Δu(k)＝LΔu_M(k) (20)

式(20)中，

式(21)中，Δu_z,M(k)如式(22)所示，z＝1,...,m，m为输入量个数；

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；

其中所涉及的循环流化床机组控制对象，由基于机理构建的非线性数学模型表示；

式(32)中，B_C(t)为t时刻炉膛中的积碳量，Kg；Q_i(t)为t时刻燃料燃烧释放的总热量，MJ；Q_f为燃料的单位发热量，MJ/Kg；Q_W为一次风热容量，MJ；p_d为汽包压力，MPa。