基于SIS的预测控制应用研究.doc

1、 基于SIS的预测控制应用研究 摘要： 随着我国发电厂自动化和信息化水平的不断提高以及控制理论的不断发展，更加有效地利用SIS平台上的数据对机组运行进行优化，提高机组运行的安全性和经济性，降低生产成本，是目前SIS研究的重点。为此，提出了一种基于SIS平台的控制方案。以湖北某电厂4号机组的过热蒸汽温度作为控制对象，根据试验数据建立了过热蒸汽温度的神经网络动态模型，并采用动态矩阵控制算法(DMC)对其加以控制。经对该控制算法的仿真试验表明，过热蒸汽温度的控制品质得到了很好的改善。一、控制对象1.l SIS结构 湖北某电厂SIS的网络拓扑结构如图1所示。SIS通过专用通信网络连接数据库服务器、应用

2、服务器、网关机等设备，从现场的网关机中共采集数据达40000点，在数据库服务器上实现了SIS的基础应用。如流程图、报表及报警柱状图的形成和趋势分析等功能，管理信息系统(MIS)从SIS获取数据进行进一步的应用。 1.2 控制对象分析 过热蒸汽温度是锅炉运行中的重要参数之一，其直接影响锅炉的安全稳定运行。过热蒸汽温度过高容易烧坏过热器及损坏汽轮机的进汽部件，温度过低则不仅影响到机组的经济性，而且会造成汽轮机末级蒸汽湿度过大而损坏叶片。因此，电站锅炉过热蒸汽温度必须控制在规定的范围内。 湖北某电厂4号机组锅炉为亚临界、一次再热、自然循环、平衡通风、单汽包、半露天煤粉炉，最大蒸发量为1025t/h，

3、过热蒸汽的额定压力和温度分别为17.53MPa和540，采用喷水减温调节过热蒸汽温度(图2)。由于以下原因使常规的串级PID控制方法效果欠佳：(1)过热蒸汽温度控制系统的惯性较大；(2)被控对象的动态特性随负荷显著变化，常规控制系统不能保证过热蒸汽温度在所有的负荷下都保持在允许的温度范围内。因此，采用基于SIS平台的先进控制策略，以改进过热蒸汽温度的控制效果，弥补常规PID控制的不足。 二、控制方案2.1 BP神经网络预测控制 BP神经网络预测控制的基本原理是根据被控对象的输入输出数据，建立BP神经网络动态模型，并采用DMC作为优化算法实现被控对象的动态控制。BP神经网络预测控制的结构见图3。

4、 图3中，Yr(k+j)为输出量(即过热蒸汽温度)的第j步参考轨迹；Ym(k+j)为通过动态矩阵预测算法预测的第k+j步的过热蒸汽温度；Yp(k+j)为在Ym(k+j)基础上经过修正后的预测第k+j步的过热蒸汽温度；e(k)为模型预测误差；u(k)为被控量(喷水量)；y(k)为输出量(过热蒸汽温度)。2.2 BP神经网络预测模型的建立 对于非线性热力系统对象，很难得到精确的数学模型进行多步预测。神经网络具有表达任意非线性映射的能力，能够对非线性系统进行建模。利用神经网络的这一特点建立动态模型，作为预测控制器的预测模型，可用于热力过程的预测和控制。文献2设计了基于模糊神经网骆模型的有约束多步预测

5、控制。本文基于SIS平台上被控对象的输入输出数据，应用BP神经网络，通过学习和训练逼近对象的真实模型。 设非线性系统可由下面的神经网络模型表示: y(k+1)=fy(k),y(k-n+1),u(k-d+1),u(k-d-m+1),v(k),v(k-q+1) (1)式中:u、y分别为系统的输入、输出；m和n分别为输入、输出的阶次；d为非线性系统的滞后时间；f为由神经网络模型表示的非线性函数;v为系统的扰动，被控对象在不同的扰动下表现出不同的动态特性，因此在模型预测中必须充分考虑扰动的作用;q为扰动量的阶次。神经网络模型结构见图4。 利用式(1)递推得到输出量的j步超前预测。由于k时刻以后的扰动量

6、末知，因此模型预测中取k时刻之前的扰动量。设预测时域长度为P，则多步预测模型可表示为: ym(k+j)=fy(k+j-1),y(k+j-n),u(k-d+j),u(k-d-m+j),v(k),v(k-q+1) (2)其中j=1,2,P。 显然，式(2)中使用了k时刻以后的预测值，其可以通过神经网络模型的递推得到。对于k时刻和k时刻以前的预测值，可以用其实际值来代替，即 ym(k+j-l)=y(k+j-l) (3)其中，j-l0；l=1,2,n。2.3 BP神经网络动态矩阵控制律的计算 直接利用式(2)预测对象的输出并进行滚动优化，是一个非线性的优化问题。国内外学者在这方面作了很多探讨和研究，A

7、onat等提出了基于非线性规划求解的神经网络预测控制的方案，车海平等提出了基于迭代学习求解的神经网络预测控制方案，Najim等提出了基于控制网络求解的神经网络预测控制方案，陈增强等提出了基于线性化方法的神经网络预测控制方案，李少远等提出了基于预测偏差补偿的神经网络预测控制方案。但是，这些方法都难以保证非线性滚动优化的实时性和稳定性。因此，本文在神经网络动态模型的基础上利用动态矩阵控制算法实现预测控制的滚动优化。 在式(2)中，u取单位阶跃信号，根据BP神经网绍模型输出得到动态矩阵A。将式(2)中扰动量作为表征运行工况变化的特征量，不同运行工况下动态矩阵A也不相同，可以在BP神经网络模型的基础上

8、实时求解得到。输出预测可以表示为: Ym(k+1)=Y0(k+1)+AU(k) （4） 式中Y0(k+1)为无U(k)作用即假设k时刻以后的控制增量为零时k时刻未来N个时刻的输出量，可以通过式(2)进行多步预测得到;U(k)为在预测时域内被控量(减温水量)的变化。 由于实际过程存在模型失配、环境干扰等未知因素，由式(4)得到的输出预测值有可能偏离实际值，因此利用系统的实际输出对未来的预测进行反馈校正得到: Yp(k+1)=Y0(k+1)+AU(k)+he(k) （5） 其中，e(k)=y(k)-ym(k);Yp为校正后的输出预测向量；h为误差校正向量。 最优控制律由二次型性能指标函数J趋于最小

9、得到: 其中:Yr(k+i)为输出量的参考轨迹;qi、rj为权系数，分别表示对跟踪误差及控制量变化的抑制。 将式(5)代入式(6)，通过极值必要条件dJ/dU(k)=0求解得到基于神经网络模型的动态矩阵控制律为: U(k)=DT(Yr(k+1)-Y0(k+1)-he(k) (7)其中: DT=(ATQA+R)-1ATQ (8) Q=diagq1 q2qp (9) R=diagr1 r2rp (10) 动态矩阵控制取当前时刻的控制增量u(k)构成实际控制量u(k)作用于被控对象，到下一时刻继续进行滚动优化。 u(k)=1，00U(k) (11) u(k)=u(k-1)十u(k) (12)三、仿真

10、试验3.1 过热蒸汽温度神经网络动态模型仿真 采用BP神经网络对湖北某电厂4号机组的过热蒸汽温度建立动态模型。根据锅炉的实际情况选取减温水流量作为过热蒸汽温度的调节量，过热蒸汽温度作为输出量，过热蒸汽流量作为扰动反映锅炉运行工况的变化，从而建立覆盖锅炉工况大范围变化的神经网络模型。 为了实现不同负荷工况下对过热蒸汽温度的控制，分别在(280300)MW(100%)负荷、(230250)MW(80%)负荷、(17020O)MW(60%)负荷下进行喷水减温扰动试验，试验中负荷保持不变，获取不同运行工况下的试验数据进行过热蒸汽温度的预测控制。 为了充分认识扰动量(过热蒸汽流量)对过热蒸汽温度的影响，

11、分别在(280300)MW(100%)负荷、(230250)MW(80%)负荷、(17020O)MW(60%)负荷下进行负荷阶跃扰动试验，试验中减温水量保持不变，获取试验数据进行过热蒸汽温度的神经网络模型辨识。 在SIS平台选取上述各工况的数据360组，采样周期为5s，经过训练得到过热蒸汽温度全工况下的BP神经网络预测模型。为了验证BP神经网络预测模型的准确性，随机采集了4号机组720组试验数据，采样周期为5s，进行仿真验证，得到的仿真曲线见图5。由图5可知，基于仿真数据建立的过热蒸汽温度神经网络动态模型，能够很好地预测被控对象在不同运行工况下的动态特性。 3.2 基于BP网络的动态矩阵预测控

12、制仿真 在过热蒸汽温度BP神经网络模型的基础上，采用动态矩阵控制策略作为滚动优化的算法，DMC参数选取见表1。 不同负荷下系统的动态特性有很大的不同，本文采用过热蒸汽流量作为反映锅炉工况变化的特征量，得到的基于BP神经网络辨识的DMC控制效果与传统PID的仿真结果对比见图6图11。 同时，为了验证DMC的鲁棒性，在负荷扰动(8%)的情况下，得到控制效果仿真曲线见图12图14。 由图6图14可见，过热蒸汽流量作为扰动量，采用基于BP神经网络模型的DMC控制调节时间短，超调量小，在不同的工况下都可以得到较好的控制品质，明显优于常规PID控制。基于BP神经网络的DMC控制的过渡过程与常规PID控制效

13、果相比，超调量小，系统很快达到稳定状态。此外，鲁棒性也优于常规PID控制，说明DMC在输出设定值变化后，能够很快求解得到合适的控制作用，作用于控制对象，使系统快速达到新的平衡。四、SIS平台上预测控制策略的实现 在BP神经网络动态模型的基础上，通过与SIS进行双向通信，获取锅炉机组的所有相关状态与参数，并借助DMC对试验机组进行周期一次(5s)的滚动寻优，实现了锅炉过热蒸汽温度在不同工况下的稳定控制，从而构成了SIS平台的预测控制方案。五、结论 (1)针对湖北某电厂4号机组过热蒸汽温度控制系统，将过热蒸汽流量作为扰动量反映机组运行工况的变化，利用试验数据进行神经网络建模。仿真结果表明，建立的神经网络模型能够很好的预测被控对象的动态特性。 (2)基于过热蒸汽温度的BP神经网络动态模型，采用DMC作为优化算法，降低了滚动优化的复杂性。仿真结果表明，该方法稳定性较好，控制效果优于常规PID控制。 (3)在模型建立与滚动优化求解的基础上，通过与SIS进行双向通信，构成了SIS平台的先进控制方案，充分发挥了SIS的综合优化作用。