一种火电机组灵活性及深度调峰智能控制方法与流程

1.本发明属于热能动力工程和自动控制技术领域，具体涉及一种火电机组灵活性及深度调峰智能控制方法。


背景技术：

2.近年来，世界各国积极推进能源结构调整，风电、光伏发电等新能源发电技术发展迅猛，“清洁、低碳、高效”已然成为能源发展趋势。我国明确指出以清洁主导转变能源生产方式，煤电从基荷型电源向调节型电源功能转变。可再生能源具有随机性和波动性，大规模并入电网导致电网的稳定性变差，电力供应峰谷差加剧，为消纳清洁能源，火电机组在未来几年持续低负荷运行或者深度调峰将成为常态。在电网负荷指令频繁、大幅度变化时，如何有效提升火电机组灵活性的问题亟待解决。
3.单元机组协调控制系统(coordinated control system,ccs)是连接发电机组与电网的桥梁，用以协调锅炉
‑
汽轮机共同接受电网中心调度所的负荷指令，及时响应负荷请求，使机组具有一定的调峰、调频能力。目前火电机组协调控制策略大多采用“比例前馈 pid反馈”的控制结构，这种控制策略在工况稳定时能取得较好的控制效果，但当工况频繁发生变动、实际工况偏离设计工况较远时，控制效果会恶化。此外，一些专家、学者还提出了预测控制、鲁棒控制和模糊控制等多种先进控制算法以优化协调控制系统，理论上能够有效提高机组负荷跟踪能力，但这些先进控制算法结构相对复杂且计算量大，在实际工程中难以实现。
4.鉴于目前还没有一套完整、有效、通用的火电机组灵活性及深度调峰控制方案，设计一种能够在实际热工过程中实施应用的智能控制策略具有重要的指导意义和应用价值。


技术实现要素：

5.技术问题：本发明所要解决的技术问题是针对上述现有技术的不足，提供一种火电机组灵活性及深度调峰智能控制方法，提高协调控制系统快速跟踪电网负荷指令变化的能力，改善关键参数在调节过渡过程中的控制品质。
6.技术方案：为实现上述目的，本发明采用的一种火电机组灵活性及深度调峰智能控制方法，包括以下的步骤：
7.s1：建立增益调度模型：基于协调控制系统被控对象的动态特性扰动试验，建立基准工况点处的协调系统被控对象的数学模型；
8.s2：建立模糊规则库：采用模糊关联规则语句，将增益调度变量即电网负荷指令增益δn
e
作为模糊规则前件，将传递函数形式的增益调度模型转换为状态空间形式并作为模糊规则后件；基于高斯型隶属度函数计算电网负荷指令增益δn
e
隶属于各基准工况点的隶属度μ
i
；通过加权平均法去模糊化处理计算实时电网负荷指令所对应的协调系统动态数学模型；
9.s3：设计预测控制器：将状态空间模型转化为增量型扩展状态空间模型，并将其作
为预测模型；基于预测模型对控制系统未来p步输出进行预测；设置卡尔曼滤波器对控制系统状态进行实时估计；计算求解二次型性能指标，在每一时刻将最优控制量的第一项δu(k)传送给被控对象实施控制作用，再以k 1时刻为基点进行下一时刻的最优控制量计算，实现滚动优化。
10.所述步骤s1中基于协调控制系统被控对象的动态特性扰动试验，建立基准工况点处的协调系统被控对象的数学模型，包括：
11.s1.1.针对火电厂超(超)临界直流机组，选取n个基准工况点，分别进行燃料量r
b
、给水流量d
w
和汽机阀门开度u
t
的扰动试验，根据试验数据通过辨识拟合各扰动对机组实发功率p
e
、主蒸汽压力p
st
以及分离器温度出口t
sep
的传递函数模型；
12.s1.2.针对火电厂亚临界汽包炉机组，选取n个基准工况点，分别进行燃料量r
b
、给水流量d
w
和汽机阀门开度u
t
的扰动试验，根据试验数据通过辨识拟合各扰动对机组实发功率p
e
、主蒸汽压力p
st
以及汽包水位h
qb
的传递函数模型。
13.所述步骤s2包括以下的步骤：
14.s2.1：采用if
‑
then关联规则语句，将增益调度变量即电网负荷指令增益δn
e
作为模糊规则前件，将增益调度传递函数模型转换为状态空间形式作为模糊规则后件，具体表示为：
[0015][0016]
其中，k表示任意一个采样时刻，k 1表示k的下一个采样时刻，n表示基准工况点数目，u表示控制量，y表示系统输出,x表示系统状态，a，b，c表示系统矩阵；
[0017]
s2.2：基于高斯型隶属度函数计算电网负荷指令增益δn
e
隶属于各基准工况点的隶属度μ
i
，具体表示为：
[0018][0019]
其中，σ2表示方差；
[0020]
s2.3：通过加权平均法去模糊化处理计算实时电网负荷指令所对应的协调系统动态数学模型，具体表示为：
[0021][0022]
其中，
[0023]
所述步骤s3包括以下的步骤：
[0024]
s3.1：将状态空间模型转化为增量型扩展状态空间模型，并将其作为预测模型，具体表示为：
[0025][0026]
其中，θ表示零矩阵，i表示单位矩阵；
[0027]
s3.2：基于预测模型对控制系统未来p步输出进行预测，预测方程具体表示为：
[0028][0029]
其中，
[0030]
s3.3：设置卡尔曼滤波器对控制系统状态进行实时估计，具体表示为：
[0031][0032]
其中，表示后验状态估计值，x
e
(k)表示先验状态估计值，k
k
表示卡尔曼增益矩阵，p
k
表示估计误差协方差矩阵，q
k
表示激励噪声协方差矩阵，r
k
表示测量噪声协方差矩阵；
[0033]
s3.4：计算求解二次型性能指标，在每一时刻将最优控制量的第一项δu(k)传送给被控对象实施控制作用，再以k 1时刻为基点进行下一时刻的最优控制量计算，实现滚动优化，采用二次型函数作为控制系统性能指标具体表示为：
[0034][0035]
其中，λ
y
表示输出误差加权系数矩阵，λ
u
表示控制增量变化量加权系数矩阵，y
r
表示参考轨迹。
[0036]
所述最优控制量根据最小二乘法则解得如下：
[0037][0038]
其中，
[0039]
有益效果：采用上述技术方案，本发明具有以下的有益效果：
[0040]
1.通过建立增益调度模型和模糊规则库实现了模糊智能控制，提高了协调控制系统跟踪电网负荷指令变化的能力，贴合于电网负荷指令频繁、大幅度变化的背景，提升了火电机组灵活性；
[0041]
2.利用预测控制改善了协调系统的控制性能，解决了现有pid控制策略在火电机
组低负荷运行及深度调峰时控制效果不佳的问题；
[0042]
3.控制算法结构简单，在线计算量小，可作为一个扩充的分散处理单元融入到整个dcs系统中，具有可实施性。
附图说明
[0043]
图1为本发明的控制结构示意图；
[0044]
图2为具体实施方案中隶属度函数分布图；
[0045]
图3为具体实施方案中系统输出量的响应曲线；其中，(a)为机组实发功率响应曲线响应曲线，(b)为主蒸汽压力响应曲线，(c)为分离器出口温度响应曲线。
[0046]
图4为具体实施方案中系统控制量的变化曲线。其中，(a)为燃料量变化曲线， (b)为给水量变化曲线，(c)为汽机调门开度变化曲线。
具体实施方式
[0047]
为了使本发明要解决的技术问题、技术方案和有益效果更加清楚，下面结合附图及具体实施例进行详尽的描述。
[0048]
本发明公开了一种火电机组灵活性及深度调峰智能控制方法，协调控制系统结构示意图如附图1所示，其中增益调度模型是在基准工况点上进行动态特性扰动试验，通过拟合、辨识等方法建立的协调系统传递函数模型；模糊规则库是采用if
‑
then关联规则语句，将增益调度变量(电网负荷指令增益δn
e
)作为模糊规则前件，将增益调度传递函数模型转换为状态空间形式作为模糊规则后件，实时推理电网负荷指令所对应的协调系统动态数学模型，并将其作为预测模型；预测控制器根据预测方程预测输出轨迹、卡尔曼滤波器估计系统状态、性能指标计算最优控制量。
[0049]
在此以某电厂660mw超临界直流机组为例，具体说明本发明的技术方案。一种火电机组灵活性及深度调峰智能控制方法，包括以下的步骤：
[0050]
s1：建立增益调度模型；
[0051]
s2：建立模糊规则库；
[0052]
s3：设计预测控制器。
[0053]
进一步的，所述步骤s1中建立增益调度模型是在30％
‑
100％p
e
工况范围内选取7个基准工况点分别进行燃料量r
b
、给水流量d
w
和汽机阀门开度u
t
的扰动试验，根据试验数据通过辨识拟合各扰动对机组实发功率p
e
、主蒸汽压力p
st
以及分离器出口温度t
sep
的传递函数模型，如表1所示：
[0054]
表1基准工况点协调系统传递函数模型
[0055]
[0056][0057]
进一步的，所述步骤s2包括以下的步骤：
[0058]
s2.1：采用if
‑
then关联规则语句，将增益调度变量(电网负荷指令增益δn
e
) 作为模糊规则前件，将增益调度传递函数模型转换为状态空间形式作为模糊规则后件，具体表示为：
[0059][0060]
本例中，基准工况点数目为7，控制量u＝[d
w u
t r
b
]
t
，输出量y＝[p
e p
st t
sep
]
t
,系统状态x＝[r
b p
sep h
sep
]
t
，p
sep
表示分离器出口压力， h
sep
表示分离器出口焓，a，b，c表示系统矩阵；
[0061]
s2.2：基于高斯型隶属度函数计算电网负荷指令增益δn
e
隶属于各基准工况点的隶属度μ
i
，具体表示为：
[0062][0063]
本例中σ2＝3，隶属度函数分布图如附图2所示；
[0064]
s2.3：通过加权平均法去模糊化处理计算实时电网负荷指令所对应的协调系统动态数学模型，具体表示为：
[0065][0066]
本例中，
[0067]
进一步的，所述步骤s3包括以下的步骤：
[0068]
s3.1：将状态空间模型转化为增量型扩展状态空间模型，并将其作为预测模型，具体表示为：
[0069][0070]
本例中，θ表示零矩阵，i表示单位矩阵；
[0071]
s3.2：基于预测模型对控制系统未来p步输出进行预测，预测方程具体表示为：
[0072][0073]
本例中，
[0074]
s3.3：设置卡尔曼滤波器对控制系统状态进行实时估计，具体表示为：
[0075][0076]
本例中，初始化p
k
、q
k
、r
k
为单位对角矩阵；
[0077]
s3.4：计算求解二次型性能指标，在每一时刻将最优控制量的第一项δu(k)传送给被控对象实施控制作用，再以k 1时刻为基点进行下一时刻的最优控制量计算，实现滚动优化，采用二次型函数作为控制系统性能指标具体表示为：
[0078]
[0079]
本例中，λ
y
表示输出误差加权系数矩阵，λ
u
表示控制增量变化量加权系数矩阵，y
r
表示参考轨迹；
[0080]
优选的，根据最小二乘法则解得如下最优控制量：
[0081][0082]
本例中，
[0083]
更进一步的，本例中预测控制器参数设置如表2所示：
[0084]
表2预测控制器参数
[0085][0086]
为验证方案可行性，进行控制系统仿真试验，仿真试验过程模拟机组在agc (automatic generating control)方式下运行。
[0087]
假设初始工况点为30％p
e
(200mw)，此时协调控制系统的控制量分别为给水流量d
w
＝660.1(t/h)、汽机阀门开度u
t
＝82.2％和燃料量r
b
＝108.5(t/h)，输出量分别为机组实发功率p
e
＝200(mw)、主蒸汽压力p
st
＝12.6(mpa)以及分离器出口温度t
sep
＝368.2(℃)。
[0088]
具体仿真过程如下：
[0089]
在0～388s时间段不改变负荷指令，即在30％p
e
(200mw)工况点处稳态运行；在389～994s时间段内给予系统升负荷指令，机组负荷沿2％/min(即 13.2mw/min)的斜坡信号升负荷至300mw；在995～2195s时间段不改变负荷指令，即在45％p
e
(300mw)工况点处稳态运行；在2196～2800s时间段内给予系统降负荷指令，机组负荷沿功率指令2％/min(即13.2mw/min)的斜坡信号降负荷至200mw；在2801～4000s时间段不改变负荷指令，即在30％p
e
(200mw) 工况点处稳态运行。
[0090]
图3为具体实施方案中系统输出量的响应曲线，从图中可以看出，在升、降负荷过程中，机组输出功率快速跟随电网负荷指令变化。机组输出功率超调量仅 2mw，主蒸汽压力最大动态偏差约0.7mpa，分离器出口温度动态偏差在2℃以内，均严格控制在允许范围内。
[0091]
图4为具体实施方案中系统控制量的变化曲线，从图中可以看出，燃料量变化及时，从而有效提升了机炉协调系统中锅炉侧的响应速度，进而缩短整个机炉协调控制系统的调节过渡过程时间。此外，在满足控制作用的约束条件下各控制量变化相对平滑，有利于控制系统的稳定。
[0092]
以上实施例仅为本发明的优选实施例，仅用于更加清楚地说明本发明方法，并非
对本发明作任何其他形式的限制，应当指出的是，对于本领域一般技术而言，在不背离本发明原理和精神的前提下对其所做出的任何显而易见的改动，都应该包含在本发明的权利要求的保护范围内。