面向广义预测控制的协调控制系统建模与控制
控制系统的建模与仿真分析
控制系统的建模与仿真分析I. 概述控制系统是一种可以自动地对一定的输入信号进行响应的系统，它可以对物理系统进行精确的控制，既可以是以电器元件为主体的电气控制系统，也可以是以机械、液压、气动器件为主体的机械控制系统，而控制系统的建模与仿真是控制系统理论研究和实践工程中的重要环节，是传动控制技术的最基本和最关键的方面之一。
II. 控制系统的建模控制系统建模是指将现实世界中的控制系统转换为计算机模型，以便实现对其进行仿真和控制分析，常用的建模方法包括：1. 状态空间法(Space/sate variable approach)，是描述动态系统的主要方法，通过建立系统状态方程、输出方程来研究系统的稳态和动态响应特性，确定控制策略。
2. 传递函数法(Transfer function approach)，是建立闭环控制系统的主要方法，通过定义系统全过程的输入和输出响应之间的关系，以传递函数G(s) (s为变量)模拟系统的动态响应，确定控制策略。
3. 广义函数法(Laplace transform approach)，是用拉普拉斯转换来表示系统的状态和输出量之间的关系，以求得系统的稳态和动态响应特性，常用于求解系统的微分和积分公式，确定控制策略。
III. 控制系统的仿真分析控制系统的仿真分析是指通过计算机处理控制系统的模型，模拟控制系统行为，评价控制系统设计或控制系统算法的预测特性，常用的仿真软件有Simulink、PSIM、Matlab等，主要应用于下列方面：1. 确定系统的响应特性：通过控制系统的仿真分析，可以研究系统的响应特性，包括稳态响应和动态响应，调试控制策略和设计参数，从而优化控制系统性能。
2. 仿真分析系统的失效点：通过仿真分析，寻找控制系统中的潜在故障和失效点，制定应急措施，以保证控制系统的可靠性和稳定性。
3. 仿真分析控制器性能：仿真分析可以对控制器的稳定性、收敛性、响应时间、扰动抑制能力、抗干扰性能等方面进行分析，以提高控制器性能。
控制系统建模与分析
控制系统建模与分析控制系统建模与分析是自动控制领域中的重要内容。
通过对系统进行建模，可以模拟和分析控制系统的性能，以便优化系统设计和参数调整。
本文将介绍控制系统建模的基本原理和常用方法，并通过一个案例来说明。
一、控制系统建模的基本原理在控制系统中，建模是指将实际的物理系统以数学方式进行描述。
通过建立控制系统的数学模型，可以更好地理解系统的性质、预测系统的行为以及设计有效的控制策略。
建模的基本原理包括：1. 系统边界的确定：确定需要建模的系统的范围和界限，明确哪些部分对于控制系统的性能影响较大。
2. 变量的选择：选择适当的系统变量，可以是输入、输出或者中间变量，以便对系统进行分析和控制。
3. 建立数学方程：根据系统的物理特性、动力学行为和控制目标，建立系统的数学方程，可以是微分方程、差分方程或者状态空间方程。
4. 参数估计：通过实验或者仿真，对模型的参数进行估计和调整，使模型更加准确地反映实际系统的行为。
二、常用的控制系统建模方法在控制系统建模中，常用的方法包括：1. 传递函数法：通过输入和输出之间的关系，建立系统的传递函数，可以直接对系统进行频域分析和控制器设计。
2. 状态空间法：将系统表示为状态量和输入输出之间的关系，可以对系统进行状态观测、状态反馈和状态估计。
3. 神经网络法：利用神经网络的映射和学习能力，对系统进行建模和控制，适用于复杂、非线性系统。
4. 系统辨识法：通过对系统输入输出数据的分析，识别系统的数学模型和参数，适用于实际系统的建模。
三、控制系统分析的方法控制系统分析是指对建立的系统模型进行性能评估和分析，以确保系统的稳定性、鲁棒性和控制效果。
常用的控制系统分析方法包括：1. 稳定性分析：通过判断系统的极点位置，确定系统的稳定性，可以使用根轨迹法或者频域法进行分析。
2. 响应分析：分析系统对不同输入信号的响应，包括阶跃响应、脉冲响应和频率响应等，以评估系统的动态性能。
3. 鲁棒性分析：分析系统对参数变化或者干扰的鲁棒性能，可以使用辨识方法或者鲁棒控制理论进行分析。
控制工程中的系统建模与分析
控制工程中的系统建模与分析作为一种研究系统动态行为的工程学科，控制工程在各个领域都有广泛的应用。
然而，在控制工程中，系统建模和分析是必不可少的基础工作之一。
系统建模和分析是指通过对系统本身及其所处环境的深入分析，建立数学模型来描述系统的行为，从而预测和控制系统的运动。
本篇文章将从系统建模和分析的角度来介绍控制工程的相关知识。
一、系统建模系统建模的目的是通过对系统本身的深入分析，建立系统的数学模型。
系统模型是个数学方程组或图表，用于预测和控制系统的运动。
1. 确定系统输入和输出系统建模的第一步是确定系统的输入和输出。
输入是指系统接收的外部信号或控制信号，输出是系统产生的响应或结果。
输入和输出之间的关系是系统建模的核心。
2. 确定系统特性确定系统的特性是模型建立的关键。
系统特性包括系统的线性与非线性、时变与定常性、因果性等方面。
具体分析时可以采用各种信号分析方法，如响应对特定信号的线性性、频率响应特性、幅频特性等。
3. 建立模型建立模型的目的是描述输入和输出之间的关系。
系统模型可以分为几何模型和数学模型两种。
几何模型主要是指几何形态上的描述，而数学模型是将系统用数学符号予以描述。
数学模型可以采用数值模拟、微分方程、状态方程、传递函数、矩阵方程等方法。
二、系统分析系统分析是指通过对系统模型的分析，预测和控制系统的运动。
常见的系统分析方法包括模拟分析、频域分析、状态空间分析。
1. 模拟分析模拟分析是指通过对系统进行一系列仿真实验，得出模型的行为特性，如稳态和暂态特性。
模拟分析通常需要使用数值模拟技术，采用计算机仿真软件或实验平台进行实验。
2. 频域分析频域分析是指通过对系统产生的信号在频域上的响应特性进行分析，来分析系统的行为特性。
常用的频域分析方法包括傅里叶变换、拉普拉斯变换、Z变换、功率谱密度等。
3. 状态空间分析状态空间分析是一种系统描述方法，它以状态向量为基础，将系统的状态用状态矢量和状态方程描述出来。
工业控制系统中的动态建模和预测控制算法
工业控制系统中的动态建模和预测控制算法工业控制系统是人类赖以生存的重要基础设施。
它包括了生产控制、流程控制、安全控制、环境监测等多个方面。
其中，动态建模和预测控制算法是工业控制系统中的核心内容，它们能够对生产流程进行实时监测和优化，提高生产效率和产品质量。
本文就来详细讲解一下动态建模和预测控制算法在工业控制系统中的应用和优势。
一、动态建模算法的概念和应用动态建模算法是指利用系统的输入和输出数据建立一个数学模型，来描述系统的动态行为和控制性能。
在工业控制系统中，动态建模算法可以应用于自动化调节、实时监测、故障检测等多个方面。
例如，在某种复杂工业流程中，通过对系统输入和输出数据的采集和分析，可以建立一个动态模型，实时预测和控制系统状态，并对产生的异常进行实时分析和处理。
这种动态建模算法可以大大提高生产效率，节省成本，并且能够保证产品质量的稳定和可靠性。
二、预测控制算法的概念和应用预测控制算法是指基于系统的历史数据和当前输入数据，利用数学模型对未来系统状态进行预测，并根据预测结果进行控制决策的一种算法。
在工业控制系统中，预测控制算法可以应用于生产调度、能源管理、物流控制等多个方面。
例如，在一个复杂工业生产系统中，通过对历史数据的分析和建模，可以预测未来的生产状况，并根据预测结果进行生产调度和优化。
这种预测控制算法可以在生产流程中实现实时控制和优化，提高生产效率和产品质量。
三、动态建模和预测控制算法的优势动态建模和预测控制算法在工业控制系统中应用非常广泛，并且有着很多的优势。
首先，动态建模算法可以实现对复杂工业流程的实时监测和控制，从而更好地适应生产流程的变化和需求。
其次，预测控制算法可以根据历史数据和当前输入数据进行实时预测和控制，实现精确控制和高效生产。
最后，动态建模和预测控制算法可以大大提高生产效率和产品质量，节约成本并提高企业竞争力。
综上所述，动态建模和预测控制算法在工业控制系统中具有重要的应用和优势。
基于广义预测控制为主的综合控制算法构成控制器的开发与应用
化 动 及 表，０ ，５６： ～７ 工自 化 仪 ２ ８ ３（ ６ ６ ０ ）４
Ｃ ｎｒ ｌａ ｄ Ｉ ｓｒ ｍｅ ｔ ｉ ｈ ｍｉａ ｎ ｕ ｔ ｏ ｔ ｎ ｎ ｔ ｏ ｕ ｎ ｓ ｎ Ｃ ｅ ｃ ｌＩ ｄ ｓ ￣
基 于广 义预 测 控 制 为 主 的综 合控 制算 法 构 成 控 制 器 的 开 发 与 应 用
些过程对象 中 ， 扰是 随机 的 ， 干 幅值 的大 小是 未知
的， 原料的组成 是变化 的 ， 燃料 的组 成 、 热值 是不定 的， 负荷的大小是 随时随地变化 的 ， 原有 的预测是并
然保 留了基于非参数模型的预测控制算法 的基本 特 征， 只是 被控对 象模 型采用 了受控 自回归 积分滑 动
补偿控制效果好与坏取决 于建立 的数学模型 的精度
丛圭登卜 ！ 』
丝丛 叁 卜 ＿ ＿
图 ２ 预 测控 制 原 理 框 图
１ 弓 言 ｌ
这 种新 的控制算法的应用做一介绍 。 ２ 综合控制算法简 介
ＰＤ控制是 最早 发展 起来 的控制 策 略之一 ， Ｉ 由
于其算法简单 、 鲁棒性好及可靠性高 ， 被广泛 用于过 程控制和运动控制 中 ， 尤其适 用于可 建立精确数 学
模型 的确定性系统。然而实际工业生产过程 往往具
关键 词 ： 广 义预 测 控 制 ； 无模 型控 制 律 ；ｍｔ 预 估 控 制 ； Ｓｉ ｈ 多变 量 状 态反 馈 控 制 器 ； 用 应 中 图分 类 号 ： Ｐ ７ 文 献 标 识 码 ： 文 章 编 号 ： ００３３ （０ ８ ０ － ６ －４ Ｔ２３ Ａ １０ —９ ２ ２ ０ ）６０ ４０ ０
估计得到 的参 数取 代原来 的模 型参数 的 自校 正 机
广义预测控制在机组控制系统中的仿真研究
广义预测控制在机组控制系统中的仿真研究摘要：由于单元机组是一个复杂的系统，一般都存在着很大的延迟和惯性，被控对象具有不确定性和强耦合，常规的PID 控制器在处理大延迟对象上很难获得较好的控制效果。
我们将广义预测算法应用到机组控制中，利用MA TLAB 仿真，对响应速度和鲁棒性进行分析，通过比较仿真效果表明广义预测控制方法对系统具有良好的适应性和鲁棒性。
关键词：预测控制 控制系统 仿真0 引言广义预测控制（GPC ）是在最小方差控制的基础上，汲取动态矩阵控制（DMC ）和模型算法控制（MAC ）中的多步预测优化策略，随着自适应控制的研究而发展起来的一种预测控制方法。
此种控制算法的数学模型是通过推导控制律参数而获取的，在理论研究和实际应用中都得到了重视[1]。
本文采用广义预测控制算法对500MW 机组80%负荷点处定压运行进行仿真研究。
1 多变量广义预测控制算法预测控制算法是在工业生产过程和相关的理论知识结合的基础上提出来的，与传统的PID 控制方法相比较，预测控制算法具有自身的优越性。
广义预测控制具有预测控制算法的基本特征，因而具有优良的控制性能和鲁棒性，使系统的设计更加灵活，被认为是在复杂工业控制领域具有代表性的预测控制算法之一。
广义预测控制算法采用的预测模型是具有一定结构和参数的最小化模型，因此对系统输出进行预测时需要已知模型结构，这给预测模型的建立增加了难度，但所需确定的参数较少，减少了计算量。
在GPC 中，采用了最小方差控制中所用的受控自回归积分滑动平均模型来描述收到随机干扰的对象[2]∆+-=---)()()1()()(q A 111t q C t u q B t y ξ）（ （1） 其中cc b b a a n n n n n n q c q c c q A q b q b b q B q a q a q A ---------+++=+++=+++=...)(...)(...1)(11011101111式中，1q -是后移算子，表示后退一个采样周期的相应的量；11--=∆q 为差分算子；）（t ξ是一个不相关的随机序列，表示一类随机噪声的影响。
广义预测控制在600 MW超临界机组协调及汽温控制系统优化中的应用
广义预测控制在600 MW超临界机组协调及汽温控制系统优化中的应用陈涛;王珩;胡昌盛;钟奕南;徐昌凯;张琦【摘要】针对安徽淮南平圩发电有限责任公司3号和4号600 MW超临界机组存在的变负荷速率仅为1％/min、主蒸汽压力和温度的波动分别达0.7 MPa和15℃以上及再热汽温无法投入自动控制的实际情况,采用广义预测控制技术,提出了先进的协调及再热汽温控制策略.实际应用表明:新的协调控制策略使机组的变负荷速率达到1.5％/min以上;在变负荷过程中主蒸汽压力和温度的最大动态偏差控制在0.4 MPa和6℃以内,且参数不再振荡,有效提高了机组的运行稳定性;新的再热汽温控制策略实现了烟气挡板对再热汽温的有效控制,再热汽温的最大动态偏差控制在6℃以内,且减少了再热喷水量20 t/h以上,提高了机组的运行经济效率.【期刊名称】《中国电力》【年(卷),期】2014(047)002【总页数】6页(P5-10)【关键词】超临界机组;协调控制系统;再热汽温;广义预测控制;负荷调节性能【作者】陈涛;王珩;胡昌盛;钟奕南;徐昌凯;张琦【作者单位】安徽淮南平圩发电有限责任公司,安徽淮南232089;安徽淮南平圩发电有限责任公司,安徽淮南232089;安徽淮南平圩发电有限责任公司,安徽淮南232089;安徽淮南平圩发电有限责任公司,安徽淮南232089;安徽淮南平圩发电有限责任公司,安徽淮南232089;安徽淮南平圩发电有限责任公司,安徽淮南232089【正文语种】中文【中图分类】TK223.7+30 引言安徽淮南平圩发电有限责任公司3 号和4 号600 MW 超临界机组 DCS 采用Foxboro 公司的I/A控制系统，原机组的协调控制系统是基于PID 控制策略的前馈-反馈控制方案。
由于锅炉煤量对主蒸汽压力影响的惯性时间超过900 s，常规的PID控制是一种“事后” 调节方式，往往很难对大滞后过程进行有效控制 [1-3]；而对于再热汽温控制，由于再热烟气挡板对再热汽温影响的滞后很大，导致基于PID 控制策略的再热烟气挡板控制系统无法稳定投入运行。
一种改进的协调控制系统广义预测控制方法
一种改进的协调控制系统广义预测控制方法焦健（北京京能科技有限公司，北京100036）摘要：介绍了一种改进的协调控制系统的广义预测控制算法，与现有的算法相比，做出了两点改进：一是使用对角受控自回归积分滑动平均模型推导模型的输出预测值，避免了丢番图方程的计算，减小了计算量；二是将过热度的控制方式由定值控制改为区间控制，充分利用系统的控制“冗余”，提高了主汽压力和负荷的控制效果。
仿真结果表明，这种改进的广义预测控制算法相比现有的方法，计算量小，能同时实现定值控制和区间控制方式，全面提高了主汽压力和负荷的控制效果。
关键词：协调控制系统；广义预测控制；对角CARIMA 模型；区间控制中图分类号：TM621文献标志码：A文章编号：1671-0320（2022）04-0031-050引言单元火电机组是一个复杂的多变量系统，以350MW 的超临界机组为例，其协调控制系统是一个典型的三输入—三输出系统：系统的输入包括煤量、汽轮机调门开度和给水流量，系统的输出包括主汽压力、负荷和过热度。
传统的控制策略是使用比例积分微分PID （proportion integration differentiation ）控制器对各输出进行控制，其缺点是PID 参数整定复杂烦琐，同时需要加入各种前馈补偿，导致整个回路的控制逻辑十分复杂，不利于现场调试。
随着火电控制技术的不断发展，近些年人们对预测控制在协调控制系统上应用的研究逐渐增多，并取得了一些较好的结果。
预测控制是以计算机为实现手段的，因此其算法一般应为采样控制算法而不是连续控制算法。
顾名思义，预测控制应包含预测的原理。
在传统的采样控制中，有些算法也用到了预测的原理。
在现有的研究中，广义预测控制GPC （generalized predictive control ）作为一种对模型要求较低、鲁棒性好、适用于计算机实现的智能控制算法，已成功应用于协调控制系统中，取得了比较好的结果[1]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
面向广义预测控制的协调控制系统建模与控制潘晖; 张冀; 缪伟彬【期刊名称】《《上海电力学院学报》》【年(卷),期】2019(035)005【总页数】7页(P465-471)【关键词】广义预测控制; 混合优化算法; 支持向量机【作者】潘晖; 张冀; 缪伟彬【作者单位】上海电力学院上海200090; 上海新华控制技术集团科技有限公司上海200241【正文语种】中文【中图分类】TP29火电单元机组的协调控制系统(Coordinated Control System,CCS)是20世纪80年代引入中国的火电站控制理念,在实现对锅炉主蒸汽压力和机组负荷控制的同时,协调锅炉空气、燃料和给水的响应。
CCS的被控对象,即单元机组(Boiler-Turbine Unit,BTU)具有多输入、多输出、非线性、强耦合等特性,面对这样复杂的系统,机理建模方法难以建立准确的数学模型。
在火力发电厂中广泛应用的工厂级监控信息系统(Supervirsory Information System,SIS)和分散控制系统(Distributed Control System,DCS),使得现场实时数据和以前的运行历史数据的获取更加便捷,因此可以利用“黑箱建模”数据驱动方法,也就是基于输入输出数据的方法,来建立单元机组协调控制系统被控对象的数学模型,其中较为典型的建模方法,如基于神经网络与支持向量机(Support Vector Machine,SVM)的识别和建模[1-3]。
文献[1]将神经网络和遗传算法相结合,利用电厂数据训练神经网络,以便及时预测燃料输入量,并将其应用于某600 MW火电厂被控对象的建模。
文献[2]采用神经网络算法与预测控制相结合的方法,利用BP神经网络的非线性拟合特性来识别协调控制系统的受控对象,从而建立了动态模型。
但神经网络有其本质的缺陷,缺乏严谨的理论依据作支撑[4],而SVM则有严谨的理论依据,且具有快速训练的速度和全局解的优势,并兼备了优异的拟合非线性函数能力,在系统辨识和建模领域得到了应用[5]。
在建模的过程中,为了寻求最优的惩罚因子与核函数参数以提高SVM建模的准确度,考虑结合差分进化(Differential Evolution,DE)算法与灰狼优化(Grey Wolf Optimizer,GWO)算法各自的优点[6],通过采用一种全新的混合优化算法——差分进化-灰狼优化(DE-GWO)混合算法来优化SVM,则可以避免早熟停滞,同时可以提高全局搜索能力,从而提高SVM建模的准确性。
预测控制是基于模型的先进控制算法。
而基于线性受控自回归积分滑动平均(Controlled Auto-Regressive Integrated Moving Average,CARIMA)模型的广义预测控制(Generalized Predictive Control,GPC)算法,对模型的要求低,鲁棒性好,抑制干扰能力强,属于可在计算机上实现的智能控制算法,具有较强的优势[7-8]。
如果将SVM建模方法与GPC相结合,采用基于混合算法优化的SVM来建立预测模型,就可以将基于SVM的GPC算法应用于单元机组协调控制系统的设计中。
1 基于支持向量机的广义预测控制GPC算法利用最小方差控制中的CARIMA模型来表示控制对象[9](1)其中(2)式中:z-1——后移算子,表示后退一个采样周期的相应的量;na,nb,nc——分别对应a,b,c的下标最大序号;C(z-1)ξ(k)/Δ——系统的噪声项,为方便推导,这里假设C(z-1)=1;ξ(k)——不相关的随机噪声序列;Δ——差分算子,Δ=1-z-1;A,B,C——关于z-1的多阶表达式。
其中,式B(z-1)中为零的元素b0,b1,b2…表示对象的滞后时间。
为了便于分析,将噪声项忽略不计,将式(1)转换成没有后移算子z-1的表达式,即(3)整理后可得的差分方程为(4)由式(4)可知,SVM表达式与差分方程结构相似,其结构形式为y(k)=f(Vk)=f[y(k-1),…,y(k-n+1),u(k-1),…,u(k-m+1)](5)式(5)中f(·)是具有SVM结构的函数,而Vk=[y(k-1),…,y(k-n+1),u(k-1),…,u(k-m+1)](6)为SVM形式。
考虑式(5)中SVM的结构形式,选择线性核函数K(x,xi)=x·xi(7)凭借SVM的训练与学习,可得到对应的支持向量和它们的阈值b与系数ai(i=1,2,3,…,N)。
故有(8)式中:{V′i}(i=1,2,3,…,N)——支持向量集合。
由于选择了线性核函数,故可以将内积V′i·Vk展开。
展开后的表达式为V′i·Vk=V′i(1)y(k-1)+V′i(2)y(k-2)+…+V′i(n-1)y(k-n+1)+V′i(n)u(k-1)+…+V′i(n+m)u(k-1+m)(9)令因此基于线性核函数的前向SVM结构可表示为y(k)=W(1)y(k-1)+…+W(n-1)y(k-n+1)+W(n)u(k-1)+…+W(n+m)u(k-m+1)(10)将式(10)与式(4)比较可得a1,a2,a3,…,ana,b0,b1,b2,…,bnb的系数。
需要指出的是,本文在利用SVM进行系统建模时,核函数一般选择易于展开内积的线性核函数,且不需要明确系统的时间滞后参数,可根据经验估计大致滞后时间范围,以此构建训练样本,最后由辨识结果可知系统明确的滞后时间。
假设辨识出b0,b1,b2,b3,b4是零,那么可知系统滞后5个采样周期。
这种方法优于最小二乘法。
一方面最小二乘法不能像上述方法一样辨识出系统的滞后时间,另一方面上述方法对数据的数量、质量要求较低。
因此,基于线性核函数的SVM建模方法可以较好地解决建模中遇到的问题[10]。
2 混合优化算法在建模过程中,SVM惩罚参数与核函数参数对建模准确度的影响较大,应考虑采用智能算法来寻找最佳的SVM参数[11]。
对于DE算法和GWO算法,它们在各自优化过程中存在易陷入局部最优和早熟等问题。
通过结合各自的优点,提出具有优异全局搜索能力的混合优化算法——DE-GWO。
以此为基础,采用SVM来构建预测模型。
首先,利用DE算法的差分种群生成初始种群,保持灰狼算法初始种群的差异性和多样性。
然后根据计算所得个体目标函数值,选择最优的3个灰狼α,β,δ,对其他灰狼位置进行更新,引入灰狼算法与差分进化算法的交叉、选择算子进行全局搜索,利用灰狼算法全局最优解搜索能力以确保算法的收敛,更新灰狼个体位置,直至输出最佳迭代目标值。
此混合算法提高了算法的全局搜索能力,有效解决了陷入局部最优与早熟停滞等问题,从而寻找到最佳的SVM参数,提高了建模的准确性。
基于DE-GWO的SVM所建预测模型算法流程如图1所示。
图1 基于DE-GWO的SVM所建预测模型算法流程3 基于混合算法SVM建立机组负荷-压力预测模型单元机组是一个相互耦合的两输入两输出被控对象。
两个输入量分别为汽轮机调门开度ut和燃烧指令ub (给煤量),两个输出量分别为机前压力pt (主蒸汽压力)和机组负荷Ne。
CCS的主要任务,一是保证机组快速跟踪负荷的变化,二是要维持机前压力的基本稳定,以确保机组的安全经济运行[12]。
亚临界机组协调控制系统对象结构如图2所示。
图2 亚临界机组协调控制系统对象结构采用某电厂3#机组为被控对象。
锅炉为亚临界一次中间再热汽包锅炉,型号为HG-2023/17.6-YM4;汽轮机为单轴四缸四排汽凝汽式汽轮机,型号为N600-16.7/537/537-I。
正常情况下,机组运行方式采用滑压式,50%～100%工况范围内可以不投油助燃。
用来建模的数据来自该电厂SIS数据库,包括燃料指令、汽轮机调门开度数据各1 300组,机前压力(主蒸汽压力)和机组负荷数据各1 300组,随机取1 000组数据用来建模,建立100%工况点处对象模型。
部分数据如表1所示。
表1 输入输出部分原始数据给煤量/(t·h-1)调门开度/(%)主蒸汽压力/MPa机组负荷/MW180.465820356.17216.122415.1871304180.789871256.42916.128415. 3257713180.872097156.98716.139415.4607508︙︙︙︙261.087463469.433 16.817607.3203421261.035980369.70116.823607.3967602261.053985669.8 3216.834607.5136069利用表1所述输入输出数据，采用基于混合算法优化的SVM建立该电厂单元机组协调控制系统预测模型,预测模型的预测输出如表2所示。
为了比较改进后混合算法优化的SVM所建预测模型的准确性,通过对比改进前基于SVM所建预测模型的预测输出,衡量两组预测输出与原始输出数据的拟合度,来评价拟建预测模型的准确性。
表2 预测模型输出数据基于SVM主蒸汽压力预测输出/MPa基于SVM机组负荷预测输出/MW混合算法优化SVM主蒸汽压力预测输出/MPa混合算法优化SVM 机组负荷输出/MW16.109407.956178616.134413.227591416.116409.376375316.141412. 935901316.125409.637931216.147413.4630928︙︙︙︙16.791618.7367778 16.783613.165389216.795617.973713116.788612.883640116.801618.43867 0916.803613.3697214由表1和表2可以看出,与传统SVM所建预测模型相比,基于混合优化算法的SVM 所建预测模型对实际运行数据具有更优异的拟合能力。
由此表明,基于输入输出数据的单元机组协调控制系统数学模型符合火电厂的实际生产过程,所建模型真实可靠。
经过处理后,基于混合优化算法的SVM辨识所得机组负荷——主汽压力的数据模型为(11)转换为CARIMA形式为(12)(13)4 结合GPC的仿真分析将上述所建的具有CARIMA结构形式的亚临界机组协调控制系统模型,作为GPC 的预测模型。
GPC的隐式算法中各参数统一设置为:优化时域P=6;控制时域M=2;控制增量加权系数λ=0.75;柔化系数α=0.13。
基于SVM的GPC对给定值的跟踪能力如图3所示。
基于混合算法SVM的GPC对给定值的跟踪能力如图4所示。
基于PID对给定值的跟踪能力如图5所示。
由图3～图5可以看出:相比于传统的PID控制,基于CARIMA模型的GPC对给定值的跟踪能力更强,虽然存在一些超调,但其上升时间大大减少,应对给定值变化的响应速度更快,调节时间短,稳定后不存在稳态误差;而基于混合算法优化的SVM与GPC算法的结合,对给定值的跟踪能力更优越。