负荷跟踪发电系统自适应控制方法
自适应控制算法的实现
自适应控制算法的实现自适应控制算法一般包括两个主要部分：参数估计和控制器设计。
参数估计用于估计系统的未知参数，包括系统模型和系统参数。
控制器设计根据参数估计结果，自动调整控制器的参数，使系统能够实时适应参数变化和外部干扰。
在自适应控制算法中，最常用的方法是模型参考自适应控制（Model Reference Adaptive Control，MRAC）。
MRAC的基本思想是将系统的输出与参考模型的输出进行比较，通过调整控制器参数，使系统的输出与参考模型的输出最小化。
这样可以实现对系统的自动调节，提高系统的鲁棒性和性能。
在MRAC算法中，常用的参数估计方法有最小二乘法、递推最小二乘法和极小二乘法等。
其中，最小二乘法是一种常用的参数估计方法，它通过最小化误差的平方和来估计参数。
递推最小二乘法是最小二乘法的一种改进方法，它通过递推更新参数估计值，更适用于在线估计参数。
极小二乘法是一种非线性参数估计方法，它通过使误差平方和的一阶导数为零来估计参数。
控制器设计是自适应控制算法中的另一个重要部分。
控制器设计可以采用各种方法，如比例积分（PI）控制器、滑模控制器和模糊控制器等。
其中，比例积分控制器是一种简单有效的控制器，它根据系统误差的大小和变化率来调整控制器输出。
滑模控制器是一种非线性控制器，它通过引入滑模面来实现系统的稳定性和鲁棒性。
模糊控制器是一种基于经验的控制器，它通过模糊推理来调整控制器参数，适应系统的变化和不确定性。
在实际应用中，自适应控制算法可以根据具体系统的需求进行调整和优化。
参数估计方法和控制器设计方法的选择需要根据系统的特点进行评估和选择。
同时，自适应控制算法还需要考虑计算复杂性和实时性等问题，以确保算法的可行性和可靠性。
总的来说，自适应控制算法是一种能够根据系统的动态性自动调整控制器参数的方法。
它能够应对系统模型不精确、参数变化和外部干扰等问题，从而提高系统的鲁棒性和性能。
自适应控制算法的实现包括参数估计和控制器设计两个主要部分，其中最常用的方法是模型参考自适应控制算法。
自适应控制在电力设备中的应用
自适应控制在电力设备中的应用随着科技的不断进步，自适应控制在电力设备中的应用也越来越广泛。
本文将探讨自适应控制在电力设备中的意义、原理以及具体应用案例。
一、自适应控制的意义自适应控制是指系统能够根据环境的变化自动调整控制参数，以实现最佳的控制效果。
在电力设备中，自适应控制可以发挥重要的作用。
首先，电力设备的工作环境常常面临着不断变化的情况，例如温度、湿度等环境因素的变化，这会对设备的工作性能产生影响。
自适应控制可以根据环境变化自动调整控制参数，从而保证设备始终处于最佳工作状态。
其次，电力设备通常需要适应不同的负载情况，例如负荷大小、负荷波动等。
自适应控制可以根据负载情况自动调整控制参数，以保证设备稳定运行并提高效率。
二、自适应控制的原理自适应控制的原理可以简单概括为：感知、学习和调整。
电力设备中的自适应控制通常包括以下几个步骤：1. 感知阶段：通过传感器感知环境的变化和设备的工作状态。
例如，可以通过温度传感器监测设备的温度变化。
2. 学习阶段：根据感知到的数据对控制参数进行学习和优化。
学习算法可以根据具体情况选择，例如遗传算法、神经网络等。
3. 调整阶段：根据学习到的最佳参数，对控制系统进行调整，以实现最佳的控制效果。
调整可以通过改变输出信号、调整控制面板等方式实现。
三、自适应控制在电力设备中的应用案例1. 自适应电压控制系统电力设备中一个常见的应用是自适应电压控制系统。
这个系统可以根据电网的负荷情况自动调整电压输出，以满足负载的需求。
在负载变化大的情况下，传统的固定电压控制方法可能无法满足需求，而自适应电压控制系统可以根据实时负载情况调整输出电压，使其始终处于最佳状态。
2. 自适应发电机控制系统自适应发电机控制系统广泛应用于电力站和工业制造设备中。
这个系统可以自动调整发电机的输出功率和频率，以适应不同的负荷情况。
在负荷波动大的情况下，传统的固定功率控制方法可能无法保持稳定的频率，而自适应发电机控制系统可以根据负荷情况调整输出功率和频率，从而保持稳定的供电。
基于自适应控制的风力发电系统设计与优化
基于自适应控制的风力发电系统设计与优化近几年来，随着环保意识的日益提高和可再生能源的普及，风力发电系统逐渐成为了重要的能源来源。
然而，因为风速难以控制，风力发电系统的稳定性和效率一直是制约其发展的关键问题。
针对这一问题，自适应控制成为了一个理想的解决方案，本文将基于该技术进行风力发电系统的设计与优化。
一、自适应控制技术简介自适应控制是一种能够自动调整控制参数和结构的控制方法，适用于非线性、不确定或者经常变化的系统。
其核心思想是通过对系统内部状态的观测和反馈，使控制系统能够自我调整以适应不确定性和变化的环境。
在风力发电系统中，自适应控制可以帮助系统捕捉风速的变化并自动调整叶片转速以保持系统的稳定性和效率。
二、风力发电系统基本结构风力发电系统主要由叶片、转轴、发电机和控制系统四部分组成。
其中，叶片是系统的关键组件，其根据风速的变化自动调节转速以最大化发电效率。
转轴则将叶片的动能转换为旋转能量传递给发电机，通过发电机将旋转能量转换为电能。
控制系统则负责监测风速和调节叶片转速以保持系统的稳定性和效率。
三、自适应控制在风力发电系统中的应用在传统的风力发电系统中，控制系统的主要作用是根据预设的控制算法对叶片转速进行控制。
然而，由于风速的变化以及系统内部的不确定性，预设的控制算法难以适应实际环境。
此时，自适应控制便成为了一种更加合适的解决方案。
基于自适应控制的风力发电系统需要在控制系统中加入一个自适应模块，该模块通过对风速的实时测量和反馈，可以自动调整叶片转速以适应当前的环境变化。
在具体实现中，一般采用模糊控制、神经网络控制或遗传算法等技术来实现自适应模块。
四、风力发电系统的优化除了自适应控制，还有许多其他的优化技术也可以应用到风力发电系统中，以提升系统的效率和稳定性。
下面简要介绍几种常见的优化技术：1. 桨距角控制技术：该技术通过调整桨距角来控制叶片转速，实现风力发电的最大化。
对于变风速情况下的风力发电系统尤为重要。
伺服电机变负载自适应模糊控制方法
伺服电机变负载自适应模糊控制方法伺服电机是自动控制系统中广泛使用的一种电机类型，具有高精度、高速度、高可靠性、高稳定性的特点。
然而，在实际使用中，伺服电机常常会遇到负载变化、外界干扰等问题，导致控制系统失效，降低了电机的性能和效率。
因此，如何提高伺服电机的自适应性能，是当前伺服电机控制的研究重点之一。
伺服电机变负载自适应模糊控制方法就是一种优秀的伺服电机控制方法。
该方法通过建立伺服电机的数学模型，利用模糊控制理论中的模糊推理算法，快速响应负载的变化和外界干扰，使伺服电机能够自适应地调节控制指令，以达到最佳的控制效果。
具体而言，伺服电机变负载自适应模糊控制方法主要包括如下几个步骤：1、建立伺服电机数学模型，包括电机特性、传感器特性、控制器特性等参数。
2、设计模糊控制器，利用经验规则集来描述控制过程，包括“模糊化输入”、“模糊化输出”、“模糊规则库”和“模糊推理”等四个部分。
3、采集伺服电机的实时数据，并进行“模糊化输入”，将实际输入量转换为标准化的模糊输入量。
4、利用“模糊规则库”进行“模糊推理”，根据当前的输入和输出，得出当前的控制指令。
5、将“模糊输出”转换为标准控制量，并输出到伺服电机上。
通过这样的一系列操作，伺服电机变负载自适应模糊控制方法能够在变化的负载下，快速响应并调节控制指令，从而达到了优化伺服电机控制的效果。
值得注意的是，伺服电机变负载自适应模糊控制方法虽然在实际应用中表现出了很好的效果，但其设计和实施并不容易。
因此，在实际运用中，需要对伺服电机的具体应用场景和控制要求进行深入的分析和研究，逐步优化伺服电机的控制策略，从而实现更好的自适应性能和控制效果。
总之，伺服电机变负载自适应模糊控制方法是目前伺服电机控制领域的研究热点，它能够有效地提高伺服电机的控制精度和自适应性能，对于推进伺服电机的应用和发展具有重要的意义。
第三讲-自适应控制
第三讲 自适应控制自适应控制自适应控制也是一种鲁棒控制方法，前面所讲的所有鲁棒控制（包括变结构控制），它们的基本思想是基于被控对象与内环控制的不匹配及不确定性的最坏情形的估计而展开设计的，它们的内环控制律是固定的，外环控制增益根据不确定性的估计来设定；而自适应控制的基本思想是根据一些在线算法改变控制律中的增益值或其他参数，控制器在操作过程中“学得”一套合适的参数。
自适应控制尤其适合于机器人这种执行重复的作业任务的场合，通过不断的重复，自适应控制可以改善跟踪性能。
根据设计技术不同，机器人自适应控制分为三类，即模型参考自适应控制（MRAC ）、自校正自适应控制(STAC)和线性摄动自适应控制。
其控制器结构图如图5-4所示。
图5-4 自适应控制器的基本结构基于逆动力学的自适应控制本节主要讨论自适应控制在机器人控制问题上的应用。
刚性机器人适于自适应控制的一个关键特征是参数线性。
也就是说，虽然运动方程是非线性的，但如果把方程系数中连杆质量，惯性矩等参数分离出来却可以得到线性的关系，n 个连杆的刚性机器人动力学方程可以写成u p q q q Y q g q q q C qq M ==++),,()(),()( （5-1） 式中，),,(q qq Y 是n ×r 维矩阵；p 是r 维参数向量。
机器人界的学者在20世纪80年代中期得到了这一结果，随之第一个全局收敛的自适应控制律也出现了，这些自适应控制律的结果都是基于逆动力学展开的。
首先，系统动力学方程为 u p q q q Y q g q q q C qq M ==++),,()(),()( （5-2） 逆动力学控制律为ˆˆˆ()(,)()qu M q a C q q q g q =++ （5-3） 其中10()()dddq a q K q q K q q =---- （5-4）d q 是理想的轨迹，d q qe -=是位置跟踪误差。
ˆˆˆˆ,,,M C g p 分别为M ，C ，g ，p 的估计值。
自适应控制系统的设计与实现
自适应控制系统的设计与实现自适应控制系统是一种能够自动调节参数以适应环境变化的控制系统，它在许多工业自动化和控制应用中得到广泛应用，具有高效、灵活、适应性强的特点。
本文将介绍自适应控制系统的设计与实现，包括传统的自适应控制方法、模型参考自适应控制方法和自适应控制器的实现。
一、传统的自适应控制方法传统的自适应控制方法是通过在线识别系统模型，然后根据误差信号来调整控制器的参数，以实现良好的控制效果。
通常有以下几种方法：1. 最小二乘法：通过对输入信号和输出信号的采样，建立系统的模型，并通过最小二乘法求解模型参数。
然后通过误差信号来调整控制器参数，以减小误差。
2. 神经网络方法：利用神经网络来建立系统模型，然后根据误差信号来训练网络参数，以实现自适应控制。
3. 递归最小二乘法：根据系统输出信号来逐步优化系统模型，递归地更新模型参数，并根据误差信号来调整控制器参数。
以上方法在实际应用中有局限性，例如参数收敛速度慢、对环境变化适应度差。
因此模型参考自适应控制方法被提出。
二、模型参考自适应控制方法模型参考自适应控制（MRAC）方法是将环境变化视为干扰，引入一个理想模型作为参考模型，然后通过调整控制器参数，使得控制器输出与参考模型输出的误差最小，以实现自适应控制。
MRAC方法一般分为两类：直接调整和间接调整。
1. 直接调整法：通过直接调节控制器参数来使得控制器输出与参考模型输出误差最小。
例如，自适应模型预测控制（AMPC）方法，即利用自适应模型预测算法来实现控制器参数调整。
2. 间接调整法：通过间接调节某个量，再根据反馈原理将调节量转化为控制器参数的调整。
例如，基于误差反馈的自适应控制（EFC）方法，即通过误差反馈来调整参考模型，再根据参考模型与实际系统模型的差异来实现控制器参数调整。
MRAC方法具有较高的控制精度、适应性强和鲁棒性好的特点，广泛应用于许多控制系统中。
三、自适应控制器的实现自适应控制器的实现主要包括硬件和软件两个方面。
最优控制问题的自适应控制
最优控制问题的自适应控制自适应控制是一种能够根据系统状态和环境变化自动调整参数以实现最优控制的方法。
在最优控制问题中，我们的目标是找到一种控制策略，使系统在给定约束条件下实现最佳性能。
由于系统参数和环境条件的不确定性，传统的控制方法往往无法满足最优控制的要求。
因此，自适应控制成为解决最优控制问题的一种有效方法。
1. 自适应控制的基本原理自适应控制的核心思想是根据系统的反馈信息对控制器参数进行调整，以使系统保持在最优工作状态。
自适应控制通常具有以下两个基本模块：标识模块和调整模块。
标识模块通过对系统状态和性能的监测和分析，获得系统的实时动态特性。
这些特性可以包括系统的输出响应、误差、稳态性能等。
标识模块可以利用各种信号处理和系统辨识方法来实现。
调整模块根据标识模块提供的信息来调整控制器参数。
调整模块通常采用一些优化算法，如模糊逻辑控制、遗传算法、神经网络等，来搜索最优控制器参数。
通过不断地迭代和优化，调整模块能够使系统逐渐趋向最优工作状态。
2. 自适应控制的应用领域自适应控制在各种工业过程和控制系统中具有广泛的应用。
以下是一些常见的应用领域：2.1. 机械控制自适应控制可用于机械系统中的位置、速度和力控制。
例如，自适应控制可用于汽车发动机控制、飞机控制和机器人控制等领域。
通过自适应控制，可以实现对机械系统的快速响应和精确控制，提高系统的性能和稳定性。
2.2. 过程控制自适应控制在化工、制药和其他过程控制领域中也有广泛应用。
通过对系统的实时监测和参数调整，自适应控制可以使过程控制系统具有较好的鲁棒性和适应性，进而提高产品质量和生产效率。
2.3. 电力系统电力系统的稳定性和安全性是重要的考虑因素。
自适应控制可用于电力系统中的发电、输电和配电过程中。
通过自适应控制，可以保持电力系统的稳定性，并提高其响应速度和抗干扰能力。
3. 自适应控制的优势和挑战自适应控制具有以下优势和挑战：3.1. 优势自适应控制具有较好的适应性和鲁棒性，能够应对系统参数和环境变化。
智能电网中的负荷预测与优化控制
智能电网中的负荷预测与优化控制智能电网是以网络化通信、大数据、人工智能和新能源技术为特点的电力系统，可以实现电力生产、传输、分配和使用的智能化管理和调度。
负荷预测和优化控制作为智能电网中重要的技术手段，可以提高电力系统的稳定性、安全性和经济性。
一、负荷预测负荷预测是指根据历史数据、气象预报、节假日等因素，预测未来一定时间段内的负荷需求。
负荷预测可以为电力生产和调度提供决策参考，如预测潮流峰值，选择合理的机组组合，优化电力调度计划等。
现有的负荷预测技术主要包括时间序列分析、神经网络、灰色系统、支持向量机等方法。
时间序列分析是最早也是最常用的负荷预测方法，其原理是将时间序列分解为趋势、季节、循环等部分，并进行回归分析和误差修正。
神经网络是一种模拟人脑神经细胞之间联结关系的算法，其优点在于自适应性强，可以自动学习历史数据中的模式和规律。
灰色系统是一种非参数分析方法，适用于数据样本较少和复杂度较高的情况下。
支持向量机是一种基于统计学习理论的方法，可以将复杂的非线性问题转化为高维空间的线性问题，在数据量大、噪声干扰较大的情况下表现良好。
二、优化控制优化控制是指通过调整发电机组的出力、电力输送的路径和电力市场价值等手段，使得电力系统的性能指标最优化。
常见的优化目标包括最小化发电成本、降低损耗、优化电网结构、提高电力质量等。
优化控制主要分为静态优化和动态优化两种方法。
静态优化是指在某一时刻或一段时间内，通过对电力系统进行模拟计算和分析，确定最优的调度计划。
静态优化方法包括整数规划、线性规划、非线性规划、动态规划等。
动态规划是一种动态决策过程最优化的模型，通过逐步选择最佳控制状态和控制动作，使得系统的性能指标最优化。
动态规划方法需考虑随时间变化的电力需求和电力负荷，具有全局优化的能力，但计算复杂度较高。
动态优化是指在电力系统运行过程中，通过实时监测和预测电力负荷情况，采取相应的调整策略，使系统性能最优化。
动态优化方法包括模型预测控制、反演控制、自适应控制等。
- 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)。
图豫・黛Ｉ码与软件 ｄｏｉ：１０．１６１８０／ｊ．ｃｎｋｉ．ｉｓｓｎｌ００７—７８２０．２０１５．０８．０３８
ａ叶拭２０１５年第２８卷第８期
Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉ．＆Ｔｅｃｈ．／Ａｕｇ．１５．２０１５
负荷跟踪发电系统自适应控制方法 马立新，刘 春 （上海理工大学光电信息与计算机工程学院，上海２０００９３） 摘要随着智能电网的建设，电力系统要求发电机组既能快速响应负荷变化，又能保证自身安全经济地运行。 发电系统中锅炉蒸汽温度控制过程的动态特性随负荷的大小而变化，并且存在控制量和操作量产生相互干扰等问题。 文中提出了一种能够进行负荷跟踪的模型参考自适应控制系统，并利用梯度法推导出可以快速调节误差的参量调整机 构，以确保系统的稳定性和抗干扰性。并进行了数据仿真，其仿真结果表明，采用模型参考自适应控制系统能够得到 动态性能参数和控制效果，具有一定的理论指导意义和应用前景。 关键词智能电网；负荷跟踪；蒸汽温度控制系统；模型参考自适应控制系统 中图分类号ＴＰ２７３ 文献标识码Ａ 文章编号１００７—７８２０（２０１５）０８—１３４—０４
Ａｄａｐｔｉｖｅ Ｃｏｎｔｒｏｌ ｏｆ Ｌｏａｄ Ｔｒａｃｋｉｎｇ Ｐｏｗｅｒ Ｇｅｎｅｒａｔｉｏｎ Ｓｙｓｔｅｍ ＭＡ Ｌｉｘｉｎ，ＬＩＵ Ｃｈｕｎ （Ｓｃｈｏｏｌ ｏｆ Ｏｐｔｉｃａｌ—Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｈａｎｇｈａｉ ｆｏｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ ２０００９３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ １＇ｈｅ ｓｍａｒｔ ｅｌｅｃｔｒｉｃ ｐｏｗｅｒ ｓｙｓｔｅｍ ｒｅｑｕｉｒｅｓ ｂｏｔｈ ｆａｓｔ ｒｅｓｐｏｎｓｅ ｔｏ ｌｏａｄ ｃｈａｎｇｅ ａｎｄ ｓａｆｅ ａｎｄ ｅｃｏｎｏｍｉｃ叩一 ｅｒａｔｉｏｎ ｏｆ ｔｈｅ ｇｅｎｅｒａｔｉｎｇ ｓｅｔｓ．Ｔｈｅ ｄｙｎａｍｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｏｆ ｔｈｅ ｂｏｉｌｅｒ ｓｔｅａｍ ｔｅｍｐｅｒａｔｕｒｅ ｃｏｎｔｒｏｌ ｐｒｏｃｅｓｓ ｖａｒｉｅｓ ｗｉｔｈ ｌｏａｄ，ｔｈｕｓ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｍｕｔｕａｌ ｉｎｔｅｒｆｅｒｅｎｃｅ ｂｅｔｗｅｅｎ ｃｏｎｔｒｏｌ ｐａｒａｍｅｔｅｒｓ ａｎｄ ｏｐｅｒａｔｉｎｇ ｐａｒａｍｅｔｅｒｓ．Ｔｈｉｓ ｐａｐｅｒ ｐｕｔｓ ｆｏｒｗａｒｄ ａ ｍｏｄｅｌ ｒｅｆｅｒｅｎｃｅ ａｄａｐｔｉｖｅ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｃａｐａｂｌｅ ｏｆ ｌｏａｄ ｔｒａｃｋｉｎｇ，ａｎｄ ｄｅｒｉｖｅｓ ｂｙ ｔｈｅ ｇｒａｄｉｅｎｔ ｍｅｔｈｏｄ ｔｈｅ ｐａｒａｍｅｔｅｒ ａｄｊｕｓｔｉｎｇ ｍｅｃｈａｎｉｓｍ ｆｏｒ ｑｕｉｃｋ ａｄｊｕｓｔｍｅｎｔ ｏｆ ｅｌＴｏｒｓ ｉｎ ｏｒｄｅｒ ｔｏ ｅｎｓｕｒｅ ｓｙｓｔｅｍ ｓｔａｂｉｌｉｔｙ ａｎｄ ａｎｔｉ－ｊａｍｍｉｎｇ． Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｍｏｄｅｌ ｒｅｆｅｒｅｎｃｅ ａｄａｐｔｉｖｅ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ Ｃａｌｌ ａｃｈｉｅｖｅ ｂｅｔｔｅｒ ｄｙｎａｍｉｃ ｐｅｒｆｏｒｍａｎｃｅ ｐａｒａｍｅｔｅｒｓ ａｎｄ ｃｏｎｔｒｏｌ ｅｆｆｅｃｔ． Ｋｅｙｗｏｒｄｓ ｓｍａｒｔ ｇｒｉｄ；ｌｏａｄ ｔｒａｃｋｉｎｇ；ｓｔｅａｍ ｔｅｍｐｅｒａｔｕｒｅ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ；ＭＲＡＣＳ
目前传统的ＰＩＤ控制 已被广泛应用于大部分火 力发电厂，但对于主蒸汽温度的扰动因素较多且难以 控制的被控制对象，传统的ＰＩＤ控制要建立精确的数 学模型较为困难。因此，打破常规控制策略，以先进的 智能控制取代传统火电厂过程控制为首要任务。由上 述情况提出了具有参考模型的自适应控制系统＿２Ｉ４ Ｊ， 现今，该智能控制方法在飞机控制、导弹控制等领域被 广泛应用，其发展过程在文献［５］中描述。智能控监 测系统运行状况，并且与理想的运行状况做比对，根据 实际的运行参量做出调制方法可以实时调整，确保系 收稿日期：２０１４．１０－３１ 基金项目：国家自然科学基金资助项目（６１２０５０７６）；上海市 研究生创新基金资助项目（ＪｗＣＸＳＬ１３０２） 作者简介：马立新（１９印一），男，教授，博士。研究方向： 电力系统分析与优化运行，智能电网与智能学，电气设备状态 监测与诊断方法等。Ｅ—ｍａｉｌ：ｍａｌｘ—ａｉｉ＠ｓｉｎａ．ＣＯｒｎ。刘春 （１９８８一），女，硕士研究生。研究方向：发电设备的智能控 制方式。Ｅ—ｍａｉｌ：７８１１５７５０８＠ｑｑ．ｃｏｍ 统在当前环境条件中的运行最优或者次最优状态。本 文在给出理论描述的同时，通过实时参量数据仿真，验 证了文中方法的可行性。
１蒸汽温度控制系统 如图１所示，由于主蒸汽过热器运行时间常数较 长，过热器人口的蒸汽温度通过过热器预测热交换量， 决定过热器出口温度。过热器人口的蒸汽温度通过向 人口处蒸汽中混合给水控制，最终使过热器出口的蒸 汽温度值控制在规定数值内。蒸汽在高压缸中做功结 束后，被送人再热器中进行下一次加热，然后作为再热 蒸汽送入中压缸中。整个过程采用的是常规ＰＩＤ 控制 。 在这个运行过程中，仍存在控制过程上的问题，由 于在主过热器与再热器中进行的再循环燃烧气体的热 量交换，所以调节燃烧气体的再循环量可以满足控制 再热蒸汽的温度要求，但这样主蒸汽的温度也会受到 影响；其次，如果改变了主过热器入口的蒸汽温度，那
１３４——ＷＷＷ．ｄｌａｎｚｉｋｅｊｉ．ｏｒｏ 马立新，等：负荷跟踪发电系统自适应控制方法 图像・编码与软件 么在主过热器里的燃烧气体到蒸汽的热交换率就会相 应受到影响，从而影响了燃烧气体的温度以及再热蒸 汽。常规的控制方法对多控制量的相互影响处理效果 较差，使得控制系统对负荷的跟踪效果较差。
给水 图１ 蒸汽温度控制系统
２模型参考自适应控制系统原理 针对以上问题，提出了模型参考自适应控制系统 （Ｍｏｄｅｌ Ｒｅｆｅｒｅｎｃｅ Ａｄａｐｔｉｖｅ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ，ＭＲＡＣＳ）。它 使得被控对象紧跟参考模型的动态特性，并可以解决主 蒸汽温度多个状态影响下不断变化的问题，使得误差很 快的趋近于稳定，控制效果较为理想。为了达到被控对 象的控制期望从而建立了ＭＲＡＣＳ的参考模型。 如图２所示，给参考模型和被控对象分别加入相 同的目标输入信号，而控制期望是由参考模型的输出 结果或运行状态给出。基于以上描述，ＭＲＡＣＳ的基本 工作原理为：在控制过程运行中，被控对象的动态总是 追踪参考模型的动态，并与之相统一。当两者输出状 态产生误差时，系统的参数调整机构发挥作用，通过调 整自身系数使被控对象的某些参数发生改变，最终尽 可能的减小被控对象输出结果与参考模型运行结果的 偏差。控制器参量是参量调整机构在得到Ｙ ，Ｙ和ｅ 等状态变量后，通过一定的算法获得，通过不同算法获 得的参量调整机构所需的状态向量会有所不同，在收 敛时，对象模型和控制律的对应关系传递函数与参考 模型传递函数运行结果一致，从而实现模型跟踪，因 此，当对象模型发生变化时，为了达到模型跟踪的目 的，控制器参量需要实时更新 Ｊ。
目 输
设备输出 图２ ＭＲＡＣＳ结构框图 控制器选择一个可调增益 ，定义被控对象设备 的实际输出为 ；参考模型在负荷输人作用下得到的 输出为Ｙ ，被控对象设备实际输出与参考模型输出的 广义偏差为ｅ。设参考模型的传递函数
Ｇｍ－ （１） 被控对象设备的传递函数 Ｇ＝而ＫｃＮ（ｓ） （２）
广义误差 ｅ＝Ｙ 一Ｙ （３） 设所选性能指标为
ＩＰＲＭ＝÷ｆ ｅ２ｄｒ （４） 下面建立参量调整机构，为使性能指标ＩＰＲＭ取到 最小值，对可调增益Ｋ。做出调整。假定可调增益 为不变的可调增益初值Ｋ∞及可变的增益部分ＡＫ 表 示，即 Ｋｃ＝ＡＫｃ＋Ｋ∞ （５） 用梯度法计算参数调整机构。在以性能指标ＩＰ 所构成的一个超曲面上进行整个搜索过程，如图３所 示。假设起点为点Ａ，其性能指标值为ＩＰＲＭ。，然后沿负 梯度方向搜索到性能指标值为ＩＰ 的１点，接着搜索 到２点，一直搜索到性能指标达到最小值的ｎ点，且有 ＩＰＲＭ＞ＩＰＲＭ１＞ＩＰＲＭ２＞…＞ＩＰＲＭ 。任一直面的梯度为
ｇｒａｄｌＰＲ．－ （６） ＩＰ 等位面 ＩＰ ３参量调整机构的设计
ＭＲＡＣＳ的参量调整机构可由不同方法获取，如梯 度法、超稳定理论、李雅普诺夫稳定理论等，无论方法 如何，其结果通常是等价的。本文采用梯度法 “ 推 算参量调整机构。
ＷＷＷ．ｄｌａｎｚｉｋｅｊｉ．ｏｒｇ 图３沿负梯度方向的搜索过程 图像・编码与软件 马立新，等：负荷跟踪发电系统自适应控制方法 将式（４）带人式（６）中，可得 ｇｒａｄＩＰ ＝ ｔＯ‘ ） ｄ （７） 口Ｊ Ｃ 定义搜索步长为Ａ，然后按性能指标负梯度方向搜索 一个步长， 的改变量为 △Ｋｃ＝一ＡｇｒａｄＩＰＲＭ （８） 将式（７）和式（８）代入式（５），可得 Ｋｃ—ＡｇｒａｄＩＰＲＭ＋Ｋｃ０一Ａ ｔ ） ¨ （９） 所以当考虑到ｅ＝Ｙ 一Ｙ时，可得 Ｋ。一Ａｅ ＝Ａｅ （１０） 式（１０）即为调整Ｋ。的参数调整结构。其中ａｙ／ＯＫ 称为可调系统输出对可调增益 的“敏感度函数”。 由于系统中高频干扰的存在，微分元件在构成系统时 要避免使用，因此在参数调整结构中敏感度函数ａｙ／ ａ 也要尽量避免使用，为此要作如下变换。对于本 文中并联的ＭＲＡＣＳ来说，参考模型的传递函数和被 控对象设备的传递函数都已经给出。 由式（１）和式（２）得 Ｙ（ｓ）＝ （５） （１１） 故有 ＝ （１２） 把结果代入式 ｔ￣＝Ａｅ ＝ ） （１３） 其中， ＝ 为常数，式（１０）即为参数调整结构。 ４仿真分析 根据以上理论分析，在Ｍａｔｌａｂ中建立模型，并通 过仿真验证理论的可行性。取某３００ ＭＷ锅炉主蒸汽 温度控制系统在负荷为３０％下测得的过热器动态特 性，如表１所示，采用一阶系统作为被控对象设备的广 义传递函数，并选取相同结构的参考模型传递函数，如 表２所示。 表１ 负荷为３Ｏ％下测得的过热器的动态特性 导前区 惰性区 ＝ 表２被控对象设备及参考模型的传递函数 被控对象 参考模型 Ｇ㈤＝ Ｇ ）＝ ２ 输入对象采用实事负荷数据，负荷变化为２１０～ ３５０ ＭＷ，将建立的系统模型与传统控制方法效果进行 对比。结果如图４～图８曲线所示。 ３６０ ３２０ ＝ 瑭２８０
２４０ ２００
０ 赠
０ ６００ ｌ ２００ １ ８００ ２４００ 时问，ｓ
图４负荷输入图线
０．Ｏ２ 嚣 。 赠一Ｏ．Ｏ２