【技術實現步驟摘要】
本專利技術屬于超超臨界火力發電機組模型預測控制領域，具體涉及一種基于數據驅動和tube優化的超超臨界機組模型預測控制方法。
技術介紹
1、火電機組熱工自動化是保障設備安全和提高機組經濟性的重要技術措施。由于超超臨界機組系統結構復雜，熱工過程存在非線性、強耦合、不確定等特性，給控制帶來很多困難；大尺度空間場、高溫、磨損、振動、腐蝕等復雜環境給信號測量帶來極大困難；國內機組面臨煤質波動、電網頻繁要求大幅快速負荷調整、超超臨界機組超溫超壓問題多、節能環保任務重等復雜情況，常規pid+前饋控制器在熱工過程的控制中效果有限。同時，在實際應用中，系統不可避免的會受到不確定的擾動，使系統狀態偏離標稱軌跡。
2、因此，采用一種合理的控制方法，在盡可能簡化的情況下，能夠快速且合理的調節輸入參數，提高系統的響應速度，同時滿足在多負荷條件下，均能抑制相關擾動，調節并穩定在標準要求輸出范圍內，進而提高電力生產過程的效率，實現對超超臨界機組合理的智能控制。
技術實現思路
1、為了克服現有技術的不足，為了提高超超臨界機組電力生產過程的性能，達到更加快速精確的控制效果，本專利技術提供了一種基于數據驅動和tube優化的超超臨界機組模型預測控制方法，首先，將運行工況劃分為多個工況點，根據輸入輸出對應的不同工況，選擇對應系統動態特性的模型類以適應對應的熱工對象；然后，采用改進的粒子群優化神經網絡算法(pso-bpnn)對電廠大量的數據參數進行辨識，得到高精度的適用于超超臨界機組三輸入三輸出的具體模型；最后
2、為了解決上述技術問題本專利技術提供如下技術方案：
3、一種基于數據驅動和tube優化的超超臨界機組模型預測控制方法，包括以下步驟：
4、s1：獲取超超臨界機組輸入輸出的歷史運行數據，將協調控制系統輸入輸出數據的量綱統一，并對所有建模數據進行零初值處理；然后選取熱工對象合適的動態模型，采用改進的基于粒子群優化的神經網絡算法對系統進行模型辨識；
5、s2：以超超臨界機組三輸入三輸出參數控制要求作為約束，設計管道tube集合x，通過控制律將系統的狀態x控制在集合x中，得到新的價值函數j；
6、s3：以目標價值函數值最小為優化目標，采用神經網絡算法對其進行尋優求解，按照既定軌跡對系統進行滾動優化和矯正，實現模型預測控制mpc。
7、進一步，所述步驟s1中，采用改進的基于粒子群優化下的反向傳播神經網絡算法對系統進行模型辨識，包括以下子步驟：
8、s1-1.獲取超超臨界機組輸入變量u(t)，輸出變量y(t)的歷史運行數據，對數據進行零初值處理，其中零初值計算公式如下：
9、
10、式中：e表示系統預估的初始點個數，u*(k)為零初值處理后的輸入變量，y*(k)為零初值處理后的輸出變量；
11、構建超超臨界機組三輸入三輸出模型，如下：
12、
13、式中：n表示機組負荷，p表示主蒸汽壓力，t表示中間點溫度；b表示給煤量，μ表示主閥門開度，w表示給水量；g為對應輸入輸出的函數矩陣；
14、s1-2.采用權重線性遞減的粒子群算法pso)在整個空間中搜索神經網絡空間維數m，其中，遞減權重計算公式如下：
15、
16、ωmin＝0.4，ωmax＝0.9???????????????????(4)
17、式中：ω為權重值，ωmin為最小權重值，ωmax為最大權重值，t為當前迭代次數；
18、s1-3.設計神經網絡拓撲結構，根據超超臨界機組輸入輸出序列確定輸入層節點數n＝4，隱藏層節點數l＝20，輸出層節點數m＝4，利用權重遞減粒子群尋優結果初始化神經網絡的初始權值和閾值，取學習速率c＝0.3對神經網絡進行迭代更新。
19、再進一步，所述步驟s2中，根據系統辨識黑箱結果，構建系統離散狀態空間方程，基于解決tube?mpc的優化控制問題一般形式，優化算法基于rigid?tube，采用分離控制律將系統確定部分和不確定部分分離，得到確定的名義系統部分和不確定部分，通過求解正魯棒不變集，確定管道集合xk+j，得到新的價值函數j，包括以下子步驟：
20、s2-1.基于tube的mpc優化控制如下所示：
21、
22、式中：j為時間變量，t表示預測步長，ls(xk+j)表示對集合xk+j形狀的懲罰，l(v)表示對決策變量v的懲罰，lf(xk+n)為終端懲罰；
23、采用遞歸法保證系統狀態待在對應的tube中；
24、s2-2.采用分離控制律將系統確定部分和不確定部分分離開來，得到確定的名義系統部分：
25、
26、式中：u為系統的反饋輸入，k為狀態反饋增益矩陣，以k時刻狀態xk表示當前狀態，為名義系統部分狀態變量，a為狀態代價權重矩陣，h為決策代價權重矩陣；
27、對正式系統來說，只需要確?？刂泼x系統狀態，對于不確定部分不做考慮；
28、s2-3.本專利技術所用tube形式為:
29、
30、uk+j＝vk+j+ksr?????????????????(8)
31、式中：uk+j為反饋輸入變量集合，sr為正魯棒不變集；
32、因此，mpc的控制優化問題轉換為：
33、
34、式中：q為狀態變量權重矩陣，r為控制變量權重矩陣，
35、
36、更進一步，所述步驟s3中，以目標函數值最小為優化目標，基于模型預測控制算法對目標函數進行尋優求解，得到最終結果，包括以下子步驟：
37、s3-1.tube模型預測控制的價值函數為：
38、
39、為簡化求解過程，權重矩陣r和q設計為對稱正定矩陣：
40、rxi＝rxii?????????????????????????????????(11)
41、qv＝qvi??????????????????????????????????(12)
42、式中：i為單位矩陣，rxi是狀態變量的權重系數，qv是控制變量的權重系數，rxi為對稱正定控制變量權重矩陣，qv為對稱正定狀態變量權重矩陣；
43、s3-2.結合超超臨界機組數據辨識的模型參數，可得某時刻線性化平均狀態方程為：
44、x(k+1)＝apx(k)+bpu(k)+fpd(k)?????????(13)
45、式中：ap為系統變量權重矩陣，bp為控制輸入權重矩陣，fp為外部干擾本文檔來自技高網...
【技術保護點】
1.一種基于數據驅動和Tube優化的超超臨界機組模型預測控制方法，其特征在于，所述方法包括以下步驟：
2.如權利要求1所述的基于數據驅動和Tube優化的超超臨界機組模型預測控制方法，其特征在于，所述步驟S1中，采用改進的基于粒子群優化的神經網絡算法對系統進行模型辨識包括以下步驟：
3.如權利要求2所述的基于數據驅動和Tube優化的超超臨界機組模型預測控制方法，其特征在于，所述步驟S2中，根據系統辨識結果，構建系統離散狀態空間方程，采用分離控制律將系統確定部分和不確定部分分離，得到確定的名義系統部分，通過求解正魯棒不變集，確定管道集合Xk+j，得到新的價值函數J，包括以下步驟：
4.如權利要求3所述的基于數據驅動和Tube優化的超超臨界機組模型預測控制方法，其特征在于，所述步驟S3中，以目標函數值最小為優化目標，基于模型預測控制算法對目標函數進行尋優求解，得到最終結果，包括以下步驟：
【技術特征摘要】
1.一種基于數據驅動和tube優化的超超臨界機組模型預測控制方法，其特征在于，所述方法包括以下步驟：
2.如權利要求1所述的基于數據驅動和tube優化的超超臨界機組模型預測控制方法，其特征在于，所述步驟s1中，采用改進的基于粒子群優化的神經網絡算法對系統進行模型辨識包括以下步驟：
3.如權利要求2所述的基于數據驅動和tube優化的超超臨界機組模型預測控制方法，其特征在于，所述步驟s2中，...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。