：本發(fā)明涉及計(jì)算機(jī)人工智能，具體涉及基于多變量模型預(yù)測(cè)控制的亞臨界機(jī)組負(fù)荷實(shí)時(shí)控制方法。

背景技術(shù)

0、
背景技術(shù)：

1、風(fēng)能、太陽(yáng)能等可再生能源具有隨機(jī)性、間歇性和波動(dòng)性等特點(diǎn)，近年來(lái)風(fēng)電并網(wǎng)消納問題日益突出。為此，發(fā)電機(jī)組的靈活性和動(dòng)態(tài)能效性成為相關(guān)科研人員的研究重點(diǎn)。

2、火電機(jī)組的負(fù)荷控制主要是將發(fā)電機(jī)組由一個(gè)穩(wěn)態(tài)控制到另一個(gè)穩(wěn)態(tài)，模型預(yù)測(cè)控制能夠處理多變量和各種約束條件，是一種魯棒的控制方法，被廣泛應(yīng)用到電廠領(lǐng)域。為實(shí)現(xiàn)期望的閉環(huán)性能，關(guān)鍵在于建立一個(gè)可靠的、能夠準(zhǔn)確預(yù)測(cè)未來(lái)狀態(tài)演變的鍋爐汽輪機(jī)模型?，F(xiàn)有的成熟的模型預(yù)測(cè)控制技術(shù)大多采用線性模型，用非線性模型進(jìn)行實(shí)際控制的應(yīng)用非常困難。深度調(diào)峰靈活運(yùn)行和煤質(zhì)變化導(dǎo)致發(fā)電機(jī)組呈現(xiàn)出強(qiáng)烈的時(shí)變非線性，加之本身具有的大滯后和大慣性，使得很難通過(guò)一種顯示的線性模型來(lái)表征輸入和輸出的關(guān)系，進(jìn)而導(dǎo)致機(jī)組負(fù)荷響應(yīng)速度慢，機(jī)組靈活性達(dá)不到深度調(diào)峰的需求。

3、需要說(shuō)明的是，上述內(nèi)容屬于發(fā)明人的技術(shù)認(rèn)知范疇，并不必然構(gòu)成現(xiàn)有技術(shù)。

技術(shù)實(shí)現(xiàn)思路

0、
技術(shù)實(shí)現(xiàn)要素：

1、本發(fā)明的目的在于解決現(xiàn)有技術(shù)所存在的問題，提供基于多變量模型預(yù)測(cè)控制的亞臨界機(jī)組負(fù)荷實(shí)時(shí)控制方法，有效提高機(jī)組的負(fù)荷響應(yīng)特性并提升其經(jīng)濟(jì)性能，適應(yīng)大范圍的工況變化，滿足調(diào)峰調(diào)頻需求。

2、本發(fā)明通過(guò)采取以下技術(shù)方案實(shí)現(xiàn)上述目的：

3、基于多變量模型預(yù)測(cè)控制的亞臨界機(jī)組負(fù)荷實(shí)時(shí)控制方法，包括以下步驟：

4、s1、基于lstm模型建立亞臨界機(jī)組發(fā)電負(fù)荷和主蒸汽流量的時(shí)序預(yù)測(cè)模型；

5、s2、基于s1預(yù)測(cè)的數(shù)據(jù)和歷史運(yùn)行數(shù)據(jù)，先進(jìn)行工況在線識(shí)別和負(fù)荷段劃分，然后用最小二乘法實(shí)時(shí)辨識(shí)亞臨界機(jī)組不同負(fù)荷段的狀態(tài)空間方程，建立多段線性狀態(tài)空間方程組；

6、s3、基于s2的多段狀態(tài)空間方程組設(shè)計(jì)控制器，通過(guò)二次規(guī)劃來(lái)優(yōu)化求解獲取未來(lái)時(shí)刻的最優(yōu)控制量，對(duì)當(dāng)前實(shí)際控制量進(jìn)行提前校正，提升負(fù)荷響應(yīng)速率。

7、在s1中，首先讀取電廠運(yùn)行數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行異常值處理、噪聲去除和延遲時(shí)間計(jì)算，所述數(shù)據(jù)包括狀態(tài)變量和控制變量，所述狀態(tài)變量包括發(fā)電負(fù)荷和主蒸汽流量，所述控制變量包括燃料流量調(diào)節(jié)閥開度、給水流量調(diào)節(jié)閥開度和總風(fēng)量，設(shè)定

8、x＝[x1,x2]t

9、u＝[u1,u2,u3]t

10、式中，x為狀態(tài)變量的時(shí)間序列，x1為發(fā)電負(fù)荷的時(shí)間序列，x2為主蒸汽流量的時(shí)間序列；u為控制變量的時(shí)間序列，u1為燃料流量調(diào)節(jié)閥開度的時(shí)間序列，u2為給水流量調(diào)節(jié)閥開度的時(shí)間序列，u3為總風(fēng)量的時(shí)間序列；

11、其次，構(gòu)建lstm模型，用上述采集的數(shù)據(jù)對(duì)lstm模型進(jìn)行訓(xùn)練，以rmse為評(píng)價(jià)標(biāo)準(zhǔn)，將當(dāng)前時(shí)刻控制變量的輸入和上一時(shí)刻輸出的狀態(tài)變量為lstm模型的輸入，下一時(shí)刻lstm模型的輸出為狀態(tài)變量的預(yù)測(cè)數(shù)據(jù)。

12、在s2中，具體步驟如下：

13、s21、根據(jù)亞臨界機(jī)組發(fā)電負(fù)荷預(yù)先劃分好負(fù)荷段：

14、設(shè)置基于25％的亞臨界發(fā)電機(jī)組額定最高發(fā)電負(fù)荷的負(fù)荷段；

15、設(shè)置基于50％的亞臨界發(fā)電機(jī)組額定最高發(fā)電負(fù)荷的負(fù)荷段；

16、設(shè)置基于75％的亞臨界發(fā)電機(jī)組額定最高發(fā)電負(fù)荷的負(fù)荷段；

17、設(shè)置基于100％的亞臨界發(fā)電機(jī)組額定最高發(fā)電負(fù)荷的負(fù)荷段；

18、s22、基于s1得到的預(yù)測(cè)數(shù)據(jù)，進(jìn)行工況在線辨識(shí)，將數(shù)據(jù)劃分到上述不同負(fù)荷段；

19、s23、基于s1得到的發(fā)電負(fù)荷和主蒸汽流量的預(yù)測(cè)數(shù)據(jù)，基于最小二乘法辨識(shí)建立不同負(fù)荷段的狀態(tài)空間方程組，通過(guò)最小化實(shí)際值與預(yù)測(cè)模型的預(yù)測(cè)值之間的殘差平方和來(lái)找到最佳參數(shù)：

20、

21、式中，y是觀測(cè)輸出矩陣，即狀態(tài)變量輸出值x(k+1)，x為輸入值，即狀態(tài)變量x(k)和控制變量u(k)，θ是待估計(jì)的系統(tǒng)矩陣，包括a,b，通過(guò)模型辨識(shí)最終可以建立如下狀態(tài)空間方程組：

22、

23、式中，ai，bi是不同工況點(diǎn)線性化后得到第i個(gè)局部模型的狀態(tài)轉(zhuǎn)移矩陣。

24、在s3中，具體實(shí)施步驟如下：

25、s31、設(shè)定目標(biāo)函數(shù)為：

26、minj＝j(luò)r+je??????????????????????????????(3)

27、

28、

29、式中，jr為系統(tǒng)調(diào)節(jié)指標(biāo)，je為經(jīng)濟(jì)指標(biāo)，x(k+j)為在k時(shí)刻對(duì)狀態(tài)變量在k+j時(shí)刻的預(yù)測(cè)值，xd(k+j)為狀態(tài)變量在k+j時(shí)刻的狀態(tài)變量跟蹤值，u(k+j)是k+j時(shí)刻的控制變量，x1(k+j)為k+j時(shí)刻的發(fā)電負(fù)荷，u1(k+j)為k+j時(shí)刻的燃料流量調(diào)節(jié)閥開度，s為末端誤差權(quán)重，q為運(yùn)行誤差權(quán)重，r輸入量權(quán)重，e為發(fā)電負(fù)荷的權(quán)重系數(shù)，g為燃料量的權(quán)重系數(shù)；

30、s32、目標(biāo)函數(shù)的優(yōu)化求解：

31、在模型預(yù)測(cè)控制中，需要在每個(gè)時(shí)刻通過(guò)預(yù)測(cè)模型來(lái)計(jì)算未來(lái)一段時(shí)間內(nèi)的最優(yōu)控制輸入，根據(jù)負(fù)荷段的狀態(tài)空間方程為：

32、x(k+1)＝ax(k)+bu(k)????????????????????????(6)

33、式中，x(k)為2×1向量，a為2×2矩陣，b為2×3矩陣，u(k)為3×1向量；引入跟蹤目標(biāo)xd得到狀態(tài)空間方程的增廣形式：

34、

35、ad為跟蹤目標(biāo)的狀態(tài)轉(zhuǎn)移矩陣：

36、

37、狀態(tài)空間方程可化為：

38、xa(k+1)＝aaxa(k)+bau(k)??????????????????????(9)

39、對(duì)未來(lái)時(shí)刻的狀態(tài)預(yù)測(cè)可由下式表示：

40、

41、可以表示為：

42、xa(k)＝mxa(k)+nu(k)????????????(11)

43、又因?yàn)椋?/p>

44、

45、

46、優(yōu)化指標(biāo)可以轉(zhuǎn)化為：

47、

48、

49、將初始值的代價(jià)從加和中提取出來(lái)，優(yōu)化目標(biāo)展開后可得：

50、

51、

52、

53、可得：

54、

55、將式(11)帶入式(17)，可得到優(yōu)化目標(biāo)的最終展開式：

56、

57、第一項(xiàng)是由初始狀態(tài)決定的，不受控制變量u(k)的影響，進(jìn)行優(yōu)化計(jì)算時(shí)可以忽略，定義：

58、

59、最終指標(biāo)可以化為二次規(guī)劃標(biāo)準(zhǔn)形式：

60、

61、最后用matlab軟件工具包進(jìn)行求解優(yōu)化值即可。

62、本發(fā)明采用上述方法，能夠帶來(lái)如下有益效果：

63、(1)采用lstm神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型，能夠有效解決鍋爐燃燒系統(tǒng)的非線性、大容量和時(shí)滯的問題；(2)采用多線性模型來(lái)逼近該非線性模型，既能精準(zhǔn)的表征輸入與輸出關(guān)系又便于實(shí)際的應(yīng)用控制；(3)針對(duì)多段狀態(tài)空間方程組設(shè)計(jì)控制器，通過(guò)二次規(guī)劃來(lái)優(yōu)化求解獲取未來(lái)時(shí)刻的最優(yōu)控制量，對(duì)當(dāng)前實(shí)際控制量進(jìn)行提前校正。本技術(shù)的方法有效提高機(jī)組的負(fù)荷響應(yīng)特性并提升其經(jīng)濟(jì)性能，適應(yīng)大范圍的工況變化，滿足調(diào)峰調(diào)頻需求。