平圩电厂先进控制系统介绍

《平圩电厂先进控制系统介绍》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、摘要：利用改进的神经网络技术和MPC控制理论，建立电厂锅炉燃烧的动态优化控制模型，用于实吋优化有关参数，闭环动态控制锅炉的燃烧过程，改善锅炉燃烧状况，达到提高锅炉燃烧效率、减少污染物排放的目的。一、引言燃煤发电厂在生产电力的同时，消耗了大量宝贵的煤炭资源，排放了大量的污染物，因此，节能、降耗和减排是发电企业面临的一大课题。全厂的优化控制建立在单台机组优化控制的基础上，在火电发电成本中，燃料费用一般要占70%以上。因此，通过优化控制，提高锅炉燃烧系统的运行水平对机组的节能降耗和减排具有十分重要意义。锅炉燃烧是个复杂的物理化学过程，涉及到燃烧学

2、、热力学、传热学、流体力学等多个学科。锅炉燃烧状况除受到有关调整控制参数影响外，还要受到机组负荷、媒质、坏境温度等随机因素彩响，是典型的多输入、多输出、非线性、大延吋的复杂系统，不容易建立机理控制模型。传统的DCS控制基于PID控制器，PID控制器使用方便、运行安全可靠，但也有它的致命弱点，很难处理好以下问题：＞输入和输出的多变量之间的关系，特别是输入与输入或输岀与输出有相互影响的耦合关系时。＞变量的延迟和非线性。＞控制品质，总是一个在震荡过程中逐步稳定的过程，如果工作区域较大，控制震荡幅度可能有一定的难度。＞同时满足其他多个条件的限制。本

3、文利用改进的神经网络和多变量预测性控制技术，针对安徽淮南平号发电公司2号600MW机组，建立了以锅炉效率、N0,和机组热耗为优化控制目标的模型，并与DCS系统充分柔性耦合，实现在线滚动优化和实时闭环控制，连续寻找锅炉燃烧的最优点，并据此同时调整多个相关参数，实现参数合理匹配，以达到优化和控制机组经济运行的目的。二、原理简述模型预测控制算法包括三个关键的技术问题，即过程模型、非线性优化和自适应算法。只有在这个几个方而都提供优秀的解决方案，才可能使整个控制算法达到良好的性能。用于在线优化的对象模型是模型预测算法的基础。传统辨识方法取线性时不变的

4、离散参数化模型来建立过程模型，模型结构确定后，采用最小二乘法或极值法来计算模型参数。过程的非线性特性的影响通过在线周期性更新校正模型参数来补偿，或者由分布在工作区域的一组局部线性模型来表示。然而当操作条件或扰动引起过程从线性化工作点漂移时，基于线性模型的控制器的控制性能可能产生很大的偏离，此时一个包容对象所有工作区域的非线性模型对设计控制器应该更加有利，应用神经网络建模技术就可以解决这一问题。BP神经网络是目前人工神经网络中研究最深入、应用最为广泛的一种模型，但在实际应用过程中，BP人工神经网络存在训练速度慢，对劣质样木的抗干扰能力弱，在线

5、纠正速度慢等问题。针对这些实际问题，我们对这些算法进行了多项重要改进。包括对训练样本进行自适应聚类，以聚类中心来代表一个区域的样本。采用了马夸特全局收敛的训练算法，极大的提高了训练速度，提高了在线采集样本纠正模型的能力。目标函数反映优化控制对象的经济指标，目标函数的求解一般是在某些约束条件（包括以对象模型为约束条件的等式方程）限制下求解极值，一般描述为：J二min了（可冰2,…，耳）,st.gi

6、有特别有效的快速算法。而滚动优化需要在线计算，所以每次计算都有吋间上的约束。传统数值算法很难解决这个问题。我们采用了基于遗传算法的非线性最优化算法来解决这个问题。它是通过既定规则的随机搜索进行优化，通过仿真进化过程的重组、突变、和选择找到新的搜索点，它们的目标函数平均值要比它们的祖先更优。由于仿真进化的进程可以随时终止，这样可以方便的通过调整参数来控制计算时间与寻优质量之间的折中。由于遗传算法的稳定性较差，很难保证每次求解都能获得较满意的效果，这是实际应用中比较突出的因难。针对这一特点，结合模型预测控制需要不断进行滚动优化的特征，实现了不但

7、在单次优化中使用仿真进化计算，而且在多次滚动优化间保留较优种群，作为下一次计算的起点，极大的减少了计算量，提高了单次优化结果的质量。模型控制算法采用二次在线滚动优化性能指标和反馈校正的策略，来克服受控对象建模误差和结构、参数与环境等不确定性因素的影响，有效弥补了传统控制算法对复杂受控对象控制效果很差的问题。模型预测算法包括以下三个主要特征：＞预测模型：采用人工神经网络模型作为模型预测控制的基础模型，模型适用性强，训练速度快，而且不需要对过程机理给出准确的数学描述。＞反馈校正：由于存在非线性时变、测量仪表漂移、模型失配和外界环境干扰等不确定性

8、因素，使基于模型的预测不可能与实际完全相符。针对以人工神经网络作为内部模型的算法体系，利用神经网络可以在线训练的特点把有偏差的数据送入神经网络模型进行训练，从而减小模型预测偏差。