平圩電廠先進(jìn)控制系統(tǒng)介紹

摘要：利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)技術(shù)和MPC控制理論，建立電廠鍋爐燃燒的動態(tài)優(yōu)化控制模型，用于實(shí)時優(yōu)化有關(guān)參數(shù)，閉環(huán)動態(tài)控制鍋爐的燃燒過程，改善鍋爐燃燒狀況，達(dá)到提高鍋爐燃燒效率、減少污染物排放的目的。一、引言燃煤發(fā)電廠在生產(chǎn)電力的同時，消耗了大量寶貴的煤炭資源，排放了大量的污染物，因此，節(jié)能、降耗和減排是發(fā)電企業(yè)面臨的一大課題。全廠的優(yōu)化控制建立在單臺機(jī)組優(yōu)化控制的基礎(chǔ)上，在火電發(fā)電成本中，燃料費(fèi)用一般要占70%以上。因此，通過優(yōu)化控制，提高鍋爐燃燒系統(tǒng)的運(yùn)行水平對機(jī)組的節(jié)能降耗和減排具有十分重要意義。鍋爐燃燒是個復(fù)雜的物理化學(xué)過程，涉及到燃燒學(xué)、熱力學(xué)、傳熱學(xué)、流體力學(xué)等多個學(xué)科。鍋爐燃燒狀況除受到有關(guān)調(diào)整控制參數(shù)影響外，還要受到機(jī)組負(fù)荷、媒質(zhì)、環(huán)境溫度等隨機(jī)因素影響，是典型的多輸入、多輸出、非線性、大延時的復(fù)雜系統(tǒng)，不容易建立機(jī)理控制模型。傳統(tǒng)的DCS控制基于PID控制器，PID控制器使用方便、運(yùn)行安全可靠，但也有它的致命弱點(diǎn)，很難處理好以下問題：A輸入和輸出的多變量之間的關(guān)系，特別是輸入與輸入或輸出與輸出有相互影響的耦合關(guān)系時。＞變量的延遲和非線性。＞控制品質(zhì)，總是一個在震蕩過程中逐步穩(wěn)定的過程，如果工作區(qū)域較大，控制震蕩幅度可能有一定的難度。＞同時滿足其他多個條件的限制。本文利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)和多變量預(yù)測性控制技術(shù)，針對安徽淮南平圩發(fā)電公司2號600MW機(jī)組，建立了以鍋爐效率、NO*和機(jī)組熱耗為優(yōu)化控制目標(biāo)的模型，并與DCS系統(tǒng)充分柔性耦合，實(shí)現(xiàn)在線滾動優(yōu)化和實(shí)時閉環(huán)控制，連續(xù)尋找鍋爐燃燒的最優(yōu)點(diǎn)，并據(jù)此同時調(diào)整多個相關(guān)參數(shù)，實(shí)現(xiàn)參數(shù)合理匹配，以達(dá)到優(yōu)化和控制機(jī)組經(jīng)濟(jì)運(yùn)行的目的。二、原理簡述模型預(yù)測控制算法包括三個關(guān)鍵的技術(shù)問題，即過程模型、非線性優(yōu)化和自適應(yīng)算法。只有在這個幾個方面都提供優(yōu)秀的解決方案，才可能使整個控制算法達(dá)到良好的性能。用于在線優(yōu)化的對象模型是模型預(yù)測算法的基礎(chǔ)。傳統(tǒng)辨識方法取線性時不變的離散參數(shù)化模型來建立過程模型，模型結(jié)構(gòu)確定后，采用最小二乘法或極值法來計(jì)算模型參數(shù)。過程的非線性特性的影響通過在線周期性更新校正模型參數(shù)來補(bǔ)償，或者由分布在工作區(qū)域的一組局部線性模型來表示。然而當(dāng)操作條件或擾動引起過程從線性化工作點(diǎn)漂移時，基于線性模型的控制器的控制性能可能產(chǎn)生很大的偏離，此時一個包容對象所有工作區(qū)域的非線性模型對設(shè)計(jì)控制器應(yīng)該更加有利，應(yīng)用神經(jīng)網(wǎng)絡(luò)建模技術(shù)就可以解決這一問題。BP神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)中研究最深入、應(yīng)用最為廣泛的一種模型，但在實(shí)際應(yīng)用過程中，BP人工神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練速度慢，對劣質(zhì)樣本的抗干擾能力弱，在線糾正速度慢等問題。針對這些實(shí)際問題，我們對這些算法進(jìn)行了多項(xiàng)重要改進(jìn)。包括對訓(xùn)練樣本進(jìn)行自適應(yīng)聚類，以聚類中心來代表一個區(qū)域的樣本。采用了馬夸特全局收斂的訓(xùn)練算法，極大的提高了訓(xùn)練速度，提高了在線采集樣本糾正模型的能力。目標(biāo)函數(shù)反映優(yōu)化控制對象的經(jīng)濟(jì)指標(biāo)，目標(biāo)函數(shù)的求解一般是在某些約束條件（包括以對象模型為約束條件的等式方程）限制下求解極值，一般描述為：了Oi，也，…，耳），st.gi0i，花，…，兀）蘭oj=1…眈f,g均為非線性函數(shù)，這是典型的n維m個約束的非線性最優(yōu)化問題。i由于在復(fù)雜實(shí)際環(huán)境中，f,g的導(dǎo)數(shù)均不容易獲得，所以針對這個問題沒有特別有效的快i速算法。而滾動優(yōu)化需要在線計(jì)算，所以每次計(jì)算都有時間上的約束。傳統(tǒng)數(shù)值算法很難解決這個問題。我們采用了基于遺傳算法的非線性最優(yōu)化算法來解決這個問題。它是通過既定規(guī)則的隨機(jī)搜索進(jìn)行優(yōu)化，通過仿真進(jìn)化過程的重組、突變、和選擇找到新的搜索點(diǎn)，它們的目標(biāo)函數(shù)平均值要比它們的祖先更優(yōu)。由于仿真進(jìn)化的進(jìn)程可以隨時終止，這樣可以方便的通過調(diào)整參數(shù)來控制計(jì)算時間與尋優(yōu)質(zhì)量之間的折中。由于遺傳算法的穩(wěn)定性較差，很難保證每次求解都能獲得較滿意的效果，這是實(shí)際應(yīng)用中比較突出的困難。針對這一特點(diǎn)，結(jié)合模型預(yù)測控制需要不斷進(jìn)行滾動優(yōu)化的特征，實(shí)現(xiàn)了不但在單次優(yōu)化中使用仿真進(jìn)化計(jì)算，而且在多次滾動優(yōu)化間保留較優(yōu)種群，作為下一次計(jì)算的起點(diǎn)，極大的減少了計(jì)算量，提高了單次優(yōu)化結(jié)果的質(zhì)量。模型控制算法采用二次在線滾動優(yōu)化性能指標(biāo)和反饋校正的策略，來克服受控對象建模誤差和結(jié)構(gòu)、參數(shù)與環(huán)境等不確定性因素的影響，有效彌補(bǔ)了傳統(tǒng)控制算法對復(fù)雜受控對象控制效果很差的問題。模型預(yù)測算法包括以下三個主要特征：＞預(yù)測模型：采用人工神經(jīng)網(wǎng)絡(luò)模型作為模型預(yù)測控制的基礎(chǔ)模型，模型適用性強(qiáng)，訓(xùn)練速度快，而且不需要對過程機(jī)理給出準(zhǔn)確的數(shù)學(xué)描述。＞反饋校正：由于存在非線性時變、測量儀表漂移、模型失配和外界環(huán)境干擾等不確定性因素，使基于模型的預(yù)測不可能與實(shí)際完全相符。針對以人工神經(jīng)網(wǎng)絡(luò)作為內(nèi)部模型的算法體系，利用神經(jīng)網(wǎng)絡(luò)可以在線訓(xùn)練的特點(diǎn)把有偏差的數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，從而減小模型預(yù)測偏差。＞滾動優(yōu)化：采用滾動式的有限時域優(yōu)化策略。優(yōu)化策略不是一次離線完成的，而是反復(fù)在線進(jìn)行的，即在每一采樣時刻，優(yōu)化性能指標(biāo)只涉及從該時刻起到未來的有限時間段，而到下一個采樣時刻，這一優(yōu)化時段會同時向前推移。不同時刻優(yōu)化性能指標(biāo)的形式是相同的，但其包含的時間區(qū)域是不同的。三、項(xiàng)目實(shí)施安徽淮南平圩電廠鍋爐是引進(jìn)美國的CE公司技術(shù)，由哈爾濱鍋爐廠制造的國產(chǎn)第二臺2008T/H鍋爐，為單爐膛、單汽包、強(qiáng)制循環(huán)懸吊式，制粉系統(tǒng)為正壓直吹式。汽輪發(fā)電機(jī)是引進(jìn)Westinghouse公司制造技術(shù)由哈爾濱汽輪機(jī)廠及哈爾濱電機(jī)廠制造提供的，儀表控制系統(tǒng)經(jīng)過改造后采用了上海?Foxboro?公司的I/A分散控制系統(tǒng)。利用上述理論基礎(chǔ)，開發(fā)了系統(tǒng)平臺，建立鍋爐燃燒優(yōu)化控制系統(tǒng)模型。將過程變量分為三類：優(yōu)化控制目標(biāo)（CV）、可操作變量（MV）和擾動變量（DV），根據(jù)確定的優(yōu)化控制目標(biāo)（鍋爐效率、NOx、機(jī)組熱耗），同時考慮DV（負(fù)荷、設(shè)備狀況、媒質(zhì)、環(huán)境溫度和濕度等）的影響，協(xié)調(diào)和調(diào)整MV（蒸汽壓力、蒸汽溫度、氧量、燃燒器擺角、爐膛風(fēng)箱壓差、各層磨煤機(jī)出力和相應(yīng)的二次風(fēng)量等）。數(shù)據(jù)樣本有兩部分?jǐn)?shù)據(jù)組成，一是近半年的機(jī)組運(yùn)行歷史數(shù)據(jù)，二是按一定規(guī)則專門設(shè)計(jì)了240組動態(tài)和穩(wěn)態(tài)參數(shù)調(diào)整試驗(yàn)獲得的數(shù)據(jù)，將這兩部分?jǐn)?shù)據(jù)組合起來，經(jīng)過分析篩選，形成培訓(xùn)模型的初始數(shù)據(jù)樣本，建立優(yōu)化控制模型，并進(jìn)行仿真驗(yàn)證后實(shí)施對鍋爐燃燒的在線優(yōu)化和實(shí)時動態(tài)控制。優(yōu)化器實(shí)時尋找當(dāng)前鍋爐運(yùn)行的最佳狀態(tài)，并將參數(shù)組合指令傳遞給動態(tài)控制器，動態(tài)控制器實(shí)時調(diào)整可操作變量，使得鍋爐的實(shí)際運(yùn)行點(diǎn)逼近或達(dá)到這個最佳的狀態(tài)。

鍋爐燃燒優(yōu)化控制系統(tǒng)應(yīng)用于在線運(yùn)行，實(shí)現(xiàn)閉環(huán)動態(tài)控制，與I/A系統(tǒng)充分耦合。優(yōu)化控制器通過DCS系統(tǒng)的OMF接口，實(shí)時讀取機(jī)組運(yùn)行參數(shù)，經(jīng)過自適應(yīng)尋優(yōu)計(jì)算后返回DCS，并作用于有關(guān)控制回路，對給定值進(jìn)行動態(tài)整定。系統(tǒng)設(shè)置了通訊狀態(tài)檢測和數(shù)值變化范圍與速度限制等安全措施，使優(yōu)化控制系統(tǒng)可以無擾投切，確保運(yùn)行穩(wěn)定可靠。4!55aTi4!55aTi皚，6：00lft鍋爐效率按國家標(biāo)準(zhǔn)GB10184-88《電站鍋爐性能試驗(yàn)規(guī)程》，采用反平衡法計(jì)算，機(jī)組熱耗根據(jù)主、再熱蒸汽參數(shù)和兩級高壓加熱器參數(shù)進(jìn)行實(shí)時計(jì)算,N0有專門測量裝置。優(yōu)化控制系統(tǒng)x每15秒輸出一次控制指令，優(yōu)化器每30分鐘進(jìn)行一次自動尋優(yōu)，模型每2個小時進(jìn)行一次自動調(diào)整。這些參數(shù)可根據(jù)機(jī)組的實(shí)際運(yùn)行狀況進(jìn)行設(shè)置，以獲得好的優(yōu)化控制效果。四、結(jié)果分析優(yōu)化控制系統(tǒng)投運(yùn)一年多來運(yùn)行穩(wěn)定，做了多次投入與切除試驗(yàn)，典型的結(jié)果數(shù)據(jù)如下圖，圖中BLR_EFF、W_TOTAL、NO_M、W_UNIT_PWR分別為鍋爐效率、送、引風(fēng)機(jī)總能耗、NOx濃度和負(fù)x荷。通過多個不同工況下類似試驗(yàn)數(shù)據(jù)分析對比，優(yōu)化控制結(jié)果為：鍋爐效率提高0.339百分點(diǎn),送、引風(fēng)機(jī)能耗降低316.3KW，NO排放減少19.1%。xBZLDD押.WJTOTAL口商墳加WUNITPwRNjN_ALi；-：_BC_ON7=皿機(jī)繪負(fù)萄釣角知血憂化擔(dān)制系綻股A「謠炒效壓iS：高0.39-r-目廿巨「HOx律放降低20%.負(fù)萄有所劇九診引網(wǎng)機(jī)基也拎變.另外，將優(yōu)化控制系統(tǒng)投運(yùn)前半年和投運(yùn)后半年有關(guān)數(shù)據(jù)進(jìn)行綜合分析對比，也得到了上述類似的結(jié)果。五、結(jié)束語基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)和多變量預(yù)測控制算法建立的優(yōu)化控制系統(tǒng)與DCS充分耦合，實(shí)現(xiàn)了對鍋爐燃燒的在線優(yōu)化和實(shí)時動態(tài)閉環(huán)控制，優(yōu)化了鍋爐的風(fēng)煤配比以及各個部分風(fēng)量間的分配，并能按照優(yōu)化指令進(jìn)行精確控制，改變了鍋爐內(nèi)火焰中心位置和溫度場的分布，明顯地改善了鍋爐的燃燒狀況，提高了鍋爐燃燒效率，降低了污染物排放，節(jié)省了廠用電，提高了自動化運(yùn)行水平，具有顯著的經(jīng)濟(jì)效益和社會環(huán)保效益。六、參考文獻(xiàn)1.SimonHaykin著，葉世偉、史忠植譯《神經(jīng)網(wǎng)絡(luò)原理》[M],機(jī)械工業(yè)出版社，2004年。2?王培紅等，人工智能技術(shù)在電站鍋爐燃燒優(yōu)化中的應(yīng)用研究[J],中國電機(jī)工程學(xué)報(bào)，2004（4）。.L.RalaivolaandF.d'AlcheBuc.Dynamicalmodelingwithkernelsfornonlineartimeseries[M].2004。．YasudaK,IdeA,andIwasa