楊小龍張正剛丁維明

(東南大學能源與環(huán)境學院1,江蘇 南京 210000;蘇州紫興紙業(yè)有限公司2,江蘇 蘇州 215011)

一種改進的Alstom氣化爐預測控制

楊小龍1張正剛2丁維明1

(東南大學能源與環(huán)境學院1,江蘇 南京 210000;蘇州紫興紙業(yè)有限公司2,江蘇 蘇州 215011)

Alstom能源技術中心給出了氣化爐在全工況下的Matlab非線性模型。為了解決Alstom氣化爐非線性、強耦合以及大慣性特點所帶來的控制問題,設計了一種模型預測控制器。首先在局部工況點建立離線線性模型,在所建模型基礎上設計控制器,應用灰色理論GM(1,1)在誤差校正環(huán)節(jié)預測未來時刻由于模型不匹配產生的誤差,以此來提高控制器輸出的精度。仿真結果表明,在壓力擾動測試中,即使各控制量受到嚴格的約束,各輸出量的偏差仍能維持在規(guī)定的范圍內,滿足了Alstom氣化爐的控制要求。

Alstom氣化爐 非線性系統(tǒng) 離線建模 模型預測控制 灰色預測誤差校正

0 引言

整體煤氣化聯合循環(huán)(integrated gasification combined cycle,IGCC)作為一種高效清潔利用煤炭的方式正日益受到重視,已經成為國內外研究的熱點[1]。Alstom能源技術中心基于英國一座聯合循環(huán)示范電站中的增壓噴流床氣化爐,建立了該氣化爐在全工況范圍內的模型,并發(fā)布了氣化爐控制的基準問題,列出了一系列基準測試項目及其系統(tǒng)控制約束條件。

模型預測控制(model predictive control,MPC)由法國Adersa公司的Richalet于1978年提出,能夠用于處理常規(guī)PID控制很難處理的問題[2]。模型預測控制是基于線性模型建立起來的,因此在非線性系統(tǒng)中并不總是有效,因為非線性系統(tǒng)很難建立一個偏差較小的線性模型,雖然有時可以用神經網絡進行建模,但是數據的龐大使得控制變得不可實現。因此,這里考慮在各個負荷點建立局部線性模型,基于各個典型工況下設計的預測控制器的控制量的疊加,以此來實現非線性系統(tǒng)的全局控制。同時,通過引入灰色預測理論來預測未來時刻的誤差范圍,能夠在擾動條件下使響應更加迅速、超調更小。

1 建模過程以及描述過程

Alstom氣化爐模型是基于一臺87 MW噴流床氣化爐的實時運行數據建立的,因此具有很高的精度。如圖1所示是Alstom氣化爐簡要工作流程。

圖1 Alstom氣化爐的生產流程簡圖Fig.1 Simplified diagram of the production process of Alstom Gasifier

在該氣化爐生產過程中,經過處理的煤粉與吸附劑石灰按一定比例混合,由增壓空氣和水蒸氣運送,噴入氣化爐內。在氣化爐內,空氣和蒸汽對固體進行流化,同時與煤中的碳發(fā)生反應,產生熱值約為4.5 MJ的低熱值煤氣。煤氣經凈化后進入燃氣輪機,余下的灰分、石灰以及未完全反應的碳以灰渣的形式從底部排出?？梢苑治龅贸?氣化爐是一個5輸入4輸出的系統(tǒng),由于吸附劑和煤成一定比例,因此可以簡化成一個4輸入4輸出的強非線性和強耦合的多變量系統(tǒng)?？刂屏繛檫M口空氣流量(Qair)、進口蒸汽流量(Qstm)、煤粉流量(Qcoal)以及排渣量(Qchar);被控量為床料質量(M)、煤氣熱值(CVgas)、煤氣溫度(Tgas)以及煤氣壓力(Pgas)。對于氣化爐而言,外界的擾動主要是工況的變化,因此,將下游燃氣輪機的入口壓力波動Psink作為主要的擾動量[3]。

Alstom建立的示范IGCC電站動態(tài)機理模型經過了實際數據的嚴格校驗,具有較高的準確度。Alstom在公開動態(tài)機理模型的基礎上,給出了檢驗控制系統(tǒng)的各種基準測試、輸入約束以及控制目標等,如表1所示[4]。

表1 輸出與輸入量約束條件Tab.1 Simplified diagram of the production process of Alstom gasifier

2 控制器的設計

由于模型預測控制器是基于模型建立起來的,因此在預測控制器設計之前必須先建立氣化爐局部線性化模型。文獻[5]給出了子空間辨識模型的方法,在100%典型工況下穩(wěn)定工作運行狀態(tài),對Alstom Simulink環(huán)境下的氣化爐模型加入如圖2(a)～圖2(b)所示的偽隨機擾動(即系統(tǒng)的輸入量),得到如圖2(e)～圖2(h)所示的系統(tǒng)開環(huán)響應曲線。這里隨機擾動輸入不超過穩(wěn)態(tài)輸入的5%,使用子空間辨識即可得到離散狀態(tài)空間模型。

激勵與響應曲線如圖2所示。

圖2 激勵與響應曲線Fig.2 The excitation and reponse curves

假設某一工況下,氣化爐的動態(tài)特性可以用下列離散狀態(tài)空間表示[6]:

由于在辨識過程中可以使得直通矩陣D為零矩陣,因此狀態(tài)空間可以表示為:

式中:k為第k個采樣周期;x∈R25;u∈R4,y∈R4為相對于初始狀態(tài)的偏移量;e(k)為對象與模型之間的輸出偏差;A、B、C分別為系統(tǒng)的狀態(tài)矩陣、輸入矩陣和輸出矩陣。

系統(tǒng)初始狀態(tài)下認為x(0)=0,u(0)=0,y(0)=0。對于e(k)而言,在k時刻認為e(k)=ym(k)-Cx(k),并且有e(0)=0,e(k+i)=e(k)。

以離散狀態(tài)空間模型為預測模型,預測系統(tǒng)未來的多步輸出,假設沒有擾動存在,有:

同時為了求出當前的控制增量,可以把u(k)寫成u(k)=u(k-1)+Δu(k),從而可以得到:

依次迭代可以得到:

假設預測時域為P,控制時域為M,寫成矩陣形式可以得到:

系數矩陣分別為:

因此可以得到:

一般而言,要用k時刻的模型誤差來進行校正,e(k)=y(k)-(k),其中y(k)為實測值,(k)為模型預測值,因此可以把式(8)寫成:

式中:T=Pxx(k)+Puu(k-1)+Ie(k)。

由表1和表2可知,氣化爐的控制要受各種約束條件的限制,因此無約束情況下得到的控制輸入量往往不能滿足實際的控制需求。

根據基準測試要求,有以下輸入速率約束與輸入幅值受限。這是一個QP問題,可以通過積極集法來求解[7]。

3 灰色預測誤差校正器設計

在上述預測控制器的設計中,實測值與模型的輸出誤差(模型的不匹配)只能知道當前k時刻誤差e(k),在未來的P步預測時域內,誤差e是未知的。在處理過程中,往往把k時刻的誤差e(k)當做未來時刻的誤差來進行校正,反饋校正的效果有限。實際上,過往的誤差序列含有相當的先驗知識[8],所以引入灰色預測理論,對預測時域內的誤差進行多步預測,采用等維信息GM(1,1)模型。下面假設以床料量M輸出量通道y1為例,設計誤差校正器。設定通道y1的通道誤差序列為:

對誤差序列進行一次累加,可以得到累加誤差序列:

利用式(13)建立灰微分方程:

白化方程可以很容易得到解析解,如式(17)所示。

該解析解是累加誤差的解析解,因此進行還原計算,最終得到:

式中:i=1,2,…,n+P。

在k時刻進行預測控制器誤差校正時,可以得到:

4 仿真結果

本文在Matlab Simulink環(huán)境下對所設計的控制器進行仿真,并驗證所設計的控制器是否能滿足Alstom能源中心所提出的約束性條件[10]。經過調試后,各個參數的選擇如下:預測時域P=20,控制時域M=8,采樣時間Ts=1 s,輸入權矩陣Q=diag(Q0,Q0,…,Q0),R= diag(R0,R0,…,R0),Q0=diag(2,2e2,2,2e6),R0= diag(1e5,5e3,5e3,1e4)。

鑒于篇幅,這里只給出100%典型工況下的測試曲線,按照基準測試要求,分別進行以下吸入口壓力擾動測試。

在系統(tǒng)穩(wěn)定運行3 000 s后,氣化爐下游吸入口壓力加入-2 bar的階躍擾動,在控制器作用下運行500 s,則吸入口壓力加入-2 bar階躍擾動后的負荷變化曲線如圖3所示,輸入輸出變化曲線如圖4所示。

在系統(tǒng)穩(wěn)定運行3 000 s后,氣化爐下游吸入口壓力加入幅值為2 bar、頻率為0.04 Hz的正弦擾動,仿真500 s,輸入輸出變化曲線如圖5所示,這里略去了負荷變化曲線。

圖3 吸入口壓力階躍擾動及負荷響應曲線Fig.3 Suction inlet pressure step disturbance and load response

圖4 吸入口壓力階躍擾動測試仿真曲線Fig.4 Simulation test curves of suction inlet pressure step disturbance curves

另外,給出了在控制過程中輸入輸出量變化的最大值以及變化速率,如表2所示。

從表2可以看出,在100%典型工況下,該預測控制器能夠很好地滿足Alstom能源技術中心所提出的氣化爐控制基準問題,可見該預測控制器具有一定的理論意義。

圖5 吸入口壓力正弦擾動測試仿真曲線Fig.5 Simulation test curve of suction inlet pressure sinusoidal disturbance

表2 100%典型工況下加擾動測試結果Tab.2 Disturbance test result under 100%typical operation condition

5 結束語

在Alstom能源技術中心給出的氣化爐模型基礎上,基于狀態(tài)空間模型的預測理論設計集中化的控制器,并且在預測校正環(huán)節(jié)加入了灰色預測。該方法基于當前時刻以及以往時刻由于模型不匹配產生的誤差先驗序列進行未來的誤差預測,并用于預測控制器的設計當中。在推導出控制規(guī)則后,在Matlab Simulink環(huán)境下通過s-function函數編寫控制器模塊并封裝加入氣化爐模塊當中,在擾動測試中得到了符合基準測試下的控制效果。仿真結果產生曲線以及數據證明該方法具有較好的控制效果,因此具有一定的理論意義。

[1] 姚秀平.燃氣輪機及其聯合循環(huán)發(fā)電[M].北京:中國電力出版社,2004.

[2] 錢積新,趙均,徐祖華.預測控制[M].北京:化學工業(yè)出版社,2007.

[3] 薛亞麗,李東海,王軍.Alstom氣化爐基準問題的控制特性分析[J].清華大學學報:自然科學版,2009,49(5):80-85.

[4] Dixon R,Pike A.Introduction to the 2nd Alstom benchmark challenge on gasifier control[C]∥Control 2004.Bath,UK,2004:585-601.

[5] 吳科.聯產系統(tǒng)煤氣化過程的建模和控制研究[D].南京:東南大學,2010.

[6] Seyab R K A,Cao Y.Nonlinear model predictive control for the Alstom gasifier[J].Journal of Process Control,2006,16(8):795-808.

[7] 岳俊紅.復雜工業(yè)過程多模型預測控制策略及其應用研究[D].北京:華北電力大學,2008.

[8] 郭鵬,師東娜.灰色誤差校正多變量動態(tài)矩陣控制[J].電機與控制學報,2008,12(2):223-227.

[9] 楊華龍,劉金霞,鄭斌.灰色預測GM(1,1)模型的改進及應用[J].數學的實踐與認識,2011,41(23):39-46.

[10] 李東海,王軍,薛亞麗.Alstom氣化爐的適應性非線性控制[J].清華大學學報:自然科學版,2009,49(2):265-268.

Improved Predictive Control for Alstom Gasifier

Alstom Energy Technology Center has given the Matlab nonlinear model for gasifier under full operating condition.In order to solve the control problem caused by the non-linearity,tight coupling and large inertia of the gasifier from Alstom,the model predictive controller has been designed.Firstly,the off line linear model is set up under some of the local operating conditions,then on the basis of the model established,the controller is designed.By adopting grey theory GM(1,1),in the error correction stage,the error that generated due to model mismatch in future is predicted,thus the accuracy of controller output is enhanced.The simulation results indicate that in pressure disturbance tests,even control variables are given strict constraints,the deviation of each variable still keeps within a predetermined range;this satisfies the control requirements for Alstom gasifier.

Alstom gasifier Non-linear system Offline modeling Model predictive control Grey theory prediction error correction

TP323

A

國家863基金資助項目(編號:2006AA05114-2)。

修改稿收到日期:2014-02-14。

楊小龍(1989-),男,現為東南大學動力工程及工程熱物理專業(yè)在讀碩士研究生;主要從事熱工自動控制方向的研究。