于 浩

(中國(guó)大唐集團(tuán)公司上海分公司,上海 200042)

0 前言

目前我國(guó)整體發(fā)電方式中，污染相對(duì)較高的燃煤發(fā)電依然是我國(guó)電力能源供給中的主要來(lái)源。相較于亞臨界燃煤機(jī)組，超(超)臨界機(jī)組較高地?zé)嵝适蛊涓鼮槠鹾蠂?guó)家當(dāng)前節(jié)能環(huán)保的產(chǎn)業(yè)政策，已成為我國(guó)已建和在建火電機(jī)組的主力軍[1]。

實(shí)際上，我國(guó)的超(超)臨界燃煤機(jī)組在整體工藝、運(yùn)行方式、控制方法方面仍有較大的優(yōu)化空間。但火力發(fā)電廠的系統(tǒng)紛繁復(fù)雜給提升自動(dòng)調(diào)節(jié)品質(zhì)帶來(lái)了一定的困難。以給水控制為例，控制過(guò)程不僅要協(xié)調(diào)負(fù)荷變化，還要保證主汽溫度的穩(wěn)定，進(jìn)而保證電廠的正常運(yùn)行[2-3]。因此，文獻(xiàn)[4]對(duì)給水控制系統(tǒng)進(jìn)行解耦，利用給水調(diào)節(jié)器消除燃料擾動(dòng)對(duì)蒸汽溫度的影響。文獻(xiàn)[5]通過(guò)在控制系統(tǒng)中增加前饋、變參數(shù)等技術(shù)提升控制效果。但給水控制系統(tǒng)需要同時(shí)兼顧主汽溫度與負(fù)荷調(diào)節(jié)，使其控制優(yōu)化仍面臨諸多難題[6-7]。

本文基于350 MW超臨界火電機(jī)組給水系統(tǒng)對(duì)其控制策略及模型建立進(jìn)行闡述。利用粒子群算法辨識(shí)給水模型控制參數(shù)，結(jié)合自適應(yīng)PID控制方法建立給水模型，并通過(guò)仿真分析驗(yàn)證了方法的應(yīng)用價(jià)值。

1 粒子群算法的給水模型辨識(shí)

1.1 粒子群優(yōu)化算法

粒子群優(yōu)化算法(Particle Swarm Optimization，簡(jiǎn)稱PSO算法)作為一智能尋優(yōu)控制算法，會(huì)根據(jù)種群中的個(gè)體信息共享與搜尋解的最佳極值，來(lái)解決各種參數(shù)的尋優(yōu)問(wèn)題。

vid(t+1)=wvid(t)+c1φ1(pid(t)-xid(t))+c2φ2(pgd(t)-xgd(t))

(1)

xid(t+1)=xid(t)+vid(t+1)

(2)

式中c1和c2——正常數(shù);

φ1和φ2——均勻分布在0至1之間的正常數(shù);

w——慣性權(quán)重。

考慮到c1和c2的大小對(duì)自身極值(pbest)和全局極值(gbest)的搜索能力有一定影響。因此，為提高早期粒子群的全局搜索能力對(duì)c1和c2進(jìn)行如下改進(jìn)，以期提高解的尋優(yōu)收斂率

(3)

式中R1、R2、R3、R4——初始設(shè)定值;

T——最大迭代次數(shù);

n——當(dāng)前迭代次數(shù)。

慣性權(quán)重w表示原有速度在下次迭代中所占的比例，w值越大則表明當(dāng)前速度受前一速度的影響越大

(4)

1.2 給水模型辨識(shí)

為了進(jìn)一步改善模型控制精度，利用粒子群算法對(duì)上述給水模型參數(shù)進(jìn)行優(yōu)化。以國(guó)內(nèi)某350 MW超臨界機(jī)組為依托，分別提取40%、60%、80%負(fù)荷下的歷史數(shù)據(jù)，辨識(shí)出不同工況下的給水中間點(diǎn)焓值數(shù)學(xué)模型[9-10]。受現(xiàn)場(chǎng)噪聲、傳輸、檢測(cè)儀器等多方面對(duì)測(cè)量結(jié)果的影響，使得歷史數(shù)據(jù)存在一定數(shù)量的異常值，對(duì)異常值進(jìn)行識(shí)別并修補(bǔ)，是模型辨識(shí)的重要環(huán)節(jié)。本文對(duì)建模數(shù)據(jù)進(jìn)行剔除離群值、去零值、平滑過(guò)渡處理，從而得到更精確的數(shù)學(xué)模型。

對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，給水流量及焓值的變化趨勢(shì)如圖1至圖6所示。

圖1 40%負(fù)荷給水?dāng)_動(dòng)

圖2 40%負(fù)荷焓值變化

圖3 60%負(fù)荷給水?dāng)_動(dòng)

圖4 60%負(fù)荷焓值變化

圖5 80%負(fù)荷給水?dāng)_動(dòng)

圖6 80%負(fù)荷焓值變化

粒子群算法參數(shù)設(shè)置如表1所示：

表1 粒子群算法參數(shù)設(shè)置

針對(duì)本文的研究對(duì)象，選取的模型結(jié)構(gòu)為

(5)

采用的誤差準(zhǔn)則為

(6)

不同負(fù)荷下的參數(shù)擬合效果如圖7、圖8、圖9所示。

圖7 40%負(fù)荷給水粒子群辨識(shí)效果

圖8 60%負(fù)荷給水粒子群辨識(shí)效果

圖9 80%負(fù)荷給水粒子群辨識(shí)效果

如表2所示，列出了相應(yīng)的傳遞函數(shù)。

表2 粒子群算法辨識(shí)結(jié)果

2 給水自適應(yīng)PID控制

依據(jù)粒子群算法辨識(shí)結(jié)果，對(duì)同階模型中的參數(shù)K、T進(jìn)行平滑處理，選用二次曲線進(jìn)行擬合，相應(yīng)的擬合表達(dá)式見(jiàn)式(7)、式(8)。其中，f為機(jī)組負(fù)荷(%)。實(shí)際擬合效果如圖10所示

T=-0.03f2+2.1f+84.8

(7)

K=0.000 4f2-0.036f-0.66

(8)

圖10 模型參數(shù)平滑處理

結(jié)合自適應(yīng)PID控制的原理，對(duì)350 MW超臨界機(jī)組給水模型進(jìn)行升負(fù)荷控制。依據(jù)經(jīng)驗(yàn)公式(7)、公式(8)對(duì)PID參數(shù)不斷的進(jìn)行修正，從而達(dá)到實(shí)時(shí)調(diào)整的效果。

3 仿真分析

基于以上原理，開(kāi)展仿真分析。從1 800 s開(kāi)始，以1%/min做升負(fù)荷實(shí)驗(yàn)，負(fù)荷從40%升到80%。由于整個(gè)實(shí)驗(yàn)過(guò)程中焓值變化不明顯，可將其設(shè)為固定值。此外，為了驗(yàn)證PID控制的穩(wěn)定性，在5 400 s時(shí)，對(duì)系統(tǒng)加入8%的擾動(dòng)。在機(jī)組負(fù)荷上升過(guò)程中，相應(yīng)的負(fù)荷響應(yīng)曲線與負(fù)荷控制輸出曲線如圖11、圖12所示?？梢钥闯鲈谡{(diào)節(jié)過(guò)程中，雖然存在一定的偏差，但升至滿負(fù)荷時(shí)，系統(tǒng)能夠快速進(jìn)入穩(wěn)態(tài)運(yùn)行。并且存在外部擾動(dòng)時(shí)，擾動(dòng)對(duì)系統(tǒng)影響很小,有效的增強(qiáng)了系統(tǒng)的穩(wěn)定性。

圖11 升負(fù)荷響應(yīng)曲線

圖12 升負(fù)荷控制器輸出曲線

4 結(jié)論

本文針對(duì)某350 MW超臨界機(jī)組進(jìn)行分析，基于粒子群算法并利用機(jī)組三種負(fù)荷下的運(yùn)行數(shù)據(jù)辨識(shí)給水模型控制參數(shù)，結(jié)合自適應(yīng)PID控制方法建立給水模型。仿真實(shí)驗(yàn)結(jié)果證明粒子群算法辨識(shí)結(jié)果誤差基本滿足要求，在自適應(yīng)PID參數(shù)調(diào)節(jié)中會(huì)存在偏差，但升至滿負(fù)荷時(shí)，系統(tǒng)可以在極短的時(shí)間內(nèi)達(dá)到穩(wěn)定。當(dāng)施加外部干擾時(shí)，外部干擾對(duì)系統(tǒng)的影響小。因此，基于粒子群算法的自適應(yīng)PID給水模型具有很好的魯棒性，在實(shí)際工程中有良好的應(yīng)用價(jià)值。