基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和凝結(jié)水節(jié)流的超超臨界機(jī)組協(xié)調(diào)系統(tǒng)智能優(yōu)化控制

馬良玉， 成 蕾， 彭 鋼， 尹 喆

(1. 華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院， 河北保定 071003; 2. 北京四方繼保自動(dòng)化股份有限公司， 北京 100085; 3. 國(guó)網(wǎng)河北省電力公司電力科學(xué)研究院, 石家莊 050021)

基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和凝結(jié)水節(jié)流的超超臨界機(jī)組協(xié)調(diào)系統(tǒng)智能優(yōu)化控制

馬良玉1， 成 蕾2， 彭 鋼3， 尹 喆3

(1. 華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院， 河北保定 071003; 2. 北京四方繼保自動(dòng)化股份有限公司， 北京 100085; 3. 國(guó)網(wǎng)河北省電力公司電力科學(xué)研究院, 石家莊 050021)

針對(duì)某1 000 MW超超臨界機(jī)組，建立了具有較高精度和良好動(dòng)態(tài)性能、考慮機(jī)組回?zé)嵫h(huán)特性的機(jī)組負(fù)荷及主汽壓力神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.在此基礎(chǔ)上，提出了一種協(xié)調(diào)系統(tǒng)綜合智能預(yù)測(cè)優(yōu)化控制方法.該方法利用負(fù)荷及主汽壓力預(yù)測(cè)模型在機(jī)組變負(fù)荷過程中分別對(duì)除氧器水位調(diào)門開度、汽輪機(jī)調(diào)門開度及燃料量指令進(jìn)行實(shí)時(shí)優(yōu)化，改善協(xié)調(diào)控制效果.借助1 000 MW超超臨界機(jī)組仿真機(jī)，進(jìn)行了詳細(xì)的協(xié)調(diào)優(yōu)化控制仿真試驗(yàn).結(jié)果表明：該方法可有效提高機(jī)組動(dòng)態(tài)過程負(fù)荷的響應(yīng)速度和調(diào)節(jié)精度，大大減小變負(fù)荷過程中主汽壓力的控制偏差，具有較好的工程實(shí)用性.

超超臨界機(jī)組; 神經(jīng)網(wǎng)絡(luò); 預(yù)測(cè)模型; 凝結(jié)水節(jié)流; 協(xié)調(diào)系統(tǒng); 智能優(yōu)化控制

受一次能源結(jié)構(gòu)的制約，我國(guó)以燃煤為主的發(fā)電格局短期內(nèi)難以改變.大容量超(超)臨界機(jī)組因其循環(huán)效率高、污染排放低等優(yōu)勢(shì)，成為我國(guó)電網(wǎng)的主力機(jī)組.另一方面，生態(tài)環(huán)境惡化、大氣污染等日益嚴(yán)峻的形勢(shì)推動(dòng)了風(fēng)能、太陽(yáng)能等新能源發(fā)電規(guī)模突飛猛進(jìn)，新能源發(fā)電在電網(wǎng)中的容量占比不斷提高.而風(fēng)電和太陽(yáng)能發(fā)電本身具有間歇性、隨機(jī)性等特點(diǎn)，會(huì)對(duì)電網(wǎng)供電品質(zhì)造成很大影響，新能源消納問題日益突出.在以燃煤發(fā)電為主的區(qū)域電網(wǎng)中，規(guī)?；L(fēng)電、光伏發(fā)電的接入，意味著風(fēng)電、太陽(yáng)能發(fā)電容量的大幅波動(dòng)必須由燃煤機(jī)組來平抑和補(bǔ)償，這就要求燃煤機(jī)組具有更高的運(yùn)行靈活性，更強(qiáng)的快速和深度調(diào)峰能力[1-2].

近年來，為確保電網(wǎng)安全可靠運(yùn)行，提升供電品質(zhì)，各區(qū)域電網(wǎng)普遍要求網(wǎng)內(nèi)大容量機(jī)組具備完善的電網(wǎng)自動(dòng)發(fā)電控制(AGC)功能，并出臺(tái)“兩個(gè)細(xì)則”對(duì)并網(wǎng)機(jī)組進(jìn)行考核，這對(duì)超超臨界機(jī)組的協(xié)調(diào)控制性能提出了很高的要求.由于協(xié)調(diào)控制系統(tǒng)(CCS)需兼顧負(fù)荷、主汽壓力的控制偏差，以及鍋爐本身的大慣性、大時(shí)延特性，僅依賴傳統(tǒng)的協(xié)調(diào)控制策略，機(jī)組負(fù)荷響應(yīng)往往無法滿足電網(wǎng)的要求，且容易引起主汽壓力、主汽溫度等參數(shù)的大幅波動(dòng)[3-5].因此，借助基于模型的預(yù)測(cè)優(yōu)化控制、凝結(jié)水節(jié)流等一系列先進(jìn)優(yōu)化控制方法和手段來提高機(jī)組的負(fù)荷快速響應(yīng)能力，具有重要的現(xiàn)實(shí)意義[6-10].

為此，筆者通過深入研究超超臨界機(jī)組的負(fù)荷、主汽壓力特性，采用神經(jīng)網(wǎng)絡(luò)建模方法，建立考慮回?zé)嵫h(huán)特性的機(jī)組負(fù)荷預(yù)測(cè)模型和主汽壓力預(yù)測(cè)模型[11-16].并在此基礎(chǔ)上，將凝結(jié)水節(jié)流技術(shù)與模型預(yù)測(cè)優(yōu)化控制策略有機(jī)結(jié)合，提出一種先進(jìn)的協(xié)調(diào)系統(tǒng)智能優(yōu)化控制方案，借助仿真試驗(yàn)對(duì)方法的有效性進(jìn)行驗(yàn)證.

1 研究對(duì)象和試驗(yàn)平臺(tái)簡(jiǎn)介

1.1 超超臨界機(jī)組簡(jiǎn)介

研究對(duì)象為某已投運(yùn)的超超臨界機(jī)組.鍋爐為上海鍋爐廠有限公司生產(chǎn)的超超臨界全懸吊結(jié)構(gòu)塔式鍋爐，汽輪發(fā)電機(jī)組由東方電氣集團(tuán)有限公司提供，為一次中間再熱、單軸、四缸四排汽、凝汽式、八級(jí)回?zé)岢槠?機(jī)組的額定功率為1 000 MW，主汽壓力為25 MPa，主再熱蒸汽溫度均為600 ℃.機(jī)組采用西門子最新的T3000型控制系統(tǒng).

圖1為該1 000 MW超超臨界機(jī)組及其回?zé)嵫h(huán)系統(tǒng)簡(jiǎn)化示意圖.汽輪機(jī)由1個(gè)高壓缸、1個(gè)中壓缸和2個(gè)低壓缸組成，8段回?zé)岢槠謩e對(duì)應(yīng)于4臺(tái)低壓加熱器、1臺(tái)除氧器、3臺(tái)高壓加熱器的凝結(jié)水或給水加熱，汽輪機(jī)排汽在凝汽器中冷卻，系統(tǒng)有1個(gè)高背壓凝汽器和1個(gè)低背壓凝汽器.汽輪機(jī)高壓缸配置2個(gè)高壓主汽門和4個(gè)高壓調(diào)門，中壓缸配置2個(gè)中壓主汽門和2個(gè)中壓調(diào)門.

圖1 機(jī)組回?zé)嵫h(huán)系統(tǒng)示意圖

1.2 仿真試驗(yàn)研究平臺(tái)

STAR-90系統(tǒng)是由華北電力大學(xué)開發(fā)的電站仿真平臺(tái)，具有圖形化仿真建模支撐系統(tǒng)和高精度的電站算法庫(kù)，便于模型在線調(diào)試、修改和擴(kuò)充.采用STAR-90仿真平臺(tái)建立的電站全范圍仿真機(jī)，數(shù)學(xué)模型精度高、動(dòng)態(tài)特性好，可為控制理論研究提供可靠的準(zhǔn)工業(yè)試驗(yàn)環(huán)境，對(duì)檢驗(yàn)各種控制算法的性能具有重要意義.仿真試驗(yàn)研究是在STAR-90系統(tǒng)為上述1 000 MW機(jī)組開發(fā)的全范圍仿真機(jī)上進(jìn)行的，該仿真機(jī)在現(xiàn)場(chǎng)投運(yùn)多年，接收了現(xiàn)場(chǎng)運(yùn)行人員的嚴(yán)格考核測(cè)試，可逼真地重現(xiàn)電廠的全運(yùn)行過程.

2 基于神經(jīng)網(wǎng)絡(luò)的超超臨界機(jī)組負(fù)荷及主汽壓力預(yù)測(cè)模型

2.1 考慮回?zé)嵫h(huán)特性的負(fù)荷預(yù)測(cè)模型建立

2.1.1 負(fù)荷預(yù)測(cè)模型輸入?yún)?shù)選取及模型結(jié)構(gòu)確定

在建立負(fù)荷預(yù)測(cè)模型時(shí)考慮如下限制：(1) 模型針對(duì)機(jī)組高負(fù)荷段(60%額定負(fù)荷以上)的升降負(fù)荷過程，此時(shí)所有中壓汽門全開，僅依靠高壓調(diào)門開度的變化來改變汽輪機(jī)進(jìn)汽量；(2) 各段回?zé)岢槠Ｍ度?，不發(fā)生高、低壓加熱器投切故障，系統(tǒng)拓?fù)浣Y(jié)構(gòu)基本不變；(4) 建模過程僅利用分散控制系統(tǒng)(DCS)中的可測(cè)參數(shù)，未測(cè)量的與負(fù)荷相關(guān)參數(shù)(如蒸汽焓、各段回?zé)岢槠康?考慮用其他可測(cè)參數(shù)間接反映.

由于汽輪機(jī)負(fù)荷與機(jī)組熱端和冷端參數(shù)、汽輪機(jī)進(jìn)汽量、各級(jí)抽汽量均有關(guān)系，結(jié)合機(jī)組DCS的可測(cè)參數(shù)，最終選定模型的輸入、輸出參數(shù)見表1.由于本次建模的目的在于應(yīng)用近年來出現(xiàn)的“凝結(jié)水節(jié)流”技術(shù)和模型預(yù)測(cè)優(yōu)化控制策略來提高機(jī)組負(fù)荷的快速響應(yīng)能力，模型輸入中選用通過各低壓加熱器的凝結(jié)水流量以及高壓加熱器的給水流量來間接反映機(jī)組的回?zé)岢槠縖11-12].

表1 模型的輸入、輸出參數(shù)

為提高模型的預(yù)測(cè)精度，選取具有輸入時(shí)延和輸出反饋時(shí)延的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將8個(gè)輸入變量的當(dāng)前值以及前n個(gè)時(shí)刻值、1個(gè)輸出變量的前m時(shí)刻值作為模型的輸入，負(fù)荷當(dāng)前時(shí)刻值作為模型的輸出.模型具體結(jié)構(gòu)如圖2.

由圖2可見，負(fù)荷預(yù)測(cè)模型的輸入層具有8(n+1)+m個(gè)神經(jīng)元，隱含層具有j個(gè)神經(jīng)元，輸出層具有1個(gè)神經(jīng)元.為確定最佳的負(fù)荷預(yù)測(cè)模型結(jié)構(gòu)，對(duì)不同輸入時(shí)延階次n，輸出反饋時(shí)延階次m和不同隱含層節(jié)點(diǎn)數(shù)j分別進(jìn)行建模，并通過實(shí)時(shí)預(yù)測(cè)仿真試驗(yàn)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)選.

2.1.2 模型訓(xùn)練樣本的獲取和數(shù)據(jù)預(yù)處理

為使負(fù)荷預(yù)測(cè)模型全面反映機(jī)組的負(fù)荷特性，其訓(xùn)練樣本數(shù)據(jù)應(yīng)涵蓋模型實(shí)時(shí)應(yīng)用時(shí)的機(jī)組負(fù)荷調(diào)節(jié)范圍，并正確反映各種輸入擾動(dòng)下的負(fù)荷變化特征.為保證訓(xùn)練數(shù)據(jù)全面、各輸入?yún)?shù)激勵(lì)充分，借助1 000 MW超超臨界機(jī)組仿真機(jī)，在600～1 000 MW之間連續(xù)升降負(fù)荷，并適當(dāng)增加真空度、凝結(jié)水流量、燃料量和汽輪機(jī)調(diào)門開度等擾動(dòng)工況.按照1 s采樣周期，采集16 367組原始數(shù)據(jù).為減少神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練時(shí)間，按照5 s的采樣間隔，從中均勻抽取3 273組數(shù)據(jù)作為模型的最終訓(xùn)練樣本.

圖2 具有輸入時(shí)延和輸出反饋時(shí)延的負(fù)荷預(yù)測(cè)模型

Fig.2 Load prediction model with time-delayed inputs and output feedback

由于神經(jīng)網(wǎng)絡(luò)各輸入?yún)?shù)的取值范圍差別較大，為使各變量在模型訓(xùn)練中對(duì)網(wǎng)絡(luò)權(quán)值和輸出誤差的貢獻(xiàn)相對(duì)均衡，結(jié)合各參數(shù)在機(jī)組升降負(fù)荷過程中可能的變化范圍，人工確定各參數(shù)規(guī)一化限值，對(duì)數(shù)據(jù)進(jìn)行處理.具體的歸一化公式為：

(1)

式中：[xmin，xmax]為參數(shù)的實(shí)際取值范圍；[ymin,ymax]為標(biāo)稱化后參數(shù)取值范圍，這里取[-1,+1]；x、y分別為參數(shù)的實(shí)際值和標(biāo)稱值[12].

2.1.3 模型訓(xùn)練結(jié)果

負(fù)荷預(yù)測(cè)模型選取具有1個(gè)輸入層、1個(gè)隱含層和1個(gè)輸出層的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，隱含層激勵(lì)函數(shù)選用tansig，輸出層激勵(lì)函數(shù)選用purelin.訓(xùn)練算法采用改進(jìn)的L-M算法[17].

當(dāng)模型的輸入、輸出變量和網(wǎng)絡(luò)結(jié)構(gòu)確定后,建立負(fù)荷預(yù)測(cè)模型的主要任務(wù)是優(yōu)選輸入、輸出反饋時(shí)延的階次n、m以及合理確定神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)、權(quán)值矩陣、閾值等參數(shù).為比較不同結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)效果，嘗試對(duì)不同時(shí)延階次n和m、不同隱含層節(jié)點(diǎn)數(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練，使模型輸出針對(duì)訓(xùn)練樣本集的均方誤差(MSE)均達(dá)到1×10-7，結(jié)果見表2.

為比較上述模型對(duì)變負(fù)荷工況和各種擾動(dòng)的抗擾能力和負(fù)荷預(yù)測(cè)精度，將模型并入仿真機(jī)，以1 s的采樣周期實(shí)時(shí)獲取各輸入數(shù)據(jù)，對(duì)機(jī)組負(fù)荷進(jìn)行同步預(yù)測(cè).為全面檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)效果，分別對(duì)機(jī)組進(jìn)行協(xié)調(diào)方式變負(fù)荷擾動(dòng)、汽輪機(jī)跟隨方式燃料量擾動(dòng)、鍋爐跟隨方式調(diào)門開度擾動(dòng)、除氧器水位設(shè)定值(凝結(jié)水流量)擾動(dòng)及凝汽器真空擾動(dòng).限于篇幅各擾動(dòng)試驗(yàn)結(jié)果不再列出，詳見參考文獻(xiàn)[12].

表2 不同n、m取值時(shí)模型訓(xùn)練結(jié)果

綜合比較不同擾動(dòng)下各模型的負(fù)荷實(shí)時(shí)預(yù)測(cè)誤差，最終確定n=2、m=2時(shí)模型的預(yù)測(cè)性能最好，將此模型確立為最優(yōu)的負(fù)荷預(yù)測(cè)模型結(jié)構(gòu).

2.2 鍋爐主汽壓力預(yù)測(cè)模型的建立與驗(yàn)證

針對(duì)影響鍋爐主汽壓力特性的參數(shù)分析，將超超臨界鍋爐的汽壓對(duì)象簡(jiǎn)化為三輸入一輸出的模型[15,17].其中，輸入為燃料量、汽輪機(jī)調(diào)門開度、給水流量，輸出為主汽壓力.主汽壓力預(yù)測(cè)模型結(jié)構(gòu)跟負(fù)荷預(yù)測(cè)模型結(jié)構(gòu)相似，如圖3所示.

圖3 主汽壓力預(yù)測(cè)模型結(jié)構(gòu)

為確定最優(yōu)的主汽壓力預(yù)測(cè)模型結(jié)構(gòu)，仍針對(duì)不同輸入時(shí)延階次n、輸出反饋時(shí)延階次m和隱含層節(jié)點(diǎn)數(shù)j分別進(jìn)行建模.訓(xùn)練算法仍采用L-M算法，MSE設(shè)為1×10-7.

為比較不同結(jié)構(gòu)模型的實(shí)時(shí)預(yù)測(cè)效果，同樣將各訓(xùn)練好的模型連入1 000 MW超超臨界機(jī)組仿真機(jī)進(jìn)行在線驗(yàn)證.圖4為機(jī)組以10 MW/min變負(fù)荷速率降負(fù)荷至700 MW時(shí)，3組不同n、m取值下模型的主汽壓力實(shí)時(shí)預(yù)測(cè)結(jié)果(其他擾動(dòng)試驗(yàn)結(jié)果略).最終確定n=2、m=2時(shí)的模型為最優(yōu)主汽壓力預(yù)測(cè)模型.

圖4 變負(fù)荷擾動(dòng)下各模型主汽壓力預(yù)測(cè)結(jié)果對(duì)比

Fig.4 Comparison of predicted results among three models in load variation process

3 協(xié)調(diào)系統(tǒng)智能優(yōu)化控制方案設(shè)計(jì)

3.1 基于凝結(jié)水節(jié)流的負(fù)荷雙重智能優(yōu)化控制方法

凝結(jié)水節(jié)流作為一種新型的負(fù)荷快速調(diào)節(jié)方法，通過調(diào)節(jié)各低壓加熱器的凝結(jié)水流量，快速改變低壓缸的抽汽量，從而在負(fù)荷調(diào)整初期階段通過改變機(jī)組中、低壓缸的做功，達(dá)到快速調(diào)節(jié)負(fù)荷的目的.凝結(jié)水節(jié)流參與機(jī)組負(fù)荷調(diào)整，充分利用了凝汽器、除氧器正常運(yùn)行水位適中，且二者有效容量較大，允許水位在一定范圍上下波動(dòng)的特點(diǎn).因此，在實(shí)際工程中，可通過適當(dāng)調(diào)整凝結(jié)水流量調(diào)節(jié)閥開度、除氧器水位設(shè)定值等，來實(shí)現(xiàn)機(jī)組負(fù)荷的快速調(diào)節(jié).雖然凝結(jié)水流量變化越大，效果越好，但凝結(jié)水流量大幅變動(dòng)會(huì)導(dǎo)致凝汽器水位和除氧器水位頻繁波動(dòng)，對(duì)調(diào)節(jié)閥的性能和調(diào)節(jié)品質(zhì)要求較高，對(duì)運(yùn)行人員的監(jiān)視也提出了更高的要求[14-16].為了兼顧運(yùn)行經(jīng)濟(jì)性、快速響應(yīng)AGC及一次調(diào)頻需求，可針對(duì)燃料控制、汽輪機(jī)調(diào)門、凝結(jié)水流量等，采取一系列優(yōu)化控制手段來加快鍋爐和汽輪機(jī)側(cè)的響應(yīng).

通過深入研究凝結(jié)水節(jié)流對(duì)機(jī)組負(fù)荷、除氧器水位等參數(shù)的影響，提出如下優(yōu)化思路：在變負(fù)荷過程中，通過快速改變除氧器水位調(diào)門開度，利用凝結(jié)水節(jié)流加快機(jī)組的負(fù)荷響應(yīng)速度；當(dāng)負(fù)荷逐漸趨穩(wěn)，燃料和鍋爐發(fā)熱量已跟蹤上負(fù)荷指令時(shí)，通過對(duì)汽輪機(jī)調(diào)門開度尋優(yōu)，維持機(jī)組實(shí)際負(fù)荷與目標(biāo)值較小的偏差，同時(shí)逐漸將除氧器水位回調(diào)至正常值，以便對(duì)下一個(gè)變負(fù)荷周期再次進(jìn)行優(yōu)化.上述負(fù)荷雙重智能優(yōu)化控制方案的實(shí)現(xiàn)分3個(gè)階段：

(1) 在機(jī)組變負(fù)荷階段，利用負(fù)荷預(yù)測(cè)模型，根據(jù)當(dāng)前主蒸汽參數(shù)、再熱蒸汽參數(shù)及汽輪機(jī)調(diào)門實(shí)時(shí)開度，對(duì)除氧器水位調(diào)門開度進(jìn)行尋優(yōu)，使負(fù)荷預(yù)測(cè)值與設(shè)定值的偏差最小.為防止除氧器水位實(shí)際值與設(shè)定值偏差過大導(dǎo)致水位調(diào)節(jié)切手動(dòng)，優(yōu)化程序中設(shè)有設(shè)定值實(shí)時(shí)修正模塊，使得設(shè)定值始終有偏差地跟蹤除氧器的實(shí)際水位.為防止除氧器水位超限威脅機(jī)組運(yùn)行安全，程序中設(shè)置了合理的除氧器水位高、低限值，當(dāng)除氧器水位達(dá)到上限時(shí)，利用除氧器溢流閥把多余的凝結(jié)水暫時(shí)排放到疏水?dāng)U容器；當(dāng)除氧器水位達(dá)到低限時(shí)，利用來自凝汽器儲(chǔ)水箱的除氧器補(bǔ)水門維持水位不低于低限值.

(2) 當(dāng)負(fù)荷設(shè)定值達(dá)到目標(biāo)值，負(fù)荷逐漸趨穩(wěn)時(shí)，再次調(diào)用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，根據(jù)當(dāng)前主蒸汽參數(shù)、再熱蒸汽參數(shù)及除氧器水位調(diào)門實(shí)時(shí)開度，對(duì)汽輪機(jī)調(diào)門開度進(jìn)行尋優(yōu)，以保持機(jī)組實(shí)際負(fù)荷與目標(biāo)值偏差在允許范圍內(nèi)，維持主汽壓力穩(wěn)定，同時(shí)逐步將除氧器水位設(shè)定值平滑過渡到原始值.

(3) 當(dāng)除氧器水位回到原始值，且機(jī)組實(shí)際負(fù)荷達(dá)到目標(biāo)值并逐漸穩(wěn)定時(shí)，所有補(bǔ)償信號(hào)歸零，機(jī)組切回原控制.上述控制方案的流程見圖5.

采用上述機(jī)組協(xié)調(diào)系統(tǒng)負(fù)荷雙重智能優(yōu)化控制方案，具有以下優(yōu)點(diǎn)：(1) 基于智能模型的凝結(jié)水調(diào)門優(yōu)化策略，可保證機(jī)組在動(dòng)態(tài)變負(fù)荷過程中具有較快的負(fù)荷響應(yīng)速率，大大減小實(shí)際負(fù)荷與設(shè)定值的動(dòng)態(tài)偏差，并確保除氧器水位處于機(jī)組安全運(yùn)行范圍.(2) 基于智能模型的汽輪機(jī)調(diào)門優(yōu)化策略，可保證負(fù)荷趨穩(wěn)階段凝結(jié)水流量還原過程機(jī)組負(fù)荷的調(diào)節(jié)精度.將該方法應(yīng)用于實(shí)際機(jī)組，可大大提高大容量超臨界機(jī)組對(duì)AGC和一次調(diào)頻的適應(yīng)能力.

3.2 前饋、反饋結(jié)合的主汽壓力預(yù)測(cè)優(yōu)化控制方案

主汽壓力優(yōu)化與上述負(fù)荷雙重優(yōu)化的整個(gè)過程并列進(jìn)行，采用前饋與反饋結(jié)合的預(yù)測(cè)優(yōu)化控制方案，借助主汽壓力預(yù)測(cè)模型完成燃料量指令優(yōu)化.其流程如圖6所示.

程序首先讀取負(fù)荷指令、主汽壓力設(shè)定值、燃料量指令信號(hào)，根據(jù)當(dāng)前的指令判斷是否滿足優(yōu)化條件，若主汽壓力設(shè)定值與實(shí)際值的偏差大于0.1 MPa，且優(yōu)化控制選擇開關(guān)處于ON狀態(tài)，則優(yōu)化開始.根據(jù)當(dāng)前負(fù)荷指令，計(jì)算出負(fù)荷穩(wěn)定時(shí)的燃料量前饋指令，圍繞該前饋指令值，根據(jù)壓力偏差，確定燃料量的雙向搜索范圍.調(diào)用主汽壓力預(yù)測(cè)模型，計(jì)算出不同燃料量指令下的壓力預(yù)測(cè)值，根據(jù)壓力預(yù)測(cè)值與設(shè)定值偏差對(duì)指令進(jìn)行優(yōu)化計(jì)算，得出燃料量補(bǔ)償信號(hào)送到鍋爐主控.在程序中設(shè)置了燃料量的高、低限值，防止主汽壓力出現(xiàn)大幅波動(dòng).

圖5 基于凝結(jié)水節(jié)流的負(fù)荷雙重智能優(yōu)化控制方案

圖6 前饋和反饋結(jié)合的主汽壓力優(yōu)化控制方案

Fig.6 Main steam pressure control optimization combining feedforward and feedbackward signals

3.3 外掛式補(bǔ)償控制方案的實(shí)現(xiàn)

在優(yōu)化控制方案具體實(shí)施時(shí)，為確保機(jī)組安全運(yùn)行，便于優(yōu)化后的控制設(shè)定值、控制指令和機(jī)組原設(shè)定值及原控制指令的無擾切換，提出了一種外掛式補(bǔ)償控制方案.圖7給出了凝結(jié)水節(jié)流優(yōu)化過程中，除氧器水位調(diào)門開度指令以及水位設(shè)定值的外掛式補(bǔ)償實(shí)現(xiàn)方法.汽輪機(jī)調(diào)門補(bǔ)償控制和鍋爐燃料量補(bǔ)償控制的實(shí)現(xiàn)方法與之相同.

上述方案借助Matlab平臺(tái)編寫外掛式實(shí)時(shí)控制算法，并通過數(shù)據(jù)通訊協(xié)議與1 000 MW超超臨界機(jī)組仿真機(jī)進(jìn)行雙向數(shù)據(jù)交換，完成優(yōu)化控制實(shí)時(shí)仿真試驗(yàn).

4 控制優(yōu)化仿真試驗(yàn)研究

4.1 從1 000 MW至950 MW定壓降負(fù)荷試驗(yàn)

為驗(yàn)證所提控制方案的實(shí)施效果，借助1 000 MW超超臨界機(jī)組仿真機(jī)開展詳細(xì)的仿真試驗(yàn)研究.

在協(xié)調(diào)方式下以10 MW/min的變負(fù)荷率從1 000 MW降負(fù)荷到950 MW，分別采用機(jī)組原協(xié)調(diào)控制和考慮凝結(jié)水節(jié)流的負(fù)荷和主汽壓力聯(lián)合優(yōu)化控制方法進(jìn)行試驗(yàn)，結(jié)果見圖8.

圖7 凝結(jié)水節(jié)流優(yōu)化補(bǔ)償控制方案原理圖

Fig.7 Compensation control scheme for condensate throttling optimization

(a) 負(fù)荷

(b) 主汽壓力

(c) 除氧器水位

(d) 除氧器水位調(diào)門指令

(e) 汽輪機(jī)調(diào)門指令

(f) 燃料量指令

從圖8可以看出，當(dāng)負(fù)荷從1 000 MW降至950 MW時(shí)，主汽壓力目標(biāo)值不變，機(jī)組處于定壓運(yùn)行階段.采用機(jī)組原協(xié)調(diào)控制時(shí)，由于主汽壓力超限，在240 s左右，出現(xiàn)了負(fù)荷指令閉鎖；而采用聯(lián)合智能優(yōu)化控制方法后，主汽壓力的控制偏差大大減小，未出現(xiàn)負(fù)荷指令閉鎖，負(fù)荷響應(yīng)速度、控制精度均較好.

從各控制指令對(duì)比圖可以看出，變負(fù)荷動(dòng)態(tài)過程負(fù)荷控制效果的改善，主要是由于凝結(jié)水節(jié)流(除氧器水位調(diào)門開度變化)在起作用；當(dāng)負(fù)荷指令達(dá)到950 MW時(shí)，凝結(jié)水節(jié)流逐漸平穩(wěn)退出，此時(shí)負(fù)荷控制精度仍保持較好，這主要是由于對(duì)汽輪機(jī)調(diào)門的二次優(yōu)化起作用；而主汽壓力控制效果的改善，則主要是由于燃料量預(yù)測(cè)優(yōu)化控制模塊在起作用.

4.2 900 MW至850 MW滑壓降負(fù)荷試驗(yàn)

為進(jìn)一步檢驗(yàn)控制方法的效果，協(xié)調(diào)方式下采用滑壓方式以10 MW/min的變負(fù)荷率從900 MW降負(fù)荷到850 MW，分別采用機(jī)組原協(xié)調(diào)控制和考慮凝結(jié)水節(jié)流的負(fù)荷、主汽壓力聯(lián)合優(yōu)化控制方法進(jìn)行試驗(yàn)，結(jié)果見圖9.

(a) 負(fù)荷

(b) 主汽壓力

(c) 除氧器水位

(d) 除氧器水位調(diào)門指令

(e) 汽輪機(jī)調(diào)門指令

(f) 燃料量指令

從圖9可以看出，滑壓方式降負(fù)荷過程中，采用機(jī)組原協(xié)調(diào)控制時(shí)，同樣由于主汽壓力偏差大，在350 s左右出現(xiàn)了負(fù)荷指令閉鎖，導(dǎo)致負(fù)荷響應(yīng)速度慢，且負(fù)荷指令到達(dá)850 MW后，實(shí)際負(fù)荷偏差較大；而采用本文優(yōu)化控制方法，負(fù)荷可很好地跟蹤設(shè)定值.盡管滑壓降負(fù)荷過程中，主汽壓力仍存在一定的控制偏差，但與機(jī)組原協(xié)調(diào)控制相比效果更好，不會(huì)出現(xiàn)負(fù)荷指令閉鎖的情況.

綜上所述，采用凝結(jié)水節(jié)流負(fù)荷雙重優(yōu)化和主汽壓力預(yù)測(cè)優(yōu)化智能優(yōu)化控制方案后，機(jī)組的負(fù)荷調(diào)節(jié)速度、控制精度較機(jī)組原協(xié)調(diào)控制均有很大提高，主汽壓力控制偏差減小，大大改善了機(jī)組對(duì)AGC的適應(yīng)能力，可使超超臨界機(jī)組更好地適應(yīng)中調(diào)AGC和深度調(diào)峰的要求，達(dá)到了預(yù)期的效果.

5 結(jié) 論

(1) 針對(duì)某1 000 MW超超臨界機(jī)組，采用具有輸入時(shí)延和輸出反饋時(shí)延的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建立了考慮回?zé)嵫h(huán)特性的負(fù)荷預(yù)測(cè)模型和主汽壓力預(yù)測(cè)模型.借助仿真機(jī)擾動(dòng)試驗(yàn)，優(yōu)選出最佳模型結(jié)構(gòu)，滿足協(xié)調(diào)系統(tǒng)預(yù)測(cè)優(yōu)化控制的工程應(yīng)用要求.

(2) 結(jié)合凝結(jié)水節(jié)流技術(shù)，提出了一種負(fù)荷、主汽壓力聯(lián)合智能優(yōu)化控制方法.該方法利用所建立的負(fù)荷和主汽壓力預(yù)測(cè)模型分別對(duì)除氧器水位調(diào)門開度、汽輪機(jī)調(diào)門開度、燃料量控制進(jìn)行優(yōu)化，有效改善了機(jī)組的協(xié)調(diào)控制效果.

(3) 基于Matlab編制實(shí)時(shí)優(yōu)化控制算法，采用外掛式補(bǔ)償控制方案，借助1 000 MW仿真機(jī)對(duì)智能優(yōu)化控制策略開展了詳細(xì)的仿真試驗(yàn).結(jié)果表明該方法可大大提高機(jī)組動(dòng)態(tài)過程負(fù)荷響應(yīng)的速度以及凝結(jié)水流量還原過程負(fù)荷的調(diào)節(jié)精度.

需指出，由于凝結(jié)水節(jié)流會(huì)對(duì)除氧器的水位造成較大影響，在現(xiàn)場(chǎng)實(shí)施時(shí)，需重點(diǎn)考慮凝結(jié)水節(jié)流對(duì)除氧器水位、凝汽器水位等參數(shù)的影響，以確保機(jī)組運(yùn)行的安全性.此外，協(xié)調(diào)系統(tǒng)智能優(yōu)化控制方案的實(shí)現(xiàn)以負(fù)荷及主汽壓力神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型為基礎(chǔ)，因此模型預(yù)測(cè)精度對(duì)優(yōu)化控制效果有較大影響，需針對(duì)不同機(jī)組對(duì)各模型的參數(shù)、結(jié)構(gòu)等進(jìn)行優(yōu)選.

[1] UECKERDT F, BRECHA R, LUDERER G. Analyzing major challenges of wind and solar variability in power systems[J]. Renewable Energy, 2015, 81: 1-10.

[2] 丁明, 王偉勝, 王秀麗, 等. 大規(guī)模光伏發(fā)電對(duì)電力系統(tǒng)影響綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(1): 1-14.

DING Ming, WANG Weisheng, WANG Xiuli, et al. A review on the effect of large-scale PV generation on power systems[J]. Proceedings of the CSEE, 2014, 34(1): 1-14.

[3] 王立軍, 李曉敏. “兩個(gè)細(xì)則”條件下的超臨界機(jī)組AGC協(xié)調(diào)控制優(yōu)化[J]. 現(xiàn)代電力, 2011, 28(2): 84-89.

WANG Lijun, LI Xiaomin. The optimization of coordinated control system under AGC mode for supercritical generation unit based on "two documents"[J]. Modern Electric Power, 2011, 28(2): 84-89.

[4] 王淼婺. 火電機(jī)組協(xié)調(diào)控制對(duì)AGC的適應(yīng)性分析[J]. 中國(guó)電力, 1999, 32(6): 45-47.

WANG Miaowu. Adaptibity of coordinated control of fossil-fired generating unit to AGC[J]. Electric Power, 1999, 32(6): 45-47.

[5] 鄭飛, 金豐. 大中型火電機(jī)組AGC快速響應(yīng)控制策略優(yōu)化的研究[J]. 東北電力技術(shù), 2013, 34(5): 21-23.

ZHENG Fei, JIN Feng. Research on the control strategy optimizing of fast AGC response of large and medium-scale thermal power unit[J]. Northeast Electric Power Technology, 2013, 34(5): 21-23.

[6] 馬良玉, 高志元. 超臨界機(jī)組協(xié)調(diào)控制系統(tǒng)的預(yù)測(cè)優(yōu)化控制[J]. 熱力發(fā)電, 2014, 43(9): 54-59.

MA Liangyu, GAO Zhiyuan. Predictive optimal control for coordinated system of a supercritical power unit[J]. Thermal Power Generation, 2014, 43(9): 54-59.

[7] MORTENSEN J H, MOELBAK T, ANDERSEN P, et al. Optimization of boiler control to improve the load-following capability of power-plant units[J]. Control Engineering Practice, 1998, 6(12): 1531-1539.

[8] FETTERER B, LAUSTERER G K, LEIBBRANDT S R. Improved unit dynamic response using condensate throttling[C]//Proceedings of IFAC Symposium on Control of Power Plants and Power Systems. Munich, Germany: IFAC, 1992.

[9] LAUSTERER G K. Improved maneuverability of power plants for better grid stability[J]. Control Engineering Practice, 1998, 6(12): 1549-1557.

[10] WANG Wei, ZENG Deliang, LIU Jizhen, et al. Feasibility analysis of changing turbine load in power plants using continuous condenser pressure adjustment[J]. Energy, 2014, 64: 533-540.

[11] 馬良玉, 高志元. 基于神經(jīng)網(wǎng)絡(luò)的超臨界機(jī)組數(shù)學(xué)模型[J]. 動(dòng)力工程學(xué)報(bào), 2013, 33(7): 517-522.

MA Liangyu, GAO Zhiyuan. Mathematical model based on neural network for supercritical unit[J]. Journal of Chinese Society of Power Engineering, 2013, 33(7): 517-522.

[12] 馬良玉, 成蕾. 考慮回?zé)嵫h(huán)的超超臨界機(jī)組負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型[J]]. 熱力發(fā)電, 2016, 45(4): 19-27, 34.

MA Liangyu, CHENG Lei. Load prediction model for ultra-supercritical turbine power unit considering regenerative cycle characteristics[J]. Thermal Power Generation, 2016, 45(4): 19-27, 34.

[13] 于達(dá)仁, 郭鈺鋒, 王曉娟, 等. 計(jì)及回?zé)崞餍顭嵝?yīng)的汽輪機(jī)動(dòng)態(tài)模型[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2005, 25(14): 84-88.

YU Daren, GUO Yufeng, WANG Xiaojuan, et al. Dynamic turbine model with regenerator[J]. Proceedings of the CSEE, 2005, 25(14): 84-88.

[14] 劉吉臻, 劉彧昕, 王瑋. 基于汽水分布方程的熱力發(fā)電機(jī)組凝結(jié)水節(jié)流靜態(tài)負(fù)荷響應(yīng)特性[J]. 動(dòng)力工程學(xué)報(bào), 2015, 35(4): 318-324.

LIU Jizhen, LIU Yuxin, WANG Wei. Study on static load response of thermal power units caused by condensate throttling based on steam-water distribution equation[J]. Journal of Chinese Society of Power Engineering, 2015, 35(4): 318-324.

[15] 王瑋, 劉吉臻, 曾德良, 等. 凝結(jié)水節(jié)流變負(fù)荷能力靜態(tài)建模與分析[J]. 動(dòng)力工程學(xué)報(bào), 2015, 35(9): 740-745, 759.

WANG Wei, LIU Jizhen, ZENG Deliang, et al. Static modelling and analysis on load change capability of condensate throttling[J]. Journal of Chinese Society of Power Engineering, 2015, 35(9): 740-745, 759.

[16] 馬良玉, 寧福軍, 宋勝男. 凝結(jié)水節(jié)流對(duì)機(jī)組負(fù)荷影響的仿真研究[J]. 熱力發(fā)電, 2015, 44(3): 109-114.

MA Liangyu, NING Fujun, SONG Shengnan. Influence of condensate throttling on unit load: simulation test[J]. Thermal Power Generation, 2015, 44(3): 109-114.

[17] 張德豐. MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]. 北京: 機(jī)械工業(yè)出版社, 2009.

Intelligent Control Optimization for the Coordinated System of an Ultra-supercritical Power Unit Based on Neural Network Prediction Models and Condensate Throttling

MALiangyu1,CHENGLei2,PENGGang3,YINZhe3

(1.School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, Hebei Province, China; 2. Beijing Sifang Automation Co., Ltd., Beijing 100085, China; 3. State Grid Hebei Electric Power Research Institute, Shijiazhuang 050021, China)

Taking the 1 000 MW ultra-supercritical unit as an object of study, artificial neural network prediction models with high accuracy and good dynamic characteristics were established for the unit load and main steam pressure in consideration of its regenerative cycle system. Subsequently, an optimized intelligent predictive controller was proposed for the coordinate system, which was used to optimize the openings of deaerator water level control valve and steam turbine control valve, and to control the total fuel demand based on above prediction models under variable load conditions, so as to improve the coordinated control effect. Detail simulation tests were conducted on the optimized coordinated control with a full-scope simulator for the given 1 000 MW USC power unit. Results show that via the method, both the response speed of dynamic load and the load control accuracy can be effectively improved, with significant reduction in control deviation of the main steam pressure under varying load conditions, proving the method to have good practicability.

ultra-supercritical power unit; neural network; prediction model; condensate throttling; coordinated system; intelligent control optimization

1674-7607(2017)08-0640-09

TK323

A

470.20

2016-10-19

國(guó)家自然科學(xué)基金資助項(xiàng)目(61174111)

馬良玉(1972-)，男，河北井陘人，教授，博士，主要從事工業(yè)過程建模與仿真，智能技術(shù)在電站建模、優(yōu)化控制與故障診斷中應(yīng)用方面的研究. 電話(Tel.): 0312-7523367; E-mail：maliangyu@ncepu.edu.cn.