改進(jìn)粒子群優(yōu)化的燃?xì)獍l(fā)電鍋爐主汽壓模糊預(yù)測控制策略

馮旭剛,鮑立昌,章家?guī)r

(安徽工業(yè)大學(xué)電氣與信息工程學(xué)院,243032,安徽馬鞍山)

燃?xì)獍l(fā)電鍋爐使用鋼鐵企業(yè)在生產(chǎn)過程中產(chǎn)生的大量高爐、轉(zhuǎn)爐和焦?fàn)t煤氣作為燃料進(jìn)行發(fā)電,但煤氣壓力波動劇烈,主汽壓難以維持穩(wěn)定[1-2]。目前,燃?xì)忮仩t主汽壓控制主要采用PID控制方法,但由于鍋爐存在大慣性、大滯后和模型參數(shù)易變等特點(diǎn),當(dāng)工業(yè)現(xiàn)場環(huán)境或煤氣壓力變化時,控制精度和實(shí)時性往往達(dá)不到要求[3-4]。

近年來,研究人員將智能控制引入主汽壓控制,進(jìn)行了大量的理論與實(shí)踐研究。鄭躍等針對火電機(jī)組大慣性導(dǎo)致負(fù)荷響應(yīng)慢、主汽壓波動大的問題,提出了一種主汽壓預(yù)測的火電機(jī)組負(fù)荷控制方法,采用遺傳算法整定預(yù)測模型動態(tài)參數(shù),根據(jù)預(yù)測跟蹤誤差來修正鍋爐側(cè)的能量需求,提前改變?nèi)霠t能量來減少主汽壓波動,使得機(jī)爐之間協(xié)調(diào)動作[5]。曾德良等針對主汽壓動態(tài)調(diào)節(jié)過程波動大,導(dǎo)致汽包爐機(jī)組協(xié)調(diào)系統(tǒng)的控制性能不達(dá)標(biāo)問題,提出了一種以階梯式預(yù)測控制為核心,融合前饋控制和解耦控制理念的汽包爐機(jī)組協(xié)調(diào)系統(tǒng)優(yōu)化控制方案,并設(shè)計(jì)了預(yù)測控制和PID控制無擾切換方式,該方案對減少主汽壓波動、提高機(jī)組協(xié)調(diào)控制性能具有一定效果[6]。高錦等針對發(fā)電鍋爐主汽壓存在的大滯后和煤氣擾動大的特點(diǎn),提出了一種基于失配補(bǔ)償Smith-RBF神經(jīng)網(wǎng)絡(luò)控制方法,利用RBF神經(jīng)網(wǎng)絡(luò)整定常規(guī)PID參數(shù),并通過失配補(bǔ)償Smith預(yù)估控制器對系統(tǒng)中存在的純滯后進(jìn)行補(bǔ)償,一定程度上解決了火力發(fā)電鍋爐主汽壓對象動態(tài)特性模型失配及純滯后的問題[7]。這些方法雖然都取得了一定的控制效果,但實(shí)際工業(yè)現(xiàn)場具有很強(qiáng)不確定性,工況易發(fā)生變化,控制系統(tǒng)常因?qū)ο髤?shù)變化而得不到滿意的控制效果。

有鑒于此,本文提出一種改進(jìn)粒子群優(yōu)化的模糊廣義預(yù)測控制(改進(jìn)PSO-模糊GPC)策略,通過遺忘因子遞推最小二乘法(FFRLS)辨識得到受控自回歸積分滑動平均過程(CARIMA)模型,利用含控制加權(quán)系數(shù)模糊自校正環(huán)節(jié)的GPC算法提高系統(tǒng)在工況或模型變化時的動態(tài)特性,引入改進(jìn)PSO算法尋求GPC算法中的控制量增量最優(yōu)解,將其輸出給控制對象。工程應(yīng)用表明,該策略能夠?qū)崿F(xiàn)主汽壓超調(diào)量小、穩(wěn)定性好和動態(tài)響應(yīng)速度快的綜合調(diào)節(jié)效果。

1 主汽壓控制系統(tǒng)參數(shù)辨識

1.1 主汽壓控制模型

主汽壓是表征鍋爐運(yùn)行狀態(tài)的重要參數(shù),關(guān)系到鍋爐設(shè)備的安全運(yùn)行,是衡量燃燒產(chǎn)生的熱量與機(jī)組負(fù)荷是否相平衡的重要標(biāo)志[8-9]。鍋爐燃燒控制的主要任務(wù)是維持主汽壓穩(wěn)定。當(dāng)主汽壓升高時,蒸汽流量、機(jī)組負(fù)荷隨之增加,鍋爐各承壓部件應(yīng)力變大,設(shè)備易損傷,同時末級排汽濕度增大,影響汽輪機(jī)末級葉片壽命;當(dāng)主汽壓降低時,蒸汽流量、機(jī)組負(fù)荷降低,經(jīng)濟(jì)性下降,為維持負(fù)荷需增大蒸汽流量,使得汽輪機(jī)組的軸向位移變大,動靜碰摩可能性增加[10-11]。

為提高燃?xì)忮仩t主汽壓的穩(wěn)定性,可采用串級控制方案,如圖1所示。串級控制器的副回路控制器采用燃料量控制器,通過熱電偶測量得到的爐膛溫度信號,改變煤氣閥門開度來調(diào)節(jié)煤氣量,克服由燃料量或燃料熱值變化造成的內(nèi)部擾動。主回路控制器采用主汽壓控制器,利用主汽壓系統(tǒng)的輸入輸出數(shù)據(jù)對預(yù)測模型進(jìn)行實(shí)時辨識,運(yùn)用改進(jìn)PSO算法和控制加權(quán)系數(shù)模糊自校正對控制增量Δu(k)進(jìn)行同步尋優(yōu),最后通過預(yù)測控制律求得預(yù)測輸入u(k)。當(dāng)發(fā)電機(jī)組輪機(jī)負(fù)荷變化時,主汽壓偏離設(shè)定值,主汽壓控制器根據(jù)主汽壓信號給燃料控制器信號,調(diào)節(jié)合適的煤氣輸入量維持主汽壓穩(wěn)定,克服由發(fā)電機(jī)組負(fù)荷變化造成的外部擾動。

串級控制系統(tǒng)中,副回路根據(jù)爐膛溫度對煤氣量進(jìn)行控制。煤氣壓力或熱值變化時,造成爐膛溫度產(chǎn)生變化,其傳遞函數(shù)可表示為

(1)

式中:K1為煤氣燃燒產(chǎn)熱的系數(shù);T1為燃燒過程時間常數(shù)。

預(yù)測跟蹤偏差;偏差變化率;λk—廣義預(yù)測控制加權(quán)系數(shù);Δu(k)—控制增量;u(k)—系統(tǒng)輸入燃料量;y(k)—輸出主汽壓。圖1 主汽壓控制系統(tǒng)

主回路根據(jù)主汽壓變化對煤氣量進(jìn)行控制。爐膛內(nèi)熱量變化時,造成主汽壓發(fā)生變化,其傳遞函數(shù)可表示為

(2)

式中:K2為熱量轉(zhuǎn)化為蒸汽的放大系數(shù);T2為蒸汽形成過程時間常數(shù);τ2為純滯后時間。

結(jié)合本小節(jié)分析,主汽壓串級控制系統(tǒng)的輸入量為煤氣量,輸出量為主汽壓,其傳遞函數(shù)為

(3)

1.2 遺忘因子遞推最小二乘法系統(tǒng)辨識

FFRLS在遞推最小二乘法的基礎(chǔ)上引入遺忘因子,能有效克服系統(tǒng)參數(shù)時變問題[12]。本文根據(jù)廣義預(yù)測控制對模型的要求,利用FFRLS算法辨識現(xiàn)場采集的數(shù)據(jù)建立系統(tǒng)CARIMA模型。

對于單輸入單輸出的離散系統(tǒng),CARIMA模型的表達(dá)式和其傳遞函數(shù)表達(dá)式分別為

A(z-1)y(k)=B(z-1)u(k-d)+ξ(k)/Δ

(4)

(5)

式中:ξ(k)為白噪聲;Δ=1-z-1為差分算子;A(z-1)和B(z-1)為含有系統(tǒng)變量參數(shù)的多項(xiàng)式,表達(dá)式為

A(z-1)=1+a1z-1+a2z-2+…+anaz-na

B(z-1)=b0+b1z-1+b2z-2+…+bnbz-nb

其中na、nb、d均為已知的結(jié)構(gòu)參數(shù)。

根據(jù)系統(tǒng)辨識理論,由采集到的輸入和輸出數(shù)據(jù),確定參數(shù)a1,a2,…,ana,b0,b1,b2,…,bnb。

由式(4)和式(5)可知,離散CARIMA模型可寫成最小二乘形式

y(k)=-a1y(k-1)-…-anay(k-na)+
b0y(k-d)+…+bnbu(k-d-nb)+ξ(k)/Δ=
φT(k)θ+ξ(k)/Δ

(6)

式中:φ(k)=[-y(k-1),…,y(k-na),u(k-d),…,u(k-d-nb)]T;θ=[a1,…,ana,b0,…,bnb]。

設(shè)性能指標(biāo)函數(shù)為

(7)

式中:L為數(shù)據(jù)長度;η為遺忘因子,0≤η≤1。

(8)

參數(shù)辨識步驟如下。

步驟2 采樣當(dāng)前輸出y(k)和輸入u(k)。

步驟4 當(dāng)已辨識數(shù)據(jù)量小于式(7)中的數(shù)據(jù)長度L時,則k→k+1,返回步驟2,繼續(xù)循環(huán);當(dāng)已辨識數(shù)據(jù)量等于L時,則結(jié)束辨識過程,進(jìn)入下一步。

步驟5 得到主汽壓控制系統(tǒng)各參數(shù)辨識數(shù)據(jù)。

2 燃?xì)忮仩t主汽壓優(yōu)化控制

2.1 廣義預(yù)測控制算法

廣義預(yù)測控制是Clarke等在最小方差控制和自適應(yīng)控制發(fā)展的基礎(chǔ)上,吸收了動態(tài)矩陣控制(DMC)和模型算法控制(MAC)中滾動優(yōu)化的思想,提出的一種包括多步預(yù)測、動態(tài)優(yōu)化和反饋校正的自適應(yīng)控制算法[13-14]。針對燃?xì)獍l(fā)電鍋爐具有的大時滯和模型不確定等特點(diǎn),采用GPC算法設(shè)計(jì)主汽壓控制系統(tǒng),能夠有效降低因工況或煤氣壓力變化所產(chǎn)生的主汽壓超調(diào)量,提高主汽壓的控制效果和準(zhǔn)確性。

2.1.1 預(yù)測模型 主汽壓廣義預(yù)測控制的預(yù)測模型采用CARIMA模型,表達(dá)式為

A(z-1)y(k)=B(z-1)u(k-d)+ξ(k)/Δ

(9)

2.1.2 滾動優(yōu)化 主汽壓GPC控制的目標(biāo)是使主汽壓預(yù)測輸出與參考軌跡的偏差最小,提高系統(tǒng)的魯棒性。在目標(biāo)函數(shù)中加入當(dāng)前時刻的輸入燃料量u(k)對系統(tǒng)輸出主汽壓y(k)未來時刻的影響,取目標(biāo)函數(shù)

(10)

式中m和n分別為控制長度和預(yù)測長度,m≤n。

對系統(tǒng)進(jìn)行柔化控制,使輸出更好地跟蹤參考軌跡曲線,參考軌跡表達(dá)式為

w(k+j)=αjy(k)+(1-αj)yr,j=1,2,…,n

(11)

式中:w(k)為參考軌跡;yr為系統(tǒng)設(shè)定值;α為柔化系數(shù),0<α<1。

通過求解丟番圖方程可得k+j時刻的預(yù)測輸出值

(12)

式(12)中的輸出預(yù)測值包括k時刻的已知量和未知量兩部分。將已知量用r(k+j)表示,寫成矩陣形式

r=HΔu(k)+Fy(k)

(13)

式中

F=[F1,F2,…,Fn]T

根據(jù)式(12)可得最優(yōu)輸出預(yù)測值矩陣形式

(14)

式中

ΔU=[Δu(k),Δu(k+1),…,Δu(k+n)]T

r=[r(k),r(k+1),…,r(k+n)]T

由式(10)可得,目標(biāo)函數(shù)的矩陣表達(dá)式為

J=(Y-W)T(Y-W)+λkΔUTΔU

(15)

式中W=[w(k+1),w(k+2),…,w(k+n)]T。

ΔU=(GTG+λkI)-1GT(W-r)

(16)

令(GTG+λkI)-1GT的第一行為gT,則k時刻實(shí)際控制量輸入為

u(k)=u(k-1)+gT(W-r)

(17)

2.2 控制加權(quán)系數(shù)模糊自校正

由式(17)可知,控制加權(quán)系數(shù)λk對當(dāng)前時刻的輸入變化量u(k)有直接影響。一般而言,λk是根據(jù)反復(fù)仿真調(diào)整選取的固定值。但是,實(shí)際運(yùn)行中λk應(yīng)根據(jù)主汽壓運(yùn)行狀況不斷進(jìn)行動態(tài)校正,使主汽壓獲得更快的響應(yīng)速度,同時防止主汽壓因工況變化發(fā)生大幅波動,從而提高控制系統(tǒng)的快速性和穩(wěn)定性。

(18)

圖的隸屬度函數(shù)

模糊規(guī)則庫是控制加權(quán)系數(shù)自校正的關(guān)鍵,規(guī)則庫設(shè)計(jì)邏輯如下:①當(dāng)主汽壓預(yù)測跟蹤偏差絕對值較小時,應(yīng)選擇較大的λk,使輸入量增幅減小,防止主汽壓發(fā)生超調(diào);②當(dāng)主汽壓預(yù)測跟蹤偏差絕對值變大時,應(yīng)選擇較小的λk,使輸入量增幅變大,從而加快主汽壓調(diào)節(jié)過程。建立的模糊規(guī)則庫如表1所示。

表1 控制加權(quán)系數(shù)λk模糊調(diào)節(jié)規(guī)則

采用乘積運(yùn)算、單值模糊化和加權(quán)反模糊推理機(jī)制,得控制加權(quán)系數(shù)λk的動態(tài)校正值為

(19)

圖3 控制加權(quán)系數(shù)λk的模糊自校正曲面

2.3 控制增量限幅

由于工業(yè)現(xiàn)場的控制裝置自身存在調(diào)節(jié)范圍、調(diào)節(jié)速率等約束,造成廣義預(yù)測控制算法中存在各種約束條件。本文針對廣義預(yù)測控制要求,考慮控制增量ΔU的約束條件

φΔumin≤ΔU≤φΔumax

(20)

式中:Δumin和Δumax為控制增量ΔU的下限與上限;φ=[1,…,1]T。

控制系統(tǒng)根據(jù)最優(yōu)控制律計(jì)算控制量增量,當(dāng)增量不滿足約束條件時,引入改進(jìn)粒子群算法對滾動優(yōu)化環(huán)節(jié)進(jìn)行尋優(yōu)。

3 改進(jìn)粒子群算法

3.1 粒子群優(yōu)化算法

(21)

3.2 基于改進(jìn)粒子群算法優(yōu)化的廣義預(yù)測控制

根據(jù)PSO算法尋優(yōu)原理可知,慣性系數(shù)ω的大小與粒子全局尋優(yōu)能力成正比,與搜索精度和局部尋優(yōu)能力成反比。針對PSO優(yōu)化過程中慣性系數(shù)ω對全局搜索能力的影響,本文采取使ω非線性遞減的方法,公式為

ω(l′)=ωstart-(ωstart-ωend)(l′/Lm)2

(22)

式中:l′為當(dāng)前迭代次數(shù),當(dāng)l′較小時ω較大,當(dāng)l′較大時ω較小;Lm為最大迭代次數(shù)。

SPSO算法尋優(yōu)過程中會使粒子位置逐漸收斂,導(dǎo)致進(jìn)化后期尋優(yōu)緩慢,算法陷入局部極值。因此,引入極值擾動算子,設(shè)置進(jìn)化停滯步數(shù)t為觸發(fā)條件,通過極值擾動算子產(chǎn)生的隨機(jī)擾動來調(diào)整個體極值pi和群體極值pg,從而產(chǎn)生新的搜索路徑。極值擾動算子為

(23)

其中U(0,1)為0～1間的一個隨機(jī)數(shù)。

SPSO增加極值擾動算子后的方程為

(24)

在廣義預(yù)測控制算法滾動優(yōu)化這一步中引入改進(jìn)PSO算法,利用改進(jìn)PSO算法不需要目標(biāo)函數(shù)在約束條件下可微,可以很好地解決廣義預(yù)測控制算法在約束條件下ΔU的最優(yōu)求解問題。將Δu引入改進(jìn)PSO算法的適應(yīng)度函數(shù)中,可得適應(yīng)度函數(shù)

(25)

基于改進(jìn)PSO優(yōu)化的廣義預(yù)測控制算法實(shí)現(xiàn)流程如下。

步驟1利用式(16)計(jì)算出ΔU。若ΔU滿足約束條件,則根據(jù)式(17)輸出u(k);若ΔU不滿足約束條件,則將其引入改進(jìn)PSO算法進(jìn)行尋優(yōu)。

步驟5重復(fù)步驟2到4直到滿足以下任一停止條件,終止尋優(yōu)并輸出最終尋優(yōu)值。停止條件為:①達(dá)到最大迭代次數(shù)Lm;②滿足穩(wěn)定精度δ和連續(xù)穩(wěn)定迭代次數(shù)T。

4 主汽壓模型辨識與控制仿真

4.1 主汽壓系統(tǒng)建模

采集某鋼廠自備電廠燃?xì)獍l(fā)電鍋爐正常工況下1 000組高爐煤氣、轉(zhuǎn)爐煤氣、焦?fàn)t煤氣和主汽壓數(shù)據(jù)。對采集數(shù)據(jù)進(jìn)行剔除異值、平滑處理等預(yù)處理后,再將高爐、轉(zhuǎn)爐、焦?fàn)t煤氣根據(jù)熱值比例按1∶2∶4換算為高爐煤氣,作為系統(tǒng)輸入煤氣量。利用FFRLS算法進(jìn)行參數(shù)辨識,建立主汽壓傳遞函數(shù)

(26)

4.2 主汽壓控制系統(tǒng)仿真

根據(jù)主汽壓特性可知,數(shù)學(xué)模型是變化的。為驗(yàn)證本文控制算法在煤氣發(fā)電鍋爐主汽壓控制系統(tǒng)中的控制效果,運(yùn)用MATLAB軟件分別在主汽壓模型適配和失配兩種情況下進(jìn)行仿真。參考文獻(xiàn)[17]的參數(shù)整定方法,并經(jīng)過多次仿真實(shí)驗(yàn)驗(yàn)證,本文預(yù)測控制模型參數(shù)取值如下:預(yù)測長度n=8,控制長度m=2,控制加權(quán)系數(shù)λk=0.65,柔化系數(shù)α=0.6,改進(jìn)PSO的學(xué)習(xí)因子c1=c2=2,δ=0.1,T=10,Lm=100,ξ(k)是均值為0、方差為0.01的白噪聲。

為檢測本文控制算法在主汽壓控制系統(tǒng)中的抗干擾能力和魯棒性,在系統(tǒng)運(yùn)行500 s時加入幅值為20%的階躍干擾,比較改進(jìn)PSO-模糊GPC、改進(jìn)PSO-GPC和DMC控制策略的控制效果,結(jié)果如圖4和圖5所示。模型失配時系統(tǒng)的傳遞函數(shù)為

(27)

圖4 模型適配仿真

圖5 模型失配仿真

由圖4可知,加入干擾后,系統(tǒng)模型適配時:改進(jìn)PSO-模糊GPC策略的調(diào)節(jié)時間為65.5 s,超調(diào)量為8.2%;改進(jìn)PSO-GPC策略的調(diào)節(jié)時間為72.4 s,超調(diào)量為10.8%;DMC策略的調(diào)節(jié)時間為160 s,超調(diào)量為13.3%。由圖5可知,系統(tǒng)模型失配時:改進(jìn)PSO-模糊GPC策略的調(diào)節(jié)時間為138 s,超調(diào)量為12.1%;改進(jìn)PSO-GPC策略的調(diào)節(jié)時間為155 s,超調(diào)量為15.8%;DMC策略的調(diào)節(jié)時間為270 s,超調(diào)量為20.1%。由此可知,改進(jìn)PSO-模糊GPC策略相比改進(jìn)PSO-GPC和DMC策略的抗干擾能力更好,魯棒性更強(qiáng),受模型失配影響更小。

為進(jìn)一步檢驗(yàn)本文控制方法在現(xiàn)場工況變化時的控制效果,分別針對3種控制算法在模型適配和模型失配情況下進(jìn)行仿真對比,結(jié)果如圖6和圖7所示。

圖6 工況改變時模型適配仿真

圖7 工況改變時模型失配仿真

分別在300 s和600 s時改變工況。由圖6可知,系統(tǒng)模型適配時,改進(jìn)PSO-模糊GPC策略、改進(jìn)PSO-GPC和DMC策略在第一次工況改變后的調(diào)節(jié)時間分別為50、100、155 s,超調(diào)量分別為0%、2%、3.6%,第二次工況改變后的調(diào)節(jié)時間分別為75、135、170 s,超調(diào)量分別為0%、2.6%、4.8%。由圖7可知,系統(tǒng)模型失配時,改進(jìn)PSO-模糊GPC策略、改進(jìn)PSO-GPC和DMC策略在第一次工況改變后的調(diào)節(jié)時間分別為100、135、190 s,超調(diào)量分別為1%、3.5%和5.6%,第二次工況改變后的調(diào)節(jié)時間分別為110、160、230 s,超調(diào)量分別為1.2%、3.9%、7.1%。由此可知,改進(jìn)PSO-模糊GPC策略相比改進(jìn)PSO-GPC和DMC策略擁有更優(yōu)越的動態(tài)響應(yīng)能力,受現(xiàn)場工況變化影響更小,魯棒性更強(qiáng)。

5 工程應(yīng)用

為了驗(yàn)證本文提出的燃?xì)獍l(fā)電鍋爐主汽壓廣義預(yù)測控制策略的有效性,以某鋼鐵廠冶金自備電廠150 t煤氣發(fā)電鍋爐為對象進(jìn)行工程應(yīng)用。保持原系統(tǒng)結(jié)構(gòu)和硬件配置不變,在現(xiàn)場增加一臺工控機(jī)作為優(yōu)化控制系統(tǒng),并在DCS系統(tǒng)中添加控制權(quán)切換程序,利用本文提出的改進(jìn)PSO-模糊GPC策略對主汽壓進(jìn)行優(yōu)化控制。控制系統(tǒng)通過OPC協(xié)議從原DCS系統(tǒng)讀取鍋爐主汽壓控制系統(tǒng)各項(xiàng)參數(shù),并采集控制系統(tǒng)實(shí)時曲線。主汽壓控制系統(tǒng)結(jié)構(gòu)如圖8所示。

圖8 主汽壓控制系統(tǒng)結(jié)構(gòu)

圖9為采用DMC控制、改進(jìn)PSO-GPC控制和改進(jìn)PSO-模糊GPC控制方案的主汽壓實(shí)時曲線,采集時間均為4 h。

圖9 主蒸汽壓力控制實(shí)時曲線

由圖9可知:DMC控制的主汽壓曲線基本穩(wěn)定在5.8 MPa,最低為5.43 MPa,最高為6.21 MPa,上下波動為7%;改進(jìn)PSO-GPC控制的主汽壓曲線基本穩(wěn)定在6.07 MPa,最低為5.69 MPa,最高為6.29 MPa,上下波動為6.2%;本文設(shè)計(jì)的改進(jìn)PSO-模糊GPC控制的主汽壓曲線基本穩(wěn)定在6 MPa左右,最低為5.85 MPa,最高為6.15 MPa,上下波動為2.7%。對比可知,改進(jìn)PSO-模糊GPC控制方案的主汽壓波動更小,更加穩(wěn)定,可取得更好的控制效果。

6 總 結(jié)

燃?xì)獍l(fā)電鍋爐主汽壓控制系統(tǒng)具有大慣性、純滯后的特點(diǎn),且機(jī)組運(yùn)行時易受外界干擾,導(dǎo)致被控對象模型參數(shù)變化。鑒于常規(guī)控制策略無法達(dá)到理想的控制效果,本文提出一種基于改進(jìn)PSO優(yōu)化的主汽壓模糊GPC控制策略,利用FFRLS算法建立系統(tǒng)模型,運(yùn)用改進(jìn)PSO算法和控制加權(quán)系數(shù)模糊自校正對GPC控制策略中的輸入增量Δu(k)進(jìn)行同步尋優(yōu),克服了主汽壓控制系統(tǒng)慣性和時滯的動態(tài)特性,從而實(shí)現(xiàn)了主汽壓控制系統(tǒng)的有效控制。仿真結(jié)果表明,本文所提控制策略在抗干擾能力、調(diào)節(jié)時間和超調(diào)量方面均優(yōu)于改進(jìn)PSO-GPC控制策略和DMC控制策略。工程應(yīng)用表明,采用本文所提控制策略的主汽壓實(shí)時曲線的上下波動僅為2.7%,進(jìn)一步證明了該控制策略穩(wěn)定性良好,受模型失配影響更小,魯棒性更強(qiáng)。本文提出的控制策略對其他燃煤或燃油發(fā)電鍋爐主汽壓控制應(yīng)具有一定的借鑒意義。

未來可探索采用參數(shù)更少的預(yù)測模型實(shí)現(xiàn)主汽壓的有效預(yù)測。