專利名稱：過程自適應控制方法及過程控制系統的制作方法
技術領域：
本發明涉及過程自適應控制技術及控制系統，尤其涉及適合于根據過程特性(甚至當過程屬于分布參數系統時)獲得良好控制特性的過程自適應技術及控制系統。
在被控制過程中，有些是以其被控時顯著的慢響應為特征的。例如，熱電廠的控制是以蒸汽溫度的響應為持征的。例如，主蒸汽溫度的時間常數長達10至20分鐘。因此，在常規的反饋控制中存在這樣的問題，即主蒸汽溫度隨負荷指令的大幅變化而大幅變化并且變化導致汽輪機的熱應力的增加并縮短了其使用壽命。由于這個問題，因此難于控制一個熱電站。
為了解決這個問題，提出了一種包含一個熱電廠模型的控制系統，用這個模型預測電廠的極近將來的動作，并根據這個預測的結果確定控制輸入。
對于在確定控制輸入時采用一個模型的控制技術，必須建立一個模型并調整該模型的參數。為此已經提出了幾種方法，它們包括在下列文獻中研究的過程自適應控制技術(1)Y.Sato等，“熱電廠的蒸汽預測控制”，IEEE/PES1984 Winter Meeting，Dallas，Texas，U.S.A.1984年1月29日～2月3日，(2)Sato等，“采用卡爾曼濾波器的鍋爐蒸汽溫度的預測控制”The 18th SICE(Society of Instrumentation andControl Engineers)Lecture，1201，1979年8月29日～9月1日，(3)Y.Sato等，“熱電廠的蒸汽溫度預測控制”，IEEE Trans.on Power Apparatus and Systems，PAS-103卷，第9期，9月(1984年)，2382-2387頁。在這些論文中，過程自適應控制技術應用于一個熱電廠。在這些研究中采用的預測模型是一個集總參數模型，其中末級過熱器的特性是用一個物理公式表示的。這個模型將前級過熱器的出口蒸汽溫度處理成一個干擾并預測末級過熱器的出口蒸汽溫度，即主蒸汽溫度。
隨著現在電力需求的增加，白天與夜晚之間的電力需求已變得明顯。因此，甚至在一個大功率的熱電廠中需要進行負荷跟蹤操作(中負荷操作)和日常的啟-停(DSS)操作。為了滿足這些要求，必須改善熱電廠控制系統的起動控制特性和負荷跟蹤特性。
然而，在一個常規的預測控制中難于滿意地滿足這些要求。這是因為正如在上述論文中描述得那樣一個熱電廠近似于一個集總參數模型。
一個熱電廠包括多個熱交換器，例如爐水壁、第一級過熱器、第二級過熱器及第三級過熱器。當水從上游向下游流經這些熱交換器時，它從燃氣中吸收能量并變成蒸汽然后變成過熱蒸汽。也就是說，熱電廠屬于分布參數系統。盡管如此，上述現有技術采用一個集總參數模型來近似末級過熱器，由這個模型預測在極近將來熱電廠的動作，并基于該預測的結果確定控制輸入。由于以上矛盾在預測中不可能考慮前級過熱器出口蒸汽溫度的變化，因而現有技術存在不能改善預測性能和不能期望可控性的問題。因為現有技術將基本上屬于一個分布參數系統的熱電廠近似成一個集總參數系統，所以不可能在技術上精確仿真一個電廠特性。因此，即使采用那個模型來預測在極近將來電廠的動作，也存在改善預測精度和改善可控性的某種限制。
在如上的常規模型中，尚未設計參數的自動調整。對于常規模型存在這樣一個問題，即象根據電廠的操作數據操作員或維護人員手動調整參數那樣，參數的調整花費較長的時間。
本發明的第一個目的是提供一種過程自適應控制技術及過程控制系統，它能控制采用一個能精確地仿真一個屬于分布參數系統的電廠特性的模型的過程。
本發明的第二個目的是提供一種過程自適應控制技術，它能自動調整參數，從而減少調整所需的時間。
為了實現上述第一目的，根據本發明的一個模式提供了一種過程自適應控制技術，它包括一個過程模型并用這個模型確定控制輸入，其特征在于，過程模型是由延遲時間因子與基于物理公式的集總參數模型的組合而構成，構成模型的物理公式的一部分或全部變量通過延遲時間因子(而其余的直接地)輸入給上述集總參數模型的物理公式，進行計算以找出該過程的狀態量，并利用狀態量確定控制輸入。
上述過程可以由一個或多個子過程構成，其中上述狀態量是控制輸入。這里，每一個子過程的模型可以由延遲時間因子與基于物理公式的集總參數模型的組合而構成。此外，過程可以以這樣的結構構成，即兩個或多個子過程順序連接，由上游子過程模型的物理公式獲得的狀態量用作為下游子過程模型的一個輸入變量，該狀態量通過下游子過程的延遲時間因子輸入給該下游子過程模型的物理公式，由這些模型獲得每一個子過程的預測狀態量，并且用這些預測值確定控制輸入。
為了實現第二個目的，根據本發明的另一模式可以在上述結構上添加另一個結構，其中通過借助于爬山算法(mountaineeringmethod)、模糊外推法或神經網絡的任何一種或其組合確定過程模型的參數，來完成過程模型的校正。
另外，根據本發明的另一個模式提供了另一種過程自適應控制技術，它包括一個過程模型并且利用這個模型確定控制輸入，其特征在于，上述過程模型由一個或多個子過程構成，其中上述狀態量是控制輸入，并且每一個子過程的模型由基于物理公式的集總參數模型所構成；而且兩個或多個子過程順序連接，由上游子過程模型的物理公式獲得的狀態量用作為一個輸入變量并輸入給該下游子過程模型的物理公式，由這些模型獲得每一個子過程的預測狀態量，并且用這些預測值確定控制輸入。
另外，根據本發明的另一個模式提供了一種過程控制系統，它根據對過程的期望值以及該過程的狀態量確定過程的控制輸入，其特征在于，包括一個過程模型并具有一個狀態量預測系統，以用該模型預測過程的狀態量；該預測系統包括一個模型，該模型由至少一個延遲時間因子與基于物理公式的集總參數模型的組合所構成；而且該模型通過延遲時間因子接收構成該模型物理公式的一部分或全部變量的輸入，并且也直接接收其余的變量，并且借助于該物理模型執行一個操作，以計算并輸出過程的狀態量，其中輸入變量是控制輸入和過程的狀態量。
更特別地是提供了這樣一個系統，即，熱電廠的每一個熱交換器的模型是由延遲時間因子與基于物理公式的集總參數模型的組合所構成，并且將給定的熱交換器模型結合進一個模型，以借助于該模型預測在極近將來熱電廠的動作，并根據預測的結果確定熱電廠的控制輸入。此外，對基于物理公式的集總參數模型構造一個卡爾曼濾波器。以用這個卡爾曼濾波器估計狀態變量的值，并根據估計值預測在極近將來熱電廠的動作。
例如，可以把一個熱電廠設想為本發明應用的一個典型過程。在這個應用中，因為熱電廠的每一個熱交換器的模型是由延遲時間因子與基于物理公式的集總參數模型的組合而構成的，所以可以精確地仿真基本上屬于分布參數系統的每一個熱交換器的特性。因為將這些熱交換器模型結合進一個模型并且用這個模型預測在極近將來熱電廠的動作，所以可以改善預測精度，因為根據這個預測的結果確定熱電廠的控制輸入，所以也可以改善可控性。
因為利用熱電廠的操作數據通過爬山算法調整模型的參數，所以能自動地調整參數并減少調整所需的時間。
因為借助于神經網絡調整模型的參數，所以也能自動地調整參數并減少調整所需的時間。采用神經網絡比采用爬山算法可以減少更多的調整時間。
因為借助于模糊外推法調整模型的參數，所以也能自動地調整參數并減少調整所需的時間。采用模糊外推法(象采用神經網絡那樣)比采用爬山算法能減少更多的調整時間。


圖1是顯示本發明一個實施例的結構的方框圖；圖2是顯示一個熱電廠輪廓的說明圖；圖3是顯示本發明一個實施例中的蒸汽溫度預測系統細節的方框圖；圖4是顯示本發明一個實施例中的預測單元細節的方框圖；圖5是顯示本發明一個實施例中的水/蒸汽與煙氣溫度之間的關系的說明圖；圖6是顯示構成本發明一個實施例的校正系統的細節的說明圖；圖7是顯示構成本發明一個實施例的熱電廠控制系統的功能結構的方框圖；圖8是顯示圖7所示系統的硬件結構的一個例子的方框圖；圖9是顯示圖7所示系統的硬件結構的另一個例子的方框圖圖10是顯示熱交換器的集總參數系統的原理的說明圖；圖11是比較不同實施例的響應特性的曲線圖；圖12是顯示本發明一個實施例中的蒸汽溫度控制結構的方框圖；圖13是顯示圖12所示系統的響應的曲線圖，其中采用當前值給出控制并使用一個預測模型觀察其變化；圖14是通過仿真評價圖12所示系統的曲線圖，其中采用由預測模型的預測值給出控制；圖15是顯示用于校正在本發明過程控制中的預測模型的靜態特性的過程的流程圖；圖16是顯示用于校正在本發明過程控制中的預測模型的動態特性的過程的流程圖；圖17是顯示用于在本發明過程控制中通過爬山算法校正預測模型參數的系統結構輪廓的方框圖；圖18是顯示通過爬山算法校正參數的原理的說明圖；圖19是顯示用于在本發明過程控制中通過模糊外推法校正預測模型參數的系統結構輪廓的方框圖；圖20是顯示通過模糊外推法校正參數的原理的說明圖；圖21是顯示通過模糊外推法校正參數的過程的說明圖22是顯示用于建立校正參數的模糊外推模型的過程的流程圖；圖23是顯示用于在本發明過程控制中通過神經網絡方法校正預測模型參數的系統結構輪廓的方框圖；圖24是顯示通過神經網絡方法校正參數的原理的說明圖；圖25是顯示用于建立校正參數的神經網絡模型的過程的流程圖。
下面參照附圖給出本發明的一個實施例。首先解釋在這個實施例中要控制的熱電廠的輪廓。圖2顯示了一個燃煤熱電廠的例子。
空氣由吸風機101經空氣預熱器102預熱，由主送風機103加速，并送入磨煤機107。另一方面，由給煤機馬達105驅動的給煤機106將煤斗104中的煤傳輸入該磨煤機107。在磨煤機107中磨碎的煤然后與空氣一起送入鍋爐126中的燃燒器127并在那里燃燒。
已燃氣將經過省煤器(ECO)130、爐水壁(WW)108和第一級過熱器(1SH)109的水變成蒸汽。蒸汽經過第一級噴水減溫器(SP1)116并由第二級過熱器(2SH)過熱，并經過第二級噴水減溫器(2SP)120并進一步由第三級過熱器(3SH)111過熱，然后經過主蒸汽管和主蒸汽調整器121進入高壓汽輪機122。由高壓汽輪機122出來的蒸汽經第一級中間再熱器112和第二級中間再熱器113中間再熱，然后進入中/低壓汽輪機。
高壓汽輪機122和中/低壓汽輪機123驅動發電機124發電。從中/低壓汽輪機出來的蒸汽由冷凝器125冷凝。給水泵117將凝結水再次送入鍋爐126的省煤器130。出自給水泵117的給水分別經過第一級噴水減溫器控制閥115和第二級噴水減溫器控制閥119送至第一級噴水減溫器116和第二級噴水減溫器120中。出自給水泵117的給水經過中間再熱噴水減溫器控制閥131也送入中間再熱噴水減溫器(SP3)132。鍋爐126裝備有用以再循環已燃氣的煙氣再循環風機114。鍋爐126也裝備有用以控制排氣的引風機118。
該熱電廠裝備有用于檢測電廠狀況的多個傳感器。它們是用于測量主蒸汽壓力(PMS)的傳感器S1、用于測量第一級過熱器出口蒸汽溫度(T1SH)的傳感器S2、用于測量排氣中的氧含量(O2)的傳感器S3、用于測量爐壓(PWW)的傳感器S4、用于測量第二級過熱器出口蒸汽溫度(T2SH)的傳感器S5、用于測量主蒸汽溫度(TMS)的傳感器S6、用于測量中間再熱蒸汽溫度(TRS)和第一級中間再熱器出口蒸汽溫度(T1RH)的傳感器S7和S9、以及用于測量發電機124的發電輸出(MW)的傳感器S8，每一個傳感器如圖2所示。此外，用于測量蒸汽流量、壓力和溫度的流量傳感器、壓力傳感器和溫度傳感器安裝在第一級過熱器109、第二級過熱器110和第三級過熱器111的入口或出口，但在圖中均未顯示它們，以同樣的方式，用于測量蒸汽流量、壓力和溫度的流量傳感器、壓力傳感器和溫度傳感器安裝在第一級中間再熱器112和第二級中間再熱器113的入口或出口。來自上述傳感器S1至S9和上述流量、壓力和溫度傳感器的輸出信號傳送給下面將描述的主控制單元和子回路控制單元。上述中間再熱噴射器132用作為備用設備，它僅當溫度超過限度時才操作。
在這個實施例中，根據這些傳感器信號控制熱電廠。在這個實施例中的控制就其功能包括一個主控制單元和一個用于主控制單元的子回路控制單元。圖7概略顯示了其結構。
如圖7所示，主控制單元1000包括一個常規控制系統(1100系統)和一個預測控制系統(1200系統)，常規控制系統控制快響應項(例如主蒸汽壓力)。預測控制系統控制慢響應項(例如主蒸汽溫度)。常規控制系統包括主蒸汽壓力控制單元1101、氧氣控制單元1102、爐壓控制單元1103、以及主單元1104，主單元1104接收一個負荷指令輸入并給汽輪機控制和鍋爐控制輸出相應的要求操作指令。預測控制系統包括控制和處理功能，它們是第一級過熱器出蒸汽溫度控制單元1201、第二級過熱器出口蒸汽溫度控制單元1202、主蒸汽溫度控制單元1203、及中間再熱蒸汽溫度控制單元1204。
在常規控制系統中，也設置有校正單元1105、校正單元1106、校正單元1107、校正單元1108、校正單元1109、校正單元1110、及校正單元1111。校正單元1105根據來自上述蒸汽壓力控制單元1101的控制輸入校正來自上述主單元1104的要求操作指令并輸出一個給水控制的操作指令，校正單元1106根據來自第一級過熱器輸出蒸汽溫度控制單元1201的控制輸入校正來自所說校正單元1105的輸出并輸出一個燃料控制的操作指令，校正單元1107根據來自氧氣控制單元1102的控制輸入校正來自所說校正單元1106的輸出并輸出一個空氣控制的操作指令，校正單元1108根據來自爐壓控制單元1103的控制輸入校正來自所說校正單元1107的輸出并輸出一個排氣控制的操作指令，校正單元1109根據來自第二級過熱器出口蒸汽溫度控制單元1202的控制輸入校正來自所說校正單元1105的輸出并輸出一個第一級噴水減溫器控制的操作指令，校正單元1110根據來自主蒸汽溫度控制單元1203的控制輸入校正來自所說校正單元1105的輸出并輸出一個第二級噴水減溫器的操作指令，校正單元1111根據來自中間再熱蒸汽溫度控制單元1204的控制輸入校正來自所說校正單元1105的輸出并輸出一個煙氣再循環控制的操作指令。
上述主單元1104接收對發電輸出進行經濟供電調度(ELD)控制以及對頻率進行自動頻率控制(AFC)的指令，對該熱電廠的負載變化率和負載變化范圍設置限制并對頻率進行校正，然后計算和輸出相應的操作指令。
第一級過熱器出口蒸汽溫度控制單元1201、第二級過熱器出口蒸汽溫度控制單元1202、主蒸汽溫度控制單元1203及中間再熱蒸汽溫度控制單元1204的每一個處理功能單元根據來自每一個相應傳感器的信息為每一個期望值計算和輸出控制輸入。在圖7中，一個雙線方框顯示的處理單元執行確定被控變量的預測控制。
在子回路控制單元2000中，設置有汽輪機控制單元2001、給水控制單元2002、燃料控制單元2003、空氣控制單元2004、排氣控制單元2005、第一級噴水減溫器控制單元2006、第二級噴水減溫器控制單元2007、以及煙氣再循環控制單元2008。汽輪機控制單元2001按收來自上述在單元1104的一個輸出信號和來自傳感器8的有關發電輸出的一個信號并控制主蒸汽調整器121，給水控制單元2002接收來自上述校正單元1105的一個輸出信號并控制給水泵117，燃料控制單元2003接收來自上述校正單元1106的一個輸出信號并控制給煤機馬達105，空氣控制單元2004接收來自上述校正單元1107的一個輸出信號并控制吸風機103，排氣控制單元2005接收來自上述校正單元1109的一個輸出信號并控制引風機118，第一級噴水減溫器控制單元2006接收來自上述校正單元1109的一個輸出信號并控制第一級噴水減溫器控制閥115，第二級噴水減溫器控制單元2007接收來自上述校正單元1110的一個輸出信號并控制第二級噴水減溫器控制閥119，煙氣再循環控制單元2008接收來自上述校正單元1111的一個輸出信號并控制煙氣再循環風機114。
上述系統例如是以如圖8所示的硬件結構構成的。也就是說，系統包括第一個主控制控制器1100、第二個主控制控制器1200及其它控制器。第一個主控制控制器1100共享上述主控制單元1000的常規控制系統的處理功能，第二個主控制控制器1200共享預測控制系統的處理功能，其它控制器由子回路控制單元2000的每一個處理單元所構成，子回路控制單元2000包括汽輪機控制控制器2010、給水控制控制器2020、燃料控制控制器2030、空氣控制控制器2040、排氣控制控制器2050、第一級噴水減溫器控制控制器2060、第二級噴水減溫器控制控制器2070及煙氣再循環控制控制器2080。每一個這些控制器通過接收和發送信號的傳輸網絡相互連接。在這個實施例中，用于校正在預測控制中使用的預測模型的模型校正系統1300與該傳輸網絡相連接。每一個這些控制器和校正系統由計算機系統構成。每一個計算機系統(圖中未示出)例如可以這樣構成，即包括一個中央處理單元、存儲器、接口及其它設備。
如圖9所示，將模型校正系統形成在第二個主控制控制器1200中構成的系統是可以接受的。
在一個熱電廠的所有被控變量中蒸汽溫度是難于控制的。例如，它包括四個不同的溫度，即第一級過熱器出口蒸汽溫度T1SH、第二級過熱器出口蒸汽溫度T2SH、主蒸汽溫度TMS、及中間再熱蒸汽溫度TRS。為了控制這些蒸汽溫度，有四個控制輸入是可獲得的；即燃料流量Ff、第一級噴水減溫器流量FSP1、第二級噴水減溫器流量FSP2、及再循環煙氣流量Fgrf。本發明通過預測控制能夠控制這些變量。并且本發明的特征在于采用一種已有技術預測模型用于預測控制。
下面說明另一個實施例，其中本發明的預測控制用于上述熱電廠的蒸汽溫度控制。
圖1顯示了本發明的一個實施例的結構，給出的實施例包括期望值預測系統2、蒸汽溫度預測系統3、控制輸入確定系統4、模型校正系統5、及開關6。期望值預測系統2求出熱電廠1的蒸汽溫度的預測期望值，蒸汽溫度預測系統3求出預測蒸汽溫度，控制輸入確定系統4根據預測期望值和預測蒸汽溫度確定控制輸入，模型校正系統5校正蒸汽溫度預測模型的參數，開關6選擇是采用預測系統的預測還是采用直接被控變量。期望值預測系統2、蒸汽溫度預測系統3、控制輸入確定系統4及開關6在第二個主控制控制器1200中實現，它執行上述預測控制系統中的處理，模型校正系統5在計算機1300中實現，它構成模型校正系統。
期望值預報系統2根據公式(1)預測蒸汽溫度極近將來的期望值r。在這個公式中，分別計算第一級過熱器出口溫度T1SH、第二級過熱器出口蒸汽溫度T2SH、主蒸汽溫度THS、及中間再熱蒸汽溫度TRS的期望值^r1、^r2、^r3、和^r4。^r1(k，n)＝r1(k)+a1(k)·n·ΔT^r2(k，n)＝r2(k)+a2(k)·n·ΔT……………(1)^r3(k，n)＝r3(k)+a3(k)·n·ΔT^r4(k，n)＝r4(k)+a4(k)·n·ΔT其中^r1(k，n)從當前時刻k提前n個采樣周期時第一級過熱器出口蒸汽溫度T1SH的預測期望值；^r2(k，n)從當前時刻k提前n個采樣周期時第二級過熱器出口蒸汽溫度T2SH的預測期望值；^r3(k，n)從當前時刻k提前n個采樣周期時主蒸汽溫度TMS的預測期望值；^r4(k，n)從當前時刻k提前n個采樣周期時中間再熱蒸汽溫度TRS的期望值r4的預測值；ri(k)當前時刻k時蒸汽溫度的期望值ri(i＝1至4)；ai(k)當前時刻k時蒸汽溫度的期望值ri的變化率(i＝1至4)；T采樣周期。
盡管在本實施例中根據極近將來的預測結果確定期望值。但是在本發明中沒有這樣的限制。
蒸汽溫度預測系統3利用一個蒸汽溫度系統模型預測極近將來的蒸汽溫度。在蒸汽溫度系統模型中，如圖3所示，熱電廠1的每一個熱交換器的模型由延遲時間因子301、302、303與基于物理公式的集總參數模型304的組合而構成。在這個實施例中，這些熱交換器在水/蒸汽系統中從上游至下游順序連接，以使這個結構允許從上游至下游傳輸的水/蒸汽的狀態發生變化。在這個實施例中，對每一個熱交換器的這些模型進行積分并用于預測極近將來的蒸汽溫度。
集總參數系統的模型由按照每一個熱交換器的水/蒸汽系統和煙氣系統的能量守恒公式表示。煙氣溫度計算模型306用于煙氣溫度。這個煙氣溫度計算模型306根據燃料流量Ff、空氣流量Fa和煙氣再循環流量Fgrf計算煙氣溫度。
基于物理公式為集總參數模型304構造卡爾曼濾波器305。該模型利用這個卡爾曼濾波器305估計狀態變量，并且通過積分并利用每一個熱交換器的上述模型，根據這個估計預測極近將來的蒸汽溫度。
如圖3所示，蒸汽流量Fs通過延遲時間因子302、蒸汽溫度Qsi-1通過延遲時間因子301、煙氣溫度Qsi-1通過延遲時間因子303均輸入給前級的集總參數模型(i)304，并且該模型(i)304輸出蒸汽溫度Qsi。此外，蒸汽流量Fs通過延遲時間因子302、從前級輸出的蒸汽溫度Qsi通過延遲時間因子301、煙氣溫度Qgi通過延遲時間因子303均輸入給后級的集總參數模型(i+1)304，并且該模型(i+1)304輸出蒸汽溫度Qsi+1。盡管圖3僅顯示了兩級熱交換器，但是在本發明中級數是不受限制的。
在這個實施例中，如圖4所示，延遲因子301、302和303由三次延遲因子近似，而三次延遲因子是由一階延遲因子串聯組成的。在這個實施例中，構成延遲時間因子301的每個一階延遲因子的每一個時間常數設置成T1＝15秒。構成延遲時間因子302的每個一階延遲因子的每一個時間常數設置成T2＝5秒。構成延遲時間因子303的每個一階延遲因子的每一個時間常數設置成T3＝30秒。因此，延遲時間因子301的時間常數大約為45秒，延遲時間因子303的時間常數大約為150秒。另一方面，延遲時間因子302的時間常數比較小并且大約為15秒。因此，刪除延遲時間因子302是可能的。
在如圖10所示的模型的假設中，由能量守恒定律導出熱交換器的集總參數模型。圖10所示的模型假設為在這樣一種狀態，即蒸汽在構成熱交換器的管壁的金屬的一側流動而煙氣在另一側流動并且熱量從煙氣通過金屬(如圖中的陰影區域所示)傳遞給蒸汽。在這個狀態中，因為具有入口溫度Qgini和煙氣流量Fgi的煙氣接觸熱交換器的金屬，所以煙氣傳遞熱量Qgmi給金屬并然后以出口溫度Qgi流出。另一方面，因為具有入口蒸汽溫度Qgini和蒸汽流量Fgi的蒸汽接觸熱交換器的金屬，所以蒸汽從金屬接收熱量Qmsi然后以出口溫度Qsi流出，等于鍋爐煙氣流量FgBF的煙氣流量Fgi是空氣流量Fa、燃料流量Ff和再循環煙氣流量Fgrf之和，這將在后面描述。
基于象上面的物理公式，利用從能量守恒定律推導出的公式(2)和(3)表示集總參數模型，這將在后面描述。
在下面的公式中使用的符號表示如下。
V體積比重H焓F流速
Q傳遞的熱量M重量C比熱溫度P壓力A表面積對流導熱率輻射導熱率符號的下標表示如下s水/蒸汽g煙氣m金屬gm煙氣至金屬ms金屬至水/蒸汽i第i級熱交換器水/蒸汽系統(即，管側流體)的能量守恒公式由公式(2)表示。管金屬系統的能量守恒公式由公式(3)給出。VsiγsidHsidt=(Hsini-Hsi)·Fsi-Amsiαnsi(θmi-θsi).......(2)]]>[公式3]Mmi·Cmidθmidt-Agmiαgmi(θrini-θmi)-Amsiαmsi(θmi-θsi).........(3)]]>其中，Vsi在熱交換器中管側流體(水/蒸汽)的體積(米3)γsi管側流體(水/蒸汽)的比重(公斤/米3)Hsi管側流體(水/蒸汽)的出口焓(千卡/公斤)Hgini管側流體(水/蒸汽)的入口焓(千卡/公斤)Fsi管側流體(水/蒸汽)的流速(公斤/秒)Amsi從管金屬至管側流體(水/蒸汽)的傳熱表面積(米2)Agmi從殼側流體(煙氣)至管金屬的傳熱表面積(米2)αmsi從管金屬到管側流體(水/蒸汽)的對流導熱率(千卡/米2·秒·度)αgmi從殼側流體(煙氣)至管金屬的對流導熱率(千卡/米2/·秒·度)Mmi熱交換器的管金屬的重量(公斤)Cmi管金屬的比熱(千卡/公斤·度)Qmi管金屬的溫度(度)Qsi管側流體(水/蒸汽)的出口溫度(度)Qgini殼側流體(煙氣)的入口溫度(度)i第i級熱交換器。
與管側流體(水/蒸汽)和金屬段相比，熱交換器的殼側流體(煙氣)的響應非常快。因此，應當理解能量守恒定律統計地應用于上述情形。于是，熱交換器的出口煙氣溫度由以下公式給出。Ogini=η·Hu·Fi+Ha·Fa+Hgri·Fgri-Qww-QHEXCPg·FgBF....(4)]]>QWW=βWW{(ηHu·Fi+Hu·Fa+Hgrf·FgrfCPg·FgBF+273)/100}4·(4-1)]]>QHEX＝f(Ff)……………………………………………(4-2)η ＝f(Ff)……………………………………………(4-3)βWW＝f(Ff)……………………………………………(4-4)CPg＝f(Ff)……………………………………………(4-5)其中，燃料的熱效率Hu熱值(千卡/公斤)Ff燃料流量(公斤/秒)Ha空氣的焓(千卡/公斤)Fa空氣流量(公斤/秒)Hgrf再循環煙氣的焓(千卡/公斤)Fgrf再循環煙氣流量(公斤/秒)Cpg煙氣的比熱(千卡/公斤·度)βww爐膛的輻射導熱率FgBF鍋爐的煙氣流量(公斤/秒)Qww爐水壁吸收的熱量(千卡/秒)
QHEX除了爐冷壁之外由在煙氣側上游的其它熱交換器吸收的總熱量(千卡/秒)下面給出空氣的上述焓值Ha，其中空氣的比熱是Cpg，空氣的溫度是Qa。
另外，下面給出再循環煙氣的焓Hgrf，其中煙氣的比熱是Cpg并且靠近省煤器的煙氣溫度是Qge。
當熱交換器的水/蒸汽系統的熱傳遞近似成一個恒壓過程時，應用以下公式，在以下公式中省略了每一個熱交換器的級數i。dHsdt={∂Hs∂θs}Pdθsdt=CPsdθsdt··············(5)]]>Hs={∂Hs∂θs}Pθs+Hso=CPsθs+Hso··············(6)]]>CPs={∂s∂θs}P........................(7)]]>其中，Cps在恒壓時的比熱(千卡/公斤·度)Hso標準焓(千卡/公斤)在這個計算中，公式(7)近似于以下公式。
Cps＝(ΔHs/Δθs)p……(8)
用公式(5)和(6)代替公式(2)并整理之得到以下公式。dθsdt=-CPsFs-AmsαmsVsγsCPsθs+AmsαmsVsγsCPsθm]]>+FsVsγsCPs(Hsin-Hso)···········(9)]]>于是，將公式(3)變換成以下公式。dθmdt=AmsαmsMmCmθs-Agmαgm+AmsαmsMmCmθm]]>+AgmαgmMmCmθg·········(10)]]>整理公式(9)和(10)得到以下公式。dx1dt=A11x1+A12x2+B11u1··············(11)]]>dx2dt=A21x1+A22x2+B22u2·············(12)]]>A11=-CPsFs+AmsαmsVsγsCPs··············(13)]]>A12=AmsαmsVsγsCPs················(14)]]>A21=AmsαmsMmCm·············(15)]]>A22=-Agmαgm+AmsαmsMmCm················(16)]]>B11=FsVsγsCPs·················(17)]]>B22=AgmαgmMmCm·····················(18)]]>X1＝θs…………………………………………(19)X2＝θm…………………………………………(20)u1＝Hsin-Hso…………………………………………(21)u2＝θg…………………………………………(22)其中，Aij狀態轉移矩陣的元素Bij輸入矩陣的元素在上述公式(19)中，x1和u2是可測量量，而x2是不可測量量。從管金屬至水/蒸汽的導熱率αms及從殼側流體(煙氣)至管金屬的導熱率αgm分別由以下公式近似。
αms＝f(Fs) ……(23)αgm＝f(FgBF)……(24)按離散時間表示公式(11)和(12)得到以下公式，這是一個表示預測模型的物理公式。在這個詳細描述的帶下標“m”的量意味著表示在一個矩陣中的量。
XM(k)＝AMXM(k-1)+BMUM(k-1)……(1Ca)其中，AM狀態轉移矩陣(模型)BM輸入矩陣(模型)XM(k)在采樣時刻k的狀態(模型)量XM(k-1)在采樣時刻k-1的狀態(模型)量UM(k-1)在采樣時刻k-1的控制輸入(模型)下面，解釋用卡爾曼濾波器進行狀態量估計和誤差估計。
如果在采樣時刻k時狀態量的估計為Xm而模型誤差為ε(k)，則下面的計算求出了在采樣時刻k時最大似然估計^Xm(k)。
XM(k)＝AMXM(k-1)+BMUM(k-1)+ε(k)…(10b)ε(k)＝K{XM(k)-～XM(k)} ……(10c)～XM(k)＝AM^XM(k-1)-BMUM(k-1) ……(10d)其中，k卡爾曼增益每一個熱交換器的單元模型采用上述模型公式以圖4所示的方框圖表示。即，每一個熱交換器的單元模型包括煙氣溫度計算模型306、對流單元307、延遲時間因子301、302和303、集總參數模型304以及卡爾曼濾波器305。煙氣溫度計算模型306根據燃料流量Ff、空氣流量Fa、煙氣再循環流量Fgrf、由爐水壁吸收的熱量Qww及由除了爐水壁在煙氣側上游中的其它熱交換器吸收的總熱量QHEX計算煙氣溫度Qgin。對流單元307將熱交換器的入口蒸汽溫度轉換成煙氣側流體(水/蒸汽)的入口焓Hsin。延遲時間因子301、302及303分別近似地給焓Hsin、蒸汽流量F3及煙氣溫度Qgin增加三次延遲。
預測模型的總結構如圖5所示在圖5中，由給水泵117供給的水經過省煤器(ECO)130并被爐水壁(WW)108加熱，然后經過第一級過熱器109、第一級噴水減溫器116、第二級過熱器110、第二級噴水減溫器120、第三級過熱器111及主蒸汽調整器121進入高壓汽輪機122。在這個順序中，由每一個過熱器109、110和111給出通過煙氣溫度計算而獲得的煙氣溫度Qg1SH、Qg2SH及Qg3SH，并且根據上述公式計算相應的出口溫度。從高壓汽輪機出來的蒸汽經過第一級中間再熱器112、中間再熱噴水減溫器132及第二級中間再熱器113進入低壓汽輪機123。在這個順序中，由第一級中間再熱器112及第二級中間再熱器113給出通過煙氣溫度計算而獲得的煙氣溫度Qg1RH及Qg2RH，并且根據上述物理公式計算相應的出口溫度。
這里，利用上述公式(10b)求出在采樣時刻k提前n個采樣周期的被控變量^Xm(k，n)而進行系統預測。
在下面，檢驗象上面進行的預測特性。在這個檢驗中，將僅對末級過熱器采用集總參數模型進行的預測工作與象在這個實施例中描述得那樣采用延遲時間因子與集總參數模型的組合進行的預測工作進行比較。當在每一種情況下測量對相同的控制輸入的響應特性時，求出的結果如圖11(a)所示。從圖中清楚可見，當僅采用集總參數模型進行預測時，模型的響應比對象的響應快從而誤差變得更大。這導致由誤差引起的回拉作用(draw-back action)也變得更大從而使預測精度變得更差(圖11(b))。另一方面，在采用延遲時間因子與集總參數模型的組合的預測中，誤差變小，因為被控變量的響應近似于對象的響應特性因此回拉作用也變得更小且預測精度得到了改善(圖11(c))。
在這個實施例中，并行設置預測控制和常規控制以僅當預測值的誤差落入一個特定范圍內時才啟動預測控制。圖1中的開關6用于這個目的。當誤差大時執行常規的PI(比例積分)控制并且當誤差變小時切換到本發明的預測控制。
這個實施例由一個計算機進行計算并執行。因此，模型公式按照如圖10(b)所示的離散時間表示。下面詳細解釋按照離散時間的模型公式的表示。
當從上述能量守恒定律推導出的熱傳遞型模型(11)和(12)按照離散時間表示并用矩陣元素顯示時，得到以下公式。x1(k)x2(k)=φ11φ12φ21φ22x1(k-1)x2(k-1)··············(25)]]>+h11h12h21h22u1(k-1)u2(k-1)]]>下面，解釋用卡爾曼濾波器利用公式(25)估計狀態變量。
為了使用一個熱傳遞型模型的離散時間表示的公式(25)預測蒸汽溫度，蒸汽溫度Qs和管金屬溫度Qm的狀態變量在預測的起始值是必需的。然而，對管金屬溫度Qm采用一個估計值，因為它是不可測量的，在這個實施例中，卡爾曼濾波器用于估計管金屬溫度Qm。
為了采用卡爾曼濾波器，公式(25)表示如下XM(k)＝ΦM(k-1)·XM(k-1)-HM(k-1)·UM(k-1)……(26)XM(k)=x1(k)x2(k)·················(27)]]>UM(k-1)=u1(k-1)u2(k-1)····················(28)]]>φM(k-1)=φ11(k-1)φ12(k-1)φ21(k-1)φ22(k-1)··············(29)]]>HM(k-1)=h11(k-1)h12(k-1)h21(k-1)h22(k-1)···················(30)]]>其中，XM(k)在采樣時刻k時狀態變量向量(蒸汽溫度Qs，管金屬溫度Qm)ΦM(k-1)在采樣時刻k-1時狀態轉移矩陣HM(k-1)在采樣時刻k-1時輸入矩陣UM(k-1)在采樣時刻k-1時控制輸入此外，假設用公式(26)表示的系統觀測方程可以用以下公式表示。
YM(k)＝CM·XM(k)+VM(k)……(31)其中，YM(k)在采樣時刻k時預測向量(相應于蒸汽溫度Qs)XM(k)狀態變量向量(蒸汽溫度Qs，管金屬溫度Qm)VM(k)觀測噪聲向量CM預測矩陣由公式(26)和(31)限定的卡爾曼濾波器用公式表示如下，其中上標’表示轉置矩陣。
XM(k)＝～XM(k)+PM(k)·CM’·WM-1{YM(k)-CM·～XM(k)}……(32)～XM(k)＝ΦM(k-1)·^XM(k-1)+HM(k-1)·UM(k-1) ……(33)PM(k)＝{MM’-1(k)+CM’·WM-1·CM}-1……(34)MM(k)＝ΦM(k-1)·PM(k-1)·ΦM’(k-1)+HM(k-1)·UM(k-1)·HM’(k-1) …(35)其中，^XM(k)在采樣時刻k時被控變量XM(k)的最大似然估計/XM(k)在采樣時刻k時被控變量XM(k)的估計下面，解釋控制輸入確定系統4。
控制輸入確定系統4根據極近將來的預測期望值與極近將來的預測蒸汽溫度確定控制輸入。在這個實施例中執行比例積分控制。[公式14]顯示了一個控制算法。Δuj(k)＝ui(k)-ui(k-1)＝Kpi[{ri(k，n)-yi(k，n)}-{ri(k-1，n)-yi(k-1，n)}]+Kli{ri(k，n)-yi(k，n)} ……(15)(i＝1～4)其中Kpi比例增益Kli積分增益Ui(k)在當前時刻k時控制輸入Ui的變化模型校正系統5校正模型參數以使蒸汽溫度系統模型的特性符合熱電廠的特性。圖6顯示了模型校正系統5的結構。下面參照這個圖解釋校正算法。
首先，借助于爬山算法校正模型參數，以使熱電廠的被控變量與由預測模型獲得的被控變量的估計值之間的誤差，即模型的誤差可以變小，并且采集和記錄這個校正的結果。
然后，把由爬山算法校正的這個模型的結果使用為示教數據，讓神經網絡(神經系統)學習模型校正規則。當神經網絡通過這個學習已經學到模型校正規則之后，由這個神經網絡進行預測模型的校正。
類似地，基于由上述爬山算法校正的模型結果，把模型校正規則整理為模糊規則并通過這個整理的模糊規則進行預測模型的校正。
在準備上述模糊規則時，可以使用已經學會模型校正規則的神經網絡。換句話說，從學會的神經網絡的輸入/輸出特性準備模糊規則是可能的。
在模型校正時，系統測量電廠(或仿真器也是可能的)的時間響應數據并根據該數據校正靜態特性，然后校正動態特性。例如，可以由主控制器進行校正，但也可以在另一個計算機系統中進行。
通過將負荷量級以一個恒定的間距進行變化而對每一個負荷量級進行靜態特性的校正。如圖15所示，首先測量當前負荷量級(步驟1501)，然后測量每一個過程量(步驟1502)，其中測量熱交換器的Fs、Qs、Ps、Fg、Pg、Qg及其它量。然后由這些量獲得水/蒸汽的焓(Hs)分布(步驟1503)。即，獲得每一個熱交換器的入口和出口處的水/蒸汽的焓(Hs)。然后，估計由水/蒸汽吸收的熱量(Qms、Qgm)的分布(步驟1504)。當這些系統平衡時Qms等于Qgm。
接著，估計煙氣的焓(Hg)分布。這是利用在可測量溫度處的溫度及煙氣的比熱求出的(步驟1505)。例如，一個典型的可測量溫度處是靠近省煤器的地方。此外，估計煙氣溫度(Qg)的分布(步驟1506)。這是利用該焓分布和該比熱進行估計的。然后，估計金屬溫度(Qm)的分布(步驟1507)。最后，估計導熱率(αms、αgm和βgm)(步驟1508)。
下面解釋動態特征的校正。如圖16所示，給電廠(仿真器)施加輸入(例如階躍輸入和斜坡輸入)并測量電廠的時間響應數據(步驟1601)。給出典型的輸入(例如增加燃料流量的指令)并測量響應于輸入的第一級過熱器出口蒸汽溫度的變化數據。例如給模型設置可以由設計固定的起始參數(步驟1602)。然后，給電廠施加電廠的控制輸入和被控變量并估計模型的起始狀態(步驟1603)。然后，給模型施加輸入(例如階躍輸入和斜坡輸入)并計算對輸入的時間響應(步驟1604)。另外還計算電廠與模型之間的時間響應的誤差(步驟1605)。下一個步驟是判斷是否這個誤差收斂于一個特定的范圍內(步驟1606)。如果它不收斂于該范圍內，則修正模型的參數(步驟1607)。例如，可以采用爬山算法、模糊外推法或神經網絡進行這個修正。然后程序返回步驟1603重復進行這段操作直至誤差已收斂于一個特定的范圍內才結束校正。
下面解釋用爬山算法修正模型的參數。圖17和18顯示了某些例子。
圖17是用于校正模型的系統的一個舉例結構。在這個例子中，控制輸入UM輸入給熱電廠(或仿真器也是可接受的)1和根據本發明的預測模型建立的預測系統3。響應于這個輸入從熱電廠輸出狀態量XM并且從預測系統(模型由下標m顯示)3輸出狀態量XmM。模型校正系統5測量這些輸出的誤差eM，用以下公式對其積分，并根據積分值的大小估計之。然后，系統用爬山算法修正參數以使積分值可以趨于最小。P1=∫0T{a1(x1-xm1)2+···+an(xn-xmn)2}dt→MIN.…………(35)]]>
圖18顯示了復合單純形法(complex method)的原理，它是從單純形法延伸而來的可用于具有約束條件的情形。復合單純形法是一種用以達到一個函數的最小值點的方法，即由一組(n+1)n維空間的點形成的一個單純形，參照具有最大函數值的一個點，抽取其余的點限定的一個超平面的一個鏡象以形成一個新的單純形，然后對這個新的單純形進行相同的操作以形成另一個單純形，并重復進行，從而達到最小值點。在圖18中用等值線顯示估計值。由于在這個例子中是要尋找最小值，所以等值線不代表峰值而是表示谷值。圖中的陰影區域顯示了約束條件。如果任伺點影響約束條件，都將被修正以不造成影響。
圖18中的例子顯示了用爬山算法修正兩個參數P1和P2的情形。即，首先給出參數P1和P2的起始值。設計值例如可以用于此目的。產生隨機數并使它們作為這些參數也是可以接受的。這個點設置得如圖18中的坐標點1所示。接著，通過產生隨機數確定坐標點2和3。然后，將這三個參數提供給仿真器和熱電廠的模型3，測量每一個狀態量的誤差，并用上述公式(36)對數據進行積分。參照具有最大函數值的點(在這個例子中假設是點1)，從由點2和3限定的一個平面上抽取點1的鏡象。把它稱為點4。然后，用點2、3和4形成另一個單純形。該整數由點4表示，將積分值與點2和3進行比較，并重復上述相同的步驟。如果點4不滿足約束條件，則向這一側移動該點并在那設置一個新的點4。以這種方式，依次搜索到一個更高的估計值，在這個實施例中它是這些參數與最小可能誤差的組合。
關于爬山算法的細節，請參看“M.J.Box，一種具有其它算法的約束最優化新算法，The Computer J.8卷，第1期(1985年)42-52頁”及“Kiyotaka Shimizu，系統控制與線性規劃(1991年2月10日發行)，76-79頁”。
以這種方式可以獲得最優參數。在這個例子中需要校正的參數是延遲時間因子的時間常數。由于根據電廠的操作數據通過爬山算法調整在這個例子中的模型參數，所以可以自動調整參數并且也可以減少調整所需的時間。
下面解釋更有效地進行調整的另一種方法，其中采用由爬山算法修正的數據建立用于修正的模糊規則。圖19顯示了一個例子。
圖19顯示了一個模糊外推系統的例子的結構。這個系統可以建立在模型校正系統5中。這個系統包括模糊規則部分1901、隸屬函數部分1902、及模糊外推部分(1903)。模糊規則部分1901中寫有模糊規則，隸屬函數部分1902中存貯著用于確定前捉的適應及每一條規則的結論的隸屬函數，模糊外推部分根據由隸屬函數確定的自適應性用模糊規則進行外推。
在這個實施例中，如圖20(A)所示，應注意兩個上升時間的比(Tm/T)，它們是響應于增加的燃料流量(如階躍線所示)達到期望值的62％的模型(如虛線所示)的上升時間Tm和電廠的第一級過熱器的蒸汽溫度的上升時間T，并對它們確定規則，然后對在試探操作或仿真中測量的該比率(Tm/T)施加這些規則，根據確定的隸屬函數的適應用模糊外推法校正參數，如圖20(B)所示。
以下規則例如存儲在模糊規則部分1901中。這個例子用修正因子C3來修正延遲時間因子303的時間常數T3。
規則1如果(Tm/T)變小，則增大T3的修正因子C3。
規則2如果(Tm/T)是正確的，則T3的修正因子是C3是正確的。
規則3如果(Tm/T)變大，則減小T3的修正因子C3。
在模糊外推部分1903中，如圖21所示，輸入(Tm/T)適應于如圖20(B)所示的隸屬函數并得到適應。然后獲得的適應適于修正因子C3的隸屬函數，然后對包括適應的一部分面積計算重心并確定相應于重心的修正因子。由于對于圖中的例子由規則1和規則2求得適應，所以在包括了每一條規則的前提適應的一個整個面積上進行重心的計算。
盡管在這個解釋中僅描述了關于第一級過熱器的一個例子，但是上述方法可以以同樣的方式應用于其它過熱器。對于這些應用，根據每一個應用準備合適的隸屬函數和規則。
例如，如圖22所示，準備模糊外推模型。即，首先采集目標參數必需的數據(步驟2201)。然后，抽取輸入與輸出變量之間的常數關系(步驟2202)。另外，在這個步驟中選擇使用什么樣的函數。然后，準備模糊規則和隸屬函數(步驟2203)。現在，可以確定模型的結構。最后，通過調整模糊規則和隸屬函數辨識模型的參數(步驟2204)。
根據這個例子，由于通過上述步驟確定了修正參數的因子，所以根據這個因子可以自動地調整參數。此外因為利用電廠的操作數據用模糊外推法調整這個例子中的模型參數，所以可以自動調整參數并縮短調整所需的時間。采用模糊外推法，象采用后面將解釋的神經網絡那樣，可以比采用爬山算法縮短更多的調整時間。
除了模糊外推法之外，還可以采用神經網絡修正模型的參數。為此目的，通過讓網絡學習過去的數據準備規則。
這里，解釋關于神經網絡的修正參數。在神經網絡中可以讓網絡學習事先參數修正的老數據來修正參數。圖23顯示了網絡的結構。在圖23所示的一個例子中對第一級過熱器、第二過熱器和第三級過熱器，分別輸入每一個過熱器的上升時間的比(Tm1SH/T1SH、Tm2SH/T2SH、Tm3SH/T3SH)并獲得相應的修正因子C31SH、C32SH和C33SH。圖24顯示了這些上升時間的比之間的關系。
例如，可以通過圖25所示的步驟建立神經網絡。即，采集數據(步驟2501)并確定輸入/輸出變量(包括選擇要使用的變量)(步驟2502)。然后，確定神經網絡的層數和單元數并決定結構(步驟2503)。現在，確定了模型的結構。然后，通過反向傳播(back propagation)讓網絡進行學習并調整神經網絡的每一個神經元的權重因子(步驟2504)。
因為在這個例子中模型的參數是通過采用電廠的操作數據由神經網絡調整的，所以能自動調整參數并縮短調整所需的時間。采用神經網絡可以比采用爬山算法縮短更多的調整時間。
在上述實施例中，把包括多級熱交換器的一個過程考慮為子過程并且采用延遲時間因子與基于物理公式的集總參數模型的組合作為每一個子過程的模型。不用說，本發明的模型可以用于包括一個單一過程的過程。
在應用本發明于一個包括多個子過程的過程中，可以忽略延遲時間因子。在這樣一種情形中，也可以由多個集總參數模型形成每一個子過程。
給出的仿真結果可以證明本發明的效果。圖12顯示了一個例子的結構，圖13顯示了仿真的結果。
圖12是一個實施例的結構，其中本發明應用于可變壓力直通式鍋爐。在這個實施例中，系統包括作為子過程的第一級過熱器、第二級過熱器和第三級過熱器，以及由串聯連接的集總參數模型與相應于這些子過程的延遲時間因子構成的預測模型601。系統借助于這個模型601預測極近將來的第一級過熱器出口溫度、第二級過熱器出口溫度及主蒸汽溫度，并且用預測的結果，通過比例積分控制操作第一級噴水減溫器噴水體積、燃料流量和第二級噴水減溫器噴水體積。
圖13顯示了采用當前值把預測模型用于圖12所示的反饋控制時預測模型的評價結果。圖13顯示的評價是由可變壓力直通式鍋爐的一個實時仿真器進行的。在圖13中，對于第一級過熱器出口蒸汽溫度、第二級過熱器出口蒸汽溫度和主蒸汽溫度，五分鐘后的蒸汽溫度如虛線所示，而實際溫度由粗線所示。從這個圖中可知，主蒸汽溫度的預測值顯示了提前于實際溫度五分鐘的變化，它意味著將獲得一個良好的結果。
圖14顯示了采用圖12所示實施例中的預測值的預測控制的評價結果。評價方法與圖13中的相同。
從圖14可知，在這個實施例中主蒸汽溫度的變化是控制在采用當前值的反饋控制中的1/3至1/2之間，這意味著可控性大大改善了。
盡管上述實施例是一個熱電廠的例子，但是不用說本發明并不限于這個應用。它也可以應用于其它電廠，包括核電站或化工廠。
盡管在上述實施例中是在一個控制器中處理預測和確定控制輸入，但是也可以在分別的控制中處理之。
根據本發明，因為過程的模型是由延遲時間因子與基于物理公式的集總參數模型的組合而形成的，所以甚至當過程屬于分布參數系統時也能精確地仿真模型的特性并能改善預測精度。
此外，通過由多個子過程形成模型并允許上游子過程的輸出作為下游子過程的部分輸入被接收，這樣可以精確地預測過程。因為根據預測的結果確定控制輸入，所以可以進一步改善可控性。
因為系統采用電廠的操作數據通過爬山算法或模援外推法或神經網絡中的任何一種調整模型的參數，所以可以自動調整參數并縮短調整所需的時間。
權利要求
1.一種過程自適應控制技術，它包括一個過程模型并且利用該模型確定控制輸入，其特征在于該過程模型由延遲時間因子與基于物理公式的集總參數模型的組合而構成，構成該模型的物理公式的一部分或全部變量通過該延遲時間因子，其余的直接地，輸入給上述集總參數模型的物理公式，用該模型進行計算以求出該過程的狀態量，并用該狀態量確定控制輸入。
2.如權利要求1所述的一種過程自適應控制技術，其特征在于上述過程由一個或多個子過程所構成，其中上述狀態量的一部分或全部是控制輸入，并且每一個子過程的模型由延遲時間因子與基于物理公式的集總參數模型的組合所構成。
3.如權利要求2所述的過程自適應控制技術，其特征在于兩個或多個子過程順序連接，由上游子過程模型的物理公式獲得的狀態量用作為下游子過程模型的一個輸入變量，所說狀態量通過該下游子過程的延遲時間因子輸入給所說下游子過程模型的物理公式，由這些模型獲得每一個子過程的預測狀態量，并且用這些預測值確定控制輸入。
4.如權利要求1或2或3所述的一種過程自適應控制技術，其特征在于為基于物理公式的所述集總參數模型構成一個卡爾曼濾波器，并用這個卡爾曼濾波器預測所述狀態量的誤差。
5.如權利要求1或2或3所述的一種過程自適應控制技術，其特征在于為基于物理公式的所述集總參數模型構成一個卡爾曼濾波器，并用這個卡爾曼濾波器預測所述狀態量的誤差，并且還預測不可測量變量的狀態量。
6.如權利要求1所述的一種自適應控制技術，其特征在于通過借助于爬山算法、模糊外推法或神經網絡的任何一種或其組合確定所述過程模型的參數，來完成該過程模型的校正。
7.如權利要求6所述的一種過程自適應控制技術，其特征在于至少按照其它參數中的延遲時間因子的時間常數來校正所述過程模型。
8.一種過程自適應控制技術，其特征在于上述過程模型由一個或多個子過程模型所構成，其中上述狀態量的一部分或全部是控制輸入，并且每一個子過程的模型由基于物理公式的集總參數模型所構成；兩個或多個子過程順序連接，由上游子過程模型的物理公式獲得的狀態量用作為一個輸入變量并輸入給該下游子過程模型的物理公式，由這些模型獲得每一個子過程預測狀態量，并且用這些預測值確定控制輸入。
9.一種過程控制系統，它根據對過程的期望值和過程的狀態量確定過程的控制輸入，其特征在于包括一個過程模型并具有一個狀態量預測系統，以用該模型預測該過程的狀態量；該預測系統包括用作一種方法的一個模型，該模型由至少一個延遲時間因子與基于物理公式的集總參數模型的組合所構成；該模型通過該延遲時間因子接收構成該模型的物理公式的一部分或全部變量的輸入并也直接接收其它變量，并且用該物理公式執行一個操作以計算和輸出該過程的狀態量，其中輸入變量是控制輸入和該過程的狀態量。
10.如權利要求9所述的一種過程控制系統，其特征在于所述過程是一個熱電站的一個蒸汽產生過程，它包括至少一個熱交換器，并且所述預測系統是一個蒸汽溫度預測系統；該系統包含一個熱交換器模型和一個煙氣溫度計算模型，該熱交換器模型用于計算所說熱交換器的出口蒸汽溫度，該煙氣溫度計算模型用于計算傳遞熱量給該熱交換器的煙氣的溫度，每一個模型均是基于物理公式的集總參數模型；該系統根據燃料流量、空氣流量和煙氣再循環流量用該煙氣溫度計算模型計算該熱交換器的出口處的煙氣溫度，該系統根據所說煙氣溫度、蒸汽溫度和蒸汽流量計算該熱交換器的出口處的蒸汽溫度，并且通過上述延遲時間因子將至少該煙氣溫度和該蒸汽溫度輸入給該模型。
11.如權利要求10所述的一種過程控制系統，其特征在于所述延遲時間因子是至少一個或多個一階延遲因子的串聯連接。
12.如權利要求10所述的一種過程控制系統，其特征在于上述蒸汽溫度預測系統包括一個卡爾曼濾波器，所說卡爾曼濾波器估計在所述熱交換器模型中被計算的狀態量的誤差。
13.如權利要求12所述的一種過程控制系統，其特征在于上述卡爾曼濾波器也估計所述熱交換器的金屬溫度，該熱交換器模型在其計算中采用被估計的金屬溫度。
全文摘要
根據延遲時間因子與基于物理公式的集總參數模型的組合，構成一個熱電廠的每一個熱交換器的模型，將給出的這些熱交換器的模型綜合進一個模型。用該模型預測極近將來的熱電廠的動作并根據預測的結果確定電廠的控制輸入。采用電廠的操作數據通過爬山算法調整模型的參數。還可以借助于神經網絡系統和模糊外推法校正模型的參數。
文檔編號G05B13/02GK1112693SQ9410427
公開日1995年11月29日 申請日期1994年3月11日 優先權日1993年3月12日
發明者野村政英, 大內和紅, 菅野彰, 遠山榮二, 木村亨 申請人:株式會社日立制作所