1 000 MW超超临界机组协调优化控制策略及应用

(华能上海电力检修公司,上海 200942)

0 引言

华能玉环电厂1 000 MW超超临界机组锅炉是引进日本三菱重工技术、由哈尔滨锅炉厂制造的超超临界变压运行直流锅炉。汽轮机采用上海汽轮机有限公司和德国西门子公司联合设计制造的超超临界凝汽式汽轮机。DCS采用艾默生控制系统有限公司的OVATION控制系统。

在优化控制系统实施前，机组协调控制系统采用的是传统的“负荷指令前馈”+“PID反馈”的调节方案。该方案主要存在以下问题。

① 在燃煤品质频繁变化时，原控制系统的热值校正回路无法及时调整控制系统，造成主汽压力、主汽温度等关键参数长时间的波动振荡，机组运行不稳定，机组的负荷调节性能也明显恶化。

② 原控制系统中，当机组大幅变负荷时，由于煤水比调整不合理，造成分离器温度、主汽温度参数波动大，动态偏差均达15～20 K，不利于机组的安全经济运行。

③ 由于锅炉主控采用的是传统的“PID”控制方案，在变负荷过程中，锅炉无法有效跟上汽机能量需求的变化，造成主汽压力波动较大，动态偏差达1.0 MPa以上，明显影响机组的负荷调节性能。

1 先进协调优化控制策略

针对华能玉环电厂1 000 MW超超临界机组协调控制中存在的问题，采用先进技术对协调控制性能进行优化。主要的优化控制策略有煤种热值预测校正和先进预测控制。

1.1 煤种热值预测校正

在原DCS的控制系统中，仅考虑了传统的煤种热值的BTU校正。由于BTU校正是一种慢速的事后调整，当煤种发生变化后，需要1 h左右才能完成煤种的热值调整。很明显，BTU校正的最大问题是热值的校正过程远滞后于煤种的变化。当煤种变化频繁时，BTU的热值校正将无法适应，最终导致锅炉给煤量的“过调”或“欠调”，从而引起机组主汽压力、分离器温度等参数的反复波动。

事实上，尽管煤种热值的变化具有一定的随机性和复杂性，但煤种热值的变化还是一个连续过程，可以用一个复杂的非线性连续函数来描述。对于一个高度复杂的非线性变化过程，往往可以借助神经网络技术建立其变化过程的非线性模型，通过对模型的分析和预估，掌握其变化规律。因此，本文在传统煤种BTU校正的基础上，存储前期各个采样时刻的煤种热值校正系数，并作为径向基函数(radicial basic function,RBF)神经网络的训练样本数据，建立煤种热值校正系数的非线性神经网络模型。然后用该模型对煤种热值校正系数的未来值进行递推预估，通过预估的提前时间来弥补BTU校正过程的滞后。本文采用的煤种热值校正系数的RBF神经网络模型如图1所示。

图1 煤种热值校正系数的RBF神经网络模型

RBF神经网络的学习间隔时间为10 min，即每经过10 min就对神经网络模型的参数进行修正。针对华能玉环电厂煤种的实际情况，建立在某一时间段内的煤种热值校正系数的RBF神经网络模型。该模型为：RBF网络拥有5个输入，即输入层节点数目为5；隐含层的节点数目为6；输出层的节点数目为1。

隐含层的6个节点中心分别为：

c1=[0.861 3,0.863 0,0.865 3,0.867 8,0.870 4]T

c2=[0.893 9,0.893 8,0.894 4,0.895 8,0.897 8]T

c3=[0.921 2,0.922 9,0.924 1,0.925 2,0.926 3]T

c4=[0.970 5,0.972 0,0.973 4,0.975 2,0.976 8]T

c5=[1.033 4,1.032 7,1.032 5,1.032 3,1.032 7]T

c6=[1.108 9,1.109 5,1.109 9,1.109 8,1.108 9]T

隐含层到输出层的权值系数为：

W=[-0.201 4,-0.062 6,-0.119 6,-0.081 4,-0.055 1,0.036 7]T

输出层节点相应的偏置为：

b=1.088 2

(1)

由此RBF网络建立的煤种热值校正系数模型的建模效果如图2所示。

图2 煤种热值校正系数RBF网络建模

图2中，实线为实际煤种热值校正系数，圆圈为建模样本的模型计算值(共采用了110个样本数据来计算网络模型)，三角形为由RBF网络模型计算的热值校正系数的预测值。由图2可知，RBF网络能较为准确地对煤种热值校正系数进行建模与预测。

(2)

(3)

(4)

⋮

(5)

1.2 先进的预测控制技术

在控制结构上，新协调方案保留了常规锅炉主控方案中的“前馈”+“反馈”的控制模式，但在主汽压力和分离器温度的闭环控制回路中，采用了先进的广义预测控制器(generalized predictive control,GPC)代替常规的PID控制器。PID调节器是根据当前和以前的被控偏差来计算控制作用，而GPC主要根据被调量未来的预测值来计算控制作用。很明显,GPC可以提前控制和调节，适合于大滞后被控过程的控制。

为说明GPC预测控制器的计算原理，假定主汽压力定值、主汽压力及锅炉负荷指令的变化曲线如图3所示。

图3 假定的主汽压力、定值与锅炉负荷指令的变化曲线

图3中:k为当前时刻;k-1,k-2,k-3, …为以前各个采样时刻;k+1,k+2,k+3,…为未来各个采样时刻。在k时刻(即当前时刻)，GPC首先根据主汽压力被控过程的动态数学模型及主汽压力、锅炉负荷指令的历史数据(图3中的曲线1和曲线2数据)，并假定在当前时刻锅炉负荷指令保持不变的情况下(图3中曲线4)，预测出主汽压力在未来一段时间内的变化(图3中曲线3)。预测控制器的输出为：

u(k)=u(k-1)+F1{e(k),e(k-1),…,e(k-m)}+

F2{e(k+1),e(k+2),…,e(k+n)}+

F3{Δe(k+1),Δe(k+2),…,Δe(k+n)}

(6)

式中：e(k),e(k-1),…,e(k-m)分别为当前及以前各个采样时刻的控制偏差；e(k+1),e(k+2),…,e(k+n)分别为预测的未来各个时刻的控制偏差；Δe(k+1),Δe(k+2),…,Δe(k+n)为未来各个时刻的预测误差；u(k)、u(k-1)分别为当前及前一个采样时刻的控制作用，本例中即为锅炉的负荷指令；F1{·}为计算函数，它是控制作用中与当前及以前各个采样时刻控制偏差相关的分量；F2{·}为计算函数，它是控制作用中与预测的未来各个时刻的控制偏差相关的分量，预测控制作用主要由这部分分量决定；F3{·}为计算函数，它是控制作用中与未来各个时刻的预测误差相关的分量。

F1{·}、F2{·}、F3{·}可根据被控过程的动态数学模型推导获得。

采用先进技术协调控制性能优化策略如图4所示。

图4 采用先进技术协调控制性能优化策略

2 工程实施及现场应用

利用东南大学的先进控制平台INFIT，实现了上面介绍的先进协调控制策略。INFIT平台与DCS系统之间可通过Modbus通信交换数据。通过通信使INFIT与DCS融为一体，相当于为原有的DCS扩展了一个分散处理单元DPU，并在其中实现了一套新的AGC协调控制性能优化系统。

协调性能优化系统于2011-11-12日在2#机组上正式投入运行。为考核INFIT系统的实际控制性能，在2011-11-15日按照《火力发电厂模拟量控制系统验收测试标准》(DL/T 657-2006)的相关要求，对2#机组进行了20 MW/min速率下的CCS变负荷试验。约在2011-11-15 11:45～11:55，2#机组以20 MW/min的速率从850 MW直接下降至700 MW。

试验结果表明，采用协调控制性能优化系统后，机组变负荷过程非常平稳，无振荡和过调。实际速率、响应延迟时间、动态控制偏差、稳态控制精度均满足要求。主汽压力与滑压设定值保持相同趋势变化，动态过程平稳，无振荡和过调，动态偏差仅为+0.21/-0.40 MPa。变负荷过程中实际过热度与设定值保持相同趋势变化，变负荷最大动态偏差仅为+7.1/-1.0 K，完全满足正常运行的要求。

由于2#机组已采用协调性能优化系统，其性能明显优于其他3台还未优化的机组性能。通过对比分析，采用新型协调性能优化控制系统后，在大幅变负荷过程中，系统主汽压力和主汽温度的波动得到有效减少。

从对华能玉环电厂安全仪表系统(safety instrument system,SIS)中采集的数据进行分析可知，采用新协调性能优化控制系统后，取得了如下经济效益。

① 减小了过热汽温和再热汽温波动。过热汽温平均值提高5～7 K,再热汽温平均值提高6～8 K,再热喷水量减少15 t/h,发电煤耗降低0.9 g/kWh。

② 提高了机组运行稳定性，燃料、给水、送风等各控制量的波动量减少50%以上,减小了锅炉管材的热应力变化。

③ 将负荷升降速率提高到2.0%/min以上，明显改善了负荷调节精度，提高了机组的调峰、调频能力，有利于电网的安全稳定运行。

3 结束语

本文采用神经网络的学习技术来建立煤种热值校正系数的非线性模型，而后利用此模型对煤种热值的变化进行预测，克服了传统煤种BTU热值校正方法无法跟上实际煤种变化的缺陷。

在锅炉主控回路中，采用适合于大滞后被控过程控制的预测控制策略，有利于加快锅炉热负荷的响应速度，对提高协调控制系统的整体性能是十分重要的。

本文所介绍的协调性能优化控制系统，较好地融合了国际上先进的预测控制技术、神经网络技术等，填补了国内在协调性能优化控制产品方面的空白。在诸多控制性能方面如在对煤种变化的自适应方面，协调性能优化控制系统的性能已明显优于国外同类产品。

[1] KWU LPSC Technology Center.Profi unit coordinated control system[R].Siemens AG,2000.

[2] Nag P K.Power plant engineering[M].Second Edition.New York:Tata McGraw-Hill Company,2002.

[3] Zhou Gang,Lu Jianhong,Wei Hongqi,et al.Study and application of optimal control strategy for automatic generating control(AGC)[J].Electric Power,2004,37(1):57-61.

[4] Astrom K J,Bell R D.Drum-boiler dynamics[J].Automatica,2000,36:363-378.

[5] Adam E J,Marchetti J L.Dynamic simulation of large boiler with natural recirculation[J].Computers and Chemical Engineering,1999,23:1031-1040.

[6] Maffezzoni C.Boiler-turbine dynamics in power-plant control[J].Control Engineering Practice,1997,5(3):301-312.

[7] 张铁军，吕剑虹.热工过程模糊决策预测控制的应用研究[J].中国电机工程学报，2004，24(6):179-185.

[8] 胡一倩，吕剑虹，张铁军.一种自适应模糊控制方法及在电站汽温控制中的应用研究[J].中国电机工程学报，2003，23(1):136-140.

[9] Wu Bo，Wu Ke，Lu JianHong.A novel compensation based recurrent fuzzy neural network and its learning algorithm[J].Science in China Series F(Information Science)，2009(1)：41-51.