基于改进的隐式广义预测控制在燃气发电锅炉主汽压中的应用

王胜 陈雨薇 徐帅 章家岩 冯旭刚

摘 要：针对燃气发电锅炉主汽压控制系统存在非线性、模型参数不确定等问题，提出了一种改进的隐式广义预测控制策略。首先，使用遺忘因子递推最小二乘法进行模型参数辨识，建立主汽压的离散数学模型;其次，在常规广义预测控制理论基础上建立主汽压的隐式广义预测控制系统，简化控制算法，通过在目标函数中增加PI结构，提高系统的鲁棒性。仿真结果表明，相比串级PID和常规隐式广义预测控制，所提控制策略在模型适配时调节时间最多减少20 s，模型失配时超调量最多减少5.08%，调节时间最多降低36 s，系统鲁棒性和抗干扰能力增强;工程应用表明，使用所提策略后主汽压控制偏差在±0.2 MPa之间，控制精度显著提高。改进的隐式广义预测控制较好地满足了工业生产中对主汽压的控制要求，具有较高的研究和应用价值。

关键词：系统辨识;燃气发电锅炉;主汽压;遗忘因子递推最小二乘法;隐式广义预测控制

中图分类号：TM621.2   文献标识码：A   doi：10.7535/hbkd.2020yx05003

Abstract：Aiming at the problems of non-linearity and variable model parameters of the main steam pressure control system of gas-fired power generation boiler， an improved implicit generalized predictive control strategy was proposed. First， the forgetting factor recursive least square method was used to identify the model parameters， and a discrete mathematical model of the main steam pressure was established. Second， an implicit generalized predictive control system for main steam pressure was established on the basis of conventional generalized predictive control theory， which simplified the control algorithm and improved the robustness of the system by adding a PI structure to the objective function. The simulation results show that， compared with the cascade PID and conventional implicit generalized predictive control， the proposed control strategy reduces the adjustment time by 20 s at most when the model is adapted; the overshoot decreases by up to 5.08% and the adjustment time decreases by up to 36 s when the model is mismatched， and the system robustness and anti-interference ability are improved. The engineering application shows that the main steam pressure control deviation is within ±0.2 MPa， and the control accuracy is significantly improved in the proposed strategy. The improved implicit generalized predictive control has high research and application value in the main steam pressure control in industrial production.

Keywords：system identification; gas-fired power generation boiler; main steam pressure; forgetting factor recursive least squares method; implicit generalized predictive control

中国钢铁企业冶金自备电厂燃气锅炉使用企业副产煤气作为燃料，由于煤气的热值和压力受高炉、焦炉、转炉的生产状况影响，导致炉膛内燃烧状态不稳定，主汽压波动范围较大，不利于锅炉的安全稳定和经济运行[1-2]。针对冶金自备电厂燃气发电锅炉的主汽压控制问题进行研究，最大限度地提高燃烧效率，对企业安全生产、节能降耗具有重要意义[3-4]。

现阶段冶金自备电厂对于锅炉主汽压的控制主要采用常规PID方法，PID控制具有结构简单、易于工程实施等优点[5-6]。但随着时间的推移，锅炉设备条件和工况不断变化，原本整定的PID参数无法适应被控对象的变化，导致运行状况偏离生产要求[7]。目前研究人员对于将智能控制理论引入到主汽压控制进行了大量的理论与实践研究。崔志强等[8]针对主汽压系统精确模型不易确定的问题，将微分器与RBF神经网络算法结合，设计主汽压神经网络控制器，在控制过程中不需要对象的模型信息，取得了一定的控制效果。程加堂等[9]将寻优者算法应用到PID参数优化中，通过计算寻优者个体适应度和最优位置，对主汽压系统PID参数进行寻优，并与粒子群算法和遗传算法优化的PID参数进行现场应用对比，结果表明寻优者优化算法提高了主汽压的响应速度。李兴如等[10]利用炉膛辐射能信号反映燃料量变化的快速性，作为主汽压串级PID控制器的中间被调量，利用萤火虫算法对PID参数寻优，系统稳定性得到了一定的提高。

上述研究表明，主汽压系统存在大时滞和模型不确定的特点，目前主要采用智能控制算法整定PID参数[11]或建立主汽压控制系統数学模型，但大部分只停留在理论研究阶段，工程上应用不多，主要是因为实际工业现场环境复杂、工况多变，上述方法常会因为参数的不确定性而达不到满意的控制效果。本文利用隐式广义预测控制（IGPC）不需要反复求解Diophantine方程、能减少计算时间的优点，将PI型的反馈结构引入到IGPC的目标函数中以提高系统的鲁棒性，并通过仿真和工程应用进行验证。

1 主汽压控制模型构建

1.1 主汽压控制原理分析

主汽压控制系统主要分为单回路控制系统或串级回路控制系统[12]。单回路控制系统具有设计简洁、控制参数整定方便的优点，可以克服燃料量或燃料热值变化造成的内扰和负荷变化造成的外扰，但系统响应速度较慢，其结构如图1所示。

当系统受到内扰或者负荷扰动时，主汽压偏离设定值，控制器通过执行器调节煤气量，改变燃烧状态，使主汽压恢复稳定。为提高锅炉主汽压控制系统的响应速度和稳定性，在实际中通常采用串级回路控制方案，如图2所示。

主汽压串级控制的副回路采用燃料量控制器，用于克服由煤气量或煤气热值变化造成的内部扰动，主回路采用主汽压控制器，用于克服由发电机组负荷变化造成的外部扰动[13-14]。当系统受到内扰时，炉膛内燃料燃烧释放的热量发生变化，副回路将检测装置得到的热量信号传递给燃料量控制器，控制煤气阀门开度，调节进入锅炉的燃料量，改变炉膛燃烧状况，从而实现主汽压稳定。当系统受到外扰时，主汽压产生变化，检测装置将主汽压信号传递给主汽压控制器，主汽压控制器通过副回路调节锅炉的燃料供应量使主汽压恢复稳定。

1.2 主汽压模型辨识

3 仿真分析

为验证PI型IGPC控制策略的有效性，根据所建立的燃气发电锅炉主汽压的CARIMA模型进行仿真研究，模型表达式为y（k）-1.892y（k-1）+0.903y（k-2）=-0.51u（k-1）+ξ（k）。 （12）  根据文献[21]的参数整定方法，经过多次仿真实验验证，预测控制参数取n=8，m=5，λ=0.85;比例因子和积分因子根据经验试凑法分别取0.5和0.4，控制量增量的约束为-0.2≤ΔU≤0.2，控制输入的约束为0≤u（k）≤1，主汽压设定值yr=5.9 MPa。

在主汽压模型参数适配时，采用式（12）作为主汽压模型，对PI型IGPC与串级PID、常规IGPC控制进行仿真对比，在t=400 s和t=600 s时向系统加入幅值为1.2的脉冲干扰信号以测试系统的抗干扰性能，仿真波形如图5所示。

由图5可知，当主汽压控制系统模型适配时，PI型IGPC、串级PID和常规IGPC的输出波形均无超调，3种控制策略下的调节时间分别为290，300和310 s。当施加扰动后，常规IGPC控制输出波形出现一定超调，且超调时间较长;串级PID超调较小，能快速恢复;PI型IGPC施加扰动后基本无超调，一直保持在稳定状态。对比可知，PI型IGPC抗干扰性能更好，响应速度更快。

由图6可知，当主汽压控制系统模型参数失配时，常规IGPC控制输出波形出现超调，超调量为5.08%，调节时间为330 s，施加扰动后超调量较大，恢复时间较长;串级PID基本无超调，但达到设定值的时间变长，为310 s，施加扰动后，超调量大，为5.78%，恢复时间较常规IGPC控制明显缩短;PI型IGPC输出波形达到设定值的调节时间为294 s，基本无超调，在施加扰动后仅出现少量波动，基本保持在平稳状态。对比可知，PI型IGPC在模型失配时鲁棒性更强。

4 工程应用

本文设计的优化控制系统由操作员站和现场控制器两部分组成，指导思想是：保持锅炉原有DCS控制系统、各种检测仪表和控制装置硬件条件不变，在JX-300XP DCS中加入控制权切换的功能程序，系统架构如图7所示。优化控制系统与原DCS控制系统通过工业以太网进行连接，交换机的作用是将DCS中通过检测装置采集到的各参数数据传输给优化控制系统，使其能对锅炉燃烧状况进行监测，并对运行状态进行控制。

将优化系统在冶金自备电厂150 t燃气发电锅炉进行运行控制。主汽压设定值为5.9 MPa。采集系统投运前和投运后的主汽压实时曲线，采集时间均为8 h，主汽压曲线如图8、图9所示。

由图8可知，优化系统投运前，主汽压实时曲线波动剧烈，主汽压值在4.2～6.3 MPa，上下波动幅值达到2.1 MPa;图9为采用优化控制系统后的主汽压实时曲线，主汽压值在5.7～6.1 MPa之间波动，基本稳定在设定值5.9 MPa左右，满足控制精度±0.2 MPa的要求。与工业现场原先的PID加手动调节方法相比，采用优化控制系统后，主汽压能较好地稳定在设定值附近，波动范围小，系统控制精度显著提高。

5 结 语

针对GPC在滚动优化环节计算量大、影响时效性的问题，引入IGPC，并对算法进行改进，设计PI型IGPC主汽压控制策略。仿真结果表明，在模型适配和模型失配时，该控制策略比串级PID和常规IGPC控制方法调节时间更短，超调量更小，系统抗干扰和鲁棒性更强。工程运行结果表明，相比原有的PID控制系统，优化后的系统对主汽压的控制精度明显提高，较好地满足了工业生产对主汽压的控制要求。

目前该系统只考虑了煤气流量对主汽压控制的影响，对于其他因素（诸如煤气品质、主蒸汽流量、助燃空气流量等）的影响还需做进一步的研究。

参考文献/References：

[1] WEI M L， ZHAO X L， FU L， et al. Performance study and application of new coal-fired boiler flue gas heat recovery system[J]. Applied Energy， 2017， 188： 121-129.

YUAN Cenjie， JIANG Wei， DONG Hongping， et al. Analysis and optimization of main steam pressure control strategy for supercritical unit DEH system in Shanghai steam turbine factory [J]. Power & Energy， 2018， 39（3）：409-412.

[13] 何国安， 张学延， 张卫军. 汽轮发电机组轴系振动研究进展及趋势[J]. 热力发电， 2016， 45（11）：1-4.

HE Guoan， ZHANG Xueyan， ZHANG Weijun. Research status and development trends of turbo-generator shaft system vibration[J]. Thermal Power Generation， 2016， 45（11）：1-4.

[14] 郑中原，赵鹏，姜玲，等.基于云平台的发电机组节能减排实时监控系统[J].电力系统保护与控制，2019，47（7）：148-154.

ZHENG Zhongyuan，ZHAO Peng，JIANG Ling，et al.A real-time monitoring and control system for energy saving and emission reduction of generator set based on cloud platform[J].Power System Protection and Control，2019，47（7）：148-154.

[15] 鲍海静，张韬， 张静. 基于遗忘因子递推最小二乘法的伺服系统转动惯量辨识方法[J]. 上海电气技术， 2017， 10（3）：5-9.

BAO Haijing， ZHANG Tao， ZHANG Jing. Servo system rotational inertia identification method based on forgetting factor recursive least square method[J]. Journal of Shanghai Electric Technology， 2017， 10（3）：5-9.

[16] IKEDA Y. Building dynamic property change under an earthquake evaluated by the forgetting factor recursive least squares method[J]. AIJ Journal of Technology & Design， 2012， 18（38）：51-54.

[17] 薛阳，高丽.关于丢番图方程（20n）x+（99n）y=（101n）z[J].延安大学学报（自然科学版），2016，35（3）：16-19.

XUE Yang，GAO Li.On the Diophantine equation （20n）x+（99n）y=（101n）z[J].Journal of Yan'an University（Natural Science Edition），2016，35（3）：16-19.

[18] DENG M J. A note on the Diophantine equation [J]. Bulletin of the Australian Mathematical Society， 2014， 89（2）： 316-321.

[19] 蔡惠京.关于线性丢番图方程的Frobenius问题[J].数学理论与应用，2019，39（2）：1-19.

CAI Huijing. On the Frobenius problem of the linear Diophantine equation[J]. Mathematical Theory and Applications， 2019，39（2）：1-19.

[20] 门洪，李项楠，史冬琳.P-隐式广义预测控制在球磨机制粉系统中的应用[J].化工自动化及仪表，2013，40（6）：734-737.

MEN Hong， LI Xiangnan， SHI Donglin. Proportional implicit GPC control in ball pulverizing system[J]. Control and Instruments in Chemical Industry， 2013，40（6）：734-737.

[21] 陳增强，吴瑕，孙明玮， 等.时滞系统的自抗扰广义预测控制的性能分析[J].中南大学学报（自然科学版），2018，49（8）：1960-1970.

CHEN Zengqiang， WU Xia， SUN Mingwei， et al. Performance analysis of active disturbance rejection generalized predictive control for time-delay systems[J]. Journal of Central South University（Science and Technology），2018，49（8）：1960-1970.