1 000 MW超超臨界機組協調優化控制策略及應用

(華能上海電力檢修公司,上海 200942)

0 引言

華能玉環電廠1 000 MW超超臨界機組鍋爐是引進日本三菱重工技術、由哈爾濱鍋爐廠制造的超超臨界變壓運行直流鍋爐。汽輪機采用上海汽輪機有限公司和德國西門子公司聯合設計制造的超超臨界凝汽式汽輪機。DCS采用艾默生控制系統有限公司的OVATION控制系統。

在優化控制系統實施前，機組協調控制系統采用的是傳統的“負荷指令前饋”+“PID反饋”的調節方案。該方案主要存在以下問題。

① 在燃煤品質頻繁變化時，原控制系統的熱值校正回路無法及時調整控制系統，造成主汽壓力、主汽溫度等關鍵參數長時間的波動振蕩，機組運行不穩定，機組的負荷調節性能也明顯惡化。

② 原控制系統中，當機組大幅變負荷時，由于煤水比調整不合理，造成分離器溫度、主汽溫度參數波動大，動態偏差均達15～20 K，不利于機組的安全經濟運行。

③ 由于鍋爐主控采用的是傳統的“PID”控制方案，在變負荷過程中，鍋爐無法有效跟上汽機能量需求的變化，造成主汽壓力波動較大，動態偏差達1.0 MPa以上，明顯影響機組的負荷調節性能。

1 先進協調優化控制策略

針對華能玉環電廠1 000 MW超超臨界機組協調控制中存在的問題，采用先進技術對協調控制性能進行優化。主要的優化控制策略有煤種熱值預測校正和先進預測控制。

1.1 煤種熱值預測校正

在原DCS的控制系統中，僅考慮了傳統的煤種熱值的BTU校正。由于BTU校正是一種慢速的事后調整，當煤種發生變化后，需要1 h左右才能完成煤種的熱值調整。很明顯，BTU校正的最大問題是熱值的校正過程遠滯后于煤種的變化。當煤種變化頻繁時，BTU的熱值校正將無法適應，最終導致鍋爐給煤量的“過調”或“欠調”，從而引起機組主汽壓力、分離器溫度等參數的反復波動。

事實上，盡管煤種熱值的變化具有一定的隨機性和復雜性，但煤種熱值的變化還是一個連續過程，可以用一個復雜的非線性連續函數來描述。對于一個高度復雜的非線性變化過程，往往可以借助神經網絡技術建立其變化過程的非線性模型，通過對模型的分析和預估，掌握其變化規律。因此，本文在傳統煤種BTU校正的基礎上，存儲前期各個采樣時刻的煤種熱值校正系數，并作為徑向基函數(radicial basic function,RBF)神經網絡的訓練樣本數據，建立煤種熱值校正系數的非線性神經網絡模型。然后用該模型對煤種熱值校正系數的未來值進行遞推預估，通過預估的提前時間來彌補BTU校正過程的滯后。本文采用的煤種熱值校正系數的RBF神經網絡模型如圖1所示。

圖1 煤種熱值校正系數的RBF神經網絡模型

RBF神經網絡的學習間隔時間為10 min，即每經過10 min就對神經網絡模型的參數進行修正。針對華能玉環電廠煤種的實際情況，建立在某一時間段內的煤種熱值校正系數的RBF神經網絡模型。該模型為：RBF網絡擁有5個輸入，即輸入層節點數目為5；隱含層的節點數目為6；輸出層的節點數目為1。

隱含層的6個節點中心分別為：

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

隱含層到輸出層的權值系數為：

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

輸出層節點相應的偏置為：

b=1.088 2

(1)

由此RBF網絡建立的煤種熱值校正系數模型的建模效果如圖2所示。

圖2 煤種熱值校正系數RBF網絡建模

圖2中，實線為實際煤種熱值校正系數，圓圈為建模樣本的模型計算值(共采用了110個樣本數據來計算網絡模型)，三角形為由RBF網絡模型計算的熱值校正系數的預測值。由圖2可知，RBF網絡能較為準確地對煤種熱值校正系數進行建模與預測。

(2)

(3)

(4)

?

(5)

1.2 先進的預測控制技術

在控制結構上，新協調方案保留了常規鍋爐主控方案中的“前饋”+“反饋”的控制模式，但在主汽壓力和分離器溫度的閉環控制回路中，采用了先進的廣義預測控制器(generalized predictive control,GPC)代替常規的PID控制器。PID調節器是根據當前和以前的被控偏差來計算控制作用，而GPC主要根據被調量未來的預測值來計算控制作用。很明顯,GPC可以提前控制和調節，適合于大滯后被控過程的控制。

為說明GPC預測控制器的計算原理，假定主汽壓力定值、主汽壓力及鍋爐負荷指令的變化曲線如圖3所示。

圖3 假定的主汽壓力、定值與鍋爐負荷指令的變化曲線

圖3中:k為當前時刻;k-1,k-2,k-3, …為以前各個采樣時刻;k+1,k+2,k+3,…為未來各個采樣時刻。在k時刻(即當前時刻)，GPC首先根據主汽壓力被控過程的動態數學模型及主汽壓力、鍋爐負荷指令的歷史數據(圖3中的曲線1和曲線2數據)，并假定在當前時刻鍋爐負荷指令保持不變的情況下(圖3中曲線4)，預測出主汽壓力在未來一段時間內的變化(圖3中曲線3)。預測控制器的輸出為：

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)分別為當前及以前各個采樣時刻的控制偏差；e(k+1),e(k+2),…,e(k+n)分別為預測的未來各個時刻的控制偏差；Δe(k+1),Δe(k+2),…,Δe(k+n)為未來各個時刻的預測誤差；u(k)、u(k-1)分別為當前及前一個采樣時刻的控制作用，本例中即為鍋爐的負荷指令；F1{·}為計算函數，它是控制作用中與當前及以前各個采樣時刻控制偏差相關的分量；F2{·}為計算函數，它是控制作用中與預測的未來各個時刻的控制偏差相關的分量，預測控制作用主要由這部分分量決定；F3{·}為計算函數，它是控制作用中與未來各個時刻的預測誤差相關的分量。

F1{·}、F2{·}、F3{·}可根據被控過程的動態數學模型推導獲得。

采用先進技術協調控制性能優化策略如圖4所示。

圖4 采用先進技術協調控制性能優化策略

2 工程實施及現場應用

利用東南大學的先進控制平臺INFIT，實現了上面介紹的先進協調控制策略。INFIT平臺與DCS系統之間可通過Modbus通信交換數據。通過通信使INFIT與DCS融為一體，相當于為原有的DCS擴展了一個分散處理單元DPU，并在其中實現了一套新的AGC協調控制性能優化系統。

協調性能優化系統于2011-11-12日在2#機組上正式投入運行。為考核INFIT系統的實際控制性能，在2011-11-15日按照《火力發電廠模擬量控制系統驗收測試標準》(DL/T 657-2006)的相關要求，對2#機組進行了20 MW/min速率下的CCS變負荷試驗。約在2011-11-15 11:45～11:55，2#機組以20 MW/min的速率從850 MW直接下降至700 MW。

試驗結果表明，采用協調控制性能優化系統后，機組變負荷過程非常平穩，無振蕩和過調。實際速率、響應延遲時間、動態控制偏差、穩態控制精度均滿足要求。主汽壓力與滑壓設定值保持相同趨勢變化，動態過程平穩，無振蕩和過調，動態偏差僅為+0.21/-0.40 MPa。變負荷過程中實際過熱度與設定值保持相同趨勢變化，變負荷最大動態偏差僅為+7.1/-1.0 K，完全滿足正常運行的要求。

由于2#機組已采用協調性能優化系統，其性能明顯優于其他3臺還未優化的機組性能。通過對比分析，采用新型協調性能優化控制系統后，在大幅變負荷過程中，系統主汽壓力和主汽溫度的波動得到有效減少。

從對華能玉環電廠安全儀表系統(safety instrument system,SIS)中采集的數據進行分析可知，采用新協調性能優化控制系統后，取得了如下經濟效益。

① 減小了過熱汽溫和再熱汽溫波動。過熱汽溫平均值提高5～7 K,再熱汽溫平均值提高6～8 K,再熱噴水量減少15 t/h,發電煤耗降低0.9 g/kWh。

② 提高了機組運行穩定性，燃料、給水、送風等各控制量的波動量減少50%以上,減小了鍋爐管材的熱應力變化。

③ 將負荷升降速率提高到2.0%/min以上，明顯改善了負荷調節精度，提高了機組的調峰、調頻能力，有利于電網的安全穩定運行。

3 結束語

本文采用神經網絡的學習技術來建立煤種熱值校正系數的非線性模型，而后利用此模型對煤種熱值的變化進行預測，克服了傳統煤種BTU熱值校正方法無法跟上實際煤種變化的缺陷。

在鍋爐主控回路中，采用適合于大滯后被控過程控制的預測控制策略，有利于加快鍋爐熱負荷的響應速度，對提高協調控制系統的整體性能是十分重要的。

本文所介紹的協調性能優化控制系統，較好地融合了國際上先進的預測控制技術、神經網絡技術等，填補了國內在協調性能優化控制產品方面的空白。在諸多控制性能方面如在對煤種變化的自適應方面，協調性能優化控制系統的性能已明顯優于國外同類產品。

[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] 張鐵軍，呂劍虹.熱工過程模糊決策預測控制的應用研究[J].中國電機工程學報，2004，24(6):179-185.

[8] 胡一倩，呂劍虹，張鐵軍.一種自適應模糊控制方法及在電站汽溫控制中的應用研究[J].中國電機工程學報，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.