一種新的火電機組主汽溫智能控制方法研究

辛曉鋼 ，陳世慧，王 彪，方彥軍，唐若笠

（1.內蒙古電力科學研究院，呼和浩特 010020；2.武漢大學 自動化系，武漢 430072）

內蒙古地區風電裝機容量大，火電機組調峰任務繁重[1-2]。主汽溫控制是火電機組調峰的重要環節，關系著機組能否較好地應對外界擾動，保證安全、平穩運行[3]。在火電機組的實際運行過程中，對于噴水減溫擾動下的主蒸汽溫度控制，發電企業常采用具有前饋補償的串級PID控制策略[4]，但對于內蒙地區頻繁快速升降負荷的實際情況，往往達不到理想的控制效果。

針對這一問題，國內外學者展開了大量的研究與實驗工作，目的在于改善火電機組主汽溫控制系統在受到外界擾動時的動、靜態品質。文獻[5]采用模糊自整定的方法設計PID控制，并應用于主汽溫控制，獲得了較小的超調量和調節時間；文獻[6]采用免疫遺傳算法與BP神經網絡相結合，并應用于主汽溫PID控制系統，取得了良好的控制效果；此外，一些先進的控制器[7]及先進的控制結構[8]也都被引入火電廠熱工控制過程。

為進一步實現先進控制技術與人工智能算法在火電機組主汽溫控制系統中的應用，改善機組控制品質，本文提出了一種基于仿人智能粒子群的廣義預測PID控制策略，應用于火電機組主汽溫控制，并通過仿真實驗驗證了所提算法及控制策略的有效性。

1 仿人智能粒子群算法

1.1 基本粒子群優化算法

粒子群算法 PSO（particle swarm optimization）由Kennedy和Eberhart于1995年正式提出，由于其應用普遍，本文不再贅述，具體公式表示如下：

種群中的粒子在初始化后按照上述公式進行迭代，當到達給定迭代次數或滿足某個預設的尋優精度后，最后一次迭代產生粒子群的群體最優位置及其所對應的適應度函數值，即為粒子群算法所尋得的最優解。

1.2 仿人智能粒子群算法

本文從仿生學角度出發，提出了一種新的仿人智能粒子群算法HSI-PSO（human simulated intelligent PSO）。首先，仿照人腦的學習和記憶特性，將粒子迭代過程中每一代所形成的“認知”進行積累，并按照指數衰減的形式引入粒子速度更新公式：一方面，有助于粒子通過歷史“認知”更好地進行全局尋優；另一方面，由式（1）可知，對于基本粒子群算法，當粒子陷入局部最優，當前代的“認知”近似為零（近似等于0），粒子難以跳出局部最優，算法早熟；而引入歷史“認知”后，此時不為0的歷史“認知”會將粒子拉離該局部最優值，進而防止算法出現“早熟”。HIS-PSO算法的速度更新公式如式（3）所示：

式中：ξi為截止第t次迭代，算法每一代的認知有效因子，該參數用于指定不同階段認知對當前決策的影響權重，本文稱之為“記憶因子”。如式（4）所示，該參數按照指數方式進行衰減，且在任何時刻，所有ξi之和應為1。

此外，為進一步增強算法的全局優化能力，為每個粒子引入鄰域搜索行為，按式（1）及式（2）更新位置前首先進行判斷，如果目標位置的適應度函數值較當前位置更優，則更新；反之，則開始鄰域搜索行為，即在步長（Step）范圍內隨機搜索目標位置，若較當前位置更優，則更新，否則重新搜索；若達到最大搜索次數（Try_number）后還未找到更優位置，則在步長范圍內隨機跳動。

1.3 數值仿真實驗

為驗證所提HIS-PSO算法的有效性，選取如表1所示的測試函數進行仿真分析，并與標準粒子群算法PSO、帶擴展記憶的粒子群算法PSOEM[9]、加強學習與聯想記憶粒子群算法SLAM-PSO[10]、人工魚群算法AFSA[11]、粒子群優化魚群算法PSO-FSA[12]等主流優化算法進行對比分析。

表1 基準測試函數Tab.1 Basic test functions

仿真環境為Matlab R2007b，各算法參數設置如表2所示，測試函數維數設為30維，種群規模50個，最大迭代次數5000代，各算法獨立運行50次，實驗結果如圖1所示。

表2 各算法參數設置Tab.2 Parameters setting of the algorithms

圖1 各算法平均進化曲線Fig.1 Average evolution curves of the algorithms

由仿真結果可見，對于表1所列目標函數的優化問題，本文所提出的HSI-PSO算法較標準粒子群算法PSO、改進型粒子群算法PSOEM、SLAM-PSO、以對多維多極值函數具有較強優化能力著稱的人工魚群算法AFSA及其改進型算法PSO-FSA而言，具有更快的收斂速度和更高的尋優精度。尤其當目標函數具有多峰值或Rotated特性后，PSO、PSOEM等算法易出現早熟現象，而HSI-PSO算法則能夠跳出局部最優，具有更強的全局優化能力。

2 基于廣義預測PID的參數優化模型

智能優化算法應用于主汽溫PID控制系統，首先需要建立合理的參數性能評價指標，使智能算法能夠相對實時且較為準確地計算出每組PID參數對應的控制效果。

廣義預測控制GPC（generalized predictive control）能夠有效克服系統滯后特性，且具有魯棒性強、在線計算方便等特點。本文通過GPC方法定義智能優化算法下的PID參數性能指標，實現HIS-PSO算法與主汽溫PID控制系統的關聯。

2.1 廣義預測PID控制器

常用的增量形式PID控制表述如式（5）所示：

記 ω0＝KP+KI+KD，ω1＝-KP-2KD，ω2＝2KD則式（5）可以改寫為

將式 （6）帶入廣義預測控制中的CARIMA模型，可得：

為了預測超前j步輸出，通過Diophantine方程可得未來j步輸出：

式中，Ejξ（k+j）為未來噪聲。

廣義預測控制中，t時刻的性能指標通常采用如下形式：

最優控制率為

將式（8）帶入式（9）可得：

式中：N=N2-N1為預測時間；Lj＝ω （k+j）-HjΔu·（k-1）-Fjy（k）。

由最優控制率式（10）可得其增量形式為

通過最小化廣義預測性能指標，可推得整個時域的控制變量為

則最優控制序列為

系統只取當前時刻的控制變量Δu（k），通過式（11）即可計算得到當前優化的控制器參數 ω1（k），ω2（k）和ω3（k），進而可以計算得到最優PID參數為

2.2 PID參數優化模型

由于主汽溫PID控制系統的串級結構，根據PID參數優化問題公式推導，分別構建主、副回路的PID 參數優化模型如式（15）、式（16）所示：

式中：下標1表示主回路參數；下標2表示副回路參數；J為對應回路的廣義預測優化指標；為主回路 PID 參數；為副回路PID參數；S為對應的參數取值范圍。

3 基于HIS-PSO優化廣義預測PID的主汽溫控制仿真分析

本節采用文章第一節所提出的具有較強全局優化能力的HIS-PSO算法對主汽溫串級PID控制系統進行優化，適應度函數分別取式（16）及式（17）所示的性能指標函數，在Matlab 2007b/Simulink仿真平臺下搭建仿真系統。

3.1 主汽溫串級系統對象模型

主汽溫對象具有大延遲、大慣性和時變性等特點，主要表現為過熱器管道較長且蒸汽容積較大，減溫水流量變化到過熱器出口蒸汽溫度變化具有較大的延遲；當機組升降負荷時，主汽溫的動態特性也會發生顯著變化。火電廠主汽溫常采用串級PID進行控制，由噴水減溫器出口向副回路控制器引入反饋信號，具體結構如圖2所示。對于超超臨界鍋爐，70%負荷（700 MW）下主汽溫常用模型如表3所示，本文基于此模型驗證所提控制策略的有效性。

圖2 主汽溫串級控制系統結構Fig.2 Structure of main steam temperature cascade control system

表3 70%負荷下主汽溫對象模型Tab.3 Model of main steam temperature under 70%load

3.2 仿真實驗與結果分析

在70%負荷下，采用表3所示對象模型，測試系統在本文所提控制策略下的階躍響應（幅值605℃），此外，與標準粒子群算法以及工程常用的Z-N整定方法結果進行對比。其中，PSO與HIS-PSO算法種群規模均設為50，迭代次數為100代，主副回路PID參數優化范圍及控制量約束范圍如表4所示。

表4 PID參數優化范圍及控制量約束范圍Tab.4 Range of PID parameters and controlled variables

分別采用HIS-PSO、PSO和Z-N 3種方法進行串級PID參數整定，結果如表5所示，基于表5結果的主汽溫控制系統階躍響應如圖3所示。

表5 各方法PID參數整定結果Tab.5 Results of different PID tuning methods

圖3 各方法下的主汽溫階躍響應Fig.3 Step response of main steam temperature

由仿真結果可見，基于HIS-PSO的廣義預測PID能夠實現對大延遲、大慣性的主汽溫度的有效控制，相比于PSO優化PID方法以及常規的Z-N整定PID方法，本文所提算法具有更小的超調量和更短的調節時間，控制效果顯著優于另外2種控制方法。

4 結語

本文針對內蒙地區火電機組調峰壓力大，主汽溫擾動頻繁進而難以控制等問題，首先提出了一種仿人智能粒子群HIS-PSO算法，并通過數據實驗證明該算法較幾種主流粒子群優化算法具有更強的全局優化能力。在此基礎上，結合廣義預測控制思想，提出了一種基于HIS-PSO算法的主汽溫廣義預測PID控制策略，仿真實驗表明，該方法較粒子群優化PID，Z-N整定PID等常規控制手段具有更好的控制效果，對于頻繁擾動下的主汽溫控制具有較強的實用性。

[1]王小海，齊軍，候佑華，等.內蒙古電網大規模風電并網運行分析和發展思路[J].電力系統自動化，2011，35（22）：90-96.

[2]趙桂廷，李強，叢雨，等.內蒙古電網大規模風電消納問題分析研究[J].內蒙古電力技術，2013，31（2）：1-4.

[3]Chaibakhsh，Ghaffari A，Moosavian S.A simulated model for a once-through boiler by parameter adjustment based on genetic algorithms[J].Simulation Modeling Practice and Theory，2007（15）：1029-1051.

[4]Zhu Qian，Zhang Jingqiao，Wang Jian.Design of fuzzy and CMAC parallel controller based on GA for main steam pressure in supercharged boiler[C]//Control and Decision Conference，2008：4934-4938.

[5]武彬，張欒英.模糊自整定PID控制在主汽溫控制中的應用[J].計算機仿真，2015，32（2）：387-390.

[6]Han Li，ZhangZhenyu.Theapplication ofimmune genetic algorithm in main steam temperature of PID control of BP network[J].Physics Procedia，2012（24）：80-86.

[7]馮曉露，覃來豐，岑可法，等.基于遺傳算法的模糊控制器動態優化方法[J].浙江大學學報：工學版，2007，41（3）：95-99.

[8]田沛，宿喜峰，馬平，等.基于自抗擾技術的主汽溫全程控制[J].中國電機工程學報，2006，26（15）：73-77.

[9]段其昌，黃大偉，雷蕾，等.帶擴展記憶的粒子群優化算法仿真分析[J].控制與決策，2011，26（7）：129-132.

[10]段其昌，張廣峰，黃大偉，等.加強學習與聯想記憶的粒子群優化算法[J].計算機應用，2012，32（12）：58-61.

[11]李曉磊.一種新型的智能優化方法-人工魚群算法[D].杭州：浙江大學，2003.

[12]段其昌，唐若笠，徐宏英，等.粒子群優化魚群算法仿真分析[J].控制與決策，2013，28（9）：159-163.