超超臨界火電機組AGC系統優化控制算法應用

柯 炎 ，席德慶 ，馬世京

（1.江蘇國華陳家港發電有限公司，江蘇 鹽城 224631；2.華北電力大學河北省發電過程仿真與優化控制技術創新中心，河北 保定 071000）

0 引言

電能品質重要指標之一是上網頻率，其偏離會威脅電網的自身安全。由于用電負荷具有隨機性的特點，為維持電網頻率的穩定，要求機組具有快速跟蹤負荷及較強的調峰能力。國家對新能源發電大力支持，越來越多的光電、風電等可再生資源發電并網，增加了發電量的隨機性，因此優化火力發電機組參與的調峰能力越來越重要。自動發電控制系統（Automatic Generation Control，AGC）是 EMS（能量管理系統）的重要組成部分。爐側與機側之間的能量匹配問題關系著機組與電網調度中心之間的協調控制，是設備能否安全、可靠、經濟運行的關鍵過程。AGC系統的主要功能就是參與鍋爐與汽機之間的能量匹配調節。因此優化火電機組AGC系統的響應時間和精確度是一個很有價值的研究方向。

AGC系統的優化方向是提高機組運行穩定性和經濟性，主要包括各種先進控制算法、優化控制策略等方法。給煤機接受AGC指令，給煤量出現波動，文獻［1］增加了一個慣性環節，作用是對前饋信號濾波，優化波動幅度。文獻［2］提出了一種負荷補償方案，具體方法是采集流功率的反饋信號對凝結水進行節流。文獻［3］的解決方案是優化定滑壓聯合調節，通過AGC跟隨試驗及曲線分析，證明此優化方案的可行性。但大多數相關理論研究人員對于AGC系統的認識不夠深入，停留在理論分析和理論論證中，實踐太少；工程使用AGC的人員，對系統了解透徹，實踐多但理論知識欠缺，遇到實際問題缺乏理論體系支撐，導致問題不能有效解決。針對機組AGC系統響應不及時和曲線超限不達標的具體問題進行深入研究，并以理論結合實踐的方式提出優化方法，并且通過實踐驗證該方法的先進性。

1 AGC系統問題分析

機組DEH系統為西門子T3000系統，DCS系統為國電智深EDPF-NT+系統，2018年2月、3月、4月連續三個月機組AGC系統考核不達標。調取現場歷史曲線，重點對曲線超限部分進行了分析。為了驗證分析結果，與電網調度中心共同完成了AGC系統性能特性試驗，并且分析了試驗結果。經過對歷史曲線和試驗曲線分析，得出導致AGC系統控制品質差的原因。

負荷變化速率設定值不符合要求。鍋爐側的燃燒調節反應速率相對較慢，負荷變化速率較快，導致負荷變化速率快的時候，鍋爐跟蹤不及時，導致主蒸汽實際壓力與被跟蹤值偏差較大，機組運行的穩定性和安全性就會變差。為了使主汽壓變化速率與負荷變化速率都能滿足穩定性和安全性，不得不把機組的負荷變化率設定為遠低于火電機組運行標準值，從而使得負荷變化率達不到規定值的下限，導致系統考核不合格。

負荷測量精度問題。與電網調度中心合作測試機組的信號時發現，調度發出的AGC指令450.0 MW，DCS接受的AGC指令為449.5 MW，機組DCS系統采集的實際負荷為449.5 MW，國網調度接收到的機組實發功率為448.0 MW。以上可以發現，在機組準確執行接收到的AGC時，省調發出的命令與省調接收到實發功率之間有2 MW左右的偏差。這將會造成機組AGC調節精度變差。主要是由于進入RTU裝置的功率表與進入DCS系統的功率表之間由測量誤差，且測量信號經過AO／AI卡后會有一定的衰減損失。

機組滑壓變化速率低。在測試AGC上限時，高壓調節門處于100%開度狀態，主蒸汽壓力決定了機組的負荷。機組變負荷速率設定為9.5 MW／min，從而限定了機組滑壓速率，導致滑壓速率滿足不了變負荷速率需求，致使AGC系統上限考核不達標。

2 AGC系統優化設計方案

分析AGC系統考核不達標的原因，可得出AGC系統存在兩方面的設計問題，一方面是由于算法模型的缺陷，原PID控制不能克服在變負荷過程中鍋爐側動態變化率遲延較大而帶來的機組穩定性缺陷。針對這個問題，采取了帶有預測控制算法的多模型多變量的控制方法，來解決機爐間耦合性強以及燃燒調節控制滯后的問題。為了解決預測控制中模型失配的問題，建立高、中、低3組控制模型，而且采用了模糊控制切換的方法。另一方面是測量設備精度和信號處理缺陷，針對這一問題，采用偏差補償法，具體的補償策略包括對電網調度信號與RTU信號之間的偏差進行補償，對電網調度發送的指令信號與DCS接收的信號偏差進行補償，原則是保證偏差越小越好。

2.1 預測控制算法

20世紀70年代在實際應用中成功實現了模型的預測控制。預測控制在近幾十年的發展中不斷改進，并且形成了控制理論體系，該體系具有滾動優化這一特性，滾動優化是模型預測控制與通常的最優算法之間的主要區別。模型預測控制是有限時域的優化策略，實現整體時域中部分時域的優化，并且反復進行優化。對于實際生產過程控制中存在的模型失配、干擾等現象，相對于全時域有緣，滾動優化更能體現出優越性。

預測控制的多變量模型是具有N（大于2）路輸入輸出的模型結構，文獻[4-5]表明這種結構的控制模型可以實現多變量調節。模型結構如圖1所示。圖1 中，r1，r2，…，rn為模型輸入變量，u1，u2，…，un為預測控制模型優化后的輸入變量，y1，y2，…，yn為控制系統輸出變量。

圖1 預測控制多變量模型結構

為了有效解決被控對象之間耦合的問題，可以采用多變量預測控制的綜合誤差函數來解決。多變量預測控制算法原理與單變量模型預測控制算法原理一樣，因此多變量預測控制可根據單變量預測控制的模型算法引入Diophantine方程來實現，這樣就可以拆分成一個輸入量變化對某一輸出帶來的影響，多變量預測控制的算法就是多組單變量模型疊加實現的，從而得出預測模型

根據單變量預測控制性能指標矩陣，則可得出多變量預測控制算法的綜合誤差函數

式中：Ys為設定值矩陣；為性能權重矩陣，如果想得到理想的輸出效果可通過調節中不同輸出權重；為控制量權重矩陣，為了避免控制器增量變化過于劇烈，可以調節式（2）中控制量變化速度和性能二者間的平衡關系。想得到t時刻的最優控制輸出，需要對J求極值。

取函數ΔU（t）的第一項為增量控制，將該增量代入于各個對應公式中的控制量，即可得到新的控制量。

2.2 模糊切換多模型

在多模型模糊切換過程中為了保證模型預測控制的精確度，控制算法需要精確度很高的的數學模型。由于不同機組在不同負荷點，或同一臺機組在不同負荷點的動態性能都會出現差異，這些差異很有可能會導致模型出現失配問題。所以采用了高、中、低負荷多組控制模型，模型切換采用線性隸屬度函數進行切換。傳遞函數采用粒子群算法建立模型，分別取300 MW、450 MW、600 MW負荷進行了系統動態測試，然后通過MATLAB系統辨識工具箱，辨識出系統的數學模型。隸屬度函數曲線如圖2所示。圖2 中，μ1、μ2、μ3分別為 300 MW、450 MW、600 MW 所占權重系數。

圖2 隸屬度函數的多模型切換

隸屬度函數的建立是模糊控制成功應用的基礎，辨識出系統的數學模型最終輸出為3組模型的加權，模型表達式為

式中：Y1、Y2、Y3代表機組 300 MW、450 MW、600 MW負荷的模型輸出值。

2.3 AGC控制策略的優化

鍋爐主控經過優化后的邏輯如圖3所示，利用多模型多變量預測控制模型替換掉優化前系統的控制模型，優化前后的控制模型基本結構沒有太大的變化。多模型的模糊切換的依據是預測控制算法輸出值，該輸出值是根據當前負荷輸出加權后的輸出值，多模型多變量預測控制器的輸出值是根據預測值、當前負荷值和主蒸汽壓力偏差計算出最優給煤量。采用的多模型多變量預測控制器較原控制系統有了預判功能，可以提前做出反應，大大減小了系統偏差，適合大滯后的控制過程，同時前饋模塊的導入進一步提高鍋爐側的響應速率。

圖3 爐側主控系統（優化后）

圖4 優化后AGC系統運行曲線

系統優化前，當滑壓速率設定值超過9.5 MW／min時，系統穩定性變差，導致滑壓速率給定值設定不達標，考核不通過。系統優化后，滑壓速率給定值滿足考核標準的情況下系統依然能保持穩定，證明了采用的優化控制方法是具有可行性的，但是滑壓速率過高仍然會導致系統不穩定，所以為了兼顧滑壓速率和系統穩定，可將原有滑壓速率給定值提高0.1 MPa／min。

3 工程實踐

對AGC系統采用新的控制策略優化后進行了變負荷測試，在機組上以13MW／min的速率投入AGC系統，機組負荷由460 MW上升到負荷660 MW，如圖4所示。

由圖4中曲線可看出機組在運行過程中實際負荷上升速率基本是按照設定值的大小在變化，曲線跟蹤得非常緊密，體現出動態過程的平穩度很好，跟蹤曲線幾乎沒有震蕩就趨于平穩，曲線超調得到了很大的緩解，曲線品質得到了很大提升。經過優化后，各個考核指標都達到了考核標準，滑壓變化速率給定值滿足火電機組運行標準，主蒸汽實踐壓力曲線跟隨壓力設定值曲線非常緊密，整個動態跟蹤很平穩，超調量和偏差大大小于優化前的曲線，達到了AGC系統優化目標。

4 結語

針對機組AGC考核不合格的問題進行分析并提出了采用多變量多模型預測控制策略的AGC優化控制策略，在改變負荷速率限制和滑壓速率后可以有效提高機組的負荷響應速率，并減小主蒸汽壓力的波動，滿足電網AGC考核要求，同時驗證了模型預測控制在機組AGC系統上應用的有效性。