燃煤機組過熱汽溫寬負荷模型前饋控制

陳祎璠, 曹 越, 司風琪

(東南大學 能源轉(zhuǎn)換及過程測控教育部重點實驗室, 南京 210096)

“雙碳”目標的提出已成為我國能源發(fā)展的硬約束,我國將著力“構(gòu)建以新能源為主體的新型電力系統(tǒng)”[1]。目前,我國能源轉(zhuǎn)型需求越發(fā)迫切,在可再生能源大規(guī)模并網(wǎng)、大規(guī)模儲能技術受限的情況下,機組靈活性改造、調(diào)峰能力改進將成為重點研究方向[2]。機組在參與電網(wǎng)深度調(diào)峰時,通常需寬負荷運行至30%～40%額定負荷,部分機組具備寬負荷運行至15%～20%額定負荷的能力。在此過程中,為確保過熱汽溫不超限,運行人員往往需要不斷手動調(diào)整控制器的汽溫設定值(偏置)或手動調(diào)整降溫水流量,增加了操作人員的工作量[3]。在寬負荷運行條件下,對變參數(shù)非線性的復雜系統(tǒng)來說,過熱汽溫的干擾因素較多、干擾頻繁且擾動量大,同時呈現(xiàn)大遲延、大慣性和非線性的特點,為了最大限度地提高機組熱效率,過熱汽溫必須運行在額定溫度±5 K范圍內(nèi)[4],這些都加大了過熱汽溫控制的難度。

過熱汽溫控制對象尤其是在低負荷工況下運行時,是典型的非線性過程,在不同的工況下施加與之相應的前饋量,是對其進行合理、高效、準確控制的基礎。在建立合理的前饋量模型表征對象特性時,主要有機理建模法和系統(tǒng)辨識法。機理建模法是在合理的簡化假設下,通過理論過程建立研究對象的數(shù)學函數(shù)關系[5],但是該方法在精確處理過熱汽溫控制對象工況參數(shù)非線性,汽溫波動等問題時對建模條件的要求較高[6];系統(tǒng)辨識法是根據(jù)常規(guī)機理模型和現(xiàn)場經(jīng)驗,通過對輸入輸出數(shù)據(jù)的數(shù)學處理,獲得對象數(shù)學模型。系統(tǒng)辨識模型精度較高,可從數(shù)據(jù)中獲取過程特性[7],為控制品質(zhì)提供較為可靠的輔助效果。李炳楠等[8]針對因超臨界火電機組協(xié)調(diào)系統(tǒng)建模精度不高,進而影響先進控制算法控制效果的問題,提出了一種分立-組合式建模方法,并將其應用于模型預測控制算法中。在處理工況非線性問題方面,桂寧等[9]采用深度神經(jīng)網(wǎng)絡(DNN)與長短期記憶(LSTM)的融合模型實現(xiàn)對火電機組主汽溫度的預測建模,解決系統(tǒng)的非線性問題,提出一種綜合考慮特征選擇和時延選擇的融合模型,應用效果較為可觀。曹越等[10]通過建立亞臨界過熱汽溫的機理模型,解決傳統(tǒng)動態(tài)機理模型不準確的問題,將水蒸氣的熱力性質(zhì)參數(shù)和比熵中以溫度和壓力作為基礎變量,建立一種雙線性擬合算法。李倩倩[11]采用融合過熱器機理的深度神經(jīng)網(wǎng)絡,建立過熱汽溫控制系統(tǒng)的導前區(qū)溫度和滯后區(qū)溫度的預測模型。對于復雜的控制對象,在不改變比例積分微分(PID)閉環(huán)穩(wěn)定性和收斂性的前提下,借助機組歷史運行數(shù)據(jù)建立基于數(shù)據(jù)驅(qū)動預測模型,可對設定值進行實時優(yōu)化補償。李倩倩[11]設計了基于預測模型的前饋補償和誤差反饋補償相結(jié)合的設定值優(yōu)化補償策略,與機組原控制系統(tǒng)相比,該策略減小了控制系統(tǒng)的響應時間和動態(tài)超調(diào)量。

筆者以某660 MW亞臨界機組的過熱汽溫為研究對象,采用機理與長短期記憶神經(jīng)網(wǎng)絡融合的方法,對燃煤機組30%～100%負荷段下過熱汽溫控制系統(tǒng)的前饋量非線性子系統(tǒng)進行建模。在此基礎上,采用間隙度量理論進行非線性度的評價,對劃分的子系統(tǒng)進行修正,最終獲得寬負荷下的前饋信號特性模型,建立過熱器溫度多模型間隙度量物理引導神經(jīng)網(wǎng)絡(PGNN)動態(tài)前饋,并進行仿真校驗。

1 寬負荷工況過熱汽溫特性

機組參與靈活調(diào)峰時,其負荷調(diào)節(jié)速率為2%,負荷變化的頻次高,煤量和風量變化頻繁,從而引起爐膛燃燒狀態(tài)不穩(wěn)定、主汽壓等參數(shù)劇烈波動。過熱器內(nèi)蒸汽溫度主要受過熱器工質(zhì)側(cè)和煙氣側(cè)換熱作用的影響,其中工質(zhì)側(cè)換熱作用取決于工質(zhì)流量等參數(shù),而煙氣側(cè)主要受煙氣溫度和煙氣流量的影響。過熱蒸汽溫度受干擾參數(shù)的作用頻繁波動,在進行寬負荷運行時,控制系統(tǒng)采用調(diào)整控制器的汽溫設定值或?qū)娝y切手動控制的方法難以滿足控制精度要求。

此外,過熱汽溫受負荷、煤量等因素的干擾,噴水減溫系統(tǒng)的過熱汽溫特性有大遲延、大慣性和非線性的特點,且這些特性與機組負荷有著緊密的聯(lián)系。在低負荷時,主蒸汽流量小,其通過噴水減溫管道時的速度緩慢,故慣性大,在機組低負荷時,蒸汽從一級減溫器入口到二級減溫器入口的時間約為260 s。反之,在高負荷時,主蒸汽流量大,其通過噴水減溫管道時的速度快,故慣性小,在機組90%負荷時,蒸汽從一級減溫器入口到二級減溫器入口時間約為50 s。由此可見,機組在負荷不同時過熱減溫器動態(tài)特性有著較大的差異,因此研究過熱汽溫寬負荷前饋信號需對不同的負荷段進行研究。筆者以第一級過熱汽溫控制系統(tǒng)為研究對象,采用基于間隙度量法的多模型PGNN建模方法探究寬負荷時過熱汽溫的前饋量預測方法,在不同工況下采用與當前工況相適應的前饋信號來彌補反饋作用的不足,提升控制魯棒性。

2 多模型間隙度量PGNN的過熱汽溫前饋控制

采用深度神經(jīng)網(wǎng)絡對研究對象進行特性建模時,往往缺失研究對象的機理過程信息,所得模型易出現(xiàn)過擬合,甚至與機理過程相悖的狀況。針對此問題,采用物理模型引導深度學習融合建模來達到更好的預測效果,并在此基礎上根據(jù)物理模型對長短期記憶神經(jīng)網(wǎng)絡的時間步長進行調(diào)整。

2.1 前饋量PGNN預測模型

圖1 過熱器滯后區(qū)前饋控制量預測模型PGNN結(jié)構(gòu)Fig.1 PGNN structure of feedforward control quantity prediction model in hysteresis zone of superheater

(1)

式中:WM、bM分別為深度神經(jīng)網(wǎng)絡第M層的權(quán)重和偏置;ht-1為神經(jīng)網(wǎng)絡t-1時刻傳遞的隱含向量。

(2)

在LSTM-DNN網(wǎng)絡架構(gòu)的基礎上重構(gòu)模型損失函數(shù),通過分析過熱汽溫系統(tǒng)的機理過程,根據(jù)過熱管儲熱量守恒關系和相關過熱汽溫干擾量的單調(diào)性關系,建立模型的綜合損失函數(shù),對模型的訓練過程進行約束。

在單相換熱管機理模型中,過熱蒸汽和煙氣分別在過熱器管壁的內(nèi)外兩側(cè)流動,通過和過熱器管壁進行熱交換的方式,改變其熱力性能。簡化滯后區(qū)單相換熱管的建模過程。過熱器內(nèi)能量守恒包括過熱蒸汽能量守恒、過熱管金屬壁能量守恒和煙氣側(cè)能量守恒,分別建立式(3)～式(5)所示的數(shù)學模型。

(3)

(4)

(5)

模型訓練時,需對微分方程離散化處理,采用隱式歐拉法對Δh0進行差分:

(6)

p2=p1-KpWf

(7)

式中:Kp為單位管道的壓損系數(shù)。

綜合式(2)和式(6),過熱器出口溫度PGNN預測模型的損失函數(shù)L如下:

(8)

2.2 多模型間隙度量方法

非線性模型的建模過程相當復雜,難以在工業(yè)過程中得到有效應用,要在大工況范圍內(nèi)實現(xiàn)非線性預測,采用多模型思想在相應工況負荷段所建立的模型能夠較好地反映系統(tǒng)運行過程,降低了建模及優(yōu)化難度。對于機組在大工況范圍內(nèi)的過熱汽溫預測,可以采取多模型劃分的方法來提高模型的適配度。

以間隙度量理論為基礎,將建立的PGNN模型在對應的負荷點進行建模,并計算各模型之間的間隙度量值,確定一個合理的間隙度量值指標,根據(jù)理論分析結(jié)果重新確定負荷區(qū)段的劃分。最后采用切比雪夫距離抽象出的系統(tǒng)間間隙度量值來定量反映系統(tǒng)間的差異。

假設有2個系統(tǒng)P1和P2,根據(jù)間隙度量的定義,這2個算子間的間隙度量值等于二者之間所有有向間隙度量值的絕對值,為了避免神經(jīng)網(wǎng)絡隨機誤差造成的影響,將所得值求和,可用式(9)表示:

(9)

(10)

(11)

(12)

將某660 MW機組噴水減溫系統(tǒng)以負荷段為依據(jù)劃分為N個子系統(tǒng),采用上述PGNN方法進行預測,兩兩之間進行間隙度量值的計算。將計算所得的間隙度量值記錄在矩陣M中,其中主對角線上的元素表示子系統(tǒng)與其自身的間隙度量值,始終為0。

(13)

子系統(tǒng)之間間隙度量值的平均值δave為

(14)

以δave為標準約束子系統(tǒng)之間的間隙度量值,允許的誤差范圍為5%,即相鄰的子系統(tǒng)之間的間隙度量值應該在區(qū)域D∈(95%δave, 105%δave)之間。若2個相鄰系統(tǒng)之間的間隙度量值超過此范圍,則說明這2個系統(tǒng)間的距離過遠,需要重新定義一個新的負荷點來建立新模型,以達到更好的預測效果。不斷調(diào)整PGNN網(wǎng)絡的輸入范圍,直到相鄰2個子系統(tǒng)之間的距離落在區(qū)域D內(nèi)。

2.3 基于多模型間隙度量PGNN的過熱汽溫前饋控制器設計

采用基于多模型間隙度量PGNN方法對燃煤機組過熱汽溫前饋量進行預測,如圖2所示,主要步驟如下:

步驟一,按照系統(tǒng)的實際運行情況確定要研究的工況區(qū)間,將系統(tǒng)在此區(qū)間內(nèi)按合理的間距劃分為N個子空間。

步驟二,根據(jù)機理分析得到預測模型的損失函數(shù),結(jié)合LSTM-DNN網(wǎng)絡架構(gòu),對各子空間區(qū)段進行PGNN建模,得到N個子系統(tǒng)模型。

步驟三,分別計算每個子系統(tǒng)間的間隙度量值,針對每個子系統(tǒng),記錄其與其他N-1個子系統(tǒng)的間隙度量值,得到一個N×N維的矩陣M。

步驟四:以相鄰子系統(tǒng)之間的間隙度量值為基礎,計算這N-1個間隙度量值的平均值δave,以此確定合理的間隙閾值,并確定間隙閾值的合理區(qū)間D。

步驟五,從最低負荷的第一個子系統(tǒng)開始,判斷其與相鄰子系統(tǒng)之間的間隙度量值是否在區(qū)間D內(nèi),如果不在區(qū)間D內(nèi),不斷調(diào)整PGNN網(wǎng)絡的輸入范圍,直到相鄰2個子系統(tǒng)之間的距離落在合理區(qū)間D內(nèi),即可認為相鄰子系統(tǒng)間的距離大致相等。

步驟六,更新矩陣M中的數(shù)據(jù),采用新劃分的子系統(tǒng)空間對負荷特性進行PGNN建模,得到前饋量預測模型。

在傳統(tǒng)的主汽溫串級PID控制器調(diào)節(jié)系統(tǒng)中加入基于多模型間隙度量PGNN的過熱汽溫前饋控制器,將前饋量以閥位補償?shù)姆绞阶饔糜诳刂葡到y(tǒng)中。在過熱器噴水減溫控制系統(tǒng)中,主回路采用PID控制器,副回路采用比例積分(PI)控制器,通過前饋量來矯正過熱器出口溫度與設定值的偏差?；陂g隙度量法的多模型PGNN前饋量控制器的過熱汽溫控制系統(tǒng)如圖3所示。其中,G01(s)、G02(s)分別為主回路和副回路被控對象的傳遞函數(shù),θ1、θ2分別為主回路和副回路的反饋測量值,最終通過該仿真模型來校驗多模型PGNN前饋控制用于過熱器出口溫度的準確性,Xt為前饋模型的輸入,Yset為過熱汽溫設定值,由下式得到:

圖3 基于間隙度量法的多模型PGNN前饋控制的過熱汽溫控制系統(tǒng)圖Fig.3 Superheated steam temperature control system diagram of multi-model PGNN feedforward control based on gap measurement method

Yset=α×Tf2

(15)

式中:α為前饋補償系數(shù)。

由操作人員手動操作施加于閥門開度的信號的調(diào)整方式有限,難以滿足精確控制的要求。本文采用的前饋信號根據(jù)預測溫度與過熱汽溫設定值之間的差值乘以相應系數(shù)得到,具有自動化和智能化的特性,可以根據(jù)實時的預測溫度進行動態(tài)調(diào)整,在不同工況下采用與當前工況相適應的前饋信號,從而更加精確地控制過熱蒸汽溫度。

3 結(jié)果與分析

3.1 多模型間隙度量結(jié)果

采集時間段為2022年4月1日-30日的數(shù)據(jù),采樣間隔為1 s,選取某機組的分布式控制系統(tǒng)(DCS)歷史庫中全工況運行時100 000組樣本數(shù)據(jù),將其中30%～100%負荷段劃分為6個子系統(tǒng)(P1～P6),采用PGNN方法進行預測,兩兩之間進行間隙度量值的計算,初步得到各子系統(tǒng)間的間隙度量值如表1所示。

表1 各子系統(tǒng)間的間隙度量值Tab.1 Gap metrics between subsystems

從表1可以看出,按常規(guī)思路,根據(jù)工況范圍等間隔分割區(qū)域得到的子模型中,相鄰子模型的間隙度量值并不相等。說明它們之間實際的距離是不等的,且隨著機組負荷水平的提高,相鄰子系統(tǒng)間的間隙度量值呈減小趨勢,說明在低負荷狀態(tài)下,機組的非線性程度更強,此時單個子系統(tǒng)僅能表征較小的工況范圍,因此需要更多的子模型來表征系統(tǒng),而高負荷狀態(tài)下,機組的非線性程度相對較小,1個子系統(tǒng)即可覆蓋相對較大的工況范圍,這與電廠實際的運行規(guī)律相吻合。將上述結(jié)果繪制成多模型PGNN各子系統(tǒng)間間隙度量值的三維圖像,如圖4所示。

從圖4可以看出,盡管所選各負荷點是在工況范圍內(nèi)等間隔的,但各負荷點處系統(tǒng)間的間隙相差較大,說明等間距劃分負荷段時,每個負荷段的預測精度并不相同?；谙到y(tǒng)間間隙度量值的變化規(guī)律,對機組整個運行工況重新劃分。

表2 多模型PGNN各子系統(tǒng)間的間隙度量值Tab.2 Multi-model PGNN gap metrics between subsystems

表2中6個子系統(tǒng)P1new～P6new依次對應的負荷范圍為:180～210 MW,>210～250 MW, >250～310 MW, >310～400 MW,>400～520 MW, >520～660 MW。可見所選取的各子系統(tǒng)間的距離大致相等,且隨著負荷的升高,相鄰的系統(tǒng)間負荷跨越范圍越來越大,說明系統(tǒng)的非線性程度逐漸減小,采用新的分配方法可以有效提高模型的適配度。

3.2 基于間隙度量法的多模型PGNN前饋信號預測模型

采用PGNN、多模型PGNN和多模型間隙度量PGNN方法建立過熱汽溫特性模型,選取連續(xù)的100 000組樣本中最后連續(xù)的30%作為驗證集,其他70%的樣本按照7∶1作為訓練集和測試集。

3種模型的預測結(jié)果如圖5～圖8所示。從圖5～圖8可以看出,在寬負荷運行時,PGNN方法在低負荷段出現(xiàn)了較大的偏差,而多模型PGNN和多模型間隙度量PGNN模型在高負荷段的預測精度相似,但在低負荷段多模型間隙度量PGNN模型的預測效果更精確。主要原因是過熱汽溫受負荷、煤量等因素的干擾,在低負荷時蒸汽的流速變慢,增強了系統(tǒng)的非線性性能,而PGNN方法的記憶步長并不能隨著系統(tǒng)非線性增強而變化,故采用多模型間隙度量PGNN方法得到了更加精確的預測結(jié)果。

圖5 測試數(shù)據(jù)的干擾量趨勢Fig.5 Interference trends of test data

圖6 采用PGNN方法的過熱汽溫模型結(jié)果Fig.6 Results of superheated steam temperature model with PGNN method

圖7 采用多模型PGNN方法的過熱汽溫模型結(jié)果Fig.7 Results of superheated steam temperature model with multi-model PGNN method

圖8 采用多模型間隙度量PGNN方法的過熱汽溫模型結(jié)果Fig.8 Results of superheated steam temperature model with multi-model gap measurement PGNN method

表3給出了負荷從600 MW降低至200 MW過程中LSTM、多模型PGNN和多模型間隙度量PGNN方法對過熱汽溫預測結(jié)果的均方根誤差(RMSE)、平均絕對誤差(MAE)和回歸擬合系數(shù)R2。可以看出,多模型間隙度量PGNN方法對過熱汽溫預測的MAE小于1 K,R2大于0.97,其模型精度均明顯高于PGNN和多模型PGNN預測方法。

表3 模型預測評估結(jié)果Tab.3 Prediction evaluation results of models

3.3 多模型PGNN前饋控制仿真

根據(jù)現(xiàn)場控制回路,搭建過熱器串級控制回路來模擬現(xiàn)場的控制效果,將多模型PGNN前饋信號加入控制邏輯中,控制器采用標準型PID,無量程遷移。其主回路和副回路的PID參數(shù)(Kp、Ti和Td)設置見表4,4個典型負荷點處的過熱汽溫對噴水擾動的傳遞函數(shù)見表5。

表4 控制器參數(shù)設置Tab.4 Controller parameter settings

表5 機組過熱汽溫系統(tǒng)的動態(tài)特性Tab.5 Dynamic characteristics of superheated steam temperature of the unit

圖9 不同負荷段設定值階躍響應曲線Fig.9 Step response curves of different load segments

4 結(jié)論

(1) 通過間隙度量法確定合理的間隙度量值區(qū)域D∈ (95%δave, 105%δave),按照等距離原則重新確定劃分系統(tǒng)的負荷點,使系統(tǒng)的非線性分析在機組正常運行工況范圍內(nèi)有更高的精確度。

(2) 基于多模型間隙度量PGNN的過熱汽溫特性預測方法能夠從歷史運行數(shù)據(jù)中有效提取過熱汽溫的特性,預測模型的平均絕對誤差小于1 K,比LSTM模型和多模型PGNN模型的精確度更高。

(3) 本文所提方法很大程度上削減了控制對象的非線性對模型建立的影響,有效提升了過熱汽溫特性預測精度,為機組寬負荷運行精確控制提供了支撐。