CN113703316A - 压水堆核电站主蒸汽压力模型预测控制方法 - Google Patents
压水堆核电站主蒸汽压力模型预测控制方法 Download PDFInfo
- Publication number
- CN113703316A CN113703316A CN202110835006.0A CN202110835006A CN113703316A CN 113703316 A CN113703316 A CN 113703316A CN 202110835006 A CN202110835006 A CN 202110835006A CN 113703316 A CN113703316 A CN 113703316A
- Authority
- CN
- China
- Prior art keywords
- output
- prediction
- steam pressure
- main steam
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012546 transfer Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 101150036841 minJ gene Proteins 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种压水堆核电站主蒸汽压力模型预测控制方法，建立预测模型，根据被控对象的历史信息和未来输入信息，预测***的未来输出响应；增加通过实际输出对基于模型的预测输出进行修正并进行新的优化；通过某一性能指标的最优化求解未来有限时刻的最优控制率获得实时控制率。本发明方法比传统的PID控制算法的控制效果更明显。对主蒸汽压力控制具有很高的实用价值，具有基于模型对未来进行控制的优点，可以提高机组的控制水平。
Description
技术领域
本发明涉及一种控制技术，特别涉及一种压水堆核电站主蒸汽压力模型预测控制方法。
背景技术
现代社会随着经济发展和能源消耗，传统的化石能源造成的污染以及其自身的枯竭问题已经不可避免，核电是安全、清洁和高效的能源。核电的发电成本由运行费、基建费和燃料费三部分组成。虽然其基建费高于火电,但核电站运行可靠,燃料费要比火电低得多,折算到每度电的发电成本,核电低于火电约15％～50％。核电具有不排放CO2温室气体、不污染环境的优势,有原料供应、价格稳定和电厂运行安全的优点。建设核电已成为解决世界能源短缺的最佳选择。
***辨识是控制***设计的基础，大部分实际的控制对象无法从机理上得到描述其动态特性的传递函数，但可以通过给***施加特定的输入信号，通过观察响应曲线来获取动态信息。利用这些动态信息和相应的辨识方法就能得到***的传递函数，进而通过控制器的设计，来提高***的响应速度。
进入本世纪以来,随着科学技术的进步和人类社会的发展,人们对控制提出了越来越高的要求,不再满足于传统的镇定设计,而希望控制***能通过优化获得更好的性能.但在同时,优化受到了更多因素的制约,除了传统执行机构等物理条件的约束外,还要考虑各种工艺性、安全性、经济性(质量、能耗等)和社会性(环保、城市治理等)指标的约束,这两方面的因素对复杂***的约束优化控制提出了新的挑战。
模型预测控制(Model predictive control,MPC)从上世纪70年代问世以来,已经从最初在工业过程中应用的启发式控制算法发展成为一个具有丰富理论和实践内容的新的学科分支.预测控制针对的是有优化需求的控制问题,30多年来预测控制在复杂工业过程中所取得的成功,已充分显现出其处理复杂约束优化控制问题的巨大潜力。
发明内容
针对***控制优化受到了诸多因素制约的问题，提出了一种压水堆核电站主蒸汽压力模型预测控制方法，能够在保证***稳定的基础上，具有响应速度快，稳定性好的特点。
本发明的技术方案为：一种压水堆核电站主蒸汽压力模型预测控制方法，***设定主蒸汽压力输出yd和k时刻实际主蒸汽压力输出y(k)送入参考轨迹环节，输出下一个k+1时刻的轨迹yr(k+1)，与反馈校正后下一个k+1时刻的输出yp(k+1)作差后送入滚动优化进行目标函数计算，输出最优控制u到控制对象和预测模型中，控制对象输出实际主蒸汽压力输出，而预测模型输出下一时刻预测输出ym(k+1)，下一时刻预测输出ym(k+1)以及实时输出y(k)与预测输出ym(k)之差送反馈校正，反馈校正输出yp(k+1)。
优选的，所述预测模型根据被控对象的历史信息和未来输入信息，预测***的未来输出响应，预测模型为
其中u(k)为k时刻最优控制信号；有限脉冲响应hT＝{h1，h2，…，hi，…，hN}，对被控对象施加一个单位脉冲信号，经过该被控对象传递函数后的输出信号离散化为hT，N为预测模型建模时域。
优选的，所述反馈校正输出yP(k+1)＝ym(k+1)+[y(k)-ym(k)]。
优选的，所述参考轨迹使用一阶指数变化形式：
其中Ts为采样周期；T为参考轨迹的时间常数。
优选的，所述滚动优化中目标函数为：
minJ＝|yP(k+1)-yr(k+1)|2+|u(k)|2
本发明的有益效果在于：本发明压水堆核电站主蒸汽压力模型预测控制方法，比传统的PID控制算法的控制效果更明显。对主蒸汽压力控制具有很高的实用价值，具有基于模型对未来进行控制的优点，可以提高机组的控制水平。
附图说明
图1为本发明实验数据曲线与拟合传递函数曲线之间的对比图；
图2为本发明拟合传递函数曲线与实际的相对误差图；
图3为本发明主蒸汽压力MPC的控制框图；
图4为本发明MPC控制simulink仿真图；
图5为本发明三组不同PID参数控制的阶跃响应图；
图6为本发明MPC模型预测控制与PID控制的效果对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
针对大亚湾900MW压水堆核电站机组，提出了主蒸汽压力MPC预模型测控制方法。首先在压水堆核电站仿真实验平台上进行实验，实验数据与实际核电站机组数据误差小于1％；因为不能够从机理方面获得体现主蒸汽压力动态特性的传递函数，但可以通过给主蒸汽压力施加特定的输入信号，基于响应曲线来获取动态信息，对动态信息使用***辨识就能得到主蒸汽压力的传递函数。根据实验所获得的数据，对***进行分析和传递函数的拟合，针对辨识出来***的传递函数进行主蒸汽压力模型预测控制方法的设计。本发明的方法，具有基于模型对未来进行控制的优点，可以提高***的控制水平。
MPC对模型要求不高，不需要深入的了解过程内部机理，滚动优化策略能弥补外部因素引起的不确定性，动态性能较好，模型预测控制(MPC)具体步骤如下：
1、预测模型：根据被控对象的历史信息和未来输入信息，预测***的未来输出响应。通过预测模型和***当前信息展示***未来的输出行为，在一定程度上可以知道***未来的响应，获得先验的信息，这是其它控制算法不能提供的特性。这样的特性对于***的预警和主动反应是非常有用的信息。使用的预测模型多种多样，这就使得对不同的类别的控制对象都有较强的适应性；
2、滚动优化：通过某一性能指标的最优化求解未来有限时刻的最优控制率。MPC优化是一种滚动优化，在每一采样时刻，对从该时刻起到未来的某时段的性能指标函数进行优化；在下一采样时刻，以同样的时段向后推移，且优化是在线进行的；
3、反馈校正：首先检验对象的实际输出，再通过实际输出对基于模型的预测输出进行修正并进行新的优化。通过反馈校正机制把滚动优化建立在***实际运行的基础上，可对***未来动态行为做出较准确的预测，提升实际控制的性能。
针对大亚湾900MW压水堆核电站机组，提出了主蒸汽压力MPC模型预测控制方法。首先进行特性测试，在-15％的阶跃信号下，每隔2分钟左右记录***的锅炉压力响应曲线一次，数据如表1所示。
表1
根据实验记录的数据，***进行传递函数的拟合。***辨识是根据***的输入输出时间函数来确定描述***行为的数学模型，运用***辨识技术建立高精度的传递函数模型。拟合出来的传递函数与原实验结果图对比图如图1所示。
对实验数据与拟合传递函数对应的数据之间相对误差大小比较分析，相对误差大小如图2所示，最大相对误差不超过0.008，即拟合数据与实际核电站机组误差小于1％，满足误差要求。
本发明所设计的主蒸汽压力MPC的控制框图如图3所示，各参数表示的意思如下：yd表示***的设定输出，yr表示参考轨迹，u为MPC控制后的输入，y为实际输出值，ym为预测模型输出，yp为反馈校正后的输出。***设定输出yd和k时刻实际输出y(k)送入参考轨迹环节，输出下一个k+1时刻的轨迹yr(k+1)，与反馈校正后下一个k+1时刻的输出yp(k+1)作差后送入滚动优化进行目标函数计算，输出最优控制u到控制对象和预测模型中，控制对象输出实际输出，而预测模型输出下一时刻预测输出ym(k+1)，下一时刻预测输出ym(k+1)以及实时输出y(k)与预测输出ym(k)之差送反馈校正，反馈校正输出yp(k+1)。该控制器控制算法可归纳为：
⑴建立仿真平台，通过给主蒸汽压力施加特定的输入信号，基于响应曲线来获取动态信息，对动态信息使用***辨识就能得到主蒸汽压力的传递函数；由传递函数可得有限脉冲响应hT＝{h1，h2，…，hi，…，hN}可完全描述被控对象的动态特性，N称为预测模型建模时域，即对被控对象施加一个单位脉冲信号，经过该被控对象(传递函数)后的输出信号离散化为hT；
⑵预测模型：采用脉冲响应模型对未来时刻输出进行预测，其中
为被控对象的已知控制历史信息，u(k)为被控对象的未知控制信息；
⑶以当前过程输出测量值与模型计算值之差修正模型预测值；
yP(k+1)＝ym(k+1)+[y(k)-ym(k)]
⑷根据设定值和当前过程输出测量值确定参考轨迹最广泛使用的参考轨迹为一阶指数变化形式：其中Ts为采样周期；T为参考轨迹的时间常数；y(k)为当前时刻过程输出；yd为设定值；
⑸优化控制的目标函数,求解最优控制率得到最优控制率u。
minJ＝|yP(k+1)-yr(k+1)|2+|u(k)|2
并在simulink里搭建相应的模型，如图4所示。
使用经验法调节传统pid控制器参数，实现对压水堆核电站机组的控制。再调节参数中，使用了3组pid参数。如图5所示，第一组pid参数kp＝1、ki＝15、kd＝0.01，输出响应曲线会先下降再上升，***上升速度快，无超调。第二组pid参数kp＝2、ki＝20、kd＝0，输出响应曲线平稳上升达到稳定，***上升速度较慢，无超调。第三组pid参数kp＝1.5、ki＝10、kd＝0，输出响应曲线平稳上升达到稳定，***上升速度慢，无超调。
图6为主蒸汽压力MPC模型预测控制与PID控制的效果对比图，MPC模型预测算法上升时间几乎为0，瞬间达到稳态且无超调。传统的PID控制需要使用经验法进行参数设置，控制结构复杂，动态响应慢。模型预测控制(MPC)方法不需要进行参数调试，简化了控制结构，动态响应更快，且到达稳态无超调。因此，MPC模型预测控制方法是切实可行的。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种压水堆核电站主蒸汽压力模型预测控制方法，其特征在于，***设定主蒸汽压力输出yd和k时刻实际主蒸汽压力输出y(k)送入参考轨迹环节，输出下一个k+1时刻的轨迹yr(k+1)，与反馈校正后下一个k+1时刻的输出yp(k+1)作差后送入滚动优化进行目标函数计算，输出最优控制u到控制对象和预测模型中，控制对象输出实际主蒸汽压力输出，而预测模型输出下一时刻预测输出ym(k+1)，下一时刻预测输出ym(k+1)以及实时输出y(k)与预测输出ym(k)之差送反馈校正，反馈校正输出yp(k+1)。
2.根据权利要求1所述压水堆核电站主蒸汽压力模型预测控制方法，其特征在于，所述预测模型根据被控对象的历史信息和未来输入信息，预测***的未来输出响应，预测模型为
其中u(k)为k时刻最优控制信号；有限脉冲响应hT＝{h1，h2，…，hi，…，hN}，对被控对象施加一个单位脉冲信号，经过该被控对象传递函数后的输出信号离散化为hT，N为预测模型建模时域。
3.根据权利要求2所述压水堆核电站主蒸汽压力模型预测控制方法，其特征在于，所述反馈校正输出yP(k+1)＝ym(k+1)+[y(k)-ym(k)]。
4.根据权利要求1至3中任意一项所述压水堆核电站主蒸汽压力模型预测控制方法，其特征在于，所述参考轨迹使用一阶指数变化形式：
5.根据权利要求4所述压水堆核电站主蒸汽压力模型预测控制方法，其特征在于，所述滚动优化中目标函数为：
min J＝|yP(k+1)-yr(k+1)|2+|u(k)|2
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110835006.0A CN113703316A (zh) | 2021-07-23 | 2021-07-23 | 压水堆核电站主蒸汽压力模型预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110835006.0A CN113703316A (zh) | 2021-07-23 | 2021-07-23 | 压水堆核电站主蒸汽压力模型预测控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113703316A true CN113703316A (zh) | 2021-11-26 |
Family
ID=78650306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110835006.0A Pending CN113703316A (zh) | 2021-07-23 | 2021-07-23 | 压水堆核电站主蒸汽压力模型预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113703316A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105955024A (zh) * | 2016-05-24 | 2016-09-21 | 哈尔滨工程大学 | 船舶增压锅炉主蒸汽压力预测控制方法 |
| CN106154840A (zh) * | 2016-09-27 | 2016-11-23 | 中南大学 | 一种基于模型预测控制的重载组合列车异步制动装置及方法 |
| CN110334386A (zh) * | 2019-05-09 | 2019-10-15 | 深圳大学 | 一种基于参数回归的平面电机控制方法及终端设备 |
| CN111443599A (zh) * | 2020-04-15 | 2020-07-24 | 上海电力大学 | 优化pid参数的核电站汽轮机转速控制方法 |
| CN111520701A (zh) * | 2020-04-28 | 2020-08-11 | 南京信息工程大学 | 一种基于改进型预测控制的cfb锅炉主蒸汽压力控制方法 |
| CN112600431A (zh) * | 2020-11-05 | 2021-04-02 | 上海电力大学 | 基于mmc的sst新型dab dc-dc变换器的模型预测控制方法 |
-
2021
- 2021-07-23 CN CN202110835006.0A patent/CN113703316A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105955024A (zh) * | 2016-05-24 | 2016-09-21 | 哈尔滨工程大学 | 船舶增压锅炉主蒸汽压力预测控制方法 |
| CN106154840A (zh) * | 2016-09-27 | 2016-11-23 | 中南大学 | 一种基于模型预测控制的重载组合列车异步制动装置及方法 |
| CN110334386A (zh) * | 2019-05-09 | 2019-10-15 | 深圳大学 | 一种基于参数回归的平面电机控制方法及终端设备 |
| CN111443599A (zh) * | 2020-04-15 | 2020-07-24 | 上海电力大学 | 优化pid参数的核电站汽轮机转速控制方法 |
| CN111520701A (zh) * | 2020-04-28 | 2020-08-11 | 南京信息工程大学 | 一种基于改进型预测控制的cfb锅炉主蒸汽压力控制方法 |
| CN112600431A (zh) * | 2020-11-05 | 2021-04-02 | 上海电力大学 | 基于mmc的sst新型dab dc-dc变换器的模型预测控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| XUHONG YANG，等: "Adaptive Virtual Synchronous Generator Based on Model Predictive Control with Improved Frequency Stability", ENERGIES, pages 189 - 191 * |
| 任云丽，白建云，印江: "火电厂大型机组锅炉膛温度控制仿真", 计算机仿真, vol. 35, no. 1, pages 117 - 120 * |
| 张苏捷，等: "基于二次微分的电力单相锁相环技术研究", 上海电力大学学报, vol. 36, no. 3, pages 271 - 274 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Conker et al. | Fuzzy self-adaptive PID control technique for driving HHO dry cell systems | |
| WO2019047561A1 (zh) | 基于多参数动态矩阵控制的火电机组分布式协调控制*** | |
| CN102494336A (zh) | 一种循环流化床锅炉燃烧过程多变量控制方法 | |
| CN105955026B (zh) | 模糊pid控制方法和装置及*** | |
| CN103968367A (zh) | 基于模糊神经网络pid控制的锅炉汽包水位控制的方法 | |
| CN114336673B (zh) | 一种基于模型预测控制的风储联合电站一次调频控制策略 | |
| CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
| Wu et al. | GA-based nonlinear predictive switching control for a boiler-turbine system | |
| CN115313380A (zh) | 自适应氢负荷波动的新能源制氢***协调控制方法 | |
| Pereira et al. | Economic model predictive control of a smartgrid with hydrogen storage and PEM fuel cell | |
| Xiangsong et al. | PID controller design based on radial basis function neural networks for the steam generator level control | |
| CN116993128B (zh) | 一种综合能源***深度强化学习低碳调度方法及*** | |
| CN113703316A (zh) | 压水堆核电站主蒸汽压力模型预测控制方法 | |
| CN116540543A (zh) | 一种核蒸汽供应***的多目标控制优化方法和装置 | |
| CN113885607B (zh) | 一种汽温控制方法、装置、电子设备和计算机存储介质 | |
| CN115326237A (zh) | 一种考虑锅炉过热器氧化皮影响的壁温测量方法与*** | |
| Yordanova | Intelligent approaches to real time level control | |
| CN113110628A (zh) | 基于pso的压水堆除氧器水位控制方法 | |
| CN104133369A (zh) | 一种质子交换膜燃料电池动态特性的控制方法 | |
| Zhou et al. | Double-tank liquid level control based on genetic algorithm | |
| CN103970013B (zh) | 基于遗传算法与模糊控制的除氧器控制的实现方法 | |
| CN110631003B (zh) | 一种基于层级调度多模型预测控制的再热汽温调节方法 | |
| CN114326395A (zh) | 一种基于工况判别的智能发电机组控制模型在线更新方法 | |
| Yin et al. | Decomposition prediction fractional-order PID reinforcement learning for short-term smart generation control of integrated energy systems | |
| Bouzem et al. | Probabilistic and Reliability Analysis of an Intelligent Power Control for a Doubly Fed Induction Generator-Based Wind Turbine System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |