一种循环流化床锅炉燃烧过程多变量控制方法

摘要

本发明公开了一种循环流化床锅炉燃烧过程多变量控制方法。本发明是在每一控制周期，通过数据采集设备采集锅炉运行参数并保存到数据存储模块中。广义预测控制的模型在线参数辨识模块利用存储器中的历史数据，在线辨识出CARIMA模型，并表达出过程输出变量主蒸汽压力、料床温度、烟气含氧量的步未来时刻预测值。利用最小二乘支持向量机误差估计模块对过程未来时刻预测输出作误差补偿。参考轨迹发生器得到的参考轨迹、过程未来时刻预测输出经过广义预测控制的滚动优化，通过优化算法计算使过程实际输出达到设定值。本发明解决了模型参数时变的问题，并使控制系统具有较强的鲁棒性。

权利要求

1.一种循环流化床锅炉燃烧过程多变量控制方法，其特征在于该方法包括以下步骤： 步骤(1)控 制周期 为20-50min，在每 一控制 周期内，采集循 环流化 床锅炉运行参数，主要是采集表征燃烧特性的过程变量，包括过程输入变量 ，具体是给煤量 、一次风量 、二次风量 ；过程输出变量 ，包括料床温度 、主蒸汽压力 和烟气含氧量 ，运行参数通过在线仪表检测后存入数据存储器；

步骤(2)对循环流化床锅炉燃烧过程实施多变量广义预测控制，具体是：辨识出适用于控制的CARIMA模型，在线模型辨识环节从数据存储器中读取若干组燃烧过程变量，根据预先设定的模型阶次，采用多变量最小二乘法逐行辨识出所需模型；

步骤(3)读取数据存储器中历史数据，由辨识出的燃烧过程模型，预测出过程未来时刻输出；这一步骤的实施，需考虑前一控制周期模型预测输出与过程实际输出之间的误差，若误差在允许范围内，则过程未来时刻预测输出 如下所示：，其中 为待求控制增量向量， 为当前时刻过程输

出， 为前一时刻控制增量， 、 、 为Diophantine方程有关的解；

若误差大于允许范围，则在过程未来时刻预测输出表达式中添加误差补偿项 ：

；

步骤(4)参考轨迹发生器输出、过程未来时刻预测输出经过广义预测控制的滚动优化环节，经优化算法计算得到给煤量、一次风量、二次风量，并作用在循环流化床锅炉对象上，调节燃烧过程，使循环流化床锅炉适应外界负荷变化的需求。

2.根据权利要求1所述的一种循环流化床锅炉燃烧过程多变量控制方法，其特征在于：所述的未来时刻预测输出的误差补偿，其误差是历史输入输出的非线性函数；用公式描述为：其中： 为预测时域， 、 为模型阶次， 为非线性向量函数；利用最小二乘支持向量机逼近非线性向量函数 ，可建立误差估计模型，实现如下：数据存储器中的燃烧过程变量是建模输入，模型预测输出与过程实际输出之间误差为建模输出，在建立最小二乘支持向量机误差模型后，利用支持向量机强大的泛化能力，估计误差补偿项，并添加到过程未来时刻预测输出中，以解决广义预测控制辨识模型不够精确的问题。

说明书

一种循环流化床锅炉燃烧过程多变量控制方法

技术领域

[0001] 本发明涉及一种循环流化床锅炉燃烧过程的控制方法，具体是一种基于最小二乘支持向量机误差补偿的多变量广义预测控制方法，涉及自动化技术、模式识别技术，用于锅炉燃烧过程的控制。

背景技术

[0002] 循环流化床锅炉(CFBB)是在鼓泡流化床锅炉的基础上发展而来。流化床燃烧方式固有的炉内脱硫及低温燃烧的特点，大大降低了NOX排放，使得流化床锅炉成为广泛应用的生产蒸汽的动力设备。在循环流化床锅炉容量不断增大的同时，却存在燃烧系统自动化水平低、自动控制质量不高的问题。循环流化床锅炉包含固体燃料循环的燃烧方式，相比于普通锅炉具有更复杂的物料能量特性，是导致自动化实施水平低下的重要原因，其控制的难点主要体现在控制目标的多样性和过程变量的耦合性。

[0003] 目前对于循环流化床锅炉燃烧过程的控制主要是借鉴煤粉炉DCS控制方式，在其基础上稍作修改而成的PID多回路控制系统。PID控制系统具有模型依赖性低、参数整定简单、实施方便等优点，但是不能直接处理多变量耦合对象，制约了充分挖掘设备的潜能。

[0004] 根据马素霞对循环流化床锅炉燃烧过程动态特性研究可知，主要被控变量为：主蒸汽压力、料床温度、烟气含氧量，主要操纵变量为：给煤量、一次风量、二次风量。可见，循环流化床锅炉燃烧过程是一个三输入三输出、强耦合的热力学系统，其中主蒸汽压力和料床温度的耦合尤为严重，难以用多回路PID控制器实现满意的控制目标，所以一些先进控制技术的开发与应用，成为学者专家们研究的热点和趋势。

[0005] 模型预测控制是另一种在工业过程领域应用广泛的控制策略，已有不少关于预测控制在锅炉燃烧过程中的应用文献，但多集中于对单个过程变量如过热蒸汽温度、再热蒸汽温度的单变量控制，没有很好的解决多变量过程的耦合问题，也没有发挥预测控制所具有的直接处理多变量过程的特点。广义预测控制(GPC)策略是在最小方差控制的基础上汲取反馈校正和滚动优化的思想发展起来的，以CARIMA模型为基础，采用长时段的优化性能指标，并结合在线模型辨识的自校正机制，具有很强的鲁棒性，已逐渐在过程控制领域获得应用。由于过程模型与实际过程并不完全一致，使得广义预测控制采取的在线模型参数辨识的反馈校正仍然有一定局限性，采纳动态矩阵控制(DMC)中的误差反馈思想，在误差超过允许范围时，在未来时刻预测输出中添加误差补偿项。

[0006] 支持向量机(SVM)是在统计学习理论中发展起来的一种非线性参数回归算法，基于结构风险最小化原则使其具有小样本学习和较强的泛化能力。最小二乘支持向量机(LSSVM)是由Suykens首先提出，这种算法采用误差平方项代替标准SVM的一次误差项，算法中不等式约束转变为等式约束，通过引入的核函数，使得标准SVM的二次规划问题转化为线性方程组求解问题，在保证回归精度的同时，大大提高了建模速率。因此，可利用LSSVM非线性回归特点，建立误差补偿项与存放于数据存储器中历史输入输出变量之间的非线性映射关系，以提高未来时刻预测输出精度。

发明内容

[0007] 本发明的目标是针对循环流化床锅炉燃烧过程自动化控制水平偏低的现状，采用了推广到多变量情形的广义预测控制策略。同时针对反馈校正中在线辨识模型不够精确的局限性，利用最小二乘支持向量机建立误差补偿。

[0008] 本发明采用以下技术方案：在每一控制周期，通过数据采集设备采集给煤量、一次风量、二次风量、主蒸汽压力、料床温度、烟气含氧量等锅炉运行参数，保存到数据存储模块中。广义预测控制的模型在线参数辨识模块利用存储器中的历史数据，在线辨识出CARIMA模型，并表达出过程输出变量主蒸汽压力、料床温度、烟气含氧量的P步未来时刻预测值。此时需考虑前一时刻模型预测输出与过程实际输出值间的误差值，若误差在允许范围内，则不需调整过程未来时刻预测输出；若误差超过允许范围，则启动误差补偿环节，利用最小二乘支持向量机误差估计模块对过程未来时刻预测输出作误差补偿。参考轨迹发生器得到的参考轨迹、过程未来时刻预测输出经过广义预测控制的滚动优化，通过优化算法计算得到给煤量、一次风量、二次风量，并作用到被控锅炉燃烧过程，使过程实际输出达到设定值。

[0009] 本发明提供了一种基于LSSVM误差补偿的循环流化床锅炉多变量广义预测控制方法，在该控制方法中，考虑了循环流化床锅炉燃烧过程多变量耦合的特点，能准确给出各控制输入变量，实现循环流化床锅炉多变量燃烧过程自动控制问题。

[0010] 本发明与现有技术相比的所具有的有益效果在于：由于直接采用多变量的广义预测控制策略，在方法中已考虑了输入输出间的耦合关系，因此可不另外设置解耦模块，其解耦效果优于外置解耦器；设置的模型在线参数辨识模块使得系统能根据存储器中历史输入输出值实时更新适用于控制的CARIMA模型，解决了模型参数时变的问题，并使控制系统具有较强的鲁棒性；在线模型辨识机制能不断更新过程模型，但是对于模型阶次的变化却无能为力，在误差超过一定范围时，设置的基于LSSVM误差估计模块提供误差补偿项，以解决辨识模型不够精确的问题，最大限度的使模型反映出实际对象。

附图说明

[0011] 图1是本发明基于误差补偿的循环流化床锅炉燃烧过程多变量广义预测控制系统框图；

[0012] 图2是本发明多变量模型在线参数辨识模块示意图；

[0013] 图3是本发明LSSVM误差估计示意图。

具体实施方式

[0014] 以下结合附图对本发明作进一步说明。

[0015] 本发明的循环流化床锅炉燃烧过程多变量广义预测控制系统如图1所示，在该控制系统中，数据存储器通过数据采集设备保存若干组锅炉运行实时数据：主蒸汽压力、料床温度、烟气含氧量、给煤量、一次风量、二次风量。模型在线参数辨识模块读取数据存储器中的历史数据，在线辨识出适用于控制的CARIMA模型，误差判断模块计算出模型预测输出与过程实际输出误差，选择是否启用基于最小二乘支持向量机的误差补偿，由历史运行数据、CARIMA模型、误差补偿量表达出过程未来时刻预测输出。优化环节根据参考轨迹与过程未来时刻预测输出值，计算得到给煤量、一次风量、二次风量，并作用到燃烧过程上，由此完成一个控制周期的优化控制过程。

[0016] 所述的模型在线参数辨识模块如图2所示。

[0017] 所述的基于最小二乘支持向量机的误差补偿，需首先估计出未来时刻误差，由LSSVM误差估计来实现，如图3所示。如权利要求2中所述，未来时刻预测输出的误差补偿，其误差是历史输入输出的非线性函数，故选择历史输入输出数据作为LSSVM建模输入，所估计误差值为LSSVM建模输出。

[0018] 该控制策略的具体实现方法如下：

[0019] 根据锅炉燃烧过程要求确定需要保存到数据存储器中的运行参数，包括表征锅炉燃烧状态的参数：主蒸汽压力、料床温度、烟气含氧量，直接影响锅炉燃烧过程输出的参数：给煤量、一次风量、二次风量。然后对燃烧过程实施多变量广义预测控制，由于广义预测控制算法内含解耦机制，故不再需外置解耦器，可直接实现多变量的控制方式。广义预测控制算法由模型预测、滚动优化、反馈校正三部分组成。下面给出广义预测控制算法在多变量情形下的描述。

[0020] 模型预测。设p维输入m维输出被控对象可用如下的CARIMA模型描述：

[0021] A(z-1)Δy(t)=B(z-1)Δu(t-1) (1)

[0022] 其 中A(z-1)是m×m维 矩 阵 多 项 式，B(z-1)是m×p维 矩 阵 多 项 式，即[0023] 式中u(t)和y(t)分别是p×1维和m×1维输入向量和输出向量，Δ是p×p维-1对角差分矩阵，即Δ=diag{1-z }。

[0024] 为了利用模型(1)得到j步后输出 的预测值，考虑Diophantine矩阵方程：

[0025] I=E'j(z-1)A(z-1)Δ(z-1)+z-jFj(z-1) (2)

[0026] E'j(z-1)B(z-1)=G'j(z-1)+z-jHj(z-j) (3)

[0027] 式中j=1,2,…,N，并且

[0028]

[0029] 其中E'j(z-1)为m×m维矩阵多项式，其中Fj(z-1)为m×m维矩阵多项式，其中-1 -1Gj(z )为m×p维矩阵多项式，其中E'j(z )为m×p维矩阵多项式。

[0030] 用E'jzj左乘式(1)两侧，得到E'jAΔy(t+j)=E'jBΔu(t+j-1)，用式(3)代入得到：E'jAΔy(t+j)=G'jΔu(t+j-1)+HjΔu(t-1)，再利用(2)式则未来时刻输出为：

[0031]

[0032] 由(5)式及由递推法解出的Diophantine矩阵方程(2)、(3)即可得到未来各时刻的预测输出y(t+1),y(t+2),…,y(t+j)。

[0033] 将未来时刻预测输出写成向量形式：

[0034]

[0035] 其中：

[0036]

[0037] u=[Δu(t)T,Δu(t+1)T,…,Δu(t+M-1)T]T

[0038] F(z-1)=[F1(z-1)T,F2(z-1)T,…,FP(z-1)T]

[0039] H(z-1)=[H1(z-1)T,H2(z-1)T,…,HP(z-1)T]T

[0040]

[0041] G是mP×pM矩阵。

[0042] 滚动优化。在用预测模型预测出未来时刻输出后，根据参考轨迹发生器产生得到的参考轨迹，经优化计算后可得到未来时刻的控制作用。设参考轨迹表示为：

[0043] yr=[yr(t+1)T,yr(t+2)T,…,yr(t+P)T]T

[0044] 则在时刻t的优化表达式为： 式中，前一项表明过程输出接近参考轨迹的程度，后一项是为防止控制作用变化过于剧烈施加的约束。其中，Q是对角分块矩阵，每一分块是对m维输出变量的约束权值；R是分块对p维输入约束权值组成的分块矩阵。由(7)式可解出：

[0045] u=(GTQG+RI)-1GT[yr-Fy(t)-HΔu(t-1)] (8)

[0046] 取出前p维，作为下一时刻的控制作用。

[0047] 反馈校正。广义预测控制的保持了自校正控制中的原理，在反馈校正中不断通过-1 -1实际输入输出信息在线辨识模型参数，并以此修正控制律。假设多项式矩阵A(z )和B(z )-1
的阶次是已知的，且A(z )为对角矩阵，则采用逐行辨识的最小二乘法可得到依据实际输入输出的多变量过程模型。

[0048] 广义预测控制采用的模型采取了在线参数辨识的广义反馈校正的方式，对于模型参数时变具有很强的鲁棒性，但对于模型阶次的变化仍有很大的局限性。在模型预测输出与过程实际输出误差较大时，采纳动态矩阵控制(DMC)中的误差反馈思想，用误差来补偿未来时刻输出，则未来预测输出(6)变为：

[0049] 式中e(t)=[e1(t),e2(t),…,em(t)]T为当前时刻的输出误差，h为误差影响因子矩阵。采用当前时刻模型输出与过程实际输出之间的误差来预估未来误差，可增加模型的预测精度，但是受限于矩阵h选择依赖经验，需要一种更加精确的预测方法。

[0050] 支持向量机是Vapnik等人提出的一类机器学习算法，其基于结构化风险最小化原则在小样本学习能力方面表现出强大的能力，并具有较好的泛化性。在模式分类、函数回归领域获得了广泛的应用。因此，可利用支持向量机的非线性回归能力，建立误差估计模型，添加到未来时刻预测输出表达式中，提高预测精度。本发明提出基于最小二乘支持向量机误差补偿的广义预测控制方法，用于解决循环流化床锅炉燃烧多变量过程控制问题。

[0051] LSSVM采用二次损失函数和等式约束，通过求取线性方程组得到支持向量，其优化命题可描述如下：

[0052]

[0053]

[0054] 式(10)中，w为权重，b为偏置，γ>0为误差惩罚因子。

[0055] 利用Lagrange法求解式(1)优化问题，则其Lagrange函数为：

[0056]

[0057] 式中αi为Lagrange乘子，由最优化条件即可求解。为解决维数灾难，引入核函数 是满足Mercer条件的对称函数。优化问题(10)转化为求解线性方程组

[0058]

[0059] 最后得到非线性回归函数 所对应的样本(xi,yi)称为支持向量。

[0060] 用LSSVM估计误差，模型表达式为：

[0061]

[0062] 在系统运行一定时间后，将存储器中历史数据作为建模输入，模型预测输出与过程实际输出误差值作为建模输出，建立P个误差估计模型。利用所得的误差估计值，经误差补偿后的控制律：

[0063]

[0064] 其中，

[0065] 根据循环流化床锅炉实际情况，选择给煤量、一次风量、二次风量为燃烧过程主要输入调节变量，主蒸汽压力、料床温度、烟气含氧量为主要被控输出变量。在本发明控制系统实施前，数据采集设备采集得到一定数量的输入输出，辨识出CARIMA模型，并建立LSSVM误差估计模型。在每一控制内，当误差在允许范围内时，采用(8)式的控制律，当误差超出允许范围时，采用(13)式的控制律，此策略可解决模型预测不精确的问题，同时避免频繁调用LSSVM误差补偿模块带来的控制器实时性变差问题。最后，可利用本发明中的控制策略实现循环流化床锅炉多变量燃烧过程控制。