系统的优化控制方法、装置和电子设备制造方法及图纸

本申请提出一种系统的优化控制方法、装置和电子设备，其中优化控制方法包括：获取待控制系统的实时运行数据；获取预先构建的待控制系统的运行优化模型，运行优化模型根据待控制系统的历史运行数据和模型预测控制算法构建得到；根据实时运行数据、运行优化模型和模型预测控制在线求解算法，生成待控制系统的控制参数的推荐值。由此，可利用待控制系统的历史运行数据离线构建运行优化模型，有助于节省时间和人力成本，还可充分考虑到待控制系统的实时运行数据对控制参数的推荐值的影响，且可利用模型预测控制在线求解算法进行在线求解，求解实时性较好，提升了待控制系统的优化控制的实时性。实时性。实时性。

【技术实现步骤摘要】
系统的优化控制方法、装置和电子设备


[0001]本申请涉及系统控制
，尤其涉及一种系统的优化控制方法、装置、电子设备和存储介质。

技术介绍

[0002]目前，随着工业、能源、智能制造等技术的不断发展，对系统的优化控制要求越来越高。然而，相关技术中的系统优化控制方法，大多采用传统的PID控制方式，主要进行单步控制调节，操作存在一定的滞后性，或者采用基于试验的控制方式，该方法需要获取大量的试验数据，耗费较大的人力物力，成本较高，或者采用建模的控制方式，复杂系统的建模难度较大，准确度也较低。

技术实现思路

[0003]本申请旨在至少在一定程度上解决相关技术中系统的优化控制存在滞后性，耗费较大的人力物力，准确度较低的技术问题之一。
[0004]为此，本申请第一方面实施例提出一种系统的优化控制方法，可利用待控制系统的历史运行数据离线构建运行优化模型，有助于节省时间和人力成本，且可利用模型预测控制算法离线构建运行优化模型，可解决相关技术中系统的控制方法的操作滞后性问题，有助于保证待控制系统的稳定运行，还可充分考虑到待控制系统的实时运行数据对控制参数的推荐值的影响，且可利用模型预测控制在线求解算法进行在线求解，求解实时性较好，提升了待控制系统的优化控制的实时性。
[0005]本申请第二方面实施例提出一种系统的优化控制装置。
[0006]本申请第三方面实施例提出一种电子设备。
[0007]本申请第四方面实施例提出一种计算机可读存储介质。
[0008]本申请第一方面实施例提出了一种系统的优化控制方法，包括：获取所述待控制系统的实时运行数据；获取预先构建的所述待控制系统的运行优化模型，所述运行优化模型根据所述待控制系统的历史运行数据和模型预测控制算法构建得到；根据所述实时运行数据、所述运行优化模型和模型预测控制在线求解算法，生成所述待控制系统的控制参数的推荐值。
[0009]根据本申请实施例的系统的优化控制方法，获取待控制系统的实时运行数据，获取预先构建的待控制系统的运行优化模型，运行优化模型根据待控制系统的历史运行数据和模型预测控制算法构建得到，根据实时运行数据、运行优化模型和模型预测控制在线求解算法，生成待控制系统的控制参数的推荐值。由此，可利用待控制系统的历史运行数据离线构建运行优化模型，有助于节省时间和人力成本，且可利用模型预测控制算法离线构建运行优化模型，可解决相关技术中系统的控制方法的操作滞后性问题，有助于保证待控制系统的稳定运行，还可充分考虑到待控制系统的实时运行数据对控制参数的推荐值的影响，且可利用模型预测控制在线求解算法进行在线求解，求解实时性较好，提升了待控制系
统的优化控制的实时性。
[0010]另外，根据本申请上述实施例的系统的优化控制方法还可以具有如下附加的技术特征：
[0011]在本申请的一个实施例中，还包括：获取所述待控制系统的历史运行数据；根据所述历史运行数据训练得到所述待控制系统的多个特性子模型；根据所述多个特性子模型和所述模型预测控制算法，构建所述运行优化模型。
[0012]在本申请的一个实施例中，所述待控制系统为火电机组的空冷系统，所述控制参数为每列风机的平均转速。
[0013]在本申请的一个实施例中，所述根据所述历史运行数据训练得到所述待控制系统的多个特性子模型，包括：根据所述历史运行数据中的历史风机转速和历史风机电流，训练得到所述待控制系统中每台所述风机的耗电功率特性子模型；根据所述历史运行数据中的历史锅炉负荷、历史发电机功率、历史排汽压力和预设的与历史发电机功率相关的第一历史状态特征数据，训练得到所述待控制系统的汽轮机微增功率特性模型；根据所述历史运行数据中的第二历史状态特征数据和历史风机转速，训练得到所述待控制系统的排汽压力变化特性模型。
[0014]在本申请的一个实施例中，所述耗电功率特性子模型为：
[0015]I＝a1*x3+a2*x2+a3*x+b；
[0016][0017]其中，所述I为所述历史风机电流；
[0018]所述x为所述历史风机转速；
[0019]所述a1，a2，a3，b为待训练的参数；
[0020]所述P
f
为所述风机的耗电功率；
[0021]所述为预设的功率因数定值；
[0022]所述U为所述风机的额定电压。
[0023]在本申请的一个实施例中，所述汽轮机微增功率特性模型为：
[0024][0025]其中，所述P
diff
为所述历史锅炉负荷和所述历史发电机功率的差值；
[0026]所述f
p
为待训练的2阶多项式回归函数；
[0027]所述p
b
为所述历史排汽压力；
[0028]所述为所述第一历史状态特征数据。
[0029]在本申请的一个实施例中，所述排汽压力变化特性模型为：
[0030]s
t
＝f
bp
((s，a)
0～t
‑1)；
[0031]其中，所述s
t
为t时刻下的所述第二历史状态特征数据；
[0032]所述f
bp
为待训练的时间序列预测函数；
[0033]所述(s，a)
0～t
‑1为t时刻之前的t个时间步对应的所述第二历史状态特征数据和所述每列风机的历史平均转速对。
[0034]在本申请的一个实施例中，所述运行优化模型为：
[0035][0036]C
t
＝P
f；t
+P
diff；t
[0037]s
t+1
＝f(s
t
，a
t
)；
[0038]s1＝s
init
；
[0039]其中，所述argmin为最小化函数；
[0040]所述s
t
为t时刻下的所述第二历史状态特征数据；
[0041]所述a
t
为t时刻下的所述每列风机的历史平均转速；
[0042]所述为所述第二历史状态特征数据的约束条件；
[0043]所述为所述每列风机的历史平均转速的约束条件；
[0044]所述T为预设的未来时间步数；
[0045]所述P
f；t
为根据所述耗电功率特性子模型，得到的t时刻下的所述风机的历史耗电功率；
[0046]所述P
diff；t
为根据所述汽轮机微增功率特性子模型，得到的t时刻下的所述历史锅炉负荷和所述历史发电机功率的差值；
[0047]所述f为根据所述排汽压力变化特性模型变化得到的动态模型；
[0048]所述s
init
为初始时刻下的所述第二历史状态特征数据。
[0049]在本申请的一个实施例中，所述根据所述实时运行数据、所述运行优化模型和模型预测控制在线求本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统的优化控制方法，其特征在于，包括：获取所述待控制系统的实时运行数据；获取预先构建的所述待控制系统的运行优化模型，所述运行优化模型根据所述待控制系统的历史运行数据和模型预测控制算法构建得到；根据所述实时运行数据、所述运行优化模型和模型预测控制在线求解算法，生成所述待控制系统的控制参数的推荐值。2.根据权利要求1所述的优化控制方法，其特征在于，还包括：获取所述待控制系统的历史运行数据；根据所述历史运行数据训练得到所述待控制系统的多个特性子模型；根据所述多个特性子模型和所述模型预测控制算法，构建所述运行优化模型。3.根据权利要求2所述的优化控制方法，其特征在于，所述待控制系统为火电机组的空冷系统，所述控制参数为每列风机的平均转速。4.根据权利要求3所述的优化控制方法，其特征在于，所述根据所述历史运行数据训练得到所述待控制系统的多个特性子模型，包括：根据所述历史运行数据中的历史风机转速和历史风机电流，训练得到所述待控制系统中每台所述风机的耗电功率特性子模型；根据所述历史运行数据中的历史锅炉负荷、历史发电机功率、历史排汽压力和预设的与历史发电机功率相关的第一历史状态特征数据，训练得到所述待控制系统的汽轮机微增功率特性模型；根据所述历史运行数据中的第二历史状态特征数据和历史风机转速，训练得到所述待控制系统的排汽压力变化特性模型。5.根据权利要求4所述的优化控制方法，其特征在于，所述耗电功率特性子模型为：I＝a1*x3+a2*x2+a3*x+b；其中，所述I为所述历史风机电流；所述x为所述历史风机转速；所述a1，a2，a3，b为待训练的参数；所述P
f
为所述风机的耗电功率；所述为预设的功率因数定值；所述U为所述风机的额定电压。6.根据权利要求4所述的优化控制方法，其特征在于，所述汽轮机微增功率特性模型为：其中，所述P
diff
为所述历史锅炉负荷和所述历史发电机功率的差值；所述f
p
为待训练的2阶多项式回归函数；所述p
b
为所述历史排汽压力；所述为所述第一历史状态特征数据。7.根据权利要求4所述的优化控制方法，其特征在于，所述排汽压力变化特性模型为：
s
t
＝f
bp
((s,a)
0～t
‑1)；其中，所述s
t
为t时刻下的所述第二历史状态特征数据；所述f
bp
为待训练的时间序列预测函数；所述(s,a)
0～t
‑1为t时刻之前的t个时间步对应的所述第二历史状态特征数据和所述每列风机的历史平均转速对。8.根据权利要求4所述的优化控制方法，其特征在于，所述运行优化模型为：C
t
＝P
f；t
+P
diff；t
s
t+1
＝f(s
t
,a
t
)；s1＝s
init
；其中，所述argmin为最小化函数；所述s
t
为t时刻下的所述第二历史状态特征数据；所述a
t
为t时刻下的所述每列风机的历史平均转速；所述为所述第二历史状态特征数据的约束条件；所述为所述每列风机的历史平均转速的约束条件；所述T为预设的未来时间步数；所述P
f；t
为根据所述耗电功率特性子模型，得到的t时刻下的所述风机的历史耗电功率；所述P
diff；t
为根据所述汽轮机微增功率特性子模型，得到的t时刻下的所述历史锅炉负荷和所述历史发电机功率的差值；所述f为根据所述排汽压力变化特性模型变化得到的动态模型；所述s
init
为初始时刻下的所述第二历史状态特征数据。9.根据权利要求8所述的优化控制方法，其特征在于，所述根据所述实时运行数据、所述运行优化模型和模型预测控制在线求解算法，生成所述待控制系统的控制参数的推荐值，包括：根据所述实时运行数据和所述运行优化模型，采用以下预设公式，生成所述每列风机的平均转速的推荐控制序列；将所述推荐控制序列中的第一个值确定为当前时刻下所述每列风机的平均转速的推荐值；其中，所述预设公式为：μ
t
＝η*a
vae
+(1
‑
η)*μ
′
t+1
；μ
′
T+1
＝μ
′
T
；；；
其中，所述μ
′
t
为所述推荐控制序列中的第t个值；所述μ
t
为初始动作序列中的第t个值；所述N为每次求解时生成动作序列的条数；所述i为生成的动作序列的序号；所述γ为预设的奖励加权因子；所述R
i
为第i条动作序列对应的累积奖励值；所述为第i条动作序列对应的t时刻下的所述每列风机的平均转速；所述η为预设的加权系数；所述T为预设的未来时间步数；所述a
vae
为根据预先训练得到的历史控制策略模型计算出的控制动作；所述为第i条动作序列对应的t时刻下的噪声样本；所述β为滤波系数。10.根据权利要求9所述的优化控制方法，其特征在于，还包括：根据所述历史运行数据中的所述第二历史状态特征数据和所述历史风机转速，训练得到所述历史控制策略模型。11.一种系统的优化控制装置，其特征在于，包括：第一获取模块，用于获取所述待控制系统的实时运行数据；第二获取模块，用于获取预先构建的所述待控制系统的运行优化模型，所述运行优化模型根据所述待控制...

【专利技术属性】
技术研发人员：朱翔宇，詹仙园，霍雨森，张玥，殷宏磊，郑宇，
申请(专利权)人：京东城市北京数字科技有限公司，
类型：发明
国别省市：