【技术实现步骤摘要】
本专利技术涉及智能电网，具体为基于预测控制下的超超临界机组负荷灵活性调节系统。
技术介绍
1、我国可再生能源发展取得了显著的成绩，但不少地区弃风弃光等问题日益突出，消纳已经成为制约可再生能源发展的关键因素。火电机组灵活性及深度调峰改造是消纳可再生能源的有效途径。
2、目前对火电机组的调节控制通常采用agc控制策略，agc控制策略的目标是在发电厂和负荷之间实现动态平衡，以保持系统频率稳定。通过实时监测和调整发电机组的输出功率，agc系统可以快速响应系统负荷变化，确保系统频率在可接受范围内，当前火电机组agc控制问题主要包括：消除扰动能力差，易出现参数大幅波动及调节振荡情况，负荷升降速率低，煤种变化对控制系统影响大，正常agc调节中燃料和给水等控制量波动大，机组运行经济性差，因此针对机组热力性能参数指标差，调节性能负荷升降速率、精度均较差，汽温、汽压等关键参数的波动非常大的现状，提出基于预测控制下的超超临界机组负荷灵活性调节系统。
技术实现思路
1、针对现有技术的不足，本专利技术提供了基于预测控制下的超超临界机组负荷灵活性调节系统，解决了当前这种agc控制策略对于机组热力性能参数指标差，调节性能负荷升降速率、精度均较差，汽温、汽压等关键参数的波动非常大，导致控制效果明显变差的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：基于预测控制下的超超临界机组负荷灵活性调节系统，包括cpu模块，所述cpu模块的内部包括有用于调整控制参数的调整模块、用于优化
3、优选的，所述节氨优化模块的信号输出端上连接有用于选择状态信号的测量信号评估选择模块以及nox浓度预测模块，所述nox浓度预测模块的信号输出端上连接有用于减小汽温广义被控对象滞后和惯性的改进变量控制模块以及用于收集参数的氨气流量前馈模块。
4、优选的，所述调整模块中采用竞争型的神经网络学习算法，所述神经网络学习算法用于实时校正火电机组运行中与控制系统密切相关的各种特性参数，并根据这些特性参数实时计算agc控制系统的前馈和反馈回路中的各项控制参数。
5、优选的，所述agc优化模块中采用智能预测算法，所述智能预测算法用于预测“调度ems系统agc指令”在未来时刻的变化趋势以及锅炉做功能力“锅炉热功率信号”在未来时刻的变化值，并依据这两者间的匹配程度来修正锅炉指令的变化量。
6、优选的，所述cpu模块中采用多模型预测控制算法，所述多模型预测控制算法用于提前预测被调量(如主汽压力、汽温等参数)的未来变化趋势并根据调量的未来变化量对火电机组进行控制。
7、优选的，所述分离器温度预测模块中采用非线性神经网络模型，所述非线性神经网络模型用于对煤种热值校正系数的未来值进行递推预估。
8、优选的，所述cpu模块中还包括采用多模型预测控制算法的防壁温超温优化控制模块，所述防壁温超温优化控制模块用于采集历史运行数据统计各受热面易超温点情况避免超温或减少超温时间。
9、优选的，所述多模型预测控制算法通过融入自适应smith控制技术、状态变量控制技术及相位补偿技术后用于对汽温被控对象的大滞后特性进行动态补偿。
10、本专利技术提供了基于预测控制下的超超临界机组负荷灵活性调节系统。与现有技术相比具备以下有益效果：
11、(1)、该基于预测控制下的超超临界机组负荷灵活性调节系统，通过根据机组agc指令、实发功率、电网频率等参数实时预测“调度ems系统agc指令”在未来时刻的变化趋势，对机组燃料量、风量、给水流量等参数实时预测和调整，减少主要参数波动。
12、(2)、该基于预测控制下的超超临界机组负荷灵活性调节系统，通过多模型预测控制将自适应smith控制技术、状态变量控制技术及相位补偿技术融于一体，对汽温被控对象的大滞后特性进行动态补偿，有效减小补偿后汽温广义被控对象的滞后和惯性。
13、(3)、该基于预测控制下的超超临界机组负荷灵活性调节系统，在传统煤种btu校正的基础上，通过存储前期各个采样时刻的煤种热值校正系数，并作为rbf神经网络的训练样本数据，建立煤种热值校正系数的非线性神经网络模型，后用该模型对煤种热值校正系数的未来值进行递推预估来弥补btu校正过程的滞后，从而提出煤种热值的快速校正。
14、(4)、该基于预测控制下的超超临界机组负荷灵活性调节系统，通过对scr脱硝系统的运行环境、被控特性数学模拟模型等方面的精准把握，基于预测控制、神经网络学习技术及自适应控制技术，制定有针对性的scr脱硝控制的先进控制策略。
15、(5)、该基于预测控制下的超超临界机组负荷灵活性调节系统通过融合预测控制、神经网络控制和自适应控制等技术，解决火电机组实际控制难题，提出了现代火电机组协调控制的先进解决方案，确保了大型火电机组的安全、稳定及高效运行，为应用先进的现代控制技术来解决火电机组疑难控制问题提供了一个有潜力的发展方向。
本文档来自技高网...【技术保护点】
1.基于预测控制下的超超临界机组负荷灵活性调节系统，包括CPU模块，其特征在于：所述CPU模块的内部包括有用于调整控制参数的调整模块、用于优化AGC运行模式的AGC优化模块、用于节氨的节氨优化模块、用于补偿汽温控制的广义预测控制模块，所述AGC优化模块的信号输出端上连接有用于预测主汽压力的主汽压力预测模块，所述主汽压力预测模块的信号输出端上连接有用于收集参数的给水流量前馈模块、给煤量前馈模块以及分离器温度预测模块。
2.根据权利要求1所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述节氨优化模块的信号输出端上连接有用于选择状态信号的测量信号评估选择模块以及NOx浓度预测模块，所述NOx浓度预测模块的信号输出端上连接有用于减小汽温广义被控对象滞后和惯性的改进变量控制模块以及用于收集参数的氨气流量前馈模块。
3.根据权利要求1所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述调整模块中采用竞争型的神经网络学习算法，所述神经网络学习算法用于实时校正火电机组运行中与控制系统密切相关的各种特性参数，并根据这些特性参数实时计算A
4.根据权利要求1所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述AGC优化模块中采用智能预测算法，所述智能预测算法用于预测“调度EMS系统AGC指令”在未来时刻的变化趋势以及锅炉做功能力“锅炉热功率信号”在未来时刻的变化值，并依据这两者间的匹配程度来修正锅炉指令的变化量。
5.根据权利要求1所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述CPU模块中采用多模型预测控制算法，所述多模型预测控制算法用于提前预测被调量(如主汽压力、汽温等参数)的未来变化趋势并根据调量的未来变化量对火电机组进行控制。
6.根据权利要求1所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述分离器温度预测模块中采用非线性神经网络模型，所述非线性神经网络模型用于对煤种热值校正系数的未来值进行递推预估。
7.根据权利要求5所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述CPU模块中还包括采用多模型预测控制算法的防壁温超温优化控制模块，所述防壁温超温优化控制模块用于采集历史运行数据统计各受热面易超温点情况避免超温或减少超温时间。
8.根据权利要求5所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述多模型预测控制算法通过融入自适应SMITH控制技术、状态变量控制技术及相位补偿技术后用于对汽温被控对象的大滞后特性进行动态补偿。
...【技术特征摘要】
1.基于预测控制下的超超临界机组负荷灵活性调节系统，包括cpu模块，其特征在于：所述cpu模块的内部包括有用于调整控制参数的调整模块、用于优化agc运行模式的agc优化模块、用于节氨的节氨优化模块、用于补偿汽温控制的广义预测控制模块，所述agc优化模块的信号输出端上连接有用于预测主汽压力的主汽压力预测模块，所述主汽压力预测模块的信号输出端上连接有用于收集参数的给水流量前馈模块、给煤量前馈模块以及分离器温度预测模块。
2.根据权利要求1所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述节氨优化模块的信号输出端上连接有用于选择状态信号的测量信号评估选择模块以及nox浓度预测模块，所述nox浓度预测模块的信号输出端上连接有用于减小汽温广义被控对象滞后和惯性的改进变量控制模块以及用于收集参数的氨气流量前馈模块。
3.根据权利要求1所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述调整模块中采用竞争型的神经网络学习算法，所述神经网络学习算法用于实时校正火电机组运行中与控制系统密切相关的各种特性参数，并根据这些特性参数实时计算agc控制系统的前馈和反馈回路中的各项控制参数。
4.根据权利要求1所述的基于预测控制下的超超临界机组负荷灵活性调节系统，其特征在于：所述agc优化模块中...
【专利技术属性】
技术研发人员：张晨，杨帆华，刘大伟，马亮，程志峰，孙强，石建明，尚昆民，霍金龙，曹忠，
申请(专利权)人：江苏大唐国际吕四港发电有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。