电站锅炉关键参数理论研究

夏珺，高国锋，郭宏宇

摘要：锅炉生产过程具有多变量、非线性、强扰动、大滞后等特点，传统PID控制方法难以取得理想效果。随着人们对控制精度要求的不断提高和环境保护意识的加强，迫切需要对锅炉生产过程中关键参数的精确控制问题进行研究，设计符合问题特点的算法，提高控制精度，优化控制变量。

关键词：锅炉生产过程，关键参数，精确控制

1 数据解析

数据解析是指对生产过程中所产生的数据进行处理和分析的过程，其不仅是对数据的简单处理，而是通过对数据的处理完成最终的估计、预测或诊断。随着计算机处理数据能力的不断提高，数据解析技术得到了空前的发展，并成功应用在各个工业生产过程中。数据解析的主要目的是对研究对象进行估计（在当前时刻对研究对象的状态进行分析）和预测（对未来某时刻研究对象的状态分析）。下面对数据解析的2个主要目的进行简单综述。

1.1 基于数据解析的估计算法

由于在实际的生产过程中，很多的变量或参数对生产的安全和产品的质量有至关重要的影响。但由于测量技术和方法不成熟，使得直接获得变量或参数的实时信息变的困难，成为工业生产过程的难题。数据解析估计算法的出现成功解决了这一难题，从而保证了工业生产过程的可靠。

1.2 基于数据解析的预测算法

对数据解析的估计是对研究对象当前时刻状态的描述，而基于数据解析的预测算法是对研究对象未来时刻状态的预测，两种方法对分析和控制研究对象都是至关重要的。基于数据解析的预测算法就是通过建立研究对象的预测模型对研究对象进行预测，评估未来时刻的状态。当研究对象不存在大延迟、工作过程简单、过程变量耦合小时，可以通过机理建模方法建立精确的预测模型。但是，实际工业生产过程复杂、工作环境恶劣，导致难以建立准确的研究对象机理模型。随着处理数据能力的提高，统计学建模方法和数据解析方法建模的出现，成功的解决了机理建模法的不足。

根据模型输入变量的不同，统计学建模方法可以分为时序预测建模和回归分析建模。时序预测建模方法是将研究对象随时间变化的过程看成是随机的，未来时刻研究对象的状态只与当前时刻及之前时刻的研究对象状态相关。其中，自回归(Autoregression, AR)建模方法是时序预测建模方法的代表之一。即针对单变量预测建模问题，该方法首先构造线性预测模型，然后通过历史数据确定模型的参数，最终确定预测模型。随着学者的不断研究，单变量自回归模型扩展成为多变量自回归模型，即向量自回归模型(Vector Autoregression model, VAR)。

2 优化控制

在经济快速发展的背景下，对环境的重视度逐年提高，给以传统工业控制为主的企业带来了巨大的挑战。要求控制的结果不仅仅是系统稳定、误差小、调节快速，更要节能、低耗、无污染。为了应对挑战，实施绿色工业改革，改善优化控制策略是必不可少的。工业过程中的优化控制主要是指通过对生产过程的控制变量进行优化以满足达到生产要求为前提，高质量、低能耗为目标，可持续生产为理念的控制策略。目前，大量学者主要研究工业过程中的操作优化和预测控制。

操作优化是指为了达到工业要求，构建目标函数，引入边界约束条件，建立优化模型，通过优化算法求解该模型并获得满足工业要求的最优变量值的一种控制优化方法。通常，操作优化包含3个过程，分别为建立优化对象模型、建立优化模型和求解优化模型。操作优化方法已经被广泛应用于工业控制中。

预测控制是现代控制理论研究的热点，是一种基于预测模型的控制算法。Smith预估器^[1]的提出标志着预测控制时代的到来。后来，Dahlin控制算法^[2]依靠精确的数学模型去解决离散控制问题，加深了对预测控制的研究。随着控制对象的复杂化，为控制问题带来了新的难题。随着对控制理论研究的加深，大量改进的控制算法被提出，如模型预测启发式控制算法、模型控制算法、动态矩阵控制(DMC)算法等。Clarke等人^[3]于1987年提出了广义预测算法。因其具有先进的控制策略成为现在控制理论研究的热点。为了更好的发挥模型预测控制的优势，越来越多的基于数据驱动的模型被应用到模型预测控制算法中，并在工业过程控制中取得了良好的效果。由于神经网络算法具有良好的处理非线性问题能力和自学习能力，所以在非线性的预测控制中广泛应用。

3 广义预测控制理论

1987年Clarke等人提出了广义预测控制算法（GPC）^[4]。该算法既可以控制简单的开环稳态问题又可以控制非最小相位、开环不稳定的复杂系统。该算法采用受控自回归积分滑动平均预测模型，该模型具有较好的鲁棒性，适用于非平稳随机噪声的过程。经过几十年的发展，出现了很多广义预测控制的改进算法，但都具备以下三个基本特征：即预测模型、滚动优化和反馈校正。下面对三个基本特征进行简要描述。

3.1 预测模型

预测控制是一种基于模型的控制算法，这一模型称为预测模型。预测模型是为实现优化控制而服务的，预测模型的功能是根据研究对象的历史数据和当前状态可以预测出研究对象未来的状态。从模型的功能讲，只要具备预测研究对象未来状态的模型都可以称为预测模型，如传统的传递函数模型和状态方程模型等。对于稳定的线性对象，工业过程控制中大多采用脉冲响应或阶跃响应等非参数模型。目前，由于工业控制对象较为复杂，非线性系统成为了控制领域研究的热点。而智能预测模型如神经网络模型、模糊模型、支持向量机模型等因其具有良好的处理非线性系统的能力成为大量学者关注的重点。预测模型的不断改进使广义预测控制算法成功的应用于各个工业过程中^[5]。

预测模型具有展示系统未来动态行为的功能。任意给出未来的控制策略，根据预测模型便可预测出系统未来的状态和输出，并进而判断相关条件是否满足控制要求，相应的性能指标值等，这样就可以比较不同的控制策略的优劣。所以，预测模型是优化控制的前提。

3.2 滚动优化

预测控制也是一种基于优化的控制算法，它通过某一性能指标的最优来确定未来的控制作用。这一性能指标涉及系统未来的行为，例如，通常可取对象输出在未来采样点上跟踪某一期望轨迹的方差为最小，也可取在保证输出在某一给定范围内，达到控制能量最小的要求。性能指标中所涉及的系统未来的动态行为是根据预测模型由未来的控制策略决定的。

与传统的离散时间系统最优控制不同，预测控制算法均采用有限时域的滚动优化。在每一采样时刻，优化性能指标只覆盖该时刻起的未来有限时域，因此是一个以未来有限控制量为优化变量的开环优化问题。在应用优化算法求出最优控制量后，预测控制并不把它们全部逐一实施，而只将其中的当前控制量作用于系统，到下一采样时刻，这一优化时域随着时刻的推进同时向前滚动推移。因此，预测控制并不是采用全局的优化性能指标，而是在每一时刻有一个相对于该时刻的优化性能指标，不同时刻优化性能指标的相对形式是相同的，但具体包含的时间区域是不同的。这表明预测控制中的优化不是一次离线进行的，而是反复在线进行，即所谓的滚动优化，也是预测控制优于传统最优控制的特点。

参考文献

1. Smith O J M. Closer control of loops with dead time[J], Chemical Engineering Process, 1957, 53(5): pp. 217-219.

2. Abu-Ayyad M, Dubay R, Hernandez J M. Application of infinite model predictive control methodology to other advanced controllers[J], ISA Transations, 2009, 48(1): pp. 54-61.

3. Cutler C R, Morshedi A, Haydel J. An industrial perspective on advanced control[C]. in Proceedings of AICHE Annual Meeting. 1983. Washington, USA. pp.

4. Clarke D W, Mohtadi C, Tuffs P S. Generalized predictive control – part Ⅰ. The basic algorithm[J], Automatica, 1987, 23(2): pp. 137-148.

5. 黄卫军，於晓博，朱延海，王海峰. 锅炉降负荷NOx大幅生成原因分析及对策，电力科技与环保，2014,30（2）：26-28.