一种基于MPC的汽轮机中排压力控制方法

技术领域

本发明属于汽轮机控制技术领域，具体涉及一种基于MPC的汽轮机中排压力控制方法。

背景技术

汽轮机供热期间，为保证中压缸的安全运行，需调节中低压连通阀的阀门开度，以维持中排压力在设计允许范围内。目前，汽轮机的中排压力采用PID控制方式，以使中排压力能自动跟踪中排压力目标值，其中，中排压力目标值由中压缸进气压力、中压缸进气温度和汽轮机功率计算获得，这样，在进行中排压力控制时，需先根据当前的中压缸进气压力、中压缸进气温度和汽轮机功率计算获得中排压力目标值，再与中排压力实际值比较控制中低压连通管的阀门开度，存在控制不及时的问题。

发明内容

鉴于以上现有技术的缺点，本发明的目的在于提供一种基于MPC的汽轮机中排压力控制方法，其以汽轮机过往中排压力为基础，采用LSTM神经网络模型对中排压力进行预测，以及时调节中低压连通管的阀门开度，有效解决原有PID控制不及时的问题。

为实现上述目的及其他相关目的，本发明提供一种基于MPC的汽轮机中排压力控制方法，该方法包括以下步骤：

获取汽轮机统计周期内的过往中排压力数据；

使用STL分解法将历史长度为m

定义预测长度m

将趋势数据预测值和周期数据预测值相加，获得中排压力预测值；

采集中排压力实际值，基于中排压力性能指标、约束条件、中排压力实际值及中排压力预测值确定中低压连通管阀的最优阀门开度，并比较中排压力预测值与中排压力实际值，对中低压连通管阀进行调节，以对中排压力进行控制；

将预测时域不断向前滚动一个步长，实现中排压力的滚动优化控制。

优选地，所述中排压力性能指标为：

ζ＝abs(E

优选地，所述约束条件为：

θ＞f

其中，θ低压缸进气流量实际值；P

优选地，所述中低压连通管阀的调节方法为：若E

如上，本发明的一种基于MPC的汽轮机中排压力控制方法，具有以下有益效果：

本发明以汽轮机过往中排压力数据为基础，采用LSTM神经网络模型对中排压力进行预测，提高预测效果；然后，基于预测的中排压力对中低压连通管的阀门开度进行滚动优化控制，有效克服原有PID控制存在的控制不及时的问题，提高中排压力的控制精度。

附图说明

图1为本发明中汽轮机的示意图。

图2为本发明提供的一种基于MPC的汽轮机中排压力控制方法的流程图。

附图标记说明

高中压缸1，低压缸2，中低压连通管3，中低压连通阀31，抽汽管4，安全阀41，抽汽逆止阀42，抽汽快关阀43，抽汽调节阀44，中排压力测点5，低进压力测点6，低进温度测点7。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

请参阅图1至图2。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

本发明所涉及的汽轮机结构如图1所示，其包括高中压缸1和低压缸2，高中压缸1的排气口处并联设置有中低压连通管3和抽汽管4；中低压连通管3用于连通高中压缸1与低压缸2，抽汽管4用于连通高中压缸1与热网用户(图中未示出)；中低压连通管3上设有中低压连通阀31，用于调节中低压连通管3的流量；抽汽管4上设有安全阀41、抽汽逆止阀42，抽汽快关阀43和抽汽调节阀44；其中，安全阀41用于保护抽汽管4和汽轮机；抽汽逆止阀42用于防止蒸汽倒灌，抽汽快关阀43用于事故状态下热网用户与汽轮机的快速脱离，抽汽调节阀44用于调节抽汽管4的流量；高中压缸1的排气口处设有中排压力测点5，低压缸2的进气口处设有低进压力测点6和低进温度测点7；各测点均采用三冗余配置(即采用三个测量传感器进行测量)，提高测点测量的可靠性；通过控制中低压连通阀31的阀门开度，实现中排压力的自动控制，以保证机组的运行安全。

如图2所示，本发明实施例提供一种基于MPC(Model Predictive Control)的汽轮机中排压力控制方法，该控制方法包括以下步骤：

S1、获取汽轮机统计周期内的过往中排压力数据；

过往中排压力数据可由厂级监控信息系统(Supervisory Information Systemin Plant Level，简称SIS)获取。

S2、使用STL分解法将历史长度为m

STL(Seasonal and Trend decomposition using Loess)是一种分解时间序列的方法，其分解模型为：Y

S3、定义预测长度m

LSTM(Long Short-Term Memory)是一种时间循环神经网络，LSTM神经网络模型的训练可通过过往中排压力数据进行训练，由于训练方法为现有技术，故不再赘述。

S4、将趋势数据预测值T

具体地，中排压力预测值E

S5、采集中排压力实际值，基于中排压力性能指标、约束条件、中排压力实际值及中排压力预测值确定中低压连通管阀的最优阀门开度，并比较中排压力预测值与中排压力实际值，对中低压连通管阀进行调节，以对中排压力进行控制；

具体地，中排压力性能指标为：ζ＝abs(E

约束条件为：θ＞f

根据中排压力预测值E

S6、将预测时域不断向前滚动一个步长，实现中排压力的滚动优化控制。

本发明公开的基于MPC的汽轮机中排压力控制方法，能有效克服传统PID存在的控制不及时问题，从而提高中排压力的控制精度。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。