超超臨界直流爐機(jī)組負(fù)荷非線性預(yù)測(cè)控制及其仿真研究

趙 明，梁俊宇，范 赫，王培紅

(1．云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217；2．東南大學(xué)能源與環(huán)境學(xué)院，南京 210096)

超超臨界直流爐機(jī)組是存在非線性、強(qiáng)耦合、大慣性、參數(shù)時(shí)變的復(fù)雜熱工對(duì)象[1-2]。為使機(jī)組功率盡快適應(yīng)電網(wǎng)變化，單元機(jī)組協(xié)調(diào)控制系統(tǒng)(Coordinated Control System, 簡(jiǎn)稱CCS)同時(shí)控制汽輪機(jī)和鍋爐，協(xié)調(diào)動(dòng)作，使機(jī)組可以很好地響應(yīng)外界負(fù)荷的指令。鍋爐側(cè)在響應(yīng)外界負(fù)荷變化時(shí)，具有大延遲、大慣性和很強(qiáng)的非線性，而汽輪機(jī)延遲較小，動(dòng)作較快，鍋爐和汽輪機(jī)協(xié)調(diào)動(dòng)作是協(xié)調(diào)控制系統(tǒng)的基礎(chǔ)，而高性能的單元機(jī)組協(xié)調(diào)控制系統(tǒng)的設(shè)計(jì)是機(jī)組平穩(wěn)運(yùn)行和快速響應(yīng)電網(wǎng)負(fù)荷的保證。

目前，基于前饋補(bǔ)償、串級(jí)等PID控制策略的CCS控制方案應(yīng)用于大多數(shù)單元機(jī)組中，但在機(jī)組啟停和變工況運(yùn)行時(shí)，控制系統(tǒng)需要人工操作和監(jiān)控，運(yùn)行參數(shù)容易偏離經(jīng)濟(jì)指標(biāo)，造成低效率運(yùn)行和環(huán)境污染。模型預(yù)測(cè)控制(Model Predictive Control, 簡(jiǎn)稱MPC)算法[3]，是一種基于模型的先進(jìn)控制技術(shù)，以預(yù)測(cè)模型為基礎(chǔ)，采用多步預(yù)測(cè)、滾動(dòng)優(yōu)化和反饋校正策略使對(duì)象輸出有效地跟蹤輸出設(shè)定值變化，適用于大遲延、大慣性和時(shí)變對(duì)象，并先后發(fā)展了模型算法控制(MAC)、動(dòng)態(tài)矩陣控制(DMC)、廣義預(yù)測(cè)控制(GPC)和內(nèi)模控制(IMC)，已在工業(yè)界得到成功運(yùn)用[4-10]。線性模型預(yù)測(cè)控制(Linear Model Predictive Control, 簡(jiǎn)稱LMPC)在理論研究和實(shí)際應(yīng)用都已十分成熟，但在處理非線性對(duì)象仍存在丟失動(dòng)態(tài)信息等問(wèn)題。近年來(lái)，非線性預(yù)測(cè)控制(Nonlinear Model Predictive Control, 簡(jiǎn)稱NMPC)已逐步發(fā)展，但在NMPC的穩(wěn)定性、魯棒性和優(yōu)化求解等問(wèn)題仍需進(jìn)一步研究。

本文在文獻(xiàn)[2]基礎(chǔ)上，提出一種基于免疫優(yōu)化的超超臨界直流爐機(jī)組負(fù)荷非線性預(yù)測(cè)控制方法，將超超臨界直流爐機(jī)組負(fù)荷控制模型[1]作為被控對(duì)象和預(yù)測(cè)模型，利用改進(jìn)免疫遺傳算法，在有限時(shí)域內(nèi)，對(duì)控制算法中的目標(biāo)函數(shù)進(jìn)行尋優(yōu)，并滿足幅值約束和變化速率約束，給出模型當(dāng)前時(shí)刻最優(yōu)控制量，解決NMPC優(yōu)化求解問(wèn)題。

1 預(yù)測(cè)控制的基本原理

由于預(yù)測(cè)模型和設(shè)計(jì)思路不同，各類預(yù)測(cè)控制策略存在差異，但其主要思想大體相同。對(duì)于單輸入單輸出系統(tǒng)，可用圖1表示，其控制決策描述如下。

(1)

(3)將“最優(yōu)”控制序列中的t時(shí)刻控制信號(hào)u(t)=v*(t)作用于實(shí)際過(guò)程，并在下一個(gè)采樣時(shí)刻重復(fù)上面的過(guò)程。

圖1 預(yù)測(cè)控制在k時(shí)刻的優(yōu)化策略

圖2為預(yù)測(cè)控制系統(tǒng)結(jié)構(gòu)原理圖。雖然預(yù)測(cè)控制算法多樣，但其共同特征為：利用過(guò)程模型，預(yù)測(cè)對(duì)象在一定的控制作用下的系統(tǒng)未來(lái)動(dòng)態(tài)行為，在給定約束條件和性能要求的基礎(chǔ)上，滾動(dòng)優(yōu)化求解最優(yōu)控制量，作用于被控對(duì)象，并且在滾動(dòng)的每一步監(jiān)測(cè)實(shí)時(shí)信息修正對(duì)未來(lái)動(dòng)態(tài)行為的預(yù)測(cè)。預(yù)測(cè)控制系統(tǒng)可以歸納為：預(yù)測(cè)模型、滾動(dòng)優(yōu)化和反饋校正。

圖2 預(yù)測(cè)控制算法結(jié)構(gòu)原理圖

1)預(yù)測(cè)模型。預(yù)測(cè)控制是基于模型的控制算法，它的功能是根據(jù)對(duì)象的歷史信息和未來(lái)輸入預(yù)測(cè)模型未來(lái)的狀態(tài)或輸出，對(duì)模型的結(jié)構(gòu)并無(wú)要求。因此，傳遞函數(shù)、模糊模型、神經(jīng)模型和狀態(tài)方程等都可作為預(yù)測(cè)模型。對(duì)于線性穩(wěn)定對(duì)象，階躍響應(yīng)和脈沖響應(yīng)等非參數(shù)模型也可作為預(yù)測(cè)模型。預(yù)測(cè)模型具有展示對(duì)象未來(lái)動(dòng)態(tài)行為的功能，對(duì)于任意的控制序列，可得對(duì)象未來(lái)的動(dòng)態(tài)輸出，進(jìn)而判斷約束條件是否滿足，計(jì)算其性能指標(biāo)，用來(lái)比較不同控制策略的優(yōu)劣。獲得能準(zhǔn)確反映系統(tǒng)未來(lái)動(dòng)態(tài)特性變化的預(yù)測(cè)模型，是實(shí)現(xiàn)優(yōu)化控制的前提。

2)滾動(dòng)優(yōu)化。預(yù)測(cè)控制也是一種基于優(yōu)化的控制算法，通過(guò)某一指標(biāo)最優(yōu)化來(lái)確定未來(lái)的控制序列。在每一個(gè)采樣時(shí)刻，優(yōu)化性能指標(biāo)值覆蓋Np和Nu的有限時(shí)域長(zhǎng)度。得出最優(yōu)控制序列后，將當(dāng)前控制量作用于系統(tǒng)，到下一時(shí)刻，優(yōu)化時(shí)域滾動(dòng)向前，反復(fù)在線運(yùn)行，相比傳統(tǒng)最優(yōu)控制，可實(shí)時(shí)獲得較精確的控制量。

3)反饋校正。由于實(shí)際系統(tǒng)存在模型失配、時(shí)變、擾動(dòng)等不確定性，預(yù)測(cè)控制需要引入閉環(huán)機(jī)制補(bǔ)償各種不確定性來(lái)提高控制表現(xiàn)。在每一個(gè)采樣時(shí)刻，檢測(cè)對(duì)象的輸出或狀態(tài)，到下一時(shí)刻，得到當(dāng)前時(shí)刻的實(shí)際對(duì)象輸出與模型預(yù)測(cè)輸出構(gòu)成的誤差，對(duì)未來(lái)的預(yù)測(cè)輸出進(jìn)行修正，得到更真實(shí)的預(yù)測(cè)輸出向量。

2 基于免疫優(yōu)化的非線性預(yù)測(cè)控制

預(yù)測(cè)控制的本質(zhì)是采用閉環(huán)機(jī)制的滾動(dòng)優(yōu)化，對(duì)于復(fù)雜的非線性被控對(duì)象，該控制算法不易獲得具有解析解形式的控制量。因此，本文提出一種新的非線性控制方法，用改進(jìn)的免疫遺傳算法處理在線滾動(dòng)優(yōu)化問(wèn)題，經(jīng)控制量幅值和變化速率的約束，保證所得解的可行性；用特殊的種群生成機(jī)制，可忽視被控對(duì)象的延遲對(duì)控制效果的影響[1]。

2.1 非線性預(yù)測(cè)控制系統(tǒng)結(jié)構(gòu)

非線性預(yù)測(cè)控制系統(tǒng)結(jié)構(gòu)如圖3所示。圖3中，r為參考軌跡；u為控制量；y為被控對(duì)象的實(shí)際輸出；ym機(jī)理預(yù)測(cè)模型輸出；ym為經(jīng)反饋校正的預(yù)測(cè)輸出。

圖3 非線性預(yù)測(cè)控制系統(tǒng)結(jié)構(gòu)圖

非線性預(yù)測(cè)控制系統(tǒng)的工作原理：將已知的機(jī)理控制模型作為被控對(duì)象和預(yù)測(cè)模型，在每個(gè)采樣周期內(nèi)，找出滿足約束條件和目標(biāo)函數(shù)的最優(yōu)控制序列，取首個(gè)控制量作為當(dāng)前時(shí)刻的最優(yōu)控制量并作用給被控對(duì)象。根據(jù)當(dāng)前時(shí)刻被控對(duì)象與預(yù)測(cè)模型的輸出偏差對(duì)預(yù)測(cè)輸出序列進(jìn)行反饋校正，得到修正過(guò)的預(yù)測(cè)序列與參考軌跡進(jìn)入免疫優(yōu)化模塊進(jìn)行下一時(shí)刻的優(yōu)化求解，反復(fù)計(jì)算，滾動(dòng)實(shí)施。

2.2 機(jī)理預(yù)測(cè)模型及反饋校正

超超臨界機(jī)組負(fù)荷控制模型為如下形式：

式中y1(t),y2(t),y3(t)——模型輸出值，即主蒸汽壓力，汽水分離器焓值，機(jī)組功率；x1(t-1),x2(t-1),x3(t-1)——模型狀態(tài)值，即入爐煤量，汽水分離器壓力，汽水分離器焓值；u1(t-1),u2(t-1),u3(t-1) ——模型輸入值，即燃料量指令，給水總量，汽輪機(jī)調(diào)門開度。

實(shí)際機(jī)組模型會(huì)因時(shí)變、噪聲干擾等不確定因素使得預(yù)測(cè)模型與實(shí)際對(duì)象產(chǎn)生偏差，因此需對(duì)預(yù)測(cè)模型輸出進(jìn)行反饋校正，內(nèi)容如下：

設(shè)預(yù)測(cè)控制系統(tǒng)的預(yù)測(cè)時(shí)域長(zhǎng)度為Np，控制時(shí)域長(zhǎng)度為Nu。經(jīng)反饋校正后的預(yù)測(cè)輸出序列為

(2)

當(dāng)k≥Nu,

ui(t+k)=ui(t+k-1)=…=ui(t+Nu-1)

2.3 基于改進(jìn)免疫遺傳算法的滾動(dòng)優(yōu)化求解

由于非線性預(yù)測(cè)控制無(wú)法將性能指標(biāo)中的未知控制變量，寫成解析解的形式，因而需要采用非線性優(yōu)化方法進(jìn)行求解。本文采用改進(jìn)免疫遺傳優(yōu)化算法來(lái)獲得當(dāng)前最優(yōu)控制量。

滾動(dòng)優(yōu)化就是在每一個(gè)采樣時(shí)刻，滿足系統(tǒng)的約束條件式(3)和式(4)，尋找出一組最優(yōu)控制量序列{u*(t+k)，k=0，…，Nu-1}使得控制性能指標(biāo)最優(yōu)。因本文采用改進(jìn)的免疫遺傳算法，目標(biāo)函數(shù)為二次型性能指標(biāo)，即

控制量的幅值約束：

ujmin≤uj(t+k)≤ujmax，1≤j≤3，0≤k≤Nu-1

(3)

控制量的變化速率約束：

-Δujmax≤Δuj(t+k)≤Δujmax，
1≤j≤3，0≤k≤Nu-1

(4)

Δuj(t+k)=uj(t+k)-uj(t+k-1)

此控制系統(tǒng)的目標(biāo)函數(shù)取為

(5)

下面將介紹用改進(jìn)的免疫遺傳算法來(lái)解決滾動(dòng)優(yōu)化問(wèn)題。

定義抗原和抗體：由于實(shí)際對(duì)象時(shí)變、內(nèi)外擾動(dòng)等不確定性，使得機(jī)組運(yùn)行值偏離設(shè)定值，而控制就是用偏差來(lái)消除偏差的方法，因此可將反映控制效果的二次型指標(biāo)，作為抗原。

抗體能夠消滅抗原，代表著問(wèn)題的可行解。本文采用二進(jìn)制編碼方法，二進(jìn)制編碼易在種群進(jìn)化、交叉、變異中獲得優(yōu)秀抗體，具有較高的尋優(yōu)精度。將待定控制量轉(zhuǎn)換為抗體，第l個(gè)抗體可表示為

(6)

在當(dāng)前采樣時(shí)刻t, 免疫在線優(yōu)化算法分為以下幾個(gè)步驟。

(1)產(chǎn)生種群規(guī)模為L(zhǎng)的初始抗體種群(即L個(gè)初始控制序列)：初始抗體種群在滿足幅值和變化速率約束的范圍內(nèi)隨機(jī)選取，即用下列方法生成。

設(shè)u(t-1)是t-1時(shí)刻的控制輸入，依據(jù)下列的方程選取t時(shí)刻的控制量：

(7)

式中r——區(qū)間[-1,1]內(nèi)的隨機(jī)數(shù)。

由于被控對(duì)象含有延遲(取36 s)，為降低延遲對(duì)控制效果的影響，在步驟(1)的基礎(chǔ)上進(jìn)行改進(jìn)，采樣時(shí)間取為9 s，則燃料量指令延遲4個(gè)采樣點(diǎn)，故選u1(t-5)、u2(t-1)和u3(t-1),作為抗體序列的首行元素，以此類推。由此對(duì)象的延時(shí)已包括在抗體中，因此經(jīng)優(yōu)化求解的最優(yōu)序列，可實(shí)現(xiàn)對(duì)被控對(duì)象的最優(yōu)控制。

(8)

(3)更新記憶細(xì)胞。在改進(jìn)的免疫遺傳算法中，記憶細(xì)胞是確保算法全局收斂的關(guān)鍵，需不斷更新。每次更新時(shí)，用種群中抗原親和力最高的Nm(Nm為記憶細(xì)胞的個(gè)數(shù))個(gè)抗體與記憶細(xì)胞比較，并更新種群中低抗原親和力的抗體。

(4)促進(jìn)和抑制抗體：用式(9)計(jì)算任意兩個(gè)抗體sl和sm的親和力：

(9)

式中Hl，m——抗體sl和sm間的結(jié)合強(qiáng)度。

抗體l的濃度定義為

(10)

式中θ——親和力常數(shù)，一般取0.9≤θ≤1。

選擇抗體的標(biāo)準(zhǔn)由抗原親和力與抗體濃度兩部分組成：

Sl=β(Ag)l+(1-β)e-μCl

(11)

式(11)可使高抗原親和力且低抗體濃度的抗體得到增殖，能夠確保種群多樣性和全局收斂。通常取β=0.7，μ=1.25。

(5)通過(guò)種群繁殖(交叉和變異)產(chǎn)生新一代抗體種群：首先將抗體進(jìn)行二進(jìn)制編碼，以式(11)為標(biāo)準(zhǔn)，采用輪盤賭的選擇機(jī)制，選擇兩個(gè)父母代抗體，用多點(diǎn)交叉算子對(duì)抗體進(jìn)行交叉操作。多點(diǎn)交叉有時(shí)會(huì)產(chǎn)生不滿足控制量變化速率的子代抗體，可用下列方法來(lái)修正。

多點(diǎn)交叉后，依次檢查每組相鄰的抗體元素，抗體序列第一個(gè)元素ul(t)與u(t-1)配對(duì)，依次ul(t+z)與ul(t+z-1)，一直到ul(t+Nu-1)與ul(t+Nu-2)。

設(shè)dc=ujl(t+z)-ujl(t+z-1)，如果dc>Δujmax，則ujl(t+z)=ujl(t+z-1)+Δujmax；如果dc<-Δujmax，則ujl(t+z)=ujl(t+z-1)-Δujmax；(0≤z≤Nu-2)。

(12)

(13)

(14)

(6)重復(fù)步驟(1)～(5)直到滿足終止條件：達(dá)到迭代次數(shù)Ngen或連續(xù)多代(如6代)最優(yōu)抗體的抗原親和力無(wú)改變，則算法停止。

2.4 基于改進(jìn)的免疫遺傳算法的非線性預(yù)測(cè)控制的具體步驟

基于改進(jìn)的免疫遺傳優(yōu)化算法的非線性預(yù)測(cè)控制方法具體步驟如下。

(1) 確定預(yù)測(cè)模型：預(yù)測(cè)控制可選用參數(shù)和非參數(shù)模型作為預(yù)測(cè)模型，對(duì)模型的結(jié)構(gòu)無(wú)要求，本文采取超超臨界機(jī)組負(fù)荷控制模型[1]作為預(yù)測(cè)模型。

(2) 確定算法結(jié)構(gòu)參數(shù)：確定預(yù)測(cè)時(shí)域長(zhǎng)度Np，控制時(shí)域長(zhǎng)度Nu，目標(biāo)函數(shù)式(5)中的加權(quán)系數(shù)λ和γ，以及免疫優(yōu)化算法的各參數(shù)值(L,Pc,Pm,Ngen,Nm,θ,λ,μ,n,Pmax,a,dmax,len)；其中l(wèi)en為最優(yōu)解對(duì)應(yīng)的各元素的二進(jìn)制串長(zhǎng)度。

(3)讀取控制量的幅值約束ujmin和ujmax和控制量的變化速率約束Δujmax。

(4)獲得當(dāng)前狀態(tài)變量和控制量：x1(t-1),x2(t-1),x3(t-1),u1(t-1),u2(t-1),u3(t-1)。

(5)在前一時(shí)刻控制作用u(t-1)滿足幅值約束和變化速率約束的范圍內(nèi)，根據(jù)式(3)和式(4)確定當(dāng)前時(shí)刻的抗體種群，并用記憶細(xì)胞更新此種群。

(6)以目標(biāo)函數(shù)式(5)作為抗原，計(jì)算抗原親和力，并用改進(jìn)的免疫遺傳算法進(jìn)行在線優(yōu)化，求出當(dāng)前t時(shí)刻的最優(yōu)控制序列{u*(t+k),k=0,1,…,Nu-1}。

(7)將u*(t)作用于被控對(duì)象得到系統(tǒng)的輸出。

(8)返回步驟(4)進(jìn)行下一個(gè)采樣周期的計(jì)算。

3 超超臨界直流機(jī)組負(fù)荷非線性預(yù)測(cè)控制

在工程實(shí)踐中，因要避免熱力設(shè)備受到熱沖擊和防止主汽壓力超出允許范圍，控制算法融入控制量幅值和變化速率的約束，可設(shè)計(jì)出高效實(shí)用的控制器。此負(fù)荷控制的對(duì)象取自超超臨界機(jī)組負(fù)荷控制模型[1]，為便于控制器設(shè)計(jì)，對(duì)象延遲τ=36 s，則采樣周期為T=9 s，N0=5，預(yù)測(cè)控制參數(shù)的選?。篘p和Nu的增減對(duì)控制效果有著互補(bǔ)的作用，即Np的增加與Nu的減少對(duì)控制效果影響相同，反之亦然；因在低維解空間，可提高算法尋優(yōu)精度且實(shí)現(xiàn)簡(jiǎn)單，綜合考慮則令Np=8，Nu=1；目標(biāo)函數(shù)式(5)中加權(quán)系數(shù)，經(jīng)反復(fù)試湊，取γ(1)=0.5，γ(2)=0.005，γ(3)=0.150，λ(1)=λ(2)=λ(3)=1，柔化系數(shù)alfa=0.1。優(yōu)化算法中的參數(shù)：種群規(guī)模L=30，最大迭代次數(shù)Ngen=30，交叉概率Pc=0.8，變異概率Pm=0.1，記憶細(xì)胞數(shù)目Nm=10，二進(jìn)制數(shù)長(zhǎng)度len=[12 12 12]；輸入幅值區(qū)間[min_uB, min_Dfw, min_ut]=[40 380 0.2]，[max_uB,max_Dfw,max_ut]=[120 850 1]；最大變化速率為[Δumax_uB, Δumax_Dfw, Δumax_ut] = [0.6 3.8 0.05]；工業(yè)過(guò)程中大多采用PID控制，所以本文采用預(yù)測(cè)控制與PID控制方法進(jìn)行對(duì)比。仿真試驗(yàn)具體如下。

3.1 負(fù)荷階躍擾動(dòng)試驗(yàn)仿真

分別作在600 MW穩(wěn)定工況下，階躍上升20 MW和1 000 MW穩(wěn)定工況下降20 MW的階躍擾動(dòng)試驗(yàn)。

圖4～圖7顯示算法控制效果。

圖4 600 MW工況升負(fù)荷階躍擾動(dòng)，非線性預(yù)測(cè)控制方法控制曲線

圖5 600 MW工況升負(fù)荷階躍擾動(dòng)，PID控制曲線

圖6 1 000 MW工況降負(fù)荷階躍擾動(dòng)，非線性預(yù)測(cè)控制方法控制曲線

圖7 1 000 MW工況降負(fù)荷階躍擾動(dòng)，PID控制曲線

由圖4至圖6所示，本文的控制算法跟蹤速度較快，無(wú)超調(diào)，調(diào)節(jié)時(shí)間短，并且主蒸汽壓力和汽水分離器焓值變化幅值較小，過(guò)渡時(shí)間短，利于機(jī)組安全穩(wěn)定運(yùn)行，與PID控制方法相比，此非線性控制方法具有良好的控制品質(zhì)。

3.2 大范圍升降負(fù)荷擾動(dòng)試驗(yàn)仿真

實(shí)際機(jī)組升降負(fù)荷的負(fù)荷指令是采用斜坡信號(hào)，為了進(jìn)一步驗(yàn)證此控制方法的負(fù)荷適應(yīng)性，給工程應(yīng)用提供借鑒，分別作300 MW大范圍升降負(fù)荷試驗(yàn)：

(1) 降負(fù)荷。機(jī)組由1 000 MW穩(wěn)定運(yùn)行工況，以2%/min的速率降至700 MW穩(wěn)定工況。

(2) 升負(fù)荷。機(jī)組由600 MW穩(wěn)定運(yùn)行工況，以2%/min的速率升至900 MW穩(wěn)定工況。

圖8～圖11顯示本文方法與PID方法的閉環(huán)控制效果。

圖8 1 000 MW工況斜坡降負(fù)荷擾動(dòng)，非線性預(yù)測(cè)控制方法控制曲線

圖9 1 000 MW工況斜坡降負(fù)荷擾動(dòng)，PID控制曲線

圖10 600 MW工況斜坡升負(fù)荷擾動(dòng)，非線性預(yù)測(cè)控制方法控制曲線

圖11 600 MW工況斜坡升負(fù)荷擾動(dòng)，PID控制曲線

由圖8～圖11所示，非線性預(yù)測(cè)控制方法可以很好地跟蹤負(fù)荷指令，PID控制在負(fù)荷階躍響應(yīng)和斜坡響應(yīng)，控制參數(shù)需要重新整定，控制時(shí)間長(zhǎng)，而非線性優(yōu)化預(yù)測(cè)控制則不需要整定參數(shù)，控制時(shí)間短，曲線超調(diào)小，控制效果更好，所以此非線性預(yù)測(cè)控制方法能滿足單元機(jī)組大范圍變工況控制的要求，可以為工程應(yīng)用提供借鑒。

3.3 分析與討論

(1)600 MW穩(wěn)定工況升負(fù)荷階躍擾動(dòng)。負(fù)荷指令階躍增大20 MW，首先汽輪機(jī)調(diào)門開度立即上升，通過(guò)釋放機(jī)組蓄熱來(lái)提高機(jī)組負(fù)荷響應(yīng)；隨即燃料量指令增加，由于燃料側(cè)延遲和機(jī)組慣性，經(jīng)過(guò)一定的過(guò)渡時(shí)間，使得機(jī)組功率穩(wěn)定在負(fù)荷設(shè)定值上；為了穩(wěn)定汽水分離器焓值，給水流量隨即增加，便于過(guò)熱汽溫和主蒸汽壓力的控制。由于利用汽輪機(jī)調(diào)門開度增大來(lái)提高負(fù)荷響應(yīng)，通流面積增大，主蒸汽壓力便立即下降；由于汽水蓄熱的釋放，汽水分離器焓值降低，隨著入爐煤量和給水流量的增加，主蒸汽壓力和汽水分離器焓值逐漸恢復(fù)到初始值上；動(dòng)態(tài)過(guò)程符合實(shí)際機(jī)組運(yùn)行，也證實(shí)所建負(fù)荷控制模型本質(zhì)上是正確的。

(2)1 000 MW穩(wěn)定工況降負(fù)荷階躍擾動(dòng)。負(fù)荷指令階躍降低20 MW，首先汽輪機(jī)調(diào)門開度階躍降低，工質(zhì)通流面積減小，主汽壓力增大，工質(zhì)蓄熱增大，使得進(jìn)入汽輪機(jī)的工質(zhì)所攜帶的能量減少；隨即燃料量指令降低減少入爐煤量，使得負(fù)荷穩(wěn)定在負(fù)荷設(shè)定值上。為保證一定的煤水比，給水流量隨即下降。由于工質(zhì)蓄熱上升，汽水分離器焓值上升，經(jīng)短暫調(diào)整，壓力和焓值穩(wěn)定在初始水平上。

(3)1 000 MW穩(wěn)定工況斜坡大范圍降負(fù)荷。負(fù)荷指令和主蒸汽壓力指令斜坡下降，汽輪機(jī)調(diào)門開度逐漸下降，來(lái)跟蹤負(fù)荷指令，因工質(zhì)通流面積減少，使得主汽壓力大于設(shè)定值，也因壓力不穩(wěn)，汽水分離器焓值在設(shè)定值附近上下波動(dòng)。利用汽輪機(jī)調(diào)門開度來(lái)增加負(fù)荷響應(yīng)速度，是協(xié)調(diào)控制的基本原則之一，功率可以很好地跟蹤設(shè)定值，主蒸汽壓力和汽水分離器焓值的波動(dòng)在安全范圍內(nèi)，所以基于免疫優(yōu)化的非線性預(yù)測(cè)控制方法具有良好的控制效果。

(4)600 MW工況斜坡大范圍升負(fù)荷。負(fù)荷和主蒸汽壓力指令斜坡上升，汽輪機(jī)調(diào)門開度逐漸增大以釋放蓄熱來(lái)跟蹤負(fù)荷指令，通流面積增大，主蒸汽壓力便小于設(shè)定值，汽水分離器焓值也產(chǎn)生波動(dòng)，隨著負(fù)荷上升結(jié)束，經(jīng)控制量調(diào)整，機(jī)組輸出穩(wěn)定在設(shè)定值上，說(shuō)明此優(yōu)化算法具有滿意的優(yōu)化求解能力。

4 結(jié)語(yǔ)

本文提出的非線性優(yōu)化預(yù)測(cè)控制在處理大慣性、延遲對(duì)象上取得很好的控制效果，可通過(guò)特殊的種群生成機(jī)制，消除對(duì)象延遲對(duì)控制效果的影響。將負(fù)荷控制模型作為預(yù)測(cè)模型，能夠使優(yōu)化

算法在采樣周期內(nèi)，對(duì)目標(biāo)函數(shù)進(jìn)行有限時(shí)域優(yōu)化，獲得優(yōu)秀的控制序列，并給出當(dāng)前最優(yōu)控制量。此控制方法可有效地解決控制量幅值和變化速率受限問(wèn)題。通過(guò)算法尋優(yōu)，確定當(dāng)代最優(yōu)抗體，更新記憶細(xì)胞，使得優(yōu)秀抗體逐代保留，并采用二進(jìn)制編碼進(jìn)行種群繁殖，以提高算法的尋優(yōu)能力和速度。對(duì)超超臨界機(jī)組負(fù)荷控制模型進(jìn)行仿真，結(jié)果表明：仿真輸出可很好地跟蹤設(shè)定值曲線，系統(tǒng)具有滿意的動(dòng)態(tài)性能，為超超臨界機(jī)組負(fù)荷控制提供一個(gè)新的途徑。