单元机组协调控制系统研究进展

刘保瑞，安惠欣，崔锐，陈立军

(1.东北电力大学自动化工程学院吉林，吉林132012;2.中国航天空气动力研究院，北京100074)

火电单元机组是具有强耦合、非线性、大惯性、参数时变和不确定因素的典型复杂热工系统。单元机组协调控制系统把动态特性存在很大差异的锅炉和汽轮机作为一个整体进行综合控制，使其同时按照电网负荷需求指令和内部主要运行参数的偏差要求协调运行。目前大多数电厂采用的是基于PID控制算法结合前馈补偿、串级控制等策略的CCS常规控制方案，但是无法保证长期稳定投入运行。遇到复杂的工况时，需要人工操作和监督控制，导致机组的运行参数严重偏离经济指标，造成大量的能源浪费，增加了设备损耗。随着控制理论的飞速发展，人们对机组控制对象和控制策略进行了更加深入广泛的研究，并提出了很多改进方法和新的控制策略。

本文对单元机组协调控制系统的模型和控制策略进行了总结，对其发展现状和前景进行了分析，为进一步研究单元机组协调控制系统提供参考。

1 单元机组被控对象的数学模型

单元机组被控对象的数学模型是单元机组协调控制系统设计的基础，研究单元机组协调控制系统，首先就要找到一种合适的数学模型作为研究对象，它必须是正确的反映出单元机组中各子系统动态特性和耦合关系，同时要求结构相对简单和公认可行的。以下是几种比较典型的协调控制系统模型，在理论研究和实际工作中被广泛的引用。

1.1 机理/实验建立的数学模型

Bell和Astrom于20世纪80年代给出了一个低阶非线性数学模型，该模型建立是基于P16/G16汽包式燃油机组的协调控制对象，并且得到了实际验证。该建模方法对现有的大型机组建模具有一定的参考价值。到了20世纪90年代初，De Mello提出了一种为大型单元机组协调控制研究使用的非线性数学模型，该模型从物质平衡和能量平衡的视角出发，对其在锅炉汽轮机中流动转化的过程做了详细的描述。并且可以对其他相似结构的单元机组具有指导意义，因此目前国内大多数单元机组协调控制研究都把该模型当成基础。Cheres模型是一种适合动态特性研究的非线性模型，通过对不同型号的机组上应用证明了该模型具有良好的辨识效果和优良的适应性。

1.2 智能方法建立的数学模型

随着人工智能的发展，越来越多的学者和工程人员开始把目光转移到智能算法方面，通过对单元机组协调控制系统各项特性进行分析，结合现场数据辨识出单元机组协调控制系统模型，比如模糊建模和神经网络建模等智能算法的研究已经取得了很大的成效。模糊建模法是通过已知的输入输出测量数据构建模糊模型的方法及算法。Takagi和Sugeno于1985年提出的Takagi-Sugeno模糊模型在控制领域中被广泛应用，目前基于T-S模糊模型的辨识算法已有大量的文献对其进行了研究。人工神经网络建模法是以其特有的表达任意非线性映射能力进行非线性系统建模和辨识。许多经典的控制方法如神经网络模型参考自适应控制、神经网络预测控制等已经推广到神经网络控制领域，这些控制网络的模型可以由神经网络模型充当。

2 单元机组协调控制系统控制策略

上世纪70年代，国外的大型单元机组突破了传统的炉跟机或机跟炉模式，开始采用协调控制系统。到80年代末，协调控制系统基本上得到了成熟的应用。而我国直到90年代初期才在少量进口机组上应用协调控制系统。随着DCS的引进应用及国产DCS的研制开发，90年代末期，在我国200 MW以上机组已得到大范围地应用，大大提高了火电机组的自动化水平和生产管理水平。进入了21世纪，协调控制系统又得到了进一步的发展，突破了经典PID算法，引入了先进控制理论和智能控制理论的内容。本文按照控制理论在单元机组协调控制系统中的发展应用将其划分为:基于线性系统理论、基于非线性系统理论和基于智能化方法等三方面的研究。

2.1 基于线性系统理论的研究

三个方面的研究中，以线性系统理论为基础的研究相对更加成熟，应用也更加广泛。比较具有代表性的研究方向是PID控制、多变量解耦、鲁棒控制和预测控制等。

2.1.1 改进的PID控制

目前国内大多数电厂实际使用的仍是结构简单，方便操作具有较强鲁棒性的PID控制。固定参数型的PID参数主要依靠试凑和经验，很难适应具有大惯性，延迟和非线性等特征的控制对象，各种自整定方法和优化设计技术便顺应而生，将现代控制和智能控制相结合的混合控制方法对PID参数进行改进，性能得到不同程度的提升。文献［1］采用分段与变参数等控制，大大提高了机组的升、降负荷速率和机组对外界负荷响应能力，有效抑制了主蒸汽压力的超调;吴国垣等［2］在对控制系统分析的基础上，通过适当的预补偿，提出一种分散PID整定方法，仿真结果表明对外部扰动有着很好的适应性和鲁棒性;文献［3］将遗传算法运用于多变量PID控制其参数全局优化，并对某300 MW机组的控制参数进行优化，其控制品质得到明显提升;程启明等［4］将多变量PID型神经元网络控制策略应用于单元机组负荷控制系统，并通过仿真证明其有良好的鲁棒性与解耦性;王小兰等［5］则利用模糊控制与免疫系统，提出一种模糊免疫自适应PID控制器，仿真结果表明其具有更小超调，更快的响应速率和更强的抗干扰。

2.1.2 多变量解耦控制

针对单元机组耦合性较强的特性，许多学者尝试通过一些先进控制策略，将多输入、多输出系统解耦，使之成为多个单输入单输出系统。多变量解耦是先进控制理论中的传统方法，并在工业领域得到广泛的应用。郑亚峰等［6］在机组原有的协调控制系统中增加多变量解耦控制器，进而设计出多变量协调控制系统，结果证明了多变量智能协调控制系统的有效性和实用性;陈彦桥等［7］首先建立协调控制系统的非线性模型，并在3个工况点下线性化，设计了多变量动态解耦控制器，然后用T-S模糊模型合成出模糊多模型全局控制系统，仿真研究结果证明了这种新型协调控制系统的有效性;文献［8］结合自整定和自适应技术，提出了智能解耦的控制策略，并将其应用于300 MW机组仿真研究中，取得了很好的仿真效果。

2.1.3鲁棒控制

为了保证控制系统在单元机组模型不确定性较大时仍能保持较好的控制性能，鲁棒控制方法被应用到协调控制系统的设计中，它是一种力求把不同的工况点上协调控制系统的稳定性尽可能提高的设计方法。通过大量实践证明通过该方法得到的控制系统表现出了很好的调节能力。文献［9］针对锅炉—汽轮机模型进行鲁棒控制器设计，并最终把设计出的多变量H∞控制器推导成可以用PID控制器实现的形式，增强了鲁棒控制系统的实用性。席东民等［10］把广义预测控制和鲁棒控制相结合，提出一种鲁棒广义预测控制器的设计方法，将其应用于单元机组的协调控制系统，仿真结果证明了该算法的有效性。

2.1.4 预测控制

预测控制一般包括基于模型、滚动优化和反馈校正三个部分。其最大优势在于能够采用滚动优化的策略，根据运行情况进行实时修正，其中广义预测控制(GPC)常用于多变量系统的设计。GPC不要求对模型结构有先验的知识，不必通过复杂的辨识过程便可设计控制系统。通过反馈校正消除控制系统的稳态偏差，从而增强了算法的适用性和鲁棒性。王文兰等对广义预测控制进行了深入的研究，首先采用了广义预测控制算法，将其应用于火电厂单元机组的协调控制系统进行仿真研究，仿真结果表明该算法是有效的，对被控对象的不确定性具有良好的适应性和鲁棒性［11］;其后采用多变量解耦广义预测控制策略为其设计了控制系统，仿真实验结果表明控制效果明显优于普通广义预测［12］;凌呼君等［13］则采用基于遗传算法和RBF网络结合的算法建模，并结合广义预测控制策略，经过在线滚动优化和反馈校正，实现预测控制，仿真结果表明具有很强的鲁棒性。

2.2 基于非线性系统理论的研究

单元机组被控对象本质上是非线性的，因此从理论上讲非线性控制的方法能从根本上解决系统大范围、全工况优化运行的问题。相关研究包括:反馈线性化方法、反步设计方法、多模型方法等。但该方面还仅限于理论研究，其实用性有待进一步探讨，这些研究为协调控制系统的进一步发展提供了理论储备，具有广阔的发展前景。

2.2.1 反馈线性化

反馈线性化是非线性理论中的经典方法。该方法的优点在于:可以把一个非线性问题当成线性问题去研究。文献［14］利用反馈线性化方法设计了锅炉—汽轮机系统的极点配置控制，将系统线性化，使其在较大范围内可很好地运行，且具有较好的响应速度和较强的抗干扰能力。房方等［15］将反馈线性化方法与内模控制结构相结合，利用内模结构具有的原理简单、抗干扰能力强的特点，提高系统的鲁棒性和动态性能，仿真实验取得了很好地效果。

2.2.2 反步设计方法

反步设计法的设计方式由前往后递推。可大大减少在线计算时间，在设计不确定系统的鲁棒或自适应控制器方面已经显示出优越性。文献［16］尝试应用反步法设计出非线性控制律。变参数采用锅炉时间常数，仿真实验证明了该控制器的全局适应性。

2.2.3 多模型及增益调度方法

这种方法能提高非线性系统控制品质，是线性系统理论和非线性系统理论的折衷。其原理是将非线性系统在各操作点线性化，设计适合的线性控制器，并组合在一起，实现被控对象的全局优化控制。文献［17］在单元机组非线性模型的五个典型工作点辨识出局部线性化模型，应用动态解耦的方法设计各工作点的PID控制器，以负荷和压力信号作为调度变量，以模糊隶属度函数生成调度规则，综合构成协调系统的全局控制器。实验结果证明了其全局稳定性。

2.3 基于智能化方法的研究

把智能化方法应用到单元机组协调控制系统中对其进行智能控制是目前研究的热点问题。智能控制能够模仿人的智能行为，多学科相结合并利用计算机技术实现的一门技术科学。智能化方法的应用通常基于两方面的考虑:一方面借助智能化方法，将运行经验或者一定的分析决策能力融入到常规控制系统中，用以优化系统的整体性能;另一方面，发挥智能化方法对于模型误差或未知干扰具有较强鲁棒性的优势，提高协调控制系统的适应性。

2.3.1 模糊控制

由于机组具有很强的耦合性和复杂的工况，难以建立精确的数学模型，而模糊控制无须建立精确的模型，对被控对象的时变性和非线性具有一定的适应能力，目前广泛应用在单元机组协调控制系统研究中。陈彦桥等［18］采用了一种PID型模糊控制器，为了使控制器具有自学习功能，提出了包含一个自回归神经元的5层模糊神经网络，给出了它各层权值的梯度下降修正算法，仿真研究证明了这种模糊神经网络控制器可以克服对象的时变性和随机性。文献［19］设计了一种传统多变量解耦方法与模糊自适应PID结合的协调控制器，在解耦后利用模糊自适应PID整定参数，得到模糊自适应PID协调控制器，仿真结果证明了其很好的控制效果;王景学［20］建立协调控制系统的T-S模型，并采用模糊C均值聚类算法辨识T-S模型的前提结构和参数，用递推最小二乘算法辨识结论参数，采用改进的在线辨识递推算法来修正离线辨识实时性差的缺点，研究辨识算法的跟踪性能，仿真验证了该算法具有较强的鲁棒性。

2.3.2 神经网络控制

神经网络是由大量的简单基本元件—神经元相互联接而成的，非线性映射、自适应与自组织能力使其具有较强的鲁棒性和容错性。文献［21］是将遗传算法与径向基函数相结合形成GA-RBF算法，作为预测模型，仿真结果表明了该方法的有效性;张建华等［22］利用BP神经网络对被控对象进行辨识，从而建立其动态模型，在这一模型的基础上对协调控制系统中的控制器参数优化进行研究，提出基于神经网络预测控制的协调控制策略，很好地解决了协调控制系统中强藕合、非线性等问题;杨丽［23］提出一种在BP神经网络的基础上的基于模型参考的神经网络PID控制器，仿真结果表明，该控制算法具有良好的控制品质;文献［24］利用神经网络来解决模糊规则的知识获取问题，其中神经网络通过五个局部线性控制器进行训练，仿真获得了良好的控制效果。

2.3.3 遗传算法

遗传算法是一种基于自然选择和遗传变异等生物进化机制的自适应全局优化概率搜索算法，主要用途是对控制参数的寻优和整定。谢谢等［25］提出了一种基于自适应遗传算法的多变量鲁棒PID控制器参数寻优方法，采用具有自适应交叉概率和变异概率的遗传算法寻优PID控制器参数，仿真结果表明，与传统遗传算法寻优所得PID控制器相比，具有良好的负荷跟随性和更优的鲁棒性;文献［26］利用实数编码自适应混合遗传算法对协调控制系统的PID控制器参数进行优化，得到目标函数的全局最优解，仿真结果表明该方法可使控制性能得到很大提高;梁杨［27］采用实数编码自适应遗传算法辨识出模型的相关参数，在典型工况下，采用遗传算法辨识出协调控制对象的静态解耦网络，再分别设计压力回路、功率回路和焓回路的控制器进行仿真研究，仿真结果表明效果良好，调节控制品质令人满意。

2.3.4 粒子群算法

粒子群算法是基于群智能的并行全局搜索策略，采用简单的速度－位置搜索模型实现对整个空间的寻优操作。赵巍巍［28］引入了具有量子行为的粒子群算法，并借鉴遗传算法中的变异机制，以自适应变异概率对个体进行变异，来增加种群的多样性，由此产生一种改进的PSO算法，然后将改进的PSO算法应用到PID控制器的参数优化整定过程中，仿真结果验证了该算法的有效性;文献［29］提出PSO-BP混合算法来对神经网络PID的权值进行优化，从而实现了对主汽温系统的动态PID控制。仿真结果表明，被控系统具有很好的抗干扰性能和较强的鲁棒性。

目前，几乎每一种先进的控制策略都被用于改善协调控制系统控制品质的研究。但是对于协调控制系统理论的研究远远超前于实际应用，在不断发展和完善理论研究的同时，如何把它们应用于实际工业过程已经成为学者们亟待解决的课题与难题，相信通过学者和工程技术人员的不懈努力，单元机组协调控制系统的研究必将取得更大的进步。

3 单元机组协调控制系统发展前景

单元机组协调控制系统发展过程中主要存在以下问题:

(1)高阶控制器及复杂控制算法的工程实现问题;

(2)过多的可调参数及参数物理意义不明晰问题;

(3)现场干扰及执行机构制约问题;

(4)协调控制系统具有的多变量强耦合，多变量相互关联和机组的非线性等复杂特性问题。针对以上问题，有两个研究方向。

3.1 复合(混合)型智能控制系统的应用

单一的控制策略已经不能满足大型机组的控制要求，学者和工程人员开始尝试研究新的控制方法以满足生产需要，把常规与智能，线性与非线性的优点充分发挥并结合起来，形成的这种复合(混合)型智能控制方法并逐步得到应用。

该方法一般分为2类:

(1)典型智能控制方法之间相互融合形成的复合控制方法;

(2)典型智能控制方法与常规或先进控制方法之间交叉综合形成的复合控制方法，实验证明具有广阔的应用前景。

3.2 非线性技术的应用

实际上单元机组协调控制系统是非线性的，长期以来把非线性系统的过程模型线性化，利用线性控制理论进行设计的方法不太适合高度非线性系统。近年来，越来越多的人开始研究非线性模型，如Bilinear模型、广义Hammerstein、Volterra模型等，如何把这些模型应用到单元机组协调控制系统中将是今后一个很好的研究方向。

4 结论

目前，单元机组协调控制系统仍以PID为主，智能控制策略应用于单元机组中的实例还很少见，大多处在仿真阶段。因此CCS的研究还需要深入研究和探讨，以期提高单元机组综合自动控制水平，向用户提供更高水平的电能质量，适应电网向大规模、经济性和稳定性的方向发展。

［1］施海平，金建新.提高协调控制系统调节品质的研究［J］.中国电力，1998，31(11):58－61.

［2］吴国垣，李东海，薛亚丽，等.机炉协调控的分散PID整定［J］.清华大学学报，2004，44(2):262－265.

［3］薛亚丽，李东海，吕崇德.基于遗传算法的机炉协调控制系统PID控制器优化［J］.热能动力工程，2006，21(1):80－87.

［4］程启明，郑勇.多变量PID型神经元网络控制系统及其在协调控制中的仿真研究［J］.华东电力，2007，35(11):55－58.

［5］王晓兰，徐小方，马呈霞，等.单元机组模糊免疫自适应PID控制器的设计［J］.工业仪表与自动化装置，2009(1):53－56.

［6］郑亚峰，陈西杰.多变量智能协调控制系统设计应用［J］.电力系统及其自动化学报，2011(1):145－148.

［7］陈彦桥，郑亚锋，刘吉臻，等.基于动态解耦的模糊多模型协调控制系统应用研究［J］.中国电机工程学报，2006(12):166－170.

［8］Liu H B，Li S Y.Intelligent decoupling control of power plant main steam pressure and power output［J］.Electrical Power and Energy System，2003，25(10):809－819.

［9］Tan W，Marquez H J，Chen T W.Multivariable Robust Controller Design for a Boiler System［J］.IEEE Transactions on Control Systems Technology，2002，10(5):735－742.

［10］席东民，凌呼君，王继昆.鲁棒广义预测控制在单元机组的协调控制［J］.控制工程，2005，7(12):327－330.

［11］凌呼君，王文兰，冯永祥.广义预测控制在火电厂单元机组协调控制中的研究［J］.浙江电力，2003(5):1－4.

［12］王文兰，马然，白雄怀.解耦广义预测控制(DGPC)在单元机组协调控制系统中的应用［J］.控制理论及应用，2009，31(3):17－19.

［13］凌呼君，李宁.GA-RBF神经网络GPC控制策略用于复杂系统鲁棒控制的研究［J］.内蒙古工业大学学报，2011，30(3):364－369.

［14］葛友，李春文.反馈先线性方法在锅炉—汽轮机系统控制中的应用［J］.清华大学学报，2001，41(7):125－128.

［15］房方，刘吉臻，谭文.单元机组协调系统的非线性内模控制［J］.中国电机工程学报，2004，24(4):195－199.

［16］Bolek W，sasidaek J，WisniewskiT.Adaptive backstepping control of a power plant station model［C］.IFAC 15th Triennial World Congress，2002:1650－1655.

［17］陈彦桥，刘吉臻，谭文.模糊多模型控制及其对500MW单元机组协调控制系统的仿真研究［J］.中国电机工程学报，2003，23(10):199－203.

［18］陈彦桥，王印松，刘吉臻，等.基于PID型模糊神经网络的火电站单元机组协调控制［J］.动力工程.2003，23(1):2219－2223.

［19］孙灵芳，任栋，陈瑶.模糊自适应PID在机组协调控制中的应用［J］.微计算机信息，2009，25(7－1):30－32.

［20］王景学.基于T-S模型的模糊预测控制在火电单元机组协调控制系统中的应用研究［D］.呼和浩特:内蒙古工业大学，2009.

［21］凌呼君，李宁.GA-RBF神经网络GPC控制策略用于复杂系统鲁棒控制的研究［J］.内蒙古工业大学学报，2011，30(3):364－369.

［22］张建华，董菲，侯国莲，等.基于神经网络预测控制的单元机组协调控制策略［J］.动力工程，2006，26(3):392－395.

［23］杨丽.神经网络PID在协调控制系统中的应用［D］.保定:华北电力大学(河北)，2006.

［24］Alturki F A，Abdennour A B.Neuro-fuzzy Control of a steam boiler-turbine unit［C］.Proceedings of International Conference on Control Applications，Hawaii，USA，1999:1050－1055.

［25］谢谢，刘吉臻，曾德亮，等.基于自适应遗传算法的协调控制系统优化［J］.热能动力工程，2011，26(4):432－434.

［26］朱小娟，高庆忠，宋福圣.基于自适应混合遗传算法的协调控制系统［J］.自动化与仪器仪表，2009(3):3－6.

［27］梁杨.基于遗传算法辨识的超超临界机组协调控制系统［D］.保定:华北电力大学，2011.

［28］赵巍巍.改进粒子群算法在火电厂主汽温控制系统中的应用［D］.保定:华北电力大学，2011.

［29］孙明.基于改进PSO的神经网络优化方法及其在热工系统中的应用［D］.保定:华北电力大学，2007.