先进控制算法在热工控制中的关键问题研究

郝勇生，于 冲，吴 波

（南京南瑞继保电气有限公司，南京211102）

目前，国内大型火电机组的自动控制系统均采用集散控制系统（DCS）来实现，不论是国内自主生产，还是从国外引进的控制系统，仍以常规的控制策略为主，如PID控制、前馈控制等。然而热工过程被控对象往往具有大滞后、时变、非线性等特点，采用常规的控制策略难以取得理想的控制效果。许多关键的控制系统，如机炉协调控制系统、再热汽温控制系统，均未能取得良好的控制品质。因此研究适用于热工过程的先进控制（APC）算法，进一步完善和优化现有的控制系统，对火电机组的安全、经济运行具有重要的意义，这也是今后热工自动化领域研究的热点。

针对热工过程被控对象的特点，目前已有多种APC算法被提出，如状态变量控制算法［1］、相位补偿算法［2］、自适应控制算法［3］、预测控制算法［4］等。这些控制算法为系统控制品质的提升提供了有力的理论依据。然而由于算法的复杂性，目前这些APC算法还难以用组态的形式在DCS内部实现，需要借助相应的系统开发平台来完成算法的功能。在具体实现的过程中，有关系统平台的选择、主控算法的开发、系统之间跟踪切换逻辑等方面还有很多问题需要研究。本文以预测控制为例，针对其中的关键问题进行介绍和分析，并探讨相应的解决方案。

1 系统平台选择

APC算法与传统PID控制算法相比，主要的特点和不同之处在于：APC算法是一种基于对象模型的控制算法，包含了模型辨识、输出预测等过程。另外，APC算法通常还要处理复杂的优化计算问题，如滚动优化、变量约束处理、非线性问题处理等，因此实现的难度必然增大［5］。在DCS系统中，除非厂家专门开发，APC算法还难以用现有的函数模块库组态实现。从成功的应用范例来看，采用带有通用接口的独立系统开发平台是解决这一问题的有效途径。目前常用的系统平台有两类：一类是基于外接控制器模式的优化系统，如西门子公司的PROFI系统［6］，国产 的INFIT 系 统［7］，这 类 系 统 在 硬 件上以可编程控制器（PLC）为代表，将APC控制系统作为一个扩展的控制器接入DCS中，其特点是系统实时性和可靠性好；另一类是基于上位机优化模式的系统，如Foxboro公司的Connoisseur系统［8］，Honeywell公司的 Profit RMPCT系统［9］，这类系统在硬件上采用工控机或服务器，以上位机的形式将APC系统的优化控制指令发送至DCS控制器。与前一类系统相比，该系统的优点是结构灵活、维护简单、设备通用性好；缺点是上位机与DCS之间的通信环节较为复杂。在具体工程应用时，无论选择哪种模式，以下问题都应当考虑：（1）系统平台的稳定性，即系统的软、硬件能够安全稳定地运行，可靠性要求与DCS接近或相当；（2）软件开发支撑能力，即系统平台本身应提供较强的开发环境去实现APC算法；（3）接口的通用性，即系统需要提供通用的接口通信方式，从而实现与现有绝大部分DCS系统的连接。满足以上三点要求，是APC系统能够成功实施的必要条件。

2 APC系统在开发时应注意的问题

2.1 对象模型的建立

APC算法是基于对象模型的控制算法，广义预测控制（GPC）算法就是最典型的代表。对于大滞后的被控过程，预测控制是一种非常有效的控制方法，因为预测控制不仅是根据被调量的当时值进行控制的，而且根据被调量在未来一段时间内的预测值进行控制。因此控制作用可以提前一段时间动作，这对大滞后被控过程的控制是至关重要的。预测控制有三个基本特征：预测模型、反馈校正和滚动优化，其算法结构见图1。

图1 预测控制算法结构

为了对机组特性有清晰了解，满足算法开发、调试的要求，需要对机组的动态特性进行试验，以获取对象的模型。由于热工过程被控对象通常具有多变量耦合、大滞后、非线性等特点，在进行对象特性试验时，应充分考虑到上述因素的影响。首先要对被控对象的结构进行分析，确定对象的控制变量、被控变量和主要的扰动量。考虑到对象的非线性，特性试验应在不同的负荷下分别进行，并且应注意到对象上行特性和下行特性的不同，在进行阶跃响应试验时，应先使控制变量阶跃增大，待被控变量稳定后，再使控制变量阶跃减小，以全面反映对象的特性。而在对象模型辨识时，模型阶次不宜过高，以避免复杂的计算。试验表明：预测控制对建模误差具有一定的适应性，可选择一个低阶控制器去控制高阶对象［10］。

2.2 主控算法的开发

针对上述预测控制算法的结构和特点，在开发预测控制主控程序时，需要注意以下问题。

2.2.1 算法的计算量和实时性问题

预测算法复杂，计算量大，需要在每个采样周期内计算模型预测输出、利用反馈进行输出预测校正、根据性能指标在线滚动优化求解等。这么大的计算量对算法的实时性是不利的。因此，如何对预测控制算法进行简化，减少实时计算量是拓展其应用范围并走上工程化的重要环节。文献［11］指出了对预测控制进行简化的途径，包括简化或者避开Diophantine方程的求解，采用快速算法对矩阵求逆，针对算法中的目标函数和约束条件，采用分层优化、次优化或者最近边界值代替，以及推导特定形式的预测控制算法结构等。

2.2.2 被控对象非线性问题的处理

很多热工过程被控对象都有非线性的特点，在不同的负荷下，对象所表现出来的动态特性也不同。基于单个线性模型的预测控制很难达到全工况最优控制的要求，应采用基于对象整体非线性模型的全局非线性优化控制算法。为了实现对非线性对象的特性描述和优化控制，常用的方法有以下几类［12］：（1）基于机理模型的非线性预测控制，此类方法要求对被控对象有深入了解，机理模型建立的难度高，计算量大，难以用于实时控制；（2）基于实验模型的非线性预测控制，如 Wiener模型、Hammerstein模型，这类方法的优点是精度较高，但对于非线性参数的子集模型辨识有一定困难；（3）基于智能模型的非线性预测控制，如神经网络模型，这类方法能够有效地处理系统变量约束和强非线性，但在模型训练的收敛问题、算法的实时性和稳定性方面尚存在不少问题［13］；（4）基于线性化方法的预测控制，如多模型方法。这类方法在不同的工况附近用不同的局部线性模型描述非线性对象，在整个工作范围内利用多个线性模型的协调处理来逼近非线性过程，实现系统大范围的优化控制。它把全局非线性优化问题转化成为每个运算周期内的线性优化问题，理解和实施起来较为简单，其关键之处在于局部模型的选取和切换准确性，从而能够使得整个控制过程平稳进行，保证系统的稳定性和鲁棒性。该类方法比较适用于热工对象，因为局部模型的获取较为容易，且不需要太多的局部模型即可反映出对象整体的特性［14］，因而在热工控制中可以优先考虑。

2.2.3 闭环系统的稳定性问题

由于热工对象的纯滞后、非线性、时变等特性，使得预测控制算法在稳定性方面的分析难度增大。通常预测控制的预测时域是有限的，然而算法在有限时域内的最优化求解并不能保证整个闭环系统的稳定性［15］。稳定预测控制算法的基本思想有两种：一种是无限时域内的预测控制，即为了保证系统稳定，将有限的预测时域延伸至无限，但对于工程应用而言，该方法对模型精度要求很高，无限时域内的非线性优化求解也较为复杂，难以用于实时控制；另一种常用的方法是在优化问题中加入稳定性约束，如终端约束、收缩约束等，这些都是为了获得稳定的闭环系统而附加的状态约束条件。这些条件使得优化问题的求解范围变小，可能会导致一些不利的影响，如在线优化计算量增大、控制性能下降等，使得系统的最终控制效果达不到预期要求。总结以上的讨论可以看出：预测控制在算法的实时性、非线性处理、稳定性等方面存在着相互影响和相互矛盾的特点。因此，如何权衡处理，研究适合工程使用的简化稳定预测控制算法，是一个重要的方向。

2.2.4 算法中各参数的整定

参数如何整定也是控制系统能否取得良好效果的决定因素之一。预测控制算法中需要整定的参数较多，包括预测时域长度P、控制时域长度M、控制量加权系数λ、柔化系数α等。对于这些参数的整定，目前尚缺乏类似于PID那样明确的整定准则，只能给出大致的影响趋势。文献［16］针对热工过程中的大量多容惯性对象，指出预测时域长度P应包含对象的主要特性，如时滞、非最小相位特性，增大P，将增加系统的衰减率；控制时域长度M对动态效果影响较小，取较小的M值即可满足要求；加权系数λ主要影响控制增量的变化，λ增加，控制作用会变得平缓；而柔化系数α则对系统的快速性和稳定性都产生影响，α越小，系统动态响应越迅速，但越容易变得振荡。由于预测控制的参数整定存在一定的难度和不确定性，因此在工程应用之前，为保证控制效果，减少现场调试时间，前期大量的仿真试验是必要的。

3 APC系统与DCS的连接

为保证APC系统能够安全、平稳地实现，使得APC系统能够很好地融入现有的DCS中，除了保证系统软硬件、通信及主控算法的可靠性以外，针对系统之间连接，应做好相应的接口逻辑。考虑到正常情况下控制算法之间切换以及非正常情况的检测和处理，具体实施时应注意以下几点。

3.1 系统之间的接口逻辑

APC系统应与DCS中的常规控制系统共存，两者既相互独立，又可灵活选择。一种合理的处理方式是，在DCS的控制通道中增加相应接口逻辑，使得APC系统控制指令可以与DCS中常规控制系统的指令相互切换。这样做的好处有：一是无需改变DCS中的控制策略，运行人员可以在两者之间进行选择和切换，增加了系统的灵活性；二是非正常情况下，如APC系统故障时，系统可自动切至DCS控制，保证了控制系统的安全性。

3.2 算法之间的跟踪和无扰切换

为了实现两套控制系统之间的无扰切换，要求做好指令的跟踪逻辑，其基本原则是：切手动控制时，DCS控制指令和APC控制指令均跟踪手动指令；投自动且为DCS控制方式时，APC控制指令跟踪DCS控制指令；投自动且为APC控制时，DCS控制指令跟踪APC控制指令。这样，在控制系统之间的切换就可以平稳进行，不会产生指令的突变。

3.3 非正常情况的检测和判断

非正常情况可分为两大类：第一类是系统平台软硬件、通信类故障，这种情况可能导致APC的控制指令无法正确计算和发送；第二类是异常工况，如被调量等关键参数的超限或突变等，这时应退出自动。针对这两类情况，本文给出了如图2所示的原则性判断和切换逻辑。

图2 判断和切换逻辑

图2中KEYBOARD模块用于APC系统在正常情况下的投切。来自APC系统的周期脉冲波用于检测和判断第一类故障，延时置位定时器TD＿ON的延迟时间应略大于脉冲波周期，若两个TD＿ON模块中有一个输出为1，则证明脉冲中断，从而可以反映出系统发生软硬件或通信类故障，这时RS触发器复位，APC系统退出。通过对APC和DCS中的关键参数进行实时监视，判断这些参数是否异常，从而判断是否发生了第二类故障，若有参数异常，则发出请求APC系统退出指令，切至DCS控制。通过对以上原则性逻辑的扩展和完善，可保证整个系统平稳、安全地运行。

4 结语

热工过程被控对象由于其大滞后、时变、非线性等特性，采用DCS常规控制策略难以满足越来越高的控制品质要求。开发基于APC算法的新型系统，突破传统控制思想，是今后热工自动化领域的重要发展方向，具有广阔的市场前景。笔者以预测控制为例，针对APC系统在平台选择、算法开发、切换逻辑等方面的关键问题进行了分析和研究，并提出了一些意见和结论。这些结论具有一定的通用性，其思路可以推广至其他APC算法，为APC系统的工程实现打下了基础。

由于算法的复杂性，目前APC系统还未能在现场大规模推广实施，在算法的实时性、模型的非线性处理、闭环系统的稳定性以及参数的优化整定等方面，需要进一步研究。

［1］刘吉臻，王淼鑫，郝祖龙.基于H∞的锅炉再热汽温状态变量的控制［J］.动力工程，2009，29（12）：1105-1109，1122.

［2］孙磊，吕剑虹，魏静.大型火电机组自动发电控制优化控制策略的研究［J］.江苏电机工程，2008，27（1）：5-8.

［3］Andreescu G D，Antal R，Dan A M.Multivariable adaptive control with hardware-in-the-loop for a drum-type boiler-turbine system［C］.／／19th Mediterranean Conference on Control ＆ Automation.Romania，2011：898-903.

［4］Karampoorian H R.Generalized model predictive control for multivariable boiler-turbine unit［C］.／／11th International Conference on Control，Automation and System.Iran，2011：811-814.

［5］王跃宣.先进控制策略与软件实现及应用研究［D］.浙江：浙江大学，2003.

［6］尹娜，吴斌蕾.西门子PROFI优化控制软件调试与应用［J］.电力科学与工程，2010，26（10）：68-70.

［7］张志勇，陈钢，邱文超.基于现代控制技术的AGC实时优化控制系统及其应用［J］.华东电力，2011，39（1）：153-156.

［8］VanDoren V J.Techniques for adaptive control［M］.USA：Elsevier Science，2003：88-96.

［9］Torgashov A Y，Park K C，Kang N S，et al.Optimizing robust model predictive control of industrial reactive stripping process system［J］.Computer Aided Chemical Engineering，2003（18）：829-834.

［10］陈增强，刘瑞华，袁著祉，等.预测控制应用于工业过程的若干问题［J］.自动化与仪器仪表，1994（1）：1-6，62-63.

［11］李奇安 .广义预测控制算法简化实现方法研究［D］.浙江：浙江大学，2005.

［12］陈虹，刘志远，解小华 .非线性模型预测控制的现状与问题［J］.控制与决策，2001，16（4）：385-391.

［13］Hui P，Yang Z J，Gui W H.Nonlinear system modeling and robust predictive control based on RBF-ARX model［J］.Engineering Applications of Artificial Intelligence，2007，20（1）：1-9.

［14］岳俊红.复杂工业过程多模型预测控制策略及其应用研究［D］.北京：华北电力大学，2007.

［15］Chen Wenhua.Stability analysis of classic finite horizon model predictive control［J］.International Journal of Control Automation and Systems，2010，8（2）：187-197.

［16］吕剑虹，陈来九.预测控制在热工控制中的应用前景［J］.动力工程，1997，17（2）：12-15，6.