基于神经网络预测模型和凝结水节流的超超临界机组协调系统智能优化控制

2017-09-03马良玉

动力工程学报 2017年8期

马良玉，成蕾，彭钢，尹喆

(1. 华北电力大学控制与计算机工程学院，河北保定 071003; 2. 北京四方继保自动化股份有限公司，北京 100085; 3. 国网河北省电力公司电力科学研究院, 石家庄 050021)

马良玉1，成蕾2，彭钢3，尹喆3

针对某1 000 MW超超临界机组，建立了具有较高精度和良好动态性能、考虑机组回热循环特性的机组负荷及主汽压力神经网络预测模型.在此基础上，提出了一种协调系统综合智能预测优化控制方法.该方法利用负荷及主汽压力预测模型在机组变负荷过程中分别对除氧器水位调门开度、汽轮机调门开度及燃料量指令进行实时优化，改善协调控制效果.借助1 000 MW超超临界机组仿真机，进行了详细的协调优化控制仿真试验.结果表明：该方法可有效提高机组动态过程负荷的响应速度和调节精度，大大减小变负荷过程中主汽压力的控制偏差，具有较好的工程实用性.

超超临界机组; 神经网络; 预测模型; 凝结水节流; 协调系统; 智能优化控制

受一次能源结构的制约，我国以燃煤为主的发电格局短期内难以改变.大容量超(超)临界机组因其循环效率高、污染排放低等优势，成为我国电网的主力机组.另一方面，生态环境恶化、大气污染等日益严峻的形势推动了风能、太阳能等新能源发电规模突飞猛进，新能源发电在电网中的容量占比不断提高.而风电和太阳能发电本身具有间歇性、随机性等特点，会对电网供电品质造成很大影响，新能源消纳问题日益突出.在以燃煤发电为主的区域电网中，规模化风电、光伏发电的接入，意味着风电、太阳能发电容量的大幅波动必须由燃煤机组来平抑和补偿，这就要求燃煤机组具有更高的运行灵活性，更强的快速和深度调峰能力[1-2].

近年来，为确保电网安全可靠运行，提升供电品质，各区域电网普遍要求网内大容量机组具备完善的电网自动发电控制(AGC)功能，并出台“两个细则”对并网机组进行考核，这对超超临界机组的协调控制性能提出了很高的要求.由于协调控制系统(CCS)需兼顾负荷、主汽压力的控制偏差，以及锅炉本身的大惯性、大时延特性，仅依赖传统的协调控制策略，机组负荷响应往往无法满足电网的要求，且容易引起主汽压力、主汽温度等参数的大幅波动[3-5].因此，借助基于模型的预测优化控制、凝结水节流等一系列先进优化控制方法和手段来提高机组的负荷快速响应能力，具有重要的现实意义[6-10].

为此，笔者通过深入研究超超临界机组的负荷、主汽压力特性，采用神经网络建模方法，建立考虑回热循环特性的机组负荷预测模型和主汽压力预测模型[11-16].并在此基础上，将凝结水节流技术与模型预测优化控制策略有机结合，提出一种先进的协调系统智能优化控制方案，借助仿真试验对方法的有效性进行验证.

1 研究对象和试验平台简介

1.1 超超临界机组简介

研究对象为某已投运的超超临界机组.锅炉为上海锅炉厂有限公司生产的超超临界全悬吊结构塔式锅炉，汽轮发电机组由东方电气集团有限公司提供，为一次中间再热、单轴、四缸四排汽、凝汽式、八级回热抽汽.机组的额定功率为1 000 MW，主汽压力为25 MPa，主再热蒸汽温度均为600 ℃.机组采用西门子最新的T3000型控制系统.

图1为该1 000 MW超超临界机组及其回热循环系统简化示意图.汽轮机由1个高压缸、1个中压缸和2个低压缸组成，8段回热抽汽分别对应于4台低压加热器、1台除氧器、3台高压加热器的凝结水或给水加热，汽轮机排汽在凝汽器中冷却，系统有1个高背压凝汽器和1个低背压凝汽器.汽轮机高压缸配置2个高压主汽门和4个高压调门，中压缸配置2个中压主汽门和2个中压调门.

图1 机组回热循环系统示意图

1.2 仿真试验研究平台

STAR-90系统是由华北电力大学开发的电站仿真平台，具有图形化仿真建模支撑系统和高精度的电站算法库，便于模型在线调试、修改和扩充.采用STAR-90仿真平台建立的电站全范围仿真机，数学模型精度高、动态特性好，可为控制理论研究提供可靠的准工业试验环境，对检验各种控制算法的性能具有重要意义.仿真试验研究是在STAR-90系统为上述1 000 MW机组开发的全范围仿真机上进行的，该仿真机在现场投运多年，接收了现场运行人员的严格考核测试，可逼真地重现电厂的全运行过程.

2 基于神经网络的超超临界机组负荷及主汽压力预测模型

2.1 考虑回热循环特性的负荷预测模型建立

2.1.1 负荷预测模型输入参数选取及模型结构确定

在建立负荷预测模型时考虑如下限制：(1) 模型针对机组高负荷段(60%额定负荷以上)的升降负荷过程，此时所有中压汽门全开，仅依靠高压调门开度的变化来改变汽轮机进汽量；(2) 各段回热抽汽均正常投入，不发生高、低压加热器投切故障，系统拓扑结构基本不变；(4) 建模过程仅利用分散控制系统(DCS)中的可测参数，未测量的与负荷相关参数(如蒸汽焓、各段回热抽汽量等)考虑用其他可测参数间接反映.

由于汽轮机负荷与机组热端和冷端参数、汽轮机进汽量、各级抽汽量均有关系，结合机组DCS的可测参数，最终选定模型的输入、输出参数见表1.由于本次建模的目的在于应用近年来出现的“凝结水节流”技术和模型预测优化控制策略来提高机组负荷的快速响应能力，模型输入中选用通过各低压加热器的凝结水流量以及高压加热器的给水流量来间接反映机组的回热抽汽量[11-12].

表1 模型的输入、输出参数

为提高模型的预测精度，选取具有输入时延和输出反馈时延的BP神经网络结构，将8个输入变量的当前值以及前n个时刻值、1个输出变量的前m时刻值作为模型的输入，负荷当前时刻值作为模型的输出.模型具体结构如图2.

由图2可见，负荷预测模型的输入层具有8(n+1)+m个神经元，隐含层具有j个神经元，输出层具有1个神经元.为确定最佳的负荷预测模型结构，对不同输入时延阶次n，输出反馈时延阶次m和不同隐含层节点数j分别进行建模，并通过实时预测仿真试验对网络结构进行优选.

2.1.2 模型训练样本的获取和数据预处理

为使负荷预测模型全面反映机组的负荷特性，其训练样本数据应涵盖模型实时应用时的机组负荷调节范围，并正确反映各种输入扰动下的负荷变化特征.为保证训练数据全面、各输入参数激励充分，借助1 000 MW超超临界机组仿真机，在600～1 000 MW之间连续升降负荷，并适当增加真空度、凝结水流量、燃料量和汽轮机调门开度等扰动工况.按照1 s采样周期，采集16 367组原始数据.为减少神经网络预测模型的训练时间，按照5 s的采样间隔，从中均匀抽取3 273组数据作为模型的最终训练样本.

图2 具有输入时延和输出反馈时延的负荷预测模型

Fig.2 Load prediction model with time-delayed inputs and output feedback

由于神经网络各输入参数的取值范围差别较大，为使各变量在模型训练中对网络权值和输出误差的贡献相对均衡，结合各参数在机组升降负荷过程中可能的变化范围，人工确定各参数规一化限值，对数据进行处理.具体的归一化公式为：

(1)

式中：[xmin，xmax]为参数的实际取值范围；[ymin,ymax]为标称化后参数取值范围，这里取[-1,+1]；x、y分别为参数的实际值和标称值[12].

2.1.3 模型训练结果

负荷预测模型选取具有1个输入层、1个隐含层和1个输出层的3层神经网络结构，隐含层激励函数选用tansig，输出层激励函数选用purelin.训练算法采用改进的L-M算法[17].

当模型的输入、输出变量和网络结构确定后,建立负荷预测模型的主要任务是优选输入、输出反馈时延的阶次n、m以及合理确定神经网络的隐含层节点数、权值矩阵、阈值等参数.为比较不同结构神经网络预测模型的预测效果，尝试对不同时延阶次n和m、不同隐含层节点数的神经网络预测模型进行训练，使模型输出针对训练样本集的均方误差(MSE)均达到1×10-7，结果见表2.

为比较上述模型对变负荷工况和各种扰动的抗扰能力和负荷预测精度，将模型并入仿真机，以1 s的采样周期实时获取各输入数据，对机组负荷进行同步预测.为全面检验模型的预测效果，分别对机组进行协调方式变负荷扰动、汽轮机跟随方式燃料量扰动、锅炉跟随方式调门开度扰动、除氧器水位设定值(凝结水流量)扰动及凝汽器真空扰动.限于篇幅各扰动试验结果不再列出，详见参考文献[12].

表2 不同n、m取值时模型训练结果

综合比较不同扰动下各模型的负荷实时预测误差，最终确定n=2、m=2时模型的预测性能最好，将此模型确立为最优的负荷预测模型结构.

2.2 锅炉主汽压力预测模型的建立与验证

针对影响锅炉主汽压力特性的参数分析，将超超临界锅炉的汽压对象简化为三输入一输出的模型[15,17].其中，输入为燃料量、汽轮机调门开度、给水流量，输出为主汽压力.主汽压力预测模型结构跟负荷预测模型结构相似，如图3所示.

图3 主汽压力预测模型结构

为确定最优的主汽压力预测模型结构，仍针对不同输入时延阶次n、输出反馈时延阶次m和隐含层节点数j分别进行建模.训练算法仍采用L-M算法，MSE设为1×10-7.

为比较不同结构模型的实时预测效果，同样将各训练好的模型连入1 000 MW超超临界机组仿真机进行在线验证.图4为机组以10 MW/min变负荷速率降负荷至700 MW时，3组不同n、m取值下模型的主汽压力实时预测结果(其他扰动试验结果略).最终确定n=2、m=2时的模型为最优主汽压力预测模型.

图4 变负荷扰动下各模型主汽压力预测结果对比

Fig.4 Comparison of predicted results among three models in load variation process

3 协调系统智能优化控制方案设计

3.1 基于凝结水节流的负荷双重智能优化控制方法

凝结水节流作为一种新型的负荷快速调节方法，通过调节各低压加热器的凝结水流量，快速改变低压缸的抽汽量，从而在负荷调整初期阶段通过改变机组中、低压缸的做功，达到快速调节负荷的目的.凝结水节流参与机组负荷调整，充分利用了凝汽器、除氧器正常运行水位适中，且二者有效容量较大，允许水位在一定范围上下波动的特点.因此，在实际工程中，可通过适当调整凝结水流量调节阀开度、除氧器水位设定值等，来实现机组负荷的快速调节.虽然凝结水流量变化越大，效果越好，但凝结水流量大幅变动会导致凝汽器水位和除氧器水位频繁波动，对调节阀的性能和调节品质要求较高，对运行人员的监视也提出了更高的要求[14-16].为了兼顾运行经济性、快速响应AGC及一次调频需求，可针对燃料控制、汽轮机调门、凝结水流量等，采取一系列优化控制手段来加快锅炉和汽轮机侧的响应.

通过深入研究凝结水节流对机组负荷、除氧器水位等参数的影响，提出如下优化思路：在变负荷过程中，通过快速改变除氧器水位调门开度，利用凝结水节流加快机组的负荷响应速度；当负荷逐渐趋稳，燃料和锅炉发热量已跟踪上负荷指令时，通过对汽轮机调门开度寻优，维持机组实际负荷与目标值较小的偏差，同时逐渐将除氧器水位回调至正常值，以便对下一个变负荷周期再次进行优化.上述负荷双重智能优化控制方案的实现分3个阶段：

(1) 在机组变负荷阶段，利用负荷预测模型，根据当前主蒸汽参数、再热蒸汽参数及汽轮机调门实时开度，对除氧器水位调门开度进行寻优，使负荷预测值与设定值的偏差最小.为防止除氧器水位实际值与设定值偏差过大导致水位调节切手动，优化程序中设有设定值实时修正模块，使得设定值始终有偏差地跟踪除氧器的实际水位.为防止除氧器水位超限威胁机组运行安全，程序中设置了合理的除氧器水位高、低限值，当除氧器水位达到上限时，利用除氧器溢流阀把多余的凝结水暂时排放到疏水扩容器；当除氧器水位达到低限时，利用来自凝汽器储水箱的除氧器补水门维持水位不低于低限值.

(2) 当负荷设定值达到目标值，负荷逐渐趋稳时，再次调用神经网络预测模型，根据当前主蒸汽参数、再热蒸汽参数及除氧器水位调门实时开度，对汽轮机调门开度进行寻优，以保持机组实际负荷与目标值偏差在允许范围内，维持主汽压力稳定，同时逐步将除氧器水位设定值平滑过渡到原始值.

(3) 当除氧器水位回到原始值，且机组实际负荷达到目标值并逐渐稳定时，所有补偿信号归零，机组切回原控制.上述控制方案的流程见图5.

采用上述机组协调系统负荷双重智能优化控制方案，具有以下优点：(1) 基于智能模型的凝结水调门优化策略，可保证机组在动态变负荷过程中具有较快的负荷响应速率，大大减小实际负荷与设定值的动态偏差，并确保除氧器水位处于机组安全运行范围.(2) 基于智能模型的汽轮机调门优化策略，可保证负荷趋稳阶段凝结水流量还原过程机组负荷的调节精度.将该方法应用于实际机组，可大大提高大容量超临界机组对AGC和一次调频的适应能力.

3.2 前馈、反馈结合的主汽压力预测优化控制方案

主汽压力优化与上述负荷双重优化的整个过程并列进行，采用前馈与反馈结合的预测优化控制方案，借助主汽压力预测模型完成燃料量指令优化.其流程如图6所示.

程序首先读取负荷指令、主汽压力设定值、燃料量指令信号，根据当前的指令判断是否满足优化条件，若主汽压力设定值与实际值的偏差大于0.1 MPa，且优化控制选择开关处于ON状态，则优化开始.根据当前负荷指令，计算出负荷稳定时的燃料量前馈指令，围绕该前馈指令值，根据压力偏差，确定燃料量的双向搜索范围.调用主汽压力预测模型，计算出不同燃料量指令下的压力预测值，根据压力预测值与设定值偏差对指令进行优化计算，得出燃料量补偿信号送到锅炉主控.在程序中设置了燃料量的高、低限值，防止主汽压力出现大幅波动.

图5 基于凝结水节流的负荷双重智能优化控制方案

图6 前馈和反馈结合的主汽压力优化控制方案

Fig.6 Main steam pressure control optimization combining feedforward and feedbackward signals

3.3 外挂式补偿控制方案的实现

在优化控制方案具体实施时，为确保机组安全运行，便于优化后的控制设定值、控制指令和机组原设定值及原控制指令的无扰切换，提出了一种外挂式补偿控制方案.图7给出了凝结水节流优化过程中，除氧器水位调门开度指令以及水位设定值的外挂式补偿实现方法.汽轮机调门补偿控制和锅炉燃料量补偿控制的实现方法与之相同.

上述方案借助Matlab平台编写外挂式实时控制算法，并通过数据通讯协议与1 000 MW超超临界机组仿真机进行双向数据交换，完成优化控制实时仿真试验.

4 控制优化仿真试验研究

4.1 从1 000 MW至950 MW定压降负荷试验

为验证所提控制方案的实施效果，借助1 000 MW超超临界机组仿真机开展详细的仿真试验研究.

在协调方式下以10 MW/min的变负荷率从1 000 MW降负荷到950 MW，分别采用机组原协调控制和考虑凝结水节流的负荷和主汽压力联合优化控制方法进行试验，结果见图8.

图7 凝结水节流优化补偿控制方案原理图

Fig.7 Compensation control scheme for condensate throttling optimization

(a) 负荷

(b) 主汽压力

(d) 除氧器水位调门指令

(e) 汽轮机调门指令

(f) 燃料量指令

从图8可以看出，当负荷从1 000 MW降至950 MW时，主汽压力目标值不变，机组处于定压运行阶段.采用机组原协调控制时，由于主汽压力超限，在240 s左右，出现了负荷指令闭锁；而采用联合智能优化控制方法后，主汽压力的控制偏差大大减小，未出现负荷指令闭锁，负荷响应速度、控制精度均较好.

从各控制指令对比图可以看出，变负荷动态过程负荷控制效果的改善，主要是由于凝结水节流(除氧器水位调门开度变化)在起作用；当负荷指令达到950 MW时，凝结水节流逐渐平稳退出，此时负荷控制精度仍保持较好，这主要是由于对汽轮机调门的二次优化起作用；而主汽压力控制效果的改善，则主要是由于燃料量预测优化控制模块在起作用.

4.2 900 MW至850 MW滑压降负荷试验

为进一步检验控制方法的效果，协调方式下采用滑压方式以10 MW/min的变负荷率从900 MW降负荷到850 MW，分别采用机组原协调控制和考虑凝结水节流的负荷、主汽压力联合优化控制方法进行试验，结果见图9.

(a) 负荷

(b) 主汽压力

(d) 除氧器水位调门指令

(e) 汽轮机调门指令

(f) 燃料量指令

从图9可以看出，滑压方式降负荷过程中，采用机组原协调控制时，同样由于主汽压力偏差大，在350 s左右出现了负荷指令闭锁，导致负荷响应速度慢，且负荷指令到达850 MW后，实际负荷偏差较大；而采用本文优化控制方法，负荷可很好地跟踪设定值.尽管滑压降负荷过程中，主汽压力仍存在一定的控制偏差，但与机组原协调控制相比效果更好，不会出现负荷指令闭锁的情况.

综上所述，采用凝结水节流负荷双重优化和主汽压力预测优化智能优化控制方案后，机组的负荷调节速度、控制精度较机组原协调控制均有很大提高，主汽压力控制偏差减小，大大改善了机组对AGC的适应能力，可使超超临界机组更好地适应中调AGC和深度调峰的要求，达到了预期的效果.

5 结论

(1) 针对某1 000 MW超超临界机组，采用具有输入时延和输出反馈时延的BP神经网络结构，建立了考虑回热循环特性的负荷预测模型和主汽压力预测模型.借助仿真机扰动试验，优选出最佳模型结构，满足协调系统预测优化控制的工程应用要求.

(2) 结合凝结水节流技术，提出了一种负荷、主汽压力联合智能优化控制方法.该方法利用所建立的负荷和主汽压力预测模型分别对除氧器水位调门开度、汽轮机调门开度、燃料量控制进行优化，有效改善了机组的协调控制效果.

(3) 基于Matlab编制实时优化控制算法，采用外挂式补偿控制方案，借助1 000 MW仿真机对智能优化控制策略开展了详细的仿真试验.结果表明该方法可大大提高机组动态过程负荷响应的速度以及凝结水流量还原过程负荷的调节精度.

需指出，由于凝结水节流会对除氧器的水位造成较大影响，在现场实施时，需重点考虑凝结水节流对除氧器水位、凝汽器水位等参数的影响，以确保机组运行的安全性.此外，协调系统智能优化控制方案的实现以负荷及主汽压力神经网络预测模型为基础，因此模型预测精度对优化控制效果有较大影响，需针对不同机组对各模型的参数、结构等进行优选.

[1] UECKERDT F, BRECHA R, LUDERER G. Analyzing major challenges of wind and solar variability in power systems[J]. Renewable Energy, 2015, 81: 1-10.

[2] 丁明, 王伟胜, 王秀丽, 等. 大规模光伏发电对电力系统影响综述[J]. 中国电机工程学报, 2014, 34(1): 1-14.

DING Ming, WANG Weisheng, WANG Xiuli, et al. A review on the effect of large-scale PV generation on power systems[J]. Proceedings of the CSEE, 2014, 34(1): 1-14.

[3] 王立军, 李晓敏. “两个细则”条件下的超临界机组AGC协调控制优化[J]. 现代电力, 2011, 28(2): 84-89.

WANG Lijun, LI Xiaomin. The optimization of coordinated control system under AGC mode for supercritical generation unit based on "two documents"[J]. Modern Electric Power, 2011, 28(2): 84-89.

[4] 王淼婺. 火电机组协调控制对AGC的适应性分析[J]. 中国电力, 1999, 32(6): 45-47.

WANG Miaowu. Adaptibity of coordinated control of fossil-fired generating unit to AGC[J]. Electric Power, 1999, 32(6): 45-47.

[5] 郑飞, 金丰. 大中型火电机组AGC快速响应控制策略优化的研究[J]. 东北电力技术, 2013, 34(5): 21-23.

ZHENG Fei, JIN Feng. Research on the control strategy optimizing of fast AGC response of large and medium-scale thermal power unit[J]. Northeast Electric Power Technology, 2013, 34(5): 21-23.

[6] 马良玉, 高志元. 超临界机组协调控制系统的预测优化控制[J]. 热力发电, 2014, 43(9): 54-59.

MA Liangyu, GAO Zhiyuan. Predictive optimal control for coordinated system of a supercritical power unit[J]. Thermal Power Generation, 2014, 43(9): 54-59.

[7] MORTENSEN J H, MOELBAK T, ANDERSEN P, et al. Optimization of boiler control to improve the load-following capability of power-plant units[J]. Control Engineering Practice, 1998, 6(12): 1531-1539.

[8] FETTERER B, LAUSTERER G K, LEIBBRANDT S R. Improved unit dynamic response using condensate throttling[C]//Proceedings of IFAC Symposium on Control of Power Plants and Power Systems. Munich, Germany: IFAC, 1992.

[9] LAUSTERER G K. Improved maneuverability of power plants for better grid stability[J]. Control Engineering Practice, 1998, 6(12): 1549-1557.

[10] WANG Wei, ZENG Deliang, LIU Jizhen, et al. Feasibility analysis of changing turbine load in power plants using continuous condenser pressure adjustment[J]. Energy, 2014, 64: 533-540.

[11] 马良玉, 高志元. 基于神经网络的超临界机组数学模型[J]. 动力工程学报, 2013, 33(7): 517-522.

MA Liangyu, GAO Zhiyuan. Mathematical model based on neural network for supercritical unit[J]. Journal of Chinese Society of Power Engineering, 2013, 33(7): 517-522.

[12] 马良玉, 成蕾. 考虑回热循环的超超临界机组负荷预测神经网络模型[J]]. 热力发电, 2016, 45(4): 19-27, 34.

MA Liangyu, CHENG Lei. Load prediction model for ultra-supercritical turbine power unit considering regenerative cycle characteristics[J]. Thermal Power Generation, 2016, 45(4): 19-27, 34.

[13] 于达仁, 郭钰锋, 王晓娟, 等. 计及回热器蓄热效应的汽轮机动态模型[J]. 中国电机工程学报, 2005, 25(14): 84-88.

YU Daren, GUO Yufeng, WANG Xiaojuan, et al. Dynamic turbine model with regenerator[J]. Proceedings of the CSEE, 2005, 25(14): 84-88.

[14] 刘吉臻, 刘彧昕, 王玮. 基于汽水分布方程的热力发电机组凝结水节流静态负荷响应特性[J]. 动力工程学报, 2015, 35(4): 318-324.

LIU Jizhen, LIU Yuxin, WANG Wei. Study on static load response of thermal power units caused by condensate throttling based on steam-water distribution equation[J]. Journal of Chinese Society of Power Engineering, 2015, 35(4): 318-324.

[15] 王玮, 刘吉臻, 曾德良, 等. 凝结水节流变负荷能力静态建模与分析[J]. 动力工程学报, 2015, 35(9): 740-745, 759.

WANG Wei, LIU Jizhen, ZENG Deliang, et al. Static modelling and analysis on load change capability of condensate throttling[J]. Journal of Chinese Society of Power Engineering, 2015, 35(9): 740-745, 759.

[16] 马良玉, 宁福军, 宋胜男. 凝结水节流对机组负荷影响的仿真研究[J]. 热力发电, 2015, 44(3): 109-114.

MA Liangyu, NING Fujun, SONG Shengnan. Influence of condensate throttling on unit load: simulation test[J]. Thermal Power Generation, 2015, 44(3): 109-114.

[17] 张德丰. MATLAB神经网络应用设计[M]. 北京: 机械工业出版社, 2009.

Intelligent Control Optimization for the Coordinated System of an Ultra-supercritical Power Unit Based on Neural Network Prediction Models and Condensate Throttling

MALiangyu1,CHENGLei2,PENGGang3,YINZhe3

(1.School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, Hebei Province, China; 2. Beijing Sifang Automation Co., Ltd., Beijing 100085, China; 3. State Grid Hebei Electric Power Research Institute, Shijiazhuang 050021, China)

Taking the 1 000 MW ultra-supercritical unit as an object of study, artificial neural network prediction models with high accuracy and good dynamic characteristics were established for the unit load and main steam pressure in consideration of its regenerative cycle system. Subsequently, an optimized intelligent predictive controller was proposed for the coordinate system, which was used to optimize the openings of deaerator water level control valve and steam turbine control valve, and to control the total fuel demand based on above prediction models under variable load conditions, so as to improve the coordinated control effect. Detail simulation tests were conducted on the optimized coordinated control with a full-scope simulator for the given 1 000 MW USC power unit. Results show that via the method, both the response speed of dynamic load and the load control accuracy can be effectively improved, with significant reduction in control deviation of the main steam pressure under varying load conditions, proving the method to have good practicability.

ultra-supercritical power unit; neural network; prediction model; condensate throttling; coordinated system; intelligent control optimization

1674-7607(2017)08-0640-09

TK323

470.20

2016-10-19

国家自然科学基金资助项目(61174111)

马良玉(1972-)，男，河北井陉人，教授，博士，主要从事工业过程建模与仿真，智能技术在电站建模、优化控制与故障诊断中应用方面的研究. 电话(Tel.): 0312-7523367; E-mail：maliangyu@ncepu.edu.cn.