面向锅炉 - 汽轮机组动态经济优化的机理 - 数据混合驱动双模 ADMM-EMPC

《ISA Transactions》：Mechanism-data hybrid driven dual-mode ADMM-EMPC for dynamic economic optimization of boiler-turbine units

　　

火力发电厂锅炉-汽轮机单元的深度神经网络：宽负荷波动下的动态经济优化

王雨飞等 | 出版日期：2025年1月23日

《工业信息集成期刊》第51卷

摘要

• 深度神经网络表征基于物理的混合模型中的非线性机理量。
• 交替方向乘子法-经济模型预测控制（ADMM-EMPC）利用李雅普诺夫约束恢复过程中的经济潜力。
• 接受准则和固定增益回退提高了有限计算下的可靠性。
• 基于分散控制系统的测试验证了跟踪、鲁棒性、约束和实时可行性。

引言

在中国新型电力系统持续发展的过程中，尽管可再生能源装机容量稳步增加，火电机组仍然是维持电网稳定性的基石[1]。为适应具有高波动性和间歇性的可再生能源，火电机组必须频繁响应自动发电控制（AGC）中的宽范围负荷变化，这对其稳定性和经济效率造成了巨大压力[2]。作为火电机组控制的核心，协调控制系统（CCS）协调锅炉和汽轮机之间的动态能量平衡，从而直接决定机组对AGC指令的负荷跟踪性能和运行稳定性。因此，针对宽负荷变化需求的CCS控制策略已成为学术界和工业界关注的焦点。

CCS的控制策略可分为无模型方法和基于模型的方法[3]。无模型方法如分层PID和模糊控制，因其简单性而被广泛采用[4]、[5]、[6]。然而，这些方法通常依赖于固定参数或静态解耦逻辑，难以有效处理机组在宽负荷范围内固有的强非线性、强耦合和时间变化特性。相比之下，作为基于模型方法的模型预测控制（MPC）能够处理多变量耦合和物理约束，已成为现代火电机组的关键技术[7]、[8]、[9]、[10]。然而，MPC侧重于跟踪性能而忽视经济优化，导致优化和控制分离，通常无法实现系统的全局最优运行[11]。为解决这一问题，经济模型预测控制（EMPC）被提出[12]，它将煤耗和设备磨损等经济性能指标直接纳入目标函数，在保持动态性能的同时提高运行经济性。

预测模型的准确性和鲁棒性决定了EMPC的闭环性能。基于机理的模型具有强物理可解释性，被广泛应用于火电机组等复杂系统；但它们在参数敏感性和离设计工况适应性方面存在不足[13]、[14]。数据驱动方法如支持向量机[15]、[16]和神经网络[17]、[18]、[19]可以在不依赖机理先验知识的情况下捕捉系统动态。然而，它们通常需要大量高质量数据，且泛化能力和可解释性有限。鉴于火电机组具有多变量强耦合和显著非线性的特点，单一建模方法难以同时保证在所有工况下的高精度。因此，结合机理和数据驱动方法的混合建模已成为重要的研究热点。例如，Zhang等人[20]利用守恒定律和热力学原理建立了350 MW机组的物理结构动态模型，然后使用实际运行数据进行参数辨识，并结合回归分析和量子遗传算法；Fan和Su[21]基于第一性原理和动态参数辨识建立了适用于宽负荷工况的超临界机组模型。同时，Zhang等人[22]将守恒定律与热力学原理相结合，使用量子遗传算法辨识循环流化床锅炉的关键参数。然而，现有的混合方法仍主要依赖于识别有限集模型参数，这可能不足以表征机理相关量在不同工况下的非线性变化。此外，直接使用数据驱动的神经网络作为被控对象模型可能会降低物理可解释性并引发可靠性问题。因此，仍然需要一个控制导向的建模框架，既能保留显式物理结构，又能表征与工况相关的非线性行为，并且便于线性化和控制器设计。

EMPC将经济性能函数集成到优化目标函数中，但这会给闭环稳定性带来风险。这一挑战在具有多变量耦合和强非线性的火电机组中尤为突出，因为其中容易产生振荡。为保证稳定性，早期研究主要依靠在预测时域末端施加终端等式或不等式约束来强制系统状态进入终端不变集[23]、[24]。然而，这类约束通常会缩小初始可行域，从而限制负荷调节能力并复杂化宽范围运行的控制器设计。为缓解这种保守性，后续研究试图放宽这些限制。一些研究者将鲁棒控制或自适应补偿机制纳入EMPC，使系统能够在存在扰动和不确定性时保持稳定性[25]、[26]、[27]。另一些研究者则专注于基于李雅普诺夫的方法，通过区域收缩约束确保稳定性[28]、[29]。基于后者，双模EMPC将控制过程分为两个模式：一个是在规定稳定区域内进行效率优化的经济模式，另一个是在需要稳定性恢复时采用基于李雅普诺夫的辅助控制器的稳定模式[30]。Cui等人[31]进一步将此控制器应用于超临界机组控制。在双模EMPC中，稳定模式主要用于在系统状态接近或离开经济运行区域时恢复系统状态，这种稳定性优先的设计对于可靠的工业过程运行至关重要。然而，锅炉-汽轮机单元表现出缓慢动态，且稳定过程中的控制动作与经济性能直接耦合。因此，在不妨碍李雅普诺夫稳定性要求的前提下，安全利用稳定过程中的动态经济潜力是有意义的。同时，在稳定模式中引入额外优化带来了实施挑战：所需的计算和可行性验证必须在有限采样间隔内完成，同时仍可获得可行的稳定控制动作。

基于上述建模、控制和实施问题，本文提出了一种用于宽负荷变化下锅炉-汽轮机单元动态经济优化的机理-数据混合驱动双模ADMM-EMPC策略。主要贡献总结如下：

(1) 为锅炉-汽轮机单元开发了基于非线性参数表征的机理-数据混合模型。该模型不使用纯粹数据驱动的神经网络作为完整被控对象模型，而是采用深度神经网络（DBN）来表征关键非线性机理相关参数，并将所得参数函数嵌入质量和能量平衡方程中。这样，所提出的混合模型既保留了清晰的物理结构，又提供了适用于局部线性化和控制器设计的可微非线性映射。

(2) 提出了一种双模ADMM-EMPC策略以协调经济优化和稳定性恢复。在模式1中，控制器在经济稳定子集Ωγe内最小化经济性能函数。在模式2中，考虑到锅炉-汽轮机单元的缓慢动态以及稳定控制动作与运行经济之间的直接耦合，设计了一个基于ADMM的辅助控制器以在李雅普诺夫稳定性约束下生成候选实时反馈增益Kadmm(k)。经济项仅作为次级正则化项引入，这样在稳定过程中可以在可行稳定区域内利用动态经济潜力，而不削弱稳定性恢复要求。

(3) 引入固定增益回退机制以提高稳定模式控制器在有限实时计算下的可靠性。仅当满足规定的收敛和可行性条件时，候选实时反馈增益才被应用。如果在最大ADMM迭代预算内未获得可接受的候选增益，则最终应用的反馈增益K(k)切换到预先计算的稳定回退增益Kf(k)。该机制防止了不可行或未收敛的候选增益被直接应用于闭环系统，同时保留了可用的稳定控制动作。

本文其余部分组织如下：第2节介绍系统基础和协调控制系统；第3节展示所提策略的整体框架；第4节详述机理-数据混合模型及其线性化；第5节描述双模ADMM-EMPC，包括基于ADMM的辅助控制器和固定增益回退机制；第6节展示模型验证、控制性能对比、鲁棒性测试、切换参数敏感性分析和实时计算评估；第7节得出结论。

600 MW燃煤机组描述

本研究考虑的是位于中国北方的一台600 MW亚临界燃煤发电机组。出于建模和控制目的，该机组由四个主要子系统表示：制粉系统、蒸发系统、过热系统和汽轮系统，如图1所示。原煤被研磨并输送至炉膛燃烧，而给水在蒸发系统中转化为饱和蒸汽，随后转化为过热蒸汽。过热蒸汽

整体框架

所提出的机理-数据混合驱动双模ADMM-EMPC的整体框架如图3所示。机理-数据混合模型提供控制器设计所需的预测动态。根据当前系统状态和预定义的切换条件，控制器要么运行在模式1进行经济优化，要么运行在模式2以具有实时反馈增益更新的稳定性恢复。所得控制动作随后应用于被控对象模型，并

机理-数据混合驱动模型

本节开发用于控制器设计的机理-数据混合模型。首先基于质量和能量守恒定律建立主要锅炉-汽轮机动态。然后引入DBN子模型来表征难以使用固定参数表征的关键非线性机理相关量。最后，所得非线性混合模型被线性化和离散化，以获得双模ADMM-EMPC所需的局部状态空间模型。

双模ADMM-EMPC

如图4所示，所提出的双模ADMM-EMPC通过两种运行模式协调经济优化和稳定性恢复。模式1在规定的经济稳定子集内执行经济优化，而模式2采用基于ADMM的辅助控制器在李雅普诺夫稳定性约束下生成候选实时反馈增益。还进一步引入了固定增益回退机制，以确保始终有可行的稳定控制动作可用

实验设置和评价指标

本节的验证包括使用实际电厂数据的模型级评估和基于仿真的闭环控制器评估。运行数据集收集自2024年7月10日至7月27日中国北方某600 MW亚临界燃煤发电机组的分散控制系统（DCS），采样周期为15秒，约100,000个记录样本。在移除了与机组停机、传感器故障和明显异常值相关的数据段后，

结论

本文提出了一种用于宽负荷变化下锅炉-汽轮机单元动态经济优化的机理-数据混合驱动双模ADMM-EMPC策略。首先开发了一个机理-数据混合模型，通过将数据驱动的关键机理相关量非线性表征嵌入质量和能量平衡方程中，从而在保留物理结构的同时为控制导向线性化提供可微映射。在此基础上，双模ADMM-EMPC

CRediT作者贡献声明

王雨飞：撰写—初稿，可视化，验证，软件，方法，调查，数据整理。韩卫东：验证，软件，方法，概念化。谢刚：监督，资源，项目管理，方法，获取资金。石辉：撰写—审阅与编辑，监督，资源，形式分析。聂晓音：撰写—审阅与编辑，方法，获取资金。

原创性声明

作者确认本稿件为原创，此前未发表，目前也未在其他地方考虑出版。类似论文既未发表也未在其他场所考虑出版。

利益冲突声明

作者声明，他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到中国国家自然科学基金（批准号：62441313）、山西省中国学会研究项目（批准号：2024-125）、山西省科技创新团队专项资金（批准号：202304051001004）、山西省重大科技项目（批准号：202201090301013）、山西省先进控制与工业智能重点实验室（批准号：202404010931015）以及山西省基础研究

王雨飞 | 韩卫东 | 谢刚 | 石辉 | 聂晓音