鲁棒协同预测控制及其在多源发电过程中的应用

Model predictive control (MPC) has been developed to be a constraint optimal control strategy, which has made great achievement in industrial processing control. However, the regulatory MPCs are ineffective in controlling large scale systems, due to the multiple objective optimization requirement, the inherent computational complexity, the robustness and reliability issues, as well as the communication bandwidth limitations. The robust coordinated MPC can realize cooperation among subsystems to achieve the global optimization or Nash optimization, and guarantee the global stability under the system uncertainties and disturbances. The research is devoted to the system modeling, the distributed state estimation, the coordinated optimal algorithms and the selecting Lyapunov function with guaranteed properties and stability. Regarding the multi-source power generation system, the robust coordinated MPC needs to solve a typical multi-object optimization problem, to realize the coordination among different kinds of generation units. This coordination can achieve economic objective that minimize the number of frequency control (LFC) requests and unit generation reversals, which gradually create fatigue in generating units. In the intermittent wind-power-incorporated interconnected power system, the robust coordinated MPC is utilized to coordinate the conventional plant and the wind power plant, to minimize the thermal power output and maximize the renewable power output. Meanwhile, it should satisfy the multi-constraints, e.g., generation rate constraints (GRCs), pitch angle and changing weather conditions. Consequently, it realizes the coordinated optimization and facilitates the economical and stable running of multi-source power system.

模型预测控制作为一种约束优化控制策略，在工业控制领域取得了巨大的成功。然而, 传统校正预测控制针对大规模复杂系统难以满足系统多目标优化、鲁棒性、可靠性、计算复杂性以及通信带宽等要求。鲁棒协同预测控制能够协同多个局部控制器实现全局优化目标或Nash优化，克服实际系统中存在的不确定性和未知扰动实现系统全局鲁棒稳定。针对鲁棒协同预测控制系统建模、分布式状态估计、协调策略以及保证闭环稳定性的李雅普诺夫函数选取等关键问题展开研究。运用鲁棒协同预测控制, 实现多源发电过程间的协同优化, 在满足约束条件下，实现以减少机组疲劳和磨损为核心的经济目标; 针对风电介入下电力系统负荷频率控制问题，运用鲁棒协同预测控制,在满足发电机变化速率约束、浆距角约束以及大气参数变化情况下，协同优化多源发电过程实现以清洁能源优先出力、火电机组节能降耗为核心的经济和环保指标，从而实现风电介入下互联电力系统的稳定、经济运行。

模型预测控制作为一种约束优化控制策略，在工业控制领域取得了巨大的成功。然而，传统校正预测控制针对大规模复杂系统难以满足系统多目标优化、鲁棒性、可靠性、计算复杂性以及通信带宽等要求。鲁棒协同预测控制能够协同多个局部控制器达到全局优化目标或Nash最优，克服实际系统中存在的不确定性和未知扰动，实现系统全局鲁棒稳定。在多源发电过程中运用鲁棒协同预测控制，可以通过各分布式能源间的协同优化，实现风电介入下互联电力系统的稳定、经济运行。本项目针对鲁棒协同预测控制系统建模、分布式状态估计、协调策略以及稳定性等关键理论性问题及其在多源发电过程中的应用问题展开研究。在国际上首次基于实际机组运行数据完整建立了百万级超超临界机组的深度神经网络模型，并基于深度神经网络模型构造了大型火力发电机组经济模型预测控制方法，提高火地发电过程的动态经济性能。针对风速的高复杂性和随机性，建立了混合深度神经网络预测方法，实现对未来风速信息的高精度预测。采用局部离线准最小-最大模糊预测控制方法实现了变桨距情况下非线性风力发电系统的稳定运行。深入开展风电介入下互联电力系统协同控制及负荷频率控制研究，建立分布式模型预测控制方法，协同优化多源发电过程实现以清洁能源优先出力、火电机组节能降耗为核心的经济和环保指标，减少机组疲劳和磨损，提高全局性能；采用分级递阶的控制结构，在约束一致性前提下实现分布式能源的“即插即用”。深入研究了二维迭代学习模型预测控制结构，实现预测控制器对过程数据的迭代学习，提高了控制最优性。设计软约束模型预测控制，并将其应用于核电站核反应堆的蒸汽发生器水位控制系统，确保核电站运行的安全性。研究成果对加速我国电力生产过程和电力系统控制的智能化进程和实现我国电力工业企业的节能降耗具有重要的理论及实践意义。