非线性约束预测控制研究及其在电站节能控制中的应用

模型预测控制近年来在过程控制界引起广泛关注。传统模型预测控制过分依赖于系统的线性模型。采用非线性模型，当非线性过于复杂时，会导致二次规划的非凸问题, 过程约束条件依赖于系统状态，计算负荷增大，使得预测控制律的优化解难以实现。运用灰箱建模，是解决预测控制中非线性问题的有效手段。这其中，模糊神经网络综合了模糊逻辑与神经网络的优势，能够提供系统、高效、准确的非线性建模手段。结合经典的非线性控制方法，运用近似优化方法，研究非线性模型预测控制中保证闭环系统稳定的优化算法，以及在系统输入、输出和状态受限情况下的全局最优解问题。着眼于电力系统的经济性运行，研究非线性模型预测控制如何融入电站自动化过程中，通过实现单元机组协调控制达到机组的经济运行。研究电厂子系统的多变量预测控制问题,提高电厂过程控制品质，解决传统多回路控制器在负荷大范围变化时难以实施有效控制的难题， 从而达到电站节能降耗的目的。

模型预测控制是一种优化控制技术，在过去的几十年广泛应用于电力生产过程控制。传统的线性模型预测控制，运用凸结构的二次规划能够得到可靠的优化解。然而，电力生产过程是具有非线性、不确定性和负荷干扰的复杂系统。针对这一非线性过程，采用非线性模型的序列二次规划技术，通常会导致二次规划的非凸问题。微分几何中的输入输出线性化将一类非线性系统转化为线性系统，但同时使得约束条件变为非线性，并且约束条件随系统状态变化而改变。研究工作采用特定结构的模糊神经网络方法，获得凸优化问题的可行解，在降低计算量的同时，保证控制品质。针对锅炉汽轮机协调控制系统详细构造了约束优化控制方法，分析和比较系统在未受约束情况下、受限优化和自然受限饱和情况下的优化控制效果，从而分析对电厂机组优化运行和经济效益的影响。针对火电厂主蒸汽温度控制，研究串级网络下网络诱导时延不确定情况下的状态反馈控制器的设计。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动态神经网络模型。针对联合循环电厂燃汽轮机控制问题, 采用监督预测控制实现燃汽轮机功率和转速的设定值优化控制，有效地实现了系统的节能降耗。在鲁棒模型预测控制研究方面，针对多面体描述的约束时变不确定系统，构造由外部引导变量确定的连续椭圆终端不变集，求解基于线性矩阵不等式方法的min-max优化问题。研究成果对加速我国电力生产过程控制系统的智能化进程和实现我国大型火力发电机组的节能降耗具有重要的理论及实践意义。