沼气内燃发电机组的协同优化控制方法及系统技术方案

本发明专利技术公开了一种沼气内燃发电机组的协同优化控制方法及系统，通过基于深信度网络DBN建立沼气内燃发电机组的整体运行模型，采用粒子群算法求解沼气内燃发电机组的协同优化控制模型，最终输出最佳协同优化的空燃比参数和进气量，实现对沼气内燃发电机组的协同优化控制，不仅可提高沼气内燃发电机组的发电效率，而且能提高发电机组的电压输出稳定性和快速负载跟踪能力，更重要的是确保冷热电联供系统和国家电网的安全、稳定、可靠运行，具有十分重要的意义。

【技术实现步骤摘要】
沼气内燃发电机组的协同优化控制方法及系统
本专利技术涉及沼气发电
，具体的说，是涉及沼气内燃发电机组的协同优化控制方法及系统。
技术介绍
能源紧缺、环境污染和气候变化是制约当今世界经济和社会可持续发展的重要因素，能源和环境问题已成为国内外高度关注的重大战略问题。而沼气内燃发电机组是集环保和节能于一体的能源综合利用新系统，它利用工业、农业或城镇生活中的大量有机废弃物经厌氧发酵处理产生的大量沼气，沼气在内燃机燃烧室燃烧产生热能驱动内燃发电机组发电，并可充分利用发电机组的余热实现冷热电联供系统，综合效率达70-80％左右，产生良好的经济、节能和环境效益。但不同有机废弃物原材料和不同发酵温度下所产生的沼气甲烷浓度差异大、波动性大，难以建立在不同沼气成分、多工况下准确描述沼气内燃发电机组的运行特性的动态数学模型，难以洞察其复杂的运行规律，使得沼气内燃发电机组难以运行在高效区，因此，对沼气内燃发电机组实现优化控制颇具挑战性。与此同时，现用沼气内燃发电机组大都是在天然气内燃发电机组的基础上改装完成，控制系统的参数未根据沼气成分、负荷率、运行工况实时优化自动调节，造成沼气内燃发电机组的电压输出波动性大、跟踪负载响应能力慢、发电效率低等技术难题。现有技术存在的问题是，现用沼气内燃发电机组中的空燃比控制系统和转速控制系统都是由独立控制器控制，二者之间未有协同优化机制，未从整体上协同优化控制沼气内燃发电机组的高效运行，进而提高沼气内燃发电机组的电压输出稳定性和发电效率。尤其重要的是，沼气内燃发电机组是一个典型的多输入多输出、多种设备耦合的复杂能源转换系统，它具有强非线性、参数时变、大惯性、大延迟及多变量耦合特点，沼气内燃发电机组能否高效、经济、环保运行，取决于沼气内燃发电机组的高精度建模及协同优化控制方法。然而，现有沼气内燃发电机组都未涉及沼气内燃发电机组整体建模、空燃比控制系统和转速控制系统的协同优化控制方法及系统。
技术实现思路
本专利技术为了解决上述问题，提出了沼气内燃发电机组的协同优化控制方法及系统，通过基于深信度网络DBN建立沼气内燃发电机组的整体运行模型，采用粒子群算法求解沼气内燃发电机组的协同优化控制模型，最终输出最佳协同优化的空燃比参数和进气量，实现对沼气内燃发电机组的协同优化控制，不仅可以提高沼气内燃发电机组的发电效率，而且能提高发电机组的电压输出稳定性和快速负载跟踪能力。为了实现上述目的，本专利技术采用如下技术方案：一种沼气内燃发电机组的协同优化控制系统，包括：信息采集模块、传感计量模块、处理器、数据库和执行机构，信息采集模块与传感计量模块连接、处理器分别连接，信息采集模块采集传感计量模块的检测的数据后，将数据传输至处理器，处理器分别与数据库和执行机构连接，处理器将数据存储在数据库中，通过处理采集的数据输出相应的控制指令至执行机构。进一步的，所述传感计量模块包括分别与信息采集模块连接的沼气在线分析仪、超声波沼气流量计、沼气压力计、涡街空气流量计、混合气流量计、氧传感器、沼气内燃发电机组排烟气温度计、沼气内燃发电机组排烟气流量计、缸套水进水温度传感器、缸套水出水温度传感器、涡街缸套水流量计、转速传感器、润滑油温度和电能表。进一步的，所述执行机构包括：分别与处理器连接的沼气电控比例阀门、空气电控比例阀门和混合气电控比例阀门。进一步的，所述数据库为SQLite嵌入式数据库。基于所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，包括如下步骤：采集沼气内燃发电机组的运行状态信息并存储；根据采集的运行状态信息采用深信度网络DBN建立沼气内燃发电机组整体运行模型；以沼气内燃发电机组发电效率最高为控制目标，以沼气电控比例阀门的控制量、空气电控比例阀门的控制量和混合气电控比例阀门的控制量为协同控制变量，确定沼气内燃发电机组协同优化控制模型；采用粒子群优化算法，根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组的实时运行状态信息数据求解沼气内燃发电机组的协同优化控制模型，得到最优协同控制变量的数值。进一步的，所述基于深信度网络DBN的沼气内燃发电机组整体运行模型的建立方法为：步骤2.1确定沼气内燃发电机组建模的输入变量Ii与输出变量Oi，将采集的沼气内燃发电机组的运行状态信息作为输入变量Ii与输出变量Oi的数据；步骤2.2采用基于atan函数的数据归一化方法，将输入变量数据归一化；步骤2.3构造基于深度学习的深信度网络DBN，根据输入变量Ii数据归一化后的数据和输出变量Oi的数据训练深信度网络DBN，获得沼气内燃发电机组的基于深信度网络的整体运行模型。进一步的，所述步骤2.3构造基于深度学习的深信度网络DBN，根据输入变量Ii数据归一化后的数据和输出变量Oi的数据训练深信度网络DBN，获得沼气内燃发电机组的基于深信度网络的整体运行模型，具体包括以下步骤：步骤2.3.1构造基于RBM的4层DBN，包括1个模型输入层，2个隐藏层和1个模型决策层；步骤2.3.2指定DBN的输入层节点数为输入变量上的数量，根据需要指定第一个隐藏层节点数和第二个隐藏层节点数量，指定决策层的节点数输出变量的数量，获得深信度网络DBN；步骤2.3.3训练DBN，使用对比散度算法对DBN的4层进行逐层训练，计算2个隐藏层和1个决策层的输出值和各层之间的权值及偏置；使用BP算法对整个DBN进行调整，优化DBN参数，完成DBN全局训练，得出最优的权重矩阵W，获得沼气内燃发电机组的基于深信度网络的整体运行模型。进一步的，所述运行状态信息包括沼气内燃发电机组运行时的沼气数据、空气数据、烟气数据、缸套水数据、润滑油数据和发电数据；所述输入变量Ii包括：沼气数据、空气数据、烟气数据、缸套水数据、润滑油数据；所述输出变量Oi包括：沼气内燃发电机组运行的发电数据的三相相电压、三相相电流、有功功率和无功功率；所述协同优化控制变量Ki包括Ki＝[KZQ,KKQ,KHQ]，其中，KZQ为沼气电控比例阀门的控制量，KKQ为空气电控比例阀门的控制量，KHQ为混合气电控比例阀门的控制量。进一步的，所述沼气内燃发电机组协同优化控制模型具体为：其中：ηICE为沼气内燃发电机组的发电效率；PICE为沼气内燃发电机组的发电功率，PZQ为沼气内燃发电机组的沼气消耗热值功率。进一步的，采用粒子群优化算法，根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组的实时运行状态信息数据求解沼气内燃发电机组的协同优化控制模型，得到最优协同控制变量的数值的方法具体为：步骤3.1初始化粒子群，D为粒子群的规模,随机初始化协同优化控制变量粒子Ki的初始位置xj和初始速度vj，j∈[1,D]；计算每个粒子的适应度函数值，将设置为第j个粒子为当前搜索到的最优位置，gbest设置为粒子群中所有粒子中所能搜索到的最佳位置；初始化迭代次数t＝1,设置最大迭代次数T。步骤3.2更新当前粒子群中所有粒子j的位置xj和速度vj，j∈[1,D]；根据建立的沼气内燃发电机组运行模型、发电需求和采集的实时运行状态数据计算当前粒子的适应度函数值，所述适应度函数为步骤3.3若粒子j的适应度函数值f(xj)优于自身个体极值的适应度函数值就用粒子当前的位置xj替换若粒子j的适应度函数值f(xj)优于本文档来自技高网...

【技术保护点】
1.一种沼气内燃发电机组的协同优化控制系统，其特征在于，包括：信息采集模块、传感计量模块、处理器、数据库和执行机构，信息采集模块与传感计量模块连接、处理器分别连接，信息采集模块采集传感计量模块的检测的数据后，将数据传输至处理器，处理器分别与数据库和执行机构连接，处理器将数据存储在数据库中，通过处理采集的数据输出相应的控制指令至执行机构。

【技术特征摘要】
1.一种沼气内燃发电机组的协同优化控制系统，其特征在于，包括：信息采集模块、传感计量模块、处理器、数据库和执行机构，信息采集模块与传感计量模块连接、处理器分别连接，信息采集模块采集传感计量模块的检测的数据后，将数据传输至处理器，处理器分别与数据库和执行机构连接，处理器将数据存储在数据库中，通过处理采集的数据输出相应的控制指令至执行机构。2.如权利要求1所述的一种沼气内燃发电机组的协同优化控制系统，其特征在于：所述传感计量模块包括分别与信息采集模块连接的沼气在线分析仪、超声波沼气流量计、沼气压力计、涡街空气流量计、混合气流量计、氧传感器、沼气内燃发电机组排烟气温度计、沼气内燃发电机组排烟气流量计、缸套水进水温度传感器、缸套水出水温度传感器、涡街缸套水流量计、转速传感器、润滑油温度和电能表。3.如权利要求1所述的一种沼气内燃发电机组的协同优化控制系统，其特征在于：所述执行机构包括：分别与处理器连接的沼气电控比例阀门、空气电控比例阀门和混合气电控比例阀门。4.如权利要求1所述的一种沼气内燃发电机组的协同优化控制系统，其特征在于：所述数据库为SQLite嵌入式数据库。5.基于权利要求1-4任一项所述的一种沼气内燃发电机组的协同优化控制系统的控制方法，其特征在于，包括如下步骤：采集沼气内燃发电机组的运行状态信息并存储；根据采集的运行状态信息采用深信度网络DBN建立沼气内燃发电机组整体运行模型；以沼气内燃发电机组发电效率最高为控制目标，以沼气电控比例阀门的控制量、空气电控比例阀门的控制量和混合气电控比例阀门的控制量为协同控制变量，确定沼气内燃发电机组协同优化控制模型；采用粒子群优化算法，根据建立的沼气内燃发电机组整体运行模型、发电需求侧数据和采集的机组的实时运行状态信息数据求解沼气内燃发电机组的协同优化控制模型，得到最优协同控制变量的数值。6.如权利要求5所述的一种沼气内燃发电机组的协同优化控制方法，其特征在于：所述采用深信度网络DBN建立沼气内燃发电机组整体运行模型的方法为：步骤2.1确定沼气内燃发电机组建模的输入变量Ii与输出变量Oi，将采集的沼气内燃发电机组的运行状态信息作为输入变量Ii与输出变量Oi的数据；步骤2.2采用基于atan函数的数据归一化方法，将输入变量数据归一化；步骤2.3构造基于深度学习的深信度网络DBN，根据输入变量Ii数据归一化后的数据和输出变量Oi的数据训练深信度网络DBN，获得沼气内燃发电机组的基于深信度网络的整体运行模型。7.如权利要求6所述的一种沼气内燃发电机组的协同优化控制方法，其特征在于：所述步骤2.3构造基于深度学习的深信度网络DBN，根据输入变量Ii数据归一化后的数据和输出变量Oi的数据训练深信度网络DBN，获得沼气内燃发电机组的基于深信度网络的整体运行模型，具体包括以下步骤...

【专利技术属性】
技术研发人员：赵峰，张广渊，潘为刚，韩耀振，黄欣，
申请(专利权)人：山东交通学院，
类型：发明
国别省市：山东,37