CN103149838B - 甲醇自热重整制氢过程的自适应控制方法 - Google Patents

Abstract

针对甲醇自热重整制氢过程模型参数的不确定性，本发明提出的甲醇自热重整制氢过程的自适应控制方法不依赖于被控对象的精确数学模型，在模型失配时依然可以获得良好的控制效果。本发明采用自适应控制器根据期望氢气产量、实际氢气产量和实际氢气产量变化率来操纵反应原料甲醇水溶液的流量，同时采用具有重整温度约束的变比值控制器来操纵另一反应原料空气的流量。本发明可以适应甲醇自热重整制氢过程的模型参数不确定性和输入之间的耦合，实现对甲醇自热重整制氢过程的先进控制。

Description

甲醇自热重整制氢过程的自适应控制方法

技术领域

本发明涉及甲醇自热重整制氢过程的控制方法，特别涉及甲醇自热重整制氢过程的自适应控制方法。

背景技术

随着能源危机的加剧，寻求可以替代化石燃料的新能源已经成为一个研究热点。能源问题对国民经济和国家发展有着重大影响，因此我国也将开发新能源作为一个战略。

氢气被认为是一种高效的清洁能源。燃料电池技术的快速发展也在推动着氢能的开发。燃料电池是一种将化学能直接转化为电能的能源转换装置。燃料电池因其具有很高的能量转换效率而受到关注。燃料电池的一个非常合适的燃料就是氢气。但由于氢气分子小、易燃易爆等性质，导致氢气的存储和运输存在困难。甲醇自热重整制氢工艺是直接为燃料电池现场供氢的优选方案之一。

甲醇自热重整制氢过程是一个涉及多个化学反应的复杂过程，是一个多输入多输出系统，并且模型参数具有不确定性，输入之间还存在着耦合。另外，燃料电池对输入气体的压力有严格的要求，频繁的大幅波动会引起燃料电池故障和缩短燃料电池的寿命。这些都给控制带来了困难，因此经典控制算法难以取得良好的控制效果。自适应控制因其具有适应变化的能力，成为一种可以应对系统不确定性的有效工具。

发明内容

为解决甲醇自热重整制氢过程的控制问题，本发明提供一种甲醇自热重整制氢过程的自适应控制方法。

甲醇自热重整制氢过程的自适应控制方法，其特征是采用自适应控制器根据期望氢气产量y_d、实际氢气产量y和实际氢气产量变化率x₂来操纵反应原料甲醇水溶液的流量u₁，同时采用具有重整温度T约束的变比值控制器来操纵另一反应原料空气的流量u₂，具体步骤包括：

所述自适应控制器按以下实际氢气产量y和甲醇水溶液的流量u₁之间的模型来操纵甲醇水溶液的流量u₁：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=x_2\\ {\stackrel{\·}{x}}_2=-a_1{x}_1-a_2{x}_2+b_1{u}_1+b_2{\stackrel{\·}{u}}_1+d\\ y=x_1\end{array}\right.---\left(1\right)$

式中，x₁为表征实际氢气产量的状态变量，为x₁的导数；为x₂的导数；为u₁的导数；d为干扰，其绝对值小于等于干扰的上限值d_M；为x₁、x₂、u₁、与d的线性函数，a₁、a₂、b₁、b₂为所述线性函数的正系数。

所述自适应控制器中，定义误差e₁、误差e₂和误差r为

$\left\{\begin{array}{c}{e}_1=x_1-y_d\\ e_2=x_2-{\stackrel{\·}{y}}_d\end{array}\right.---\left(2\right)$

r=λe₁+e₂  (3)

式中，λ为大于0的系数。

所述自适应控制器中，甲醇水溶液的流量u₁的导数为

${\stackrel{\·}{u}}_1=-k\left(t\right)r-[k\left(t\right)\mathrm{\δ}+k_v{v}^2]\mathrm{sgn}\left(r\right)+{\hat{W}}^T\mathrm{\Φ}\left(Z\right)---\left(4\right)$

式中，δ、k_v为大于0的系数；其中为y_d的二阶导数；sgn(r)为符号函数；k(t)为

$k\left(t\right)=\mathrm{\σ}[1+\frac{1}{{\mathrm{\ω}}_1}{\left|{\hat{W}}^T\mathrm{\Φ}\left(Z\right)\right|}^2+\frac{1}{{\mathrm{\ω}}_2}{\left|h(x_1,x_2,u_1)\right|}^2]---\left(5\right)$

式中，σ、ω₁、ω₂为大于0的系数；h(x₁,x₂,u₁)≥|-a₁x₁-a₂x₂+b₁u₁|。为神经网络的输出；Φ(Z)为作用函数，其中Z=V^TX，V为4×N维的权值矩阵，N为神经元的数目，X=[x₁ x₂ u₁ 1]^T为神经网络的输入；为N×1维的理想权值向量W的估计值，的更新规则为

$\stackrel{\·}{\hat{W}}=-\mathrm{\η\Φ}\left(Z\right)r-\mathrm{\γ\η}\left|r\right|\hat{W}---\left(6\right)$

式中，η、γ为大于0的系数。

所述变比值控制器中，空气的流量u₂和甲醇水溶液的流量u₁的比值为K，即

u₂=K(n)u₁  (7)

式中，K(n)为第n个采样周期空气的流量u₂和甲醇水溶液的流量u₁的比值；K(n)的取值根据重整温度T进行更新，重整温度T偏高时K(n)减小，重整温度T偏低时K(n)增大。

甲醇自热重整制氢过程的自适应控制方法，其特征是所述实际氢气产量变化率x₂采用高增益观测器进行估计，得到实际氢气产量变化率x₂的估计值所述高增益观测器为

$\left\{\begin{array}{c}{\stackrel{\·}{\hat{x}}}_1={\hat{x}}_2+p_{1}k(y-\hat{y})\\ {\stackrel{\·}{\hat{x}}}_2=p_2{k}^2(y-\hat{y})\\ \hat{y}={\hat{x}}_1\end{array}\right.----\left(8\right)$

式中，为实际氢气产量x₁的估计值，为的导数；为的导数；为y的估计值；k为观测器增益；p₁、p₂为系数，取值必须满足如下方程

z²+p₁z+p₂=0  (9)

具有互不相同根，其中z为所述方程的未知数。

本发明的有益效果是，提供了一种甲醇自热重整制氢过程的自适应控制方法。针对甲醇自热重整制氢过程的模型参数不确定性，本发明利用的自适应控制不依赖于被控对象的精确数学模型，这使得控制方法在模型失配时，仍然可以取得良好的控制效果。本发明采用所述自适应控制器根据期望氢气产量y_d、实际氢气产量y和实际氢气产量变化率x₂来操纵反应原料甲醇水溶液的流量u₁，同时采用所述具有重整温度T约束的变比值控制器来操纵另一反应原料空气的流量u₂。本发明可以适应甲醇自热重整制氢过程的模型参数不确定性和输入之间的耦合，实现对甲醇自热重整制氢过程的先进控制。

附图说明

图1为本发明对应的甲醇自热重整制氢过程的控制框图。

具体实施方式

甲醇自热重整制氢过程的自适应控制方法以反应原料甲醇水溶液的流量u₁和另一反应原料空气的流量u₂为操纵变量，以氢气产量y和重整温度T为被控变量。

甲醇自热重整制氢过程的自适应控制方法，其特征是采用自适应控制器根据期望氢气产量y_d、实际氢气产量y和实际氢气产量变化率x₂来操纵反应原料甲醇水溶液的流量u₁，同时采用具有重整温度T约束的变比值控制器来操纵另一反应原料空气的流量u₂，具体步骤包括：

所述甲醇水溶液中，水和甲醇的摩尔比一般为(1.0～1.5):1，本实施例采用1.2:1。

所述自适应控制器按以下实际氢气产量y和甲醇水溶液的流量u₁之间的模型来操纵甲醇水溶液的流量u₁：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=x_2\\ {\stackrel{\·}{x}}_2=-a_1{x}_1-a_2{x}_2+b_1{u}_1+b_2{\stackrel{\·}{u}}_1+d\\ y=x_1\end{array}\right.---\left(1\right)$

式中，x₁为表征实际氢气产量的状态变量，为x₁的导数；为x₂的导数；为u₁的导数；d为干扰，其绝对值小于等于干扰的上限值d_M；为x₁、x₂、u₁、与d的线性函数，a₁、a₂、b₁、b₂为所述线性函数的正系数，正系数a₁、a₂、b₁、b₂的取值通过系统辨识实验获得。

所述自适应控制器中，定义误差e₁、误差e₂和误差r为

$\left\{\begin{array}{c}{e}_1=x_1-y_d\\ e_2=x_2-{\stackrel{\·}{y}}_d\end{array}\right.---\left(2\right)$

r=λe₁+e₂  (3)

式中，λ为大于0的系数。

所述自适应控制器中，甲醇水溶液的流量u₁的导数为

${\stackrel{\·}{u}}_1=-k\left(t\right)r-[k\left(t\right)\mathrm{\δ}+k_v{v}^2]\mathrm{sgn}\left(r\right)+{\hat{W}}^T\mathrm{\Φ}\left(Z\right)---\left(4\right)$

式中，δ、k_v为大于0的系数；其中为y_d的二阶导数；sgn(r)为符号函数；k(t)为

$k\left(t\right)=\mathrm{\σ}[1+\frac{1}{{\mathrm{\ω}}_1}{\left|{\hat{W}}^T\mathrm{\Φ}\left(Z\right)\right|}^2+\frac{1}{{\mathrm{\ω}}_2}{\left|h(x_1,x_2,u_1)\right|}^2]---\left(5\right)$

式中，σ、ω₁、ω₂为大于0的系数；h(x₁,x₂,u₁)≥|-a₁x₁-a₂x₂+b₁u₁|。为神经网络的输出；Z=V^TX=[z₁ z₂ … z_N]^T，V为4×N维的权值矩阵，N为神经元的数目，X=[x₁ x₂ u₁ 1]^T为神经网络的输入；本实施例的作用函数

Φ(Z)=[φ₁(z₁) φ₁(z₂) … φ₁(z_N)]^T

$\mathrm{\φ}\left(z_i\right)=\frac{e^{z_i}-e^{{-z}_i}}{e^{z_i}+e^{{-z}_i}},i=\mathrm{1,2},\·\·\·,N$

为N×1维的理想权值向量W的估计值，的更新规则为

$\stackrel{\·}{\hat{W}}=-\mathrm{\η\Φ}\left(Z\right)r-\mathrm{\γ\η}\left|r\right|\hat{W}---\left(6\right)$

式中，η、γ为大于0的系数。

所述自适应控制器中有系数λ，σ，ω₁，ω₂，δ，k_v，η和γ，它们对性能存在影响。

λ主要影响动态性能。λ的取值越大，动态响应速度加快，但同时操纵变量的变化也更为剧烈，这提高了对执行器的要求。因此，λ的取值需要综合考虑对动态性能的要求和执行器的能力来设定。

σ，ω₁和ω₂的作用是对k(t)进行调节。k(t)的取值越大，系统的动态响应越快，但同时操纵变量的变化也更为剧烈，因此会提高了对执行器的要求。除此以外，当k(t)的取值过大时，也容易给系统带来超调现象。因此，σ，ω₁和ω₂的取值需要综合考虑对动态性能的要求和执行器的能力来设定。在实际中，如果对h(x₁,x₂,u₁)的先验知识不足，可以将作为一个整体进行考虑。

[k(t)δ+k_vv²]sgn(r)一项对干扰和噪声有抑制作用，但是过大会产生抖动。因此，δ和k_v的取值也需要综合考虑对性能的要求和执行器的能力来设定。

η和γ影响的更新速度。η和γ的取值越大，的更新速度越快，但更新过快会加重执行器的负荷，并可能产生超调。因此，η和γ的取值同样需要结合实际情况来设定。

所述变比值控制器中，空气的流量u₂（单位：升/分钟）和甲醇水溶液的流量u₁（单位：毫升/分钟）的比值为K，即

u₂=K(n)u₁  (7)

式中，K(n)为第n个采样周期空气的流量u₂和甲醇水溶液的流量u₁的比值；K(n)的取值根据重整温度T（单位：摄氏度）进行更新，重整温度T偏高时K(n)减小，重整温度T偏低时K(n)增大。本实施例采用的更新规则为

K(n)=K(n-1)+△K

$\mathrm{\&Delta;K}=\left\{\begin{array}{c}-0.015,T>550\\ 0.015,T<510\\ \mathrm{0,510}\&le;T\&le;550\end{array}\right.$

甲醇自热重整制氢过程的自适应控制方法，其特征是所述实际氢气产量变化率x₂采用高增益观测器进行估计，得到实际氢气产量变化率x₂的估计值所述高增益观测器为

$\left\{\begin{array}{c}{\stackrel{\&CenterDot;}{\hat{x}}}_1={\hat{x}}_2+p_{1}k(y-\hat{y})\\ {\stackrel{\&CenterDot;}{\hat{x}}}_2=p_2{k}^2(y-\hat{y})\\ \hat{y}={\hat{x}}_1\end{array}\right.----\left(8\right)$

式中，为实际氢气产量x₁的估计值，为的导数；为的导数；为y的估计值；k为观测器增益；p₁、p₂为系数，取值必须满足如下方程

z²+p₁z+p₂=0  (9)

具有互不相同根，其中z为所述方程的未知数。

本发明对应的甲醇自热重整制氢过程的控制框图如图1所示。甲醇自热重整制氢过程的自适应控制方法采用自适应控制器根据期望氢气产量y_d、实际氢气产量y和实际氢气产量变化率x₂的估计值来操纵反应原料甲醇水溶液的流量u₁，同时采用具有重整温度T约束的变比值控制器来操纵另一反应原料空气的流量u₂。

上述具体实施方式用来解释说明本发明，仅为本发明的优选实施例而已，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改、等同替换、改进等，都落入本发明的保护范围。

Claims (1)

1.甲醇自热重整制氢过程的自适应控制方法，其特征是采用自适应控制器根据期望氢气产量y_d、实际氢气产量y和实际氢气产量变化率x₂来操纵反应原料甲醇水溶液的流量u₁，同时采用具有重整温度T约束的变比值控制器来操纵另一反应原料空气的流量u₂，具体步骤包括：

所述自适应控制器按以下实际氢气产量y和甲醇水溶液的流量u₁之间的模型来操纵甲醇水溶液的流量u₁：

$\left\{\begin{array}{c}{\stackrel{\&CenterDot;}{x}}_1=x_2\\ {\stackrel{\&CenterDot;}{x}}_2={-a}_1{x}_1-a_2{x}_2+b_1{u}_1+b_2{\stackrel{\&CenterDot;}{u}}_1+d\\ y=x_1\end{array}\right.---\left(1\right)$

式中，x₁为表征实际氢气产量的状态变量，为x₁的导数；为x₂的导数；为u₁的导数；d为干扰，其绝对值小于等于干扰的上限值d_M；为x₁、x₂、u₁、与d的线性函数，a₁、a₂、b₁、b₂为所述线性函数的正系数；

所述自适应控制器中，定义误差e₁、误差e₂和误差r为

$\left\{\begin{array}{c}{e}_1=x_1-y_d\\ e_2=x_2-{\stackrel{\&CenterDot;}{y}}_d\end{array}\right.---\left(2\right)$

r＝λe₁+e₂   (3)

式中，λ为大于0的系数；

所述自适应控制器中，甲醇水溶液的流量u₁的导数为

${\stackrel{\&CenterDot;}{u}}_1=-k\left(t\right)r-\&lsqb;k\left(t\right)\mathrm{\&delta;}+k_v{v}^2\&rsqb;sgn\left(r\right)+{\hat{W}}^T\mathrm{\&Phi;}\left(Z\right)---\left(4\right)$

式中，δ、k_v为大于0的系数；其中为y_d的二阶导数；sgn(r)为符号函数；k(t)为

$k\left(t\right)=\mathrm{\&sigma;}\&lsqb;1+\frac{1}{{\mathrm{\&omega;}}_1}|{\hat{W}}^T\mathrm{\&Phi;}\left(Z\right){|}^2+\frac{1}{{\mathrm{\&omega;}}_2}|h(x_1,x_2,u_1){|}^2\&rsqb;---\left(5\right)$

式中，σ、ω₁、ω₂为大于0的系数；h(x₁,x₂,u₁)≥|-a₁x₁-a₂x₂+b₁u₁|；为神经网络的输出；Φ(Z)为作用函数，其中Z＝V^TX，V为4×N维的权值矩阵，N为神经元的数目，X＝[x₁ x₂ u₁ 1]^T为神经网络的输入；为N×1维的理想权值向量W的估计值，的更新规则为

$\stackrel{\&CenterDot;}{\hat{W}}=-\mathrm{\&eta;}\mathrm{\&Phi;}\left(Z\right)r-\mathrm{\&gamma;}\mathrm{\&eta;}\left|r\right|\hat{W}---\left(6\right)$

式中，η、γ为大于0的系数；

所述变比值控制器中，空气的流量u₂和甲醇水溶液的流量u₁的比值为K，即

u₂＝K(n)u₁   (7)

式中，K(n)为第n个采样周期空气的流量u₂和甲醇水溶液的流量u₁的比值；K(n)的取值根据重整温度T进行更新，重整温度T大于550℃时K(n)减小，重整温度T小于510℃时K(n)增大。