DE10110184A1

DE10110184A1 - Verfahren zur Regelung eines Verbrennungsprozesses

Info

Publication number: DE10110184A1
Application number: DE10110184A
Authority: DE
Inventors: Franz Wintrich; Volker Stephan
Original assignee: Powitec Intelligent Technologies GmbH
Current assignee: Powitec Intelligent Technologies GmbH
Priority date: 2001-03-02
Filing date: 2001-03-02
Publication date: 2002-09-12

Abstract

In einem Verfahren zur Regelung eines Verbrennungsprozesses, bei dem der Zustand (s¶t¶) des Systems gemessen wird, mit Optimierungszielen (r·j·) verglichen wird und zur Regelung geeignete Stellaktionen (a·i·) im System durchgeführt werden, wird ein von den Optimierungszielen (r·j·) unabhängiges Prozeßmodell (PM) ermittelt, welches die Auswirkungen von Aktionen (a¶t¶) auf den Zustand (s¶t¶) des Systems beschreibt, und eine vom Prozeßmodell (PM) unabhängige Situationsbewertung (SB) bewertet mittels Gütefunktionen (u¶t¶) den Zustand (s¶t¶) des Systems im Hinblick auf die Optimierungsziele (r·j·).

Description

Die Erfindung betrifft ein Verfahren zur Regelung eines Verbrennungsprozesses mit den Merkmalen des Oberbegriffs des Anspruches 1.

Bei einem bekannten Verfahren dieser Art wird aus den Zustandsvariablen und den mög lichen Stellaktionen unter Berücksichtigung der Optimierungsziele durch Faltung eine Güte gebildet. Im Rahmen eines Monte-Carlo-Verfahrens wird ausgehend von einem al ten Zustand eine Stellaktion ausgeführt und der neue Zustand bestimmt. Die daraus re sultierende Änderung der Güte ist ein Maß für die Eignung der ausgeführten Stellaktion zur Erreichung des Optimierungsziels. Das System paßt sich mit diesem Verfahren dem nächstliegenden Extremum an, auch bei häufigen Änderungen der Optimierungsziele. Das Verfahren läßt aber noch Wünsche übrig.

Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren der eingangs ge nannten Art zu verbessern. Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruches 1 gelöst. Weitere vorteilhafte Ausgestaltungen sind Gegenstand der Un teransprüche.

Dadurch, daß ein von den Optimierungszielen unabhängiges Prozeßmodell ermittelt wird, welches die Auswirkungen von Aktionen auf den Zustand des Systems beschreibt, und eine vom Prozeßmodell unabhängige Situationsbewertung mittels Gütefunktionen den Zustand des Systems in Hinblick auf die Optimierungsziele bewertet, steht ein modell basiertes Regelungsverfahren zur Verfügung, das sowohl bei der Bewertung des Zustan des des Systems als auch nach größeren Änderungen des Zustandes die Informationen aus der Vergangenheit weiter verwenden kann. Bei dem bekannten Verfahren hingegen müs sen für die Ermittlung der Güte fast alle Informationen neu beschafft werden, d. h. mit der Adaption an einen neuen Zustand werden die alten Informationen verlernt.

Aufgrund der eingesparten Rechnerleistung können mit dem erfindungsgemäßen "Prozeßnavigator" vorzugsweise die Zustände im voraus berechnet und nur geeignete Stellaktionen zur Erreichung des Optimierungsziels durchgeführt werden. Dabei wird das Prozeßmodell ständig verfeinert, um künftig günstiger das Optimierungsziel zu erreichen. Bei einer bevorzugten Behandlung des Prozeßmodells in einem neuronalen Netz wird vorzugsweise zunächst eine Initialisierung mit ausgewählten Zuständen und einem ge glätteten und gewichteten Zeitverhalten des Systems durchgeführt, um später ziellose Stellaktionen zu vermeiden.

Im folgenden ist die Erfindung anhand eines Ausführungsbeispiels näher erläutert.

Der beispielhafte Verbrennungsprozeß läuft in einem Feuerungskessel eines Kohlekraft werkes ab und soll so geregelt werden, daß er einerseits eine gewisse Stabilität und ande rerseits eine gewisse Plastizität aufweist, d. h. sich den Gegebenheiten anpaßt. Der Zu stand im Kessel wird beschrieben durch (zeitabhängige) Zustandsvariablen s_t, beispiels weise Temperaturen an verschiedenen Stellen im Kessel, Flammentexturen und/oder Konzentrationen verschiedener Schadstoffe in der Abluft, die durch geeignete Sensoren ermittelt werden. Für die formelmäßige Beschreibung des Verbrennungsprozesses sind die Parameter und Variablen, wie beispielsweise s_t, als mehrdimensionale Vektoren zu verstehen. Der Zustand s_t des Verbrennungsprozesses kann geändert werden durch ver schiedene Aktionen a_t, insbesondere durch eine Änderung der Stellgrößen, wie beispiels weise der Zufuhr von Kohle, Kernluft oder Ausblasluft, aber auch der Kohlequalität. Es bestehen Optimierungsziele r^j für den Verbrennungsprozeß, beispielsweise daß die Kon zentration von Stickoxiden NO_x und Kohlenmonoxid CO unterhalb von vorgegebenen Grenzwerten liegen oder minimal werden.

Für eine online-Überwachung und -Regelung und Vorhersagen über künftige Zustände des Kessels mit Hilfe eines neuronalen Netzes wird erfindungsgemäß zum einen ein Pro zeßmodell PM definiert, welches die Änderung des Zustandes s_t des Verbrennungspro zesses als Reaktion auf Aktionen a_t angibt. Das Prozeßmodell PM ist unabhängig von den Optimierungszielen r^j und operiert auf einem Zeitfenster zurückliegender Prozeßzustände, um einen zeitlichen Kontext zu integrieren. In den Verknüpfungen der Variablen stecken Informationen über spezifische Eigenschaften des Kessels. Zum anderen wird für eine Situationsbewertung SB eine Güte u_t definiert, welche einen bestimmten, aktuellen Zu stand s_t unter Berücksichtigung der Optimierungsziele r^j bewertet. Diese Definition er folgt nach den Gesichtspunkten vorgegebener Kennlinien und einer Fuzzy-Logik, also im einfachsten Fall ist beispielsweise für eine bestimmter Schadstoffkonzentration die Güte u_t = 1 bei verschwindender Schadstoffkonzentration, u_t = 0 bei Erreichen des oberen Grenzwertes der Schadstoffkonzentration, und dazwischen besteht eine lineare Abhän gigkeit. Die Situationsbewertung SB ist unabhängig von den Aktionen a_t. Für die Bewer tung zum Zeitpunkt t und den Schritt zum Zeitpunkt t + 1 ergibt sich:

u_t = Σu(r^j, s_t) (SB)

s_t+1 = f(s_t, a_t) (PM)

Gegenüber der bekannten Gütefunktion, welche den Zustand des Systems, die Aktionen und die Optimierungsziele faltet, so daß bei Änderungen des Zustandes die gesamte Gü tefunktion neu ermittelt werden muß, bleibt bei dem erfindungsgemäßen Verfahren das Prozeßmodell PM erhalten. Bei einer numerischen Realisierung mittels eines neuronalen Netzes bedeutet dies, daß nicht unter Verlust der Informationen aus der Vergangenheit das gesamte neuronale Netz bei jeder Aktion neu adaptiert werden muß, was Rechnerka pazität und -zeit kostet, sondern Informationen über das Prozeßmodell erhalten bleiben. In einer gedachten Darstellung des Zustandsraums, bei welcher jeder Zustand s_t durch einen Punkt in einer Landkarte symbolisiert wird, nimmt die Anzahl der Punkte auf der Landkarte zu, ohne daß Punkte verloren gehen.

Die eingesparte Rechnerleistung kann dazu genützt werden, künftige Zustände des Sy stems zu berechnen, um so eine globale Optimierung anstelle einer lokalen Optimierung zu erreichen. Hierzu wird eine Gesamtgüte Q definiert, in welcher die Güten u_t für meh rere, vorausberechnete Situationsbewertungen SB berücksichtigt werden. Bei N voraus berechneten Zeitschritte ergibt sich:

Aufgrund der Vorausberechnungen ist es nicht mehr notwendig, mittels eines random walk-Modells den Kessel selber verschiedene Zustände anfahren zu lassen, um die Be dingungen für den optimalen Verbrennungsprozeß zu finden.

Um das Prozeßmodell PM zu bauen, werden zunächst für die Netzarchitektur die Stell größen und die zur Verfügung stehenden Zustandsvariablen samt ihren technisch mögli chen und als sinnvoll erachteten Grenzwerten bestimmt, wobei vorzugsweise Erweite rungsmöglichkeiten vorgesehen sind. Für die zu messenden Zustandsvariablen wird eine vor der Eingabe in das neuronale Netz anzuwendende Rauschfilterfunktion definiert. Mit der Methode der optimalen Versuchsplanung wird ein Explorationsplan entworfen, wel cher innerhalb der als sinnvoll erachteten Grenzwerte einige Zustände (ca. 500 Stück) auswählt. Der Kessel wird nun nacheinander durch gezielte Stellaktionen zumindest nä herungsweise in diese Zustände gebracht, welche dann im neuronalen Netz gespeichert werden. Bei dieser Exploration ist es sinnvoll, nach einer Stellaktion unter Rückgriff auf gespeicherte, vergangene Werte der Zustandsvariablen, welche geglättet und gewichtet (Verhältnis der Zustandsvariablen vor, während und nach der Stellaktion) werden, eine Vielkanalzeitfunktion zu erstellen, die dann benutzt werden kann, um geordnete Ände rungen des Zustands herbeizuführen.

Ausgehend von diesem initialisierten Prozeßmodell PM wird im laufenden Betrieb der Kessel optimal geregelt, indem zunächst im neuronalen Netz in Abhängigkeit der Opti mierungsziele r^j ausgehend vom aktuellen Zustand vorab das globale Optimum des Sy stems und die zur Erreichung dieses Ziels optimalen Stellaktionen numerisch gesucht werden. Die optimalen Stellaktionen können wie folgt gewonnen werden: Ausgehend von dem aktuellen Zustand s_t werden die Auswirkungen verschiedener Aktionen aⁱ, insbeson dere Änderungen der signifikanten Stellgrößen, ermittelt, d. h. über das Prozeßmodell PM die Zustände sⁱ _t+1 und dann über die Situationsbewertung SM die Güte uⁱ _t+1 berechnet, gegebenenfalls mehrere Zeitschritte im voraus. Die Güte uⁱ _t+1 bzw. die Gesamtgüte Qⁱ legt dann automatisch fest, welche Stellgröße geändert werden soll.

Sind die optimalen Stellaktionen aⁱ ermittelt, führt die Regelungselektronik des Kessels diese Stellaktionen aⁱ automatisch aus, beispielsweise indem die als Stellgröße behandelte Zufuhr diverser Betriebsstoffe geändert wird. Dabei wird ständig im Kessel eine Datener fassung und -validierung der Zustandsvariablen vorgenommen, um durch Trainieren des neuronalen Netzes die Dichte der bekannten Zustände s_t in der Landkarte des Zustands raums zu erhöhen.

Treten nach Erreichen des Optimums weitere Aktionen a_t auf, d. h. geplanten Stellaktio nen oder ungeplanten Störungen, ist eine erneute Optimierung mit den beschriebenen Schritten erforderlich. Bei diesem Trainieren des Prozeßmodells PM kann es auch sinn voll oder notwendig sein, die Netzarchitektur zu erweitern, beispielsweise über die als sinnvoll erachteten Grenzwerte hinaus hin zu den technisch möglichen Grenzwerten, wenn bei der Aufsuchung des Optimums das neuronale Netz häufig an einen als sinnvoll erachteten Grenzwert stößt. Mittels einer Signifikanzprüfung wird laufend festgestellt, welche Stellgrößen den größten Einfluß auf den Zustand des Systems haben, so daß deren Änderung bei der Suche nach dem Optimum bevorzugt berücksichtigt wird, insbesondere wenn eine größere Zustandsänderung notwendig ist.

Prinzipiell würde es für eine Regelung des Kessels ausreichen, wenn von den Aktionen die (üblichen) Stellgrößen und von den Zustandsvariablen einige charakteristische Pro zeßparameter berücksichtigt würden. Wenn aber vorliegend auch Störgrößen, wie bei spielsweise eine schwankende Kohlequalität oder ein Verschleiß des Kessels K, als Ein gaben in das Prozeßmodell eingehen sollen, ist eine Beobachtung des Inneren des Kessels notwendig, beispielsweise durch eine Flammenspiegelung.

Claims

1. Verfahren zur Regelung eines Verbrennungsprozesses, bei dem der Zustand (s_t) des Systems gemessen wird, mit Optimierungszielen (r^j) verglichen wird und zur Rege lung geeignete Stellaktionen (aⁱ) im System durchgeführt werden, dadurch gekenn zeichnet, daß ein von den Optimierungszielen (r^j) unabhängiges Prozeßmodell (PM) ermittelt wird, welches die Auswirkungen von Aktionen (a_t) auf den Zustand (s_t) des Systems beschreibt, und ein vom Prozeßmodell (PM) unabhängige Situationsbewer tung (SB) mittels Gütefunktionen (u_t) den Zustand (s_t) des Systems in Hinblick auf die Optimierungsziele (r^j) bewertet.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß vor der tatsächlichen Durchführung von Stellaktionen (aⁱ) im System numerisch mit dem Prozeßmodell (PM) die Auswirkungen verschiedener Stellaktionen (aⁱ) auf den Zustand (s_t) des Sy stems berechnet und jeweils mit der Situationsbewertung (SB) bewertet werden und dann die optimalen Stellaktionen (aⁱ) im System durchgeführt werden.

3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß die Auswirkungen ver schiedener Stellaktionen (aⁱ) auf den Zustand (s_t) des Systems mehrere Zeitschritte (t) im voraus berechnet werden und eine Gesamtgüte (Q) bewertet wird.

4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das Prozeßmodell (PM) mit den Informationen aus den laufenden Messungen des Zustandes (s_t) des Systems laufend verfeinert wird.

5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß die Ergebnisse der laufen den Messungen vor einer Eingabe in das Prozeßmodell (PM) einem Rauschfilter un terworfen werden.

6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das Prozeßmodell (PM) in einem neuronalen Netz gespeichert wird, welches laufend trainiert wird.

7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß vor Beginn des Dauerbetriebs des Systems zur Initialisierung des Prozeßmodells (PM) eine Exploration einiger ausgewählter Zustände (s_t) des Systems durchgeführt wird.

8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, daß die Exploration das geglät tete und gewichtete Zeitverhalten des Systems auf eine Stellaktion (aⁱ) berücksichtigt.

9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Gütefunktionen (u_t) nach den Regeln einer Fuzzy-Logik aufgestellt werden.

10. Vorrichtung zur Durchführung eines Verfahrens nach einem der vorhergehenden An sprüche, mit Sensoren zur Messung des Zustandes (s_t) des Systems, einer Datenver arbeitungsanlage zur Anwendung des Prozeßmodells (PM) zur Situationsbewertung (SB) und einer Rückkopplung auf das System zur Durchführung von Stellaktionen (aⁱ).