估计整体煤气化联合循环(IGCC)厂中的变量的方法和系统

摘要

提供用于估计整体煤气化联合循环（IGCC）发电厂中的变量的系统和方法。该系统包括传感器套件，用于测量相应的厂输入和输出变量。扩展卡尔曼滤波器（EKF）接收感测的厂输入变量并且包括动态模型，用于生成多个厂状态估计和对这些状态估计的协方差矩阵。抢先约束处理器配置成抢先地将状态估计和协方差矩阵约束为无约束违规。测量-校正处理器可配置成基于感测的厂输出变量的处理来校正受约束的状态估计和受约束的协方差矩阵。该测量-校正处理器耦合以用校正的状态估计和校正的协方差矩阵来更新动态模型。更新的动态模型可配置成估计起初未被传感器套件感测的至少一个厂变量的值。

说明书

关于联邦资助的开发的声明

本发明用政府支持、根据由美国能源部授予的合同号DE-FC26-07NT43094做出。因此，美国政府在本发明中具有某些权利。

相关申请的交叉引用

该申请与同此同时提交并且通过引用而全部合并于此的题为“Model Predictive Control System And Method For Integrated Gasification Combined Cycle Power Generation（整体煤气化联合循环发电的模型预测控制系统和方法）”的美国专利申请号13/053731（律师案号250557-1）有关。

技术领域

本发明一般涉及整体煤气化联合循环（IGCC）发电，并且更特定地涉及用于估计IGCC发电厂中的变量的方法和系统。

背景技术

整体煤气化联合循环（IGCC）技术作为清洁和高效发电的有吸引力的技术而持续发展，例如可从大量含碳物质（例如煤或其他相对低成本的燃料）生成。在IGCC的前端是称为煤气化的工艺，其是将燃料（例如，煤）转变成可燃合成气体（合成气）流的部分氧化工艺。因为污染引起的排放（例如，SO_X、NO_X、汞、微粒，等）可大致上在发生燃烧之前从合成气流去除，IGCC是环境友好的。尽管IGCC技术固有地保持清洁和高效发电的明显可能性，还要利用机会以对于增强的可靠性、可用性、效率和灵活性来改进IGCC发电。

已知用于操作IGCC电厂的本技术趋于基于过分简单的控制程序，如可通过严格且繁琐的操作者指南而传达给操作者，而不必设计成实现任何有意义的优化策略，例如可由于用于监测并且控制IGCC厂的有限的在线信息而引起。例如，IGCC厂的煤气化段可经受相对恶劣的操作环境并且因此有限的在线传感器可用于监测和控制。

还已知基于模型的估计实现可有助于估计厂变量。然而，存在因为在这样的估计实现中可通常未适当地解释建模和/或感测不确定性而可能出现的挑战。

鉴于前面的考虑，制定其中可将厂测量（如可通过传感器套件获得的）与基于模型的估计组合用于估计厂变量的估计策略，可对于建模和/或感测不确定性适当地校正这些厂变量而不增加任何相当大的计算负担并且同时实现相当大的估计准确度，这将是可期望的。

发明内容

一般地，本发明的至少一些方面可由用于估计整体煤气化联合循环（IGCC）发电厂中的变量的系统实现，该系统可包括传感器套件，其耦合来感测指示相应的厂输入变量和厂输出变量的信号。该系统可进一步包括扩展卡尔曼滤波器（EKF），其耦合来接收感测的厂输入变量并且包括厂的动态模型，用于在离散时间处生成多个厂状态估计和对这些状态估计的协方差矩阵。抢先约束处理器可配置成抢先地将状态估计和协方差矩阵约束为无约束违规。测量-校正处理器可配置成基于感测的厂输出变量的处理来校正受约束的状态估计和受约束的协方差矩阵。该测量-校正处理器耦合以用校正的状态估计和校正的协方差矩阵来更新动态模型。更新的动态模型可配置成估计起初未被传感器套件感测的至少一个厂变量的值。

本发明的至少一些额外的方面可由用于估计整体煤气化联合循环（IGCC）发电厂中的变量的方法实现。该方法可包括下面的动作：使传感器套件耦合来感测指示相应的厂输入变量和厂输出变量的信号；向扩展卡尔曼滤波器（EKF）供应感测的厂输入变量，该扩展卡尔曼滤波器包括厂的动态模型，用于在离散时间处生成多个状态估计和对这些状态估计的协方差矩阵；抢先地将状态估计和协方差矩阵约束为无约束违规；基于感测的厂输出变量的处理来校正受约束的状态估计和受约束的协方差矩阵；用校正的状态估计和校正的协方差矩阵来更新动态模型；以及用更新的动态模型来估计起初未被传感器套件感测的至少一个厂变量。

本发明的再另外的方面可由具有计算机可执行指令的非暂时性有形计算机可读介质实现，这些计算机可执行指令在由处理器执行时配置成执行下面的动作：测量来自传感器套件的信号，这些信号指示相应的厂输入变量和厂输出变量；向扩展卡尔曼滤波器供应感测的厂输入变量，该扩展卡尔曼滤波器包括厂的动态模型，用于在离散时间处生成多个状态估计和对这些状态估计的协方差矩阵；抢先地将状态估计和协方差矩阵约束为无约束违规；基于感测的厂输出变量的处理来校正受约束的状态估计和受约束的协方差矩阵；用校正的状态估计和校正的协方差矩阵来更新动态模型；以及用更新的动态模型来估计起初未被传感器套件感测的至少一个厂变量。

附图说明

当下列详细描述参照附图（其中类似的符号代表整个图中类似的部件）阅读时，本发明的这些和其他特征、方面和优势将变得更好理解，其中：

图1是实施本发明的方面、如可用于在整体煤气化联合循环（IGCC）电厂中执行在线估计的示例估计系统的框图表示。

图2是IGCC厂的示例煤气化段（如可由动态模型模拟的、如可以是在图1中示出的估计系统的一部分）的简化示意模型表示。

图3是图示关于抢先地受约束的扩展卡尔曼滤波器（EKF）（如可以是在图1中示出的估计系统的一部分）的示例处理动作的流程图。

具体实施方式

本发明的方面可在用于整体煤气化联合循环（IGCC）发电厂的在线感测系统的上下文中应用。在一个示例实施例中，可将厂变量的测量（如可通过传感器套件获得的）与基于模型的估计（例如，扩展卡尔曼滤波器（EKF）估计）组合用于估计厂变量，其中的一些起初可未被传感器套件测量。

如将由本领域内技术人员意识到的，已经证明EKF估计是估计动态厂的状态的强大的计算工具。然而，在传统的EKF实现中，存在因为在这样的EKF实现中可通常未适当地解释模型或信号不确定性而可能出现的挑战。例如，对厂状态的约束可因为这样的约束可能未容易地被传统EKF实现的处理架构所适应而被忽略。这些约束可基于厂的现实世界的物理和/或操作考虑并且因此约束违规可导致不准确的EKF估计或甚至可以导致厂实际操作条件的错误评估。

本发明的发明人提出创新性且简洁的策略或抢先地约束EKF使得可在不增加任何大量计算负担的情况下可实现EKF估计的准确性方面的大大改进。如本文使用的，“抢先地约束”指执行适于在执行（卡尔曼滤波器）测量更新之前避免约束违规的处理动作。

图1是实施本发明的方面的示例估计系统10的框图表示。在一个示例实施例中，系统10可用于估计整体煤气化联合循环（IGCC）发电厂12中的参数。传感器套件14可耦合来感测指示例如燃料输入（例如，煤浆）、再循环CO₂、氧气馈送等相应的厂输入变量16的信号。传感器套件14可进一步耦合来感测指示例如合成气组成和温度、合成气流率、碳转换等相应的厂输出变量18的信号。

估计系统10可进一步包括扩展卡尔曼滤波器（EKF）20，其包括根据本发明的方面的抢先地受约束的EKF。厂的动态模型22耦合来接收感测（即，测量）的厂输入变量16并且在离散时间处传播多个厂状态估计和对这些状态估计的协方差矩阵。将意识到在该卡尔曼循环阶段，厂状态估计（例如，先验估计）可经受感测不准确性，例如在来自传感器套件14的测量中存在的偏置和/或噪声和/或建模不准确性，其可在动态模型12中存在。

抢先约束处理器24配置成抢先地将传播的状态估计和协方差矩阵约束为无约束违规。在一个示例实施例中，抢先约束处理器24生成受约束的状态估计和受约束的协方差矩阵。测量校正处理器26配置成基于感测的厂输出变量18来校正受约束的状态估计和受约束的协方差矩阵。在一个示例实施例中，这样的校正可牵涉将至少一个感测的厂输出变量与至少一个对应的模型输出变量比较。

测量校正处理器26耦合以用校正的状态估计和校正的协方差矩阵来更新动态模型22。在一个示例实施例中，校正的状态估计可包括对厂的动态状态、输入（例如，控制输入）、输出变量（例如可包括虚拟输出（即，未被传感器套件14测量的厂输出变量））、测量变量的偏置和模型参数的相应校正。在一个示例实施例中，更新动态模型可包括限定先前未知的模型参数和/或更新随时间变化的模型参数，例如气化器动力学、辐射合成气冷却器（RSC）结垢等。在一个示例实施例中，更新的动态模型可配置成估计至少一个厂变量的值，其起初可未被传感器套件14感测（即，虚拟感测）。尽管动态模型22、抢先约束处理器24和测量校正处理器26在图1中图示为独立处理器（例如，处理模块），本领域内技术人员将容易意识到这样的处理器可集成在公共处理器中。

图2是如可通过动态模型22而建模的示例煤气化段32的简化示意模型表示。如将由本领域内技术人员容易意识到的，煤气化段32的示例模型组件可包括气化器模型组件34、辐射合成气冷却器（RSC）模型组件36、RSC淬火模型组件38、高压（HP）汽包模型组件40和洗涤器模型组件42。由气化器模型组件34接收的示例输入变量可指示燃料输入（例如，煤浆）、再循环CO₂和氧气馈送。由气化器模型组件34供应的示例模型输出变量可以是气化器出口合成气组成和温度、灰流和碳转换。

由RSC模型组件36接收的示例输入可以是来自气化器模型组件34的合成气输出流，和来自HP汽包模型组件40的水/汽流以例如计算合成气温度中的瞬态变化、RSC管道应力的水平以及RSC管道中的水流中的汽分数。淬火模型组件38可接收来自RSC出口的相应合成气和/或灰/渣流作为示例输入以例如计算淬火出口合成气流流率、组成和焓。RSC模型组件36可耦合于HP汽包模型组件40，以例如计算HP汽包与RSC管件之间的水/汽循环流率。洗涤器模型组件42可从淬火模型组件38接收淬火合成气输出并且然后计算洗涤的合成气组成和温度。将意识到前面的煤气化段32的模型表示应该在示例意义上而非限制性意义上解释，因为本发明的方面既不限于对于IGCC厂的煤气化段的任何特定建模实现也不限于任何特定煤气化设计。

在一个示例实施例中，动态模型22可包括适合于在线模型预测和优化的煤气化段的降阶动态模型。在一个示例实施例中，降阶模型可能够比全阶模型大致上更快执行模拟（例如，快了近似至少1000倍）同时维持相对高水平的准确性。将意识到在实际实施例中，降阶模型的更快的模拟速度对于实时模型和感测和/或控制设计是可期望的。

图3是图示关于实施本发明的方面的扩展卡尔曼滤波器20（图1）的示例处理动作的流程图。框50代表初始化动作，例如可允许状态估计以及对状态估计的协方差矩阵的相应初始化。框52允许处理动态模型22一个时间步，如可允许状态估计和状态协方差矩阵的相应更新。框52代表抢先约束动作，例如可允许基于协方差矩阵的sigma-点处理的状态估计和协方差矩阵的相应抢先约束。框56代表测量校正动作，例如可牵涉使用感测的厂输出变量来校正受约束的状态和受约束的协方差矩阵。如将由本领域内技术人员意识到的，EKF是递归过程并且在一个示例实施例中，框58允许在迭代地行进到框52中的下一个时间步以及随后的处理动作（例如约束动作54和测量校正动作56）之前执行动态模型22的更新动作。

数学基础

下文的描述将聚焦在实施本发明的方面的扩展卡尔曼滤波器（EKF）的基本数学基础上。下文的描述不意成为关于EKF的数学论文，因为这样的信息容易地在文献中可获得并且我们的意图只意在适当地突出实施本发明的方面的概念。

X_k代表状态向量（即，整体状态向量），其在一个示例实施例中可包括动态厂状态x_k、输入u_k和偏置b_k以及模型参数p_k，其中k指示离散采样时间。

                             等式1

术语

P代表状态向量的协方差矩阵。假定状态向量的示例大小是n_x×1，协方差矩阵P的大小将是n_x×n_x。矩阵Q代表建模不确定性，例如可由于建模不准确性而引起。矩阵R代表测量不确定性，例如可由于传感器噪声和/或偏置引起，UB和LB分别代表状态向量的上下界（例如，约束极限），EQ代表状态向量的相等类型的约束。

EKF初始化

如将由本领域内技术人员意识到的，标记指示初始状态向量并且可以基于多至并且包括时间0的测量而读为初始化时间（例如，时间0）处的初始状态估计。一般，可以基于多至并且包括时间k的测量而读为“时间k处的X估计”（即，后验估计）。相似地，可以基于直到时间k-1的测量而读为“时间k处的X估计”（即，先验估计）。指示状态向量的初始协方差矩阵。

EKF传播

         等式2

等式2指示用于生成当前时间步的先验估计的动态模型22（图1）的示例处理动作。

                     等式3

等式3指示当前时间步的预测输出。

                                      等式4

图4表示用于获得相应状态-空间矩阵A和C的动态模型（22）的线性化。

                       等式5

图5指示使用模型的线性化形式并且包括模型噪声的协方差矩阵的更新处理动作。应该意识到在一个示例实施例中，等式2-5可被框52（图3）所包含。

根据本发明的方面，本发明的发明人已经开发高效计算算法，用于在题为“执行测量更新”的段下执行处理动作之前抢先地约束EFK。

注意传统的EKF估计技术未在下面的题为“EKF的抢先约束”的段下执行处理动作。即，传统的EKF估计将在题为“执行测量更新”的段下继续于处理动作，其将被本领域内技术人员识别为卡尔曼滤波器循环的部分，其中测量更新通过该时间处的实际测量调整先验估计来生成后验估计。参见例如等式11的有机结构。将意识到测量更新牵涉计算卡尔曼增益K_k，其进而受到协方差估计的影响。参见例如等式12的有机结构。另一个步骤是计算后验协方差矩阵。参见例如等式13的有机结构。将意识到约束违规将不利地影响前面的计算的准确性。从而，通过执行要在下文描述的在题为“EKF的抢先约束”的段下的处理动作，有利地确保前面的等式的计算尊重任何可应用的约束而不引入任何大量的计算负担。

EKF的抢先约束

确定Sigma-点（SP）

                                等式6

等式6指示复制动作，其中在传播步骤中获得的状态向量X_k将被复制2n_x次。

             等式7

等式7指示关于每个状态估计的均值的增加和扣除一个或多个标准偏差来生成sigma点矩阵。

应用约束

 

对于所有i=1,…,n_x和j=1,…,2n_x       等式8

UB和LB分别代表等式8中的n_x×1个上下界向量。

确定具有受约束的均值和协方差元素的矩阵

                       等式9

等式9允许通过计算它相应列上的sigma点矩阵的平均值来确定受约束的状态向量。

等式10

等式10允许确定受约束的协方差矩阵（例如，与无迹卡尔曼滤波器（UKF）相似）。在一个示例实施例中，等式6-10可被框54（图3）所包含。

执行测量更新

                   等式11

等式11允许基于预测Y_k与测量的Y_k^m输出之间的差来校正状态向量。

其中              等式12

K_k代表用在等式10中确定的受约束的协方差矩阵而计算的卡尔曼增益。

  等式13

等式13允许在考虑实际厂测量效应的情况下更新状态协方差矩阵。在一个示例实施例中，等式11-13可被框56（图3）所包含。

虚拟感测

                   等式14

如在前面的论述中指出并且通过等式14而在数学上表示的，起初未测量的厂变量输出－由于多种示例目的（例如厂控制、监测和/或诊断）中的任何目的而可期望它们－可由具有更新的状态向量的处理动态模型22来估计。

预期继“执行测量更新”处理之后，根据给定应用的需要，可以通过使用对于本领域内技术人员将可用的技术来对受约束优化（例如，二次规划）问题求解而可选地执行状态估计和协方差矩阵的进一步约束。对于这样的受约束优化的解的示例，参见Dan Simon和Donald L.Simon的题为“Aircraft Turbofan Engine Health Estimation Using Constrained Kalman Filtering（使用受约束的卡尔曼滤波的飞行器涡轮风扇发动机健康估计）”（ASME Conf. Proc. 2003,485 (2003)）的论文。

将意识到本文公开的发明性估计系统和方法的方面可使用任何适合的编程语言或编程技术由任何适合的处理系统实现。系统可以采取硬件实施例、软件实施例或包括硬件和软件元件两者的实施例的形式。在一个实施例中，系统可通过软件（例如，抢先地受约束的EKF）和硬件（例如，处理器、传感器）实现，其可包括但不限于固件、常驻软件、微码等。此外，系统的部件可以采取从计算机可使用或计算机可读介质（其提供程序代码以供计算机或任何指令执行系统使用或连同它们一起使用）访问的计算机程序产品的形式。计算机可读介质的示例可包括非暂时性有形计算机可读介质，例如半导体或固态存储器、磁带、可移动计算机软盘、随机存取存储器（RAM）、只读存储器（ROM）、硬磁盘和光盘。光盘的当前示例包括光盘-只读存储器（CD-ROM）、光盘-读/写（CD-R/W）和DVD。接口显示器可以是平板、平面控制板显示器、PDA或诸如此类。

在一个示例实施例中，适合于存储和/或执行程序代码的处理系统在一个示例中可包括直接或通过系统总线间接耦合于存储器元件的至少一个处理器。这些存储器元件可以包括在程序代码的实际执行期间采用的本地存储器、大容量存储装置和高速缓存存储器，其提供至少一些程序代码的暂时性存储以便使在执行期间必须从大容量存储装置检索代码的次数减少。输入/输出或I/O设备（其包括但不限于键盘、显示器、指点装置，等）可以直接或通过介入的I/O控制器而耦合于系统。网络适配器也可耦合于系统来使数据处理系统能够通过介入的私有或公共网络而变成耦合于其他数据处理系统或远程打印机或存储装置。

尽管已经在本文图示并且描述本发明的某些特征，本领域内技术人员将想起许多修改和改变。因此，要理解附上的权利要求意在涵盖所有这样的修改和改变，它们落入本发明的真正精神内。