[0001] 本公开大体涉及控制与优化系统，并且更具体地涉及用于化学循环(chemical looping)过程的控制与优化系统。

[0002] 化学循环(CL)是可用于发电装置的目前开发的过程，该发电装置燃烧诸如煤、生物量和其它机会燃料的燃料。CL过程可实施于现有的或新的发电装置中，并且在减小装置大小、减少排放和增加装置操作效率以及其它益处方面提供有前景的改进。

[0003] 典型的CL系统利用高温过程，由此诸如钙基或金属基化合物的固体例如在称作氧化器的第一反应器与称作还原器的第二反应器之间“循环”。在氧化器中，来自喷入氧化器内的空气的氧在氧化反应中由固体捕集。然后所捕集的氧由氧化固体携带到还原器以例如用于诸如煤的燃料的燃烧和/或气化。在还原器中的还原反应之后，不再具有捕集的氧的固体返回到氧化器以再次氧化，并且重复该循环。

[0004] CL过程例如比诸如常规循环流化床(CFB)装置的传统装置的过程更复杂。特别地，在CL过程中对循环固体的控制需要多环路相互作用的流量和存量控制，这在传统装置中不需要。因此，应用于CL过程的传统装置控制必然导致用于每个CL环路的单独的控制环路。然而，使用用于每个CL环路的单独控制环路效率较低，并且不优化CL过程的性能，这是因为精确控制取决于在个别环路之间的协调控制。因此，必须考虑用于CL过程的每个环路的变量之间的相互作用以优化总体CL过程性能。

[0005] 此外，CL过程具有多相流动和化学反应，其特征为由于质量输送和化学反应速率所致的过程非线性和时间延迟。因此，在过程设计的早期阶段不考虑控制优化系统的传统发电装置设计还不足以用于过程性能与系统可操作性的集成优化。

[0006] 因此目前已开发的优化工具集中于优化常规燃烧发电装置。因此，这些优化工具集中于解决很具体的局部优化问题而不是复杂装置操作的全局优化。此外，与常规燃烧发电装置的优化相关的统计分析方法基于变量之间线性关系的假设。因此，这些统计分析方法当用于分析CL过程中变量的复杂的、相互关联的非线性动态时是繁琐的并且不精确的。

[0007] 在基于CL系统的下一代发电装置中，蒸汽-水侧控制要求将保持与当前常规装置基本上相同(例如，给水与蒸汽流量、蒸汽压力、蒸汽温度、汽包液位)。然而，预期的是，将需要利用蒸汽-水侧变量和燃烧/气化CL变量的改进的控制以更好地处理CL过程中固有过程变量相互作用。此外，常规发电装置模拟器限于蒸汽/水侧过程动态并且仅仅非常简单的燃烧或炉过程动态被建模；诸如在CL过程中的复杂的气氛控制系统的动态模型在此时是不可用的。神经网络(NN)建模已用于常规发电装置模拟器，但是将该办法实施于基于CL的发电装置至今因此需要很大量的时间和努力以收集所需的统计意义上的大量测试数据量来开发验证的NN模型用于与CL装置相关的更复杂的过程动态。

[0008] 因此，需要开发控制与优化系统，更具体地克服上述不足的用于化学循环过程的集成控制与优化系统。

[0019] 本文公开用于基于CL的发电装置的化学循环(CL)系统的控制与优化系统，类似于在以引用的方式结合到本文中的美国专利No.7,083,658中更详细地描述的系统。参看图1，CL系统5包括例如还原器10的第一环路10和例如氧化器20的第二环路20。空气30供应到氧化器20，并且钙(Ca)40在其中氧化以产生氧化钙(CaO)50。CaO50供应到还原器10，并且作为载体将氧传送到供应至还原器10的燃料60(例如诸如煤60)。因此，传送到还原器10的氧在还原器10中与煤60相互作用。然后还原的金属氧化物，即金属40，返回到氧化器20以再次氧化成CaO 50，并且重复上述循环。

[0020] 在氧化期间从空气30提取的氮气(N2)70以及氧化所造成的热(未示出)离开氧化器20。同样，在还原器10中在还原期间所产生的气体80离开还原器10。气体80例如包括合成气体(合成气)、氢气(H2)和/或二氧化碳气体(CO2)。气体80的组成，例如其中的合成气、H2和/或CO2的比例，基于煤60与空气30的比率而变化。

[0021] 示范性实施例不限于上文参看图1描述的两个环路，而是可包括单环路或多于两个环路。例如，在可选的示范性实施例中，CL系统5例如包括第三环路(未示出)，诸如煅烧炉(calciner)环路，其允许从重整的合成气80生成H2。

[0022] 又一可选的示范性实施例利用基于钙的CL系统5，其包括生成蒸汽以例如驱动涡轮的热环路。具体而言，参看图2，热环路90包括使用蒸汽105驱动发电机100的蒸汽涡轮95，该蒸汽105通过利用由氧化器20中氧化期间所产生的热来使给水110沸腾而生成。

[0023] 空气30供应到氧化器20，如上文参看图1所述，而诸如灰115和/或过量硫酸钙(CaSO4)115的废料115从氧化器20移除以在外部设施(未示出)中处置。煤60以及碳酸钙(CaCO3)120和再循环的蒸汽125供应到还原器10用于其中的还原反应。

[0024] 在操作中，还原反应发生在煤60中的碳和硫、CaCO3120与CaSO4127之间并产生硫化钙(CaS)128，硫化钙(CaS)128由诸如旋风分离器130的分离器130分离并且之后通过密封罐控制阀(SPCV)135供应到氧化器20。例如，基于CL装置负荷，CaS 128的一部分通过SPCV 135再循环到还原器10，如图2所示。此外，分离器将例如CO2 80的气体80与CaS128分离。

[0025] CaS 128在氧化器20中的氧化反应中氧化，从而产生CaSO4 127，其通过分离器130与N2 70分离并且经由SPCV 135供应回到还原器10。例如，CaSO4 127的一部分基于CL装置负荷通过SPCV 135再循环回到氧化器20。氧化反应也产生热，其使给水110沸腾为供应到蒸汽涡轮95的蒸汽105。

[0026] 虽然描述了基于氧化钙的CL系统，但是本发明也应用于基于金属氧化物的CL系统，其类似于在以引用的方式结合到本文中的美国专利申请No.10/542,749中描述的系统。

[0027] 现将参看图3和图4更详细地描述用于基于CL的装置的CL过程的控制与优化系统的示范性实施例。应注意的是，控制与优化系统不限于本文所述的CL装置构造。例如，在可选的示范性实施例中，集成过程设计与控制优化工具可与任何和所有的基于CL的系统一起使用，包括但不限于：单环路、双环路和多(例如两个或更多个)环路CL系统，无论是基于钙还是基于金属氧化物；进行CO2捕集(capture)用于利用(utilization)或封存(sequestration)的基于CL的装置；以及基于CL的CO2预留(ready)发电装置，但是不限于此。

[0028] 如上所述，该CL过程涉及多相流动和化学反应，其特征为由于质量输送速率和化学反应速率等所致的过程非线性和时间延迟。因此非线性控制和优化技术需要用于CL过程。具体而言，示范性实施例包括从第一性原理方程(例如，质量、动量和能量平衡)导出的非线性动态化学循环建模和模拟。建模和模拟包括常微分方程(ODE)、代数方程(AE)和偏微分方程(PDE)的任何组合。此外，经验建模方法，例如数据驱动模型，诸如神经网络(NN)，带外生输入的非线性自回归网络(NARX)，带外生输入的非线性自回归滑动平均(NARMAX)、维纳-哈默斯坦(Wiener-Hammerstein)模型以及小波网络模型，例如，用于混合动态模型结构，其组合简化的第一性原理模型与数据驱动模型。另外，使用线性化模型和非线性模型的多变量模型预测控制(MPC)提供CL过程的动态优化方案。除了提供优化的建模、模拟和控制之外，根据示范性实施例的多变量MPC耐受干扰和模型不精确性，从而提供CL过程的稳定控制，如将在下文中更详细地描述。

[0029] 参看图3，示出用于基于CL的发电装置205的控制与优化系统200。在示范性实施例中，控制与优化系统200是MPC系统200，但是可选的示范性实施例不限于此。

[0030] 根据示范性实施例的控制系统205包括优化器210、控制算法集合220、多控制器部件230、多控制器输出适配器240、多控制器输入适配器244和发电装置输出适配器247。多控制器部件230提供CL系统5的调节控制，并且包括个别控制器，例如控制模块，诸如比例-积分-微分(PID)控制器250、模糊控制器255、自适应控制器260和基于模型的控制器265。自适应控制器260包括自调自适应控制、神经自适应控制、神经网络(NN)和/或小波网络。基于CL的发电装置205具有输入参数270和输出参数280。此外，提供CL过程模拟器290，如图3所示。

[0031] 根据示范性实施例的控制与优化系统200还包括安全“看门狗”模块295，其监视该控制与优化系统200以维持系统安全防止软件和/或硬件故障，以及防止外部攻击(例如黑客)。更具体地，控制算法集合220与安全看门狗模块295通信并且基于来自安全看门狗模块295和优化器210的输入来判断例如是否切换控制器，如在下文中更详细地描述。

[0032] 在示范性实施例中，输入参数270包括但不限于燃料流量、吸附剂流量、空气流量、水流量、石灰石流量、固体循环流量、装置起动控制逻辑算法、装置关闭控制逻辑算法以及燃料流量、空气流量、石灰石流量和蒸汽流量中的至少两个的比率。同样，输出参数280例如包括发电率、CO2流量、CO2利用、CO2捕集、CO2存储(storage)、CO2封存、负荷需求、固体输送存量、反应器温度、环路温度、床温度、压力、压差、反应器压力、反应器压差、H2流量、N2流量以及合成气流量，但是可选的示范性实施例不限于此。

[0033] 根据示范性实施例的控制与优化系统200例如使用无模型先进控制，诸如模糊控制和/或NN自适应控制。添加无模型先进控制提供允许复杂过程(诸如基于CL的发电装置205的CL过程)的多个性能目标的高效优化的额外优点。此外，无模型先进控制也可用作容错控制，其增强基于CL的发电装置205的总体可靠性和可用性。

[0034] 在示范性实施例中，基于CL的发电装置205是基于钙的三环路CL系统205，如上文参看图2更详细地描述，但是可选的示范性实施例不限于此。例如，基于CL的发电装置205可为任何和所有的基于CL的系统中的一个，包括但不限于：单环路、双环路和多(例如两个或更多个)环路CL系统(无论是基于钙还是基于金属氧化物)；进行CO2捕集以利用或封存的基于CL的装置；以及基于CL的CO2预留发电装置，但是可选的示范性实施例不限于此。

[0035] 仍参看图3，在示范性实施例中的优化器210是系统/装置优化器210。更具体地，系统/装置优化器210是高水平监督引擎，其计算最佳装置操作设置(或多个最佳装置操作设置)，例如输入参数270，以满足总体操作性能目标。系统/装置优化器210可基于现有的基于CL的发电装置205(或者其系统/子系统)模型，或者可选地，系统/装置优化器210可为基于规则的决策引擎，诸如基于模糊逻辑规则和/或确定性逻辑规则的引擎。

[0036] 系统/装置优化器210与控制算法集合220通信。控制算法集合220包括模块(未示出)，每个模块具有相关的控制定律，并且更具体地容错控制定律，以及其它控制和信息系统固件(未示出)。控制集合算法也可包括模糊控制器、自适应控制器和MPC控制器以检查多控制器部件230的调节控制。MPC控制器可包括基于PID的调节控制，自调自适应控制、神经自适应控制、NN控制和/或小波网络控制。MPC控制器可并联或级联地使用。在级联MPC构造中，一个MPC也可监督一个或更多个MPC控制器或者其它类型的控制器。

[0037] 在示范性实施例中，多控制器部件230包括多控制器部件230的PID控制器250、模糊控制器255、NN自适应控制器260和基于模型的控制器265，但是可选的示范性实施例不限于此。基于输出参数280的值，以及优化器210和安全看门狗模块295的相互作用，并且使用控制算法集合220的控制定律，多控制器部件230选择多控制器部件230的PID控制器250、模糊控制器255、NN自适应控制器260和基于模型的控制器265中的一个以调整输入参数270的值，从而以最佳方式有效地控制基于CL的发电装置205。更具体地，多控制器部件230根据基于CL的发电装置205的操作状态/条件以及控制集合算法210的控制定律、来自系统/装置优化器210的输入和来自安全看门狗模块295的输入来选择控制器。

[0038] 由于多控制器部件23具有多个控制器供选择，故根据示范性实施例的控制与优化系统200容忍其中的干扰和/或噪声，并且即使给定控制器(例如多控制器部件230的PID控制器250、模糊控制器255、自适应控制器260和/或基于模型的控制器265中的一个)的故障也能继续操作。

[0039] 现将更详细地描述多控制部件的个别控制器中的每个。PID控制器250是标准常规控制器，例如具有比例、积分和(任选的)微分项的控制器。PID控制器250是简单的无模型、通用自动控制器，其例如用于控制基于CL的发电装置205的简单过程。因此，PID控制器250可用于稳态、时间不变、基本线性的过程，例如在无需复杂控制器的情况下。

[0040] 模糊控制器255是基于模糊逻辑设计的先进的无模型控制器。更具体地，模糊控制器255使用模糊数学算法，其利用复杂过程动态之间的关系函数，而不是常规的装置模型。因此，用于基于CL的发电装置205的控制决策由此基于模糊数学算法和控制集合算法220产生。因此，在示范性实施例中，例如当在基于CL的发电装置205的当前操作条件下，例如诸如在装置瞬态或负荷变化期间，使用PID控制器250将效率较低时，利用模糊控制器
255。

[0041] 同样，NN自适应控制器260是使用神经网络而不是常规装置模型作为控制引擎的自适应控制器类型。更具体地，NN自适应控制器260包括互连以形成网络的节点或处理元件的组。然后，在信号(例如，用于基于CL的发电装置205的控制信号)从输入节点或多个输入节点“通过”网络并且继续行进到输出节点或多个输出节点时，使用数学算法来确定节点之间的相互作用。算法可随时间改变节点之间的相互作用的优先性，从而使NN为自适应模型。因此，NN模型以自适应方式对输入与输出之间的复杂关系建模。此外，NN自适应控制器260是多变量的并且非线性的，从而能够分析多变量过程，其中变量之间的关系是复杂的并且非线性的。因此，在示范性实施例中，例如当在基于CL的发电装置205的当前操作条件下使用PID控制器250和/或模糊控制器255将效率较低时利用NN自适应控制器255。

[0042] 基于模型的控制器265是常规控制器，其使用模型(或多个模型)，与均为无模型的PID控制器250、模糊控制器255和NN自适应控制器260不同，如上所述。在示范性实施例中，例如当PID控制器250、模糊控制器255和NN自适应控制器260不可用时或者例如在人员培训期间下述的CL过程模拟器290用于模拟基于CL的发电装置205时，使用基于模型的控制器265。

[0043] 仍参看图3，根据示范性实施例的多控制器输入适配器244是开关，其选择多控制器部件230的PID控制器250、模糊控制器255、NN自适应控制器260和基于模型的控制器265中的一个或更多个。更具体地，多控制器输入适配器244基于多控制器部件230选择适当的控制器/多个适当的控制器，多控制器部件230根据基于CL的发电装置205的操作状态/条件，以及控制集合算法210的控制定律，来自系统/装置优化器210的输入和来自安全看门狗模块295的输入选择控制器或多个控制器，如上所述。在可选的示范性实施例中，多控制器输入适配器244也可对控制器信号执行其它逻辑和/或数学操作，例如诸如对来自两个或更多个并联多控制器的选定控制信号求平均值，但是不限于此。

[0044] 在示范性实施例中，多控制器输出适配器240是开关，其基于多控制器输入适配器244选择(PID控制器250、模糊控制器255、NN自适应控制器260和/或基于模型的控制器265中)哪个控制器或哪些控制器来闭合相关的控制环路(未示出)，如上所述。然而，在可选的示范性实施例中，多控制器输出适配器240例如可为加权平均函数模块240(未示出)，其在控制信号发送至基于CL的发电装置205的例如促动器(未示出)或级联控制器(未示出)之前优化由多控制器输入适配器244选择的控制信号。

[0045] 发电装置输出适配器247是操作器，并且更具体地可为开关247、加权平均引擎247、信号调节器247或故障检测器247。因此，发电装置输出适配器247例如基于由多控制器输入适配器244选择(PID控制器250、模糊控制器255、NN自适应控制器260和/或基于模型的控制器265中)哪个控制器或哪些控制器来调节输出参数280，使得输出参数280为根据控制与优化系统200的构造使用的适当形式，如上所述。

[0046] CL过程模拟器290提供模拟器输出297，其例如用于控制设计和测试、人员培训和故障模拟以支持控制系统205的故障诊断。培训可脱机(例如单独地)或者联机(例如联接到基于CL的发电装置的分布式控制系统(DCS)(未示出))执行。另外，CL过程模拟器290自身可脱机或联机。

[0047] 现参看图4，将更详细地描述控制与优化系统200(图3)与基于CL的发电装置205的单环路300一起实施。在示范性实施例中，单环路300是氧化器环路300，诸如在参考图2和图5(互补构件由带引号′的附图标记表示)更详细地描述的基于钙的三环路CL系统中，但是可选的示范性实施例不限于此。例如，控制与优化系统200可与任何和所有的基于CL的系统中的一个一起实施，包括但不限于：单环路、双环路和多(例如两个或更多个)环路CL系统(无论是基于钙还是基于金属氧化物)；进行CO2捕集以利用或封存的基于CL的装置；以及基于CL的CO2预留发电装置，如在美国专利No.7,083,658和美国专利申请No.10/542,749中描述，但是可选的示范性实施例不限于此。此外，控制与优化系统200可为单个控制与优化系统200，或者多个控制与优化系统200可用于基于CL的系统的上述变型。

[0048] 另外，参看图4，为了描述的目的，控制与优化系统200优化并控制单个输入参数270和输出参数280。具体而言，控制与优化系统200优化并控制压差的调节(在下文中更详细地描述)。然而，可选的示范性实施例不限于单个输入参数270和输出参数280。替代地，根据可选的示范性实施例的控制与优化系统200可调节多个输入参数270和输出参数
280。如上所述，根据示范性实施例的输入参数270包括但不限于：燃料流量、吸附剂流量、空气流量、水流量、石灰石流量、固体循环流量、装置起动控制逻辑算法、装置关闭控制逻辑算法，以及燃料流量、空气流量、石灰石流量和蒸汽流量中的至少两个的比率。此外，输出参数280例如包括：发电率、CO2流量、CO2利用、CO2捕集、CO2存储、CO2封存、负荷需求、固体输送存量、反应器温度、环路温度、床温度、压力、压差、反应器压力、反应器压差、H2流量、N2流量和合成气流量，但是可选的示范性实施例不限于此。

[0049] 参看图4，控制与优化系统200接收输出参数280，诸如压差差别280。具体而言，压差差别280是上升器压差(D/P)310与密封D/P(未示出)之间的差。更具体地，密封D/P是料腿(dip leg)D/P 320与返回支腿D/P 330之和。因此，控制与优化系统200控制上升器分段(例如，对应于氧化器20的单环路300的部分(在上文中参看图2更详细地描述))与密封分段(例如，对应于SPCV 135的单环路的部分(也在上文中参看图2更详细地描述))之间的差。

[0050] 如上文更详细地描述，根据可选的示范性实施例的控制与优化系统200可用于两环路基于CL的装置，以例如控制从SPCV 135至还原器10的交叉流，如图4和图5所示。然而，在用于单环路基于CL的装置的示范性实施例中，无需至还原器10(如图4所示)的交叉流。

[0051] 单环路300从空气源340接收空气30并且固体源350根据需要供应补充固体(未示出)到单环路300。在操作中，在单环路300中流动(例如“循环”)的固体(例如CaS128和CaSO4 127)(未示出)在氧化器20中氧化，通过旋风器130与N2 80(图2)分离并且供应至SPCV 135。来自空气源340的SPCV空气360的流率基于所需的压差差别280的值有效地控制在SPCV中和通过SPCV的固体流率。更具体地，控制与优化信号通过根据输入参数270调整节流阀370的位置来最佳地控制SPCV空气360的流率，如图4所示。

[0052] 因此，根据示范性实施例的控制与优化系统200在基于CL的发电装置205(图3)的操作期间有效地控制单环路300的固体的流率。另外，如上文参看图3更详细地描述，控制与优化系统200在基于CL的发电装置205的所有操作(例如稳态和瞬态)期间最佳地控制固体的流率。因此，通过利用控制与优化系统200最佳地控制CL过程的多个变量，诸如空气30和/或补充固体的流率，例如显著地改进基于CL的发电装置205的总体操作效率。

[0053] 总之，根据示范性实施例的用于基于CL的发电装置的CL过程的控制与优化工具提供CL过程中固体输送环路的稳定，显著地改进到反应器(例如还原器和氧化器)的所需固体的传送以满足装置生产要求的平衡，从而：有效地最小化用于固体输送的功率消耗；最大化CL过程和总体发电装置的生产率；在例如负荷变化、启动与关闭期间最大化系统可操作性；以及有效地改进发电装置的可靠性和/或可用性。因此，装置排放显著地减少和/或有效地最小化，同时显著地改进总体经济装置效率，从而导致较低的总体操作成本。

[0054] 虽然参考各种示范性实施例描述了本发明，但是本领域技术人员应了解的是，可做出各种变化并且等效物可替代本发明的元件，而不偏离本发明的范围。此外，可做出许多修改以使特定情况或材料适应本发明的教导，而不偏离本发明的本质范围。因此，预期本发明不限于作为设想用于执行本发明的最佳方式的特定实施例，相反本发明将包括属于权利要求的范围内的所有实施例。