AI赋能流程制造与智能发电控制技术应用与展望

工程7（2021）1239研究AI赋能流程制造--回顾智能发电系统控制的机器学习和数据驱动技术：不确定性处理视角李孙a，冯启尤b，东南大学能源与环境学院能源热转换与控制教育部重点实验室，南京210096b罗伯特·弗雷德里克·史密斯化学与生物分子工程学院，康奈尔大学，伊萨卡，纽约14853，美国阿提奇莱因福奥文章历史记录：收到2020年2020年10月15日修订2021年4月2日接受2021年7月13日在线提供保留字：智能发电机器学习数据驱动控制系统工程A B S T R A C T由于人们对气候变化和环境保护的日益关注，智能发电对于传统火电厂和可持续能源的经济和安全运行至关重要。传统的基于第一性原理模型的方法在面对日益增长的系统规模及其各种不确定性时显得机器学习（ML）和数据驱动控制（DDC）技术的蓬勃发展为这些过时的方法提供了改进的替代方案。本文回顾了ML和DDC在发电系统的监测、控制、优化和故障检测方面的典型应用，特别关注这些方法如何在评估、抵消或承受影响方面发挥作用相关的不确定性。从管制层面到规划层面，对智能发电的控制技术进行了全面的阐述。ML和DDC技术的好处相应地被解释为可视性、可操作性、灵活性、盈利性和安全性（简称为最后对未来的研究和应用进行了展望。©2021 THE COUNTORS.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。1. 介绍几十年来，发电被广泛认为是环境污染和碳排放的主要贡献者[1]。据报道，发电部门占2018年排放增长的近三分之二，其中燃煤发电是最大的单一贡献者（约占总排放量的30%）[2]。随着气候变化问题的日益严重，世界主要国家被迫“控制全球平均气温的上升”。低于工业化前水平2 °C”[3]。为了实现这一目标，发电改革的努力包括优化目前流行的火力发电的效率，并扩大可持续能源的渗透，包括水电，太阳能发电和风力发电。控制和优化对于这些发电系统的高效和安全运行至关重要[4]。考虑到多个层的多时间尺度特性，通常部署分级控制框架[5，6]用于发电*通讯作者。电子邮件地址：www.example.comfengqi.you @ cornell.edu（F. 你）。系统来完成每个级别的突出任务，如图1所示。在最低的测量过程级别，必须在测量和监控重要变量时保持基于这些变量，调节控制器被放置在现场，以将每个单回路过程[7]，如温度，压力和水位，引导到由上层监督控制级别指定的操作点在这方面，在本文中，调节控制水平的可操作性被称为监控级采用先进的控制算法，通过考虑多变量耦合，同时满足操作约束，最大限度地提高许多相互作用回路的灵活性[8]。在最高层次的经济规划中，制定和优化整体效率或利润指标，为较低层次的动态控制提供稳态设定点[9]。除了自下而上的控制级别，故障检测和诊断（FDD）对于安全运行和延长工厂寿命至关重要[10]。图1中的分层结构可用于管理完整的发电系统（例如燃料电池单元）或子系统（例如燃煤发电厂的锅炉燃烧炉）。https://doi.org/10.1016/j.eng.2021.04.0202095-8099/©2021 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表工程杂志首页：www.elsevier.com/locate/engL. Sun和F. 你工程7（2021）12391240●Fig. 1. 发电系统或子系统的分层结构，用于监视、控制、优化和故障检测。传统上，为图1中的每个级别开发准确的模型对于实现多个目标至关重要。监控能见度的内部变量通常通过状态观测器或基于状态空间（SS）模型的卡尔曼滤波器实现，例如电池芯温度估计[11]。用于调节机动性的广泛使用的对于灵活性水平，模型预测控制（MPC）占监督控制算法的最大份额。MPC使用基于模型的输出预测将多变量约束优化问题公式化为滚动时域二次优化框架。参考文献[13]中展示了一个典型的MPC应用，用于太阳能联合循环发电厂的监督控制。对于经济规划水平，动态规划作为一种非常流行的算法来调度不同电源之间的能量流需求，通常以小时费率，并且可以应用于例如复杂的三代发电厂[14]的能量成本最小化或混合动力发电厂[15]的运营成本最小化。故障检测通常基于已知为先验的模型来执行，如最近在燃料电池的空气供给系统中的应用中的情况[16]。在经济模型预测控制（EMPC）框架下，经济计划层和监控层的集成是近年来的一个重要趋势。EMPC具有在系统模型和各种约束条件下直接制定经济指标，同时实现经济优化和动态运行的能力。EMPC已经在锅炉-涡轮机组的节流损失最小化[17]和建筑热电联产系统的舒适性最大化[18]中进行了研究虽然效率高，但基于模型的方法正逐渐成为...无法处理具有各种不确定性的不断增长的能源系统规模。本文总结了在图1所列的每个水平上经常遇到的几种典型的不确定性。 这些不确定性将在以下章节中逐一讨论。21世纪正在见证机器学习（ML）和数据科学的蓬勃发展[19];这种繁荣可能是解决可扩展性和不确定性方面日益增长的困难的关键。在这个大数据时代，许多学科-如粒子物理学[20]，材料科学[21]和过程系统工程[22]-已经从基于模型的分析急剧转变为ML和数据驱动（DD）方法。ML和DD技术彻底改变了监控，控制和优化现代能源系统，包括传统的化石燃料发电厂和可再生能源系统。常见的ML算法包括无监督学习、监督学习和强化学习（RL）[23]，每种算法都已应用于不同级别的能源系统，以解决不同的问题。DD技术通常使用实时或历史数据来直接控制过程，包括迭代反馈 调 节 （ IFT ） [24] 、 迭 代 学 习 控 制 （ ILC ） 和 自 抗 扰 控 制（ADRC）[25，26]等技术。 DD方法通常具有扩展的范围并且比ML方法运行更快;它们在满足监管控制级别的高实时能力要求方面具有广泛的用途。本文并不试图对所有能源系统应用中的每种方法进行全面综述，而是旨在展示如何适当部署ML和DD方法，以提高发电系统的可视性、可操作性、灵活性、盈利性和安全性（简称为“5-TY”），从而应对每个级别的不确定挑战。从图中可以看出。 1中，5-TY可以定义如下：可见性：可测量变量的测量和传递以及内部不可测量变量的估计机动性：底层调节控制响应的快速性和准确性，主要是在单回路过程中。灵活性：多变量协调在监督控制级所能达到的程度。盈利能力：整个系统或一个重要子系统的经济成本或效益。安全性：系统的FDD，防止对发电系统造成危险。在智能发电中，可见性级别是其他级别的基础，因为它涉及到感测内部条件以用于控制、优化和诊断。一个强大的可操作性水平允许灵活性和盈利能力，而安全水平是保护整个系统的看门狗。本文综述了ML和DD方法：从传统的火力发电到新兴的可再生能源领域;从确定性情景到随机性环境;从底层到顶层的整个运营管理框架。本文选择不确定性处理视角的动机如下：●●●●●●●L. Sun和F. 你工程7（2021）12391241不可抗力广泛存在于发电的各个层面。正如Roger Brockett所说，不确定性的性质在不同的层次上是不同的，需要特别注意处理每一种不确定性。例如，机动性控制水平的干扰不确定性应被估计和拒绝，而盈利能力水平的环境不确定性应被建模为随机过程，然后在经济优化过程中考虑。本文的重点是发电侧;关于电网的文献将不讨论。本文的其余部分组织如下。第2节讨论了底层可视性和可操作性，其中DD和ML算法必须快速响应法规要求。第3节回顾了基于DD模型的预测控制的监督灵活性和各种无监督和RL方法在能源系统规划水平，在计算时间范围从分钟到小时。对DD FDD方法进行了回顾，并与第4节中发电系统的基于模型的方法进行了比较。第5节总结了调查，并描绘了未来的研究智能发电。2. 能见度和机动性可见性要求涉及变量测量、定量过程表征和隐藏变量软测量。测量信号中不可避免的随机噪声是这一级别要解决的主要不确定性。机动性是基于过程识别和测量或估计的信号，从能见度水平，与不确定的干扰抑制的主要目标。2.1. 动态表征系统辨识是描述动态系统特性的经典DD方法。由于物理建模的困难，它通常被视为黑箱。自20世纪60年代以来，这门学科受到了相当大的关注，并取得了巨大的成功，甚至在ML繁荣之前[28]。它是用来表征的基础结构和参数背后的输入/输出数据的发电过程，通过行使某些激活作为控制输入。基于经典阶跃响应的传递函数辨识是火电厂最常用的方法。阶跃响应识别在能量系统中的应用包括再生加热器中的水位识别问题[29]、燃料电池温度识别[30]和多变量流化床燃烧器[31]。经典的阶跃响应方法已被证明无法识别存在测量噪声的高阶过程[32]。为了缓解这个问题，在参考文献[33]中开发了一种用于热交换器的混合时域和频域识别方法，热交换器是能源系统中常见的高阶部件。传感器噪声是现代系统辨识方法要解决的核心问题。加性高斯白噪声（AWGN）主要来源于热噪声，是发电系统中最常见的传感器噪声形式。已经开发了多种成熟的DD方法来解决能源系统中的AWGN;最常见的方法是使用最小化标准，如平方误差[34]。单输入单输出（SISO）的例子可以在参考文献[35]中找到，其中自适应递归最小二乘（ARLS）方法用于实时识别回归燃料电池混合动力系统模型的参数，即具有AWGN的线性差分方程，或这种基于ARX的递归最小二乘（RLS）识别方法是几乎所有发电部门中最流行的AWGN效应消除方法之一，包括风力涡轮发电机部门[36]、太阳能发电部门[37，38]、火电厂部门[39]和储能系统部门[40，41]。对于非高斯有色噪声，参考文献[42]中的电池参数识别研究引入了一种基于变量的方法，该方法改进了传统RLS的最小二乘当涉及到由SS模型描述的多状态系统时，噪声问题变得更加棘手。对于具有未知参数的给定SS物理模型（即，灰色框），[44]处理电池电压测量中的AWGN。为了解决理论解中的分析困难，启发式优化方法被广泛用于识别能量系统的SS模型参数，例如燃料电池[45]，太阳能电池[46]和水轮机[47]。对于一个没有任何物理机制和SS模型阶数信息的黑箱系统，通常采用子空间辨识（SID）。这种系统的例子包括燃料电池[48]，发电厂再热温度[49]和流化床燃烧器[50]。上述系统识别方法传统上需要特定类型的输入激励信号，并且主要在线性系统上工作随着ML方法的发展，这种约定已经改变，ML方法能够主要基于大量数据记录来识别复杂的浅层神经网络（NN）是应用于能源系统的最流行的方法之一，例如燃料电池[51，52]，为了降低结构风险，支持向量机（SVM）也广泛用于能源系统识别[56在过去的十年中，随着深度学习的复兴，长短期记忆（LSTM）变得越来越普遍，因为它可以更好地处理发电系统的时间序列数据[59]。2.2. 软测量由于能源系统中的一些关键变量可能无法直接测量，因此软测量技术，包括基于模型的状态估计[60]和DD代数相关[61]算法，可以有效地可视化内部现象并为上层控制提供反馈信号。基于模型的状态估计通常受到随机噪声不确定性和传感器不准确性的影响。一些DD方法已被纳入以弥补这一不足，如基于状态增强和反馈校正的电池核心温度估计[11]。基于DD代数相关的软测量方法旨在基于次要变量的测量来估计不可测量的变量（也称为主要变量）[62]。虽然在系统运行时不能直接测量，但主要变量可以离线测量和/或间歇访问，每个样本的成本很高。因此，软测量的基本任务是根据有限的观测数据确定主变量和次变量之间的关系为此，可以使用回归或曲线拟合。例如，学习证据回归模型作为软传感器来监测磨煤机中的粉末浓度[63]，并训练偏最小二乘（PLS）回归来预测1000 MW发电厂中的NOx排放[64]。●●L. Sun和F. 你工程7（2021）123912422.3. 监管控制为了实现较强的可操作性，在调节控制层部署了多个反馈控制器。该级别接收来自可见性级别的感测信号和来自上层的参考命令。其主要目标是减轻不可测量和不确定干扰的影响[65]。为每个回路建模并设计单独的反馈控制器既费时又费钱.因此，DD控制方法现在在工业监管控制水平中发挥着核心作用[26]。本文综述了PID控制、自抗扰控制和迭代学习控制在几种典型扰动中的应用。PID控制仍然是发电系统中的主要控制器，因为它易于使用，并且在快速机动性的快速响应要求环境中的计算时间可以忽略不计[12]。PID控制使用实时误差数据的比例、积分和导数的组合，而不是物理模型，来调整致动器并使设备保持在最佳条件下操作其难点通常在于控制器参数的整定。ML技术有时被用来提高性能;例子包括在热电厂[66]，燃料电池[67]，太阳能发电厂[68]和风力涡轮机[69]中的NN增强PID控制应用。此外，模糊逻辑在风力涡轮机[70]，燃料电池[71]，太阳能发电[72]和联合循环发电厂[73]等应用中在线调整PID参数非常流行。为了充分利用历史数据的潜力，还研究了IFT用于调整锅炉-涡轮机组的PID参数IFT是一种有趣的方法，通过学习以前的任务的性能来由于PID控制在处理非线性和模型不确定性方面的局限性，ADRC作为一种突破性的DD控制技术正在兴起与PID控制一样，它不需要控制器设计的物理模型[75]。自抗扰控制相对于PID控制的主要优点是它具有两自由度的结构，可以同时ADRC的DD补偿机制如图所示。 二、首先设计一个扩展状态观测器来估计未知动态和外部干扰，然后通过对输入和输出数据的分析在控制输入增强的植物，即图中的灰色块。 2-可以近似补偿作为级联积分器的过程，使得外环控制器可以很容易地设计。在参考文献[29]中揭示，ADRC能够适应执行器饱和，并应用于1000 MW电厂的回热加热器。通过在锅炉炉膛控制中的实验应用，讨论了自抗扰控制器的调整[76]。通过引入级联ADRC结构，电厂过热温度的波动显著降低[77]。最近，ADRC也被引入到风力涡轮机[78]、光伏发电[79]和燃料的监管控制中细胞[80，81]。ILC已被专门提出用于解决周期性干扰[82]，并已获得控制界的广泛关注，尽管在发电系统中的应用相对有限。迭代学习控制通过学习前一序列中相应的时间步来逐步修改每个时间步的控制动作发电系统中的典型周期性扰动和探索性ILC应用包括燃料电池阳极净化过程[83]和风力涡轮机峰值负载[84]。3. 灵活性和盈利能力灵活性是指监控层协调多个环路之间的操作的能力;它构成了盈利能力的基础。利润率层以利润最大化和成本最小化为目标，计算中间层过程变量的最优条件。因此，更大的灵活性使得高度互动的能源系统更容易和更安全地维持在选定的几个操作条件下，具有最大的经济效率。3.1. 灵活性系统灵活性的监督控制层主要负责协调几个基本的调节回路。一个更灵活的多变量控制器的设计策略，使一个快速的动态过渡到经济上最佳的条件后，任何干扰。多变量模型仍然是必不可少的，目前在监督控制实践（包括发电实践）中主要起着基础作用。纯DD控制的研究和应用受到一定的限制，可能是由于发电过程中严格的安全要求。没有模型，通常难以保证多变量控制系统的稳定性。然而，基于模型的控制的主要挑战是在条件转换、设备老化和环境变化期间的模型不确定性。为此，ML和DD技术可以提高系统对模型不确定性的鲁棒性。对于传统的监控应用程序与有限的计算资源，模糊逻辑通常被用来调整参数，以提高性能。通过识别发电厂主蒸汽压力的线性模型簇，模糊推理用于在线调整解耦PID控制器的参数，以适应磨煤机的不确定条件[85]。类似地，为光伏/燃料电池发电厂开发了基于平坦度的智能模糊逻辑控制器，以实现对电力系统的快速稳定响应[86]。开发了一种混合经典和模糊控制方法来控制电厂锅炉的蒸汽温度和水位[87]。模型信息的引入可以提高多变量自抗扰控制器的DD控制性能，例如水箱的多变量控制应用图二. 自抗扰控制器的DD扰动补偿结构。kp：比例增益;e：反馈误差;b0：过程增益; ESO：扩张状态观测器。L. Sun和F. 你工程7（2021）12391243示范[88]和火电厂的直接能量平衡控制[89]。鉴于工业计算能力的快速发展，上述监督控制方法现在有些当没有物理模型时，SID方法通常用于开发MPC的DD模型。文献[1]提出了一种模糊聚类和SID相结合的方法[90]，使得锅炉-涡轮机组的多变量耦合和操作约束对于没有完整在线测量所有输出变量的燃料电池系统，SID方法直接嵌入MPC中以实现完整的DD控制[91]。最近，DD增强MPC被用于燃煤电厂的污染控制[92]和碳捕获控制[93]除了DD方法，ML方法也与MPC相结合NN用于训练MPC模型，并在动态能量管理系统中取得成功[94]。此外，最小二乘支持向量机（LS-SVMs）和PLS分别用于识别燃料电池系统，基于此部署MPC以实现对工作温度的约束的快速功率跟踪[95]。文献[96]提出了一种基于多层感知的核电站过热蒸汽供应系统MPC基于ML的MPC的主要缺点是通常不能确保闭环稳定性。3.2. 盈利能力发电系统的最高层是经济计划层。它通常每小时工作一次或者甚至是每天，从而具有足够的时间来计算较低水平的经济参考。传统上，数据挖掘方法用于从历史数据中计算最经济的操作。例如，在最近的无监督学习应用中，首先通过主成分分析（PCA）来减小发电厂脱硫系统的历史数据的大小，从主成分分析（PCA）中使用模糊C均值聚类方法来导出具有相似操作条件的几个组。因此，运行系统的经济参考可确定为类似组的最低脱硫成本点[97]。换句话说，组合的PCA和聚类方法旨在通过将当前条件与其所属的组中的类似操作条件进行比较来搜索最佳点。然而，这种方法只能搜索数据库的现有条件，不能确保最优性。这是一种与锅炉燃烧优化不同的方法[98]。基于最小二乘支持向量机，对锅炉的燃烧效率和污染物排放量进行了回归。然后采用遗传算法对工况进行优化，使燃烧效率和污染物排放达到平衡。在可再生能源发电系统方面，不确定的环境变量的存在，例如风和阳光的间歇性，以及消耗负荷的波动，使得经济规划更加困难。为此，对每个不确定变量进行合理预测至关重要为下一步的盈利决策。这可能是发电领域最活跃的研究领域，大量的文献调查了各种各样的ML算法。以风功率预测为例，各种人工神经网络（ANN）结构，包括前馈、时间序列、递归和深度神经网络，已经被用于将不同的天气变量映射到一系列确定性的风功率预测值，这些预测值在不同的时间尺度（例如，每日、每周和每月）[99，100]。利用贝叶斯方法，如稀疏贝叶斯学习，对风力发电的统计特性进行评估[101]、贝叶斯非参数方法[102]和马尔可夫链蒙特卡罗（MCMC）方法[103]，以获得一定范围内的概率分布。最近，开发了一种集合两层ML模型，以产生确定性和概率性的风力预测，其中天气变量（温度、湿度、压力和风向）通过深度特征选择块进行预处理[104]。如文献[105，106]所述，最先进的太阳能和负荷预测方法与风能预测方法相似。通过对间歇性可再生能源和不确定性负荷的预测，优化混合发电和储能系统的经济规划成为可能。RL似乎是一个很有前途的DD解决方案，因为它在处理具有不确定性的优化问题时仍然是准确的，即使没有模型。从马尔可夫决策过程（MDP）框架继承，RL由环境中的一组代理状态，每个代理的一组可能动作以及管理动态转换，偏好和观察的规则描述[107]。通过与主机环境交互（即，接收观察和奖励），RL代理选择适当的动作以最大化奖励。为了克服输电优化方法[108，109]的分析挑战，RL将极端寻求或经济规划转换为具有或不具有物理/仿真模型的发电系统的纯数据学习问题[110]。一个直观的单智能体Q学习示例来自风能转换系统（WECS）的最大功率点跟踪（MPPT）控制，其中RL智能体是风力涡轮机，过渡状态是转子速度和电输出功率，动作是速度调节命令，奖励定义为电功率输出的增量[111]。针对多发电源分布式发电问题，提出了一种多智能体模糊Q学习方法，智能体为可控设备，如燃料电池、柴油发电机、蓄电池、海水淡化装置、电解槽等。通过这些可调元素之间的RL协调动作，累积的预期折扣奖励被最大化，以确保系统可靠性并最小化化石燃料消耗[112]。深度强化学习（DRL）被引入[113]，通过利用NN的强大逼近能力来解决复杂的能源互联网问题。最近的一项调查[114]提供了RL和DRL在发电系统中应用的进一步示例。4. 安全性：故障检测和诊断一般而言，用于智能发电中的FDD的方法基于模型的方法寻求一个定量的关系，船舶之间的输入，状态和输出的工厂，受到潜在的设备的不确定性。计算目标输出和模型投影之间的残差;如果累积残差大于预定阈值，则检测并隔离故障。以某制粉系统为例，建立了由SS方程组成的基于模糊器的故障诊断模型，用于监测漏煤、堵磨等故障;实验结果表明，基于模糊器的故障诊断方法在标称情况下表现良好[115，116]。然而，未知的干扰或不确定性可能会使基于观测器的FDD模型不足。为了防止此类故障，提出了一种DD FDD方法，该方法具有直接从可用过程数据构建的鲁棒残差生成器，以检测故障，例如在存在未知干扰和测量噪声的情况下应用于风力涡轮机FDD[117]。此外，DD FDD方法可能不需要来自植物的先验信息可以找到风力涡轮机故障检测的应用L. Sun和F. 你工程7（2021）12391244在参考文献[118]中，比较了NN和其他回归方法。基于DD案例的方法还将具有不同故障类型的历史样本视为位于由输入、输出和/或状态组成的混合特征空间中的模式。然后将新的观察结果与历史模式进行比较，以确定是否存在故障;如果存在，则将检测到的故障分配给已知的最相似的故障类型。DD基于案例的方法解决分类问题，而基于模型的方法解决回归问题。换句话说，任何分类算法都可以被重新利用并部署为FDD模型。类似地，燃料电池FDD基于分类算法进行[119]。参考文献[120]研究了SVM和自适应神经模糊推理系统（ANFIS）分类器，以识别汽轮机组的故障状态。关于能源系统中基于分类算法的其他FDD模型，感兴趣的读者可以参考文献[121]和其中的文学。普遍存在的不确定性阻碍了FDD在发电系统中的应用。阈值通常由用户确定。事实上，几乎所有的FDD模型都对用户给定的阈值敏感：一个小的阈值会导致许多错误警报。目前还没有一种通用的、被广泛接受的方法来处理FDD中的不精确性和不确定性，或者预先设定用户给定的阈值。除了上述两个问题之外，发电厂的安全协议使得获得故障样本（即，训练样本）。因此，FDD必须基于正常运行数据进行由于不确定性的困难，经典的DD基于案例的方法往往难以识别潜在的故障，通过比较新的观察历史运行数据。为了缓解这一困难，理论上，给定一组c个正常情况（或故障类型）X={x1，x2，.. . ，xc}，概率论定义了一个概率分布，问题p：X？[0，1]，而DS将概率重新定义为质量函数m：2 X？[0，1]。显然，质量函数不仅可以描述属于正常情况{xq}的观察的可能性或信念-即m（{xq}）-，而且还可以描述属于瞬态情况的信念（例如， {xq，xq+1}）以及与无知X有关的信念。特别是，当一个观察具有较大的igno-距离m（X），如m（X）？1，它将被识别为新的正常情况（包括从现有正常情况恶化的新情况）或未知故障。一般来说，DS为FDD提供了一个更强大的工具来处理与概率论或模糊集理论的比较。因此，在DS框架中实现基于DD案例的方法可以产生对FDD的更有意义的解释，包括正常案例、瞬态案例、新的正常案例、恶化案例（来自正常案例）和未知故障案例的检测，如图3所示。DS理论已经在发电系统中找到了若干FDD应用。例如，参考文献[126]提出了一种基于DS理论和分类回归树的多传感器融合和决策方法 ， 用 于 诊 断 用 于 在 紧 急 情 况 下 保 护 发 电 系 统 的 高 压 断 路 器（HVCB）。通过借用参考文献的基本思想。[127，128]，基于证据k-最近邻（EKNN）分类规则建立FDD模型，对某火电厂两个实际设备单元进行监测预警[129]。5. 结论ML和DD控制方法已被证明是在智能发电系统操作的所有级别上，特别是在存在不确定性的情况下，传统的基于模型的方法的有前途的替代品。本文阐述了每个级别的目标和主要不确定性，并回顾了ML和DD方法如何有助于提高可见性、可操作性、灵活性、盈利性和安全性（5-TY）。对于受随机噪声不确定性影响的动态建模，DD系统辨识方法在推导传递函数和SS形式的代数模型中起着重要作用。此外，当大数据可用时，基于ML的回归方法在表征非线性多变量能量系统方面更强大。除了动态特性，的内部能源系统可以显着提高DD软测量。基于可见度信息，调节控制层可以通过针对特定类型的不确定扰动采用合适的DD控制方法来提高设备的操纵性。第一原理模型对于监督多变量控制水平仍然是必不可少的，但是DD方法可以嵌入到MPC框架中以增强发电系统对模型不确定性的灵活性。经济规划层在很大程度上依赖于ML方法来适应受各种不确定性影响的大规模能源系统优化问题。为了提高系统在未知故障情况下的安全性，在只有正常运行数据的情况下，DDDS理论在发电系统故障诊断中显示出巨大的潜力。目前，EMPC仍然严重依赖于过程模型，图三. 在DS理论框架下的DD FDD。L. Sun和F. 你工程7（2021）12391245文献缺乏对ML算法在监督和规划层面的结合应用的深入研究此外，与ML和数据科学的蓬勃发展相比，最新的ML算法（如深度学习）与智能发电系统中的现有EMPC的主要困难EMPC的有效计算是未来研究的一个很有前途的课题这个被低估但令人兴奋的主题主要仍处于起步阶段; ML和DD方法在提高电力系统效率以实现更可持续的未来方面具有巨大潜力确认孙丽感谢博士。Zhi-Gang Su，Ralph Wang和Shreya Vaidya对本文的投入和反馈。遵守道德操守准则孙丽和游凤琪声明，他们没有利益冲突或财务冲突需要披露。引用[1] MaX，Wang C，Dong B，Gu G，Chen R，Li Y，et al. 中国能源消费的碳排放：测量与驱动因素。Sci Total Environ2019;648：1411-510.[2] 国际能源署。2019年全球能源&二氧化碳状况报告：排放量[互联网]。巴黎：国际能源署;2020年[引用2020年7月12日]。可查阅：https://www.iea.org/reports/global-energy-co2-status-report-2019/emissions。[3] [10] RogeljJ，den Elzen M，Höhne N，Fransen T，Fekete H，Winkler H，et al. 《巴黎协定》气候提案需要推动，以将升温幅度保持在2 °C以下。 Nature2016;534（7609）：631-9.[4] O'Dwyer E，Pan I，Acha S，Shah N.可持续智慧城市的智慧能源系统：当前发展、趋势和未来方向。应用能源2019;237：581-97.[5] [10] Kong X，Liu X，Ma L，Lee KY.独立风/光/电池发电系统的递阶分布式模型预测控制。IEEE Trans Syst Man Cybern2019;49（8）：1570-81.[6] 吴X，沈J，李Y，李KY.蒸汽动力装置的配置、设计和控制。Wiley Intercepp RevEnergy Environ2015;4（6）：537-63。[7] Mukati K，Rasch M，Ogunnaike BA.下一代调节控制器的替代结构。第二部分：稳定性分析、整定规则及实验验证。J Process Contr 2009;19（2）：272-87.[8] Ellis M ， Durand H ， Christofides PD. 经 济 模 型预 测 控 制 方法 教 程 综 述 。 JProcess Contr 2014;24（8）：1156-78.[9] 宾德利什河工业热电厂的电力调度与实时优化。Comput Chem Eng2016;87：257-66.[10] 马军，蒋军。故障检测与诊断方法在核电站中的应用综述。 Prog Nucl Energy2011;53（3）：255-66.[11] SunL，Sun W，You F. 存在传感器偏置时锂离子电池的核心温度建模与监测。应用能源2020;271：115243.[12] 孙 L ， 李 D ， 李 KY. 相 对 滞 后 裕 度 约 束 下 PI 控 制 器 的 最 优 扰 动 抑 制 。 ISATrans2016;63：103-11.[13] Ponce CV，Saez D，Bordons C，Núñez A.一体化太阳能联合循环电站动态仿真与模型预测控制。能源2016;109：974-86.[14] FacciAL，Andreassi L，Ubertini S. 基于动态规划的热电冷联供系统运行策略优化。能源2014;66：387-400.[15] Marano V，Rizzo G，Tiano FA.应用动态规划法优化管理风力涡轮机、光伏板和压缩空气储能的混合发电厂。应用能源2012;97：849-59.[16] 刘军，罗伟，杨晓，吴丽。基于鲁棒模型的PEM燃料电池供气系统故障诊断。IEEETrans Ind Electron2016;63（5）：3261-70.[17] 刘翔，崔军。锅炉-汽轮机系统的经济模型预测控制。JProcess Contr 2018;66：59-67.[18] Kuboth S，Heberle F，König-Haagen A，Brüggemann D.住宅建筑热电联产能源系统的经济模型预测控制。应用能源2019;240：372-85。[19] Zhou T，Song Z，Sundmacher K.大数据为材料研究创造了新的机会：机器学习在材料设计中的方法和应用综述。工程2019;5（6）：1017-26。[20] Radovic A，Williams M，Rousseau D，Kagan M，Bonacorsi D，Himmel A，et al. 粒子物理学能量和强度前沿的机器学习。 Nature 2018;560（7716）：41-8.[21] YosipofA，Nahum OE，Anderson AY，Barad HN，Zaban A，SenderowitzH. 用于全氧化 物光伏电池 组合材料科 学的数据挖 掘和机器学 习工具 。MolInform2015;34（6-7）：367-79。[22] 尚C，尤F。智能流程制造的数据分析和机器学习：大数据时代的最新进展和前景。工程2019;5（6）：1010-6.[23] 戴伊A机器学习算法综述。Int J Comput Sci Inf Technol2016;7（3）：1174-9.[24] 刘强，金清波，黄波，刘明.满足鲁棒性指标的FOPTD过程干扰抵消器控制系统的迭代整定。IEEE TransControlSyst Technol 2017;25（6）：1978-88.[25] 侯Z ，高H ，刘易斯 . 数据驱动的 控制和学习系统。 IEEE TransInd Electron2017;64（5）：4070-5.[26] 侯志生，王志.从基于模型的控制到数据驱动的控制：调查，分类和透视。InfSci2013;235：3-35.[27] 布罗克特河控制数学中的新问题In：Engquist B，SchmidW，editors. 数学无限-2001年及以后。Berlin：Springer; 2001. p. 189- 219[28] UndergroundH ， Rao GP. 连 续 时 间 系 统 辨 识 的 回 顾 Annu Rev Control1998;22：145-71.[29] Sun L，Li D，Hu K，Lee KY，Pan F.自抗扰控制器的整定与实际应用：以1000MW电厂回热加热器为例。Ind Eng Chem Res2016;55（23）：6686-95.[30] 孙林，李刚，华庆生，金宇。燃料电池堆冷却控制的混合模式结合基于模型和数据驱动的方法。更新能源2020;147：1642-52。[31] 朱宏，沈军，李凯，孙良. 基于多模型预测滑模控制的循环流化床锅炉床温调节。控制工程实践2020;101：104484。[32] Hägglund T. 先 进 的 PID 控 制 Research Triangle Park ： TheInstrumentation ，Systems，and Automation Society; 2006.[33] 金英，孙丽，华勤，陈松。基于混合时频域辨识的换热器控制实验研究。可持续发展2018;10（8）：2667。[34] 吴新，王明，廖萍，沈军，李英.基于溶剂的发电厂燃烧后CO2捕集：动态建模、系统识别、过程控制和灵活操作的评论和展望。 应用能源2020;257：113941。[35] 放大图片作者：J. 基于最大效率和最大功率辨识的燃料电池混合动力汽车能量管理策略。IET Electr Syst Transp2016;6（4）：261-8.[36] Belmokhtar K，Ibrahim H，Merabet A.基于递推最小二乘算法的双馈风力发电机参数在线辨识。在：2015年IEEE第28届加拿大电气和计算机工程会议（CCECE）的会议记录; 2015年5月3日至6日;哈利法克斯，NS，加拿大。New York：IEEE;2015. p. 965- 9[37] 张 晓 伟 ， 张 晓 伟 . 光 伏 发 电 系 统 最 优 运 行 点 的 实 时 识 别 。 IEEE Trans IndElectron2006;53（4）：1017-26.[38] 徐勇，靳伟，朱翔.基于改进递推最小二乘法的光伏电池参数辨识。在：2017年第20届电机和系统国际会议（ICEMS）的会议记录; 2017年8月11日至14日;悉尼，新南威尔士州，澳大利亚。New York：IEEE; 2017. p. 1比5。[39] 陆宏 ， 张毅 ，吴 春， 孙 伟. 超临界 直流 锅炉 主汽 温动 态模 型辨 识。EnergyProcedia 2012;17（Pt B）：1704-9。[40] 戴宏，徐涛，朱磊，魏翔，孙忠.大容量锂离子电池分时标自适应模型参数辨识。应用能源2016;184：119-31.[41] Lebbal ME ， Leceuche S. 基 于 动 态 建模 的 PEM 电 解 槽 的 识别 和 监 控 。IntJHydrogen Energy 2009;34（14）：5992-9.[42] 夏B，赵X，De Callafon R，Garnier H，Nguyen T，Mi C.用连续时间系统辨识方法精确估计锂离子电池参数。应用能源2016;179：426-36.[43] 宋志，霍夫曼，林旭，韩旭，侯杰。基于克拉美-罗界分析和实验研究的不同应用场合锂离子电池组参数辨识。 应用能源2018;231：1307-18。[44] 宋志，侯杰，霍夫曼HF，林X，孙杰。基于Cramer-Rao界分析的电池/超级电容混合储能系统参数辨识与最大功率估计。IEEE Trans Power Electron2019;34（5）：4831-43.[45] YangB，Wang J，Zhang M，Shu H，Yu T，Zhang X，et al. 固体氧化物燃料电池参数识别的最新研究概况：建模、方法和前景。能源转换管理2020;213：112856。[46] YangB，Wang J，Zhang X，Yu T，Yao W，Shu H，et al. 综述了元启发式算法在光伏电池参数辨识中的应用。能源转换管理