Model predictive control for power control of a fluidized bed furnace

Abstract

Wirbelschichtöfen werden unter anderem in Müllverbrennungsanlagen eingesetzt, da sie eine effiziente und gleichmäßige Verbrennung verschiedenster Müllzusammensetzungen ermöglichen. Diese Arbeit befasst sich mit der Entwicklung einer modellprädiktiven Regelung (engl. \textit{Model Predictive Control}, MPC) für einen Wirbelschichtofen. Zur Identifikation des dafür benötigten Modells wird eine physikalische Modellierung mit experimentellen Identifikationsmethoden kombiniert: Energie- und Massenbilanzen liefern eine initiale Modellstruktur. Diese wird um den Betriebspunkt linearisiert und diskretisiert, die erhaltenen Gleichungen werden als Zustandsraummodell formuliert. Anschließend wird ein evolutionärer Algorithmus vorgestellt, der die auf physikalischen Gleichungen basierende Modellstruktur optimiert: Zusätzliche Kopplungen zwischen Eingängen, Zuständen und Ausgängen werden freigegeben, sofern dies physikalisch plausibel erscheint. Die im Modell enthaltenen Parameter werden in weiterer Folge mittels Messdaten geschätzt. Zur Validierung der Leistungsfähigkeit der linearen Zustandsraummodelle wird ein künstliches neuronales Netz trainiert, mit dem diese dann verglichen werden. Ein MPC wird entworfen, der ein lineares Zustandsraummodell zur Prädiktion verwendet. Das Modell wird um zusätzliche Störgrößenzustände erweitert, was eine Regelung ohne stationären Regelfehler erlaubt. Ein Kalman-Filter wird zur Zustandsschätzung der originalen und der erweiterten Zustände verwendet. Der MPC wird in zwei verschiedenen Zeitskalen betrieben, da sich die Zeitkonstanten des zu regelnden Prozesses stark unterscheiden. Simulationen werden durchgeführt, um die Funktionsfähigkeit des Reglers zu validieren.

Fluidized bed furnaces are used in waste incineration plants for efficient and uniformly combustion of different waste compositions. The aim of this work is the development of an model predictive control (MPC) scheme for a fluidized bed furnace. In order to obtain a dynamic model suitable for MPC, first-principle equations are combined with experimental identification methods: Physical equations in terms of energy and mass balances give an initial structure for the model. These equations are linearized with respect to the operating point and discritized. An evolutionary-based algorithm is presented that optimizes the resulting model structure. This algorithm extends the model with additional coupling between inputs, states and outputs, whereby only physically plausible couplings are allowed to be added by the algorithm. The parameters in the model are estimated using measurement data. To validate the performance of the linear state-space models, an artificial neural network is developed as a benchmark model. A MPC is designed that uses the linear state-space model. The model is extended with additional disturbance states, which allows offset-free tracking of stationary set points. A Kalman filter is designed as an observer to estimate the system's original states and the additional disturbance states. The MPC operates in two different time scales in order to handle strongly different time constants in the process under consideration. Simulations are carried out to validate the effectiveness of the controller.