CN105425581B - 热电厂水汽管道加氧控制方法 - Google Patents
热电厂水汽管道加氧控制方法 Download PDFInfo
- Publication number
- CN105425581B CN105425581B CN201510947160.1A CN201510947160A CN105425581B CN 105425581 B CN105425581 B CN 105425581B CN 201510947160 A CN201510947160 A CN 201510947160A CN 105425581 B CN105425581 B CN 105425581B
- Authority
- CN
- China
- Prior art keywords
- neural network
- oxygen content
- saliva
- power plant
- economizer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/029—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种热电厂水汽管道加氧控制方法,包括以下步骤:建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;由粒子群算法,求解神经网络的最优输入参量;以神经网络估计与实测的误差数据一起,使用附加动量学习规则,更新训练神经网络。本发明解决了因取样装置的含氧量信号滞后、加氧管路氧气输送迟滞、水质水量变化导致调节精度不稳定,凝结水含氧量发生震荡或偏离调节目标值的技术问题。避免水汽管道腐蚀,保障电厂安全可靠运行。
Description
技术领域
本发明涉及一种控制方法,尤其涉及一种热电厂水汽管道加氧控制方法,属于发电设备技术领域。
背景技术
火力发电厂的水汽管道腐蚀一直是威胁电厂安全可靠运行的重大隐患,为预防和减轻超临界、超超临界火力发电机组的水汽管道的腐蚀,需向给水和凝结水系统中加入适量的氧气和其它制剂。根据相关的研究结论,氧气的加入量不能过多或过少,水中氧含量保持在50~150μg/L为最佳。由于机组的水质和水量不稳定,为保持水中氧含量相对稳定在最佳值,加氧速率不能为定值,应根据水质和水量等情况实时调整以控制加氧过程。
现在电厂一般采用可编程序控制器(PLC)结合流量控制阀来控制加氧速率,将取样装置的给水或凝结水含氧量信号送入PLC的模拟量输入模块,PLC对这两个信号分别进行PID运算,然后输出两个4~20mA信号,分别控制给水、凝结水的流量控制阀的开度,从而达到控制加氧速率的目的。
但是,由于水含氧量取样装置的取样点到分析仪表之间的水汽管路较长,因此取样装置的含氧量信号滞后现象比较严重;同时,加氧管路将氧气输送至凝结水中到改变水氧含量也存在迟滞现象,尤其是水质、水量变化时,导致调节精度不稳定,容易使凝结水含氧量发生震荡或偏离调节目标值。
因此,研究热电厂水汽管道加氧控制的新方法,解决凝结水含氧量发生震荡或偏离调节目标值的技术问题十分必要。
发明内容
本发明的目的在于提供一种热电厂水汽管道加氧控制方法,解决凝结水含氧量发生震荡或偏离调节目标值的技术问题。
本发明的目的通过以下技术方案予以实现:
一种热电厂水汽管道加氧控制方法,包括以下步骤:
1)根据对热电厂水汽管道的水质参数的记录,统计出凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量,对应时刻的省煤器入口水含氧量的数据;将凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量作为输入参量,将省煤器入口水含氧量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据热电厂水汽管道省煤器入口水含氧量的规定值,由粒子群算法,求解神经网络的最优输入参量,即凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量;
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的省煤器入口水含氧量与神经网络估计出的省煤器入口水含氧量的误差,然后将这组实测的省煤器入口水含氧量数据,以及神经网络估计与实测的误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
本发明的目的还可以通过以下技术措施来进一步实现:
前述热电厂水汽管道加氧控制方法,其中粒子群算法,步骤如下:
1)初始化粒子群:确定粒子群大小NP,粒子群算法迭代次数NG,初始化粒子位置,计算每个粒子的适应度并初始化全局最优解与个体最优解;
计算粒子适应度的函数为:
其中,Oi表示神经网络输出向量的第i个元素,Oi'为理论期望的输出向量的第i个元素;
2)更新粒子群:粒子群的运动方程如下:
v(t)=ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))
x(t+1)=x(t)+c3·v(t)
其中ω取为i为粒子群算法的本次迭代次数,c1,c2,c3为常数,c1,c2取值为2.8,c3取值为0.3,lbest为每个粒子搜索过的个体最优解,gbest为所有粒子搜索过的全局最优解;
3)计算本次迭代的粒子适应度,更新个体最优解与全局最优解:即对每个粒子,将本次迭代产生的适应度,与当前个体最优解相比,取适应度较小的为个体最优解,与所有粒子搜索过的全局最优解相比,取适应度较小的为全局最优解;
4)判断是否达到迭代NG次,若是,则输出全局最优解,若否,则返回步骤2)。
前述热电厂水汽管道加氧控制方法,其中附加动量学习法,更新规则如下式:
其中Δω(t)=ω(t)-ω(t-1),ET为神经网络的训练误差,η为权重,a为动量因子,取0.9。
前述热电厂水汽管道加氧控制方法还可以通过另一种技术方案予以实现:
一种热电厂水汽管道加氧控制方法,包括以下步骤:
1)根据对热电厂水汽管道的水质参数的记录,统计出凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量,对应时刻的省煤器入口水含氧量的数据;将凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量作为输入参量,将省煤器入口水含氧量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据热电厂水汽管道省煤器入口水含氧量的规定值,由遗传算法,求解神经网络的最优输入参量,即凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量;
所述遗传算法包括以下步骤:
①采用实数编码,初始化染色体,形成初始种群;
②利用适应度函数评价各代中的每个染色体;
③进行遗传操作;
④重新计算每个个体的适应值;
⑤选择好新种群后,对新种群中的最优个体进行保留,用上代的最优个体取代本代的最差个体;
⑥判断是否达到进化代数,若没有,则返回第②步,否则结束;
⑦将新种群中的最优个体的值作为和,保持不变,采用BP算法进行学习,直到满足性能指标;
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的省煤器入口水含氧量与神经网络估计出的省煤器入口水含氧量的误差,然后将这组实测的省煤器入口水含氧量数据,以及神经网络估计与实测的误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
前述热电厂水汽管道加氧控制方法,其中对凝结水泵入口水含氧量的检测进行滤波,滤波方法如下:
1)对被测参数进行滤波,即对被测参数连续采样多次,将采样值进行排序,选取中间值为本次有效采样值;
2)对被测参数进行有限脉冲响应滤波,先给定理想滤波器的频率特性Hd(ejw);
3)计算理想滤波器的单位抽样响应,
4)设置滤波器形式、窗函数类型、窗口长度N参数为:采样频率fs=150Hz,通带截止频率fp=5Hz,阻带起始频率fst=15Hz,阻带衰减不小于-50dB,窗函数类型采用Hamming窗,滤波器阶数N=30;
5)调用MATLAB函数计算滤波器系数w(n);
6)计算所设计滤波器的单位抽样响应h(n)=hd(n)w(n);
7)将设计好的N个h(n)序列存入对应存储区;
8)将中值滤波结果x1作为x(n)存入对应存储区;
与现有技术相比,本发明的有益效果是:本发明解决了因取样装置的含氧量信号滞后、加氧管路氧气输送迟滞、水质水量变化导致调节精度不稳定,凝结水含氧量发生震荡或偏离调节目标值的技术问题。避免水汽管道腐蚀,保障电厂安全可靠运行。
附图说明
图1是热电厂水汽管道结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示,热电厂的凝结水的水汽管道是由汽包1、凝汽器2、凝结水泵3、精处理器4、给水泵5、省煤器6依次连接而成的水循环系统,汽包1出来的高温蒸汽经凝汽器2凝结成水,然后经凝结水泵3、精处理器4、给水泵5、省煤器6送至汽包1。凝结水泵入口氧表7设于凝结水泵3的入口处,检测该处水含氧量,加氧装置8设于给水泵5的入口处,加氧装置8可选用氧气流量调节阀,对气源的流量进行调节,省煤器入口氧表9设于省煤器6的入口处,该处的含氧量是控制目标点,保持在50~150μg/L为最佳。
本发明建立凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量与对应时刻的省煤器入口水含氧量之间的映射关系,建立神经网络并经过训练以后,对控制目标点的含氧量进行控制。
为实现这一目的,应先使用温度计、流量计、水溶氧量检测仪等传感器分别对凝结水泵入口水温、水流量、水含氧量进行测量,采集加氧点氧气流量数据,建立一个该水循环系统物理量数据库,然后利用神经网络对控制目标点的含氧量进行间接测量及控制。具体包括以下步骤:
1)根据对热电厂水汽管道的水质参数的记录,统计出凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量,对应时刻的省煤器入口水含氧量的数据;将凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量作为输入参量,将省煤器入口水含氧量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;附加动量学习法更新规则如下式:
其中Δω(t)=ω(t)-ω(t-1),ET为神经网络的训练误差,η为权重,a为动量因子,取0.9。
2)根据热电厂水汽管道省煤器入口水含氧量的规定值,由粒子群算法,求解神经网络的最优输入参量,即凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量;粒子群算法步骤如下:
(1)初始化粒子群:确定粒子群大小NP,粒子群算法迭代次数NG,初始化粒子位置,计算每个粒子的适应度并初始化全局最优解与个体最优解;
计算粒子适应度的函数为:
其中,Oi表示神经网络输出向量的第i个元素,Oi'为理论期望的输出向量的第i个元素;
(2)更新粒子群:粒子群的运动方程如下:
v(t)=ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))
x(t+1)=x(t)+c3·v(t)
其中ω取为i为粒子群算法的本次迭代次数,c1,c2,c3为常数,c1,c2取值为2.8,c3取值为0.3,lbest为每个粒子搜索过的个体最优解,gbest为所有粒子搜索过的全局最优解;
(3)计算本次迭代的粒子适应度,更新个体最优解与全局最优解:即对每个粒子,将本次迭代产生的适应度,与当前个体最优解相比,取适应度较小的为个体最优解,与所有粒子搜索过的全局最优解相比,取适应度较小的为全局最优解;
(4)判断是否达到迭代NG次,若是,则输出全局最优解,若否,则返回步骤(2)。
3)由于神经网络建立了凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量,对应时刻的省煤器入口水含氧量之间的映射关系,神经网络经过训练以后,可以对目标控制点的含氧量进行预测及控制,为了取得更好的测控效果,缩小神经网络估计误差,需要更新训练神经网络。
因此,依据上一循环后对控制点的含氧量的实测数据与神经网络估计数据的误差来判断本次是否需要再次进行人工离线实测采样,其判断规则为:若上次采样数据与神经网络数据误差较小,则延长下次人工采样与本次采样的间隔时间,若本次人工采样数据与神经网络数据误差较大,则缩小下次人工采样与本次采样的间隔时间;具体的采样间隔时间则需根据实际控制的要求决定。如果对神经网络不断更新训练,则估计值不断逼近于实测值,所需的离线人工采样测量分析的次数可以减少,采样间隔可以加大,减轻了人工工作负担。
具体做法为根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的与估计的数据的误差,然后将这组实测数据,以及神经网络估计值与实测值之间的误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
所述附加动量学习法,更新规则如下式:
其中Δω(t)=ω(t)-ω(t-1),ET为神经网络的训练误差,η为权重,a为动量因子,取0.9。
上述步骤2)求解出神经网络的最优输入参量,即为了获得目标控制点的含氧量的理想值,通过本发明的方法求解出与之对应的凝结水泵入口水温、水流量、加氧点氧气流量,然后通过加热设备、水泵流量调节、加氧点氧气流量控制阀的调节进行控制,从而克服迟滞效应,获得目标控制点的含氧量的理想值。
本发明的目的还可以通过另一种技术方案予以实现,即同样基于神经网络,但是使用遗传算法,求解神经网络的最优输入参量。
该方法包括以下步骤:
1)根据对热电厂水汽管道的水质参数的记录,统计出凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量,对应时刻的省煤器入口水含氧量的数据;将凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量作为输入参量,将省煤器入口水含氧量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据热电厂水汽管道省煤器入口水含氧量的规定值,由遗传算法,求解神经网络的最优输入参量,即凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量;
所述遗传算法包括以下步骤:
①采用实数编码,初始化染色体,形成初始种群;
②利用适应度函数评价各代中的每个染色体;
③进行遗传操作;
④重新计算每个个体的适应值;
⑤选择好新种群后,对新种群中的最优个体进行保留,用上代的最优个体取代本代的最差个体;
⑥判断是否达到进化代数,若没有,则返回第②步,否则结束;
⑦将新种群中的最优个体的值作为和,保持不变,采用BP算法进行学习,直到满足性能指标;
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的省煤器入口水含氧量与神经网络估计出的省煤器入口水含氧量的误差,然后将这组实测的省煤器入口水含氧量数据,以及神经网络估计与实测的误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
遗传算法是一种基于生物进化过程的随机搜索的全局优化方法,它通过交叉和变异大大减少了初始状态的影响,使搜索得到最优结果,而不停留在局部最小处。因此,为了发挥遗传算法和BP算法各自的长处,用BP算法调节和优化具有局部性的参数,用遗传算法优化具有全局性的参数。
由于凝结水泵入口处存在水流的波动,水泵机组的震动,大功率电机的电磁干扰等状况会影响对水含氧量的检测,因此为了更准确地获得该处水含氧量,更好地对省煤器入口水含氧量的数据进行监控,保持水中氧含量相对稳定在最佳值,防止水汽管道的腐蚀,对凝结水泵入口水含氧量的检测值进行滤波处理,滤波方法如下:
1)对被测参数进行滤波,即对被测参数连续采样多次,将采样值进行排序,选取中间值为本次有效采样值;
2)对被测参数进行有限脉冲响应滤波,先给定理想滤波器的频率特性Hd(ejw);
3)计算理想滤波器的单位抽样响应,
4)设置滤波器形式、窗函数类型、窗口长度N参数为:采样频率fs=150Hz,通带截止频率fp=5Hz,阻带起始频率fst=15Hz,阻带衰减不小于-50dB,窗函数类型采用Hamming窗,滤波器阶数N=30;
5)调用MATLAB函数计算滤波器系数w(n);
6)计算所设计滤波器的单位抽样响应h(n)=hd(n)w(n);
7)将设计好的N个h(n)序列存入对应存储区;
8)将中值滤波结果x1作为x(n)存入对应存储区;
除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。
Claims (6)
1.一种热电厂水汽管道加氧控制方法,其特征在于,包括以下步骤:
1)根据对热电厂水汽管道的水质参数的记录,统计出凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量,对应时刻的省煤器入口水含氧量的数据;将凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量作为输入参量,将省煤器入口水含氧量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据热电厂水汽管道省煤器入口水含氧量的规定值,由粒子群算法,求解神经网络的最优输入参量,即凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量;
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的省煤器入口水含氧量与神经网络估计出的省煤器入口水含氧量的误差,然后将这组实测的省煤器入口水含氧量数据,以及神经网络估计与实测的误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
2.如权利要求1所述的热电厂水汽管道加氧控制方法,其特征在于,所述粒子群算法,步骤如下:
1)初始化粒子群:确定粒子群大小NP,粒子群算法迭代次数NG,初始化粒子位置,计算每个粒子的适应度并初始化全局最优解与个体最优解;
计算粒子适应度的函数为:
其中,Oi表示神经网络输出向量的第i个元素,Oi'为理论期望的输出向量的第i个元素;
2)更新粒子群:粒子群的运动方程如下:
v(t)=ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))
x(t+1)=x(t)+c3·v(t)
其中ω取为i为粒子群算法的本次迭代次数,c1,c2,c3为常数,c1,c2取值为2.8,c3取值为0.3,lbest为每个粒子搜索过的个体最优解,gbest为所有粒子搜索过的全局最优解;
3)计算本次迭代的粒子适应度,更新个体最优解与全局最优解:即对每个粒子,将本次迭代产生的适应度,与当前个体最优解相比,取适应度较小的为个体最优解,与所有粒子搜索过的全局最优解相比,取适应度较小的为全局最优解;
4)判断是否达到迭代NG次,若是,则输出全局最优解,若否,则返回步骤2)。
3.如权利要求1或2所述的热电厂水汽管道加氧控制方法,其特征在于,所述附加动量学习法,更新规则如下式:
其中Δω(t)=ω(t)-ω(t-1),ET为神经网络的训练误差,η为权重,a为动量因子,取0.9。
4.如权利要求1所述的热电厂水汽管道加氧控制方法,其特征在于,对凝结水泵入口水含氧量的检测进行滤波,滤波方法如下:
1)对被测参数进行滤波,即对被测参数连续采样多次,将采样值进行排序,选取中间值为本次有效采样值;
2)对被测参数进行有限脉冲响应滤波,先给定理想滤波器的频率特性Hd(ejw);
3)计算理想滤波器的单位抽样响应,
4)设置滤波器形式、窗函数类型的参数为:采样频率fs=150Hz,通带截止频率fp=5Hz,阻带起始频率fst=15Hz,阻带衰减不小于-50dB,窗函数类型采用Hamming窗,滤波器阶数N=30;
5)调用MATLAB函数计算滤波器系数w(n);
6)计算所设计滤波器的单位抽样响应h(n)=hd(n)w(n);
7)将设计好的N个h(n)序列存入对应存储区;
8)将中值滤波结果x1作为x(n)存入对应存储区;
9)循环读取h(n)、x(n)值进行卷积运算,求得在线滤波结果
5.一种热电厂水汽管道加氧控制方法,其特征在于,包括以下步骤:
1)根据对热电厂水汽管道的水质参数的记录,统计出凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量,对应时刻的省煤器入口水含氧量的数据;将凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量作为输入参量,将省煤器入口水含氧量作为输出参量,建立神经网络,根据已有的历史监测数据,使用BP神经网络,附加动量学习规则,训练神经网络;
2)根据热电厂水汽管道省煤器入口水含氧量的规定值,由遗传算法,求解神经网络的最优输入参量,即凝结水泵入口水温、水流量、水含氧量、加氧点氧气流量;
所述遗传算法包括以下步骤:
①采用实数编码,初始化染色体,形成初始种群;
②利用适应度函数评价各代中的每个染色体;
③进行遗传操作;
④重新计算每个个体的适应值;
⑤选择好新种群后,对新种群中的最优个体进行保留,用上代的最优个体取代本代的最差个体;
⑥判断是否达到进化代数,若没有,则返回第②步,否则结束;
⑦将新种群中的最优个体的值作为和,保持不变,采用BP算法进行学习,直到满足性能指标;
3)根据上一循环神经网络估计误差判断是否需要人工采样,如需要,通过人工采样然后离线分析,对比得出实测的省煤器入口水含氧量与神经网络估计出的省煤器入口水含氧量的误差,然后将这组实测的省煤器入口水含氧量数据,以及神经网络估计与实测的误差数据一起,使用附加动量学习规则,更新训练神经网络;如不需要人工采样,则返回步骤2)。
6.如权利要求5所述的热电厂水汽管道加氧控制方法,其特征在于,对凝结水泵入口水含氧量的检测进行滤波,滤波方法如下:
1)对被测参数进行滤波,即对被测参数连续采样多次,将采样值进行排序,选取中间值为本次有效采样值;
2)对被测参数进行有限脉冲响应滤波,先给定理想滤波器的频率特性Hd(ejw);
3)计算理想滤波器的单位抽样响应,
4)设置滤波器形式、窗函数类型的参数为:采样频率fs=150Hz,通带截止频率fp=5Hz,阻带起始频率fst=15Hz,阻带衰减不小于-50dB,窗函数类型采用Hamming窗,滤波器阶数N=30;
5)调用MATLAB函数计算滤波器系数w(n);
6)计算所设计滤波器的单位抽样响应h(n)=hd(n)w(n);
7)将设计好的N个h(n)序列存入对应存储区;
8)将中值滤波结果x1作为x(n)存入对应存储区;
9)循环读取h(n)、x(n)值进行卷积运算,求得在线滤波结果
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510947160.1A CN105425581B (zh) | 2015-12-17 | 2015-12-17 | 热电厂水汽管道加氧控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510947160.1A CN105425581B (zh) | 2015-12-17 | 2015-12-17 | 热电厂水汽管道加氧控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105425581A CN105425581A (zh) | 2016-03-23 |
CN105425581B true CN105425581B (zh) | 2018-07-03 |
Family
ID=55503859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510947160.1A Active CN105425581B (zh) | 2015-12-17 | 2015-12-17 | 热电厂水汽管道加氧控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105425581B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427443B (zh) * | 2018-04-28 | 2023-03-17 | 西安热工研究院有限公司 | 高精度自动加氧装置及自动加氧方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06332501A (ja) * | 1993-05-24 | 1994-12-02 | Ishikawajima Harima Heavy Ind Co Ltd | フィードバック制御装置および該制御装置を用いた焼却炉 |
CN201376921Y (zh) * | 2009-02-27 | 2010-01-06 | 宝山钢铁股份有限公司 | 多通道并列组合电厂锅炉给水自动加氧装置 |
CN101955265A (zh) * | 2010-08-20 | 2011-01-26 | 镇江华东电力设备制造厂 | 发电厂水、汽管道加氧控制方法 |
CN102070214A (zh) * | 2010-11-29 | 2011-05-25 | 西安热工研究院有限公司 | 一种火力发电厂水汽系统加氧处理方法 |
CN103773900A (zh) * | 2013-12-30 | 2014-05-07 | 镇江市高等专科学校 | 基于神经网络及粒子群算法的固态发酵控制方法 |
-
2015
- 2015-12-17 CN CN201510947160.1A patent/CN105425581B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06332501A (ja) * | 1993-05-24 | 1994-12-02 | Ishikawajima Harima Heavy Ind Co Ltd | フィードバック制御装置および該制御装置を用いた焼却炉 |
CN201376921Y (zh) * | 2009-02-27 | 2010-01-06 | 宝山钢铁股份有限公司 | 多通道并列组合电厂锅炉给水自动加氧装置 |
CN101955265A (zh) * | 2010-08-20 | 2011-01-26 | 镇江华东电力设备制造厂 | 发电厂水、汽管道加氧控制方法 |
CN102070214A (zh) * | 2010-11-29 | 2011-05-25 | 西安热工研究院有限公司 | 一种火力发电厂水汽系统加氧处理方法 |
CN103773900A (zh) * | 2013-12-30 | 2014-05-07 | 镇江市高等专科学校 | 基于神经网络及粒子群算法的固态发酵控制方法 |
Non-Patent Citations (1)
Title |
---|
火电厂水处理系统的神经网络预测控制;梁东义;《中国优秀硕士学位论文全文数据库》;20140315(第3期);1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN105425581A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110054274B (zh) | 一种净水絮凝沉淀投药控制方法 | |
CN110187727B (zh) | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 | |
JP6609808B2 (ja) | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 | |
CN109118384A (zh) | 一种风电机组健康预警方法 | |
CN105425592B (zh) | 一种水处理加药数字化在线控制系统 | |
CN105588930B (zh) | 温室大棚土壤参数测量方法 | |
CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
CN105372995B (zh) | 污水处理系统测控方法 | |
CN105988378A (zh) | 循环冷却水控制系统及加药控制装置和方法 | |
CN106292455A (zh) | 一种直流锅炉凝结水加氨拟人化巡检式智能控制系统及控制方法 | |
CN105425581B (zh) | 热电厂水汽管道加氧控制方法 | |
CN109916388A (zh) | 基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 | |
CN109946424A (zh) | 基于人工蜂群和神经网络的气体标定分类方法及系统 | |
Wu et al. | Selection schemes of dual virtual-metrology outputs for enhancing prediction accuracy | |
CN111061149A (zh) | 基于深度学习预测控制优化的循环流化床节煤降耗的方法 | |
Angani et al. | Vertical Recycling Aquatic System for Internet-of-Things-based Smart Fish Farm. | |
CN114692723A (zh) | 一种反渗透膜污堵预警方法及系统 | |
CN113984989A (zh) | 一种基于拉普拉斯降维的水产养殖水质异常检测方法 | |
Mao et al. | Coating thickness modeling and prediction for hot-dip galvanized steel strip based on GA-BP neural network | |
CN114706293A (zh) | 一种基于GRU-Attention和自适应模糊PID的煤泥水智能加药控制方法 | |
CN105568732A (zh) | 盘磨机控制方法 | |
CN114239943A (zh) | 一种气溶胶浓度预测方法 | |
RU2571787C2 (ru) | Способ определения параметров максимального технологического режима газового промысла | |
CN111888788B (zh) | 一种适于中药提取浓缩的循环神经网络控制方法和系统 | |
CN110795688B (zh) | 考虑遥相关因子的中长期水库调度方法以及自动控制系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 212028 No. 518, Chang Xiang Road, University Park, Zhenjiang, Jiangsu Patentee after: Zhenjiang College Address before: Zhenjiang City, Jiangsu Province, 212003 Jingkou District Road No. 61 Patentee before: Zhenjiang College |