CN106406101B - 一种火电机组协调控制系统的智能计算预测控制方法 - Google Patents
一种火电机组协调控制系统的智能计算预测控制方法 Download PDFInfo
- Publication number
- CN106406101B CN106406101B CN201611039433.3A CN201611039433A CN106406101B CN 106406101 B CN106406101 B CN 106406101B CN 201611039433 A CN201611039433 A CN 201611039433A CN 106406101 B CN106406101 B CN 106406101B
- Authority
- CN
- China
- Prior art keywords
- model
- predictive control
- value
- control device
- max
- 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.)
- Expired - Fee Related
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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种火电机组协调控制系统的智能计算预测控制方法,其包括步骤如下:步骤1.确定预测控制的采样时间间隔Ts;步骤2.通过机组特性测试获得在M个典型负荷工况下锅炉汽轮机系统的输入‑输出差分方程形式描述的局部模型Gm;步骤3.采用模型预测控制对步骤2中所有局部模型Gm进行方波信号控制仿真;步骤4.将步骤3中所有局部模型Gm的控制仿真数据用来训练智能计算模型,形成智能预测控制器IPC;步骤5.将从步骤4中训练得到的智能预测控制器IPC作为实时控制器,通过采集需要的输入信号并送入所述智能预测控制器IPC,智能预测控制器IPC自动计算得到任意工况下调节锅炉汽轮机所需的控制增量指令Δu(t)。本发明准确度高、反应快速、在线计算量小。
Description
技术领域
本发明涉及一种火电机组协调控制系统的智能计算预测控制方法,属于火力发电机组自动控制技术领域。
背景技术
电站锅炉-汽轮机协调控制系统的任务是通过锅炉侧的燃料量ub和汽机侧的汽机调门开度ut的联合调节,以及时响应中调负荷指令N0要求的机组出力Ne,同时维持机组主蒸汽压力Pt在允许的设定值P0范围,二者的协调配合是提高发电机组的经济效益、保证机组安全运行的不可缺少的环节,日益受到发电厂家和科研人员的高度重视。
如今几乎所有的大型电站机组都要参与电网调峰,对中调自动发电控制(AGC)指令的响应速度极大的关系到电厂的经济效益和社会效益。而对AGC指令做出快速响应的前提是机组自身的各参数能够良好的维持在安全范围内,这需要机组具备性能优良的自动控制系统予以保证。
然而由于火力发电生产过程的特殊性和蒸汽管道构造的复杂性,对锅炉-汽轮机过程的协调控制比较困难。其中由于机组负荷指令的随机性波动,导致扰动频繁且扰动量较大。对于机组负荷的扰动,致使主蒸汽压力经常波动,主要原因是锅炉-汽轮机系统对于机组负荷的变化具有明显的时变和非线性特性。当负荷变化时,描述系统特性的传递函数函数的惯性时间常数以及静态增益都呈现明显变化。目前广泛使用的固定参数的单向解耦PID控制方案很难在全工况范围取得满意的控制效果。
为此一些更先进的控制方案陆续被提出。
比如中国专利“基于模型动态解耦的火电机组机炉协调控制方法”(200910154934.X)针对机炉协调系统特性之间的耦合问题,提出了一种基于模型动态解耦的控制方法,一定程度上提高了系统的控制性能,但其主体控制方案仍然是常规的PID控制,因而存在如下两个方面的问题:(1)固定参数的解耦模型对于机组负荷的变化鲁棒性差;(2)常规的PID控制局限于三个参数自由度,仍然难以取得满意的控制效果。
有的专利和文献则针对系统随机组负荷时变的特点,采用在线自适应辨识系统模型,然后针对辨识的模型在线自适应解耦。但是由于系统随时受到多种因素的影响,在线辨识的结果往往不能反映甚至完全偏离真实的协调系统特性,此时的控制效果当然就无法满足期望的控制品质。
也有一些专利和文献采用分段性的多模型预测控制,但是他们都是从模型描述系统本身特性的角度考虑问题,仍然需要在线进行复杂的预测控制计算,不利于在目前广泛使用的分散控制系统(DCS)上实现,即使通过专用工业控制器如PLC等实现,这些方案需要占用大量的内存开销,对于内存有限的PLC设备来说也是十分不利的,从而限制了控制方案的推广应用。
由上述分析可见,已有的锅炉-汽轮机协调控制方法仍存在一定的局限性或缺陷。
发明内容
本发明所要解决的技术问题是提供了一种机组负荷及主蒸汽压力控制性能优良的火电机组协调控制系统的智能计算预测控制方法。
本发明采用如下技术方案:
一种火电机组协调控制系统的智能计算预测控制方法,具体采用如下步骤:
步骤1.确定预测控制的采样时间间隔Ts;
步骤2.通过机组特性测试获得在M个典型负荷工况下锅炉汽轮机系统的输入-输出差分方程形式描述的局部模型Gm;
步骤3.采用模型预测控制对所述步骤2中的所有局部模型Gm进行方波信号的控制仿真;
步骤4.将所述步骤3中的所有局部模型Gm的控制仿真数据用来训练智能计算模型,从而形成智能预测控制器IPC;
步骤5.将从所述步骤4中训练得到的智能预测控制器IPC作为实时控制器,通过采集需要的输入信号并送入所述智能预测控制器IPC,所述智能预测控制器IPC自动计算得到任意工况下调节锅炉汽轮机所需的控制增量指令Δu(t)。
进一步的,所述步骤1中的采样时间间隔Ts,根据控制器运算系统的具体情况,的取值范围为Ts=3~10秒。
进一步的,所述步骤2中的M个典型负荷工况的个数,在机组主要的运行负荷区间内取值M=4~7个。
进一步的,所述步骤2中的锅炉汽轮机系统的输入-输出差分方程形式描述的M个局部模型Gm包括以燃烧率ub(t)(t/h)和汽机调门开度ut(t)(%)作为输入,以主蒸汽压力Pt(t)作为输出的压力模型Gm,P和以发电功率Ne(t)作为输出的功率模型Gm,N;其中,所述压力模型Gm,P形式如下:
所述功率模型Gm,N形式如下:
其中,t表示当前采样控制时刻;
na、nb、nc、nd、ne、nf表示模型阶次,对于M个不同的典型负荷工况取相同的值,取值范围na=nb=nc=nd=ne=nf=4~6;
ai、bj、ck、di、ej、fk表示模型系数,采用最小二乘法辨识得到,对于M个不同的典型负荷工况会得到不同的值。
进一步的,所述步骤3中的模型预测控制基于如下目标函数采用广义预测控制算法进行求解,其目标函数J(t)为:
(3)|Δub(t)|≤Δub,max,|Δut(t)|≤Δut,max;
(4)ub,min≤ub(t)≤ub,max,ut,min≤ut(t)≤ut,max.
其中,N1、N2分别表示主蒸汽压力和输出功率的预测时域,整数取值范围20~50;
M1、M2分别表示燃烧率和汽机调门开度的控制时域,整数取值范围1~10;
α1、α2分别表示主蒸汽压力和输出功率的预测误差加权,取值范围0~1;
β1、β2分别表示燃烧率和汽机调门开度的控制增量加权,取值范围0~1;
s.t.表示紧随其后的是4个约束条件;
Δub(t)、Δut(t)分别表示当前采样时刻计算的燃烧率和汽机调门开度控制增量;
Δut,max、ub,max分别表示燃烧率和汽机调门开度的速率限制值,根据具体的设计要求,取值范围是3%~10%;
ub,min、ub,max分别表示燃烧率指令幅度限制的下限和上限,其值根据执行机构位置的物理限制及安全要求设置;
ut,min、ut,max分别表示汽机调门开度指令幅度限制的下限和上限,其值根据执行机构位置的物理限制及安全要求设置;
ub(t)表示燃烧率,单位是t/h;
ut(t)表示汽机调门开度,单位是%;
Pt(t)表示主蒸汽压力;Ne(t)表示发电功率;
na、nb、nc、nd、ne、nf表示模型阶次,对于M个不同的典型负荷工况取相同的值,取值范围na=nb=nc=nd=ne=nf=4~6;
ai、bj、ck、di、ej、fk表示模型系数,采用最小二乘法辨识得到,对于M个不同的典型负荷工况会得到不同的值;
P0(t+i1)、N0(t+i2)分别表示主蒸汽压力和输出功率的参考轨迹,分别按下式计算:
P0(t)=Pt(t),P0(t+i1)=γ1P0(t+i1-1)+(1-γ1)Ptarget;
N0(t)=Ne(t),N0(t+i2)=γ2N0(t+i2-1)+(1-γ2)Ntarget;
其中,γ1、γ2分别表示主蒸汽压力和输出功率的跟踪柔化系数,取值范围0~1;
Ptarget表示主蒸汽压力Pt(t)的目标值;
Ntarget表示输出功率Ne(t)的目标值。
进一步的,所述步骤3中的方波信号,所述方波信号的周期取值范围为500Ts~1000Ts。
进一步的,所述步骤4中用于智能预测控制器IPC设计的智能计算模型采用径向基函数神经网络模型,通常又称RBF神经网络;训练后得到的所述智能预测控制器IPC包括燃烧率预测控制器IPCB和汽机调门预测控制器IPCT。
本发明的有益效果如下:
本发明提供了一种准确度高、反应快速、在线计算量小、编程实现简单的电站锅炉-汽轮机协调系统的直接预测控制方法,避免具有大迟延、大惯性和时变特性的机炉协调系统对象随着机组负荷变化而导致机组负荷及主蒸汽压力控制性能不佳的问题。
本发明在机组运行的全工况范围内,实现电站锅炉-汽轮机协调系统的直接预测控制,提高锅炉-汽轮机协调系统的动态调节性能和稳定性,同时编程实现简单,便于在火电机组广泛使用的DCS中组态实现而无需附加其它软硬件设备。
附图说明
图1是常规的电站机组锅炉-汽轮机协调系统控制原理图。
图2是本发明提供的电站机组锅炉-汽轮机协调系统智能预测控制原理图。
图1和图2中符号说明:Pt为主蒸汽压力测量值;
P0为主蒸汽压力设定值;
Ne为发电功率测量值;
N0为发电功率设定值;
ub为锅炉燃料量指令;
ut为汽轮机调门开度指令;
x为机组负荷,一般等于发电功率;
PIDb为锅炉燃料量控制器;
PIDt为汽轮机调门开度控制器;
IPCb为锅炉燃料量智能预测控制器;
IPCt为汽轮机调门开度智能预测控制器。
具体实施方式
下面将结合图1和图2以及具体实施例对本发明进行进一步详细的说明。
如图1和图2所示,本实施例涉及一种基于智能计算进行预测控制律学习的电站锅炉汽轮机协调控制系统的预测控制方法,具体步骤如下:
步骤1.确定预测控制的采样时间间隔Ts;
步骤2.通过机组特性测试获得在M个典型负荷工况下锅炉汽轮机系统的输入-输出差分方程形式描述的局部模型Gm;
步骤3.采用模型预测控制对所述步骤2中的所有局部模型Gm进行方波信号的控制仿真;
步骤4.将所述步骤3中的所有局部模型Gm的控制仿真数据用来训练智能计算模型,从而形成智能预测控制器IPC;
步骤5.将从所述步骤4中训练得到的智能预测控制器IPC作为实时控制器,通过采集需要的输入信号并送入所述智能预测控制器IPC,所述智能预测控制器IPC自动计算得到任意工况下调节锅炉汽轮机所需的控制增量指令Δu(t)。
进一步的,所述步骤1中的采样时间间隔Ts,根据控制器运算系统的具体情况,的取值范围为Ts=3~10秒。
进一步的,所述步骤2中的M个典型负荷工况的个数,在机组主要的运行负荷区间内取值M=4~7个。
进一步的,所述步骤2中的锅炉汽轮机系统的输入-输出差分方程形式描述的M个局部模型Gm包括以燃烧率ub(t)(t/h)和汽机调门开度ut(t)(%)作为输入,以主蒸汽压力Pt(t)作为输出的压力模型Gm,P和以发电功率Ne(t)作为输出的功率模型Gm,N;其中,所述压力模型Gm,P形式如下:
所述功率模型Gm,N形式如下:
其中,t表示当前采样控制时刻;
na、nb、nc、nd、ne、nf表示模型阶次,对于M个不同的典型负荷工况取相同的值,取值范围na=nb=nc=nd=ne=nf=4~6;
ai、bj、ck、di、ej、fk表示模型系数,采用最小二乘法辨识得到,对于M个不同的典型负荷工况会得到不同的值。
进一步的,所述步骤3中的模型预测控制基于如下目标函数采用广义预测控制算法进行求解,其目标函数J(t)为:
(3)|Δub(t)|≤Δub,max,|Δut(t)|≤Δut,max;
(4)ub,min≤ub(t)≤ub,max,ut,min≤ut(t)≤ut,max.
其中,N1、N2分别表示主蒸汽压力和输出功率的预测时域,整数取值范围20~50;
M1、M2分别表示燃烧率和汽机调门开度的控制时域,整数取值范围1~10;
α1、α2分别表示主蒸汽压力和输出功率的预测误差加权,取值范围0~1;
β1、β2分别表示燃烧率和汽机调门开度的控制增量加权,取值范围0~1;
s.t.表示紧随其后的是4个约束条件;
Δub(t)、Δut(t)分别表示当前采样时刻计算的燃烧率和汽机调门开度控制增量;
Δut,max、ub,max分别表示燃烧率和汽机调门开度的速率限制值,根据具体的设计要求,取值范围是3%~10%;
ub,min、ub,max分别表示燃烧率指令幅度限制的下限和上限,其值根据执行机构位置的物理限制及安全要求设置;
ut,min、ut,max分别表示汽机调门开度指令幅度限制的下限和上限,其值根据执行机构位置的物理限制及安全要求设置;
ub(t)表示燃烧率,单位是t/h;
ut(t)表示汽机调门开度,单位是%;
Pt(t)表示主蒸汽压力;Ne(t)表示发电功率;
na、nb、nc、nd、ne、nf表示模型阶次,对于M个不同的典型负荷工况取相同的值,取值范围na=nb=nc=nd=ne=nf=4~6;
ai、bj、ck、di、ej、fk表示模型系数,采用最小二乘法辨识得到,对于M个不同的典型负荷工况会得到不同的值;
P0(t+i1)、N0(t+i2)分别表示主蒸汽压力和输出功率的参考轨迹,分别按下式计算:
P0(t)=Pt(t),P0(t+i1)=γ1P0(t+i1-1)+(1-γ1)Ptarget;
N0(t)=Ne(t),N0(t+i2)=γ2N0(t+i2-1)+(1-γ2)Ntarget;
其中,γ1、γ2分别表示主蒸汽压力和输出功率的跟踪柔化系数,取值范围0~1;
Ptarget表示主蒸汽压力Pt(t)的目标值;
Ntarget表示输出功率Ne(t)的目标值。
进一步的,所述步骤3中的方波信号,所述方波信号的周期取值范围为500Ts~1000Ts。
进一步的,所述步骤4中用于智能预测控制器IPC设计的智能计算模型采用径向基函数神经网络模型,通常又称RBF神经网络;训练后得到的所述智能预测控制器IPC包括燃烧率预测控制器IPCB和汽机调门预测控制器IPCT。
本发明的工作原理如下:
由于本发明只用2个RBF神经网络分别学习了M个不同的典型负荷工况下燃烧率预测控制器IPCB和汽机调门预测控制器IPCT的功能,而且学习过程是离线进行的,在线计算时只是两个训练好的无需在线优化计算的RBF神经网络预测控制器IPCB和IPCT,因而典型负荷工况的个数M可以取的较大以便增强系统的控制性能,而通常的多模型预测控制则不宜取过大的M以避免过大的在线优化计算量。
本发明的主要技术特征:运用模型辨识,以及对相应模型进行火电机组协调控制系统预测控制器参数的仿真计算和计算结果的神经网络综合学习。
Claims (6)
1.一种火电机组协调控制系统的智能计算预测控制方法,其特征在于步骤如下:
步骤1.确定预测控制的采样时间间隔Ts;
步骤2.通过机组特性测试获得在M个典型负荷工况下锅炉汽轮机系统的输入-输出差分方程形式描述的局部模型Gm;
所述步骤2中的锅炉汽轮机系统的输入-输出差分方程形式描述的M个局部模型Gm包括以燃烧率ub(t)和汽机调门开度ut(t)作为输入,以主蒸汽压力Pt(t)作为输出的压力模型Gm,P和以发电功率Ne(t)作为输出的功率模型Gm,N;其中,所述压力模型Gm,P形式如下:
所述功率模型Gm,N形式如下:
其中,t表示当前采样控制时刻;
na、nb、nc、nd、ne、nf表示模型阶次,对于M个不同的典型负荷工况取相同的值,取值范围na=nb=nc=nd=ne=nf=4~6;
ai、bj、ck、di、ej、fk表示模型系数,采用最小二乘法辨识得到,对于M个不同的典型负荷工况会得到不同的值;
步骤3.采用模型预测控制对所述步骤2中的所有局部模型Gm进行方波信号的控制仿真;
步骤4.将所述步骤3中的所有局部模型Gm的控制仿真数据用来训练智能计算模型,从而形成智能预测控制器IPC;
步骤5.将从所述步骤4中训练得到的智能预测控制器IPC作为实时控制器,通过采集需要的输入信号并送入所述智能预测控制器IPC,所述智能预测控制器IPC自动计算得到任意工况下调节锅炉汽轮机所需的控制增量指令Δu(t)。
2.根据权利要求1所述的一种火电机组协调控制系统的智能计算预测控制方法,其特征在于:所述步骤1中采样时间间隔Ts的取值范围为3~10秒。
3.根据权利要求1所述的一种火电机组协调控制系统的智能计算预测控制方法,其特征在于:所述步骤2中的M个典型负荷工况的个数,在机组主要的运行负荷区间内取值M=4~7个。
4.根据权利要求1所述的一种火电机组协调控制系统的智能计算预测控制方法,其特征在于:所述步骤3中的模型预测控制基于如下目标函数,采用广义预测控制算法进行求解,其目标函数J(t)为:
s.t.(1)
(2)
(3)|Δub(t)|≤Δub,max,|Δut(t)|≤Δut,max;
(4)ub,min≤ub(t)≤ub,max,ut,min≤ut(t)≤ut,max.
其中,N1、N2分别表示主蒸汽压力和输出功率的预测时域,整数取值范围20~50;
M1、M2分别表示燃烧率和汽机调门开度的控制时域,整数取值范围1~10;
α1、α2分别表示主蒸汽压力和输出功率的预测误差加权,取值范围0~1;
β1、β2分别表示燃烧率和汽机调门开度的控制增量加权,取值范围0~1;
s.t.表示紧随其后的是4个约束条件;
Δub(t)、Δut(t)分别表示当前采样时刻计算的燃烧率和汽机调门开度控制增量;
Δut,max、ub,max分别表示燃烧率和汽机调门开度的速率限制值,根据具体的设计要求,取值范围是3%~10%;
ub,min、ub,max分别表示燃烧率指令幅度限制的下限和上限,其值根据执行机构位置的物理限制及安全要求设置;
ut,min、ut,max分别表示汽机调门开度指令幅度限制的下限和上限,其值根据执行机构位置的物理限制及安全要求设置;
ub(t)表示燃烧率,单位是t/h;
ut(t)表示汽机调门开度,单位是%;
Pt(t)表示主蒸汽压力;Ne(t)表示发电功率;
na、nb、nc、nd、ne、nf表示模型阶次,对于M个不同的典型负荷工况取相同的值,取值范围na=nb=nc=nd=ne=nf=4~6;
ai、bj、ck、di、ej、fk表示模型系数,采用最小二乘法辨识得到,对于M个不同的典型负荷工况会得到不同的值;
P0(t+i1)、N0(t+i2)分别表示主蒸汽压力和输出功率的参考轨迹,分别按下式计算:
P0(t)=Pt(t),P0(t+i1)=γ1P0(t+i1-1)+(1-γ1)Ptarget;
N0(t)=Ne(t),N0(t+i2)=γ2N0(t+i2-1)+(1-γ2)Ntarget;
其中,γ1、γ2分别表示主蒸汽压力和输出功率的跟踪柔化系数,取值范围0~1;
Ptarget表示主蒸汽压力Pt(t)的目标值;
Ntarget表示输出功率Ne(t)的目标值。
5.根据权利要求1所述的一种火电机组协调控制系统的智能计算预测控制方法,其特征在于:所述步骤3中的方波信号的周期取值范围为500Ts~1000Ts。
6.根据权利要求1所述的一种火电机组协调控制系统的智能计算预测控制方法,其特征在于:所述步骤4中用于智能预测控制器IPC设计的智能计算模型采用径向基函数神经网络模型,训练后得到的所述智能预测控制器IPC包括燃烧率预测控制器IPCB和汽机调门预测控制器IPCT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611039433.3A CN106406101B (zh) | 2016-11-21 | 2016-11-21 | 一种火电机组协调控制系统的智能计算预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611039433.3A CN106406101B (zh) | 2016-11-21 | 2016-11-21 | 一种火电机组协调控制系统的智能计算预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106406101A CN106406101A (zh) | 2017-02-15 |
CN106406101B true CN106406101B (zh) | 2019-08-09 |
Family
ID=58082548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611039433.3A Expired - Fee Related CN106406101B (zh) | 2016-11-21 | 2016-11-21 | 一种火电机组协调控制系统的智能计算预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106406101B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045287A (zh) * | 2017-05-11 | 2017-08-15 | 东南大学 | 基于预测控制技术的机组协调控制系统及控制方法 |
CN108919642B (zh) * | 2018-06-28 | 2021-03-26 | 东南大学 | 一种炉跟机协调控制系统控制器参数优化整定方法 |
CN109441559B (zh) * | 2018-10-15 | 2021-07-13 | 华北电力大学(保定) | 一种柔性协调控制系统的平衡跟踪控制方法 |
CN110824926B (zh) * | 2019-11-29 | 2022-06-03 | 江苏方天电力技术有限公司 | 一种火电机组深度调峰一次调频控制方法 |
CN111290282B (zh) * | 2020-03-25 | 2022-08-09 | 国家能源集团科学技术研究院有限公司 | 火电机组协调系统的预见式预测控制方法 |
CN111682593B (zh) * | 2020-05-29 | 2023-04-18 | 黑龙江苑博信息技术有限公司 | 基于神经网络模型状态观测器的火电机组协调优化方法 |
CN114326395B (zh) * | 2021-12-23 | 2024-03-19 | 华北电力大学 | 一种基于工况判别的智能发电机组控制模型在线更新方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8135653B2 (en) * | 2007-11-20 | 2012-03-13 | Hitachi, Ltd. | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal |
CN102841539B (zh) * | 2012-09-10 | 2016-05-11 | 广东电网公司电力科学研究院 | 基于多模型预测控制的亚临界协调控制方法 |
CN104090491B (zh) * | 2014-07-04 | 2017-02-01 | 东南大学 | 燃气蒸汽联合循环机组多变量受限预测函数负荷控制方法 |
CN104122797B (zh) * | 2014-07-22 | 2016-08-31 | 东南大学 | 一种新型火电机组负荷多变量预测控制方法 |
CN104699064B (zh) * | 2015-03-20 | 2017-03-08 | 东南大学 | 一种火电机组协调控制系统的煤质自校正预测控制方法 |
-
2016
- 2016-11-21 CN CN201611039433.3A patent/CN106406101B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN106406101A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106406101B (zh) | 一种火电机组协调控制系统的智能计算预测控制方法 | |
CN106765052B (zh) | 一种电站锅炉蒸汽温度的智能计算预测控制方法 | |
CN102147613B (zh) | 一种对烟叶复烤机水分、温度的模型预测控制方法及系统 | |
CN111615589A (zh) | 用于协同控制风电场的风力涡轮机的方法和装置 | |
CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN102840571A (zh) | 基于子空间辨识的火力电站锅炉输出过热蒸汽的预报方法 | |
CN107908106B (zh) | 二次再热机组再热汽温的自降阶多回路集中预估控制系统 | |
CN108333933A (zh) | 一种一阶纯延迟系统闭环辨识方法 | |
CN102998971B (zh) | 温室机械通风pid参数整定方法及其控制方法和控制系统 | |
CN112686538A (zh) | 一种基于数据驱动的热工过程调节品质计算方法和装置 | |
CN105595391A (zh) | 一种关于ctd气流式烘丝机的先进控制方法 | |
CN108762086B (zh) | 基于模型预测控制的二次再热蒸汽温度控制装置及控制系统 | |
CN106610589A (zh) | 一种在线硬件闭环网源协调线性自抗扰控制方法 | |
CN105467844A (zh) | 基于神经元辨识的锅炉过热汽温控制方法 | |
CN105573380A (zh) | 一种自动化生产线喷涂烘干过程的自抗扰温度控制系统 | |
Biyanto et al. | Design plant-wide control to waste heat recovery generation on cement industry based HYSYS | |
CN114326395B (zh) | 一种基于工况判别的智能发电机组控制模型在线更新方法 | |
CN106406080B (zh) | 一种火力发电机组的agc功能远程优化系统及方法 | |
CN104898419B (zh) | 并矢协调控制器及其基于梯形联合指令的优化设计方法 | |
CN113885607B (zh) | 一种汽温控制方法、装置、电子设备和计算机存储介质 | |
Shahravanmehr et al. | LQG controller based on fuzzy logic to control the power of wind turbine | |
Alabugin et al. | Models for combining facilities and resources of renewable energy in the process of cogeneration | |
CN113110628A (zh) | 基于pso的压水堆除氧器水位控制方法 | |
CN106528917B (zh) | 一种化工反应器系统的时滞耐受度指数的计算方法 | |
Chew et al. | Performance analysis of the level control with inverse response by using Particle Swarm Optimization |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190809 Termination date: 20191121 |
|
CF01 | Termination of patent right due to non-payment of annual fee |