CN106773718A - 一种氧碳比控制系统及其气化炉氧煤比控制方法 - Google Patents
一种氧碳比控制系统及其气化炉氧煤比控制方法 Download PDFInfo
- Publication number
- CN106773718A CN106773718A CN201710054246.0A CN201710054246A CN106773718A CN 106773718 A CN106773718 A CN 106773718A CN 201710054246 A CN201710054246 A CN 201710054246A CN 106773718 A CN106773718 A CN 106773718A
- Authority
- CN
- China
- Prior art keywords
- gasification furnace
- coal
- oxygen
- model
- controller
- 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.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 102
- 238000002309 gasification Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 74
- OBOXTJCIIVUZEN-UHFFFAOYSA-N [C].[O] Chemical compound [C].[O] OBOXTJCIIVUZEN-UHFFFAOYSA-N 0.000 title abstract description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 68
- 239000001301 oxygen Substances 0.000 claims abstract description 68
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 68
- 239000007789 gas Substances 0.000 claims abstract description 40
- 239000000203 mixture Substances 0.000 claims abstract description 31
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 19
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 19
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 42
- 229910052799 carbon Inorganic materials 0.000 claims description 42
- 230000004044 response Effects 0.000 claims description 24
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 17
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 7
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 239000002817 coal dust Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000003416 augmentation Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 239000002893 slag Substances 0.000 claims 1
- 230000001276 controlling effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 150000002978 peroxides Chemical class 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J3/00—Production of combustible gases containing carbon monoxide from solid carbonaceous fuels
- C10J3/02—Fixed-bed gasification of lump fuel
- C10J3/20—Apparatus; Plants
- C10J3/30—Fuel charging devices
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J3/00—Production of combustible gases containing carbon monoxide from solid carbonaceous fuels
- C10J3/46—Gasification of granular or pulverulent flues in suspension
- C10J3/48—Apparatus; Plants
- C10J3/50—Fuel charging devices
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J3/00—Production of combustible gases containing carbon monoxide from solid carbonaceous fuels
- C10J3/72—Other features
- C10J3/723—Controlling or regulating the gasification process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D11/00—Control of flow ratio
- G05D11/02—Controlling ratio of two or more flows of fluid or fluent material
- G05D11/13—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means
- G05D11/139—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means by measuring a value related to the quantity of the individual components and sensing at least one property of the mixture
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Combustion & Propulsion (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于预测控制的气化炉氧煤比控制方法，氧碳比控制系统包括以合成气成分为被控变量的串级回路，该串级回路包括主回路和副回路，主回路包括主回路控制器，副回路为粉煤流量调节回路；主回路控制器包括合成器成分控制器，副回路包括粉煤控制器；合成器成分控制器与粉煤控制器相连接，粉煤控制器还依次与粉煤调节阀、粉煤管线及气化炉相连接；合成气成分控制器由预测控制器进行控制；该氧碳比控制系统中，氧气流量由气化炉负荷决定，合成气成分控制器根据测量的合成气成分决定氧煤比，再与氧气流量相乘，然后得到粉煤流量的设定值。其实现氧煤比的优化自动控制，保证气化炉安全可靠运行，促进气化炉在大规模应用和推广。
Description
技术领域
本发明属于自动控制技术领域，涉及一种氧碳比控制系统及其气化炉氧煤比控制方法。
背景技术
目前，在热化学反应工程、热能动力工程中，粉煤加压气化技术是一种重要的清洁能源生产方式，气化炉则是煤气化过程的核心设备。以粉煤为原料的气化技术具有煤种适应性广、原料消耗低、碳转化率高等技术优势,有更强的市场竞争力。粉煤加压气化工艺是以粉煤和纯氧为原料,在高温、高压、非催化条件下在气化炉内进行部分氧化反应,生成以一氧化碳和氢气为有效成分的粗合成气。由于气化炉是一个复杂的多变量、大滞后、非线性及强耦合系统，且对各种扰动的影响都很敏感，控制炉温是提高碳转化率的关键,而为防止氧气过剩发生爆炸事故,必须对氧气和粉煤的流量比例进行控制。现有的氧气与煤粉的进料量控制又与氧煤比设定、负荷设定及前面的氧气系统、后面的合成气系统等诸多因素相互关联制约，导致存在连锁逻辑十分复杂,稍有偏差就会造成装置停车乃至爆炸，尤其是升负荷时，系统容易过氧，存在安全隐患，而其相应的控制理论和应用都不成熟等问题；另外，现有的气化炉氧煤比的控制主要采用常规的PID(比例积分微分)控制方法，常规的PID方法虽然容易实施，但是由于其算法只是根据当前时刻和前两个采样时刻的设定值与输出之间的偏差进行计算，所以存在对于气化炉这样的大滞后对象，控制作用没有提前动作，无法获得令人满意的控制效果等问题。
发明内容
本发明的目的在于，提供一种氧碳比控制系统及其气化炉氧煤比控制方法，解决现有技术中所存在的连锁逻辑十分复杂,稍有偏差就会造成装置停车乃至爆炸，尤其是升负荷时，系统容易过氧，存在安全隐患，而其相应的控制理论和应用都不成熟等问题，同时解决对于气化炉这样的大滞后对象，控制作用没有提前动作，无法获得令人满意的控制效果等问题；实现氧煤比的优化自动控制，保证气化炉安全可靠运行，促进气化炉在大规模应用和推广。
为实现上述目的，本发明一方面提供一种氧碳比控制系统，包括以合成气成分为被控变量的串级回路，该串级回路包括主回路和副回路，主回路包括主回路控制器，副回路为粉煤流量调节回路；主回路控制器包括合成器成分控制器，副回路包括粉煤控制器；合成器成分控制器与粉煤控制器相连接，粉煤控制器还依次与粉煤调节阀、粉煤管线及气化炉相连接；合成气成分控制器由预测控制器进行控制；该氧碳比控制系统中，氧气流量由气化炉负荷决定，合成气成分控制器根据测量的合成气成分决定氧煤比，再与氧气流量相乘，然后得到粉煤流量的设定值。
本发明另一方面提供一种气化炉氧煤比控制方法，采用上述氧碳比控制系统，包括以下步骤：
第一步，系统建模：采用带遗忘因子的递推增广最小二乘法，将粉煤调节回路和气化炉作为整体对象进行模型辨识；
第二步，采用预测控制算法对合成气进行控制。
在以上方案中优选的是，第一步中，系统建模包括以下步骤：首先，选用限幅滤波和递推平均滤波法两者相结合的数据预处理方法对数据进行预处理；其次，采用最大最小之法进行归一化处理；再次，采用带遗忘因子的递推增广最小二乘法进行系统辨识；然后，根据平均值误差判断模型收敛性；最后，进行模型仿真和验证。
在以上任一方案中优选的是，第二步中，预测控制算法采用动态矩阵控制(Dynamic Matrix Control：DMC)算法。
在以上任一方案中优选的是，第二步中，广义预测控制(Generalized PredictiveControl：GPC)算法。
在以上任一方案中优选的是，动态矩阵控制算法采用系统阶跃响应作为对象模型；动态矩阵控制算法是：设置采样周期Ts，选取固定的控制量(氧碳比)，然后现场采集气化炉在正常工况运行过程中的以下数据：二氧化碳或者甲烷成分测量值、渣锁斗压差、气化炉压力、氧气流量、煤粉流量、煤粉输送气体流量；等待系统的输出(二氧化碳或者甲烷)达稳态值后，改变控制量大小，继续采集现场的上述数据；重复至少两次，得到至少两套观测数据，再将数据分为两组，选择其中一组作为参数辨识的数据，另一组作为模型校验的数据；然后，获取阶跃响应序列的曲线后，得到s1……sN序列，依据系统的时间常数求出过渡过程时间，再由系统采样时间计算出模型长度N的取值。
在以上任一方案中优选的是，动态矩阵控制算法的流程是：首先，获得系统阶跃响应作为对象模型；其次，求输出预测值；再次，设定值柔化；然后，求即时控制量；再进行限幅；最后输出；
或者，动态矩阵控制算法获取系统阶跃响应模型采用的方法是：首先，依据现场离线数据辨识模型，然后，选择在正常工况运行过程中的控制量，最后，计算得出气化炉氧碳比系统的阶跃响应输出。
在以上任一方案中优选的是，动态矩阵控制算法获取系统阶跃响应模型采用的方法是：通过现场阶跃响应实验获得气化炉氧碳比系统的阶跃响应模型。
在以上任一方案中优选的是，广义预测控制算法将在线系统辨识与最优控制器设计相结合，其采用受控自回归积分滑动平均法获得模型；广义预测控制算法获取受控自回归积分滑动平均模型的方法是：首先，通过现场实验数据获取模型，在研究气化炉主回路模型结构的基础上，进行输入输出数据的参数辨识，建立以氧碳比为系统输入，以合成气成分为系统输出的模型；其次，辨识得到的参数满足收敛条件即作为对象模型参数用于广义预测控制算法中，广义预测控制算法所计算的控制量作用在系统后，产生新的输入输出量，又再次进行辨识。
在以上任一方案中优选的是，广义预测控制算法的流程是：首先，采用带遗忘因子的递推最小二乘算法在线辨识获得系统的模型参数；其次，引入丢番图方程，进而得到预测表达式；再次，设定值柔化；然后，求即时控制量；再进行限幅；最后输出控制量。
与现有技术相比，本发明具有以下优点：
本发明的一种氧碳比控制系统及其气化炉氧煤比控制方法，解决现有技术中所存在的联锁逻辑十分复杂,稍有偏差就会造成装置停车乃至爆炸，尤其是升负荷时，系统容易过氧，存在安全隐患，而其相应的控制理论和应用都不成熟等问题，同时解决对于气化炉这样的大滞后对象，控制作用没有提前动作，无法获得令人满意的控制效果等问题；实现氧煤比的优化自动控制，保证气化炉安全可靠运行，促进气化炉在大规模应用和推广。
附图说明
下面结合附图和实施方式对本发明作进一步说明：
图1是本发明的氧碳比控制系统及其气化炉氧煤比控制方法的氧碳比控制系统流程框图；
图2是本发明的氧碳比控制系统及其气化炉氧煤比控制方法的氧碳比控制系统控制结构框图；
图3是本发明的氧碳比控制系统及其气化炉氧煤比控制方法的预测控制结构框图。
具体实施方式
粉煤加压气化技术是一种重要的清洁能源生产方式，气化炉则是煤气化过程的核心设备。由于涉及到许多复杂的化学反应过程，气化炉是一个复杂的多变量、大滞后、非线性及强耦合系统，且对各种扰动的影响都很敏感，尤其是升负荷时，系统容易过氧，存在安全隐患，而其相应的控制理论和应用都不太成熟。目前，现有的气化炉氧煤比的控制主要采用常规的PID(比例积分微分)控制方法，常规的PID方法虽然容易实施，但是由于其算法只是根据当前时刻和前两个采样时刻的设定值与输出之间的偏差进行计算，对于气化炉这样的大滞后对象，控制作用没有提前动作，无法获得令人满意的控制效果。
本发明的氧碳比控制系统及其气化炉氧煤比控制方法，将预测控制方法应用于气化炉氧煤比的控制中，实现氧煤比的优化自动控制。粉煤加压气化装置的最终产品是合成气,最关键的控制参数是合成气流量和合成气组分。合成气流量主要由送入气化炉氧气、煤粉总量决定,属于气化炉负荷控制范畴,合成气组分主要由送入气化炉氧气、煤粉比例关系决定,属于合成气质量控制范畴。
本发明的氧碳比控制系统及其气化炉氧煤比控制方法，参见图1：建立以合成气成分为被控变量的串级回路，图1中，成分控制器作为主回路控制器；副回路为粉煤流量调节。氧气流量由气化炉负荷决定，合成气成分控制器根据测量的合成气成分决定合适的氧煤比，再与氧气流量相乘，得到粉煤流量的设定值。
参见图2，合成气成分控制采用预测控制取代传统的PID控制器，即图1中成分控制器所示部分，预测控制中的模型辨识采用带遗忘因子的递推增广最小二乘法。
预测控制是一种创新性的计算机控制算法。预测控制算法不是某一种统一理论的产物，而是在启发式的基础上，从不同的方面，首先是工业领域特别是化学工业，独立创新发展的算法。其采用多步测试、滚动优化和反馈校正等控制策略，因而控制效果好，适用于控制不易建立精确数字模型且比较复杂的工业生产过程。预测控制算法是在系统辨识的基础上，对辨识模块中得到的系统模型进行预测控制，以完成控制系统的控制要求，从而达到理想的控制状态。本发明的氧碳比控制系统及其气化炉氧煤比控制方法中，系统模型以氧碳比为系统输入，甲烷含量作为合成气成分的输出。预测控制的原理如图3所示。
图3中，r(t)表示系统在t时刻的参考输入，即二氧化碳或者甲烷的设定值；u(t)表示t时刻的控制量，在串级主回路中，即为氧碳比；y(t)表示系统在t时刻的输出；y1 t+k+i表示在t时刻假定未来时刻控制量维持u(t-1)不变时对k+i步以后输出的预测。
本发明的氧碳比控制系统及其气化炉氧煤比控制方法，涉及两种预测控制算法：动态矩阵控制(Dynamic Matrix Control：DMC)和广义预测控制(Generalized PredictiveControl：GPC)。动态矩阵控制采用系统阶跃响应序列作为对象模型，模型获取简单，且具有很好的鲁棒性；广义预测控制，鲁棒性强、能有效克服系统滞后，并且可用于开环非最小相位系统的先进控制方法，本发明中的广义预测控制模型是采用CARIMA模型进行模型辨识。
本发明的氧碳比控制系统及其气化炉氧煤比控制方法，采用带遗忘因子的递推增广最小二乘法进行系统辨识。在氧碳比串级控制系统的模型建立中，主回路将合成气成分中的二氧化碳或者甲烷作为被控变量，氧碳比作为操作变量；副回路为粉煤流量调节回路，氧碳比与由气化炉负荷控制的氧气流量组成比值控制，共同决定粉煤流量的设定值。副回路在建模过程中等同于一个惯性环节，这样只需建立一个以氧碳比为系统输入，以合成气成分为系统输出的模型，实现氧碳比的控制系统建模。
由此可见，现有的气化炉控制方法主要采用常规的PID(比例积分微分)控制方法，但常规的PID方法虽然容易实施，但是由于其算法只是根据当前时刻和前两个采样时刻的设定值与输出之间的偏差进行计算，对于气化炉这样的大滞后对象，控制作用没有提前动作，无法获得令人满意的控制效果，因此实际操作中并没有采用这种控制方式进行操作，而是采用人工操作方式进行控制。本发明的氧碳比控制系统及其气化炉氧煤比控制方法，采用预测控制方法对气化炉氧煤比系统进行控制，可以解决PID控制器控制效果不佳导致无法投用的问题，实现气化装置氧煤比的自动控制。
为了更好地理解本发明，下面结合具体实施例对本发明作了详细说明。但是，显然可对本发明进行不同的变型和改型而不超出后附权利要求限定的本发明更宽的精神和范围。因此，以下实施例具有例示性的而没有限制的含义。
实施例1:
一种氧碳比控制系统，如图1所示，包括以合成气成分为被控变量的串级回路，该串级回路包括主回路和副回路，主回路包括主回路控制器，副回路为粉煤流量调节回路；主回路控制器包括合成器成分控制器，副回路包括粉煤控制器；合成器成分控制器与粉煤控制器相连接，粉煤控制器还依次与粉煤调节阀、粉煤管线及气化炉相连接；合成气成分控制器由预测控制器进行控制；该氧碳比控制系统中，氧气流量由气化炉负荷决定，合成气成分控制器根据测量的合成气成分决定氧煤比，再与氧气流量相乘，然后得到粉煤流量的设定值。
实施例2：
一种气化炉氧煤比控制方法，如图1至图3所示，采用实施例1所述氧碳比控制系统，包括以下步骤：
第一步，系统建模：采用带遗忘因子的递推增广最小二乘法，将粉煤调节回路和气化炉作为整体对象进行模型辨识；
第二步，采用预测控制算法对合成气进行控制。
实施例3：
一种气化炉氧煤比控制方法，与实施例2相似，所不同的是，第一步中，系统建模包括以下步骤：首先，选用限幅滤波和递推平均滤波法两者相结合的数据预处理方法对数据进行预处理；其次，采用最大最小之法进行归一化处理；再次，采用带遗忘因子的递推增广最小二乘法进行系统辨识；然后，根据平均值误差判断模型收敛性；最后，进行模型仿真和验证。
需要说明的是，本发明的气化炉氧煤比控制方法：
(1)限幅滤波：根据经验判断，确定两次采样允许的最大偏差值(设为A)，每次检测到新值时判断：如果本次值与上次值之差≤A，则本次值有效，如果本次值与上次值之差>A，则本次值无效，放弃本次值，用上次值代替本次值。
(2)递推平均滤波法：把连续取N个采样值看成一个队列，队列的长度固定为N，每次采样到一个新数据放入队尾，并扔掉原来队首的一次数据(先进先出原则)，把队列中的N个数据进行算术平均运算，就可获得新的滤波结果。N值的选取：流量，N＝12；压力：N＝4；液面，N＝4～12；温度，N＝1～4。
(3)最大最小之法归一化：数据的归一化的目的是，将不同量纲和不同数量级大小的数据转变成可以相互进行数学运算的具有相同量纲和相同数量级的具有可比性的数据。归一化就是要把需要处理的数据经过处理后(通过某种算法)限制在所需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。最大最小值法用于将样本数据x(n),n＝1,2,……,N,归一化到[0,1]范围内。根据采集数据，确定这些数据处于一定的范围内，根据这些数据的最大值和最小值，设定一个MAX值大于这些数据的最大值，设定一个MIN值小于这些数据的最小值，然后用采集到的数据除以MAX值，得到一系列处于[0,1]范围内的归一化数值。
(4)带遗忘因子的递推增广最小二乘法：即递推最小二乘参数辨识，就是当被辨识系统在运行时，每取得一次新的观测数据后，就在前一次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，从而递推地得出新的参数估计值。这样，随着新的观测数据的逐次引入，一次接着一次的进行参数估计，直到参数估计值达到满意的精确程度为止。遗忘因子λ是误差测度函数中的加权因子，引入它的目的是为了赋予原来数据与新数据以不同的权值，以使该算法具有对输入过程特性变化的快速反应能力。加权λ对算法的收敛速度和跟踪能力有很大影响，如能很好的调节λ，既可确保对时变参数的快速跟踪能力，又能具备小的参数估计误差。
(5)根据平均值误差判断模型收敛性：即根据多次辨识出来的模型参数，对参数进行N次求平均，然后比较每次求出来的参数值与平均值的误差值在一定的范围内，即可认为参数是有效的辨识参数，否则为无效参数。
(6)模型仿真和验证：即根据辨识出来的模型，用一定量的数据作为输入量对该模型进行计算输出，然后比较计算出来的输出值与实际输出值的偏差是否满足精度要求。
实施例4：
一种气化炉氧煤比控制方法，与实施例3相似，所不同的是，第二步中，预测控制算法采用动态矩阵控制(Dynamic Matrix Control：DMC)算法。
实施例5：
一种气化炉氧煤比控制方法，与实施例3相似，所不同的是，广义预测控制(Generalized Predictive Control：GPC)算法。
实施例6：
一种气化炉氧煤比控制方法，与实施例4相似，所不同的是，动态矩阵控制算法采用系统阶跃响应作为对象模型；动态矩阵控制算法是：设置采样周期Ts，选取固定的控制量(氧碳比)，然后现场采集气化炉在正常工况运行过程中的以下数据：二氧化碳或者甲烷成分测量值、渣锁斗压差、气化炉压力、氧气流量、煤粉流量、煤粉输送气体流量；等待系统的输出(二氧化碳或者甲烷)达稳态值后，改变控制量大小，继续采集现场的上述数据；重复至少两次，得到至少两套观测数据，再将数据分为两组，选择其中一组作为参数辨识的数据，另一组作为模型校验的数据；然后，获取阶跃响应序列的曲线后，得到s1……sN序列，依据系统的时间常数求出过渡过程时间，再由系统采样时间计算出模型长度N的取值。
需要说明的是，s1……sN序列为按时间坐标排列的数组。
实施例7：
一种气化炉氧煤比控制方法，与实施例6相似，所不同的是，动态矩阵控制算法的流程是：首先，获得系统阶跃响应作为对象模型；其次，求输出预测值；再次，设定值柔化；然后，求即时控制量；再进行限幅；最后输出。
需要说明的是，本实施例的气化炉氧煤比控制方法，
(1)求输出预测值时，
比如对于先根据输入输出数据，求取A，B的值，然后用A，B作为已知量，根据输入数据，计算在当前输入数据为u的情况下，求取输出数值y。
(2)设定值柔化时，
相当于一个加权因子α，0<α<1。加权因子越大，表示加权的变量对结果的影响越大。设定值的柔化需要根据不同对象，结合经验进行调整和选取。
(3)求即时控制量时，同上述(1)中求输出预测值一样，应用公式进行计算。
(4)进行限幅：限幅即让变量的变化按一定的幅度进行变化，防止变量变化幅度太大，从而保证变量的稳定性。
实施例8：
一种气化炉氧煤比控制方法，与实施例7相似，所不同的是，动态矩阵控制算法获取系统阶跃响应模型采用的方法是：首先，依据现场离线数据辨识模型，然后，选择在正常工况运行过程中的控制量，最后，计算得出气化炉氧碳比系统的阶跃响应输出。
实施例9：
一种气化炉氧煤比控制方法，与实施例7相似，所不同的是，动态矩阵控制算法获取系统阶跃响应模型采用的方法是：通过现场阶跃响应实验获得气化炉氧碳比系统的阶跃响应模型。
实施例10：
一种气化炉氧煤比控制方法，与实施例5相似，所不同的是，在广义预测控制算法将在线系统辨识与最优控制器设计相结合，其受控自回归积分滑动平均；广义预测控制算法获取回归积分滑动平均模型的方法是：首先，通过现场实验数据获取模型，在研究气化炉主回路模型结构的基础上，进行输入输出数据的参数辨识，建立以氧碳比为系统输入，以合成气成分为系统输出的模型；其次，辨识得到的参数满足收敛条件即作为对象模型参数用于广义预测控制算法中，广义预测控制算法所计算的控制量作用在系统后，产生新的输入输出量，又再次进行辨识。
需要说明的是，受控自回归积分滑动平均：即CARIMA(Controlled Auto-Regressive Integral Moving Average)
其中：
Δ＝1-q-1；
广义预测控制使用如下的二次目标函数：
其中，N1为最小预测长度，N2为最大预测长度，Nu为控制长度，三者满足如下关系式：
1≤N1<N2，Nu≤N2，且当k>N2时，假定Δu(t+k-1)＝0，λ为控制加权序列，
ω(t+k)是经柔化后的参考值。
实施例11：
一种气化炉氧煤比控制方法，与实施例10相似，所不同的是，广义预测控制算法的流程是：首先，采用带遗忘因子的递推最小二乘算法在线辨识获得系统的模型参数；其次，引入丢番图方程，进而得到预测表达式；再次，设定值柔化；然后，求即时控制量；再进行限幅；最后输出。
需要说明的是，丢番图方程(Diophantine Equation)：研究的是多项式方程或方程组的整数解或有理数解，未知数的个数通常多于方程的个数，也称为不定方程、整系数多项式方程，
如式(1)所示，其中所有的ai、bi和c均是整数，若其中能找到一组整数解m1,m2...mn则称之有整数解：
在推导广义预测控制的j步最优输出预测时，使用的CARIMA(基于受控自回归积分滑动平均)模型形式为：
A(q-1)yt＝B(q-1)q-dut+j+ξt+j/Δ
(2)
通过式(1)和式(2)，得到：
由于是{ξt+j}零均值互不相关的随机序列，所以只有t时刻之前的ξt-1，ξt-2，...是已知的，而ξt，ξt+1是未知的，则将已知量和未知量分离，则可以将分解成一个恒等式：
其中，E(q-1)表示的前j项，表示的(j+1)之后的项，由于Δ＝1-q-1，则E(q-1)的阶次就应是(j-1)，而F(q-1)的阶次为na；
1＝Ej(q-1)A(q-1)Δ+q-jFj(q-1) (3)
其中：Ej(q-1)为(j-1)阶的首一多项式。
Fj(q-1)为na阶多项式。
式(3)即为丢番图方程(Diophantine Equation)方程，可以看出，Ej(q-1)、Fj(q-1)由A(q-1)和j唯一确定。
将式(1)两端同时乘以Ej(q-1)Δqj，有：
Ej(q-1)A(q-1)Δyt+j＝Ej(q-1)B(q-1)Δut+j-k+Ej(q-1)ξt+j
由式(5.3)有：Ej(q-1)A(q-1)Δ＝1-q-jFj(q-1)，则：
yt+j＝Ej(q-1)B(q-1)Δut+j-k+Fj(q-1)yt+Ej(q-1)ξt+j (5)
则对yt+j的最优预测有：
令：Gj(q-1)＝Ej(q-1)B(q-1)，则degGj(q-1)＝nb+j-1
可见，Gj(q-1)可以分为两部分，其中Gj(q-1)的头j项是系统(1)的阶跃响应的头j项。
则：
对于每个j步最优预测都要求解方程(3)，对于自校正控制，如果预测步数为N，那么每个采样周期都要求解N个方程，共需求N(N+na+nb+1)个变量，这是十分费时费事的。为此采用了递推方法求解Ej(q-1)、Fj(q-1)、Gj(q-1)。
j＝1时，丢番图方程(3)为：
1＝E1(q-1)A(q-1)Δ+q-1F1(q-1)，degE1＝j-1＝0，
∴E1(q-1)＝1 (9)
已知Ej-1(q-1)、Fj-1(q-1)、Gj-1(q-1)，求Ej(q-1)、Fj(q-1)、Gj(q-1)：
1＝Ej(q-1)A(q-1)Δ+q-jFj(q-1) (12a)
1＝Ej-1(q-1)A(q-1)Δ+q-(j-1)Fj-1(q-1) (12b)
两式相减得到：
0＝[Ej(q-1)-Ej-1(q-1)]A(q-1)Δ+q-(j-1)[q-1Fj(q-1)-Fj-1(q-1)]
∵degEj(q-1)＝j-1,degEj-1(q-1)＝j-2
∴可令其中R的阶次为j-2。
∴
很显然，应当有：
R＝0 (13a)
由式(13a)可得：
∴
因此重新定义Ej(q-1)：
Ej(q-1)＝1+e1q-1+......+ej-1q-(j-1) (15)
显然有：
其中gi(0≤i≤j-1)是系统(1)的阶跃响应的第i项。
由式(13b)我们有：
∴
由式(16)可得到：
∴
综上所述，由式(17)、(18)、(19)可分别递推求解得到Ej(q-1)、Fj(q-1)、Gj(q-1)。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种氧碳比控制系统，包括以合成气成分为被控变量的串级回路，其特征在于：该串级回路包括主回路和副回路，主回路包括主回路控制器，副回路为粉煤流量调节回路；主回路控制器包括合成器成分控制器，副回路包括粉煤控制器；合成器成分控制器与粉煤控制器相连接，粉煤控制器还依次与粉煤调节阀、粉煤管线及气化炉相连接；合成气成分控制器由预测控制器进行控制；该氧碳比控制系统中，氧气流量由气化炉负荷决定，合成气成分控制器根据测量的合成气成分决定氧煤比，再与氧气流量相乘，然后得到粉煤流量的设定值。
2.一种气化炉氧煤比控制方法，其特征在于：采用如权利要求1所述的氧碳比控制系统，包括以下步骤：
第一步，系统建模：采用带遗忘因子的递推增广最小二乘法，将粉煤调节回路和气化炉作为整体对象进行模型辨识；
第二步，采用预测控制算法对合成气进行控制。
3.如权利要求2所述的气化炉氧煤比控制方法，其特征在于：第一步中，系统建模包括以下步骤：首先，选用限幅滤波和递推平均滤波法两者相结合的数据预处理方法对数据进行预处理；其次，采用最大最小之法进行归一化处理；再次，采用带遗忘因子的递推增广最小二乘法进行系统辨识；然后，根据平均值误差判断模型收敛性；最后，进行模型仿真和验证。
4.如权利要求3所述的气化炉氧煤比控制方法，其特征在于：第二步中，预测控制算法采用动态矩阵控制算法。
5.如权利要求3所述的气化炉氧煤比控制方法，其特征在于：第二步中，预测控制算法采用广义预测控制算法。
6.如权利要求4所述的气化炉氧煤比控制方法，其特征在于：动态矩阵控制算法采用系统阶跃响应作为对象模型；动态矩阵控制算法是：设置采样周期Ts，选取固定的控制量，然后现场采集气化炉在正常工况运行过程中的以下数据：二氧化碳或者甲烷成分测量值、渣锁斗压差、气化炉压力、氧气流量、煤粉流量、煤粉输送气体流量；等待系统的输出达稳态值后，改变控制量大小，继续采集现场的上述数据；重复至少两次，得到至少两套观测数据，再将数据分为两组，选择其中一组作为参数辨识的数据，另一组作为模型校验的数据；然后，获取阶跃响应序列的曲线后，得到s1……sN序列，依据系统的时间常数求出过渡过程时间，再由系统采样时间计算出模型长度N的取值。
7.如权利要求6所述的气化炉氧煤比控制方法，其特征在于：动态矩阵控制算法的流程是：首先，获得系统阶跃响应作为对象模型；其次，求输出预测值；再次，设定值柔化；然后，求即时控制量；再进行限幅；最后输出；
或者，动态矩阵控制算法获取系统阶跃响应模型采用的方法是：首先，依据现场离线数据辨识模型，然后，选择在正常工况运行过程中的控制量，最后，计算得出气化炉氧碳比系统的阶跃响应输出。
8.如权利要求7所述的气化炉氧煤比控制方法，其特征在于：动态矩阵控制算法获取系统阶跃响应模型采用的方法是：通过现场阶跃响应实验获得气化炉氧碳比系统的阶跃响应模型。
9.如权利要求5所述的气化炉氧煤比控制方法，其特征在于：广义预测控制算法将在线系统辨识与最优控制器设计相结合，其受控自回归积分滑动平均；广义预测控制算法获取回归积分滑动平均模型的方法是：首先，通过现场实验数据获取模型，在研究气化炉主回路模型结构的基础上，进行输入输出数据的参数辨识，建立以氧碳比为系统输入，以合成气成分为系统输出的模型；其次，辨识得到的参数满足收敛条件即作为对象模型参数用于广义预测控制算法中，广义预测控制算法所计算的控制量作用在系统后，产生新的输入输出量，又再次进行辨识。
10.如权利要求9所述的气化炉氧煤比控制方法，其特征在于：广义预测控制算法的流程是：首先，采用带遗忘因子的递推最小二乘算法在线辨识获得系统的模型参数；其次，引入丢番图方程，进而得到预测表达式；再次，设定值柔化；然后，求即时控制量；再进行限幅；最后输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710054246.0A CN106773718B (zh) | 2017-01-22 | 2017-01-22 | 一种氧碳比控制系统及其气化炉氧煤比控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710054246.0A CN106773718B (zh) | 2017-01-22 | 2017-01-22 | 一种氧碳比控制系统及其气化炉氧煤比控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106773718A true CN106773718A (zh) | 2017-05-31 |
| CN106773718B CN106773718B (zh) | 2023-09-26 |
Family
ID=58943335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710054246.0A Active CN106773718B (zh) | 2017-01-22 | 2017-01-22 | 一种氧碳比控制系统及其气化炉氧煤比控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106773718B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108342225A (zh) * | 2018-01-26 | 2018-07-31 | 山东明泉新材料科技有限公司 | 一种粉煤和气化剂进料控制方法 |
| CN110553688A (zh) * | 2019-10-17 | 2019-12-10 | 北京润科通用技术有限公司 | 一种流量计量方法、装置及系统 |
| CN111752313A (zh) * | 2020-07-10 | 2020-10-09 | 万华化学集团股份有限公司 | 一种气化炉变换气和未变换气的流量协同控制方法及控制系统装置 |
| CN113110030A (zh) * | 2021-04-20 | 2021-07-13 | 兰州理工大学 | 一种co2捕集的dmc-pid串级系统及其控制方法 |
| CN113672000A (zh) * | 2021-08-23 | 2021-11-19 | 晋能控股装备制造集团华昱能源化工山西有限责任公司 | 一种氧煤比控制方法 |
| CN113900376A (zh) * | 2021-10-08 | 2022-01-07 | 华能南京燃机发电有限公司 | 一种燃机机组功频调节控制方法及装置 |
| CN115247085A (zh) * | 2022-06-28 | 2022-10-28 | 浙江中控技术股份有限公司 | 一种原料油反应优化控制方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4400179A (en) * | 1980-07-14 | 1983-08-23 | Texaco Inc. | Partial oxidation high turndown apparatus |
| CN101329553A (zh) * | 2008-07-04 | 2008-12-24 | 东南大学 | 气化炉的预测型比例积分微分控制方法 |
| CN102063132A (zh) * | 2011-01-07 | 2011-05-18 | 水煤浆气化及煤化工国家工程研究中心 | 粉煤加压气化装置氧煤比自动控制系统 |
| CN102174336A (zh) * | 2011-02-25 | 2011-09-07 | 华东理工大学 | 多喷嘴对置式水煤浆气化炉炉膛温度控制装置及控制方法 |
| CN102566436A (zh) * | 2010-12-10 | 2012-07-11 | 沈阳中科博微自动化技术有限公司 | 气化炉专用控制系统 |
| CN102618331A (zh) * | 2011-12-12 | 2012-08-01 | 航天长征化学工程股份有限公司 | 用于粉煤加压气化工艺的安全联锁保护系统及方法 |
| CN103459785A (zh) * | 2011-03-22 | 2013-12-18 | 通用电气公司 | 整体气化联合循环功率发生的模型预测控制系统和方法 |
| CN104765350A (zh) * | 2015-04-03 | 2015-07-08 | 燕山大学 | 基于组合模型预测控制技术的水泥分解炉控制方法及系统 |
| CN205228664U (zh) * | 2015-10-26 | 2016-05-11 | 中国石油化工股份有限公司 | 一种用于粉煤气化炉的直接测温装置 |
| US20160133394A1 (en) * | 2013-03-14 | 2016-05-12 | Energ2 Technologies, Inc. | Energy storage devices based on hybrid carbon electrode systems |
| CN105955020A (zh) * | 2016-05-03 | 2016-09-21 | 华东理工大学 | 一种水煤浆气化过程的dmc-pid多变量控制方法 |
-
2017
- 2017-01-22 CN CN201710054246.0A patent/CN106773718B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4400179A (en) * | 1980-07-14 | 1983-08-23 | Texaco Inc. | Partial oxidation high turndown apparatus |
| CN101329553A (zh) * | 2008-07-04 | 2008-12-24 | 东南大学 | 气化炉的预测型比例积分微分控制方法 |
| CN102566436A (zh) * | 2010-12-10 | 2012-07-11 | 沈阳中科博微自动化技术有限公司 | 气化炉专用控制系统 |
| CN102063132A (zh) * | 2011-01-07 | 2011-05-18 | 水煤浆气化及煤化工国家工程研究中心 | 粉煤加压气化装置氧煤比自动控制系统 |
| CN102174336A (zh) * | 2011-02-25 | 2011-09-07 | 华东理工大学 | 多喷嘴对置式水煤浆气化炉炉膛温度控制装置及控制方法 |
| CN103459785A (zh) * | 2011-03-22 | 2013-12-18 | 通用电气公司 | 整体气化联合循环功率发生的模型预测控制系统和方法 |
| CN102618331A (zh) * | 2011-12-12 | 2012-08-01 | 航天长征化学工程股份有限公司 | 用于粉煤加压气化工艺的安全联锁保护系统及方法 |
| US20160133394A1 (en) * | 2013-03-14 | 2016-05-12 | Energ2 Technologies, Inc. | Energy storage devices based on hybrid carbon electrode systems |
| CN104765350A (zh) * | 2015-04-03 | 2015-07-08 | 燕山大学 | 基于组合模型预测控制技术的水泥分解炉控制方法及系统 |
| CN205228664U (zh) * | 2015-10-26 | 2016-05-11 | 中国石油化工股份有限公司 | 一种用于粉煤气化炉的直接测温装置 |
| CN105955020A (zh) * | 2016-05-03 | 2016-09-21 | 华东理工大学 | 一种水煤浆气化过程的dmc-pid多变量控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| "HT-L航天粉煤加压气化装置运行情况", 《化工设计通讯》, vol. 37, no. 4 * |
| LIN HUI-LI等: "Partition Simulation for Gasification Process of Entrained-Flow Gasifier", 《JOURNAL OF EAST CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY》, vol. 38, no. 2 * |
| QIANRU XU等: "Model predictive control for an IGCC gasifier", 《PROCEEDINGS OF THE 33RD CHINESE CONTROL CONFERENCE》 * |
| 刘晴等: "神经网络预测PID控制在气化炉中的应用", 《自动化仪表》, vol. 35, no. 5 * |
| 鄢波等: "预测型PID算法在气化炉控制系统中的研究", 《江西电力》, vol. 34, no. 4 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108342225A (zh) * | 2018-01-26 | 2018-07-31 | 山东明泉新材料科技有限公司 | 一种粉煤和气化剂进料控制方法 |
| CN110553688A (zh) * | 2019-10-17 | 2019-12-10 | 北京润科通用技术有限公司 | 一种流量计量方法、装置及系统 |
| CN111752313A (zh) * | 2020-07-10 | 2020-10-09 | 万华化学集团股份有限公司 | 一种气化炉变换气和未变换气的流量协同控制方法及控制系统装置 |
| CN113110030A (zh) * | 2021-04-20 | 2021-07-13 | 兰州理工大学 | 一种co2捕集的dmc-pid串级系统及其控制方法 |
| CN113110030B (zh) * | 2021-04-20 | 2022-06-28 | 兰州理工大学 | 一种co2捕集的dmc-pid串级系统及其控制方法 |
| CN113672000A (zh) * | 2021-08-23 | 2021-11-19 | 晋能控股装备制造集团华昱能源化工山西有限责任公司 | 一种氧煤比控制方法 |
| CN113672000B (zh) * | 2021-08-23 | 2024-05-31 | 晋能控股装备制造集团华昱能源化工山西有限责任公司 | 一种氧煤比控制方法 |
| CN113900376A (zh) * | 2021-10-08 | 2022-01-07 | 华能南京燃机发电有限公司 | 一种燃机机组功频调节控制方法及装置 |
| CN113900376B (zh) * | 2021-10-08 | 2023-09-19 | 华能南京燃机发电有限公司 | 一种燃机机组功频调节控制方法及装置 |
| CN115247085A (zh) * | 2022-06-28 | 2022-10-28 | 浙江中控技术股份有限公司 | 一种原料油反应优化控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106773718B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106773718A (zh) | 一种氧碳比控制系统及其气化炉氧煤比控制方法 | |
| Zhou et al. | Data‐driven recursive subspace identification based online modelling for prediction and control of molten iron quality in blast furnace ironmaking | |
| CN106786595B (zh) | 一种考虑静态频率特性不确定性的概率潮流计算方法 | |
| Chen et al. | Enhanced MPPT method based on ANN‐assisted sequential Monte–Carlo and quickest change detection | |
| CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
| CN109818349A (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
| Tong et al. | Dynamic event-triggered-based integral reinforcement learning algorithm for frequency control of microgrid with stochastic uncertainty | |
| Zhang et al. | Minimum entropy based run-to-run control for semiconductor processes with uncertain metrology delay | |
| Hete et al. | Analysis of DFIG-STATCOM P2P control action using simulated annealing techniques | |
| Amirthalingam et al. | Two‐step procedure for data‐based modeling for inferential control applications | |
| Liu et al. | A data-driven method for online constructing linear power flow model | |
| CN109901003B (zh) | 一种逆变器功率故障检测方法及系统 | |
| CN108092272A (zh) | 一种基于渐消卡尔曼滤波的电压稳定在线监测方法 | |
| Dilshad et al. | NeuroFuzzy wavelet based auxiliary damping controls for STATCOM | |
| Sahoo et al. | Forecasting Tariff Rates and Enhancing Power Quality in Microgrids: The Synergistic Role of LSTM and UPQC | |
| Hu et al. | An efficient multi-PCA based on-line monitoring scheme for multi-stages imperial smelting process | |
| Chang et al. | An Improved Prony Prediction Compensation‐Based Wide‐Area Damping Control Approach for Power System Low‐Frequency Oscillation Suppression | |
| CN114759613A (zh) | 基于lstm的深度调峰机组一次调频能力在线估计方法及系统 | |
| Ali et al. | Clonal evolutionary particle swarm optimization for congestion management and compensation scheme in power system | |
| Kragelund et al. | Profit maximization of a power plant | |
| Saini et al. | Inertia Estimation of Islanded Power System With Distributed Generation Using Long Short Term Memory Algorithm | |
| Cheng et al. | Neural-Network-Based Adaptive Funnel Control for Strict-Feedback Systems with Tracking Error and State Constraints | |
| Kochhar et al. | Comparison of stochastic identification techniques for dynamic modelling of plastics extrusion processes | |
| Jiang et al. | A trend prediction method based on fusion model and its application | |
| Tan et al. | Multinodal forecasting of industrial power load using participation factor and ensemble learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |