CN106855691B - 用于超临界火电机组机炉系统负荷跟踪的双层控制系统 - Google Patents
用于超临界火电机组机炉系统负荷跟踪的双层控制系统 Download PDFInfo
- Publication number
- CN106855691B CN106855691B CN201611110673.8A CN201611110673A CN106855691B CN 106855691 B CN106855691 B CN 106855691B CN 201611110673 A CN201611110673 A CN 201611110673A CN 106855691 B CN106855691 B CN 106855691B
- Authority
- CN
- China
- Prior art keywords
- controller
- economy
- adaptive
- item
- moment
- 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
- G05B13/04—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)
Abstract
本发明公开了用于超临界火电机组机炉系统负荷跟踪的双层控制系统,包括上、下两层控制器,上层控制器为经济性线性预测控制器ELMPC,下层控制器为L1自适应控制器;经济性线性预测控制器ELMPC建立机炉系统的局部带扰动项线性化模型,以系统未来一段时间内的经济性最优为目标,规划出系统在未来一段时间内的最优状态与输出轨迹,并得到对应的最优控制量,将最优控制量及对应的系统最优状态与输出轨迹传入下层控制器中;下层控制器为L1自适应控制器,L1自适应控制器根据上层控制器传来的最优状态与输出轨迹以及实际机组状态及输出的测量值,在上层控制器规划出的控制量的基础上加入自适应修正量,用于更新上层的预测模型。
Description
技术领域
本发明属于热能动力工程和自动控制领域,涉及超临界火电机组协调控制方法,特别是一种采用经济性预测控制与L1自适应控制相结合的,用于超临界火电机组机炉协调的双层控制系统。
背景技术
火电机组的协调控制是指将锅炉与汽轮机作为一个整体进行综合控制,以满足电网对火电机组负荷跟踪的要求。超临界火电机组的协调控制相对于亚临界火电机组,主要的不同点在于超临界机组由于工质水的参数超过了水的临界参数,使得超临界机组中只能采用直流锅炉。直流锅炉由于不存在汽包这一能量-工质缓冲环节,使得机组的能量-工质失去自平衡能力,因此给水量的成为重要的控制参数。同时在直流锅炉中,汽水分离器出口蒸汽的温度(焓值)对主蒸汽温度的控制至关重要。上述直流锅炉的特点使得超临界机组的协调控制简化为三输入三输出的对象,如图1所示。在图1中,系统的输入分别为燃料量指令uB,给水流量Dfw,主蒸汽阀门开度ut,系统的输出分别为主蒸汽压力pst,汽水分离器出口焓值hm,机组负荷Ne,并选取进入炉膛的燃料量rB,汽水分离器出口压力pm,汽水分离器出口焓值hm作为中间状态量。
超临界火电机组机炉系统具有非线性、大惯性、大滞后的特点,目前火电厂的协调控制系统大多基于静态解耦,采用常规的基于比例-微分-积分(PID,比例-Proportion,积分-Integral,微分-Differential coefficient)的控制算法,直接跟踪给定的负荷目标值,这类PID控制器一般选定某个标称工况点将控制参数调节至最优,并且在运行中保持参数恒定不变。上述的控制器在机组工况变化不频繁时具有较好的效果,但一旦机组的实际工作点偏离标称工况点时,控制效果会急剧恶化。随着越来越多光伏发电、风电等新能源并入电网,对电网的调峰能力提出了更高的要求,原本仅作为基础负荷的大型火电机组也开始承担调峰的任务,使得超临界火电机组机炉协调系统必须具有适应频繁大范围负荷变动的能力,同时必须具有更快的负荷跟踪性能另一方面,基于发电厂实际的经济效益,及全球气候变暖带来的减碳需求,希望机组在满足上述负荷跟踪要求的同时,能够具备更好的经济性。在这种背景下,传统的PID控制算法已难以满足这些要求。因此必须考虑采用更先进的控制算法来满足上述经济性负荷跟踪的要求。
目前一种考虑上述经济性负荷机组负荷跟踪要求的机炉协调控制系统设计方案是采用过程控制中常用的实时优化(RTO,Real Time Optimization)方案,即在控制系统上层引入一个优化层,在电网给出机组负荷跟踪的目标后,根据负荷的目标以及机组的稳态模型进行在线稳态优化计算,得到最优的目标值,并将目标值传入下层的跟踪层中。跟踪层的主要任务是将系统被控量驱动到来自上层的目标值并保持稳定,目前主要采用模型预测控制(MPC,Model Predictive Control)等算法设计跟踪控制器,产生控制信号或者机组中各子系统的设定值,向下传递入相应的执行机构或基层控制系统,使得系统输出尽快跟踪上层目标值。
然而,传统的RTO方案中本身存在的一些缺点。上层的稳态优化计算需要对过程对象进行精确建模,而火电厂中的对象往往非常复杂而难以精确建模,即使能通过大量机理分析得到所谓精确的模型,也会因为在运行中受到各种扰动,或因设备受到磨损而使模型失配,使得上层的优化结果对于下层控制器来说是无法跟踪的。对于此问题的一个解决方法是将经济性能优化及跟踪合并,直接采用对象的非线性模型,并设计非线性经济性线性预测控制器来产生满足系统经济性的控制信号。然而非线性经济性预测控制在线计算量极大,特别是在对象的非线性模型较为复杂的时候,难以在控制器的采样周期内得到最优解,因此可实施性差,无法运用于实际的控制系统设计中。另一种方法是保留两层结构,与传统RTO系统不同的是,在上层优化出一个动态的轨迹而非静态设定值,下层控制器仅仅作为扰动抑制器使用,消除由于模型失配或外部扰动带来的偏差,这种系统被称作为动态的RTO。这种设计方法的问题在于传统的下层扰动消除器往往采用的是MPC或者PID算法,这些算法本身对于被控对象实际动态偏离标称模型比较敏感而使得对优化轨迹的跟踪效果较差。
发明内容
本发明所要解决的技术问题是为了克服上述现有技术中存在的缺陷,提供一种适应控制器在线计算能力的,具有良好负荷跟踪性能的,并且在运行过程中兼顾机组经济性的超临界火电机组协调控制双层控制系统设计方法。
为了实现上述目的,本发明采用如下的技术方案。
本发明公开了用于超临界火电机组机炉系统负荷跟踪的双层控制系统,所述系统包括上、下两层控制器,上层控制器为经济性线性预测控制器ELMPC(EconomicLinearModel Predictive Controller),下层控制器为L1自适应控制器;
所述经济性线性预测控制器ELMPC建立机炉系统的局部带扰动项线性化模型,以系统未来一段时间内(“未来一段时间内”指的是预测控制的预测时域,对于预测控制器而言,这是一个需设计者设计的量,一般来说,越长的预测时域可以获得更强的鲁棒性(健壮性),但需要考虑实际控制器的实时计算能力。本发明在具体实施方案里采用的预测时域是100个采样周期即1700秒)的经济性最优为目标,规划出符合电网考评要求且经济性最优的,系统在未来一段时间内的最优状态与输出轨迹,并得到符合电网考评要求且经济性最优对应的最优控制量,将得到的最优控制量及对应的系统最优状态与输出轨迹传入下层控制器中;
所述下层控制器为L1自适应控制器,L1自适应控制器根据上层控制器传来的最优状态与输出轨迹以及实际机组状态及输出的测量值,在上层控制器规划出的控制量的基础上加入自适应修正量,消除被控对象中建模误差、线性化误差、不可测扰动所带来的系统实际轨迹与理想规划轨迹间的偏差,并将实际对象中的偏差信息反馈回上层控制器,用于更新上层的预测模型(即局部带扰动项线性化模型);L1自适应控制器的控制量作为执行机构的控制指令信号。
所述经济性线性预测控制器的最优控制量u*(t)通过在每一个采样时刻t=kT,解如下目标函数的经济性最优化问题得到:
其中,U(kT)为解得的最优控制序列:
U(kT)=[u(kT),u((k+1)T),…u((k+M)T)]T,
则u*(t)=u(kT),t∈[kT,(k+1)T),
其中,u(kT)为采样时刻t=kT时的控制量,u((k+M)T)为采样时刻t=(k+M)T时的控制量,并有u=[uB,Dfw,ut]T,uB为机组燃料量指令,Dfw为给水量,ut为主蒸汽阀门开度;
M为控制时域,T为采样周期,kT表示当前采样时刻,Jt为机组负荷跟踪误差成本项,Jv为主蒸汽阀门节流损失项,Jf为燃料成本项。
所述机组负荷跟踪误差成本项Jt、主蒸汽阀门节流损失项Jv和燃料成本项Jf通过如下公式计算:
其中,i为未来时间的采样点序号,k表示当前采样点序号,并有i<N,N为预测时域,Ne,ref为电网对机组的负荷设定值,Ne为机组负荷,pst为主蒸汽压力,ut为主蒸汽调门开度,rB为进入炉膛的燃料量,κt、κv和κf为成本系数,其中κt根据实际电网负荷跟踪考评标准选取范围为1~100,κv根据实际上网电价选取,范围为0.5~0.75,κf根据实际燃料价格选取,取值范围为0.3~0.7,a1、a2、a3和a4为阀门损失系数,通过对蒸汽在通过阀门处发生的节流损失进行热力学估算,之后采用二次函数拟合得到,对超临界机组而言,有a1=10~15,a2=-0.5~-1.0,a3=40~60,a4=8~12。
所述经济性线性预测控制器ELMPC通过如下步骤建立局部带扰动项线性化模型:
步骤1,选取机组较频繁运行的工况点(一般统计机组在过去一年内的平均负荷,并选取在该负荷下的一组稳态运行点,作为建模的工况点),建立该工况点附近的局部线性化模型:
y(jT)=C·x(jT)+D·u(jT)
x((j+1)T)=A·x(jT)+B·u(jT),
其中,括号中的jT表示任意一个采样时刻,(j+1)T表示jT的下一个采样时刻,y为系统输出,并有y=[pst,hm,Ne]T,hm为汽水分离器出口焓值,x为系统状态,并有x=[rB,pm,hm]T,pm为汽水分离器出口压力,A,B,C,D为系统矩阵,在工程上,系统矩阵可采用现场的实际运行数据,通过最小二乘辨识或子空间辨识的方法得到。
步骤2,在步骤1建立的局部线性化模型中,加入状态扰动项σ与输出扰动项δ,由此得到经济性线性预测控制器ELMPC在采样时刻t=kT的局部带扰动项线性化模型为:
x(kT|(k+n)T)=A·x(kT|(k+n-1)T)+B·(u(k+n-1)T)+σ(kT))
y(kT|(k+n)T)=C·x(kT|(k+n)T)+D·u((k+n)T)+δ(kT),
其中,x(kT|(k+n)T)表示经济性线性预测控制器ELMPC在kT时刻对系统状态在未来(k+n)T时刻的预测值,y(kT|(k+n)T)表示经济性线性预测控制器ELMPC在kT时刻对系统输出在未来(k+n)T时刻的预测值,u((k+n)T)表示系统在(k+n)T时刻的控制输入,σ(kT)表示状态扰动项在采样点kT时刻的更新值,δ(kT)表示输出扰动项在采样点kT时刻的更新值。
步骤2中,通过如下公式求取输出扰动项在采样时刻t=kT时刻的更新值δ(kT):
δ(kT)=y(kT)-C·x(kT)-D·uL1((k-1)T),
其中,y(kT)为系统输出在采样点kT时刻的测量值,x(kT)为系统状态在采样点kT时刻的测量值,uL1((k-1)T)为L1自适应控制器在(k-1)T时刻的控制量。
步骤2中,通过如下公式求取状态扰动项在采样时刻t=kT的更新值σ(kT):
σ(kT)=uδ(kT),
其中,uδ(kT)为L1自适应控制器在采样时刻t=kT的自适应修正量。
所述L1自适应控制器的控制量为:uL1(t)=uδ(t)+u*(t),
其中uδ(t)为L1自适应控制器中产生的自适应修正量,u*(t)为经济性线性预测控制器ELMPC传入下层的最优控制量。
通过如下公式计算自适应修正量:
其中,表示状态扰动项的估计值的拉普拉斯变换,L-1(·)表示括号内信号的拉普拉斯反变换,C(s)表示一个低通滤波器,具有如下形式:
其中,h为低通滤波器的带宽。根据实际执行机构可容忍的动作选取范围为0.1~10Hz。
采用上述技术方案,本发明具有以下的有益效果:
1.本发明提供了一种具有良好负荷跟踪性能的,并且在运行过程中兼顾机组经济性的超临界火电机组协调控制系统设计方案,其无论是从跟踪性能还是运行经济性都优于目前现存的基于比例-积分-微分控制的机炉协调控制方案,并且可实施性上优于现有的其它优化算法。
2.分层的设计将机炉协调控制设计的两个任务即抗扰与优化,分解成了两层控制器的设计问题单独解决,由此降低了控制器的设计难度。
3.现有理论证明,L1自适应算法的性能依赖于控制器芯片的计算能力,将其置于下层并使用单独的控制器芯片予以实施,可以使L1自适应算法享有更多的控制器计算量从而充分提高L1自适应控制器的性能。
4.L1自适应控制的引入,使得系统的动态有界跟踪于一个已知的线性系统,这使得上层的经济性预测控制不再需要采用非线性规划求解,而简化成为一个线性的经济性预测控制问题,由此简化了上层经济性线性预测控制器的控制程序,减小在线计算量,提高计算精度,提高了经济性预测控制算法的可实施性与可靠性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1为超临界机组机炉系统控制简化图。
图2为本发明的双层控制系统结构原理图。
图3为本发明的控制系统结构框图。
图4为具体实施方案中的系统负荷变化图。
图5为具体实施方案中其它输出量的变化图。
图6为具体实施方案中的控制量图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和有益效果更加清楚,下面结合附图及具体的实施例进行详尽的描述。
如图2和图3所示,为本发明的控制系统实施方案框图,其中的经济性线性预测控制器采用机炉系统的一个线性化模型,根据机炉系统的实际经济性需求,优化出机炉系统跟踪的最优轨迹;下层L1自适应控制器包含一个状态预测器、自适应律及补偿控制律。根据机炉系统的线性化模型设计状态预测器,并设计自适应律,根据状态预测器输出状态与系统实测状态量之差,在线更新对系统状态扰动的估计值。基于状态扰动的估计值,设计补偿控制律,产生一个补偿控制信号,叠加上层的最优控制信号,作为总的控制信号同时输入执行机构与状态预测器中,同时,扰动的估计值反馈回上层预测控制器中,更新预测控制中的预测模型。
在此以泰州电厂#1号机组为例,具体说明本发明的设计方法及实施方案。该机组为一个1000MW超超临界燃煤发电机组,锅炉是哈尔滨锅炉厂设计制造的HG-2980/26.15-YM2型超超临界直流锅炉,汽轮机为哈尔滨汽轮机厂和日本东芝公司联合设计制造的CLN1000-25.0/600/600型超超临界一次中间再热、凝汽式、单轴汽轮机。采用机理分析与参数辨识的方法得到机组的非线性模型并将其在输出功率为470MW的某稳定运行点处线性化展开,得到机组的线性化模型为
其中x1,x2,x3分别为进入炉膛的燃料量,汽水分离器出口压力,汽水分离器出口焓;
u1,u2,u3分别为燃料量信号指令,给水流量,汽轮机阀门开度;
y1,y2,y3分别为主蒸汽压力,汽水分离器出口焓,机组负荷。
采用状态预测器:
其中向量xl0=[x1(0),x2(0),x3(0)]T,u(t)=[u1(t-17) u2(t) u3(t)]T,x1(0),x2(0),x3(0)分别为x1,x2,x3的初始值。
自适应律:
其中为自适应律的更新周期,本例中取Ts=0.1s。
自适应补偿律为
设计上层经济性线性预测控制器:
通过热力计算结合实际数据拟合可得阀门损失系数a1=11.05,a2=-0.8144,a3=-55.07,a4=10.63,取成本系数κn=100,κv=0.61,κf=0.3,采样时间T=17s,预测步长N=100,取控制步长M=10。
为验证方案可行性,进行控制系统仿真实验。
假设初始稳态点为
rB=70.10kg/s,pm=20.16MPa,hm=2726kJ/kg,uB=70.10kg/s,Dfw=562.1kg/s,ut=0.7456,此时机组负荷Ne=732MW,
仿真过程如下:在0~500s时不改变负荷的指令,在500s时给予系统升负荷指令,使机组按照+6%/min即+1MW/s的指令升负荷至850MW,至之后在1000s时给予降负荷指令,机组负荷沿-3%/min即-0.5MW/s的斜坡信号降负荷至650MW。在1500s时,加入扰动(煤质的变化),要求机组负荷跟踪负荷指令,主蒸汽压力不超过25MPa,汽水分离器出口焓值控制在2726kJ/kg至3100kJ/kg之间
图4为实例中的系统负荷变化图,从图中可以看出,系统的初始点并非系统在该负荷下的最优运行点,因此控制器将其驱动至最优运行点并保持了稳定。图中虚线为负荷指令,本例中的变负荷指令变化斜率远大于当前电网的负荷跟踪速率标准(1~2%);实线为机组实际负荷变化,可见机炉系统即使在较大的变负荷指令较陡时也可以紧跟负荷的参考轨迹而不失去稳定性。在发生煤质扰动时,系统能较好地补偿煤质扰动。图5为系统主蒸汽压力与汽水分离器出口焓值图。由图可见,主蒸汽压力能够因系统经济性的要求而在不同的负荷下被控制在在不同的稳态点,汽水分离器出口焓值在整个过程中被控制在机组可接受的范围内。图6为本实例中的控制量图,各控制量较平稳,且在平衡点时可以看出机组稳定运行时,汽轮机阀门保持全开,因而降低了机组的阀门节流损失。
方案仅为本发明的优选实施例,而并非本发明的可能实施例的穷举。对于本领域一般技术而言,在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动,都应该包含在本发明的权利要求的保护范围内。
Claims (8)
1.用于超临界火电机组机炉系统负荷跟踪的双层控制系统,其特征在于,所述系统包括上、下两层控制器,上层控制器为经济性线性预测控制器ELMPC,下层控制器为L1自适应控制器;
所述经济性线性预测控制器ELMPC建立机炉系统的局部带扰动项线性化模型,以系统未来一段时间内的经济性最优为目标,规划出系统在未来一段时间内的最优状态与输出轨迹,并得到对应的最优控制量,将最优控制量及对应的系统最优状态与输出轨迹传入下层控制器中;
所述下层控制器为L1自适应控制器,L1自适应控制器根据上层控制器传来的最优状态与输出轨迹以及实际机组状态及输出的测量值,在上层控制器规划出的控制量的基础上加入自适应修正量,消除被控对象中建模误差、线性化误差、不可测扰动所带来的系统实际轨迹与理想规划轨迹间的偏差,并将实际对象中的偏差信息反馈回上层控制器,用于更新上层的预测模型;L1自适应控制器的控制量作为执行机构的控制指令信号。
2.根据权利要求1所述的系统,其特征在于,所述经济性线性预测控制器的最优控制量u*(t)通过在每一个采样时刻t=kT,解如下目标函数的经济性最优化问题得到:
其中,U(kT)为解得的最优控制序列:
U(kT)=[u(kT),u((k+1)T),…u((k+M)T)]T
则u*(t)=u(kT),t∈[kT,(k+1)T)
其中,u(kT)为采样时刻t=kT时的控制量,u((k+M)T)为采样时刻t=(k+M)T时的控制量,并有u=[uB,Dfw,ut]T,uB为机组燃料量指令,Dfw为给水量,ut为主蒸汽阀门开度;
M为控制时域,T为采样周期,kT表示当前采样时刻,Jt为机组负荷跟踪误差成本项,Jv为主蒸汽阀门节流损失项,Jf为燃料成本项。
3.根据权利要求2所述的系统,其特征在于,所述机组负荷跟踪误差成本项Jt、主蒸汽阀门节流损失项Jv和燃料成本项Jf通过如下公式计算:
其中,i为未来时间的采样点序号,k表示当前采样点序号,并有i<N,N为预测时域,Ne,ref为电网对机组的负荷设定值,Ne为机组负荷,pst为主蒸汽压力,ut为主蒸汽调门开度,rB为进入炉膛的燃料量,κt、κv和κf为成本系数,a1、a2、a3和a4为阀门损失系数。
4.根据权利要求3所述的系统,其特征在于,所述经济性线性预测控制器ELMPC通过如下步骤建立局部带扰动项线性化模型:
步骤1,选取机组较频繁运行的工况点,建立该工况点附近的局部线性化模型:
其中,jT表示任意一个采样时刻,(j+1)T表示jT的下一个采样时刻,y为系统输出,并有y=[pst,hm,Ne]T,hm为汽水分离器出口焓值,x为系统状态,并有x=[rB,pm,hm]T,pm为汽水分离器出口压力,A,B,C,D为系统矩阵;
步骤2,在步骤1建立的局部线性化模型中,加入状态扰动项σ与输出扰动项δ,由此得到经济性线性预测控制器ELMPC在采样时刻t=kT的局部带扰动项线性化模型为:
其中,x(kT|(k+n)T)表示经济性线性预测控制器ELMPC在kT时刻对系统状态在未来(k+n)T时刻的预测值,y(kT|(k+n)T)表示经济性线性预测控制器ELMPC在kT时刻对系统输出在未来(k+n)T时刻的预测值,u((k+n)T)表示系统在(k+n)T时刻的控制输入,σ(kT)表示状态扰动项在采样点kT时刻的更新值,δ(kT)表示输出扰动项在采样点kT时刻的更新值。
5.根据权利要求4所述的系统,其特征在于,步骤2中,通过如下公式求取输出扰动项在采样时刻t=kT时刻的更新值δ(kT):
δ(kT)=y(kT)-C·x(kT)-D·uL1((k-1)T),
其中,y(kT)为系统输出在采样点kT时刻的测量值,x(kT)为系统状态在采样点kT时刻的测量值,uL1((k-1)T)为L1自适应控制器在(k-1)T时刻的控制量。
6.根据权利要求5所述的系统,其特征在于,步骤2中,通过如下公式求取状态扰动项在采样时刻t=kT的更新值σ(kT):
σ(kT)=uδ(kT),
其中,uδ(kT)为L1自适应控制器在采样时刻t=kT的自适应修正量。
7.根据权利要求6所述的系统,其特征在于,所述L1自适应控制器的控制量为:
uL1(t)=uδ(t)+u*(t),
其中uδ(t)为L1自适应控制器中产生的自适应修正量,u*(t)为经济性线性预测控制器ELMPC传入下层的最优控制量。
8.根据权利要求7所述的系统,其特征在于,通过如下公式计算自适应修正量:
其中,表示状态扰动项的估计值的拉普拉斯变换,L-1(·)表示括号内信号的拉普拉斯反变换,C(s)表示一个低通滤波器,具有如下形式:
其中,h为低通滤波器的带宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611110673.8A CN106855691B (zh) | 2016-12-06 | 2016-12-06 | 用于超临界火电机组机炉系统负荷跟踪的双层控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611110673.8A CN106855691B (zh) | 2016-12-06 | 2016-12-06 | 用于超临界火电机组机炉系统负荷跟踪的双层控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106855691A CN106855691A (zh) | 2017-06-16 |
CN106855691B true CN106855691B (zh) | 2019-07-30 |
Family
ID=59125763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611110673.8A Active CN106855691B (zh) | 2016-12-06 | 2016-12-06 | 用于超临界火电机组机炉系统负荷跟踪的双层控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106855691B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536012B (zh) * | 2018-03-23 | 2020-11-20 | 东南大学 | 一种超临界火电机组协调控制系统及其非线性抗干扰控制方法 |
CN110631003B (zh) * | 2019-09-25 | 2021-03-19 | 国家能源集团谏壁发电厂 | 一种基于层级调度多模型预测控制的再热汽温调节方法 |
CN111443681B (zh) * | 2020-05-29 | 2021-05-11 | 聊城信源集团有限公司 | 超临界火电机组协调控制系统多模型预测控制设计方法 |
CN113182023B (zh) * | 2021-04-21 | 2022-06-03 | 南京工程学院 | 一种不可测扰动自适应监测和补偿的磨机负荷在线检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122797A (zh) * | 2014-07-22 | 2014-10-29 | 东南大学 | 一种新型火电机组负荷多变量预测控制方法 |
CN104360659A (zh) * | 2014-11-11 | 2015-02-18 | 国家电网公司 | 一种基于多变量自适应动态解耦的火电机组协调控制系统 |
CN104682447A (zh) * | 2015-01-23 | 2015-06-03 | 华北电力大学 | 一种含多风电场的电力系统经济调度方法 |
CN104699064A (zh) * | 2015-03-20 | 2015-06-10 | 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 |
CN105138041A (zh) * | 2015-09-22 | 2015-12-09 | 河北省电力建设调整试验所 | 一种用于dcs实现的火电机组主汽温度的控制方法 |
CN105676647A (zh) * | 2016-03-11 | 2016-06-15 | 东南大学 | 一种基于状态观测器的冷热电三联供系统预测控制方法 |
-
2016
- 2016-12-06 CN CN201611110673.8A patent/CN106855691B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122797A (zh) * | 2014-07-22 | 2014-10-29 | 东南大学 | 一种新型火电机组负荷多变量预测控制方法 |
CN104360659A (zh) * | 2014-11-11 | 2015-02-18 | 国家电网公司 | 一种基于多变量自适应动态解耦的火电机组协调控制系统 |
CN104682447A (zh) * | 2015-01-23 | 2015-06-03 | 华北电力大学 | 一种含多风电场的电力系统经济调度方法 |
CN104699064A (zh) * | 2015-03-20 | 2015-06-10 | 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 |
CN105138041A (zh) * | 2015-09-22 | 2015-12-09 | 河北省电力建设调整试验所 | 一种用于dcs实现的火电机组主汽温度的控制方法 |
CN105676647A (zh) * | 2016-03-11 | 2016-06-15 | 东南大学 | 一种基于状态观测器的冷热电三联供系统预测控制方法 |
Non-Patent Citations (2)
Title |
---|
超临界机组特性建模与协调控制系统优化;冯谦;《中国优秀硕士学位论文全文数据库》;20131215;C039-96 |
超超临界机组负荷控制的预测控制方法;李仁辉;《中国优秀硕士学位论文全文数据库》;20150215;C039-114 |
Also Published As
Publication number | Publication date |
---|---|
CN106855691A (zh) | 2017-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106855691B (zh) | 用于超临界火电机组机炉系统负荷跟踪的双层控制系统 | |
CN106773666B (zh) | 一种针对压水堆一回路系统的模型参数获取方法 | |
CN110285403B (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
Prasad et al. | A neural net model-based multivariable long-range predictive control strategy applied in thermal power plant control | |
CN106842955B (zh) | 带烟气量扰动抑制的燃烧后co2捕集系统预测控制方法 | |
Dong et al. | Multi-layer perception based model predictive control for the thermal power of nuclear superheated-steam supply systems | |
CN108962410B (zh) | 一种用于铅冷快堆功率的自抗扰控制方法 | |
Zhang et al. | Zone economic model predictive control of a coal-fired boiler-turbine generating system | |
CN105958512A (zh) | 含高风能渗透率的多域时滞电力系统负荷频率控制方法 | |
Gao et al. | A new linear model of fossil fired steam unit for power system dynamic analysis | |
CN105289830B (zh) | 一种基于煤量在线补偿的中速磨煤机启停控制方法 | |
Pathak et al. | Discrete data AGC of hydrothermal systems under varying turbine time constants along with the power system loading conditions | |
CN106340331A (zh) | 一种用于核反应堆功率的自抗扰控制方法 | |
CN111880403A (zh) | 航空发动机最大推力状态容错二自由度μ控制器 | |
CN109668139A (zh) | 一种超临界火电机组机炉协调控制方法 | |
CN105673094B (zh) | 基于自抗扰控制的汽轮机转速控制方法 | |
Hawkins et al. | Region II wind power capture maximization using robust control and estimation with alternating gradient search | |
Carrasco et al. | Novel modelling for a steam boiler under fast load dynamics with implications to control | |
Han et al. | A L1-LEMPC hierarchical control structure for economic load-tracking of super-critical power plants | |
CN111830827B (zh) | 航空发动机容错增益调度二自由度μ控制器 | |
Hu et al. | Robust Cooperative Load Frequency Control for Enhancing Wind Energy Integration in Multi-Area Power Systems | |
Zhu et al. | Internal model control using LMS filter and its application to superheated steam temperature of power plant | |
CN107168059A (zh) | 一种基于主汽压力的火电机组预测控制策略 | |
Lin et al. | Adaptive Backstepping-Based Terminal Sliding Mode Control for Hydro-Turbine Governor Control Design Considering Energy Losses Minimization | |
Xiao et al. | Research on the robustness of the roots waste heat power generation system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |