CN107085371A - 基于数据驱动的原油蒸馏装置经济模型预测控制方法 - Google Patents
基于数据驱动的原油蒸馏装置经济模型预测控制方法 Download PDFInfo
- Publication number
- CN107085371A CN107085371A CN201710303144.8A CN201710303144A CN107085371A CN 107085371 A CN107085371 A CN 107085371A CN 201710303144 A CN201710303144 A CN 201710303144A CN 107085371 A CN107085371 A CN 107085371A
- Authority
- CN
- China
- Prior art keywords
- model
- crude
- oil
- output
- data
- 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.)
- Pending
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
- B01D3/42—Regulation; Control
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G7/00—Distillation of hydrocarbon oils
- C10G7/12—Controlling or regulating
Abstract
本发明公开了一种基于数据驱动的原油蒸馏装置经济模型预测控制方法。该方法利用现场数据通过支持向量回归的方法得到装置的多变量非线性模型,然后综合控制目标和实时的经济指标利用模型预测控制的方法对装置加以控制。该方法针对能源价格和产品价格的变化,对经济模型预测控制方法中的目标函数的经济指标进行实时更新,能够实现在产品质量合格的情况下达到经济效益最大化的要求。
Description
技术领域
本发明属于石油化工的自动控制领域,特别是原油蒸馏装置的自动控制。
背景技术
原油蒸馏装置是石油加工的第一道工序,也是最为重要的一道工序。在原油蒸馏装置中,原油先经过加热炉加热后进入精馏塔中,然后通过分馏的方法将原油分解成为石脑油、煤油、柴油、常压瓦斯油和渣油等。由于原油蒸馏装置能耗高且产物经济价值高,所以如何降低原油蒸馏装置的能耗同时提高产物所产生的经济价值对于石油化工企业是十分重要的。PID控制器由于其原理简单且易于调节,所以在实际现场中常采用的控制器为PID控制器,但是PID控制器仅仅能使对象的输出追踪上设定值,而无法考虑经济因素,这也成为石化企业提高收益的一大阻碍。经济模型预测控制技术的提出就可以解决PID控制技术无法考虑经济因素这一问题,但是由于原油蒸馏装置是一个多变量、强耦合以及非线性的系统,所以我们很难得到原油蒸馏装置的一个精确的模型。
发明内容
为了解决上述技术问题,本发明提出了基于数据驱动的原油蒸馏装置经济模型预测控制方法,包括以下步骤:
S1、计算原油蒸馏装置系统的相对增益矩阵,根据相对增益矩阵对原油蒸馏装置的控制回路进行匹配;
S2、将测试激励信号加入到开环系统中,采集系统的输出;
S3、根据输入输出的数据,通过支持向量回归算法对原油蒸馏装置进行建模;
S4、将步骤S3得到的模型作为经济模型预测控制方法中的预测模型;
S5、根据生产要求给出模型预测控制器追踪的设定值,并且根据能源价格和产品价格给出经济指标,综合以上两者给出模型预测控制器的目标函数;
S6、将模型预测控制器应用于装置的控制中,根据实际要求对装置的各个控制变量进行搜索求解,将最优的控制序列应用到装置的各个控制变量中,实现在产品质量合格的条件下使得经济效益最大化的目标。
所述S1中的相对增益矩阵,是通过加入很小的阶跃激励信号,获得各回路的稳态增益,通过稳态增益获得相对增益矩阵,根据相对增益矩阵的各元素值来选择控制回路匹配对。
所述S2中的激励信号,在这里采用的是M序列。
所述S3的具体步骤为:
S301、由于系统的非线性,所以在支持向量回归中使用径向基函数(RBF函数)作为核函数,即:
则,
可通过对偶问题化为:
s.t.
yq(i)-<wq,Φ(xi)>-bq≤εq+ξi,i=1,…,N
<wq,Φ(xi)>+bq-yq(i)≤εq+ξi′,i=1,…,N
ξi,ξi′≥0,I=1,…,N
其中,K为核函数,xi为第i个输入信号的特征,x′为支持向量,g为RBF函数的设置参数,是第i输入的预测输出,wq是特征空间F的一个向量,Φ代表从低维空间到高维空间F的映射,bq是偏差项,为一个中间变量,εq是第q个输出的误差上界,ξi,ξi′是松弛变量,‖·‖是二范数,C为支持向量回归算法的惩罚参数;
S302、系统的动态特性可由非线性自回归带外源输入的模型表示(NARX),即:
yq(n)=fq(u1(n),…,u1(n-n1),…,uR(n),…,uR(n-nR),yq(n-1),…,yq(n-mq))
其中yq(n)是第q个输出在n时刻的输出值,u1(n)是第1个输入在n时刻的输入值,u1(n-n1)是第1个输入在(n-n1)时刻的输入值,在此将n1称为第1个输入的阶次,同样的mq则是第q个输出的阶次;
S303、利用输入输出数据通过k-折交叉验证确定系统各输入输出相应的阶次,然后得到最佳的支持向量回归模型,具体做法如下:
首先将输入输出数据均分为k份,这里k取5,取其中4份为训练数据,剩下的1份为测试数据。然后将所有的阶次设置为1,利用遗传算法对训练数据进行训练,搜索最佳的g、C和支持向量x′,由此可得到一个相应的支持向量回归模型,接着用测试数据进行测试,计算预测值和实际值之间的均方误差(MSE),重复5次,MSE值最小的模型就被认为是该阶次下最优的支持向量回归模型。然后逐步将各个阶次升高,最终可以得到多个不同阶次下的最优支持向量回归模型,比较MSE的大小,取MSE值最小的模型作为原油蒸馏装置最终的支持向量回归模型。
所述S5的具体过程为:
S501、控制器的性能指标J的数学表达式为:
s.t.
umin≤u(i)≤umax,i=k,…,k+M
ymin≤y(i)≤ymax,i=k,…,k+P
-Δumin≤Δu(i)≤Δumax,i=k,…,k+M
其中,R为输入变量的个数,N为输出变量的个数,P为预测时域的长度,M为控制时域的长度,rn(k+i)为第n个输出在k+i时刻的设定值,为第n个输出在k+i时刻的预测值,Δub(k+j)为第b个输入在k+j与其上一时刻的差值,α和β分别为输出和输入的权重值。dn(k)为第n个输出在k时刻,装置实际的输出值与模型预测得到的输出值的偏差值,第n个输出在k+i时刻的预测值为k+i时刻模型预测值和k时刻偏差dn(k)和加和;
S502、控制器的经济指标的数学表达式为:
φ(k)=∑(Fi(k)×Pi(k))-Fc(k)×Pc(k)-∑(Ej(k)×Pj(k))
其中,Fi(k)为第i个产品在k时刻的流量,Pi(k)为第i个产品在k时刻的单位流量的价格,其中i包括轻石脑油、重石脑油、煤油、柴油、常压瓦斯油和常压渣油;Fc(k)为原油在k时刻的流量,Pc(k)为原油在k时刻的单位流量的价格;Ej(k)为k时刻装置所消耗的能量,Pj(k)为k时刻单位能量的价格,其中j包括加热炉热负荷,塔顶冷凝器热负荷以及汽提蒸汽;
S503、控制器的目标函数Ψ的数学表达式为:
Ψ(k)=J(k)+γφ(k)
即:
其中,γ为经济指标的权重值。当企业对产品质量要求较高时,可以提高权重α的大小,降低γ的大小;而产品质量要求较低时,可以降低权重α的大小,提高γ的大小。权重β的值远小于α和γ,的作用在于平滑控制曲线,防止阀门饱和。当能源价格和产品价格发生波动时,可以通过改变经济指标中各价格的值来对控制器的目标函数Ψ进行调整,从而实现经济效益最大化。预测时域范围P和控制时域范围M的大小可根据实际情况进行调整,P越小快速性越好,P越大鲁棒性越好,M越小鲁棒性越好,M越大整体的动态特性越好。
所述S6的具体步骤为:
S601、根据实际要求给出目标函数中α、β和γ三个参数的数值,以及控制时域范围M和预测时域范围P的大小;
S602、使用布谷鸟算法(CS)搜索控制变量序列U(k):
当在整个预测时域P内,使得控制器的目标函数Ψ(k)取得最小值的控制变量
则为最优控制变量序列,然后将下一时刻的预测值应用到装置的输入中;
S602中所提到的布谷鸟算法的实施步骤如下:
首先将控制变量序列矩阵U(k)作为布谷鸟算法的编码,在给定上下界内随机生成初始解。然后,解码过程通过S303中获取的最优模型,求出各解所对应的目标函数Ψ的预测值。并按照标准布谷鸟算法的种群更新方式更新种群,具体如下:
其中是当前时刻的个体,是下一时刻的个体,xb为当前最佳个体,rn~ND(0,1)为D维标准正态分布,θ>0是步长,代表元素乘法。
列维飞行实际上是一种随机运动方式,其方差与迭代次数t存在如下关系:
σ2(t)~t3-λ,1<λ<3
另一种产生新个体法是使用种群之间的相似性及发现概率pa,其产生公式如下:
其中,ru~U(0,1),ru~UD(0,1),UD(0,1)是定义在[0,1]上的均匀分布,1D为D维的单位向量;H(·)为heaviside函数。
最终迭代至预设的最大迭代次数,并输出所求得的最优控制变量,将其应用于装置的各控制变量上。
前述的经济模型预测控制方法在工业过程中的实现还需要依次连接的测量变送器、数据存储与输出单元、系统辨识单元、算法运行单元以及控制器输出单元,其中:
测量变送器,用于采集输入信号和输出信号;
数据存储与输出单元,将测量变送器采集的输入和输出信号进行储存,并且输出至系统辨识单元;
系统辨识单元,通过输出输出数据,使用支持向量回归算法得到系统的模型;
算法运行单元,使用布谷鸟算法对模型预测控制器的目标函数进行寻优,找出当前情况下的最优输出;
控制器输出单元,将搜索到的最优输出应用到装置的各个控制变量中。
本发明基于数据驱动的原油蒸馏装置经济模型预测控制方法,可以在产品质量达到要求的前提下,实现经济效益最大化。
附图说明
图1为本发明基于数据驱动的原油蒸馏装置经济模型预测控制方法的流程图。
图2为常压塔第3块塔板温度在重石脑油流量和塔顶冷凝器热负荷阶跃干扰下预测输出和实际输出的比较。
图3为原油蒸馏装置流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
基于数据驱动的原油蒸馏装置经济模型预测控制方法实施例如图1所示,包括以下步骤,
原油蒸馏装置的总进料量为568t/h,初馏塔共有10块塔板,且带有加热炉和塔顶冷凝器,常压塔共有25块塔板,且带有加热炉、塔顶冷凝器、两个中段回流PA1和PA2以及三个侧线汽提塔。
步骤1、使用相对增益矩阵选择控制回路匹配对,其中一部分回路使用经济模型预测控制器(EMPC),剩下的回路使用PID控制器。
步骤2、对使用经济模型预测控制器的回路加入M序列作为激励信号,然后收集系统的响应。控制回路匹配对如下表所示:
步骤3、通过步骤2获得的系统输入输入数据,使用支持向量回归算法对装置进行建模,建模结果如下:
控制器编号 | 阶次 | C | g | 支持向量个数 |
C1 | 3,2 | 1013.56 | 0.00186 | 81 |
C2 | 2,2,3 | 455.51 | 0.01963 | 69 |
C3 | 1,1,2 | 193.52 | 0.00373 | 25 |
C4 | 1,3 | 18.89 | 0.00624 | 126 |
C5 | 2,2 | 96.79 | 0.00077 | 19 |
C6 | 1,4 | 1521.76 | 0.00176 | 172 |
C7 | 2,4 | 22.55 | 0.00134 | 34 |
其中,阶次的顺序为:在有耦合的情况下为控制变量、耦合干扰、输出变量,无耦合的情况下为控制变量、输出变量。
步骤4、将步骤3中得到的模型作为经济模型预测控制方法中的预测模型;
步骤5、根据实际工况的各输出设定值和各能源价格以及各产品价格给出经济模型预测控制器的目标函数。设定值如下表所示:
各能源价格以及各产品价格会随时间波动,需根据实际情况进行调整。
步骤6、使用布谷鸟算法对步骤4中给出的目标函数进行寻优,然后将得到的最优控制序列应用到各个控制变量中,使得装置在产品质量达标的情况下实现经济目标最大化。
Claims (7)
1.一种基于数据驱动的原油蒸馏装置经济模型预测控制方法,包括以下步骤:
S1、计算原油蒸馏装置系统的相对增益矩阵,根据相对增益矩阵对原油蒸馏装置的控制回路进行匹配;
S2、将测试激励信号加入到开环系统中,采集系统的输出;
S3、根据输入输出的数据,通过支持向量回归算法对原油蒸馏装置进行建模;
S4、将步骤S3得到的模型作为经济模型预测控制方法中的预测模型;
S5、根据生产要求给出模型预测控制器追踪的设定值,并且根据能源价格和产品价格给出经济指标,综合以上两者给出模型预测控制器的目标函数;
S6、将模型预测控制器应用于装置的控制中,根据实际要求对装置的各个控制变量进行搜索求解,将最优的控制序列应用到装置的各个控制变量中。
2.根据权利要求1所述的基于数据驱动的原油蒸馏装置经济模型预测控制方法,其特征在于,所述S1中的相对增益矩阵,是通过加入很小的阶跃激励信号,获得各回路的稳态增益,通过稳态增益获得相对增益矩阵,根据相对增益矩阵的各元素值来选择控制回路匹配对。
3.根据权利要求1所述的基于数据驱动的原油蒸馏装置经济模型预测控制方法,其特征在于,所述S2中的激励信号采用的是M序列。
4.根据权利要求1所述的基于数据驱动的原油蒸馏装置经济模型预测控制方法,其特征在于,所述S3的具体步骤为:
S301、在支持向量回归中使用径向基函数RBF作为核函数,即:
则,
通过对偶问题化为:
s.t.
yq(i)-<wq,Φ(xi)>-bq≤εq+ξi,i=1,…,N
<wq,Φ(xi)>+bq-yq(i)≤εq+ξi′,i=1,…,N
ξi,ξi′≥0,i=1,…,N
其中,K为核函数,xi为第i个输入信号的特征,x′为支持向量,g为RBF函数的设置参数,是第i输入的预测输出,wq是特征空间F的一个向量,Φ代表从低维空间到高维空间F的映射,bq是偏差项,为一个中间变量,εq是第q个输出的误差上界,ξi,ξi′是松弛变量,‖·‖是二范数,C为支持向量回归算法的惩罚参数;
S302、系统的动态特性可由非线性自回归带外源输入的模型表示,即:
yq(n)=fq(u1(n),…,u1(n-n1),…,uR(n),…,uR(n-nR),yq(n-1),…,yq(n-mq))
其中yq(n)是第q个输出在n时刻的输出值,u1(n)是第1个输入在n时刻的输入值,u1(n-n1)是第1个输入在(n-n1)时刻的输入值,在此将n1称为第1个输入的阶次,同样的mq则是第q个输出的阶次;
S303、利用输入输出数据通过k-折交叉验证确定系统各输入输出相应的阶次,然后得到最佳的支持向量回归模型,具体做法如下:
首先将输入输出数据均分为k份,这里k取5,取其中4份为训练数据,剩下的1份为测试数据,然后将所有的阶次设置为1,利用遗传算法对训练数据进行训练,搜索最佳的g、C和支持向量x′,由此可得到一个相应的支持向量回归模型,接着用测试数据进行测试,计算预测值和实际值之间的均方误差(MSE),重复5次,MSE值最小的模型就被认为是该阶次下最优的支持向量回归模型;然后逐步将各个阶次升高,最终可以得到多个不同阶次下的最优支持向量回归模型,比较MSE的大小,取MSE值最小的模型作为原油蒸馏装置最终的支持向量回归模型。
5.根据权利要求1所述的基于数据驱动的原油蒸馏装置经济模型预测控制方法,其特征在于,所述S5的具体步骤为:
S501、控制器的性能指标J的数学表达式为:
s.t.
umin≤u(i)≤umax,i=k,…,k+M
ymin≤y(i)≤ymax,i=k,…,k+P
-Δumin≤Δu(i)≤Δumax,i=k,…,k+M
其中,R为输入变量的个数,N为输出变量的个数,P为预测时域的长度,M为控制时域的长度,rn(k+i)为第n个输出在k+i时刻的设定值,为第n个输出在k+i时刻的预测值,Δub(k+j)为第b个输入在k+j与其上一时刻的差值,α和β分别为输出和输入的权重值,dn(k)为第n个输出在k时刻,装置实际的输出值与模型预测得到的输出值的偏差值,第n个输出在k+i时刻的预测值为k+i时刻模型预测值和k时刻偏差dn(k)和加和;
S502、控制器的经济指标的数学表达式为:
φ(k)=∑(Fi(k)×Pi(k))-Fc(k)×Pc(k)-∑(Ej(k)×Pj(k))
其中,Fi(k)为第i个产品在k时刻的流量,Pi(k)为第i个产品在k时刻的单位流量的价格,其中i包括轻石脑油、重石脑油、煤油、柴油、常压瓦斯油和常压渣油;Fc(k)为原油在k时刻的流量,Pc(k)为原油在k时刻的单位流量的价格;Ej(k)为k时刻装置所消耗的能量,Pj(k)为k时刻单位能量的价格,其中j包括加热炉热负荷,塔顶冷凝器热负荷以及汽提蒸汽;
S503、控制器的目标函数Ψ的数学表达式为:
Ψ(k)=j(k)+γφ(k)
即:
其中,γ为经济指标的权重值。
6.根据权利要求1所述的基于数据驱动的原油蒸馏装置经济模型预测控制方法,其特征在于,所述S6的具体步骤为:
S601、根据实际要求给出目标函数中α、β和γ三个参数的数值,以及控制时域范围M和预测时域范围P的大小;
S602、使用布谷鸟算法(CS)搜索控制变量序列U(k):
当在整个预测时域P内,使得控制器的目标函数Ψ(k)取得最小值的控制变量
则为最优控制变量序列,然后将下一时刻的预测值应用到装置的输入中。
7.根据权利要求6所述的基于数据驱动的原油蒸馏装置经济模型预测控制方法,其特征在于,所述S602中的布谷鸟算法的实施步骤如下:
首先将控制变量序列矩阵U(k)作为布谷鸟算法的编码,在给定上下界内随机生成初始解,然后,解码过程通过S303中获取的最优模型,求出各解所对应的目标函数Ψ的预测值,并按照标准布谷鸟算法的种群更新方式更新种群,具体如下:
其中是当前时刻的个体,是下一时刻的个体,xb为当前最佳个体,rn~ND(0,1)为D维标准正态分布,θ>0是步长,代表元素乘法,
列维飞行实际上是一种随机运动方式,其方差与迭代次数t存在如下关系:
σ2(t)~t3-λ,1<λ<3
另一种产生新个体法是使用种群之间的相似性及发现概率pa,其产生公式如下:
其中,ru~U(0,1),ru~UD(0,1),UD(0,1)是定义在[0,1]上的均匀分布,1D为D维的单位向量,H(·)为heaviside函数;
最终迭代至预设的最大迭代次数,并输出所求得的最优控制变量,将其应用于装置的各控制变量上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710303144.8A CN107085371A (zh) | 2017-05-03 | 2017-05-03 | 基于数据驱动的原油蒸馏装置经济模型预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710303144.8A CN107085371A (zh) | 2017-05-03 | 2017-05-03 | 基于数据驱动的原油蒸馏装置经济模型预测控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107085371A true CN107085371A (zh) | 2017-08-22 |
Family
ID=59613184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710303144.8A Pending CN107085371A (zh) | 2017-05-03 | 2017-05-03 | 基于数据驱动的原油蒸馏装置经济模型预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107085371A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493921A (zh) * | 2018-11-01 | 2019-03-19 | 宁波大学 | 一种基于多代理模型的常压精馏过程建模方法 |
CN110322072A (zh) * | 2019-07-09 | 2019-10-11 | 程新宇 | 一种基于神经网络的经济预测方法 |
CN111523801A (zh) * | 2020-04-22 | 2020-08-11 | 国网山西省电力公司电力科学研究院 | 一种基于相对增益原理的线损贡献度分析方法及系统 |
CN114859721A (zh) * | 2022-05-09 | 2022-08-05 | 电子科技大学 | 一种大时滞成型系统双模经济模型预测鲁棒控制方法 |
US20230193141A1 (en) * | 2021-12-22 | 2023-06-22 | Phillips 66 Company | Controlling fractionation using dynamic competing economic objectives |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008047098A1 (en) * | 2006-10-18 | 2008-04-24 | Bp Oil International Limited | Abnormal event detection using principal component analysis |
CN102393636A (zh) * | 2011-09-22 | 2012-03-28 | 任季明 | 一种对石油炼制过程的控制系统及方法 |
CN105939028A (zh) * | 2015-03-03 | 2016-09-14 | 通用电气公司 | 用于增强发电厂发电单元的控制的方法和系统 |
CN106300358A (zh) * | 2016-10-19 | 2017-01-04 | 云南电网有限责任公司电力科学研究院 | 一种基于π型拓扑结构的交直流并联分散控制方法 |
-
2017
- 2017-05-03 CN CN201710303144.8A patent/CN107085371A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008047098A1 (en) * | 2006-10-18 | 2008-04-24 | Bp Oil International Limited | Abnormal event detection using principal component analysis |
CN102393636A (zh) * | 2011-09-22 | 2012-03-28 | 任季明 | 一种对石油炼制过程的控制系统及方法 |
CN105939028A (zh) * | 2015-03-03 | 2016-09-14 | 通用电气公司 | 用于增强发电厂发电单元的控制的方法和系统 |
CN106300358A (zh) * | 2016-10-19 | 2017-01-04 | 云南电网有限责任公司电力科学研究院 | 一种基于π型拓扑结构的交直流并联分散控制方法 |
Non-Patent Citations (3)
Title |
---|
姚海华: "常压蒸馏塔的稳态建模仿真和操作优化", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
孔小兵: "非线性模型预测控制及其在发电过程控制中的应用", 《中国博士学位论文全文数据库 工程科技II辑》 * |
张跃敏 等: "计算机辅助蒸馏过程模拟及控制(I)--多组分复杂蒸馏控制的相对增益矩阵计算研究", 《化工学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493921A (zh) * | 2018-11-01 | 2019-03-19 | 宁波大学 | 一种基于多代理模型的常压精馏过程建模方法 |
CN109493921B (zh) * | 2018-11-01 | 2021-10-01 | 宁波大学 | 一种基于多代理模型的常压精馏过程建模方法 |
CN110322072A (zh) * | 2019-07-09 | 2019-10-11 | 程新宇 | 一种基于神经网络的经济预测方法 |
CN111523801A (zh) * | 2020-04-22 | 2020-08-11 | 国网山西省电力公司电力科学研究院 | 一种基于相对增益原理的线损贡献度分析方法及系统 |
US20230193141A1 (en) * | 2021-12-22 | 2023-06-22 | Phillips 66 Company | Controlling fractionation using dynamic competing economic objectives |
US11707698B2 (en) * | 2021-12-22 | 2023-07-25 | Phillips 66 Company | Controlling fractionation using dynamic competing economic objectives |
CN114859721A (zh) * | 2022-05-09 | 2022-08-05 | 电子科技大学 | 一种大时滞成型系统双模经济模型预测鲁棒控制方法 |
CN114859721B (zh) * | 2022-05-09 | 2023-06-20 | 电子科技大学 | 一种大时滞成型系统双模经济模型预测鲁棒控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107085371A (zh) | 基于数据驱动的原油蒸馏装置经济模型预测控制方法 | |
Ma et al. | Forecasting iron ore import and consumption of China using grey model optimized by particle swarm optimization algorithm | |
CN101551884B (zh) | 面向大规模样本的cvr电力负荷快速预测方法 | |
CN104765350A (zh) | 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 | |
CN104598986A (zh) | 基于大数据的电力负荷预测方法 | |
Xiong et al. | Neural network model-based on-line re-optimisation control of fed-batch processes using a modified iterative dynamic programming algorithm | |
CN111353656A (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN106779384B (zh) | 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法 | |
CN106203683A (zh) | 一种电力客户用电负荷预测系统的建模方法 | |
CN108845501A (zh) | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 | |
CN111522229A (zh) | 参数自整定的mimo异因子偏格式无模型控制方法 | |
CN111522233A (zh) | 参数自整定的mimo异因子全格式无模型控制方法 | |
CN111476677A (zh) | 一种基于大数据的用电类别售电量分析与预测方法及系统 | |
Yuan et al. | Modelling and pathway identification involving the transport mechanism of a complex metabolic system in batch culture | |
CN109978253A (zh) | 一种基于增量学习的短期负荷预测方法 | |
Zeng et al. | Forecasting the total energy consumption in China using a new-structure grey system model | |
Sapnken et al. | Petroleum products consumption forecasting based on a new structural auto-adaptive intelligent grey prediction model | |
CN104408317A (zh) | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 | |
CN115511002A (zh) | 一种电力缺失数据补全方法 | |
Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN112668234A (zh) | 一种转炉炼钢终点智能控制方法 | |
CN105184049A (zh) | 基于调控-代谢网络整合模型预测微生物生长表型的方法 | |
CN108074019A (zh) | 一种基于支持向量机的光伏发电功率预测方法 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20201106 |
|
AD01 | Patent right deemed abandoned |