CN107168059A - 一种基于主汽压力的火电机组预测控制策略 - Google Patents
一种基于主汽压力的火电机组预测控制策略 Download PDFInfo
- Publication number
- CN107168059A CN107168059A CN201710391799.5A CN201710391799A CN107168059A CN 107168059 A CN107168059 A CN 107168059A CN 201710391799 A CN201710391799 A CN 201710391799A CN 107168059 A CN107168059 A CN 107168059A
- Authority
- CN
- China
- Prior art keywords
- mrow
- formula
- vapour pressure
- main vapour
- msubsup
- 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
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
本发明公开了一种基于主汽压力的火电机组预测控制策略。现有燃煤机组存在锅炉热量释放波动性大的问题。本发明用给水流量来调节主汽压力,将给水流量分为给水前馈流量和反馈给水流量;其中,给水前馈流量由智能前馈产生,反馈给水流量则由预测控制产生;将预测控制、神经网络控制、自适应控制和模糊控制等先进控制技术应用到火电机组的优化控制中。本发明在确保现有火电机组控制系统的有效性基础之上,通过基于主汽压力的预测控制策略,能够提高火电机组控制的稳定性和抗扰动能力,具有较好的实际应用价值。
Description
技术领域
本发明涉及电力传输控制领域,具体地说是一种基于主汽压力的火电机组预测控制策略,特别适用于超超临界火力发电机组的传输控制。
背景技术
发电机组的控制系统对于满足电网调峰调频、实现机组经济运行至关重要。但传统的燃煤机组控制系统还面临着以下问题:
(1)不精确的锅炉燃烧控制。磨煤机磨出煤粉后进入炉膛后,由于煤粉发热量是经常变化的,再加上现有制粉系统的不足,锅炉中的热量释放经常波动。
(2)无法重现的制粉系统动态特性。制粉系统的动态特性受制于众多因素,包括煤粉的成分、细度、湿度和给煤机的转速等。
通常制粉系统的延迟时间在一分钟到几分钟的范围,上述两个问题对于发电机组控制的困扰是显而易见的。为了解决延时问题,可采用前馈+反馈的控制模式,在反馈控制部分应用目前国际上最前沿的解决大滞后对象控制问题的预测控制技术。采用这种技术能够提前预测被调量(如主汽压力、汽温等参数)的未来变化趋势,而后根据被调量的未来变化量进行控制,有效提前调节过程,从而大幅提高发电机组控制的稳定性和抗扰动能力。
发明内容
本发明所要解决的技术问题是克服上述现有火电机组控制系统存在的缺点,将预测控制、神经网络控制、自适应控制和模糊控制等先进控制技术应用到火电机组的优化控制中,以大幅提高火电机组控制的稳定性和抗扰动能力。
为此,本发明采用如下的技术方案:一种基于主汽压力的火电机组预测控制策略,包括如下步骤:
步骤1),构建主汽压力预测模型;
未来采样时刻j的主汽压力Pt(k+j)的估计值为:
式中, 为权值;Pt(k)为采样时刻k的主汽压力,MPa;为采样时刻k的主汽压力估计值,MPa;Fwd为反馈给水量,t/h;Fwf为给水量的前馈,t/h;Fu为总给煤量,t/h;Tm为汽机阀门开度,%;记Fw为总给水量,t/h;Fw(k)=Fwd(k)+Fwf(k);B1、B2、C1均为多项式系数;Δ=1-q-1为增量系数;为构成Diophantine方程的常量;k、j为与时间相关的常量;q-1表示Diophantine逆矩阵;
步骤2),确定各变量信息;
步骤3),生成如下的控制策略:
ΔFwd=[G1 TG1+γ1I]-1G1 T(Ps-H1),
式中,ΔFwd为控制增量向量,T表示转置,γ1为权值,I表示单位矩阵,Ps为参考轨迹:Ps=[Ps(k+1) Ps(k+2)...Ps(k+N)]T,式中Ps(k+j)为未来采样时刻j的压力定值;
H1为主汽压力预测模型在k时刻已知的信息向量:
H1=[h1(k+1) h1(k+2)...h1(k+N)]T,
式中,h1表示主汽压力预测模型在k时刻已知的信息。
由超超临界机组的动态特性试验可知,机组的主汽压力与给水流量、燃料量及汽机的调门开度有关。在本发明中,用给水流量来调节主汽压力,将给水流量Fw分为给水前馈流量Fwf和反馈给水流量Fwd。其中,给水前馈流量Fwf由智能前馈产生,反馈给水流量Fwd则由预测控制产生。本发明所述的策略是基于反馈给水流量Fwd的广义预测控制。
本发明给出一种基于主汽压力的预测控制策略,将先进的控制技术如:预测控制、神经网络控制、自适应控制、模糊控制等技术应用到火电机组的优化控制中。本发明能够很好地解决现有火电机组锅炉热量释放波动性问题,大幅提高火电机组控制的稳定性和抗扰动能力。
进一步地,步骤1)的具体内容如下:
步骤11),设给水流量Fw对主汽压力的数学模型为如下CARIMA模型:
式中,Pt为主汽压力,MPa;Fwd为反馈给水量,t/h;Fwf为给水量的前馈,t/h;Fu为总给煤量,t/h;Tm为汽机阀门开度,%;ξ1为一均值为零的白噪声序列;记Fw为总给水量,t/h;Fw(k)=Fwd(k)+Fwf(k);A1、B1、B2、C1均为多项式系数;
步骤12),令和构成以下Diophantine方程:
其中,q-j表示j时刻的逆矩阵;
步骤13),式1-1两边同乘同时将A1(q-1)简化记为A1,其它多项式同此;
步骤14),将式1-2代入式1-3,并移项得:
步骤15),未来采样时刻j的主汽压力Pt(k+j)的估计值为:
式中 为权值。
进一步地,步骤2)的具体内容如下:
步骤21),令其中i=1,2,3;中的B1为多项式系数,j为与时间相关的常量;
根据实际情况,未来各时刻的ΔFu(k+j),ΔFwf(k+j),ΔTm(k+j)分别记为:
式中,βfu j+1<1,βfwf j<1,βtm j<1;
步骤22),主汽压力预测模型在k时刻已知的信息为:
步骤23),主汽压力预测模型(即)在k时刻未知的信息为:
进一步地,步骤3)的具体内容如下:
步骤31),令
步骤32),设控制增量向量为:
ΔFwd=[ΔFwd(k) ΔFwd(k+1)...ΔFwd(k+N-1)]T,T表示转置,式3-2;
步骤33),设Pt输出信息向量为:
T表示转置,式3-3;
步骤34),设主汽压力预测模型在k时刻已知的信息向量为:
H1=[h1(k+1) h1(k+2)...h1(k+N)]T,式3-4,
式中,T表示转置,则式3-5;
步骤35),设参考轨迹为:
Ps=[Ps(k+1) Ps(k+2)...Ps(k+N)]T,式3-6,
式中,T表示转置,Ps(k+j)为未来采样时刻j的压力定值;
步骤36),令目标函数为:
式中,T表示转置,γ1为权值,根据最小二乘法则,得到如下控制策略:
ΔFwd=[G1 TG1+γ1I]-1G1 T(Ps-H1),式3-8,
式中,T表示转置,I表示单位矩阵。
本发明具有的有益效果在于:本发明在确保现有火电机组控制系统的有效性基础之上,通过基于主汽压力的预测控制策略,能够提高火电机组控制的稳定性和抗扰动能力,具有较好的实际应用价值。
附图说明
图1是本发明的流程图。
具体实施方式
下面参照附图,进一步说明本发明。
本发明所述的基于主汽压力的火电机组预测控制策略,包括如下步骤:
步骤1,构建主汽压力预测模型;
Step11 设给水流量Fw对主汽压力的数学模型有如下CARIMA模型:
式中, 为权值;Pt(k)为采样时刻k的主汽压力,MPa;为采样时刻k的主汽压力估计值,MPa;Fwd为反馈给水量,t/h;Fwf为给水量的前馈,t/h;Fu为总给煤量,t/h;Tm为汽机阀门开度,%;记Fw为总给水量,t/h;Fw(k)=Fwd(k)+Fwf(k);B1、B2、C1均为多项式系数;Δ=1-q-1为增量系数;为构成Diophantine方程的常量;k、j为与时间相关的常量;q-1表示Diophantine逆矩阵。
Step12 令和构成以下Diophantine方程:
其中,q-j表示j时刻的逆矩阵。
Step13 式1-1两边同乘同时将A1(q-1)简化记为A1,其它多项式同此。
Step14 将式1-2代入式1-3,并移项得:
Step15 未来各采样时刻的主汽压力Pt(k+j)的估计为:
式中 为权值。
步骤2,确定各变量信息;
Step21 令其中i=1,2,3。
根据实际情况,未来各时刻的ΔFu(k+j),ΔFwf(k+j),ΔTm(k+j)可分别记为:
式中,βfu j+1<1,βfwf j<1,βtm j<1。
Step22 则在k时刻可以确定的信息为:
Step23 在k时刻未知的信息为:
步骤3,生成控制策略;
Step31 令
Step32 设控制增量向量为:
ΔFwd=[ΔFwd(k) ΔFwd(k+1)...ΔFwd(k+N-1)]T (3-2)
Step33 设Pt输出信息向量为:
Step34 设Pt(k+j)在k时刻已知的信息向量为:
H1=[h1(k+1) h1(k+2)...h1(k+N)]T (3-4)
则
Step35 设参考轨迹为:
Ps=[Ps(k+1) Ps(k+2)...Ps(k+N)]T (3-6)
式中,T表示转置,Ps(k+j)为未来采样时刻j的压力定值。
Step36 令目标函数为:
式中γ1为权值,根据最小二乘法则,可得到如下控制策略:
ΔFwd=[G1 TG1+γ1I]-1G1 T(Ps-H1) (3-8)
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (4)
1.一种基于主汽压力的火电机组预测控制策略,包括如下步骤:
步骤1),构建主汽压力预测模型;
未来采样时刻j的主汽压力Pt(k+j)的估计值为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>P</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>G</mi>
<mi>j</mi>
<mn>1</mn>
</msubsup>
<msub>
<mi>&Delta;Fw</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>G</mi>
<mi>j</mi>
<mn>1</mn>
</msubsup>
<msub>
<mi>&Delta;Fw</mi>
<mi>f</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msubsup>
<mi>G</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mi>&Delta;</mi>
<mi>F</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>G</mi>
<mi>j</mi>
<mn>3</mn>
</msubsup>
<mi>&Delta;</mi>
<mi>F</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>F</mi>
<mi>j</mi>
<mn>1</mn>
</msubsup>
<mi>P</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mn>1</mn>
</msubsup>
<msub>
<mi>e</mi>
<mrow>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中, 为权值;Pt(k)为采样时刻k的主汽压力,MPa;为采样时刻k的主汽压力估计值,MPa;Fwd为反馈给水量,t/h;Fwf为给水量的前馈,t/h;Fu为总给煤量,t/h;Tm为汽机阀门开度,%;记Fw为总给水量,t/h;Fw(k)=Fwd(k)+Fwf(k);B1、B2、C1均为多项式系数;Δ=1-q-1为增量系数;为构成Diophantine方程的常量;k、j为与时间相关的常量;q-1表示Diophantine逆矩阵;
步骤2),确定各变量信息;
步骤3),生成如下的控制策略:
ΔFwd=[G1 TG1+γ1I]-1G1 T(Ps-H1),
式中,ΔFwd为控制增量向量,T表示转置,γ1为权值,I表示单位矩阵,Ps为参考轨迹:Ps=[Ps(k+1) Ps(k+2) ... Ps(k+N)]T,式中Ps(k+j)为未来采样时刻j的压力定值;
H1为主汽压力预测模型在k时刻已知的信息向量:
H1=[h1(k+1) h1(k+2) ... h1(k+N)]T,
式中,h1表示主汽压力预测模型在k时刻已知的信息。
2.根据权利要求1所述的火电机组预测控制策略,其特征在于,步骤1)的具体内容如下:
步骤11),设给水流量Fw对主汽压力的数学模型为如下CARIMA模型:
式中,Pt为主汽压力,MPa;Fwd为反馈给水量,t/h;Fwf为给水量的前馈,t/h;Fu为总给煤量,t/h;Tm为汽机阀门开度,%;ξ1为一均值为零的白噪声序列;记Fw为总给水量,t/h;Fw(k)=Fwd(k)+Fwf(k);A1、B1、B2、C1均为多项式系数;
步骤12),令和构成以下Diophantine方程:
其中,q-j表示j时刻的逆矩阵;
步骤13),式1-1两边同乘同时将A1(q-1)简化记为A1,其它多项式同此;
步骤14),将式1-2代入式1-3,并移项得:
步骤15),未来采样时刻j的主汽压力Pt(k+j)的估计值为:
式中 为权值。
3.根据权利要求2所述的火电机组预测控制策略,其特征在于,步骤2)的具体内容如下:
步骤21),令其中i=1,2,3;
中的B1为多项式系数,j为与时间相关的常量;
<mrow>
<msubsup>
<mi>g</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>g</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>......</mn>
<mo><</mo>
<mi>j</mi>
<mo>,</mo>
</mrow>
根据实际情况,未来各时刻的ΔFu(k+j),ΔFwf(k+j),ΔTm(k+j)分别记为:
式中,βfu j+1<1,βfwf j<1,βtm j<1;
步骤22),主汽压力预测模型在k时刻已知的信息为:
步骤23),主汽压力预测模型在k时刻未知的信息为:
4.根据权利要求3所述的火电机组预测控制策略,其特征在于,步骤3)的具体内容如下:
步骤31),令
步骤32),设控制增量向量为:
ΔFwd=[ΔFwd(k)ΔFwd(k+1)...ΔFwd(k+N-1)]T,T表示转置,式3-2;
步骤33),设Pt输出信息向量为:
T表示转置,式3-3;
步骤34),设主汽压力预测模型在k时刻已知的信息向量为:
H1=[h1(k+1) h1(k+2) ... h1(k+N)]T,式3-4,
式中,T表示转置,则
步骤35),设参考轨迹为:
Ps=[Ps(k+1) Ps(k+2) ... Ps(k+N)]T,式3-6,
式中,T表示转置,Ps(k+j)为未来采样时刻j的压力定值;
步骤36),令目标函数为:
式中,T表示转置,γ1为权值,根据最小二乘法则,得到如下控制策略:
ΔFwd=[G1 TG1+γ1I]-1G1 T(Ps-H1),式3-8,
式中,T表示转置,I表示单位矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710391799.5A CN107168059B (zh) | 2017-05-27 | 2017-05-27 | 一种基于主汽压力的火电机组预测控制策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710391799.5A CN107168059B (zh) | 2017-05-27 | 2017-05-27 | 一种基于主汽压力的火电机组预测控制策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107168059A true CN107168059A (zh) | 2017-09-15 |
CN107168059B CN107168059B (zh) | 2020-08-18 |
Family
ID=59821479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710391799.5A Active CN107168059B (zh) | 2017-05-27 | 2017-05-27 | 一种基于主汽压力的火电机组预测控制策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107168059B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290282A (zh) * | 2020-03-25 | 2020-06-16 | 国电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 |
CN112925198A (zh) * | 2021-01-23 | 2021-06-08 | 西安热工研究院有限公司 | 一种一维多象限燃煤机组主汽温模糊控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494336A (zh) * | 2011-12-16 | 2012-06-13 | 浙江大学 | 一种循环流化床锅炉燃烧过程多变量控制方法 |
CN103472723A (zh) * | 2013-08-19 | 2013-12-25 | 上海交通大学 | 基于多模型广义预测控制器的预测控制方法及系统 |
CN104482525A (zh) * | 2014-12-25 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 超超临界机组再热汽温的控制方法和系统 |
CN104898426A (zh) * | 2015-05-18 | 2015-09-09 | 河海大学常州校区 | 基于梯度下降法和广义预测控制的室温回路控制方法 |
CN105867138A (zh) * | 2016-06-22 | 2016-08-17 | 哈尔滨工程大学 | 一种基于pid控制器的稳定平台控制方法及装置 |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制系统 |
-
2017
- 2017-05-27 CN CN201710391799.5A patent/CN107168059B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494336A (zh) * | 2011-12-16 | 2012-06-13 | 浙江大学 | 一种循环流化床锅炉燃烧过程多变量控制方法 |
CN103472723A (zh) * | 2013-08-19 | 2013-12-25 | 上海交通大学 | 基于多模型广义预测控制器的预测控制方法及系统 |
CN104482525A (zh) * | 2014-12-25 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 超超临界机组再热汽温的控制方法和系统 |
CN104898426A (zh) * | 2015-05-18 | 2015-09-09 | 河海大学常州校区 | 基于梯度下降法和广义预测控制的室温回路控制方法 |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制系统 |
CN105867138A (zh) * | 2016-06-22 | 2016-08-17 | 哈尔滨工程大学 | 一种基于pid控制器的稳定平台控制方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290282A (zh) * | 2020-03-25 | 2020-06-16 | 国电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 |
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 |
CN112925198A (zh) * | 2021-01-23 | 2021-06-08 | 西安热工研究院有限公司 | 一种一维多象限燃煤机组主汽温模糊控制方法 |
CN112925198B (zh) * | 2021-01-23 | 2022-06-14 | 西安热工研究院有限公司 | 一种一维多象限燃煤机组主汽温模糊控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107168059B (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdelbaky et al. | Design and implementation of partial offline fuzzy model-predictive pitch controller for large-scale wind-turbines | |
CN107476931B (zh) | 一种水轮机调速器pid参数优化方法及系统 | |
Guo et al. | Hydropower system operation stability considering the coupling effect of water potential energy in surge tank and power grid | |
Pathak et al. | AGC of two area power system based on different power output control strategies of thermal power generation | |
CN106919053A (zh) | 一种基于变结构预测控制算法的火电机组协调控制系统 | |
Lescher et al. | Switching LPV controllers for a variable speed pitch regulated wind turbine | |
CN109103927B (zh) | 调速系统pid控制器参数整定方法 | |
CN109669355B (zh) | 基于广义预测控制的微型燃气轮机冷电联供控制系统及控制方法 | |
Joo et al. | Power regulation of variable speed wind turbines using pitch control based on disturbance observer | |
Dhar et al. | Study on pitch angle control of a variable speed wind turbine using different control strategies | |
Barambones | Robust wind speed estimation and control of variable speed wind turbines | |
Dang et al. | Model predictive control for maximum power capture of variable speed wind turbines | |
Yao et al. | Dynamic modeling and hierarchical control of a concentrated solar power plant with direct molten salt storage | |
CN107168059A (zh) | 一种基于主汽压力的火电机组预测控制策略 | |
CN103606939B (zh) | 基于滑模控制的风柴混合电力系统负荷频率控制方法 | |
Xie et al. | Long-term frequency stability assessment based on extended frequency response model | |
Hawkins et al. | Region II wind power capture maximization using robust control and estimation with alternating gradient search | |
CN108931928B (zh) | 一种超临界机组参与风功率消纳的两区域系统调频的仿真方法 | |
CN107102550B (zh) | 一种超超临界火电机组控制分离器温度的预测控制方法 | |
CN115733137A (zh) | 通过压缩空气储能抑制电力系统低频振荡的系统及方法 | |
Yang et al. | Active disturbance rejection coordinated control for integrated solar combined cycle system considering system inertia difference | |
Khezami et al. | Multimodel LQ controller design for variable-speed and variable pitch wind turbines at high wind speeds | |
CN113410850A (zh) | 基于mpc的光热风电联合调频模型和调频策略 | |
Dang et al. | A multi-objective optimal nonlinear control of variable speed wind turbine | |
Jin et al. | The impact research of delay time in steam turbine DEH on power grid |
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 |