CN107908106B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN107908106B
CN107908106B CN201711057680.0A CN201711057680A CN107908106B CN 107908106 B CN107908106 B CN 107908106B CN 201711057680 A CN201711057680 A CN 201711057680A CN 107908106 B CN107908106 B CN 107908106B
Authority
CN
China
Prior art keywords
steam temperature
control
reheat steam
ijl
model
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
Application number
CN201711057680.0A
Other languages
English (en)
Other versions
CN107908106A (zh
Inventor
蔡戎彧
吕剑虹
于吉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201711057680.0A priority Critical patent/CN107908106B/zh
Publication of CN107908106A publication Critical patent/CN107908106A/zh
Priority to PCT/CN2018/088141 priority patent/WO2019085446A1/zh
Application granted granted Critical
Publication of CN107908106B publication Critical patent/CN107908106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G05B13/048—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 using a predictor

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)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种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，该控制系统由烟气再循环风机转速控制回路和烟气挡板开度控制回路构成，将一次再热汽温和二次再热汽温与设定值的偏差送入预估控制器，计算得出烟气再循环风机转速和烟气挡板开度的优化值，保证机组一次再热汽温和二次再热汽温维持在合理安全的范围内，本发明采用预估控制能够方便地处理大惯性多变量系统的优化问题，计算过程清晰、简单，工程应用时，编程实施方便，对未来输出偏差的预测能及时调节相应的控制量，一次再热汽温和二次再热汽温能稳定在合理的范围之内，保证了机组的稳定性和安全性，控制效果较传统PID控制好。

Description

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
技术领域
本发明涉及一种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，属于热能动力工程和自动控制领域。
背景技术
随着对火电机组经济性要求进一步的提高，机组不断向更高参数发展，并采用二次再热技术，进一步提高机组效率。与此同时，机组的复杂性进一步提高，受控对象的惯性增大，对再热汽温的控制要求更高。二次再热机组再热汽温的控制一般通过调节烟气再循环风机转速和烟气挡板开度，减温水调节一般用于事故喷水情况。超临界机组系统的复杂性要求控制精度更高，控制动作更快。系统的惯性大，对象模型阶次高，若不进行降阶处理，对采样周期的要求较为苛刻。若采用传统PID控制，达不到理想的效果，这就需要我们探索其他控制方案。
发明内容
本发明二次再热超超临界机组的再热汽温控制过程具有大惯性、大滞后的特点提出了一种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，预估控制能通过预测未来的输出计算当前时刻的最优控制量，系统的鲁棒性较好，同时控制效果良好，其原理清晰，易于在线计算，控制效果良好。
为解决上述技术问题，本发明提供了一种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，以烟气再循环风机转速和烟气挡板开度作为输入，以一次再热汽温和二次再热汽温作为输出，包括烟气再循环风机转速控制回路、烟气挡板开度控制回路，该预估控制系统所采用的控制器为预估控制器，分别将一次再热汽温的设定值和二次再热汽温的设定值与所述预估控制器预测的输出的偏差送入所述预估控制器，该预估控制器输出烟气再循环风机转速和烟气挡板开度的优化控制增量序列，所述优化控制增量序列中取当前时刻的控制作用作用于经降阶的实际对象模型，得到一次再热汽温、二次再热汽温的实际输出，下一时刻继续相同计算，实现滚动优化。
所述预估控制器包括：
预测模块，用于预测未来各个采样时刻的输出；
优化性能指标计算模块，用于根据设定的性能指标计算控制范围内最优的控制增量序列；
控制实施模块，用于将计算所得最优的控制增量序列应用于系统。
进一步的，预估控制器所依赖的对象模型由实验数据拟合得出，通过在多个负荷点做阶跃响应试验，建立各负荷点上的线性传递函数模型，中间负荷的模型通过已建立的相邻负荷点上的线性传递函数模型通过插值的方法计算得出，模型如下：
对对象模型进行Pade近似法降
其幂级数展开式为
其中，
代入
pij0＝Cij0
pij1＝Cij1+Cij0qij1
pijl＝Cijl+Cijl-1qij0+…Cij0qijl
Cijl+1+Cijlqij1+…+Cijl-k+1qijk＝0
Cijl+2+Cijl+1qij1+…+Cijl-k+2qijk＝0
Cijl+k+Cijl+k-1qij1+…+Cijlqijk＝0 (5)
解得pijs(s＝1，2，…l)，qijt(t＝1，2…k)，降阶模型如下：
根据降阶后的模型推导集中式预估控制器所依据的可控自回归积分滑动平均模型，即CARIMA模型，模型如下：
其中，
模型可转化成：
通过预估控制器的预测模型为：
Y＝F1ΔU+F2ΔU(k-j)+GY(k) (10)
其中，
Y＝[y1(k+1)…y1(k+N) y2(k+1)…y2(k+N)]T
ΔU＝[Δu1(k)…Δu1(k+Nu-1) Δu2(k)…Δu2(k+Nu-1)]T
ΔU(k-j)＝[Δu1(k-1)…Δu1(k-nb1) Δu2(k-1)…Δu2(k-nb2)]T
Y(k)＝[y1(k)…y1(k-na1) y2(k)…y2(k-na2)]T
nb1＝max(nb11，nb21)，nb2＝max(nb12，nb22)，na1＝na11，na2＝na22
N为预测时域，Nu为控制时域，Yp＝F2ΔU(k-j)+GY(k)为基于过去输入输出的输出预测响应；
F1、F2、G的求解通过求解如下Diophantine方程：
i，j＝1，2，l为预测步数
其中，
进一步的，预估控制器的优化性能指标为：
J＝[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]T[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]+ΔUTΓΔU
(11)
其中，Yr＝[y1r(k+1)…y1r(k+N) y2r(k+1)…y2r(k+N)]T为设定值，Γ为控制权矩阵；
所述预估控制器的最优控制增量为：
ΔU(k)＝(F1 TF1+Γ)-1F1 T[Yr-F2ΔU(k-j)-GY(k)] (12)。
进一步的，控制实施模块取计算得到的最优控制增量序列中当前时刻k的控制增量作用于系统：
uj(k)＝uj(k-1)+Δuj(k)，j＝1，2 (13)
再以k+1时刻为基点进行下一时刻的最优控制增量序列计算，实现滚动优化。
有益效果：本发明与现有技术相比，本发明提出的一种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，具有以下优点：
1、预估控制器的算法计算过程清晰、简单，工程应用时，编程实施非常方便；
2、能够适用于被控过程是线性模型或非线性模型情况，对象具有大惯性、大滞后等特点时也能保持良好的控制效果；
3、能保证一次再热汽温和二次再热汽温维持在稳定安全的范围内；
4、控制器计算得到的烟气再循环风机转速和烟气挡板开度在最优范围内，且变化幅度合理，不会使得一次再热汽温和二次再热汽温有较大的波动，提高系统经济性的同时保证了安全性。
附图说明
图1为本发明实施例控制系统示意图。
具体实施方式
下面结合实施例进一步阐述该发明方法。
如图1所示为一种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原理图，再热汽温控制系统包括烟气再循环风机转速控制回路和烟气挡板开度控制回路，该再热汽温控制系统的输入量为烟气再循环风机转速和烟气挡板开度，其输出量为一次再热汽温和二次再热汽温，输入、输出量之间存在耦合，对象惯性较大，采用可降阶的预估控制算法，图1中：输入数据即烟气再循环风机转速、烟气挡板开度；输出数据为一次再热汽温、二次再热汽温。根据历史输入输出数据拟合出对象模型并进行降阶处理。y1r，y2r分别为一次再热汽温、二次再热汽温的设定值，为根据过去及当前时刻的输入和输出以及未来的输入计算得到的未来输出预测值，u1，u2分别为根据优化性能指标计算得到的烟气再循环风机、烟气挡板开度的最优控制序列，y1，y2为一次再热汽温、二次再热汽温的模型实际输出。
再热汽温控制系统对象模型由实验数据拟合得出，通过在多个负荷点做阶跃响应试验，建立各负荷点上的线性传递函数模型，中间负荷的模型通过已建立的相邻负荷点上的线性传递函数模型通过插值的方法计算得出，模型如下：
对象模型采用Pade近似法进行降阶：对
将其幂级数展开，
其中，
代入
pij0＝Cij0
pij1＝Cij1+Cij0qij1
pijl＝Cijl+Cijl-1qij0+…Cij0qijl
Cijl+1+Cijlqij1+…+Cijl-k+1qijk＝0
Cijl+2+Cijl+1qij1+…+Cijl-k+2qijk＝0
Cijl+k+Cijl+k-1qij1+…+Cijlqijk＝0 (5)
解得pijs(s＝1，2，…l)，qijt(t＝1，2…k)，降阶模型如下：
根据降阶后的模型推导集中式预估控制器所依据的可控自回归积分滑动平均模型，即CARIMA模型，模型如下：
其中，
模型可转化成：
通过预估控制器的预测模块，预测未来时刻的输出，预测模型为：
Y＝F1ΔU+F2ΔU(k-j)+GY(k) (10)
其中，
Y＝[y1(k+1)…y1(k+N) y2(k+1)…y2(k+N)]T
ΔU＝[Δu1(k)…Δu1(k+Nu-1) Δu2(k)…Δu2(k+Nu-1)]T
ΔU(k-j)＝[Δu1(k-1)…Δu1(k-nb1) Δu2(k-1)…Δu2(k-nb2)]T
Y(k)＝[y1(k)…y1(k-na1) y2(k)…y2(k-na2)]T
nb1＝max(nb11，nb21)，nb2＝max(nb12，nb22)，na1＝na11，na2＝na22
N为预测时域，Nu为控制时域，Yp＝F2ΔU(k-j)+GY(k)为基于过去输入输出的输出预测响应。
F1、F2、G的求解通过求解如下Diophantine方程：
i，j＝1，2，l为预测步数
其中，
确定所述控制器的优化性能指标计算模块，并计算控制范围内最优的控制增量，优化性能指标为：
J＝[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]T[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]+ΔUTΓΔU
(11)
其中，Yr＝[y1r(k+1)…y1r(k+N) y2r(k+1)…y2r(k+N)]T为设定值，Γ为控制权矩阵。根据控制量所允许的波动范围确定控制加权系数。
所得控制增量即为最优控制增量：
ΔU(k)＝(F1 TF1+Γ)-1F1 T[Yr-F2ΔU(k-j)-GY(k)] (12)
通过预估控制器的控制实施模块，将计算所得最优控制律应用于系统，计算得到的最优控制增量序列中当前时刻k的控制增量为：
uj(k)＝uj(k-1)+Δuj(k)，j＝1，2 (13)
再以k+1时刻为基点进行下一时刻的最优控制增量序列计算，实现滚动优化。
下面以某电厂660MW超超临界二次再热机组采用本发明的优化控制系统为例，详细说明本发明内容。
采样周期取为10s，预测时域N取750，控制时域Nu取10，控制权矩阵取其中 在650MW负荷附近，一次再热汽温、二次再热汽温分别为601.2℃、601.5℃，烟气再循环风机转速为72％，烟气挡板开度为50％，将一次再热汽温、二次再热汽温设定值分别阶跃增加4℃，结果显示，一次再热汽温、二次再热汽温能快速跟随设定值，其中一次再热汽温最大偏差为0.5℃，二次再热汽温最大偏差为0.7℃，偏差很小。
以上实例表明：本实施例的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，能有效改善二次再热机组再热汽温控制系统的控制性能，一次再热汽温、二次再热汽温快速响应设定值变化，波动小，并维持在安全范围内，机组经济性和安全性均得到保障。

Claims (4)

1.一种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，其特征在于：以烟气再循环风机转速和烟气挡板开度作为输入，以一次再热汽温和二次再热汽温作为输出，包括烟气再循环风机转速控制回路、烟气挡板开度控制回路，该预估控制系统所采用的控制器为预估控制器，分别将一次再热汽温的设定值和二次再热汽温的设定值与所述预估控制器预测的输出的偏差送入所述预估控制器，该预估控制器输出烟气再循环风机转速和烟气挡板开度的优化控制增量序列，所述优化控制增量序列中取当前时刻的控制作用作用于经降阶的实际对象模型，得到一次再热汽温、二次再热汽温的实际输出，下一时刻继续相同计算，实现滚动优化；
所述预估控制器包括：
预测模块，用于预测未来各个采样时刻的输出；
优化性能指标计算模块，用于根据设定的性能指标计算控制范围内最优的控制增量序列；
控制实施模块，用于将计算所得最优的控制增量序列应用于系统。
2.根据权利要求1所述的一种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，其特征在于：所述预估控制器所依赖的对象模型由实验数据拟合得出，通过在多个负荷点做阶跃响应试验，建立各负荷点上的线性传递函数模型，中间负荷的模型通过已建立的相邻负荷点上的线性传递函数模型通过插值的方法计算得出，模型如下：
对对象模型进行Pade近似法降阶，对
其幂级数展开式为
其中，
代入
pij0＝Cij0
pij1＝Cij1+Cij0qij1
pijl＝Cijl+Cijl-1qij0+…Cij0qijl
Cijl+1+Cijlqij1+…+Cijl-k+1qijk＝0
Cijl+2+Cijl+1qij1+…+Cijl-k+2qijk＝0
Cijl+k+Cijl+k-1qij1+…+Cijlqijk＝0 (5)
解得pijs(s＝1,2,…l),qijt(t＝1,2…k)，降阶模型如下：
根据降阶后的模型推导集中式预估控制器所依据的可控自回归积分滑动平均模型，即CARIMA模型，模型如下：
其中,
模型可转化成：
通过预估控制器的预测模型为：
Y＝F1ΔU+F2ΔU(k-j)+GY(k) (10)
其中，
Y＝[y1(k+1) … y1(k+N) y2(k+1) … y2(k+N)]T
ΔU＝[Δu1(k) … Δu1(k+Nu-1) Δu2(k) … Δu2(k+Nu-1)]T
ΔU(k-j)＝[Δu1(k-1) … Δu1(k-nb1) Δu2(k-1) … Δu2(k-nb2)]T
Y(k)＝[y1(k) … y1(k-na1) y2(k) … y2(k-na2)]T
nb1＝max(nb11,nb21),nb2＝max(nb12,nb22),na1＝na11,na2＝na22
N为预测时域，Nu为控制时域，Yp＝F2ΔU(k-j)+GY(k)为基于过去输入输出的输出预测响应；
F1、F2、G的求解通过求解如下Diophantine方程：
为预测步数
其中，
3.根据权利要求1所述的一种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，其特征在于：所述预估控制器的优化性能指标为：
J＝[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]T[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]+ΔUTΓΔU
(11)
其中，Yr＝[y1r(k+1) … y1r(k+N) y2r(k+1) … y2r(k+N)]T为设定值，Γ为控制权矩阵；
时，所述预估控制器的最优控制增量为：
ΔU(k)＝(F1 TF1+Γ)-1F1 T[Yr-F2ΔU(k-j)-GY(k)] (12)。
4.根据权利要求3所述的一种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，其特征在于：所述控制实施模块取计算得到的最优控制增量序列中当前时刻k的控制增量作用于系统：
uj(k)＝uj(k-1)+Δuj(k),j＝1,2 (13)
再以k+1时刻为基点进行下一时刻的最优控制增量序列计算，实现滚动优化。
CN201711057680.0A 2017-11-01 2017-11-01 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 Active CN107908106B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711057680.0A CN107908106B (zh) 2017-11-01 2017-11-01 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
PCT/CN2018/088141 WO2019085446A1 (zh) 2017-11-01 2018-05-24 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711057680.0A CN107908106B (zh) 2017-11-01 2017-11-01 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

Publications (2)

Publication Number Publication Date
CN107908106A CN107908106A (zh) 2018-04-13
CN107908106B true CN107908106B (zh) 2019-11-12

Family

ID=61842417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711057680.0A Active CN107908106B (zh) 2017-11-01 2017-11-01 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

Country Status (2)

Country Link
CN (1) CN107908106B (zh)
WO (1) WO2019085446A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908106B (zh) * 2017-11-01 2019-11-12 东南大学 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
CN108762086B (zh) * 2018-06-19 2021-03-23 中国大唐集团科学技术研究院有限公司华东分公司 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
CN109654475B (zh) * 2018-11-26 2020-09-04 中国电力工程顾问集团西北电力设计院有限公司 一种二次再热机组再热汽温控制方法
CN111561693B (zh) * 2019-11-29 2021-12-17 上海圆曦电力科技有限公司 一种电站锅炉状态空间汽温控制的方法
CN111123704A (zh) * 2019-12-09 2020-05-08 国家能源集团泰州发电有限公司 一种二次再热机组再热汽温的节能型预测控制方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10301916A (ja) * 1997-04-23 1998-11-13 Ishikawajima Harima Heavy Ind Co Ltd 再熱器ガスダンパ開度制御装置
JP2000257801A (ja) * 1999-03-10 2000-09-22 Babcock Hitachi Kk プロセスの制御方法と流動層ボイラ及びその燃料供給方法
CN102387311A (zh) * 2010-09-02 2012-03-21 深圳Tcl新技术有限公司 一种合成视频图像的装置以及合成视频图像的方法
US9110453B2 (en) * 2011-04-08 2015-08-18 General Cybernation Group Inc. Model-free adaptive control of advanced power plants
CN102566433B (zh) * 2012-02-08 2013-12-25 上海锅炉厂有限公司 二次再热直流锅炉-汽轮机dbc协调控制系统
CN104075309A (zh) * 2014-06-30 2014-10-01 章礼道 燃用准东煤的二次再热电站锅炉
CN106019939B (zh) * 2016-06-20 2018-09-07 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
CN106169108B (zh) * 2016-07-14 2020-04-03 河海大学 含电池储能系统的主动配电网短期有功优化方法
CN106642069B (zh) * 2016-10-08 2018-09-25 西安西热控制技术有限公司 超超临界二次再热发电机组再热汽温复合控制策略
CN106871097A (zh) * 2017-01-10 2017-06-20 上海电力学院 电站两次再热机组的锅炉烟气余热回收系统
CN107908106B (zh) * 2017-11-01 2019-11-12 东南大学 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

Also Published As

Publication number Publication date
CN107908106A (zh) 2018-04-13
WO2019085446A1 (zh) 2019-05-09

Similar Documents

Publication Publication Date Title
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
CN106765052B (zh) 一种电站锅炉蒸汽温度的智能计算预测控制方法
CN104122797B (zh) 一种新型火电机组负荷多变量预测控制方法
CN106019939B (zh) 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
CN108227488B (zh) 基于滑模预测控制的超超临界火电机组协调控制方法
WO2019047561A1 (zh) 基于多参数动态矩阵控制的火电机组分布式协调控制系统
CN107045289A (zh) 一种电加热炉温度的非线性神经网络优化pid控制方法
Xu et al. Application of multi-model switching predictive functional control on the temperature system of an electric heating furnace
Zhou et al. Study on PID parameters tuning based on particle swarm optimization
CN113091088A (zh) 一种基于双阶段神经网络的锅炉燃烧广义预测控制方法
CN109062030A (zh) 基于拉盖尔函数模型的火电单元机组负荷预测pid控制方法
Yu-chang et al. Model free adaptive predictive control for main stream pressure system of power plant
CN107976909A (zh) 超超临界机组过热汽温多目标控制方法
CN109407509B (zh) 互联双同步发电机系统自适应最优输出反馈控制器结构及其实现方法
CN113282043A (zh) 基于多变量状态空间模型的超超临界机组协调控制方法
Chen et al. Single neuron PID control of aircraft deicing fluids rapid heating system
Xu et al. A Novel Reference Model-Based Neural Network Approach to Temperature Control System
CN110671260A (zh) 一种水轮发电机组调节系统的非线性广义预测控制方法
Xue et al. Research on RBF tuning PID and fuzzy immune control system of superheat temperature
CN111273563B (zh) 一种基于供热机组agc综合指标的预测控制方法
Chen et al. Improved CMAC Neural Network Control for Superheated Steam Temperature
Wang et al. The control system of boiler main steam temperature based on heat transfer calculation
Zhou et al. A fuzzy control algorithm for collecting main pressure controlling using expert control
Zhao An adaptive approximate model neural network controller for EAF electrode regulator system
Peng et al. Study of immune PID adaptive controller and its applications in thermal control system

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