CN108167802A - 低负荷下锅炉负荷的多模型智能寻优预测控制方法 - Google Patents
低负荷下锅炉负荷的多模型智能寻优预测控制方法 Download PDFInfo
- Publication number
- CN108167802A CN108167802A CN201711178276.9A CN201711178276A CN108167802A CN 108167802 A CN108167802 A CN 108167802A CN 201711178276 A CN201711178276 A CN 201711178276A CN 108167802 A CN108167802 A CN 108167802A
- Authority
- CN
- China
- Prior art keywords
- increment
- output
- underload
- particle
- algorithm
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,具体是:步骤1:选取负荷点建立被控对象模型;步骤2:在各个负荷点根据被控对象模型设计预测控制器,进而得到预测控制器的最优控制增量;步骤3:若步骤2中的最优控制增量满足约束条件,则不需要进行处理,若不满足约束条件,则需采用粒子群算法寻求最优控制增量;步骤4:采用多模型预测控制,根据各子模型输出与实际输出的偏差用改进递推贝叶斯加权算法对各子控制器的输出进行加权。通过本申请的自适应智能寻优控制技术,实现低负荷给煤经济掺烧条件下的机组稳定安全运行。
Description
技术领域
本发明涉及一种锅炉负荷的控制方法,具体说一种低负荷下锅炉负荷的多模型智能寻优预测控制方法。
背景技术
东北地区电力市场供需矛盾非常突出,特别是辽宁省由于供热机组占比高,导致供暖期电网的调峰能力严重不足,迫切要求机组能实现深度调峰。在这种情况下,华能丹东电厂350MW亚临界机组在全国率先完成深度调峰的改造,AGC控制方式下的最低负荷可达到90MW,但从辽宁地区电网的实际需求出发,希望能进一步下调最低负荷,进一步改善电网的调峰能力,并缩小与国外在机组深度调峰方面的差距。但当机组的最低负荷进一步下调时,面临二个瓶颈问题:一是锅炉低负荷工况下,锅炉燃烧对煤粉细度、煤粉均匀性、风量偏差和粉量偏差非常敏感,且当前为降低生产成本,企业均提高给煤经济掺烧,此时如何有效保证锅炉稳燃尤其重要;二是锅炉低负荷工况下,机组被控对象的动态特性会发生大的变化,且被控过程的滞后和惯性会明显增加,以PID控制器组成的常规控制方案对这种过程难于控制。
发明内容
针对现有技术的不足,本发明提出了一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,通过本申请的自适应智能寻优控制技术,实现低负荷给煤经济掺烧条件下的机组稳定安全运行。
为实现上述目的,本发明提供了一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,具体是:
步骤1:选取负荷点建立被控对象模型;
步骤2:在各个负荷点根据被控对象模型设计预测控制器,进而得到预测控制器的最优控制增量;
步骤3:若步骤2中的最优控制增量满足约束条件,则不需要进行处理,若不满足约束条件,则需采用粒子群算法寻求最优控制增量;
步骤4:采用多模型预测控制,根据各子模型输出与实际输出的偏差,用改进递推贝叶斯加权算法对各子控制器的输出进行加权。
进一步的,步骤1建立被控对象模型,具体是:在各负荷点做阶跃响应试验,得到输入输出数据拟合得到被控对象传递函数G(s)。
进一步的,步骤2中设计预测控制器的具体方法是:依据对象传递函数,得到可控自回归积分滑动平均模型,
其中,A(q-1),B(q-1)为系数多项式,ξ(k)为随机序列,表示随机噪声,y(k)为输出序列,u(k)为输入序列,Δ=1-q-1为差分算子,1-q-1是后移算子;所述A(q-1),B(q-1)具体是:
a1、b0、均为多项式的系数;
通过引入丢番图方程,
其中,E(q-1),F(q-1),G(q-1)为系数多项式,形式如下:
其中,ej,1、gj,0、gj,1、fj,1、均为多项式的系数;上述矩阵中的元素的下角标j代表对未来j步的预测,根据预测时域N可以得到完整的矩阵;
可求解得到预测控制器模型:
Y=F1ΔU+F2ΔU(k-j)+GY(k)
其中,Y为未来的预测输出,ΔU为当前及未来的控制增量序列,ΔU(k-j)过去的控制增量序列,Y(k)为当前及过去的输出;
Y=[y(k+1) … y(k+N)]T
ΔU=[Δu(k) … Δu(k+Nu-1)]T
ΔU(k-j)=[Δu(k-1) … Δu(k-nb)]T
Y(k)=[y(k) … y(k-na)]T
N为预测时域,Nu为控制时域。
优选的,预测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其中,Yr=[yr(k+1) … yr(k+N)]T为设定值,Γ为控制权矩阵;
时,预测控制器的最优控制增量为:
ΔU(k)=(F1 TF1+Γ)-1F1 T[Yr-F2ΔU(k-j)-GY(k)]
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Δu(k)。
优选的,所述约束条件具体为:
优选的,采用粒子群算法寻求最优控制增量,具体是:
速度vi=(vi1,vi2,…vid)代表粒子在在搜索空间单位迭代次数的位移;随机初始化一群粒子,第i个粒子在解空间的位置表示为xi=(xi1,xi2,…,xid),解空间维度为d,每次迭代粒子跟踪两个极值来更新速度和位置,其一为粒子从初始到当前迭代次数搜索产生的最优解,即个体极值pi=(pi1,pi2,…,pid),其二为粒子种群当前最优解,即全局极值g=(g1,g2,…,gd),粒子更新依据以下公式:
vi=ωvi+c1rand()(pi-xi)+c2rand()(g-xi)
xi=xi+vi
其中,c1,c2为学习因子,rand()为[0,1]中的随机数,ω为惯性因子;粒子速度和位置若超过约束,则取边界值;根据适应度函数更新pi和g,若达到迭代次数上限或满足最小误差标准则停止迭代;经过PSO智能寻优后,得到控制系统最优控制增量Δut(k)。
优选的,改进递推贝叶斯加权算法对各子控制器的输出进行加权,具体是:
其中,εj,k表示k时刻第j个子模型和被控对象输出的相对误差,即绝对误差与初始输出量之比;K为递推收敛系数,越大收敛越快;Pj,k为k时刻第j个子模型和对象匹配程度的概率,越大表示越符合实际对象;为防止出现某时刻某子模型匹配程度为0而无法再被使用的情况,设定一个小正实数δ,Pi,j<δ时令Pi,j=δ;各子控制器权值如下:
由此可得系统实际控制增量为:
最终得到控制量为:
ujq(k)=ujq(k-1)+Δujq(k)
再以k+1时刻为基点进行新的最优控制增量的计算,实现预测控制器的滚动优化。
本发明由于采用以上技术方案,能够取得如下的技术效果:机组在低负荷给煤经济掺烧条件下应用自适应智能寻优控制技术后,能使350MW机组的最低负荷从目前的90MW下调至60MW。
附图说明
图1为本控制方法的控制原理框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
实施例1
本实施提供一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,具体包括:
步骤1.选取典型负荷点建立被控对象模型,方法为在各负荷点做阶跃响应试验,得到输入输出数据拟合得到被控对象传递函数G(s)。
步骤2.在各负荷点根据被控对象模型设计预测控制器,方法如下:依据对象传递函数,得到可控自回归积分滑动平均(CARIMA)模型,
其中,A(q-1),B(q-1)为系数多项式,ξ(k)为随机序列,表示随机噪声,y(k)为输出序列,u(k)为输入序列,Δ=1-q-1为差分算子。
通过引入丢番图方程,
其中,E(q-1),F(q-1),G(q-1)为系数多项式,形式如下:
可求解得到预测模型
Y=F1ΔU+F2ΔU(k-j)+GY(k)
其中,Y为未来的预测输出,ΔU为当前及未来的控制增量序列,
ΔU(k-j)过去的控制增量序列,Y(k)为当前及过去的输出。
Y=[y(k+1) … y(k+N)]T
ΔU=[Δu(k) … Δu(k+Nu-1)]T
ΔU(k-j)=[Δu(k-1) … Δu(k-nb)]T
Y(k)=[y(k) … y(k-na)]T
N为预测时域,Nu为控制时域。
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其中,Yr=[yr(k+1) … yr(k+N)]T为设定值,Γ为控制权矩阵;
时,控制器的最优控制增量为:
ΔU(k)=(F1 TF1+Γ)-1F1 T[Yr-F2ΔU(k-j)-GY(k)]
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Δu(k),经过粒子群(PSO)寻优算法进一步处理。
步骤3.由于热工过程中控制量和被控量常伴有约束,形式如下:
若步骤2中计算得到的结果满足上述约束,则不需要进行处理,若不满足上述约束,则需采用粒子群(PSO)算法寻求最适合的控制增量,算法采用速度——位置搜索型,每个粒子代表一个候选解,适应度函数即取步骤2中控制器的优化性能指标,来决定粒子的优劣。
速度vi=(vi1,vi2,…vid)代表粒子在在搜索空间单位迭代次数的位移。算法随机初始化一群粒子,第i个粒子在解空间的位置表示为xi=(xi1,xi2,…,xid),解空间维度为d,每次迭代粒子跟踪两个极值来更新速度和位置,其一为粒子从初始到当前迭代次数搜索产生的最优解,即个体极值pi=(pi1,pi2,…,pid),其二为粒子种群当前最优解,即全局极值g=(g1,g2,…,gd),粒子更新依据以下公式:
vi=ωvi+c1rand()(pi-xi)+c2rand()(g-xi)
xi=xi+vi
期中c1,c2为学习因子,rand()为[0,1]中的随机数,ω为惯性因子。粒子速度和位置若超过约束,则取边界值。算法根据适应度函数更新pi和g,若达到迭代次数上限或满足最小误差标准则停止迭代。
经过PSO智能寻优后,得到控制系统最优控制增量Δut(k)。
步骤4.由于机组低负荷下被控过程动态特性多变,需采用多变量预测控制,并采取合适的加权方式,根据各个负荷点子模型设计出子控制器,对子控制器算出的控制增量进行加权,这里采用改进的递推贝叶斯概率加权算法。
其中,εj,k表示k时刻第j个子模型和被控对象输出的相对误差,即绝对误差与初始输出量之比。K为递推收敛系数,越大收敛越快。Pj,k为k时刻第j个子模型和对象匹配程度的概率,越大表示越符合实际对象。为防止出现某时刻某子模型匹配程度为0而无法再被使用的情况,设定一个小正实数δ,Pi,j<δ时令Pi,j=δ。各子控制器权值如下:
由此可得系统实际控制增量为:
最终得到控制量为:
ujq(k)=ujq(k-1)+Δujq(k)
再以k+1时刻为基点进行新的最优控制增量的计算,实现预测控制器的滚动优化。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,其特征在于,具体是:
步骤1:选取负荷点建立被控对象模型;
步骤2:在各个负荷点根据被控对象模型设计预测控制器,进而得到预测控制器的最优控制增量;
步骤3:若步骤2中的最优控制增量满足约束条件,则不需要进行处理,若不满足约束条件,则需采用粒子群算法寻求最优控制增量;
步骤4:采用多模型预测控制,根据各子模型输出与实际输出的偏差用改进递推贝叶斯加权算法对各子控制器的输出进行加权。
2.根据权利要求1所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,其特征在于,步骤1建立被控对象模型,具体是:在各负荷点做阶跃响应试验,得到输入输出数据拟合得到被控对象传递函数G(s)。
3.根据权利要求1所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,其特征在于,步骤2中设计预测控制器的具体方法是:依据对象传递函数,得到可控自回归积分滑动平均模型,
其中,A(q-1),B(q-1)为系数多项式,ξ(k)为随机序列,表示随机噪声,y(k)为输出序列,u(k)为输入序列,Δ=1-q-1为差分算子,1-q-1是后移算子;所述A(q-1),B(q-1)具体是:
a1、b0、均为多项式的系数;
通过引入丢番图方程,
其中,E(q-1),F(q-1),G(q-1)为系数多项式,形式如下:
其中,ej,1、gj,0、gj,1、fj,1、均为多项式的系数;上述矩阵中的元素的下角标j代表对未来j步的预测,根据预测时域N可以得到完整的矩阵;
可求解得到预测控制器:
Y=F1ΔU+F2ΔU(k-j)+GY(k)
其中,Y为未来的预测输出,ΔU为当前及未来的控制增量序列,ΔU(k-j)过去的控制增量序列,Y(k)为当前及过去的输出;
Y=[y(k+1) … y(k+N)]T
ΔU=[Δu(k) … Δu(k+Nu-1)]T
ΔU(k-j)=[Δu(k-1) … Δu(k-nb)]T
Y(k)=[y(k) … y(k-na)]T
N为预测时域,Nu为控制时域。
4.根据权利要求3所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,其特征在于,预测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
其中,Yr=[yr(k+1) … yr(k+N)]T为设定值,Γ为控制权矩阵;
时,预测控制器的最优控制增量为:
ΔU(k)=(F1 TF1+Γ)-1F1 T[Yr-F2ΔU(k-j)-GY(k)]
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Δu(k)。
5.根据权利要求4所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,其特征在于,所述约束条件具体为:
6.根据权利要求1所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,其特征在于,采用粒子群算法寻求最优控制增量,具体是:
速度vi=(vi1,vi2,…vid)代表粒子在在搜索空间单位迭代次数的位移;随机初始化一群粒子,第i个粒子在解空间的位置表示为xi=(xi1,xi2,…,xid),解空间维度为d,每次迭代粒子跟踪两个极值来更新速度和位置,其一为粒子从初始到当前迭代次数搜索产生的最优解,即个体极值pi=(pi1,pi2,…,pid),其二为粒子种群当前最优解,即全局极值g=(g1,g2,…,gd),粒子更新依据以下公式:
vi=ωvi+c1rand()(pi-xi)+c2rand()(g-xi)
xi=xi+vi
其中,c1,c2为学习因子,rand()为[0,1]中的随机数,ω为惯性因子;粒子速度和位置若超过约束,则取边界值;根据适应度函数更新pi和g,若达到迭代次数上限或满足最小误差标准则停止迭代;经过PSO智能寻优后,得到控制系统最优控制增量Δut(k)。
7.根据权利要求1所述一种低负荷下锅炉负荷的多模型智能寻优预测控制方法,其特征在于,改进递推贝叶斯加权算法对各子控制器的输出进行加权,具体是:
其中,εj,k表示k时刻第j个子模型和被控对象输出的相对误差,即绝对误差与初始输出量之比;K为递推收敛系数,越大收敛越快;Pj,k为k时刻第j个子模型和对象匹配程度的概率,越大表示越符合实际对象;为防止出现某时刻某子模型匹配程度为0而无法再被使用的情况,设定一个小正实数δ,Pi,j<δ时令Pi,j=δ;各子控制器权值如下:
由此可得系统实际控制增量为:
最终得到控制量为:
ujq(k)=ujq(k-1)+Δujq(k)
再以k+1时刻为基点进行新的最优控制增量的计算,实现预测控制器的滚动优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711178276.9A CN108167802B (zh) | 2017-11-23 | 2017-11-23 | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711178276.9A CN108167802B (zh) | 2017-11-23 | 2017-11-23 | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108167802A true CN108167802A (zh) | 2018-06-15 |
CN108167802B CN108167802B (zh) | 2020-04-03 |
Family
ID=62527521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711178276.9A Active CN108167802B (zh) | 2017-11-23 | 2017-11-23 | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108167802B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110006024A (zh) * | 2019-01-21 | 2019-07-12 | 国电科学技术研究院有限公司 | 锅炉炉膛出口分区温度与风门的控制关系确定方法及装置 |
CN111045327A (zh) * | 2019-11-28 | 2020-04-21 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 基于广义预测控制的手自动切换方法 |
CN111273563A (zh) * | 2020-01-22 | 2020-06-12 | 哈尔滨工业大学 | 一种基于供热机组agc综合指标的预测控制方法 |
CN112327628A (zh) * | 2020-11-16 | 2021-02-05 | 江康(上海)科技有限公司 | 一种数据驱动的时滞系统改进自适应广义预测控制方法 |
CN112526882A (zh) * | 2020-11-30 | 2021-03-19 | 国家电投集团东北电力有限公司本溪热电分公司 | 基于分层模型预测控制算法的超临界机组协调控制方法 |
Citations (8)
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 |
CN104850908A (zh) * | 2015-05-22 | 2015-08-19 | 上海电力学院 | 基于混沌粒子群的火电机组负荷优化分配方法 |
CN105955031A (zh) * | 2016-06-13 | 2016-09-21 | 吉林大学 | 非线性预测控制的fpga硬件加速控制器及其加速实现方法 |
CN106130008A (zh) * | 2016-06-30 | 2016-11-16 | 大连大学 | 基于改进共生粒子群算法的电力系统经济负荷分配方法 |
CN106485339A (zh) * | 2015-08-31 | 2017-03-08 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
CN106610587A (zh) * | 2016-12-28 | 2017-05-03 | 中国电力科学研究院 | 一种温度多模型预测函数控制方法及装置 |
US20170124474A1 (en) * | 2015-11-02 | 2017-05-04 | Microsoft Technology Licensing, Llc | Predictive controller for applications |
CN107045287A (zh) * | 2017-05-11 | 2017-08-15 | 东南大学 | 基于预测控制技术的机组协调控制系统及控制方法 |
-
2017
- 2017-11-23 CN CN201711178276.9A patent/CN108167802B/zh active Active
Patent Citations (8)
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 |
CN104850908A (zh) * | 2015-05-22 | 2015-08-19 | 上海电力学院 | 基于混沌粒子群的火电机组负荷优化分配方法 |
CN106485339A (zh) * | 2015-08-31 | 2017-03-08 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
US20170124474A1 (en) * | 2015-11-02 | 2017-05-04 | Microsoft Technology Licensing, Llc | Predictive controller for applications |
CN105955031A (zh) * | 2016-06-13 | 2016-09-21 | 吉林大学 | 非线性预测控制的fpga硬件加速控制器及其加速实现方法 |
CN106130008A (zh) * | 2016-06-30 | 2016-11-16 | 大连大学 | 基于改进共生粒子群算法的电力系统经济负荷分配方法 |
CN106610587A (zh) * | 2016-12-28 | 2017-05-03 | 中国电力科学研究院 | 一种温度多模型预测函数控制方法及装置 |
CN107045287A (zh) * | 2017-05-11 | 2017-08-15 | 东南大学 | 基于预测控制技术的机组协调控制系统及控制方法 |
Non-Patent Citations (2)
Title |
---|
杨荻: ""基于广义预测控制的超临界参数单元机组负荷控制与优化研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
王松鹤: "超超临界单元机组协调系统的建模与控制优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110006024A (zh) * | 2019-01-21 | 2019-07-12 | 国电科学技术研究院有限公司 | 锅炉炉膛出口分区温度与风门的控制关系确定方法及装置 |
CN110006024B (zh) * | 2019-01-21 | 2020-07-31 | 国电科学技术研究院有限公司 | 锅炉炉膛出口分区温度与风门的控制关系确定方法及装置 |
CN111045327A (zh) * | 2019-11-28 | 2020-04-21 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 基于广义预测控制的手自动切换方法 |
CN111273563A (zh) * | 2020-01-22 | 2020-06-12 | 哈尔滨工业大学 | 一种基于供热机组agc综合指标的预测控制方法 |
CN112327628A (zh) * | 2020-11-16 | 2021-02-05 | 江康(上海)科技有限公司 | 一种数据驱动的时滞系统改进自适应广义预测控制方法 |
CN112526882A (zh) * | 2020-11-30 | 2021-03-19 | 国家电投集团东北电力有限公司本溪热电分公司 | 基于分层模型预测控制算法的超临界机组协调控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108167802B (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108167802A (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
Gozde et al. | Comparative performance analysis of Artificial Bee Colony algorithm in automatic generation control for interconnected reheat thermal power system | |
Yu et al. | Online tuning of a supervisory fuzzy controller for low-energy building system using reinforcement learning | |
CN102494336A (zh) | 一种循环流化床锅炉燃烧过程多变量控制方法 | |
CN101763035A (zh) | Rbf神经网络整定pid与模糊免疫控制方法 | |
CN107515598A (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 | |
CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
Huang et al. | Optimal design of load frequency active disturbance rejection control via double-chains quantum genetic algorithm | |
CN111030141A (zh) | 一种基于一致性算法的源-荷协同分布式优化调控方法 | |
CN110501909A (zh) | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 | |
CN108955247A (zh) | 一种辊道窑烧成温度建模与时滞控制方法、系统 | |
Das et al. | PID‐RLNN controllers for discrete mode LFC of a three‐area hydrothermal hybrid distributed generation deregulated power system | |
CN105937823B (zh) | 一种地源热泵控制方法及系统 | |
CN105573123A (zh) | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 | |
CN117093033A (zh) | 基于粒子群算法优化pid参数的电阻加热炉温度控制系统 | |
CN111473408A (zh) | 一种基于气候补偿的供热控制系统的控制方法 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
CN108490791B (zh) | 温控负荷成本控制策略 | |
Peng et al. | Model predictive prior reinforcement learning for a heat pump thermostat | |
CN105720574A (zh) | 基于spsa的电力系统单区域负荷频率的数据驱动控制方法 | |
Hawkins et al. | Region II wind power capture maximization using robust control and estimation with alternating gradient search | |
de Oliveira et al. | Dynamic online optimization of a house heating system in a fluctuating energy price scenario | |
Dubey et al. | Optimization of PID controller parameters using PSO for two area load frequency control | |
Chen et al. | Greenhouse temperature control system based on fuzzy theory | |
CN112462816B (zh) | 一种用于提高系统温度稳定性的自适应控温方法 |
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 |