CN110017184B - 一种基于强化学习算法的分布式余压发电系统及其控制方法 - Google Patents
一种基于强化学习算法的分布式余压发电系统及其控制方法 Download PDFInfo
- Publication number
- CN110017184B CN110017184B CN201910258718.3A CN201910258718A CN110017184B CN 110017184 B CN110017184 B CN 110017184B CN 201910258718 A CN201910258718 A CN 201910258718A CN 110017184 B CN110017184 B CN 110017184B
- Authority
- CN
- China
- Prior art keywords
- electric
- steam
- regulating valve
- valve
- generator
- 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
- 230000002787 reinforcement Effects 0.000 title claims abstract description 36
- 238000010248 power generation Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000001105 regulatory effect Effects 0.000 claims abstract description 48
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 23
- 238000011156 evaluation Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D15/00—Adaptations of machines or engines for special use; Combinations of engines with devices driven thereby
- F01D15/10—Adaptations for driving, or combinations with, electric generators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D17/00—Regulating or controlling by varying flow
- F01D17/10—Final actuators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D17/00—Regulating or controlling by varying flow
- F01D17/10—Final actuators
- F01D17/105—Final actuators by passing part of the fluid
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01K—STEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
- F01K27/00—Plants for converting heat or fluid energy into mechanical energy, not otherwise provided for
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Control Of Turbines (AREA)
Abstract
本发明涉及一种基于强化学习算法的分布式余压发电系统及其控制方法，该系统包括蒸汽管道、透平膨胀机、发电机、变频器和透平出口管路；蒸汽管道连接透平膨胀机，透平膨胀机连接发电机，发电机连接变频器，变频器连接用户或电网，透平出口管路一端与透平膨胀机出口连接，透平出口管路另一端通往低蒸汽压力用户；蒸汽管道上按照输汽方向依次布置一号电动压力调节阀、流量计、一号电动截止阀和电动流量调节阀；透平出口管路上按照输汽方向依次布置二号电动压力调节阀和背压阀。基于强化学习算法的分布式余压发电控制方法通过实时动态地控制发电系统的各个电动调节阀门、发电机及变频器等设备，使得此余压发电系统达到高效稳定运行的目的。
Description
技术领域
本发明涉及余压发电技术领域，具体地讲，涉及一种基于强化学习算法的分布式余压发电系统及其控制方法。
背景技术
能源作为人类社会发展的原动力和物质基础的保障，是社会发展和技术进步不可或缺的基本条件，是人类生存和发展的重要物质基础。我国能源生产量和消费两均已居世界前列，但在能源利用方式上尚存一系列突出问题：能源结构不合理、能源利用率不高、可再生能源开发利用比例低。这就要求我们着力提高能源开发、转化和利用的效率，推动能源生产和利用方式的变革，加速我国低碳环保，资源节约型社会的建立。近年来，积极循环再利用二次能源已经成为降低能耗、节约能源、降低成本的有效措施。对余压余热的回收利用，则是其中行之有效的重要手段之一。
余压发电技术主要利用天然气或水蒸气在降压降温过程中的压差能量及热能驱动透平膨胀机做功，将其转化为机械能，并由其驱动发电机发电从而实现能量的转换并输出电能。该技术不仅能够做到节能、提高资源利用率，而且对环境不造成任何形式的污染，但是现有余压发电系统中存在供需双方能量不匹配问题。
另外，强化学习是一种重要的机器学习方法。强化学习通过感知环境状态信息来学习动态系统的最优策略，通过试错法不断与环境交互来改善自己的行为，并具有对环境的先验知识要求低的优点，是一种可以应用到实时环境中的在线学习方式，因此在智能控制、机器学习等领域得到了广泛研究，但其在分布式余压发电领域尚未应用。
发明内容
本发明的目的在于克服现有技术中存在的上述不足，而提供一种结构设计合理、供需双方能量匹配的基于强化学习算法的分布式余压发电系统，并提出一种基于强化学习算法的分布式余压发电控制方法。
本发明解决上述问题所采用的技术方案是：一种基于强化学习算法的分布式余压发电系统，其特征在于：包括蒸汽管道、透平膨胀机、发电机、变频器和透平出口管路；所述蒸汽管道的输汽末端连接透平膨胀机，所述透平膨胀机与发电机连接，所述发电机与变频器连接，所述变频器与用户或电网连接；所述透平出口管路的一端与透平膨胀机的出口连接，透平出口管路的另一端通往低蒸汽压力用户；所述蒸汽管道上按照输汽方向依次安装有一号电动压力调节阀、流量计、一号电动截止阀和电动流量调节阀；所述透平出口管路上按照输汽方向依次安装有二号电动压力调节阀和背压阀。
优选的，所述蒸汽管道上还安装有疏水阀，所述疏水阀位于一号电动压力调节阀和流量计之间。
优选的，该系统还包括急停旁路，所述急停旁路上安装有二号电动截止阀，所述急停旁路的一端连接在流量计和一号电动截止阀之间的那一段蒸汽管道上，急停旁路的另一端连接在透平出口管路上。
一种基于强化学习算法的分布式余压发电系统的控制方法，其步骤如下：
步骤一：Agent控制器读取基于强化学习算法的分布式余压发电系统中一号电动压力调节阀、电动流量调节阀和二号电动压力调节阀的开度OV，读取一号电动截止阀、二号电动截止阀和背压阀的状态；
步骤二：Agent控制器读取流量计检测到的流量值Q、透平膨胀机前后的蒸汽压力P、蒸汽管道内蒸汽温度T以及发电机的角速度ω；
步骤三：Agent控制器利用强化学习算法中的Q学习算法控制调节一号电动压力调节阀、电动流量调节阀和二号电动压力调节阀的开度OV，并控制发电机的转速和变频器的输出；
Q学习算法中对决策过程的行为值函数估计的迭代计算公式为：
其中，(st,at)为决策过程在t时刻的状态-行为对；st+1为t+1时刻的状态；γ为折扣因子，αt为学习因子；
步骤四：初始化值函数估计中的参数，包括折扣因子γ，学习因子αt，以及决策过程的状态集Q(st,at)，并设置奖赏值r；
步骤五：观察当前状态st，根据当前状态，按策略选择动作at，并观察下一状态st+1；其中st的状态参数包括蒸汽参数(P、Q、T)和用户或电网的电能参数；at包括一号电动压力调节阀、电动流量调节阀和二号电动压力调节阀的阀门开度(OV)以及发电机的角速度ω；
步骤六：根据迭代公式更新当前的状态-行为对的值函数估计Q(st,at)；
步骤七：判断是否满足学习终止的条件，若满足则结束学习，不满足则令t＝t+1，返回步骤五。
本发明与现有技术相比，具有以下优点和效果：基于强化学习算法的分布式余压发电系统解决了供需双方能量不匹配的问题，提高了能源利用率；针对供需双方输出参数不稳定问题，采用强化学习算法，在线动态控制基于强化学习算法的分布式余压发电系统的各个设备，从而达到保证基于强化学习算法的分布式余压发电系统高效稳定运行的目的；此外，本发明的应用，还有利于电厂开拓更广阔的用户市场，使得能源站的负荷增加，燃机系统得以在高效率点运行，从而提高了燃机发电效率，进一步提高系统运行的综合经济性。
附图说明
图1是本发明实施例中基于强化学习算法的分布式余压发电系统图。
图2是标准的Agent强化学习模型示意图。
图3是本发明实施例中基于强化学习算法的分布式余压发电控制策略图。
附图标记说明：高蒸汽压力用户1、一号电动压力调节阀2、疏水阀3、流量计4、一号电动截止阀5、电动流量调节阀6、二号电动截止阀7、透平膨胀机8、二号电动压力调节阀9、背压阀10、发电机11、变频器12、低蒸汽压力用户13、蒸汽管道14、透平出口管路15、急停旁路16、用户或电网17。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例
参见图1至图3。
本发明实施例为一种基于强化学习算法的分布式余压发电系统，该系统包括蒸汽管道14、透平膨胀机8、发电机11、变频器12、透平出口管路15和急停旁路16。
本实施例中，蒸汽管道14的输汽末端连接透平膨胀机8，透平膨胀机8与发电机11连接，发电机11与变频器12连接，变频器12与用户或电网17连接。透平出口管路15的一端与透平膨胀机8的出口连接，透平出口管路15的另一端通往低蒸汽压力用户13。
本实施例中，蒸汽管道14上按照输汽方向依次安装有一号电动压力调节阀2、流量计4、一号电动截止阀5和电动流量调节阀6。在透平膨胀机8正常工作时，一号电动截止阀5处于打开状态，当透平膨胀机8发生故障时，一号电动截止阀5迅速关闭，以保护透平膨胀机8；电动流量调节阀6通过调节器阀门开度来控制进入透平膨胀机8的蒸汽流量，从而达到调节透平膨胀机8输出功率的目的。蒸汽管道14上还安装有疏水阀3，疏水阀3位于一号电动压力调节阀2和流量计4之间。
本实施例中，透平出口管路15上按照输汽方向依次安装有二号电动压力调节阀9和背压阀10。背压阀10主要用来稳定透平膨胀机8出口压力，从而保证透平膨胀机8出入口具有稳定的压力差；
本实施例中，急停旁路16上安装有二号电动截止阀7，急停旁路16的一端连接在流量计4和一号电动截止阀5之间的那一段蒸汽管道14上，急停旁路16的另一端连接在透平出口管路15上。正常运行时，二号电动截止阀7处于关闭状态，而透平膨胀机8发生故障时，二号电动截止阀7打开，用以泄压泄流，从而达到保护整个余压发电系统内各设备的目的。
本实施例中，变频器12分为电机侧整流器和电网侧逆变器，采用高性能的矢量控制技术，低速高转矩输出，具有良好的动态特性、超强的过载能力。
本实施例中，蒸汽管道14由高蒸汽压力用户1供汽，高蒸汽压力用户1为供方，透平出口管路15的另一端通往的用户为低蒸汽压力用户13，低蒸汽压力用户13为需方，供需两方存在蒸汽压力需求不匹配和供气参数、用户电力需求具有波动性问题，为解决该问题，采用了一种基于强化学习算法的分布式余压发电控制方法。
强化学习就是一个与环境反复交互、反复学习来增强某些决策的过程，这一序贯决策的优化依赖于评价性的反馈信号。其基本原理是：若智能体执行某个行为策略所得到的奖惩是正奖惩，那么智能体在以后的行动中采取这个策略的趋势会加强。
强化学习具有下面三种特征：1、智能体需要主动的对环境做出测试而非静止或被动的；2、环境对于这些试探动作做出的反馈是评价性的；3、智能体在主动试探和获得环境评价这一过程中获得知识，不断的改进和完善行动方案，最终适应环境完成学习任务。
强化学习把学习看成是一种不断试探的过程，标准的Agent强化学习模型如附图2所示。智能体不断从环境中接受输入状态s，然后根据内部的一些推理机制，选择一个动作a继续执行。环境状态在动作a的作用下，变更到了一个新的状态s，并给予当前智能体所选择的动作一个评价信号立即回报r奖励或惩罚反馈给智能体，智能体根据评价信号和当前环境状态继续选择下一个动作，每次动作的选择标准是使自身收到的好的回报的概率增加。智能体每一次选择的动作不仅影响到当前获得回报值，而且会对下一时刻的状态甚至于最终的奖赏值有影响。
Q学习算法是强化学习算法的一种，其学习的是每个状态—动作对的评价值，即Q(st,at),Q(st,at)的值是在状态st时根据策略选择动作at并执行，以此类推循环执行得到的累积回报。Q学习算法适用于解决含不确定性的控制问题，且算法执行效率与模型的复杂程度相关性较小。
Q学习的最优策略是使Q(st,at)得累计回报值最大化，因此最优策略可以表示为：
π*(st)＝argmaxatQ(st,at)
因此智能体只需要考虑当前状态和当前可选的动作，然后按照策略选择使Q(st,at)最大化的动作。这样一来智能体只需要对Q(st,at)的局部值做出反应就可以找到全局最优的动作序列，也就是说智能体不需要前瞻性的搜索，也不需要考虑下一个可能的状态，就可以选出最优的动作来。
Q学习算法所学习的是自己不断探索得来的学习经验，并不需要知道环境模型，所以也不需要知道状态转移函数。在做决策时只需要从Q(st,at)表里选出最大值就可以了，从而大大简化了决策的过程。Q(st,at)表里的值是一步一步迭代学习的结果。智能体需要不断的与环境交互来充实Q(st,at)表，以使其能够覆盖所有可能的情境。当迭代了一段时间后，Q(st,at)表里的值不在发生大的变化，则表明结果已收敛。
本发明采用Q学习算法控制基于强化学习算法的分布式余压发电系统的各个电动调节阀门、发电机及变频器等设备，使得变频器输出的电能满足分布式用户的电力品质需求。本发明中基于强化学习算法的分布式余压发电系统的供方蒸汽参数、用户的电力需求都属于Q学习算法的状态量st，各电动阀门根据智能体的决策进行开度调节属于Q学习算法的动作at，Q(st,at)学习的是每个状态—动作对的评价值，即在蒸汽参数波动情况下满足分布式用户电力品质需求的状态—动作评价值。经过一段时间的迭代学习，Q(st,at)表里的值就会稳定下来，则表明学习结果以收敛，此时便可满足基于强化学习算法的分布式余压发电系统高效稳定运行的目的。
本实施例中，高蒸汽压力用户1的蒸汽参数为2～3Mpa压力，200～280℃，蒸汽量为1.5～2.2t/h，到达低蒸汽压力用户13入口处的蒸汽参数为1.8～2.6MPa压力，150～230℃；而低蒸汽压力用户13实际所需供热参数为0.8～1.2MPa压力，150～200℃，蒸汽量1.5～2.2t/h，用户或电网17所需电能为0.38kV，15kW～30kW，此时在低蒸汽压力用户13处安装本余压发电系统，并采用Q强化学习算法实时在线控制系统各设备，使得系统输出的电能和热能满足分布式用户的用能需求。
基于强化学习算法的分布式余压发电控制方法的具体步骤如下：
步骤一：Agent控制器读取基于强化学习算法的分布式余压发电系统中一号电动压力调节阀2、电动流量调节阀6和二号电动压力调节阀9的开度OV，读取一号电动截止阀5、二号电动截止阀7和背压阀10的状态；
步骤二：Agent控制器读取流量计4检测到的流量值Q、透平膨胀机8前后的蒸汽压力P、蒸汽管道14内蒸汽温度T以及发电机11的角速度ω；
步骤三：Agent控制器利用强化学习算法中的Q学习算法控制调节一号电动压力调节阀2、电动流量调节阀6和二号电动压力调节阀9的开度OV，以及控制发电机的转速和变频器的输出；
Q学习算法中对决策过程的行为值函数估计的迭代计算公式为：
其中，(st,at)为决策过程在t时刻的状态-行为对；st+1为t1时刻的状态；γ为折扣因子，反映了下一个动作的奖励值对于此次动作的Q值的重要性；αt为学习因子，决定了新信息覆盖老信息的程度；
步骤四：初始化值函数估计中的参数，包括折扣因子γ，学习因子αt，以及决策过程的状态集Q(st,at)，并设置奖赏值r；
步骤五：观察当前状态st，根据当前状态，按策略选择动作at各阀门开度和电机角速度，并观察下一状态st+1；其中st的状态参数包括蒸汽参数P、Q、T和用户或电网的电能参数；at包括一号电动压力调节阀2、电动流量调节阀6和二号电动压力调节阀9的阀门开度OV以及发电机的角速度ω；
步骤六：根据迭代公式更新当前的状态-行为对的值函数估计Q(st,at)；
步骤七：判断是否满足学习终止的条件，若满足则结束学习，不满足则令t＝t+1，返回步骤五。
虽然本发明已以实施例公开如上，但其并非用以限定本发明的保护范围，任何熟悉该项技术的技术人员，在不脱离本发明的构思和范围内所作的更动与润饰，均应属于本发明的保护范围。
Claims (1)
1.一种基于强化学习算法的分布式余压发电系统的控制方法，所述基于强化学习算法的分布式余压发电系统包括蒸汽管道(14)、透平膨胀机(8)、发电机(11)、变频器(12)和透平出口管路(15)；所述蒸汽管道(14)的输汽末端连接透平膨胀机(8)，所述透平膨胀机(8)与发电机(11)连接，所述发电机(11)与变频器(12)连接，所述变频器(12)与用户或电网(17)连接；所述透平出口管路(15)的一端与透平膨胀机(8)的出口连接，透平出口管路(15)的另一端通往低蒸汽压力用户(13)；所述蒸汽管道(14)上按照输汽方向依次安装有一号电动压力调节阀(2)、流量计(4)、一号电动截止阀(5)和电动流量调节阀(6)；所述透平出口管路(15)上按照输汽方向依次安装有二号电动压力调节阀(9)和背压阀(10)；所述蒸汽管道(14)上还安装有疏水阀(3)，所述疏水阀(3)位于一号电动压力调节阀(2)和流量计(4)之间；还包括急停旁路(16)，所述急停旁路(16)上安装有二号电动截止阀(7)，所述急停旁路(16)的一端连接在流量计(4)和一号电动截止阀(5)之间的那一段蒸汽管道(14)上，急停旁路(16)的另一端连接在透平出口管路(15)上；其特征在于：所述控制方法的步骤如下：
步骤一：Agent控制器读取基于强化学习算法的分布式余压发电系统中一号电动压力调节阀(2)、电动流量调节阀(6)和二号电动压力调节阀(9)的开度OV，读取一号电动截止阀(5)、二号电动截止阀(7)和背压阀(10)的状态；
步骤二：Agent控制器读取流量计(4)检测到的流量值Q、透平膨胀机(8)前后的蒸汽压力P、蒸汽管道(14)内蒸汽温度T以及发电机(11)的角速度ω；
步骤三：Agent控制器利用强化学习算法中的Q学习算法控制调节一号电动压力调节阀(2)、电动流量调节阀(6)和二号电动压力调节阀(9)的开度OV，并控制发电机转速和变频器的输出；
Q学习算法中对决策过程的行为值函数估计的迭代计算公式为：
其中，(st,at)为决策过程在t时刻的状态-行为对；st+1为t+1时刻的状态；γ为折扣因子，αt为学习因子；
步骤四：初始化值函数估计中的参数，包括折扣因子γ，学习因子αt，以及决策过程的状态集Q(st,at)，并设置奖赏值r；
步骤五：观察当前状态st，根据当前状态，按策略选择动作at，并观察下一状态st+1；其中st的状态参数包括蒸汽参数(P、Q、T)和用户或电网的电能参数；at包括一号电动压力调节阀(2)、电动流量调节阀(6)和二号电动压力调节阀(9)的阀门开度(OV)以及发电机的角速度ω；
步骤六：根据迭代公式更新当前的状态-行为对的值函数估计Q(st,at)；
步骤七：判断是否满足学习终止的条件，若满足则结束学习，不满足则令t＝t+1，返回步骤五；
所述控制方法不需要前瞻性的搜索，也不需要考虑下一个可能的状态，就可以选出最优的动作来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910258718.3A CN110017184B (zh) | 2019-04-01 | 2019-04-01 | 一种基于强化学习算法的分布式余压发电系统及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910258718.3A CN110017184B (zh) | 2019-04-01 | 2019-04-01 | 一种基于强化学习算法的分布式余压发电系统及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110017184A CN110017184A (zh) | 2019-07-16 |
| CN110017184B true CN110017184B (zh) | 2024-02-27 |
Family
ID=67190460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910258718.3A Active CN110017184B (zh) | 2019-04-01 | 2019-04-01 | 一种基于强化学习算法的分布式余压发电系统及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110017184B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110735682B (zh) * | 2019-09-20 | 2022-04-22 | 华电电力科学研究院有限公司 | 一种基于多目标优化算法的分布式余压发电系统及调控方法 |
| CN111898239A (zh) * | 2020-06-10 | 2020-11-06 | 华电电力科学研究院有限公司 | 基于蒙特卡罗模拟法的分布式余压发电系统供能可靠性评估方法 |
| CN113964871A (zh) * | 2021-11-24 | 2022-01-21 | 重庆江增船舶重工有限公司 | 一种余热利用透平发电并网系统及控制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013023178A1 (en) * | 2011-08-11 | 2013-02-14 | The Trustees Of Columbia University In The City Of New York | Adaptive stochastic controller for dynamic treatment of cyber-physical systems |
| CN103147808A (zh) * | 2013-03-15 | 2013-06-12 | 上海西重所重型机械成套有限公司 | 具有稳压功能的压降式螺杆膨胀发电装置 |
| CN105888740A (zh) * | 2016-01-27 | 2016-08-24 | 华电漯河发电有限公司 | 一种背压机、电动机单轴联合驱动连接结构 |
| CN106779248A (zh) * | 2017-01-11 | 2017-05-31 | 南方电网科学研究院有限责任公司 | 一种基于极限迁移学习的电力系统经济调度分散q方法 |
| CN107605553A (zh) * | 2017-09-12 | 2018-01-19 | 华电电力科学研究院 | 用于热电厂多热源工业供热的节能系统及其智能控制方法 |
| CN107844869A (zh) * | 2017-11-30 | 2018-03-27 | 中国华电集团科学技术研究总院有限公司 | 燃气分布式能源系统的在线智能学习决策优化方法及系统 |
| CN207761714U (zh) * | 2017-11-02 | 2018-08-24 | 永能动力（北京）科技有限公司 | 一种背压式向心汽轮机发电装置 |
| CN109413746A (zh) * | 2018-10-29 | 2019-03-01 | 南京大学 | 一种混合能源供能的通信系统中最优化能量分配方法 |
| CN109523139A (zh) * | 2018-10-30 | 2019-03-26 | 西安交通大学 | 基于机器学习模型与智能优化算法的汽轮机调峰控制方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007001024B4 (de) * | 2007-01-02 | 2008-10-02 | Siemens Ag | Verfahren zur rechnergestützten Regelung und/oder Steuerung eines technischen Systems insbesondere einer Gasturbine |
| DE102007001025B4 (de) * | 2007-01-02 | 2008-11-20 | Siemens Ag | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
| US8590307B2 (en) * | 2010-02-25 | 2013-11-26 | General Electric Company | Auto optimizing control system for organic rankine cycle plants |
| CN107515531B (zh) * | 2017-08-30 | 2021-01-26 | 京东方科技集团股份有限公司 | 一种植物工厂的智能控制方法及系统、智能监控系统 |
-
2019
- 2019-04-01 CN CN201910258718.3A patent/CN110017184B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013023178A1 (en) * | 2011-08-11 | 2013-02-14 | The Trustees Of Columbia University In The City Of New York | Adaptive stochastic controller for dynamic treatment of cyber-physical systems |
| CN103147808A (zh) * | 2013-03-15 | 2013-06-12 | 上海西重所重型机械成套有限公司 | 具有稳压功能的压降式螺杆膨胀发电装置 |
| CN105888740A (zh) * | 2016-01-27 | 2016-08-24 | 华电漯河发电有限公司 | 一种背压机、电动机单轴联合驱动连接结构 |
| CN106779248A (zh) * | 2017-01-11 | 2017-05-31 | 南方电网科学研究院有限责任公司 | 一种基于极限迁移学习的电力系统经济调度分散q方法 |
| CN107605553A (zh) * | 2017-09-12 | 2018-01-19 | 华电电力科学研究院 | 用于热电厂多热源工业供热的节能系统及其智能控制方法 |
| CN207761714U (zh) * | 2017-11-02 | 2018-08-24 | 永能动力（北京）科技有限公司 | 一种背压式向心汽轮机发电装置 |
| CN107844869A (zh) * | 2017-11-30 | 2018-03-27 | 中国华电集团科学技术研究总院有限公司 | 燃气分布式能源系统的在线智能学习决策优化方法及系统 |
| CN109413746A (zh) * | 2018-10-29 | 2019-03-01 | 南京大学 | 一种混合能源供能的通信系统中最优化能量分配方法 |
| CN109523139A (zh) * | 2018-10-30 | 2019-03-26 | 西安交通大学 | 基于机器学习模型与智能优化算法的汽轮机调峰控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于R(λ)学习的孤岛微电网智能发电控制;余涛;梁海华;周斌;;电力系统保护与控制(第13期);第7-13页 * |
| 智能优化方法在电力系统调频中的应用研究;李红梅;中国博士学位论文全文数据库工程科技II辑(第12期);第33页 * |
| 智能配电网中分布式电源协调控制方法研究;纪秀;中国优秀硕士学位论文全文数据库工程科技II辑(第1期);第13-16页 * |
| 燃气电站天然气余压发电技术方案分析;李明飞;;节能(第03期);第17-20页 * |
| 电网大频差下机组一次调频功能研究及控制优化;张继军;张成文;祝建飞;吴红霞;;仪器仪表用户(第09期);第65-70页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110017184A (zh) | 2019-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110017184B (zh) | 一种基于强化学习算法的分布式余压发电系统及其控制方法 | |
| Xi et al. | A novel multi-agent DDQN-AD method-based distributed strategy for automatic generation control of integrated energy systems | |
| Malar et al. | Iot based sustainable wind green energy for smart cites using fuzzy logic based fractional order darwinian particle swarm optimization | |
| Xi et al. | A deep reinforcement learning algorithm for the power order optimization allocation of AGC in interconnected power grids | |
| CN110206686A (zh) | 一种用于风力发电机组的自适应最大功率跟踪控制方法 | |
| CN104113056A (zh) | 一种低压限流控制参数的优化方法 | |
| Zangeneh et al. | A survey: Fuzzify parameters and membership function in electrical applications | |
| Jurado et al. | Neuro-fuzzy control for autonomous wind–diesel systems using biomass | |
| CN106100002B (zh) | 一种交直流混合微网的优化运行方法 | |
| Zhang et al. | Enhanced wind turbine maximum wind-energy capture based on the inverse-system method | |
| Guediri et al. | Modeling and comparison of fuzzy-PI and genetic control algorithms for active and reactive power flow between the stator (DFIG) and the grid | |
| CN112994024B (zh) | 一种改进型温控负荷参与的负荷频率控制方法及系统 | |
| Umrao et al. | Load frequency control using polar fuzzy controller | |
| CN106655962B (zh) | 基于极限学习机的电动汽车异步电机驱动系统控制方法 | |
| CN110829484B (zh) | 一种基于时空分解的全球能源互联电力平衡优化方法 | |
| CN113224776A (zh) | 一种主动配电网三相不平衡治理方法及系统 | |
| CN110380447B (zh) | 一种风机失效下的电-气互联能源系统降风险调度方法 | |
| Li et al. | A fuzzy logical MPPT control strategy for PMSG wind generation systems | |
| Zoghlami et al. | Direct power control strategy for variable speed wind energy conversion system based on pmsm generator | |
| CN110277785A (zh) | 基于连续多能流的电气耦合系统负荷裕度计算方法及系统 | |
| CN112904721B (zh) | 可变速抽水蓄能机组协联控制方法 | |
| CN106684914A (zh) | 一种提高电力弹簧调压性能的自适应pi控制方法 | |
| Mohanasundaram et al. | Neuro-fuzzy controller for high performance induction motor drives | |
| CN110735682B (zh) | 一种基于多目标优化算法的分布式余压发电系统及调控方法 | |
| Xie et al. | Research on Autonomous Operation Control of Microgrid Based on Deep Reinforcement Learning |
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 |