CN110286593A - 一种基于多目标预测控制的化学吸附燃烧后co2捕集系统控制方法 - Google Patents

一种基于多目标预测控制的化学吸附燃烧后co2捕集系统控制方法 Download PDF

Info

Publication number
CN110286593A
CN110286593A CN201910588349.4A CN201910588349A CN110286593A CN 110286593 A CN110286593 A CN 110286593A CN 201910588349 A CN201910588349 A CN 201910588349A CN 110286593 A CN110286593 A CN 110286593A
Authority
CN
China
Prior art keywords
trapping
formula
burning
chemisorption
steam
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
Application number
CN201910588349.4A
Other languages
English (en)
Other versions
CN110286593B (zh
Inventor
吴啸
贾东晓
沈炯
李益国
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 CN201910588349.4A priority Critical patent/CN110286593B/zh
Publication of CN110286593A publication Critical patent/CN110286593A/zh
Application granted granted Critical
Publication of CN110286593B publication Critical patent/CN110286593B/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)
  • Treating Waste Gases (AREA)

Abstract

本发明公开了一种基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法，将燃烧后CO2捕集系统看作是两输入‑两输出的多变量系统，选取系统CO2捕集率和再沸器温度为被控变量，选取贫液流量和再沸器抽汽流量为相对应的控制变量，烟气流量作为扰动量。本发明在模型预测控制的设计框架内，构建一种带有终端约束功能并可综合反映系统碳排放量及抽汽能耗的性能指标，使系统可以动态灵活地调整自身在碳减排功能与抽汽耗能之间的关系，实现对碳捕集系统的优化控制。

Description

一种基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制 方法
技术领域
本发明涉及热工自动控制技术领域，尤其是一种基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法。
背景技术
现如今以CO2气体为主的温室气体排放是不容忽视的环境问题，火电厂是CO2温室气体的集中排放源，由我国资源禀赋所决定，在未来一段时间内传统燃煤机组仍然是发电主力的格局不会改变，因此，研究如何减少传统燃煤机组的碳排放量具有重要的现实意义。
基于乙醇胺溶液(MEA)化学吸附的燃烧后CO2捕集技术直接从电厂燃烧后的烟气中分离CO2，技术成熟、成本较低，具有对已有机组优秀的继承性和较好的技术适用范围，是最具有大规模应用前景的技术。
对于化学吸附燃烧后CO2捕集系统而言，由于系统运行需要从汽轮机中抽取大量蒸汽用于化学吸附剂再生，具有较高的运行能耗，将大幅降低火电厂发电效率，因此捕集系统需要以一种灵活的方式运行，及时调整自身在碳减排和耗能间的平衡关系。例如，希望CO2捕集系统少耗能时，系统需要牺牲CO2减排能力，尽可能减少抽汽流量；相反，在环保压力较大或碳价相对较高的情况下，CO2捕集系统需要增大抽汽流量，提高系统捕集率，以高能耗为代价，尽可能多的对烟气中的CO2进行捕捉。
发明内容
本发明所要解决的技术问题在于，提供一种基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法，可以使系统动态灵活地调整自身在碳减排功能与抽汽耗能之间的关系，提高系统运行的经济性。
为解决上述技术问题，本发明提供一种基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法，包括如下步骤：
(1)针对化学吸附的燃烧后CO2捕集系统，选择CO2捕集率和再沸器温度作为被控变量，CO2捕集率定义如公式(1)所示，选择贫液流量和再沸器抽汽流量为操作变量，烟气流量为扰动量；
其中，CO2％表示对应烟气中的CO2质量分数；
(2)建立化学吸附燃烧后CO2捕集系统状态空间模型，作为预测控制中的预测模型，如公式(2)所示；
式中，xk,uk,yk和fk是k时刻系统的状态、输入、输出和扰动向量；A,B,C,D,E,F是系统中的对应矩阵，可通过数据辨识的方法获得；
将公式(2)扩增为如式(3)所示的增量形式
式中，Δxk,Δuk和Δfk是k时刻系统的状态、输入和扰动向量的增量，Δxk＝xk-xk-1,Δuk＝uk-uk-1，Δfk＝fk-fk-1，A，B，C，D，E，F是系统中的对应矩阵；通过对模型进行递推，未来预测时域Np步内系统的输出序列可以由未来输入增量序列和扰动信号增量序列表达；Nc是控制时域，Nc<Np；假设Nc步之后，系统的输入作用保持不变，即
模型(2)中状态向量通常不具备物理意义，无法测量得到；因此，需要设计如式(4)所示的观测器，根据可测输入、输出和前馈量来估计它的大小；
式中，“^”表示估计值，观测器增益K可以通过Lyapunov方法，求解线性矩阵不等式获得；
(3)构建带有终端约束功能并可综合反映系统碳排放量及抽汽能耗的性能指标优化性能指标，如公式(5)所示；
其中，J是性能指标，是经捕集后系统排放的碳量，其计算公式如式(7)所示；Fsteam、Fsteam.min和Fsteam.max分别是CO2捕集系统的抽汽流量、系统运行所允许的抽汽流量最小值和最大值；λ1、λ2和λ3分别是排放的碳量、抽汽流量和终端约束所占权重；Flean、Flean.min和Flean.max分别是CO2捕集系统的贫液流量、系统运行所允许的贫液流量最小值和最大值；ΔFlean、ΔFlean.min和ΔFlean.max分别是贫液流量的变化速率、系统运行所允许的贫液流量变化最小值和最大值；ΔFsteam、ΔFsteam.min和ΔFsteam.max分别是抽汽流量的变化速率、系统运行所允许的抽汽流量变化速率最小值和最大值；CR是CO2捕集系统的捕集率；RT、RTmin和RTmax分别是CO2捕集系统再沸器温度、系统运行所允许的再沸器温度最小值和最大值；CRN和CRset分别是CO2捕集系统在N时刻后的捕集率预测值和捕集率终端约束边界；
其中，CO2％表示烟气中的CO2质量分数；
(4)设置控制器参数，采样时间TS，预测时域Np，控制时域Nc，碳排放量权重λ1、抽汽流量权重λ2和终端约束权重λ3，捕集率终端约束边界CRset及达到终端约束的时刻N；
(5)在每一采样时刻k，在满足运行约束要求(6)的条件下，对性能指标(5)进行最小化，求得最优的系统贫液流量Flean,k和抽汽流量Fsteam,k并施加于化学吸附燃烧后CO2捕集系统；在下一采样时刻令N＝N-1直到N＝1，并在满足运行约束要求(6)的条件下，重复最小化性能指标(5)，对捕集系统进行连续控制。
优选的，步骤(4)中，采样时间TS的选取规则为T95/TS＝5～15，其中，T95为对象的单位阶跃响应过程上升到95％的调节时间。
优选的，步骤(4)中，控制时域Nc的取值范围为3～10。
优选的，步骤(4)中，λ1越大，燃烧后CO2捕集系统运行越侧重于碳减排，以碳减排作为主要目标；反之，λ2越大，燃烧后CO2捕集系统以减少抽汽能耗为主要目标，可通过灵活调整λ1和λ2的大小实现碳捕集系统在减排和减少能耗之间的取舍，λ1取值范围为1～50，λ2取值范围为1～50。
优选的，步骤(4)中，捕集率终端约束边界对碳捕集系统进行约束，使系统具备完成最低碳减排要求的能力，并在满足要求的情况下灵活调整系统自身在碳捕集与耗能间的关系，CRset取值范围为50％～98％，λ3取值范围为200～500。
本发明的有益效果为：通过采用多目标预测控制方法，能够灵活有效调节CO2捕集系统自身在碳减排和减少抽汽能耗间的关系，通过结合运行需求和偏好，选择不同的权重，实现对捕集系统的优化控制，提高了系统运行的经济性；同时，在性能指标中增加了终端约束，保证了捕集系统运行可以完成给定的碳减排任务。
附图说明
图1为本发明化学吸附燃烧后CO2捕集系统控制框图。
图2为本发明化学吸附燃烧后CO2捕集系统过程流程图。
图3为本发明采用不同碳排放量和抽汽流量权重时，CO2捕集系统输出侧控制效果的对比图。
图4为本发明采用不同碳排放量和抽汽流量权重时，CO2捕集系统输入侧控制效果的对比图。
图5为指定CO2捕集系统捕集率终端约束边界时，本发明与常规模型预测控制器输出侧控制效果的对比图。
图6为指定CO2捕集系统捕集率终端约束边界时，本发明与常规模型预测控制器性能指标值的对比图。
具体实施方式
如图1所示，一种基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法，包括如下步骤：
(1)根据图2所示的化学吸附燃烧后CO2捕集系统过程流程图，选取贫液流量和再沸器蒸汽流量为控制变量，选取CO2捕集率和再沸器温度为被控变量，选取烟气流量为扰动量。
(2)利用数据驱动的子空间辨识方法建立CO2捕集系统的状态空间模型，作为预测模型，如公式(8)所示。
式中，xk,uk,yk和fk是k时刻系统的状态、输入、输出和扰动向量；A,B,C,D,E,F是系统中的对应矩阵，由子空间辨识方法获得。
将公式(8)扩增为如式(9)所示的增量形式
式中，Δxk,Δuk和Δfk是k时刻系统的状态、输入和扰动向量的增量，Δxk＝xk-xk-1,Δuk＝uk-uk-1，Δfk＝fk-fk-1，A，B，C，D，E，F是系统中的对应矩阵。通过对模型进行递推，未来预测时域Np步内系统的输出序列可以由未来输入增量序列和扰动信号增量序列表达。Nc是控制时域，Nc<Np。假设Nc步之后，系统的输入作用保持不变，即
模型(8)中状态向量通常不具备物理意义，无法测量得到。因此，需要设计如式(10)所示的观测器，根据可测输入、输出和前馈量来估计它的大小。
式中，“^”表示估计值，观测器增益K可以通过Lyapunov方法，求解线性矩阵不等式获得。
(3)选择性能指标如下所示。
其中，J是性能指标，是经捕集后系统排放的碳量，其计算公式如式(12)所示；Fsteam、Fsteam.min和Fsteam.max分别是CO2捕集系统的抽汽流量、系统运行所允许的抽汽流量最小值和最大值；λ1、λ2和λ3分别是排放的碳量、抽汽流量和终端约束所占权重；Flean、Flean.min和Flean.max分别是CO2捕集系统的贫液流量、系统运行所允许的贫液流量最小值和最大值；ΔFlean、ΔFlean.min和ΔFlean.max分别是贫液流量的变化速率、系统运行所允许的贫液流量变化最小值和最大值；ΔFsteam、ΔFsteam.min和ΔFsteam.max分别是抽汽流量的变化速率、系统运行所允许的抽汽流量变化速率最小值和最大值；CR是CO2捕集系统的捕集率；RT、RTmin和RTmax分别是CO2捕集系统再沸器温度、系统运行所允许的再沸器温度最小值和最大值；CRN和CRset分别是CO2捕集系统在N时刻后的捕集率预测值和捕集率终端约束边界。
其中，CO2％表示烟气中的CO2质量分数。
(4)设置控制器参数，采样时间TS＝30s，预测时域Np＝50，控制时域Nc＝5。
本发明采用不同碳排放量和抽汽流量权重时，CO2捕集系统控制效果的对比图如附图3-附图4所示。在初始时刻，捕集系统在捕集率90％，再沸器温度386K，烟气流量0.13kg/s工况点稳定运行，对系统施加多目标预测控制。CO2捕集系统约束为：再沸器温度变化范围：385K-387K；贫液流量变化范围：0.2kg/s-1.0kg/s，变化速率不超过0.0035kg/s；抽汽流量变化范围：0.05kg/s-0.08kg/s，变化速率不超过0.0003kg/s，终端约束为：在系统运行至3000s时，系统捕集率不能低于70％。采样时间TS＝30s，预测时域Np＝50，控制时域Nc＝5，选择两组不同的碳排放量和抽汽流量的权重作比较，MOMPC-1：λ1＝10，λ2＝40，λ3＝200；MOMPC-2：λ1＝40，λ2＝10，λ3＝200。
由附图3-附图4所示，对CO2捕集系统施加多目标预测控制后，对于MOMPC-1，由于性能指标中与抽汽对应的权重较大，因此CO2捕集系统牺牲了一定的碳捕集能力来尽可能减少抽汽能耗，抽汽流量大幅减少，受终端约束限制，捕集率下降最终稳定在70％，满足终端约束要求，再沸器温度有所下降。对于MOMPC-2，性指标与碳排放量对应的权重较大，因此，控制器将捕集率维持在一个较高的水平。
指定CO2捕集系统捕集率终端约束边界时，本发明与常规模型预测控制器控制效果的对比图如附图5-附图6所示。在初始时刻，捕集系统在捕集率90％，再沸器温度386K工况点稳定运行，在1500s时对系统施加多目标预测控制。CO2捕集系统运行约束为：再沸器温度变化范围：385K-387K；贫液流量变化范围：0.2kg/s-1.0kg/s，变化速率不超过0.0035kg/s；抽汽流量变化范围：0.05kg/s-0.08kg/s，变化速率不超过0.0003kg/s。终端约束为：在系统运行至3000s时，系统捕集率不能低于95％。控制器参数为：采样时间TS＝30s，预测时域Np＝50，控制时域Nc＝5，λ1＝40，λ2＝10，λ3＝200。
对比试验为负荷跟踪试验，采用常规模型预测控制的方法，系统初始状态一致，捕集系统在捕集率90％，再沸器温度386K工况点稳定运行，在1500s时捕集率设定值变化为95％，再沸器温度设定值稳定在386K。引入一个反映CO2捕集系统经济性的性能指标值，其计算公式如式(13)所示。
由附图5-附图6所示，采用两种不同控制方法控制系统运行至同一捕集率终端约束边界时，多目标预测控制方法的经济性能指标值较小，经济性明显优于常规模型预测控制的方法，实现了对燃烧后CO2捕集系统的优化控制，满足设计要求。
本发明在模型预测控制的设计框架内，通过构建带有终端约束并可综合反映碳排放量和抽汽能耗情况的性能指标，使捕集系统可以灵活调整自身在碳减排和节省能耗间的平衡关系，从而实现对化学吸附燃烧后CO2捕集系统的优化控制。

Claims (5)

1.一种基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法，其特征在于，包括如下步骤：
(1)针对化学吸附的燃烧后CO2捕集系统，选择CO2捕集率和再沸器温度作为被控变量，CO2捕集率定义如公式(1)所示，选择贫液流量和再沸器抽汽流量为操作变量，烟气流量为扰动量；
其中，CO2％表示对应烟气中的CO2质量分数；
(2)建立化学吸附燃烧后CO2捕集系统状态空间模型，作为预测控制中的预测模型，如公式(2)所示；
式中，xk,uk,yk和fk是k时刻系统的状态、输入、输出和扰动向量；A,B,C,D,E,F是系统中的对应矩阵，可通过数据辨识的方法获得；
将公式(2)扩增为如式(3)所示的增量形式
式中，Δxk,Δuk和Δfk是k时刻系统的状态、输入和扰动向量的增量，Δxk＝xk-xk-1,Δuk＝uk-uk-1，Δfk＝fk-fk-1，A，B，C，D，E，F是系统中的对应矩阵；通过对模型进行递推，未来预测时域Np步内系统的输出序列可以由未来输入增量序列和扰动信号增量序列表达；Nc是控制时域，Nc<Np；假设Nc步之后，系统的输入作用保持不变，即
模型(2)中状态向量通常不具备物理意义，无法测量得到；因此，需要设计如式(4)所示的观测器，根据可测输入、输出和前馈量来估计它的大小；
式中，“^”表示估计值，观测器增益K可以通过Lyapunov方法，求解线性矩阵不等式获得；
(3)构建带有终端约束功能并可综合反映系统碳排放量及抽汽能耗的性能指标优化性能指标，如公式(5)所示；
s.t.
其中，J是性能指标，是经捕集后系统排放的碳量，其计算公式如式(7)所示；Fsteam、Fsteam.min和Fsteam.max分别是CO2捕集系统的抽汽流量、系统运行所允许的抽汽流量最小值和最大值；λ1、λ2和λ3分别是排放的碳量、抽汽流量和终端约束所占权重；Flean、Flean.min和Flean.max分别是CO2捕集系统的贫液流量、系统运行所允许的贫液流量最小值和最大值；ΔFlean、ΔFlean.min和ΔFlean.max分别是贫液流量的变化速率、系统运行所允许的贫液流量变化最小值和最大值；ΔFsteam、ΔFsteam.min和ΔFsteam.max分别是抽汽流量的变化速率、系统运行所允许的抽汽流量变化速率最小值和最大值；CR是CO2捕集系统的捕集率；RT、RTmin和RTmax分别是CO2捕集系统再沸器温度、系统运行所允许的再沸器温度最小值和最大值；CRN和CRset分别是CO2捕集系统在N时刻后的捕集率预测值和捕集率终端约束边界；
其中，CO2％表示烟气中的CO2质量分数；
(4)设置控制器参数，采样时间TS，预测时域Np，控制时域Nc，碳排放量权重λ1、抽汽流量权重λ2和终端约束权重λ3，捕集率终端约束边界CRset及达到终端约束的时刻N；
(5)在每一采样时刻k，在满足运行约束要求(6)的条件下，对性能指标(5)进行最小化，求得最优的系统贫液流量Flean,k和抽汽流量Fsteam,k并施加于化学吸附燃烧后CO2捕集系统；在下一采样时刻令N＝N-1直到N＝1，并在满足运行约束要求(6)的条件下，重复最小化性能指标(5)，对捕集系统进行连续控制。
2.如权利要求1所述的基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法，其特征在于，步骤(4)中，采样时间TS的选取规则为T95/TS＝5～15，其中，T95为对象的单位阶跃响应过程上升到95％的调节时间。
3.如权利要求1所述的基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法，其特征在于，步骤(4)中，控制时域Nc的取值范围为3～10。
4.如权利要求1所述的基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法，其特征在于，步骤(4)中，λ1越大，燃烧后CO2捕集系统运行越侧重于碳减排，以碳减排作为主要目标；反之，λ2越大，燃烧后CO2捕集系统以减少抽汽能耗为主要目标，可通过灵活调整λ1和λ2的大小实现碳捕集系统在减排和减少能耗之间的取舍，λ1取值范围为1～50，λ2取值范围为1～50。
5.如权利要求1所述的基于多目标预测控制的化学吸附燃烧后CO2捕集系统控制方法，其特征在于，步骤(4)中，捕集率终端约束边界对碳捕集系统进行约束，使系统具备完成最低碳减排要求的能力，并在满足要求的情况下灵活调整系统自身在碳捕集与耗能间的关系，CRset取值范围为50％～98％，λ3取值范围为200～500。
CN201910588349.4A 2019-07-02 2019-07-02 一种基于多目标预测控制的化学吸附燃烧后二氧化碳捕集系统控制方法 Active CN110286593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910588349.4A CN110286593B (zh) 2019-07-02 2019-07-02 一种基于多目标预测控制的化学吸附燃烧后二氧化碳捕集系统控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910588349.4A CN110286593B (zh) 2019-07-02 2019-07-02 一种基于多目标预测控制的化学吸附燃烧后二氧化碳捕集系统控制方法

Publications (2)

Publication Number Publication Date
CN110286593A true CN110286593A (zh) 2019-09-27
CN110286593B CN110286593B (zh) 2022-04-26

Family

ID=68021683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910588349.4A Active CN110286593B (zh) 2019-07-02 2019-07-02 一种基于多目标预测控制的化学吸附燃烧后二氧化碳捕集系统控制方法

Country Status (1)

Country Link
CN (1) CN110286593B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737198A (zh) * 2019-10-09 2020-01-31 东南大学 基于bp神经网络的大型燃煤电站co2捕集系统预测控制方法
CN111552175A (zh) * 2020-05-14 2020-08-18 东南大学 一种超临界燃煤电站-化学吸附燃烧后碳捕集系统的整体优化调度和快速变负荷控制方法
CN113110030A (zh) * 2021-04-20 2021-07-13 兰州理工大学 一种co2捕集的dmc-pid串级系统及其控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101745288A (zh) * 2010-01-20 2010-06-23 华东理工大学 一种真空变压变温耦合吸附捕集烟道气中二氧化碳的方法
AU2011261169A1 (en) * 2010-06-02 2013-01-10 Kc8 Capture Technologies Ltd Optimising objectives of a plant and a carbon dioxide capture facility
CN106842955A (zh) * 2017-03-15 2017-06-13 东南大学 带烟气量扰动抑制的燃烧后co2捕集系统预测控制方法
CN107450325A (zh) * 2017-09-06 2017-12-08 东南大学 一种燃烧后co2捕集系统的多模型预测控制方法
CN108710356A (zh) * 2018-06-19 2018-10-26 东南大学 一种有效的燃烧后co2捕集燃煤发电系统运行控制方法
CN108958031A (zh) * 2018-07-19 2018-12-07 东南大学 燃烧后co2捕集燃煤发电系统协调预测控制方法
CN109634121A (zh) * 2018-12-28 2019-04-16 浙江工业大学 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101745288A (zh) * 2010-01-20 2010-06-23 华东理工大学 一种真空变压变温耦合吸附捕集烟道气中二氧化碳的方法
AU2011261169A1 (en) * 2010-06-02 2013-01-10 Kc8 Capture Technologies Ltd Optimising objectives of a plant and a carbon dioxide capture facility
CN106842955A (zh) * 2017-03-15 2017-06-13 东南大学 带烟气量扰动抑制的燃烧后co2捕集系统预测控制方法
CN107450325A (zh) * 2017-09-06 2017-12-08 东南大学 一种燃烧后co2捕集系统的多模型预测控制方法
CN108710356A (zh) * 2018-06-19 2018-10-26 东南大学 一种有效的燃烧后co2捕集燃煤发电系统运行控制方法
CN108958031A (zh) * 2018-07-19 2018-12-07 东南大学 燃烧后co2捕集燃煤发电系统协调预测控制方法
CN109634121A (zh) * 2018-12-28 2019-04-16 浙江工业大学 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BAOXIN DAI.ETC: "《Model Predictive Control of Post-combustion CO2 Capture System for Coal-fired Power Plants》", 《PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE》 *
XIAO WU.ETC: "《Flexible operation of coal fired power plant integrated with post combustion CO2 capture using model predictive control》", 《INTERNATIONAL JOURNAL OF GREENHOUSE GAS CONTROL》 *
XIAO WU.ETC: "《Flexible operation of post-combustion solvent-based carbon capture for coalfired power plants using multi-model predictive control: A simulation study》", 《FUEL》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737198A (zh) * 2019-10-09 2020-01-31 东南大学 基于bp神经网络的大型燃煤电站co2捕集系统预测控制方法
CN110737198B (zh) * 2019-10-09 2022-11-18 东南大学 基于bp神经网络的大型燃煤电站co2捕集系统预测控制方法
CN111552175A (zh) * 2020-05-14 2020-08-18 东南大学 一种超临界燃煤电站-化学吸附燃烧后碳捕集系统的整体优化调度和快速变负荷控制方法
CN113110030A (zh) * 2021-04-20 2021-07-13 兰州理工大学 一种co2捕集的dmc-pid串级系统及其控制方法
CN113110030B (zh) * 2021-04-20 2022-06-28 兰州理工大学 一种co2捕集的dmc-pid串级系统及其控制方法

Also Published As

Publication number Publication date
CN110286593B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
Mohanty et al. Differential evolution algorithm based automatic generation control for interconnected power systems with non-linearity
Haji et al. Fractional order fuzzy-PID control of a combined cycle power plant using Particle Swarm Optimization algorithm with an improved dynamic parameters selection
CN110286593A (zh) 一种基于多目标预测控制的化学吸附燃烧后co2捕集系统控制方法
CN101919134B (zh) 用于风力涡轮发电机的基于事件的控制系统及控制方法
Fang et al. Backstepping-based nonlinear adaptive control for coal-fired utility boiler–turbine units
CN103092149B (zh) 基于模型的发电量需求控制
Shankar et al. Quasi oppositional harmony search algorithm based controller tuning for load frequency control of multi-source multi-area power system
Pathak et al. AGC of two area power system based on different power output control strategies of thermal power generation
CN101893877A (zh) 一种发电厂基于能耗分析的优化运行方法及其系统
Prasad et al. Plant-wide predictive control for a thermal power plant based on a physical plant model
Sayed et al. Gain tuning PI controllers for boiler turbine unit using a new hybrid jump PSO
CN106842955B (zh) 带烟气量扰动抑制的燃烧后co2捕集系统预测控制方法
CN102998974A (zh) 多模型广义预测控制系统及其性能评估方法
CN103322553A (zh) 一种火电机组过热汽温多模型扰动估计预测控制方法
Wu et al. Flexible operation of coal fired power plant integrated with post combustion CO2 capture using model predictive control
Haji et al. Adaptive model predictive control design for the speed and temperature control of a V94. 2 gas turbine unit in a combined cycle power plant
CN107270283B (zh) 一种基于循环流化床机组的多变量约束预测控制方法
Shieh et al. Statistical key variable analysis and model-based control for the improvement of thermal efficiency of a multi-fuel boiler
Qiao A novel online modeling for NOx generation prediction in coal-fired boiler
Menhas et al. Coordinated controller tuning of a boiler turbine unit with new binary particle swarm optimization algorithm
Mirza et al. Cleaner energy for sustainable future using hybrid photovoltaics-thermoelectric generators system under non-static conditions using machine learning based control technique
CN113189871B (zh) 一种面向火电机组灵活性运行的协调控制策略
Moradi et al. Intelligent Fuzzy Controller Design: Disturbance Rejection Cases
Shi et al. Two‐Layer Predictive Control of a Continuous Biodiesel Transesterification Reactor
KR20200118685A (ko) 보일러 연소 모델 도출 장치 및 방법

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