CN110764419B - 大型燃煤电站co2捕集整体调度及预测控制系统和方法 - Google Patents
大型燃煤电站co2捕集整体调度及预测控制系统和方法 Download PDFInfo
- Publication number
- CN110764419B CN110764419B CN201911116949.7A CN201911116949A CN110764419B CN 110764419 B CN110764419 B CN 110764419B CN 201911116949 A CN201911116949 A CN 201911116949A CN 110764419 B CN110764419 B CN 110764419B
- Authority
- CN
- China
- Prior art keywords
- coal
- fired power
- power plant
- overall
- whole system
- 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
Images
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
本发明公开了一种大型燃煤电站CO2捕集整体调度及预测控制系统和方法,根据燃煤电站CO2捕集整体系统的运行特性,选取模型主要控制变量和被控变量;首先考虑上网电价、CO2排放价格、主蒸汽温度等约束,构建燃煤电站CO2捕集整体系统的经济性能指标,计算出当前条件下经济最优的目标值,其后构建基于状态空间的模型预测控制器对最优目标值进行跟踪。本发明不仅能够实现燃煤电站CO2捕集整体系统的经济最优,也能有效处理CO2捕集系统的大延迟特性,提高了输出测的动态调节品质,使得控制系统适应工业现场需要。
Description
技术领域
本发明属于燃煤电站调控技术领域,具体涉及一种大型燃煤电站CO2捕集整体调度及预测控制系统和方法。
背景技术
燃煤火电机组是当前CO2等温室气体最主要的排放源,深入研究火电机组CO2捕集技术是实现温室气体减排、控制环境温度的重要手段。基于化学吸附的燃烧后CO2捕集技术由于其高效吸收CO2、不改变现有火电机组装置的优势,是当前CO2捕集的主流技术。
燃煤火电机组与燃烧后CO2捕集系统具有强耦合作用。由于太阳能、风能等新型能源的局限性,不能保持稳定的能源输出,因此需要常规火电机组进行深度调峰,以维持电网供需平衡。当电网负荷指令发生变化,火电机组尾部烟气会随机组负荷产生波动,对下游CO2捕集系统的捕集率、再沸器温度等关键变量产生较大影响。同时,燃烧后CO2捕集系统的溶剂再生需要消耗大量热量,这由火电机组汽轮机抽汽提供热源,而汽轮机抽汽会降低火电机组发电量,影响机组热效率。因此,将燃煤火电机组与燃烧后CO2捕集系统看作是整体系统进行控制设计,并合理设计燃煤火电机组与燃烧后CO2捕集系统的目标值,实现碳捕集和发电量的整体平衡,是实现整体系统灵活运行、实现经济最优的最佳手段。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种大型燃煤电站CO2捕集整体调度及预测控制系统和方法,考虑上网电价、CO2排放价格、主蒸汽温度约束等因素,构建大型燃煤电站CO2捕集整体系统的经济指标,计算最优被控变量给定值。同时,设计整体系统模型预测控制器,能有效处理大型燃煤电站CO2捕集整体系统的强耦合、大延迟和输出、输出约束特性,提高控制品质。
为实现上述技术目的,本发明采取的技术方案为:
一种大型燃煤电站CO2捕集整体调度及预测控制系统,包括优化求解模块、神经网络稳态模型、模型预测控制器、第一延迟模块、第二延迟模块、状态观测器和大型燃煤电站CO2捕集整体系统模型;
所述优化求解模块,根据上网电价、CO2排放价格、主蒸汽温度约束构建大型燃煤电站 CO2捕集整体系统的经济指标,输出当前时刻最优被控变量u*;
所述神经网络稳态模型,根据当前时刻最优被控变量u*,输出大型燃煤电站CO2捕集整体系统当前时刻的给定值yr(k);
所述模型预测控制器,通过优化性能指标,输出大型燃煤电站CO2捕集整体系统当前时刻的最优控制量u(k);
所述第一延迟模块,输入大型燃煤电站CO2捕集整体系统控制变量前一时刻的采样值 u(k-1);
所述第二延迟模块,输入大型燃煤电站CO2捕集整体系统被控变量前一时刻的采样值 y(k-1);
所述大型燃煤电站CO2捕集整体系统模型,在当前时刻最优控制变量u(k)的作用下输出被控变量y(k)。
为优化上述技术方案,采取的具体措施还包括:
上述的大型燃煤电站CO2捕集整体系统模型包含锅炉、汽轮机、发电机、吸收塔和分离塔;变量包含给煤量、给水流量、主蒸汽阀门开度、贫液流量、再沸器抽汽流量、主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度。
一种大型燃煤电站CO2捕集整体调度及预测控制方法,包括以下步骤:
(1)选取主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度作为大型燃煤电站CO2捕集整体系统的被控变量y(k);选取给煤量、给水流量、主蒸汽阀门开度、贫液流量和再沸器抽汽流量作为相对应的控制变量u(k);
(2)在开环情况下,改变给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量,获取不同发电量、捕集率负荷下的大型燃煤电站CO2捕集整体系统的稳态输入、输出数据;
(3)将给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量稳态数据作为输入变量,将主蒸汽压力、中间点焓值、输出功率、捕集率及再沸器温度稳态数据作为输出变量,利用BP神经网络进行离线训练,建立大型燃煤电站CO2捕集整体系统的稳态模型;
(4)基于上网电价、CO2排放价格、主蒸汽温度约束,构建燃煤电站CO2捕集整体系统的经济指标J1;
(5)通过优化燃煤电站CO2捕集整体系统的经济指标J1,使得整体经济指标J1最小,求解出最优被控变量u*;
(6)通过BP神经网络稳态模型,求解出当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k);
(7)设置模型预测控制器相关参数;
(8)设置模型预测控制器性能指标J2;
(9)求解模型预测控制器性能指标J2,计算未来M时刻内最优输入量差值ΔU;
(10)计算当前时刻的最佳控制量u(k)=u(k-1)+Δu(k);
(11)输出最佳控制量u(k),采集燃煤电站CO2捕集整体系统的输出y(k),其后在每个采样周期内,重复执行步骤(8)到步骤(11)。
上述的步骤(3),所述BP神经网络含有一层隐藏层,神经元个数为14,训练函数为traingdm,建立的大型燃煤电站CO2捕集整体系统的稳态模型函数公式为:
y(k)=f(u(k)) (1);
y(k)为被控变量在当前时刻的采集值,u(k)为控制变量在当前时刻的采集值。
上述的步骤(4),所述燃煤电站CO2捕集整体系统的经济指标J1,如公式(2):
Edemand为当前时刻电厂AGC指令负荷,y3为机组发电量,Celectricity为当前时刻上网电价, Fgas为当前时刻烟气流量,y4为CO2捕集率,CCO2为当前时刻CO2排放价格,Penalty为主蒸汽压力约束惩罚项,a、b、c分别为权系数。
上述的步骤(6),所述当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k),如公式(3):
yr(k)=f(u*) (3)。
上述的步骤(7),所述模型预测控制器相关参数包括预测时域P,控制时域M,输出误差权矩阵Q,控制权矩阵R;
其中Ts=30秒,预测时域P=10,控制时域M=3,
上述的步骤(8),所述模型预测控制器性能指标J2,如公式(4)所示:
其中,Yr=[yr(k) yr(k) … yr(k)]T为燃煤电站CO2捕集整体系统给定值, Y(k+P|k)=[y(k|k) y(k+1|k) … y(k+P-1|k)]T为未来P步时刻内燃煤电站CO2捕集整体系统的预测输出,ΔU=[Δu(k) Δu(k+1) … Δu(k+M-1)]T为未来M时刻内输入量的差值。
上述的步骤(9)采用二次规划quadprog求解器求解模型预测控制器性能指标J2。
本发明具有以下有益效果:
本发明考虑上网电价、CO2排放价格、主蒸汽温度约束等因素,构建燃煤电站CO2捕集整体系统的经济指标,获得整体系统在当前时刻的经济最优工作点;其次通过使用基于状态空间的模型预测控制器,解决了常规PID模型预测控制器不能处理大延迟、输入输出约束和强耦合特性的技术问题,提高动态调节品质。
附图说明
图1为本发明控制系统的结构示意图。
图2为本发明大型燃煤电站CO2捕集整体系统模型结构图。
图3为本发明大型燃煤电站CO2捕集整体系统的经济指标优化前后的效果对比图。
图4为本发明在给定值变化时主蒸汽压力控制效果图。
图5为本发明在给定值变化时中间点焓值控制效果图。
图6为本发明在给定值变化时机组发电量控制效果图。
图7为本发明在给定值变化时给煤量控制效果图。
图8为本发明在给定值变化时给水量控制效果图。
图9为本发明在给定值变化时主蒸汽阀门开度控制效果图。
图10为本发明在给定值变化时捕集率控制效果图。
图11为本发明在给定值变化时再沸器温度控制效果图。
图12为本发明在给定值变化时贫液流量控制效果图。
图13为本发明在给定值变化时再沸器抽汽流量控制效果图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
如图1所示,本发明的一种大型燃煤电站CO2捕集整体调度及预测控制系统,包括优化求解模块、神经网络稳态模型、模型预测控制器、第一延迟模块、第二延迟模块、状态观测器和大型燃煤电站CO2捕集整体系统模型;
优化求解模块有三路输入,分别是当前时刻上网电价Celectricit、当前时刻CO2排放价格 CCO2和主蒸汽压力约束惩罚项Penalty,其输出为当前时刻最优被控变量u*;
神经网络稳态模型输入为当前时刻最优被控变量u*,输出为当前时刻的给定值yr(k);
大型燃煤电站CO2捕集整体系统的输入变量u(k)与输出变量y(k)分别通过第一延迟单元和第二延迟单元得到延迟变量u(k-1)与y(k-1);延迟变量u(k-1)与y(k-1)通过状态观测器获得当前时刻状态量估计值
所述优化求解模块,根据上网电价、CO2排放价格、主蒸汽温度约束构建大型燃煤电站 CO2捕集整体系统的经济指标,输出当前时刻最优被控变量u*;
所述神经网络稳态模型,根据当前时刻最优被控变量u*,输出大型燃煤电站CO2捕集整体系统当前时刻的给定值yr(k);
所述模型预测控制器,通过优化性能指标,输出大型燃煤电站CO2捕集整体系统当前时刻的最优控制量u(k);
所述第一延迟模块,输入大型燃煤电站CO2捕集整体系统控制变量前一时刻的采样值 u(k-1);
所述第二延迟模块,输入大型燃煤电站CO2捕集整体系统被控变量前一时刻的采样值 y(k-1);
所述大型燃煤电站CO2捕集整体系统模型,在当前时刻最优控制变量u(k)的作用下输出被控变量y(k)。
如图2所示,实施例中,所述大型燃煤电站CO2捕集整体系统模型包含锅炉、汽轮机、发电机、吸收塔和分离塔;变量包含给煤量、给水流量、主蒸汽阀门开度、贫液流量、再沸器抽汽流量、主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度。
本发明的一种大型燃煤电站CO2捕集整体调度及预测控制方法,包括:
(1)选取主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度为大型燃煤电站 CO2捕集整体系统的被控变量y(k),选取给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量为相对应的控制变量u(k);
(2)在开环情况下,改变给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量,获取不同发电量、捕集率负荷下的大型燃煤电站CO2捕集整体系统的稳态输入、输出数据;
(3)将给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量稳态数据作为输入变量,将主蒸汽压力、中间点焓值、输出功率、捕集率及再沸器温度稳态数据作为输出变量,将控制变量的历史采样值作为输入,将被控变量的历史采样值作为输出,利用BP神经网络进行离线训练,建立大型燃煤电站CO2捕集整体系统的稳态模型;
该神经网络含有一层隐藏层,神经元个数为14,训练函数为traingdm,建立的大型燃煤电站CO2捕集整体系统的稳态模型函数公式为:
y(k)=f(u(k)) (1);
y(k)为被控变量在当前时刻的采集值,u(k)为控制变量在当前时刻的采集值。
(4)考虑上网电价、CO2排放价格、主蒸汽温度约束等因素,构建燃煤电站CO2捕集整体系统的经济指标,如公式(2):
其中,Edemand为当前时刻电厂AGC指令负荷,y3为机组发电量,Celectricity为当前时刻上网电价,Fgas为当前时刻烟气流量,y4为CO2捕集率,CCO2为当前时刻CO2排放价格,Penalty为主蒸汽压力约束惩罚项,a、b、c分别为权系数。
(5)通过优化燃煤电站CO2捕集整体系统的经济指标J1,使得整体经济指标J1(惩罚项)最小,求解出最优被控变量u*。
(6)将u*作为输入,通过BP神经网络稳态模型,求解出当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k),如公式(3)
yr(k)=f(u*) (3);
(7)设置模型预测控制器相关参数,包括预测时域P,控制时域M,输出误差权矩阵Q,控制权矩阵R;
其中Ts=30秒,预测时域P=10,控制时域M=3,
对未来时域的被控变量进行优化,优化控制变量的具体方法为:
(8)设置模型预测控制器性能指标,如公式(4)所示:
其中,Yr=[yr(k) yr(k) … yr(k)]T为燃煤电站CO2捕集整体系统给定值, Y(k+P|k)=[y(k|k) y(k+1|k) … y(k+P-1|k)]T为未来P步时刻内燃煤电站CO2捕集整体系统的预测输出,ΔU=[Δu(k) Δu(k+1) … Δu(k+M-1)]T为未来M时刻内输入量的差值;
(9)采用二次规划quadprog求解器求解模型预测控制器性能指标,计算未来M时刻内最优输入量差值ΔU;
(10)计算当前时刻的最佳控制量u(k)=u(k-1)+Δu(k);
(11)输出最佳控制量u(k),采集燃煤电站CO2捕集整体系统的输出y(k),其后在每个采样周期内,重复执行第(8)步到第(11)步。
实施例中,大型燃煤电站CO2捕集整体系统的经济指标如图3所示,控制效果如图4、图5、图6、图7、图8、图9、图10、图11、图12、图13所示。初始稳态工况为u1=57.46551kg/s、u2=404.187kg/s、u3=87.735%、u4=392.9845kg/s、u5=99.10833kg/s、y1=21.3634MPa、y2=2722.1325kJ/kg、y3=432.9270MW、y4=70%、y5=392K,AGC负荷指令为Edemand=500MW,Celectricity=0.35元/kW·h,CCO2=0.2349元/kg,Penalty=0。在600秒时,AGC负荷指令变为Edemand=600MW,价格不变,则优化后燃煤电站CO2捕集整体系统给定值变为:y1=25.7248MPa、 y2=2672.8165kJ/kg、y3=577.2926MW、y4=86.445%、y5=392K,运行一段时间后,在7800秒时,价格分别变为Celectricity=0.28元/kW·h,CCO2=0.3132元/kg,优化后燃煤电站CO2捕集整体系统给定值变为:y1=21.1815MPa、y2=2714.6599kJ/kg、y3=423.5138MW、y4=98%、y5=392K。系统总共运行15000秒,为方便观察比较,以30秒为采样周期进行取点、绘图。
由图3可知,优化目标值后,燃煤电站CO2捕集整体系统经济惩罚项大幅度降低,分别由1447.65元/30秒、1430.76元/30秒降低至423.18元/30秒、674.1元/30秒。
由图4-图13所示,基于状态空间的模型预测控制器能够有效的跟踪目标值,波动小、响应速度快,能够实现稳态无差控制。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种大型燃煤电站CO2 捕集整体调度及预测控制系统,其特征在于,包括优化求解模块、神经网络稳态模型、模型预测控制器、第一延迟模块、第二延迟模块、状态观测器和大型燃煤电站CO2 捕集整体系统模型;
所述优化求解模块,根据上网电价、CO2 排放价格、主蒸汽温度约束构建大型燃煤电站CO2捕集整体系统的经济指标,输出当前时刻最优被控变量u*;
所述神经网络稳态模型,根据当前时刻最优被控变量u*,输出大型燃煤电站CO2捕集整体系统当前时刻的最优给定值yr(k);
所述模型预测控制器,通过优化性能指标,输出大型燃煤电站CO2捕集整体系统当前时刻的最优控制变量u(k);
所述第一延迟模块,输入大型燃煤电站CO2捕集整体系统控制变量前一时刻的采样值u(k-1);
所述第二延迟模块,输入大型燃煤电站CO2捕集整体系统被控变量前一时刻的采样值y(k-1);
所述大型燃煤电站CO2 捕集整体系统模型,在当前时刻最优控制变量u(k)的作用下输出被控变量y(k)。
2.根据权利要求1所述的一种大型燃煤电站CO2 捕集整体调度及预测控制系统,其特征在于,所述大型燃煤电站CO2 捕集整体系统模型包含锅炉、汽轮机、发电机、吸收塔和分离塔;变量包含给煤量、给水流量、主蒸汽阀门开度、贫液流量、再沸器抽汽流量、主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度。
3.根据权利要求1或2所述的一种大型燃煤电站CO2 捕集整体调度及预测控制系统的大型燃煤电站CO2 捕集整体调度及预测控制方法,其特征在于,包括以下步骤:
(1)选取主蒸汽压力、中间点焓值、机组发电量、捕集率及再沸器温度作为大型燃煤电站CO2捕集整体系统的被控变量y(k);选取给煤量、给水流量、主蒸汽阀门开度、贫液流量和再沸器抽汽流量作为相对应的最优控制变量u(k);
(2)在开环情况下,改变给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量,获取不同发电量、捕集率负荷下的大型燃煤电站CO2捕集整体系统的稳态输入、输出数据;
(3)将给煤量、给水流量、主蒸汽阀门开度、贫液流量及再沸器抽汽流量稳态数据作为输入变量,将主蒸汽压力、中间点焓值、输出功率、捕集率及再沸器温度稳态数据作为输出变量,利用BP神经网络进行离线训练,建立大型燃煤电站CO2捕集整体系统的稳态模型;
(4)基于上网电价、CO2排放价格、主蒸汽温度约束,构建燃煤电站CO2捕集整体系统的经济指标J1;
(5)通过优化燃煤电站CO2捕集整体系统的经济指标J1,使得整体经济指标J1最小,求解出最优被控变量u*;
(6)通过BP神经网络稳态模型,求解出当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k);
(7)设置模型预测控制器相关参数;
(8)设置模型预测控制器性能指标J2;
(9)求解模型预测控制器性能指标J2,计算未来M时刻内最优输入量差值ΔU;
(10)计算当前时刻的最优控制变量u(k)=u(k-1)+Δu(k);
(11)输出最优控制变量u(k),采集燃煤电站CO2捕集整体系统的输出y(k),其后在每个采样周期内,重复执行步骤(8)到步骤(11)。
4.根据权利要求3所述的一种大型燃煤电站CO2 捕集整体调度及预测控制方法,其特征在于,步骤(3)所述BP神经网络含有一层隐藏层,神经元个数为14,训练函数为traingdm,建立的大型燃煤电站CO2捕集整体系统的稳态模型函数公式为:
y(k)=f(u(k)) (1);
y(k)为被控变量在当前时刻的采集值,u(k)为最优控制变量在当前时刻的采集值。
6.根据权利要求3所述的一种大型燃煤电站CO2 捕集整体调度及预测控制方法,其特征在于,步骤(6)所述当前时刻燃煤电站CO2捕集整体系统的最优给定值yr(k),如公式(3):
yr(k)=f(u*) (3)。
9.根据权利要求3所述的一种大型燃煤电站CO2 捕集整体调度及预测控制方法,其特征在于,步骤(9)采用二次规划quadprog求解器求解模型预测控制器性能指标J2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911116949.7A CN110764419B (zh) | 2019-11-15 | 2019-11-15 | 大型燃煤电站co2捕集整体调度及预测控制系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911116949.7A CN110764419B (zh) | 2019-11-15 | 2019-11-15 | 大型燃煤电站co2捕集整体调度及预测控制系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110764419A CN110764419A (zh) | 2020-02-07 |
CN110764419B true CN110764419B (zh) | 2022-06-10 |
Family
ID=69337875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911116949.7A Active CN110764419B (zh) | 2019-11-15 | 2019-11-15 | 大型燃煤电站co2捕集整体调度及预测控制系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110764419B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552175B (zh) * | 2020-05-14 | 2023-03-28 | 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 |
CN112731873B (zh) * | 2020-12-18 | 2022-03-08 | 东南大学 | 高炉联合循环系统与燃烧后碳捕集系统的协调控制方法 |
CN113393905B (zh) * | 2021-06-03 | 2024-03-22 | 东南大学 | 一种化学吸收co2捕集系统的动态鲁棒软测量系统及方法 |
CN113341765B (zh) * | 2021-06-10 | 2023-10-27 | 江苏舜高智能科技有限公司 | 一种严格控制碳排放的燃煤电站co2捕集系统灵活调控方法 |
CN113341717A (zh) * | 2021-06-10 | 2021-09-03 | 江苏舜高智能科技有限公司 | 一种大型燃煤电站co2捕集整体系统扰动抑制方法 |
CN113359451A (zh) * | 2021-06-10 | 2021-09-07 | 江苏舜高智能科技有限公司 | 一种基于大型燃煤电站co2捕集系统经济性预测控制方法 |
CN113341716B (zh) * | 2021-06-10 | 2023-08-04 | 江苏舜高智能科技有限公司 | 一种基于人工智能的大型燃煤电站co2捕集系统优化调度方法 |
CN113899125B (zh) * | 2021-11-19 | 2023-06-02 | 云南电网有限责任公司电力科学研究院 | 一种基于经济预测控制的高温蒸汽热泵控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110026068A (zh) * | 2019-04-08 | 2019-07-19 | 东南大学 | 一种基于神经网络逆控制的大型燃煤电站co2捕集系统及前馈控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9127572B2 (en) * | 2013-10-18 | 2015-09-08 | Alstom Technology Ltd. | Oxy fired power generation system and method of operating the same |
-
2019
- 2019-11-15 CN CN201911116949.7A patent/CN110764419B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110026068A (zh) * | 2019-04-08 | 2019-07-19 | 东南大学 | 一种基于神经网络逆控制的大型燃煤电站co2捕集系统及前馈控制方法 |
Non-Patent Citations (1)
Title |
---|
Dynamic behavior investigations and disturbance rejection predictive control of solvent-based post-combustion CO2 capture process;Wu, Xiao等;《Fuel》;20190415;第242卷;第624-637页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110764419A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110764419B (zh) | 大型燃煤电站co2捕集整体调度及预测控制系统和方法 | |
CN107482688B (zh) | 一种碳捕集虚拟电厂调度优化方法 | |
CN108710356B (zh) | 一种有效的燃烧后co2捕集燃煤发电系统运行控制方法 | |
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 | |
CN111552175B (zh) | 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 | |
CN110026068B (zh) | 一种基于神经网络逆控制的大型燃煤电站co2捕集系统及前馈控制方法 | |
Wu et al. | Reinforced coordinated control of coal-fired power plant retrofitted with solvent based CO2 capture using model predictive controls | |
Dong | PD power-level control design for PWRs: A physically-based approach | |
Wu et al. | Flexible operation of supercritical coal-fired power plant integrated with solvent-based CO2 capture through collaborative predictive control | |
CN108958031B (zh) | 燃烧后co2捕集燃煤发电系统协调预测控制方法 | |
CN113489024B (zh) | 热电联供机组多模式抽汽辅助调峰调频控制系统及方法 | |
Ding et al. | Sliding mode/H∞ control of a hydro-power plant | |
CN110932320A (zh) | 自动发电控制系统分布式模型预测控制器设计方法 | |
CN115445390B (zh) | 带吸收剂存储的火电机组碳捕集系统调度与预测控制方法 | |
CN110737198B (zh) | 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 | |
Wang et al. | Flexible electric power control for coal-fired units by incorporating feedwater bypass | |
CN108508748B (zh) | 一种有效的光热辅助燃烧后co2捕集系统运行控制方法 | |
Huo et al. | Thermodynamic modeling and control of hybrid solar-fossil fuel power generation and storage system | |
CN206818334U (zh) | 一种基于dsc的入炉燃煤发热量实时监控系统 | |
CN113341765B (zh) | 一种严格控制碳排放的燃煤电站co2捕集系统灵活调控方法 | |
Jung et al. | $ CO_2 $ Capture Process using Aqueous Monoethanolamine (MEA): Reduction of Solvent Regeneration Energy by Flue gas Splitting | |
CN109617135B (zh) | 混合发电系统电力调度多目标决策方法 | |
CN106930791B (zh) | 低碳排放的发电系统的电网运行方法 | |
Tica et al. | Hierarchical model predictive control approach for start-up optimization of a combined cycle power plant | |
CN113341716B (zh) | 一种基于人工智能的大型燃煤电站co2捕集系统优化调度方法 |
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 |