CN110955141A - 一种基于神经网络逆模型再热汽温控制方法 - Google Patents

一种基于神经网络逆模型再热汽温控制方法 Download PDF

Info

Publication number
CN110955141A
CN110955141A CN201911311466.2A CN201911311466A CN110955141A CN 110955141 A CN110955141 A CN 110955141A CN 201911311466 A CN201911311466 A CN 201911311466A CN 110955141 A CN110955141 A CN 110955141A
Authority
CN
China
Prior art keywords
inverse model
steam temperature
model
neural network
inverse
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.)
Pending
Application number
CN201911311466.2A
Other languages
English (en)
Inventor
莫日格吉勒图
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.)
Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd
Original Assignee
Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd
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 Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd filed Critical Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd
Priority to CN201911311466.2A priority Critical patent/CN110955141A/zh
Publication of CN110955141A publication Critical patent/CN110955141A/zh
Pending legal-status Critical Current

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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F22—STEAM GENERATION
    • F22G—SUPERHEATING OF STEAM
    • F22G5/00—Controlling superheat temperature
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为PID控制的再热汽温控制策略，包括：确定所述逆模型的输入和输出参数；从现场DCS系统获取机组的历史运行数据，从中选取用于所述逆模型建立和验证的样本数据；所述样本数据包括机组协调系统自动升降负荷的最低负荷至额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；确定建模采用的神经网络类型及模型结构，建立所述逆模型，并运用获取的机组历史运行数据完成逆模型的训练和检验。本发明能够应对具有大惯性、大滞后再热汽温控制系统的适应能力，增强了工况适应性。

Description

一种基于神经网络逆模型再热汽温控制方法
技术领域
本发明属于火力发电技术领域，尤其涉及一种基于神经网络逆模型再热汽温控制方法。
背景技术
电厂锅炉的再热汽温是机组安全、经济运行的重要参数之一，必须控制在一定范围之内。而电厂再热汽温被控对象是具有大惯性、大滞后、并且常规PID控制难以取得良好的控制效果。
由于大容量锅炉机组经常处于深度调峰大幅变工况运行，且再热汽温系统是一个典型的非线性、大惯性、大时延的被控对象，常规的单回路PID过热汽温控制策略很达到预期的控制效果。
发明内容
本发明的目的是提供一种基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为PID控制的控制策略，以克服现有再热器蒸汽温度控制方法对机组大范围变工况适应性差，增强工况适应性。
本发明提供了一种基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为PID控制的再热汽温控制策略，包括如下步骤：
1)确定所述逆模型的输入和输出参数；
所述逆模型的输入参数包括负荷Ne、燃料量Bf、总风量Fa、燃烧器摆角β、再热器出口汽温实际值T2，输出参数为喷水减温器出口汽温T1；
2)从现场DCS系统获取机组的历史运行数据，从中选取用于所述逆模型建立和验证的样本数据；所述样本数据包括机组协调系统自动升降负荷的最低负荷至额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；
3)确定建模采用的神经网络类型及模型结构，建立所述逆模型，并运用获取的机组历史运行数据完成逆模型的训练和检验。
进一步地，所述步骤2)包括：
从DCS历史运对模型训练样本输入、输出进行归一化处理，并采用归一化后的样本训练模型，再将模型输出反归一得到实际工程单位的变量值，具体的归一化公式为：
Y＝(Ymax-Ymin)*(x-xmin)/(xmax-xmin)+Ymin；
式中：x，Y分别为参数的实际值和标称值，xmin、xmax分别为训练样本集数据中参数x的最小值和最大值，Ymin、Ymax分别为归一化处理后参数的最小值和最大值。
借由上述方案，通过基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为PID控制的控制策略，能够应对具有大惯性、大滞后再热汽温控制系统的适应能力，增强了工况适应性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明基于神经网络逆模型再热汽温控制方法一实施例的示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参图1所示，本实施例提供了一种基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为PID控制的再热汽温控制策略，包括如下步骤：
1)确定所述逆模型的输入和输出参数；
所述逆模型的输入参数包括负荷Ne、燃料量Bf、总风量Fa、燃烧器摆角β、再热器出口汽温实际值T2，输出参数为喷水减温器出口汽温T1；
2)从现场DCS系统获取机组的历史运行数据，从中选取用于所述逆模型建立和验证的样本数据；所述样本数据包括机组协调系统自动升降负荷的最低负荷至额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；
3)确定建模采用的神经网络类型及模型结构，建立所述逆模型，并运用获取的机组历史运行数据完成逆模型的训练和检验。
在本实施例中，所述步骤2)包括：
从DCS历史运对模型训练样本输入、输出进行归一化处理，并采用归一化后的样本训练模型，再将模型输出反归一得到实际工程单位的变量值，具体的归一化公式为：
Y＝(Ymax-Ymin)*(x-xmin)/(xmax-xmin)+Ymin；
式中：x，Y分别为参数的实际值和标称值，xmin、xmax分别为训练样本集数据中参数x的最小值和最大值，Ymin、Ymax分别为归一化处理后参数的最小值和最大值。
该基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为PID控制的控制策略，能够应对具有大惯性、大滞后再热汽温控制系统的适应能力，增强了工况适应性。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (2)

1.一种基于神经网络逆模型再热汽温控制方法，其特征在于，基于逆模型建立外环为神经网络逆控制，内环为PID控制的再热汽温控制策略，包括如下步骤：
1)确定所述逆模型的输入和输出参数；
所述逆模型的输入参数包括负荷Ne、燃料量Bf、总风量Fa、燃烧器摆角β、再热器出口汽温实际值T2，输出参数为喷水减温器出口汽温T1；
2)从现场DCS系统获取机组的历史运行数据，从中选取用于所述逆模型建立和验证的样本数据；所述样本数据包括机组协调系统自动升降负荷的最低负荷至额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；
3)确定建模采用的神经网络类型及模型结构，建立所述逆模型，并运用获取的机组历史运行数据完成逆模型的训练和检验。
2.根据权利要求1所述的基于神经网络逆模型再热汽温控制方法，其特征在于，所述步骤2)包括：
从DCS历史运对模型训练样本输入、输出进行归一化处理，并采用归一化后的样本训练模型，再将模型输出反归一得到实际工程单位的变量值，具体的归一化公式为：
Y＝(Ymax-Ymin)*(x-xmin)/(xmax-xmin)+Ymin；
式中：x，Y分别为参数的实际值和标称值，xmin、xmax分别为训练样本集数据中参数x的最小值和最大值，Ymin、Ymax分别为归一化处理后参数的最小值和最大值。
CN201911311466.2A 2019-12-18 2019-12-18 一种基于神经网络逆模型再热汽温控制方法 Pending CN110955141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911311466.2A CN110955141A (zh) 2019-12-18 2019-12-18 一种基于神经网络逆模型再热汽温控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911311466.2A CN110955141A (zh) 2019-12-18 2019-12-18 一种基于神经网络逆模型再热汽温控制方法

Publications (1)

Publication Number Publication Date
CN110955141A true CN110955141A (zh) 2020-04-03

Family

ID=69982537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911311466.2A Pending CN110955141A (zh) 2019-12-18 2019-12-18 一种基于神经网络逆模型再热汽温控制方法

Country Status (1)

Country Link
CN (1) CN110955141A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114415751A (zh) * 2021-11-25 2022-04-29 内蒙古大唐国际托克托发电有限责任公司 一种用于火电机组的主、再热汽温优化系统及方法
CN117316356A (zh) * 2023-10-24 2023-12-29 中国民航大学 一种复合材料构件热压罐成型工艺参数前馈补偿调控方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
莫日格吉勒图: "《先进过热汽温控制系统应用研究》", 《 电工技术》, 25 September 2019 (2019-09-25), pages 30 - 33 *
马良玉 等: "《基于神经网络逆模型的过热汽温补偿控制研究》", 《华北电力大学学报》, 30 September 2011 (2011-09-30), pages 70 - 75 *
马良玉 等: "《考虑回热循环的超超临界机组 负荷预测神经网络模型》", 《热力发电》, 30 April 2016 (2016-04-30), pages 19 - 34 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114415751A (zh) * 2021-11-25 2022-04-29 内蒙古大唐国际托克托发电有限责任公司 一种用于火电机组的主、再热汽温优化系统及方法
CN117316356A (zh) * 2023-10-24 2023-12-29 中国民航大学 一种复合材料构件热压罐成型工艺参数前馈补偿调控方法
CN117316356B (zh) * 2023-10-24 2024-05-17 中国民航大学 一种复合材料构件热压罐成型工艺参数前馈补偿调控方法

Similar Documents

Publication Publication Date Title
CN106094740B (zh) 一种基于过热器蓄热前馈的火电机组负荷控制方法
CN104714526B (zh) 基于凝结水节流调节预估的负荷控制系统及方法
CN102193532B (zh) 火电厂单元机组自启停优化控制系统
CN106773681B (zh) 一种汽包锅炉火电机组一次调频控制优化方法
CN107420874B (zh) 一种超超临界火力发电机组协调控制系统
CN107218594B (zh) 锅炉主蒸汽温度多参量智能控制系统
CN105372991A (zh) 供热机组多煤种混烧工况克服主蒸汽压力波动控制方法
CN103885433B (zh) 电厂生产及管理控制系统
CN109373347B (zh) 一种机组旁路供热的给煤量优化控制方法
CN107368049A (zh) 基于电厂dcs系统的机组变负荷下给煤量的控制方法
CN104482525A (zh) 超超临界机组再热汽温的控制方法和系统
CN107831652A (zh) 一种基于冷端系统储能的机组负荷智能优化控制方法
CN108361683B (zh) 一种全负荷段再热气温智能控制系统
CN110955141A (zh) 一种基于神经网络逆模型再热汽温控制方法
CN112039091B (zh) 一种基于零号高加的一次调频控制方法
CN111765447B (zh) 一种基于多变量解耦的发电锅炉主汽温控制方法和系统
CN108104888A (zh) 一种基于调频旁路的电网调频系统及方法
CN111045321B (zh) 一种深度调峰下的协调控制带嵌入式内模控制器的方法
CN105202519A (zh) 供热机组调频调峰全工况协调控制方法
CN112833380B (zh) 一种用于发电行业的中间再热机组高、低压旁路控制系统
CN107154645B (zh) 一种余压余热发电机组参与发电厂agc调节的方法
CN208365520U (zh) 一种全负荷段再热气温智能控制装置
CN103453519A (zh) 切换控制系统的组态设计方法
CN112628710B (zh) 燃气蒸汽联合循环机组主蒸汽温度自动控制方法
CN208073572U (zh) 一种基于调频旁路的电网调频系统

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