CN111413864A - 一种600mw超临界火电机组建模与控制方法 - Google Patents
一种600mw超临界火电机组建模与控制方法 Download PDFInfo
- Publication number
- CN111413864A CN111413864A CN202010125301.2A CN202010125301A CN111413864A CN 111413864 A CN111413864 A CN 111413864A CN 202010125301 A CN202010125301 A CN 202010125301A CN 111413864 A CN111413864 A CN 111413864A
- Authority
- CN
- China
- Prior art keywords
- model
- unit
- input
- thermal power
- power generating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 11
- 239000003245 coal Substances 0.000 claims description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004088 simulation Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000033228 biological regulation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
本申请涉及一种600MW超临界火电机组建模与控制方法,包括以下步骤:步骤100,利用子空间辨识法得到机组的分立模型;步骤200,对所述分立模型进行组合,得到机组的整体模型;步骤300,根据所述整体模型,设计模型预测控制器,包括在所述整体模型中设定输入、输出变量的名称和初始值,设定输入和输出变量的上下界、变化率的上下界,设定稳态目标。本发明的有益效果是:首先采用子空间模型辨识方法对机组系统模型进行建立,针对子空间辨识得到的模型,设计了模型预测控制器,设置系统关键变量的约束上下界以及稳态目标,通过模型预测控制算法,仿真结果表明控制器控制效果良好,充分证明所选方法和策略的有效性。
Description
技术领域
本申请涉及火电机组建模与控制方法,尤其是涉及一种600MW 超临界火电机组建模与控制方法。
背景技术
在我国,由于能源结构组成的原因,能源绝大多数由煤的燃烧产生。国家统计局发布数据显示,2015年全年全国绝对发电量56184 亿千瓦时,其中,火电绝对发电量42102亿千瓦时,占到总发电量的 70%以上。中国的电力系统作为全世界最大的电力系统,其中能源的主要来源为煤,电煤消耗约占全国煤炭产量的一半以上。煤炭资源在我国一次能源结构中的主导地位,奠定了我国电力生产中以燃煤火电机组为主的格局,而且这一趋势在相当长一段时间内不会改变。随着国家建设资源节约型、环境友好型社会的规划,大型超临界机组在火力发电中广泛应用,并将成为电力工业的中流砥柱。
超临界机组是一个大而复杂的系统,具有强耦合、非线性、多变量的特点,必须有针对性地选择控制策略和设计控制系统。针对火电机组的特点,将状态变量技术和相位补偿技术应用于蒸汽压力控制策略,目前尽管研究超临界机组动态特性的文献很多,但这些模型通常由一组复杂的非线性微分方程组成,主要适用于电站仿真机,无法直接用于控制系统设计。
发明内容
本发明要解决的技术问题是:为解决现有技术中超临界机组控制系统设计模型和方法的不足,从而提供一种600MW超临界火电机组建模与控制方法。
本发明解决其技术问题所采用的技术方案是:
一种600MW超临界火电机组建模与控制方法,包括以下步骤:
步骤100,利用子空间辨识法得到机组的分立模型,分立模型包括机组的负荷模型、主汽压力模型、中间点温度模型以及将中间点温度作为一个输入量建立的主汽温度模型;
步骤200,对所述分立模型进行组合,得到机组的整体模型;
步骤300,根据所述整体模型,设计模型预测控制器,包括在所述整体模型中设定输入、输出变量的名称和初始值,设定输入和输出变量的上下界、变化率的上下界,设定稳态目标。
在其中一个实施例中,所述子控件辨识法包括以下步骤:
步骤110,提供输入输出数据;
步骤120,构造汉克尔矩阵并进行计算;
步骤130,获得待辨识对象的状态空间模型。
在其中一个实施例中,所述输入输出数据采用全天运行数据,采样时间为5s。
在其中一个实施例中,所述分立模型通过模型线性化组合形成五输入三输出的机组整体标称模型。
在其中一个实施例中,所述设计模型预测控制器,包括:
在机组增功率预测时,设定功率阶跃参数为正数。
在其中一个实施例中,在机组增功率预测时,阶跃值为10。
在其中一个实施例中,所述设计模型预测控制器,包括:
在机组降功率预测时,设定功率阶跃参数为负数。
在其中一个实施例中,所述输入变量为气阀开度、燃煤量、总给水、风煤比和减温水;所述输出变量为机组负荷、主汽压力和主汽温度。
本发明的有益效果是:本发明在对超临界机组进行分析的基础上,结合机组运行的实际情况,对机组进行了建模及控制器设计。传统的控制器难以满足经济型、环境友好和动态响应等更高的要求。相比于传统的控制器,模型预测控制系统能够极大的改善控制效果,首先采用子空间模型辨识方法对机组系统模型进行建立,将该模型的仿真结果与机组实际运行数据对比,证明辨识得到的模型能够很好的表现系统的动态特性。针对子空间辨识得到的模型,设计了模型预测控制器. 设置系统关键变量的约束上下界以及稳态目标,通过模型预测控制算法,在满足机组负荷调节能力的约束条件下,对系统在短期内的负荷调节能力进行预测,仿真结果表明控制器控制效果良好,能够达到预期控制目标,充分证明所选方法和策略的有效性。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例600MW超临界火电机组建模与控制方法的流程步骤示意图;
图2是本申请实施例的升负荷输入量曲线示意图;
图3是本申请实施例的升负荷输出量曲线示意图;
图4是本申请实施例的降负荷输入量曲线示意图;
图5是本申请实施例的降负荷输出量曲线示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本申请中的具体含义。
发明原理:子空间状态空间系统辨识(N4SID)方法是近年来出现的一种用于辨识线性镇定系统动态特性的时域技术。它直接由输入 /输出数据矩阵序列,通过基本的代数运算求解系统模型。超临界机组的特性决定了传统的控制器很难达到理想的控制效果。传统的控制系统主要采用比例-积分-微分控制器(PID控制器),这样的控制器难以满足经济型、环境友好和动态响应等更高的要求。最近,由于模型预测控制(MPC)在其它行业的成功应用,也开始被引入到超临界火电机组的控制中。模型预测控制在过去三十余年中被成功应用于过程控制领域。MPC的工业技术和理论研究都取得了卓越的成果。它可以处理各种约束,减少过程变量的波动幅度,将生产过程推进至关键约束条件边界上运行。
根据火电机组的原理,加之参考国内外火电机组模型的研究成果,以及多次建模试验,系统辨识采用了子空间辨识策略进行系统建模。考虑到机组整体的复杂性,分步辨识会更加简便,且效果更加直观。我们分析得知中间点温度是控制主汽温度的关键所在,中间点温度的饱和水蒸汽经过过热器和减温水,最终到达汽轮机,直接决定了主汽温度的高低,有效的控制中间点温度,可以方便高效的控制主汽温度,保持功率温度和系统运行安全。根据分析,先建立机组的负荷、主汽压力和中间点温度模型,再将中间点温度作为一个输入量建立主汽温度模型。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
一种600MW超临界火电机组建模与控制方法,包括以下步骤:
步骤100,利用子空间辨识法得到机组的分立模型,分立模型包括机组的负荷模型、主汽压力模型、中间点温度模型以及将中间点温度作为一个输入量建立的主汽温度模型;
步骤200,对分立模型进行组合,得到机组的整体模型;
步骤300,根据整体模型,设计模型预测控制器,包括在整体模型中设定输入、输出变量的名称和初始值,设定输入和输出变量的上下界、变化率的上下界,设定稳态目标。
在其中一个实施例中,子控件辨识法包括以下步骤:
步骤110,提供输入输出数据;
步骤120,构造汉克尔矩阵并进行计算;
步骤130,获得待辨识对象的状态空间模型。
本实施例中采用N4SID开环子空间辨识方法对超临界火电机组系统模型进行辨识。子空间辨识方法采用状态空间形式来描述所要辨识的系统,在建立模型的时候根据提供的输入输出数据,构造汉克尔矩阵(Hankle)矩阵并进行计算,得到所要辨识对象的状态空间模型。其核心思想是运用斜向投影的性质将系统分解为确定性部分和随机性部分,从而将噪声项消除。子空间辨识方法是采用状态空间形式来描述所要辨识的系统,在建立模型的时候根据提供的输入输出数据,构造Hankle矩阵并进行计算,得到所要辨识对象的状态空间模型。
对于如下的线性时不变系统系统的状态空间模型:
x(k+1)=Ax(k)+Bu(k)
y(k)=Cx(k)+Du(k)
其中u(k)∈Rp、y(k)∈Rq分别是k时刻的输入输出数据,x(k)∈Rn是k时刻的状态变量。当其中的ω(k)、ν(k)都为0时,那么表示的是确定性系统(即没有噪声干扰),当不为0时则描述的是随机性系统。
现在已知系统的等式描述,由于辨识所需要的是状态空间形式,所以根据上述等式进行前向迭代。
y(k)=Cx(k)+Du(k)
y(k+1)=CAx(k)+CBu(k)+Du(k+1)
y(k+i)=CAix(k)+Ci-2Bu(k)+Ci-1Bu(k+1)+…Du(k+i)
写成矩阵形式,即
将其表达形式按照某个中间时间点分解成上下两个部分,分别对应过去和未来时间点,根据子空间辨识的标准定义形式得到:
其中、矩阵的构造如下:
Up,Uf∈Rpi×j,Yp和Yf的构造原理与Up、Uf相同,此处不再详述。
Δi=[Ai-1 BAi-2B …]
在子空间辨识方法中,首先需要在不知道状态空间模型的前提下,通过过程的输入输出数据确定动态系统的状态序列。这也是子空间辨识方法区别于其它输入输出模型辨识方法的主要不同之处。子空间算法的主要贡献在于Kalman滤波估计状态可以通过对输入输出数据进行 QR分解或奇异值分解(SVD)得到。由系统方程容易得到
一旦状态可知,状态空间模型辨识问题就转变为一个最小二乘问题,即
||·||F指矩阵的F-范数(Frobenius范数)。
根据子空间辨识方法的步骤,分步得到了负荷、主汽压力、中间点温度、主汽温度的分立模型,并求出了相应的参数矩阵。
在其中一个实施例中,输入输出数据采用全天运行数据,采样时间为5s。在系统辨识过程中,采用了全天的运行数据,辨识数据都经过了预处理,并将各变量的量级统一,采样时间为5s。
负荷、主汽压力的模型为2阶,系统参数矩阵如下:
中间点温度模型为2阶,系统参数矩阵如下:
中间点温度模型为2阶,系统参数矩阵如下:
C=[16.21 -12.66]D=[0 0 0]
主汽温度模型为2阶,系统参数矩阵如下:
C=[16.41 20.84]D=[0 0 0]
利用子空间辨识方法得到了火电机组负荷、主汽压力、中间点温度和主汽温度模型标称形式。
在其中一个实施例中,分立模型通过模型线性化组合形成五输入三输出的机组整体标称模型。以上分立模型利用多组不同的运行数据反复验证,基本包括了机组所有正常运行数据的特点,然后,通过模型线性化组合方法,将分立模型组合,形成了五输入三输出的机组整体标称模型。利用模型的参数不确定性,得到整个系统的6阶多胞模型的状态矩阵如下:
在其中一个实施例中,利用模型预测控制方法对600MW燃煤发电机组进行协调控制。模型预测控制是将一问题转换为一个求解带约束的最优化问题,其基本思想是利用实时刷新的每个时刻点的数据不断的更新所要求解的最优化问题,即实时更新所要求解的最优化问题,同时在线重复的去求解刷新的问题,来得到应当采取的新的控制动作,经典的模型预测控制(MPC)算法有三种,分别是:模型算法控制(MAC)、动态矩阵控制(DMC)和广义预测控制(GPC)。但是它们的基本思想都是一致的。在本实施例中,选用模型控制算法对火电机组进行控制器设计。
利用滚动优化的思想,针对系统的标称模型进行预测控制器的设计。以实际系统的标称模型为例,通过仿真确定最大负荷变化能力曲线。初始值的选取是根据系统正常运行时的数据选择的,这里的初始值,都是经过尺度变换后计算所得。
利用辨识得到的系统模型,导入模型参数,设定输入、输出变量的名称和初始值,设定输入和输出变量的上下界、变化率的上下界。变量的上下界,需要根据系统的实际数据的尺度变换后的范围来确定,变量变化率的上下界对应机组各变量的最大增减能力,在输入、输出量和变化率都有约束的情况下,负荷预测转化为带约束的MPC问题。
在其中一个实施例中,设计模型预测控制器,包括:在机组增功率预测时,设定功率阶跃参数为正数。在其中一个实施例中,在机组增功率预测时,阶跃值为10。在火电机组增功率的情况下,需要设定功率阶跃参数为正数,其它参数不做改动,阶跃值为10(尺度变换后的值),这个值可以尽可能的大,因为我们需要确定的是负荷调节能力的最大上限,可以通过仿真得到控制效果图。由于限定了各变量的上下界和变化率上下界,尤其是对主汽温度和压力的约束,可以保证系统在稳定的运行状态。在以下的仿真中,数据都进行了预处理和量级统一处理。
在其中一个实施例中,输入变量为气阀开度、燃煤量、总给水、风煤比和减温水;输出变量为机组负荷、主汽压力和主汽温度。
升负荷输入量曲线如图2所示,图中各输入量分别为气阀开度 (%);燃煤量(t/h);总给水(t/h);风煤比;减温水(t/h)。从图2可知,在约束范围内,为了充分利用机组的蓄热,加快机组初期的负荷响应速度,机组阀开度迅速增大,阀开度作为快速调节手段,为了方便下次调节,其不能处于较高或较低水平,为此对其惩罚函数做了设置,阀开度必须恢复到原始状态。为了提升机组负荷,机组的煤量、水量极速增加,煤和水是机组发电的能量来源,煤和水量将决定机组负荷的最终状态,风煤比是影响机组负荷的重要参数,为了保证煤充分燃烧和散热较少,风煤比理论上来讲应该是一个常数,根据经验值给出。减温水是调节主汽温度的最后一道工序,是系统的辅助手段,考虑到其对主汽温度的调节作用,没有做严格的约束处理。
升负荷输出量曲线如图3所示,图中各输出量分别为机组负荷 (MW);主汽压力(MPa);主汽温度(℃)。从图3可以看出,当系统负荷需要快速增加时,主汽温度和主汽压力都会随之变动。从图中分可得,煤和水对机组的变负荷影响具有一定的滞后作用。主汽温度和主汽压力作为输出约束,是机组负荷调节必须满足约束条件。也就是说,载约束条件下,系统最大升负荷能力是一个有限的上升曲线。
在其中一个实施例中,设计模型预测控制器,包括:在机组降功率预测时,设定功率阶跃参数为负数。
在降功率的情况下,需要设定功率阶跃参数为负数,其它参数不做改动,可以通过仿真得到控制效果图。由于限定了各变量的上下界和变化率上下界,尤其是对主汽温度和压力的约束,可以保证系统在稳定的运行状态。在以下的仿真中,数据都进行了预处理和量级统一处理。
降负荷输入量曲线如图4所示,图中各输入量分别为气阀开度 (%);燃煤量(t/h);总给水(t/h);风煤比;减温水(t/h)。从图4可知,在约束范围内,为了迅速降低机组负荷,机组阀开度迅速减小,为了方便下次调节,其不能处于较高或较低水平,为此对其惩罚函数做了设置,阀开度必须恢复到原始状态。为了最终达到降低机组负荷的目标,机组的煤量、水量急速减少,风煤比是影响机组负荷的重要参数,为了保证煤充分燃烧和散热较少,风煤比理论上来讲应该是一个常数,根据经验值给出,减温水是调节主汽温度的最后一道工序,是系统的辅助手段,考虑到其对主汽温度的调节作用,没有做严格的约束处理。
降负荷输出量曲线如图5所示,图中各输出量分别为机组负荷 (MW);主汽压力(MPa);主汽温度(℃)。从图5可以看出,当系统负荷需要快速下降时,机组的主汽温度和主汽压力也会受到影响。从图中分析可得,煤和水对机组的变负荷影响具有一定的滞后作用。为了保证机组安全运行,主汽温度、主汽压力必须限定在一定范围内。在满足主汽温度、主汽压力和各输入量满足约束条件,负荷最大下降曲线如图中负荷曲线所示。也就是说,系统最大降负荷能力是一个有限的下降曲线。
本发明的有益效果是:本发明在对超临界机组进行分析的基础上,结合机组运行的实际情况,对机组进行了建模及控制器设计。传统的控制器难以满足经济型、环境友好和动态响应等更高的要求。相比于传统的控制器,模型预测控制系统能够极大的改善控制效果,首先采用子空间模型辨识方法对机组系统模型进行建立,将该模型的仿真结果与机组实际运行数据对比,证明辨识得到的模型能够很好的表现系统的动态特性。针对子空间辨识得到的模型,设计了模型预测控制器. 设置系统关键变量的约束上下界以及稳态目标,通过模型预测控制算法,在满足机组负荷调节能力的约束条件下,对系统在短期内的负荷调节能力进行预测,仿真结果表明控制器控制效果良好,能够达到预期控制目标,充分证明所选方法和策略的有效性。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种600MW超临界火电机组建模与控制方法,其特征在于,包括以下步骤:
步骤100,利用子空间辨识法得到机组的分立模型,分立模型包括机组的负荷模型、主汽压力模型、中间点温度模型以及将中间点温度作为一个输入量建立的主汽温度模型;
步骤200,对所述分立模型进行组合,得到机组的整体模型;
步骤300,根据所述整体模型,设计模型预测控制器,包括在所述整体模型中设定输入、输出变量的名称和初始值,设定输入和输出变量的上下界、变化率的上下界,设定稳态目标。
2.根据权利要求1所述的600MW超临界火电机组建模与控制方法,其特征在于,所述子控件辨识法包括以下步骤:
步骤110,提供输入输出数据;
步骤120,构造汉克尔矩阵并进行计算;
步骤130,获得待辨识对象的状态空间模型。
3.根据权利要求2所述的600MW超临界火电机组建模与控制方法,其特征在于,所述输入输出数据采用全天运行数据,采样时间为5s。
4.根据权利要求1所述的600MW超临界火电机组建模与控制方法,其特征在于,所述分立模型通过模型线性化组合形成五输入三输出的机组整体标称模型。
5.根据权利要求1所述的600MW超临界火电机组建模与控制方法,其特征在于,所述设计模型预测控制器,包括:
在机组增功率预测时,设定功率阶跃参数为正数。
6.根据权利要求5所述的600MW超临界火电机组建模与控制方法,其特征在于,在机组增功率预测时,阶跃值为10。
7.根据权利要求1所述的600MW超临界火电机组建模与控制方法,其特征在于,所述设计模型预测控制器,包括:
在机组降功率预测时,设定功率阶跃参数为负数。
8.根据权利要求1所述的600MW超临界火电机组建模与控制方法,其特征在于,所述输入变量为气阀开度、燃煤量、总给水、风煤比和减温水;所述输出变量为机组负荷、主汽压力和主汽温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125301.2A CN111413864A (zh) | 2020-02-27 | 2020-02-27 | 一种600mw超临界火电机组建模与控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125301.2A CN111413864A (zh) | 2020-02-27 | 2020-02-27 | 一种600mw超临界火电机组建模与控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111413864A true CN111413864A (zh) | 2020-07-14 |
Family
ID=71490956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010125301.2A Pending CN111413864A (zh) | 2020-02-27 | 2020-02-27 | 一种600mw超临界火电机组建模与控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111413864A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684699A (zh) * | 2020-11-10 | 2021-04-20 | 北京京能科技有限公司 | 变量幅值约束的超临界机组运行的控制方法及超临界机组 |
CN113267994A (zh) * | 2021-04-23 | 2021-08-17 | 湖南省湘电试验研究院有限公司 | 基于三级控制串联的火电机组主汽压力控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536012A (zh) * | 2018-03-23 | 2018-09-14 | 东南大学 | 一种超临界火电机组协调控制系统及其非线性抗干扰控制方法 |
CN109507910A (zh) * | 2018-10-31 | 2019-03-22 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的火电机组建模与控制方法 |
-
2020
- 2020-02-27 CN CN202010125301.2A patent/CN111413864A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536012A (zh) * | 2018-03-23 | 2018-09-14 | 东南大学 | 一种超临界火电机组协调控制系统及其非线性抗干扰控制方法 |
CN109507910A (zh) * | 2018-10-31 | 2019-03-22 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的火电机组建模与控制方法 |
Non-Patent Citations (1)
Title |
---|
贺勇等: "火电机组间接建模策略研究", 《热力发电》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684699A (zh) * | 2020-11-10 | 2021-04-20 | 北京京能科技有限公司 | 变量幅值约束的超临界机组运行的控制方法及超临界机组 |
CN113267994A (zh) * | 2021-04-23 | 2021-08-17 | 湖南省湘电试验研究院有限公司 | 基于三级控制串联的火电机组主汽压力控制方法及系统 |
CN113267994B (zh) * | 2021-04-23 | 2023-05-05 | 湖南省湘电试验研究院有限公司 | 基于三级控制串联的火电机组主汽压力控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | Backstepping-based nonlinear adaptive control for coal-fired utility boiler–turbine units | |
Meng et al. | Adaptive power capture control of variable-speed wind energy conversion systems with guaranteed transient and steady-state performance | |
Kong et al. | Nonlinear multivariable hierarchical model predictive control for boiler-turbine system | |
CN104181900B (zh) | 一种多能源介质分层动态调控方法 | |
Zhou et al. | Affine nonlinear control for an ultra-supercritical coal fired once-through boiler-turbine unit | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN108427288B (zh) | 一类具有时变时延的网络化线性参数变化系统的h∞容错控制方法 | |
CN105955210A (zh) | 余热锅炉与工业锅炉发电协调运行动态优化方法与系统 | |
CN111413864A (zh) | 一种600mw超临界火电机组建模与控制方法 | |
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 | |
CN117031950A (zh) | 深度调峰火电机组控制系统建模的方法及装置 | |
Yin et al. | Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources | |
CN109375503B (zh) | 一种蒸汽余热梯级利用优化控制方法 | |
Zheng et al. | Deep reinforcement learning based active disturbance rejection load frequency control of multi-area interconnected power systems with renewable energy | |
CN108762086B (zh) | 基于模型预测控制的二次再热蒸汽温度控制装置及控制系统 | |
CN111682593B (zh) | 基于神经网络模型状态观测器的火电机组协调优化方法 | |
Hou et al. | Application of multi-agent EADRC in flexible operation of combined heat and power plant considering carbon emission and economy | |
CN101408908A (zh) | 基于优化的电力系统实用时滞稳定裕度计算方法 | |
CN101221437A (zh) | 网络信息交换模式下的工业生产全过程优化控制方法 | |
Liu et al. | Application of the main steam temperature control based on sliding multi-level multi-model predictive control | |
CN113467237B (zh) | 基于深度学习的主蒸汽温度的动态建模方法 | |
Xu et al. | Model predictive control for an IGCC gasifier | |
CN111273563B (zh) | 一种基于供热机组agc综合指标的预测控制方法 | |
CN114383130B (zh) | 锅炉过热汽温度控制方法、装置、设备及存储介质 | |
Dhamanda | Multifarious Technique Applied for the Correctness the Nervous System of Electricity Demand Using GA & AI Technique |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |
|
RJ01 | Rejection of invention patent application after publication |