CN111682593B - 基于神经网络模型状态观测器的火电机组协调优化方法 - Google Patents

基于神经网络模型状态观测器的火电机组协调优化方法 Download PDF

Info

Publication number
CN111682593B
CN111682593B CN202010478394.7A CN202010478394A CN111682593B CN 111682593 B CN111682593 B CN 111682593B CN 202010478394 A CN202010478394 A CN 202010478394A CN 111682593 B CN111682593 B CN 111682593B
Authority
CN
China
Prior art keywords
neural network
network model
unit
output
model
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
Application number
CN202010478394.7A
Other languages
English (en)
Other versions
CN111682593A (zh
Inventor
石家魁
李晓明
万杰
姚坤
孙殿承
付俊丰
鲁晓泰
江万泽
张磊
刘东旭
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.)
Harbin Wohua Intelligent Power Technology Co ltd
Heilongjiang Yuanbo Information Technology Co ltd
Harbin Institute of Technology
Northeast Electric Power University
Original Assignee
Harbin Wohua Intelligent Power Technology Co ltd
Heilongjiang Yuanbo Information Technology Co ltd
Harbin Institute of Technology
Northeast Dianli 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 Harbin Wohua Intelligent Power Technology Co ltd, Heilongjiang Yuanbo Information Technology Co ltd, Harbin Institute of Technology, Northeast Dianli University filed Critical Harbin Wohua Intelligent Power Technology Co ltd
Priority to CN202010478394.7A priority Critical patent/CN111682593B/zh
Publication of CN111682593A publication Critical patent/CN111682593A/zh
Application granted granted Critical
Publication of CN111682593B publication Critical patent/CN111682593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

基于神经网络模型状态观测器的火电机组协调优化方法，属于火电机组自动控制技术领域，本发明为解决现有机组协调控制优化方法存在难以满足所有工况、设计复杂的问题。它建立机组协调系统的神经网络模型和状态观测器；根据神经网络模型获得神经网络模型的控制量；实时采集机组输出和神经网络模型输出，计算机组输出和神经网络模型输出的差值；实时采集神经网络模型输出和状态观测器输出，计算神经网络模型输出和状态观测器输出的差值；分别判断两个差值是否在阈值范围内，如果不在阈值范围内则以实时数据更新神经网络模型；神经网络模型更新完成后，完成机组协调优化。本发明用于对火电机组的协调系统进行优化。

Description

基于神经网络模型状态观测器的火电机组协调优化方法
技术领域
本发明涉及一种火电机组协调优化方法，属于火电机组自动控制技术领域。
背景技术
火力发电机组是以煤炭、油类或可燃气体等为燃料，加热锅炉内的水，使之增温，再用有一定压力的蒸气推动气轮方式发电的机组。
AGC(自动增益控制)是使放大电路的增益自动地随信号强度而调整的自动控制方法。自动增益控制电路的作用是：当输入信号的电压变化很大时，保持接收机输出电压恒定或基本不变。具体地说，当输入信号很弱时，接收机的增益大，自动增益控制电路不起作用；当输入信号很强时，自动增益控制电路进行控制，使接收机的增益减小。这样，当接收信号强度变化时，接收机的输出端的电压或功率基本不变或保持恒定。
随着电网考核标准的不断提高，传统火电机组的AGC控制已经不能很好满足要求，并且由于新能源占比增加，放大了火电机组非线性与滞后性带来的问题。因此，需要提高火电机组的适应能力，创新控制方法。
现有的协调控制优化方法是基于固定单一模型进行局部线性优化，其所得控制参数难以适应所有工况，更难以满足火电机组参与调峰时大范围变工况运行控制。尽管出现了以自适应为基础的变参数控制策略，但往往无法从根本上解决机组大滞后的问题，加上其复杂的设计，给应用实施带来极大难度。
发明内容
本发明目的是为了解决现有机组协调控制优化方法存在难以满足所有工况、设计复杂的问题，提供了一种基于神经网络模型状态观测器的火电机组协调优化方法。
本发明所述基于神经网络模型状态观测器的火电机组协调优化方法，该优化方法包括：
S1、实时采集机组协调系统的运行数据；
S2、建立机组协调系统在t时刻的神经网络模型；
S3、根据S2获取的t时刻神经网络模型建立状态观测器，建立预测控制器；
S4、根据S2获取的t时刻神经网络模型获取神经网络模型的控制量；
S5、实时采集机组输出和神经网络模型输出，计算机组输出和神经网络模型输出的差值e1；
S6、判断差值e1是否在[-M,M]内，否则以实时数据更新神经网络模型；
其中，M＝[M1:M2]，M1表示负荷限制值，M2表示压力偏差最小值；
S7、实时采集神经网络模型输出和状态观测器输出，计算神经网络模型输出和状态观测器输出的差值e2；
S8、判断差值e2是否在[-M,M]内，否则以实时数据更新神经网络模型；
S9、神经网络模型更新完成后，完成机组协调优化。
优选的，S1所述实时采集的机组协调系统运行数据包括：
机组调门指令、电网实时AGC给定负荷指令、机组实时负荷值、机组实时主蒸汽压力值和实时给煤量。
优选的，S2所述建立机组协调系统在t时刻的神经网络模型的方法包括：
S2-1、建立机组协调系统在典型负荷下的传递函数模型；
S2-2、对传递函数模型进行拟合和转换，获得同阶次的状态空间模型；
S2-3、针对典型负荷下的状态空间模型，采用T-S模糊模型建立被控对象的全局近似模型；
S2-4、获取全局近似模型t时刻的负荷值N(t)，根据N(t)获取t时刻的协调控制系统状态方程S(t)；
S2-5、采用神经网络模型代替S(t)，同时将机组实际输出与神经网络模型输出的差值作为反馈误差，根据反馈误差优化神经网络模型；
S2-6、判断机组实际输出与误差阈值的大小，如果机组实际输出小于等于误差阈值，则将当前机组负荷的神经网络模型代入优化后的神经网络模型，形成神经网络模型数据库；
S2-7、重复执行S2-6，优化所有机组负荷点的神经网络模型数据库，完成神经网络模型的建立。
优选的，S2-2所述获得状态空间模型的方法包括：
根据被控对象的特性，每个工况点的传递函数模型均等效为一阶惯性加延迟形式：
Figure BDA0002516554590000021
其中，K表示比例系数，T表示时间常数，s表示时间，τ表示延迟系数，
对
Figure BDA0002516554590000031
进行拟合，获得n阶次传递函数：
Figure BDA0002516554590000032
将n阶次传递函数通过[A,B,C,D]＝tf2ss(num,den)转换为状态空间方程：
Figure BDA0002516554590000033
其中：[A,B,C,D]表示状态空间矩阵，ss(num,den)表示状态空间，num表示传递函数的分子系数，den表示分母系数；
x表示状态输入，y表示状态输出，u表示神经网络模型的控制量。
优选的，S2-6所述误差阈值是3％N(t)。
优选的，S3所述建立状态观测器的方法包括：
S3-1、所有机组负荷点的神经网络模型的状态输出pi与对应权值ξi相乘，累加获得状态反馈变量：
Figure BDA0002516554590000034
根据状态反馈变量建立状态观测器，
其中，m＝1,2,…,i,…,m表示所有神经网络模型的数量；
S3-2、根据S3-1获取的状态观测器计算增益矩阵Ke，同时根据T-S模糊模型获取状态反馈系数矩阵K'；
S3-3、根据T-S模糊模型建立预测控制器，预测控制器的输出反馈为：
Figure BDA0002516554590000035
其中，yi表示第i个状态观测器子模型的输出。
优选的，S2-3所述T-S模糊模型为：模糊的前件变量是机组的负荷变量，采用三角形隶属度函数，后件为各个工况点线性模型的输出。
优选的，S6和S8所述以实时数据更新神经网络模型的方法相同，包括：根据实时数据的时间长度，倒推相同时间长度的历史数据，采用实时数据更新历史数据。
优选的，M1＝1％×(35％-40％)×N0，N0表示机组额定负荷；
M2＝[-0.5,0.5]MPa。
本发明的优点：本发明提出一种基于神经网络模型状态观测器的火电机组协调优化方法，在不影响运行机组的前提下，用神经网络模型实时跟踪及组状态，并以最新动态神经网络为对象建立状态观测器，将实时最优控制参数反馈至运行机组，不仅克服机组非线性，同时提高了调节快速性。
附图说明
图1是本发明所述建立神经网络模型的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于神经网络模型状态观测器的火电机组协调优化方法，该优化方法包括：
S1、实时采集机组协调系统的运行数据；
S2、建立机组协调系统在t时刻的神经网络模型；
S3、根据S2获取的t时刻神经网络模型建立状态观测器，建立预测控制器；
S4、根据S2获取的t时刻神经网络模型获取神经网络模型的控制量；
S5、实时采集机组输出和神经网络模型输出，计算机组输出和神经网络模型输出的差值e1；
S6、判断差值e1是否在[-M,M]内，否则以实时数据更新神经网络模型；
其中，M＝[M1:M2]，M1表示负荷限制值，M2表示压力偏差最小值；
S7、实时采集神经网络模型输出和状态观测器输出，计算神经网络模型输出和状态观测器输出的差值e2；
S8、判断差值e2是否在[-M,M]内，否则以实时数据更新神经网络模型；
S9、神经网络模型更新完成后，完成机组协调优化。
本实施方式中，S6和S8中，如果差值e1或差值e2在[-M,M]内，则不需要进行机组协调优化。
进一步的，S1所述实时采集的机组协调系统运行数据包括：
机组调门指令、电网实时AGC给定负荷指令、机组实时负荷值、机组实时主蒸汽压力值和实时给煤量。
再进一步的S2所述建立机组协调系统在t时刻的神经网络模型的方法包括：
S2-1、建立机组协调系统在典型负荷下的传递函数模型；
S2-2、对传递函数模型进行拟合和转换，获得同阶次的状态空间模型；
S2-3、针对典型负荷下的状态空间模型，采用T-S模糊模型建立被控对象的全局近似模型；
S2-4、获取全局近似模型t时刻的负荷值N(t)，根据N(t)获取t时刻的协调控制系统状态方程S(t)；
S2-5、采用神经网络模型代替S(t)，同时将机组实际输出与神经网络模型输出的差值作为反馈误差，根据反馈误差优化神经网络模型；
S2-6、判断机组实际输出与误差阈值的大小，如果机组实际输出小于等于误差阈值，则将当前机组负荷的神经网络模型代入优化后的神经网络模型，形成神经网络模型数据库；
S2-7、重复执行S2-6，优化所有机组负荷点的神经网络模型数据库，完成神经网络模型的建立。
本实施方式S2-1所述所述典型负荷为：50％负荷、75％负荷和100％负荷。
本实施方式S2-3所述采用T-S模糊模型建立被控对象的全局近似模型，用以表征协调控制系统连续工况的动态特性。
再进一步的，S2-2所述获得状态空间模型的方法包括：
根据被控对象的特性，每个工况点的传递函数模型均等效为一阶惯性加延迟形式：
Figure BDA0002516554590000051
其中，K表示比例系数，T表示时间常数，s表示时间，τ表示延迟系数，
对
Figure BDA0002516554590000052
进行拟合，获得n阶次传递函数：
Figure BDA0002516554590000053
将n阶次传递函数通过[A,B,C,D]＝tf2ss(num,den)转换为状态空间方程：
Figure BDA0002516554590000054
其中：[A,B,C,D]表示状态空间矩阵，ss(num,den)表示状态空间，num表示传递函数的分子系数，den表示分母系数；
x表示状态输入，y表示状态输出，u表示神经网络模型的控制量。
再进一步的，S2-6所述误差阈值是3％N(t)。
本实施方式中，3％的设定是依据系统调节时间的常规定义而界定，因为允许误差的带宽度一般取稳定输出值的2％或5％。
再进一步的，S3所述建立状态观测器的方法包括：
S3-1、所有机组负荷点的神经网络模型的状态输出pi与对应权值ξi相乘，累加获得状态反馈变量：
Figure BDA0002516554590000061
根据状态反馈变量建立状态观测器，
其中，m＝1,2,…,i,…,m表示所有神经网络模型的数量；
S3-2、根据S3-1获取的状态观测器计算增益矩阵Ke，同时根据T-S模糊模型获取状态反馈系数矩阵K'；
S3-3、根据T-S模糊模型建立预测控制器，预测控制器的输出反馈为：
Figure BDA0002516554590000062
其中，yi表示第i个状态观测器子模型的输出。
再进一步的，S2-3所述T-S模糊模型为：模糊的前件变量是机组的负荷变量，采用三角形隶属度函数，后件为各个工况点线性模型的输出。
再进一步的，S6和S8所述以实时数据更新神经网络模型的方法相同，包括：根据实时数据的时间长度，倒推相同时间长度的历史数据，采用实时数据更新历史数据。
再进一步的，M1＝1％×(35％-40％)×N0，N0表示机组额定负荷；
M2＝[-0.5,0.5]MPa。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (6)

1.基于神经网络模型状态观测器的火电机组协调优化方法，其特征在于，该优化方法包括：
S1、实时采集机组协调系统的运行数据；
S2、建立机组协调系统在t时刻的神经网络模型；
S3、根据S2获取的t时刻神经网络模型建立状态观测器，建立预测控制器；
S4、根据S2获取的t时刻神经网络模型获取神经网络模型的控制量；
S5、实时采集机组输出和神经网络模型输出，计算机组输出和神经网络模型输出的差值e1；
S6、判断差值e1是否在[-M,M]内，否则以实时数据更新神经网络模型；
其中，M＝[M1:M2]，M1表示负荷限制值，M2表示压力偏差最小值；
S7、实时采集神经网络模型输出和状态观测器输出，计算神经网络模型输出和状态观测器输出的差值e2；
S8、判断差值e2是否在[-M,M]内，否则以实时数据更新神经网络模型；
S9、神经网络模型更新完成后，完成机组协调优化；
S1所述实时采集的机组协调系统运行数据包括：
机组调门指令、电网实时AGC给定负荷指令、机组实时负荷值、机组实时主蒸汽压力值和实时给煤量；
S2所述建立机组协调系统在t时刻的神经网络模型的方法包括：
S2-1、建立机组协调系统在典型负荷下的传递函数模型；
S2-2、对传递函数模型进行拟合和转换，获得同阶次的状态空间模型；
S2-3、针对典型负荷下的状态空间模型，采用T-S模糊模型建立被控对象的全局近似模型；
S2-4、获取全局近似模型t时刻的负荷值N(t)，根据N(t)获取t时刻的协调控制系统状态方程S(t)；
S2-5、采用神经网络模型代替S(t)，同时将机组实际输出与神经网络模型输出的差值作为反馈误差，根据反馈误差优化神经网络模型；
S2-6、判断机组实际输出与误差阈值的大小，如果机组实际输出小于等于误差阈值，则将当前机组负荷的神经网络模型代入优化后的神经网络模型，形成神经网络模型数据库；
S2-7、重复执行S2-6，优化所有机组负荷点的神经网络模型数据库，完成神经网络模型的建立。
2.根据权利要求1所述基于神经网络模型状态观测器的火电机组协调优化方法，其特征在于，S2-6所述误差阈值是3％N(t)。
3.根据权利要求1所述基于神经网络模型状态观测器的火电机组协调优化方法，其特征在于，S3所述建立状态观测器的方法包括：
S3-1、所有机组负荷点的神经网络模型的状态输出pi与对应权值ξi相乘，累加获得状态反馈变量：
Figure FDA0004026718900000021
根据状态反馈变量建立状态观测器，
其中，m＝1,2,…,i,…,m表示所有神经网络模型的数量；
S3-2、根据S3-1获取的状态观测器计算增益矩阵Ke，同时根据T-S模糊模型获取状态反馈系数矩阵K'；
S3-3、根据T-S模糊模型建立预测控制器，预测控制器的输出反馈为：
Figure FDA0004026718900000022
其中，yi表示第i个状态观测器子模型的输出。
4.根据权利要求1-3中任一项所述基于神经网络模型状态观测器的火电机组协调优化方法，其特征在于，S2-3所述T-S模糊模型为：模糊的前件变量是机组的负荷变量，采用三角形隶属度函数，后件为各个工况点线性模型的输出。
5.根据权利要求1所述基于神经网络模型状态观测器的火电机组协调优化方法，其特征在于，S6和S8所述以实时数据更新神经网络模型的方法相同，包括：根据实时数据的时间长度，倒推相同时间长度的历史数据，采用实时数据更新历史数据。
6.根据权利要求1所述的基于神经网络模型状态观测器的火电机组协调优化方法，其特征在于，M1＝1％×(35％-40％)×N0，N0表示机组额定负荷；
M2＝[-0.5,0.5]MPa。
CN202010478394.7A 2020-05-29 2020-05-29 基于神经网络模型状态观测器的火电机组协调优化方法 Active CN111682593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010478394.7A CN111682593B (zh) 2020-05-29 2020-05-29 基于神经网络模型状态观测器的火电机组协调优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010478394.7A CN111682593B (zh) 2020-05-29 2020-05-29 基于神经网络模型状态观测器的火电机组协调优化方法

Publications (2)

Publication Number Publication Date
CN111682593A CN111682593A (zh) 2020-09-18
CN111682593B true CN111682593B (zh) 2023-04-18

Family

ID=72434645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010478394.7A Active CN111682593B (zh) 2020-05-29 2020-05-29 基于神经网络模型状态观测器的火电机组协调优化方法

Country Status (1)

Country Link
CN (1) CN111682593B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112648140B (zh) * 2020-12-21 2022-03-18 北京华能新锐控制技术有限公司 基于信号重构的风电机组桨距角编码器故障容错方法
CN117353396B (zh) * 2023-12-06 2024-03-08 国网浙江省电力有限公司信息通信分公司 一种基于启停曲线的火电机组调度优化方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08339204A (ja) * 1995-06-09 1996-12-24 Hitachi Ltd 火力発電プラント自律適応最適化制御システム
CN102135760A (zh) * 2010-12-16 2011-07-27 天津工业大学 微网用神经网络能量协调控制器
CN103595045A (zh) * 2013-11-28 2014-02-19 上海电力学院 风机参与调频的风柴混合电力系统负荷频率协调控制方法
CN105939028A (zh) * 2015-03-03 2016-09-14 通用电气公司 用于增强发电厂发电单元的控制的方法和系统
CN106406101A (zh) * 2016-11-21 2017-02-15 华北电力大学（保定） 一种火电机组协调控制系统的智能计算预测控制方法
CN109886471A (zh) * 2019-01-22 2019-06-14 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于神经网络与智能优化算法的火电机组负荷分配方法
CN110298501A (zh) * 2019-06-21 2019-10-01 河海大学常州校区 基于长短时记忆神经网络的电负荷预测方法
CN110458724A (zh) * 2019-08-19 2019-11-15 国网山东省电力公司电力科学研究院 一种基于神经网络预测火电机组深度调峰能力的方法
CN110531719A (zh) * 2019-08-27 2019-12-03 赫普能源环境科技有限公司 一种火电机组协调控制调峰调频系统、设备和方法
CN110867903A (zh) * 2019-11-27 2020-03-06 浙江工业大学 一种基于深度神经网络的智能电网系统实时最优功率分配方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08339204A (ja) * 1995-06-09 1996-12-24 Hitachi Ltd 火力発電プラント自律適応最適化制御システム
CN102135760A (zh) * 2010-12-16 2011-07-27 天津工业大学 微网用神经网络能量协调控制器
CN103595045A (zh) * 2013-11-28 2014-02-19 上海电力学院 风机参与调频的风柴混合电力系统负荷频率协调控制方法
CN105939028A (zh) * 2015-03-03 2016-09-14 通用电气公司 用于增强发电厂发电单元的控制的方法和系统
CN106406101A (zh) * 2016-11-21 2017-02-15 华北电力大学（保定） 一种火电机组协调控制系统的智能计算预测控制方法
CN109886471A (zh) * 2019-01-22 2019-06-14 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于神经网络与智能优化算法的火电机组负荷分配方法
CN110298501A (zh) * 2019-06-21 2019-10-01 河海大学常州校区 基于长短时记忆神经网络的电负荷预测方法
CN110458724A (zh) * 2019-08-19 2019-11-15 国网山东省电力公司电力科学研究院 一种基于神经网络预测火电机组深度调峰能力的方法
CN110531719A (zh) * 2019-08-27 2019-12-03 赫普能源环境科技有限公司 一种火电机组协调控制调峰调频系统、设备和方法
CN110867903A (zh) * 2019-11-27 2020-03-06 浙江工业大学 一种基于深度神经网络的智能电网系统实时最优功率分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AGC方式下火电机组间负荷优化分配方法研究;王建君;《中国优秀硕士学位论文全文数据库》;20110715;全文 *
基于仿人智能控制算法的330MW机组深度调峰控制研究;刘桂生;《汽轮机技术》;20191031;第61卷(第5期);第368-374页 *

Also Published As

Publication number Publication date
CN111682593A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN107679769B (zh) 含风电的电力系统频率响应模型建立方法和频率特性指标计算方法
Meng et al. Adaptive power capture control of variable-speed wind energy conversion systems with guaranteed transient and steady-state performance
CN101709869B (zh) 燃煤锅炉过热蒸汽温度系统混合控制方法
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
CN106919053A (zh) 一种基于变结构预测控制算法的火电机组协调控制系统
CN104090491B (zh) 燃气蒸汽联合循环机组多变量受限预测函数负荷控制方法
CN107368049A (zh) 基于电厂dcs系统的机组变负荷下给煤量的控制方法
CN111224434A (zh) 光火储混合发电系统的负荷频率协调优化控制方法
CN110889638B (zh) 一种火电厂操作评价方法及相关设备
CN105870942B (zh) 一种基于近似动态规划算法的一次调频附加学习控制方法
CN101709863B (zh) 燃煤锅炉炉膛压力系统混合控制方法
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
CN101709867B (zh) 燃煤锅炉汽包水位系统混合控制方法
CN101286045A (zh) 一种燃煤锅炉系统混合控制方法
CN113031565B (zh) 一种火电机组一次调频功率响应性能预测方法及系统
CN108661725A (zh) 一种供热抽汽机组自整调节系统与控制方法
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
CN112394639B (zh) 带有增量式调节功能的核电机组控制棒调节方法及系统
CN109631007A (zh) 一种发电机组锅炉主控系统燃料反馈信号优化处理方法
CN109375503B (zh) 一种蒸汽余热梯级利用优化控制方法
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
CN113448248A (zh) 一种火电机组灵活性及深度调峰智能控制方法
CN111413864A (zh) 一种600mw超临界火电机组建模与控制方法
CN112036009A (zh) 汽轮机调速系统宽工况精细化仿真模型及参数辨识方法
CN111522365A (zh) 一种多机组联合供热方式下抽汽流量的调控方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 150001 Room 401, 4th floor, science and Technology Park building, Harbin University of technology, No. 434, youyou street, Nangang District, Harbin City, Heilongjiang Province

Applicant after: HEILONGJIANG YUANBO INFORMATION TECHNOLOGY Co.,Ltd.

Applicant after: NORTHEAST DIANLI University

Applicant after: Harbin wohua Intelligent Power Technology Co.,Ltd.

Applicant after: HARBIN INSTITUTE OF TECHNOLOGY

Address before: 150001 Room 401, 4th floor, science and Technology Park building, Harbin University of technology, No. 434, youyou street, Nangang District, Harbin City, Heilongjiang Province

Applicant before: HEILONGJIANG YUANBO INFORMATION TECHNOLOGY Co.,Ltd.

Applicant before: NORTHEAST DIANLI University

Applicant before: HARBIN WOHUA INTELLIGENT POWER GENERATION EQUIPMENT CO.,LTD.

Applicant before: HARBIN INSTITUTE OF TECHNOLOGY

CB02 Change of applicant information
CB02 Change of applicant information

Address after: 150001 Room 401, 4th floor, science and Technology Park building, Harbin University of technology, No. 434, youyou street, Nangang District, Harbin City, Heilongjiang Province

Applicant after: HEILONGJIANG YUANBO INFORMATION TECHNOLOGY Co.,Ltd.

Applicant after: NORTHEAST DIANLI University

Applicant after: Harbin wohua Intelligent Power Technology Co.,Ltd.

Applicant after: HARBIN INSTITUTE OF TECHNOLOGY

Address before: 150001 Room 401, 4th floor, science and Technology Park building, Harbin University of technology, No. 434, youyou street, Nangang District, Harbin City, Heilongjiang Province

Applicant before: HEILONGJIANG YUANBO INFORMATION TECHNOLOGY Co.,Ltd.

Applicant before: NORTHEAST DIANLI University

Applicant before: HARBIN WOHUA INTELLIGENT POWER GENERATION EQUIPMENT CO.,LTD.

Applicant before: HARBIN INSTITUTE OF TECHNOLOGY

GR01 Patent grant
GR01 Patent grant