CN113359425A - 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统 - Google Patents
一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统 Download PDFInfo
- Publication number
- CN113359425A CN113359425A CN202110764315.3A CN202110764315A CN113359425A CN 113359425 A CN113359425 A CN 113359425A CN 202110764315 A CN202110764315 A CN 202110764315A CN 113359425 A CN113359425 A CN 113359425A
- Authority
- CN
- China
- Prior art keywords
- main steam
- steam temperature
- neural network
- prediction model
- pid
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000003245 coal Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- 239000003546 flue gas Substances 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000004071 soot Substances 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 230000003111 delayed effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 6
- 238000002485 combustion reaction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method 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
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 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
- 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.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明涉及一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，包括步骤：建立并训练主汽温预测模型；利用训练好的主汽温预测模型，进行PID优化；根据训练得到的主汽温预测模型，针对炉内空气动力场、火焰中心的扰动进行主汽温预测，量化风量波动、燃烧每层变动等扰动对于主汽温的影响，并根据主汽温预测结果来建立相关的调节经验库，作为智能化控制的依据。本发明的有益效果是：在现有的主汽温自动调节的基础上，建立主汽温的预测模型，改良主汽温PID系统结构，通过深度学习神经网络对主汽温的预测，利用主汽温的预测数值，改良过热器减温水的PID控制逻辑，显著改善其调节品质。
Description
技术领域
本发明属于火电厂的主汽温控制领域，尤其涉及一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统。
背景技术
从朗肯循环中可以发现，高温热源温度越高，在同等的低温热源环境下，热机循环效率会越高。因此，提高火电厂锅炉主汽温度，是提高火电厂发电效率的一个方向。但是，受到锅炉、汽机、管道等材料限制，主汽温不可能无限制提高。同时，过热蒸汽温度是锅炉生产过程中安全性和经济性的最重要的参数之一，过热汽温过高会导致管壁金属温度过高，蠕胀增强，降低管道寿命，经常超温还会导致过热管道超温爆管。目前1000MW的机组，主汽温一般控制在605±5℃。这就要求有一套完善的控制系统，将火电厂的主汽温维持在合理的区间。
传统的火电厂锅炉主汽温控制，主要依靠于过热器两级减温水的自动调节，辅以炉内空气动力场调整、火焰中心的调整等。其中减温水的自动调节是基于PID串级控制，如图1。炉内空气动力场调整、火焰中心的调整是则是基于运行人员经验进行的。
从日常运行中可以发现，减温水的PID控制可以应对普通的工况扰动，但是对于极端的扰动，其控制效果不尽人意；这是由于蒸汽温度控制对象具有惯性大、滞后大、非线性、强耦合的特性。此外，炉内空气动力场调整、火焰中心的调整等手段严重依赖运行专家经验，且调节效果较慢，不如减温水调节的效果明显。为了保证主汽温控制的稳定性、准确性，实现PID的快速控制，实现主汽温的精准预测是非常必要的。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统。
这种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，包括以下步骤：
步骤1、建立并训练主汽温预测模型；
步骤1.1、考虑到火电机组的调节对象往往具有大时延的特性，相比于普通单层LSTM神经网络，主汽温预测模型采取双层LSTM神经网络和三层逐渐收敛的BP神经网络，长短期记忆神经网络(LSTM)是一种特殊的循环神经网络，其神经元可以通过增加门控单元来控制即时信息对历史信息的影响程度，使得神经网络模型能够较长时间保存并且传递信息；与传统RNN神经网络结构相同，LSTM神经网络也是由多个节点单元连接而成，只是LSTM神经网络的单元结构较传统RNN单元有所改进，如图2；LSTM神经网络设有遗忘门gf、输入门gi和输出门go，LSTM神经网络的相关方程为，LSTM单元可以看作一个尝试将信息存储较久的记忆单元。记忆单元被3个激活门(遗忘门gf、输入门gi、输出门go)所保护，并以此为基础实现有效信息的更新和利用。其结构相当于在传统RNN单元结构的基础上增加了1个细胞状态C,将上一时刻输出传递的同时将之前所有时刻的全部信息经过滤后进行传递，使下一时刻的输出能够兼顾之前的信息：
ft＝σ(Wf×[ht-1,xt]+bf) (1)
it＝σ(Wi×[ht-1,xt]+bi) (2)
ot＝σ(Wo×[ht-1,xt]+bo) (4)
ht＝ot*tanh(Ct) (5)
上式中，xt为t时刻LSTM单元的输入；ht-1为t-1时刻LSTM单元的输入；Wf为遗忘门gf的权重矩阵；Wi为输入门gi的权重矩阵；Wo为输出门go的权重矩阵；bf为遗忘门gf的偏置项；bi为输入门gi的偏置项；bo为输出门go的偏置项；ft为遗忘门gf在t时刻的状态，it为输入门gi在t时刻的状态，ot为输出门go在t时刻的状态；σ为sigmoid激活函数，tanh为双曲函数的激活函数，Ct为t时刻的LSTM单元状态，
为t时刻输入的临时状态，Wc、bc分别为计算
的权重矩阵及偏置项，ht为t时刻LSTM单元的输出；
全连接层最后的输出节点为多个，最终输出为全连接层多个输出的均值，相对于现有机组预测模型，主汽温预测模型预测效果明显提升；
步骤1.2、进行数据收集，对收集到的数据进行数据清洗后，将数据按照时间序列排序；
步骤1.3、将清洗、排序完成的数据输入主汽温预测模型，根据公式(1)至公式(5)，依次计算步骤1.2收集到的相应数据类型的数据，得到LSTM神经网络的输出数据；将LSTM神经网络的输出数据再送入BP神经网络进行二次计算，BP神经网络的最后一层有多个节点，多个节点输出多个预测结果，以多个预测结果的均值作为主汽温预测模型的最终预测值；最后采用Adam方法对对主汽温预测模型进行迭代训练寻优，当主汽温预测模型的预测精度达到设定值(99％)以上时，停止迭代训练；因此LSTM对比普通的神经网络算法具有更大的优势，其特性被广泛用于时间序列数据和实时数据预测分析，可适用于火电厂汽温控制系统类存在大惯性时延系统的预测。
步骤2、利用训练好的主汽温预测模型，进行PID优化(是汽温的精准预测值的重要应用部分)；
步骤2.1、用主汽温预测模型中双层LSTM神经网络来预测设定时延后的主汽温预测值；
步骤2.2、计算当前主汽温数值与主汽温预测值之间的差值Δt，将Δt输入串级PID系统的内部副PID控制器，为副PID控制器提供前馈修正，优化副PID控制效果；由于副PID控制器根据主汽温预测值进行细调，有了主汽温预测值的前馈修正后，副PID控制器的细调效果会更加快速，提高串级PID系统在剧烈变动工况下的控制品质，主PID控制器仍进行粗调修正，保证串级PID系统的准确性，从而在仍保证了控制准确性的前提下，增强了串级PID系统对于剧烈变动工况的承受能力；
步骤3、根据训练得到的主汽温预测模型，针对炉内空气动力场、火焰中心的扰动进行主汽温预测，量化风量波动、燃烧每层变动等扰动对于主汽温的影响，并根据主汽温预测结果来建立相关的调节经验库，作为智能化控制的依据。
作为优选，步骤1.2收集的数据包括：机组的总燃料量、给水流量、总风量、烟气温度、二次风门开度、二次风温度、磨煤机电流、磨煤机运行方式和炉吹灰器运行状态等二百多个对主汽温有影响的参数。
作为优选，步骤2.1中主汽温预测值为高温过热器的出口温度值。
作为优选，步骤2.1中设定时延为10秒。
作为优选，步骤1.3中的预测精度设定值为99％。
本发明的有益效果是：
为减少火电厂锅炉主汽温调整对于专家经验的依赖，同时改善减温水调节系统的调节效果，本发明在现有的主汽温自动调节的基础上，建立主汽温的预测模型，改良主汽温PID系统结构，通过深度学习神经网络对主汽温的预测，利用主汽温的预测数值，改良过热器减温水的PID控制逻辑，显著改善其调节品质；
同时对汽温调节的专家经验进行量化，实现主汽温智能调节和预警，无需人工判断空气动力场、火焰中心对汽温的影响，降低人员劳动强度，且判断结果更精确，调节效果更加优秀；量化专家经验的调节规律，实现火电厂锅炉主汽温的智能控制；改良主汽温PID系统结构，同时量化炉内空气动力场、火焰中心等调节对主汽温的影响，量化运行专家的调节经验，实现主汽温的精确控制的同时减少对专家经验的依赖；为后续的精准调节打好基础；
本发明也可用于其他工业系统的PID控制系统改善，如火电厂脱硝控制系统、化工厂液位控制系统等。
附图说明
图1为传统的火电厂主汽温串级控制系统图；
图2为本发明采用的LSTM神经元架构图；
图3为本发明的主汽温智能控制系统流程图；
图4为LSTM预测结果优化串级PID控制系统图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明提出一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统，因为LSTM神经网络属于循环神经网络(RNN)的一种，其特性适用于带时延系统的数据预测，所以本发明选用LSTM神经网络进行主汽温预测，对现有的火电厂锅炉主汽温的控制系统的进行智能优化。本发明通过改进型的LSTM神经网络结合BP网络进行预测，通过搭建LSTM神经网络，结合机组负荷、燃料量、给水量、烟气温度、各受热面金属壁温等当前工况的多参数进行大数据分析，对10秒后的主汽温进行预测，为后续的预警和PID控制提供重要依据。
实施例1:
如图3所示，一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，包括步骤：
1、建立主汽温的预测模型：
1.1考虑到火电机组的调节对象具有大时延的特性，选用基于改良型LSTM神经网络建立机组预测模型。该神经网络由双层LSTM神经网络加三层逐渐收敛的BP神经网络组成。
1.2收集机组的总燃料量、给水流量、总风量、烟气温度、二次风门开度、二次风温度、磨煤机电流、磨煤机运行方式、锅炉吹灰器运行状态等对主汽温有影响的参数。参数数量约120个，总数据量约2000万。根据LSTM神经网络的特性要求，进行数据清洗后，按照时间序列排序。
1.3将清洗、排序完成的数据输入LSTM神经网络模型，对模型进行迭代训练寻优。当模型的预测精度达到99％以上，停止训练。
2、利用建立好的主汽温预测模型，进行PID优化：
2.1通过改良LSTM神经网络，预测10秒后的主汽温(高温过热器出口温度)数值。
2.2计算当前主汽温实时值与10秒后预测值的差值Δt。将Δt输入如图4所示串级PID系统的内部副PID控制器，为其提供前馈修正，优化副PID控制效果。。副PID的超调量和调节时间都有所减少，其细调效果得到改善。
2.3串级控制细调的主PID仍负责粗调修正，保证优化效果。若模型预测的数值出现异常，导致副PID的前馈异常，仍可以由主PID进行修正。由于PID控制器的强鲁棒性，控制器输出结果仍可以保持在正常范围内，从而在仍保证了控制准确性的前提下，增强了控制系统对于剧烈变动工况的承受能力。
3、汽温预测模型反向推导：
根据建立的主汽温预测模型，针对炉内空气动力场、火焰中心的扰动进行试验，量化风量波动、燃烧每层变动等扰动对于主汽温的影响。
即通过向模型人为输入风量、煤量等变量的阶跃扰动，得出主汽温的变化趋势，从而得出变量对主汽温的影响程度、趋势等，并以这些数据建立相关的经验库，作为智能化控制的依据。
实施例2：
在实施例1的基础上，优选地，如图2所示的双层LSTM神经网络的相关方程为，LSTM单元可以看作一个尝试将信息存储较久的记忆单元。记忆单元被3个激活门(遗忘门gf、输入门gi、输出门go)所保护，并以此为基础实现有效信息的更新和利用。其结构相当于在传统RNN单元结构的基础上增加了1个细胞状态C,将上一时刻输出传递的同时将之前所有时刻的全部信息经过滤后进行传递，使下一时刻的输出能够兼顾之前的信息：
ft＝σ(Wf×[ht-1,xt]+bf) (1)
it＝σ(Wi×[ht-1,xt]+bi) (2)
ot＝σ(Wo×[ht-1,xt]+bo) (4)
ht＝ot*tanh(Ct) (5)
上式中，xt为t时刻的输入；ht-1为t-1时刻LSTM单元的输入；Wf为遗忘门gf的权重矩阵；Wi为输入门gi的权重矩阵；Wo为输出门go的权重矩阵；bf为遗忘门gf的偏置项；bi为输入门gi的偏置项；bo为输出门go的偏置项；ft为遗忘门gf在t时刻的状态，it为输入门gi在t时刻的状态，ot为输出门go在t时刻的状态；σ为sigmoid激活函数，tanh为双曲函数的激活函数，Ct为t时刻的LSTM单元状态，
为t时刻输入的临时状态，Wc、bc分别为计算
的权重矩阵及偏置项，ht为t时刻LSTM单元的输出；
全连接层最后的输出节点为多个，最终输出为全连接层多个输出的均值，相对于现有机组预测模型，主汽温预测模型预测效果明显提升。
Claims (5)
1.一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于，包括以下步骤：
步骤1、建立并训练主汽温预测模型；
步骤1.1、主汽温预测模型采取双层LSTM神经网络和三层逐渐收敛的BP神经网络；LSTM神经网络设有遗忘门gf、输入门gi和输出门go，LSTM神经网络的相关方程为：
ft＝σ(Wf×[ht-1，xt]+bf) (1)
it＝σ(Wi×[ht-1，xt]+bi) (2)
ot＝σ(Wo×[ht-1，xt]+bo) (4)
ht＝ot*tanh(Ct) (5)
上式中，xt为t时刻LSTM单元的输入；ht-1为t-1时刻LSTM单元的输入；Wf为遗忘门gf的权重矩阵；Wi为输入门gi的权重矩阵；Wo为输出门go的权重矩阵；bf为遗忘门gf的偏置项；bi为输入门gi的偏置项；bo为输出门go的偏置项；ft为遗忘门gf在t时刻的状态，it为输入门gi在t时刻的状态，ot为输出门go在t时刻的状态；σ为sigmoid激活函数，tanh为双曲函数的激活函数，Ct为t时刻的LSTM单元状态，
为t时刻输入的临时状态，Wc、bc分别为计算
的权重矩阵及偏置项，ht为t时刻LSTM单元的输出；
双层LSTM神经网络全连接层最终输出为全连接层多个输出的均值；
步骤1.2、进行数据收集，对收集到的数据进行数据清洗后，将数据按照时间序列排序；
步骤1.3、将清洗、排序完成的数据输入主汽温预测模型，根据公式(1)至公式(5)，依次计算步骤1.2收集到的相应数据类型的数据，得到LSTM神经网络的输出数据；将LSTM神经网络的输出数据再送入BP神经网络进行二次计算，BP神经网络的最后一层有多个节点，多个节点输出多个预测结果，以多个预测结果的均值作为主汽温预测模型的最终预测值；最后采用Adam方法对主汽温预测模型进行迭代训练寻优，当主汽温预测模型的预测精度达到设定值以上时，停止迭代训练；
步骤2、利用训练好的主汽温预测模型，进行PID优化；
步骤2.1、用主汽温预测模型中双层LSTM神经网络来预测设定时延后的主汽温预测值；
步骤2.2、计算当前主汽温数值与主汽温预测值之间的差值Δt，将Δt输入串级PID系统的内部副PID控制器，为副PID控制器提供前馈修正；主PID控制器仍进行粗调修正；
步骤3、根据训练得到的主汽温预测模型，进行主汽温预测，并根据主汽温预测结果来建立相关的调节经验库。
2.根据权利要求1所述基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于，步骤1.2收集的数据包括：机组的总燃料量、给水流量、总风量、烟气温度、二次风门开度、二次风温度、磨煤机电流、磨煤机运行方式和炉吹灰器运行状态。
3.根据权利要求1所述基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于：步骤2.1中主汽温预测值为高温过热器的出口温度值。
4.根据权利要求1所述基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于：步骤2.1中设定时延为10秒。
5.根据权利要求1所述基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法，其特征在于：步骤1.3中的预测精度设定值为99％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110764315.3A CN113359425A (zh) | 2021-07-06 | 2021-07-06 | 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110764315.3A CN113359425A (zh) | 2021-07-06 | 2021-07-06 | 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113359425A true CN113359425A (zh) | 2021-09-07 |
Family
ID=77538463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110764315.3A Pending CN113359425A (zh) | 2021-07-06 | 2021-07-06 | 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113359425A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836819A (zh) * | 2021-10-14 | 2021-12-24 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
| CN114279494A (zh) * | 2021-12-16 | 2022-04-05 | 金陵科技学院 | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 |
| CN114413247A (zh) * | 2022-01-14 | 2022-04-29 | 西安热工研究院有限公司 | 一种锅炉燃烧受热面超温监测及主动抑制系统 |
| CN114475953A (zh) * | 2022-01-04 | 2022-05-13 | 江苏科技大学 | 船舶调载系统、方法及存储介质 |
| CN114673982A (zh) * | 2022-03-30 | 2022-06-28 | 中冶华天工程技术有限公司 | 一种基于混合智能优化算法的火力发电锅炉主汽温控制系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
| CN110285403A (zh) * | 2019-06-10 | 2019-09-27 | 华北电力大学 | 基于被控参数预估的主蒸汽温度控制方法 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
| CN112000015A (zh) * | 2020-09-07 | 2020-11-27 | 华北电力大学 | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 |
| CN112307650A (zh) * | 2020-11-27 | 2021-02-02 | 浙江浙能技术研究院有限公司 | 一种用于超超临界锅炉受热面管壁超温预警的多步预测方法 |
| CN112365045A (zh) * | 2020-11-09 | 2021-02-12 | 上海明华电力科技有限公司 | 一种基于大数据的主蒸汽温度智能预测方法 |
-
2021
- 2021-07-06 CN CN202110764315.3A patent/CN113359425A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
| CN110285403A (zh) * | 2019-06-10 | 2019-09-27 | 华北电力大学 | 基于被控参数预估的主蒸汽温度控制方法 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
| CN112000015A (zh) * | 2020-09-07 | 2020-11-27 | 华北电力大学 | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 |
| CN112365045A (zh) * | 2020-11-09 | 2021-02-12 | 上海明华电力科技有限公司 | 一种基于大数据的主蒸汽温度智能预测方法 |
| CN112307650A (zh) * | 2020-11-27 | 2021-02-02 | 浙江浙能技术研究院有限公司 | 一种用于超超临界锅炉受热面管壁超温预警的多步预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吕正鑫: "模糊控制算法研究及在火电厂主汽温控制的应用", 《中国优秀硕士学位论文全文数据库•工程科技‖辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836819A (zh) * | 2021-10-14 | 2021-12-24 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
| CN113836819B (zh) * | 2021-10-14 | 2024-04-09 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
| CN114279494A (zh) * | 2021-12-16 | 2022-04-05 | 金陵科技学院 | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 |
| CN114279494B (zh) * | 2021-12-16 | 2023-05-26 | 金陵科技学院 | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 |
| CN114475953A (zh) * | 2022-01-04 | 2022-05-13 | 江苏科技大学 | 船舶调载系统、方法及存储介质 |
| CN114413247A (zh) * | 2022-01-14 | 2022-04-29 | 西安热工研究院有限公司 | 一种锅炉燃烧受热面超温监测及主动抑制系统 |
| CN114673982A (zh) * | 2022-03-30 | 2022-06-28 | 中冶华天工程技术有限公司 | 一种基于混合智能优化算法的火力发电锅炉主汽温控制系统 |
| CN114673982B (zh) * | 2022-03-30 | 2024-01-02 | 中冶华天工程技术有限公司 | 一种基于混合智能优化算法的火力发电锅炉主汽温控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113359425A (zh) | 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统 | |
| Peña et al. | Soft-computing models for soot-blowing optimization in coal-fired utility boilers | |
| CN111562744B (zh) | 一种基于pso算法的锅炉燃烧隐式广义预测控制方法 | |
| CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
| WO2023087906A1 (zh) | 一种基于事件触发的模糊神经网络温度控制系统及方法 | |
| CN113467392B (zh) | 一种燃煤锅炉开环燃烧控制优化方法 | |
| WO2024060488A1 (zh) | 一种基于深度循环神经网络和进化计算的工业锅炉燃烧优化方法 | |
| CN115700330A (zh) | 时空融合深度神经网络的锅炉再热器温度偏差预测方法 | |
| Zhu et al. | Nonlinear model predictive control of USC boiler-turbine power units in flexible operations via input convex neural network | |
| CN115077640A (zh) | 一种城市固废焚烧过程主蒸汽流量实时预测方法 | |
| CN113835342B (zh) | 一种过热汽温系统的抗扰预测控制方法 | |
| Ma et al. | Superheater steam temperature control for a 300MW boiler unit with inverse dynamic process models | |
| CN116720446A (zh) | 一种锅炉水冷壁渣层厚度实时监测方法 | |
| Orrala et al. | Model predictive control strategy for a combined-cycle power-plant boiler | |
| Ma et al. | An improved predictive optimal controller with elastic search space for steam temperature control of large-scale supercritical power unit | |
| CN112348696B (zh) | 基于bp神经网络的供热机组调峰上限评估方法及系统 | |
| CN114562713A (zh) | 发电锅炉主蒸汽温度控制方法及系统 | |
| Ma et al. | ANN and PSO based intelligent model predictive optimal control for large-scale supercritical power unit | |
| CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
| Mazibuko et al. | Machine Learning for Improved Boiler Control in the Power Generation Industry | |
| CN113467237B (zh) | 基于深度学习的主蒸汽温度的动态建模方法 | |
| Manke | A Performance Comparison of Different Back Propagation Neural Networks for Nitrogen Oxides Emission Prediction in Thermal Power Plant | |
| Ma et al. | Application of LSTM in Metal Temperature Forecasting for a 1000 MW Double-Reheat Coal-Fired Boiler | |
| Lian | Coke Oven Flue Temperature Control Based on Particle Swarm Optimization and Fuzzy-PID with Variable Universe | |
| Li et al. | NOx prediction method based on deep extreme learning machine |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210907 |
|
| WD01 | Invention patent application deemed withdrawn after publication |