CN114383130A - 锅炉过热汽温度控制方法、装置、设备及存储介质 - Google Patents
锅炉过热汽温度控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114383130A CN114383130A CN202210032161.3A CN202210032161A CN114383130A CN 114383130 A CN114383130 A CN 114383130A CN 202210032161 A CN202210032161 A CN 202210032161A CN 114383130 A CN114383130 A CN 114383130A
- Authority
- CN
- China
- Prior art keywords
- superheated steam
- steam temperature
- boiler
- water flow
- desuperheating water
- 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.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22G—SUPERHEATING OF STEAM
- F22G5/00—Controlling superheat temperature
- F22G5/12—Controlling superheat temperature by attemperating the superheated steam, e.g. by injected water sprays
- F22G5/123—Water injection apparatus
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22G—SUPERHEATING OF STEAM
- F22G5/00—Controlling superheat temperature
- F22G5/20—Controlling superheat temperature by combined controlling procedures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种锅炉过热汽温度控制方法、装置、设备及计算机可读存储介质,该方法包括:设定n个连续相邻时刻分别对应的减温水流量,根据预先创建的期望闭环动态传递函数模型和预测偏差自学习模型,分别对设定的减温水流量对应的下一时刻的初始预测过热汽温度以及过热汽温度预测偏差进行预测;将初始预测过热汽温度和对应的过热汽温度预测偏差求和,获得预测过热汽温度;根据设定的减温水流量和预测过热汽温度,利用目标函数对设定的减温水流量进行优化,最终根据目标函数运算结果最小对应的减温水流量对锅炉过热汽温度进行控制。本申请中将两种模型相结合,更准确的预测出锅炉的过热汽温度,进而实现对锅炉过热汽温度进行更精准的调节。
Description
技术领域
本发明涉及锅炉控制技术领域,特别是涉及一种锅炉过热汽温度控制方法、装置、设备以及计算机可读存储介质。
背景技术
锅炉是一种能量转换设备;向锅炉输入的能量有燃料中的化学能、电能,锅炉输出具有一定热能的蒸汽、高温水或有机热载体。锅炉中产生的热水或蒸汽可直接为工业生产和人民生活提供所需热能,也可通过蒸汽动力装置转换为机械能,或再通过发电机将机械能转换为电能。产生蒸汽的锅炉称为蒸汽锅炉,常简称为锅炉,多用于火电站、船舶、机车和工矿企业。
锅炉将燃料燃烧产生的热量对水汽加热,形成高温高压蒸汽,并通过过热器、再热器等将蒸汽温度调整到预设稳定状态,以供汽轮机发电或者供给下游生产环节。锅炉汽温控制即对蒸汽温度进行调整到设定状态的环节,其对蒸汽能够稳定良好的为火力发电、热能供应等提供动力和热量的至关重要,其控制品质影响着发电质量以及供热质量。蒸汽温度的调节手段通常为向蒸汽管道中喷入水以用于减低蒸汽温度,但由于蒸汽在换热管道中停留的时间长、流量大,蒸汽温度的调节过程十分缓慢,总体上可以总结为一个非线性、高阶的动态过程。
对于过热汽温的基本控制方法为PID控制,但由于锅炉汽温控制高阶的特点,常规的PID控制很难达到好的效果,多数需要辅助以复杂的逻辑控制,使得系统的调整主要依靠人工经验。还有一些更先进控制方法,例如基于Smith预估的方法能够将汽温的高阶动态描述为滞后加上低阶动态的形式,并对锅炉蒸汽温度的变化过程建模,基于状态观测和反馈控制的现代控制方法能够有效预测导前汽温对锅炉汽温的影响,从而改善系统的动态,在实际应用过程中取得了一定的效果。但由于锅炉汽温变化过程具有较强的非线性,这就导致难以确定一个准确的模型预估锅炉汽温的变化状态,从而导致锅炉蒸汽温度的调节精度不足。
发明内容
本发明的目的是提供一种锅炉过热汽温度控制方法、装置、设备以及计算机可读存储介质,能够在一定程度上提升锅炉过热汽温度控制调节的精准度。
为解决上述技术问题,本发明提供一种锅炉过热汽温度控制方法,包括:
设定n个连续相邻时刻分别对应的减温水流量,根据预先创建的期望闭环动态传递函数模型,对n个所述减温水流量分别对应的下一时刻的锅炉过热汽温度进行预测,获得初始预测过热汽温度;
根据预先训练获得的预测偏差自学习模型,和n个所述减温水流量,获得过热汽温度预测偏差;其中,所述预测偏差自学习模型为表征所述期望闭环动态传递函数模型预测的锅炉过热汽温度和实际锅炉过热汽温度之间的偏差,与减温水流量之间的对应关系的模型;
将n个所述初始预测过热汽温度分别和对应的所述过热汽温度预测偏差求和,获得n个预测过热汽温度;
根据n个设定的所述减温水流量和n个所述预测过热汽温度,对目标函数进行运算,获得所述目标函数的运算结果,并重新执行设定n个连续相邻时刻分别对应的减温水流量的操作,直到获得所述目标函数的运算结果最小的减温水流量,以便根据所述运算结果最小的减温水流量对所述锅炉过热汽温度进行控制;其中,所述目标函数为表征所述预测过热汽温度和理想锅炉过热汽温度之间偏差大小的函数。
可选地,获得所述预测偏差自学习模型的过程包括:
利用所述期望闭环动态传递函数模型和历史减温水流量,获得预测历史锅炉过热汽温度;
将所述历史减温水流量对应的历史锅炉过热汽温度和所述预测历史锅炉过热汽温度进行差值运算,获得预测偏差样本;
将所述历史减温水流量和所述预测偏差样本进行高斯回归学习训练,获得所述预测偏差自学习模型。
可选地,将所述历史减温水流量和所述预测偏差样本进行高斯回归学习训练,获得所述预测偏差自学习模型,包括:
将多个所述历史减温水流量构建历史减温水流量样本向量,并将各个所述预测偏差样本构建预测偏差样本向量;
根据所述历史减温水流量样本向量和所述预测偏差样本向量,获得所述预测偏差自学习模型为β(u)=kuU(Kuu+I·σ2)·Y;
其中,u为输入的减温水流量;U为所述历史减温水流量样本向量;kuU为根据输入的所述减温水流量和所述历史减温水流量样本向量确定的核函数;Kuu为根据输入的所述减温水流量确定的自核函数;I为单位矩阵;σ2为所述预测偏差样本向量中各个所述历史减温水流量的方差;Y为所述预测偏差样本向量;β(u)为输入的所述减温水流量对应的过热汽温度预测偏差。
可选地,所述预测偏差学习模型还包括高斯过程回归方差Σ(u)=kuu-kuU(KUU+I·σ2)-1·kUu;
其中,u为输入的减温水流量;kuU和kUu分别为根据输入的所述减温水流量和所述历史减温水流量样本向量确定的两个不同的核函数;Kuu为根据输入的所述减温水流量确定的自核函数;KUU为根据所述历史减温水流量样本向量确定的自核函数;I为单位矩阵;σ2为所述预测偏差样本集中各个所述历史减温水流量样本的方差;Y为所述预测偏差样本集;Σ(u)为所述减温水流量对应的预测偏差的高斯过程回归方差;
在确定所述高斯过程回归方差之后,还包括:
根据所述高斯过程回归方差,结合锅炉过热汽温度的概率约束公式P[-yl≤y(t+1)≤yu]≥1-α,确定所述锅炉过热汽温度的确定性约束为
其中,P为概率,yl为锅炉过热汽温度约束下限,yu为锅炉过热汽温度约束上限,t为减温水流量的采样时刻,y(t+1)为t+1时刻的锅炉过热汽温度;α为违反约束的概率,Pα/2为显著性程度为α对应的分位数,Σt(u)为时刻t的减温水流量对应的高斯过程回归方差;
相应地,根据n个设定的所述减温水流量和n个预测过热汽温度,对目标函数进行运算,获得所述目标函数的运算结果,包括:
以所述确定性约束作为约束条件,对所述目标函数进行运算,获得所述运算结果。
可选地,创建所述期望闭环动态传递函数模型的过程包括:
根据受控自回归积分滑动平均模型A(z-1)y(t)=B(z-1)u(t-1),对历史减温水流量和对应的历史锅炉过热汽温度进行线性拟合,获得多项式的参数系列一{a1,a2…,an}和参数系列二{b1,b2…,bn};其中,A(z-1)=1+a1z-1+…+anz-n;B(z-1)=b0+b1·z-1+…+bn·z-n;t为采样时刻,z-1为向前移位算子,且z-i·y(t)=y(t-i),z-i·u(t)=u(t-i),u(t)为t时刻的减温水流量,y(t)为t时刻的锅炉过热汽温度;
对A(z-1)=a0+a1·z-1+…+an·z-n=0进行求极点运算,获得对应的多个闭环极点值为{z1,z2…,zm};
根据加快锅炉系统动态对所述闭环极点值进行调节,获得更新后的闭环极值点为{z1',z2'…,zm'};
将更新后的所述闭环极值点代入多项式(1-z1′z-1)(1-z′2z-1)...(1-z′nz-1)的展开式中,确定算子z-j的系数作为参数aj更新后的参数以确定更新参数系列其中j∈(1,n),且n∈R;
可选地,根据加快锅炉系统动态对所述闭环极点值进行调节,获得更新后的闭环极点值为{z1',z2'…,zm'},包括:
当根据加快锅炉系统动态对所述闭环极点值进行调节获得的闭环极点值中,存在大于1的闭环极点值,则重新对闭环极点值进行调节,直到所有闭环极点值均在(0,1)区间范围内,则以在(0,1)区间范围内的各个所述闭环极点值作为更新后的所述闭环极点值。
可选地,根据n个设定的所述减温水流量和n个预测过热汽温度,对目标函数进行运算,获得所述目标函数的运算结果,包括:
将所述减温水流量和所述预测过热汽温度代入目标函数公式中,获得所述运算结果;其中,u(t)为设定的t时刻的所述减温水流量;y(t+1)为根据u(t)预测的t+1时刻的所述预测过热汽温度,为所述理想锅炉过热汽温度,Q和R分别表示两个权重常系数。
一种锅炉过热汽温度控制装置,包括:
初始预测模块,用于设定n个连续相邻时刻分别对应的减温水流量,根据预先创建的期望闭环动态传递函数模型,对n个所述减温水流量分别对应的下一时刻的锅炉过热汽温度进行预测,获得初始预测过热汽温度;
预测偏差模块,用于根据预先训练获得的预测偏差自学习模型,和n个所述减温水流量,获得过热汽温度预测偏差;其中,所述预测偏差自学习模型为表征所述期望闭环动态传递函数模型预测的锅炉过热汽温度和实际锅炉过热汽温度之间的偏差,与减温水流量之间的对应关系的模型;
修正预测模块,用于将n个所述初始预测过热汽温度分别和对应的所述过热汽温度预测偏差求和,获得n个预测过热汽温度;
优化水流量模块,用于根据n个设定的所述减温水流量和n个所述预测过热汽温度,对目标函数进行运算,获得所述目标函数的运算结果,并重新执行设定n个连续相邻时刻分别对应的减温水流量的操作,直到获得所述目标函数的运算结果最小的减温水流量,以便根据所述运算结果最小的减温水流量对所述锅炉过热汽温度进行控制;其中,所述目标函数为表征所述预测过热汽温度和理想锅炉过热汽温度之间偏差大小的函数。
一种锅炉过热汽温度控制设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一项所述锅炉过热汽温度控制方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述锅炉过热汽温度控制方法的步骤。
本发明所提供的锅炉过热汽温度控制方法,包括:设定n个连续相邻时刻分别对应的减温水流量,根据预先创建的期望闭环动态传递函数模型,对n个减温水流量分别对应的下一时刻的锅炉过热汽温度进行预测,获得初始预测过热汽温度;根据预先训练获得的预测偏差自学习模型,和n个减温水流量,获得过热汽温度预测偏差;其中,预测偏差自学习模型为表征期望闭环动态传递函数模型预测的锅炉过热汽温度和实际锅炉过热汽温度之间的偏差,与减温水流量之间的对应关系的模型;将n个初始预测过热汽温度分别和对应的过热汽温度预测偏差求和,获得n个预测过热汽温度;根据n个设定的减温水流量和n个预测过热汽温度,对目标函数进行运算,获得目标函数的运算结果,并重新执行设定n个连续相邻时刻分别对应的减温水流量的操作,直到获得目标函数的运算结果最小的减温水流量,以便根据运算结果最小的减温水流量对锅炉过热汽温度进行控制;其中,目标函数为表征预测过热汽温度和理想锅炉过热汽温度之间偏差大小的函数。
本申请考虑到在实际对锅炉过热汽温度进行调节控制过程中,难以确定一个能够准确描述蒸汽温度变化过程的模型,因此,本申请中在创建描述减温水流量和对应的下一时刻的过热汽温度之间对应关系的期望闭环传递函数模型的基础上,进一步地还创建了表征该期望闭环传递函数模型的不准确性的预测偏差自学习模型;由此在实际对锅炉过热汽温度进行控制调节过程中,将两种模型相结合,即可更准确的预测出锅炉的过热汽温度,进而能够实现对锅炉过热汽温度进行更精准的调节。
本申请还提供了一种锅炉过热汽温度控制装置、设备以及计算机可读存储介质,具有上述有益效果。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种锅炉过热汽温度控制方法的流程示意图;
图2为本发明实施例提供的锅炉过热汽温度控制装置的结构框图。
具体实施方式
在锅炉汽温控制过程中,锅炉汽温变化过程具有较强的非线性,其动态在不同的负荷下差异较大,很难使用统一的模型进行描述,同时建模带来的模型失配问题也导致了控制性能的下降,并且随着时间的变化,整个锅炉系统的动态也会发生变化,如果没有及时对模型进行更新,也会导致控制器的控制性能下降。
为此,本申请中提出了一种能够在一定程度上提升锅炉过热汽温度调节控制的控制精度的技术方案。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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做出创造性劳动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。
如图1所示,图1为本申请实施例提供的一种锅炉过热汽温度控制方法的流程示意图;该锅炉过热汽温度控制方法可以包括:
S11:设定n个连续相邻时刻分别对应的减温水流量,根据预先创建的期望闭环动态传递函数模型,对n个减温水流量分别对应的下一时刻的锅炉过热汽温度进行预测,获得初始预测过热汽温度。
本实施例中的锅炉过热汽温度也即可以理解为锅炉中的高温蒸汽被控制调节后的蒸汽温度;而减温水流量也即是对高温蒸汽进行温度调节的水的流量。
显然,减温水对锅炉过热汽温度的调节控制应当存在一定的延后性,也即是说,当前时刻的减温水流量决定了下一时刻的锅炉过热汽温度。由此对于期望闭环动态传递函数模型而言,其对设定的每个时刻的减温水流量进行预测获得的都是该减温水流量对应时刻的下一时刻的锅炉过热汽温度。
一般对应n个减温水流量的设定值,可以是工作人员基于经验设定,也可以是计算机根据当前的锅炉过热汽温度以及大数据统计分析确定,对此本实施例中不做具体限制。
此外,可以理解的是,对于某一时刻的减温水流量的设定值应当受到其同一时刻锅炉过热汽温度的影响,因此在实际设定n个时刻分别对应的减温水流量时,可以先根据t0时刻对应的锅炉过热汽温度,设定t0时刻的减温水流量,再将该t0时刻的减温水流量输入期望闭环动态传递函数模型获得t1时刻的锅炉过热汽温度;再根据t1时刻的锅炉过热汽温度设定t1时刻对应的的减温水流量,再将该t1时刻的减温水流量输入期望闭环动态传递函数模型获得t2时刻的锅炉过热汽温度;如此循环往复,进而实现t0至t(n-1)时刻的减温水流量的设定,以及实现t1至tn时刻的锅炉过热汽温度的设定。
当然,在实际应用过程中,可并不排除计算机依据大数据统计规律大致预估除锅炉过热汽温度的走向而一次性设定n个时刻对应的减温水流量,同时利用n个所述减温水流量分别对n个时刻的锅炉过热汽温度进行预测,也能实现本实施例的技术方案,对此本申请中不做具体限制。
S12:根据预先训练获得的预测偏差自学习模型,和n个减温水流量,获得过热汽温度预测偏差。
其中,预测偏差自学习模型为表征期望闭环动态传递函数模型预测的锅炉过热汽温度和实际锅炉过热汽温度之间的偏差,与减温水流量之间的对应关系的模型。
如前所述,对于期望闭环动态传递函数模型而言,由于锅炉过热汽温度的变化为非线性的动态过程,导致模型难以准确描述该锅炉过热汽温度的变化过程,基于该期望闭环动态传递函数模型所预测的锅炉过热汽温度的准确性也就相对不高。为此,本实施例中进一步地对期望闭环动态传递函数模型所预测的锅炉过热汽温度和实际的锅炉过热汽温度之间的偏差进行学习训练,获得该预测偏差自学习模型。
在实际训练获得预测偏差自学习模型的过程中,可以将历史减温水流量输入至期望闭环动态传递函数模型进而获得预测历史锅炉过热汽温度。显然,对于该历史减温水流量对应的真实的历史锅炉过热汽温度是已知的,因此可以将该预测历史锅炉过热汽温度和对应的历史锅炉过热汽温度之间进行差值运算,由此获得预测偏差样本;以该预测预测偏差样本和历史减温水流量共同进行高斯回归学习训练,即可获得上述预测偏差自学习模型。
当然,在实际应用过程中,也并不必然采用高斯回归学习训练,也可以采用类似于神经网络训练等其他方式学习训练获得该预测偏差自学习模型。
可以理解的是,对于该预测偏差自学习模型以及上述期望闭环动态传递函数模型而言,一般都是预先创建好的,但是在实际应用过程中,都应当随着时间的积累变化,将当前新获得的减温水流量和对应的锅炉过热汽温度等数据重新作为样本对上述两种模型进行更新优化,以保证模型的准确性。
此外,在训练预测偏差自学习模型的过程中,各个历史减温水流量可以是随机选取的,并不必然要求是连续时刻对应的多个历史减温水流量。
S13:将n个初始预测过热汽温度分别和对应的过热汽温度预测偏差求和,获得n个预测过热汽温度。
显然对于每个减温水流量分别利用期望闭环动态传递函数模型预测获得的预测锅炉过热汽温度与利用预测偏差自学习模型预测获得的过热汽温度偏差进行求和获得的温度值,能够在一定程度上更接近设定的减温水流量真实对应的锅炉过热汽温度,相当于在一定程度上弥补了期望闭环动态传递函数模型的预测精度不足的问题。
S14:根据n个设定的减温水流量和n个预测过热汽温度,对目标函数进行运算,获得目标函数的运算结果;当获得的运算结果最小,则进入S15,当获得的运算结果不为最小,则进入S11。
其中,目标函数为表征预测过热汽温度和理想锅炉过热汽温度之间偏差大小的函数。
S15:根据运算结果最小对应的减温水流量对锅炉过热汽温度进行控制。
基于目标函数反复对设定的减温水流量进行迭代优化,最终即可获得一组能够控制锅炉过热汽温度更贴近于理想锅炉过热汽温度对应的减温水流量,从而在一定程度上提升了对锅炉过热汽温度的控制效果。
可选的,对于目标函数的运算过程,可以是对目标函数公式进行运算的过程。该目标函数公式中,u(t)为设定的t时刻的减温水流量;y(t+1)为根据u(t)预测的t+1时刻的预测过热汽温度,为理想锅炉过热汽温度,Q和R分别表示两个权重常系数。
当然,在实际应用中也可以选择其他形式的目标函数公式,只要能够在一定程度上表征预测过热汽温度和理想锅炉过热汽温度之间差异的函数公式即可。
综上所述,本申请中在对锅炉过热汽温度进行控制过程中,根据预先训练的期望闭环动态传递函数模型和预测偏差自学习模型两种模型分别对设定的减温水流量对应的初始预测过热汽温度以及该初始预测过热温度和实际锅炉过热汽温度之间的过热汽温度预测偏差,并以初始预测过热汽温度和过热汽温度预测偏差的求和运算结果作为设定的减温水流量最终对应的预测过热汽温度,在一定程度上提升了预测过热汽温度的准确性;在此基础上,根据该预测过热汽温度对目标函数进行运算,进而评价设定的减温水流量是否能够使得锅炉过热汽温度和理想锅炉过热汽温度之间最为接近,并以此反复优化减温水流量,从而保证按照优化有的减温水流量控制锅炉过热温度,能够获得更好的控制效果;本申请中在一定程度上克服了单个模型无法准确描述锅炉蒸汽温度变化过程,进而无法准确预测锅炉过热汽温度的问题,为锅炉过热汽温度控制提供了更准确的过热汽温度预测值,从而提升了锅炉过热汽温度的控制精度和控制效果,有利于蒸汽锅炉的广泛应用。
基于上述实施例,在本申请的一种可选地实施例中,对于上述期望闭环动态传递函数模型的创建过程可以包括:
S21:根据受控自回归积分滑动平均模型A(z-1)y(t)=B(z-1)u(t-1),对历史减温水流量和对应的历史锅炉过热汽温度进行线性拟合,获得多项式的参数系列一{a1,a2…,an}和参数系列二{b1,b2…,bn}。
其中,A(z-1)=1+a1z-1+…+anz-n;B(z-1)=b0+b1·z-1+…+bn·z-n;t为采样时刻,z-1为向前移位算子,且z-i·y(t)=y(t-i),z-i·u(t)=u(t-i),u(t)为t时刻的减温水流量,y(t)为t时刻的锅炉过热汽温度。
可以理解的是,确定了参数系列一{a1,a2…,an}和参数系列二{b1,b2…,bn}也即相当于在一定程度上完成了基于历史减温水流量以及对应的历史锅炉过热汽温度训练确定受控自回归积分滑动平均模型中参数的过程。显然,该受控自回归积分滑动平均模型也能够在一定程度上表征减温水流量和锅炉过热汽温度之间对应关系的模型。
S22:对A(z-1)=a0+a1·z-1+…+an·z-n=0进行求极点运算,获得对应的多个闭环极点值为{z1,z2…,zm}。
S23:根据加快锅炉系统动态对闭环极点值进行调节,获得更新后的闭环极点值为{z1',z2'…,zm'}。
S24:将更新后的闭环极点值代入多项式(1-z1′z-1)(1-z′2z-1)...(1-z′nz-1)的展开式中,确定算子z-j的系数作为参数aj更新后的参数以确定更新参数系列其中j∈(1,n),且n∈R。
如前所述,受控自回归积分滑动平均模型能够在一定程度上表征减温水流量和锅炉过热汽温度之间对应关系,但相对而言其对锅炉系统动态过程的显现也更为缓慢;为此,本实施例中进一步地基于加快锅炉系统动态这一目的对闭环极点值进行调整,并基于闭环极点值确定出一组更新参数系列最终根据该更新参数系列确定期望闭环动态传递函数模型由此后续利用该期望闭环动态传递函数模型对锅炉过热汽温度进行预测时,即可更快的显现锅炉过热汽的动态变化,由此更准确的采取相应措施。
可选的,在对闭环极点值进行调节的过程中,还可以进一步地包括:
当根据加快锅炉系统动态对闭环极点值进行调节获得的闭环极点值中,存在大于1的闭环极点值,则重新对闭环极点值进行调节,直到所有闭环极点值均在(0,1)区间范围内,则以在(0,1)区间范围内的各个闭环极点值作为更新后的闭环极点值。
通过将闭环极点值调整在(0,1)区间范围内,保证了期望闭环动态传递函数模型是可行的,使得后续利用期望闭环动态传递函数模型来预测锅炉过热汽温度在未来的变化趋势时,相比于直接利用受控自回归积分滑动平均模型来预测,能够改善锅炉系统的动态过程。
基于上述任意实施例,对于训练获得预测偏差自学习模型的过程可以进一步地包括:
将多个历史减温水流量构建历史减温水流量样本向量,并将各个预测偏差样本构建预测偏差样本向量;
例如,历史减温水流量样本向量可以表示为U=[u1,u2,…uN];
可以理解的是,该预测偏差样本也同样是基于历史减温水流量对应的锅炉过热汽温度的预测值和真实值之间进行差值运算获得的;且对于学习训练预测偏差自学习模型的历史减温水流量及其对应的历史锅炉过热汽温度并不必然相同。该预测偏差样本向量可以表示为Y=[y1,y2,…,yN]。
根据历史减温水流量样本向量和预测偏差样本向量,获得预测偏差自学习模型为β(u)=kuU(Kuu+I·σ2)·Y;
其中,u为输入的减温水流量;kuU为根据输入的减温水流量和历史减温水流量样本向量确定的核函数;Kuu为根据输入的减温水流量确定的自核函数;I为单位矩阵;σ2为预测偏差样本向量中各个历史减温水流量的方差;Y为预测偏差样本向量;β(u)为输入的减温水流量对应的过热汽温度预测偏差。
将需要预测对应的过热汽温度预测偏差的减温水流量u代入上述预测偏差自学习模型,即可获得对应的过热汽温度预测偏差。
本申请中的预测偏差自学习模型可以利用历史数据不断更新模型,用于计算和锅炉过热汽温度的预测值和真实值之间的偏差,由于在锅炉过热汽温控制系统中,该部分偏差具有较强的非线性,难以使用常规的固定模型来描述,因此本申请中提出的自学习模型能够在线的根据历史数据随时调整模型,相较于常规的基于模型的预测方法,能够更加准确的描述预测偏差部分,进而保证能够更准确的对锅炉过热汽温度进行预测。
更进一步地,本申请中的预测偏差自学习模型处理包括上述表征减温水流量和过热汽温度预测偏差之间对应关系之外,还可以进一步地包括高斯过程回归方差Σ(u)=kuu-kuU(KUU+I·σ2)-1·kUu。
和上述实施例相同,u为输入的减温水流量;kuU和kUu分别为根据输入的所述减温水流量和历史减温水流量样本向量确定的两个不同的核函数;Kuu为根据输入的减温水流量确定的自核函数;KUU为根据历史减温水流量样本向量确定的自核函数;I为单位矩阵;σ2为预测偏差样本集中各个历史减温水流量样本的方差;Y为预测偏差样本集;Σ(u)为减温水流量对应的预测偏差的高斯过程回归方差。
在实际应用中,该高斯过程回归方差Σ(u)=kuu-kuU(KUU+I·σ2)-1·kUu和上述实施例中的预测偏差自学习模型部分β(u)=kuU(Kuu+I·σ2)·Y可以在确定出历史减温水流量样本向量和预测偏差样本向量之后,同时运算获得。
对于上述核函数,可以有线性核函数,多项式核函数,径向基核函数,Sigmoid核函数和复合核函数等多种不同形式的核函数;例如可以采用核函数其中ρ1和ρ2分别为核函数的两个变量,在本申请的实施例中可以分别是减温水流量或历史减温水流量样本,||·||表示向量的范数计算符号,且σ2为预测偏差样本集中各个历史减温水流量样本的方差。
而在获得高斯过程回归方差之后,还可以进一步地包括:
根据所述高斯过程回归方差,结合锅炉过热汽温度的概率约束公式P[-yl≤y(t+1)≤yu]≥1-α,确定所述锅炉过热汽温度的确定性约束为
其中,P为概率,yl为锅炉过热汽温度约束下限,yu为锅炉过热汽温度约束上限,t为减温水流量的采样时刻,y(t+1)为t+1时刻的锅炉过热汽温度;α为违反约束的概率,Pα/2为显著性程度为α对应的分位数,Σt(u)为时刻t的减温水流量对应的高斯过程回归方差;
相应地,在对目标函数进行运算过程中即可以将该确定性约束作为约束条件,对目标函数进行运算,获得运算结果。
其中α违反约束的概率可依据工作人员的经验设定,根据显著性检验原则,一般取α=5%;Pα/2这一分位数可以根据标准正态分布分位数表查表得到,对此不再详细赘述。
本实施例中处理锅炉汽温输出约束的方法解决了在引入预测偏差自学习模型后,锅炉系统的输出不再是一个确定值,而是满足一定的概率分布,导致约束无法直接处理的问题。同时基于概率的约束还能够充分考虑锅炉系统的不确定性对控制的影响,提高控制手段的鲁棒性。
下面对本发明实施例提供的锅炉过热汽温度控制装置进行介绍,下文描述的锅炉过热汽温度控制装置与上文描述的锅炉过热汽温度控制方法可相互对应参照。
图2为本发明实施例提供的锅炉过热汽温度控制装置的结构框图,参照图2的锅炉过热汽温度控制装置可以包括:
初始预测模块100,用于设定n个连续相邻时刻分别对应的减温水流量,根据预先创建的期望闭环动态传递函数模型,对n个所述减温水流量分别对应的下一时刻的锅炉过热汽温度进行预测,获得初始预测过热汽温度;
预测偏差模块200,用于根据预先训练获得的预测偏差自学习模型,和n个所述减温水流量,获得过热汽温度预测偏差;其中,所述预测偏差自学习模型为表征所述期望闭环动态传递函数模型预测的锅炉过热汽温度和实际锅炉过热汽温度之间的偏差,与减温水流量之间的对应关系的模型;
修正预测模块300,用于将n个所述初始预测过热汽温度分别和对应的所述过热汽温度预测偏差求和,获得n个预测过热汽温度;
优化水流量模块400,用于根据n个设定的所述减温水流量和n个所述预测过热汽温度,对目标函数进行运算,获得所述目标函数的运算结果,并重新执行设定n个连续相邻时刻分别对应的减温水流量的操作,直到获得所述目标函数的运算结果最小的减温水流量,以便根据所述运算结果最小的减温水流量对所述锅炉过热汽温度进行控制;其中,所述目标函数为表征所述预测过热汽温度和理想锅炉过热汽温度之间偏差大小的函数。
在本申请的一种可选地实施例中,还包括模型创建模块,用于利用所述期望闭环动态传递函数模型和历史减温水流量,获得预测历史锅炉过热汽温度;将所述历史减温水流量对应的历史锅炉过热汽温度和所述预测历史锅炉过热汽温度进行差值运算,获得预测偏差样本;将所述历史减温水流量和所述预测偏差样本进行高斯回归学习训练,获得所述预测偏差自学习模型。
在本申请的一种可选地实施例中,模型创建模块具体用于将多个所述历史减温水流量构建历史减温水流量样本向量,并将各个所述预测偏差样本构建预测偏差样本向量;根据所述历史减温水流量样本向量和所述预测偏差样本向量,获得所述预测偏差自学习模型为β(u)=kuU(Kuu+I·σ2)·Y;其中,u为输入的减温水流量;U为所述历史减温水流量样本向量;kuU为根据输入的所述减温水流量和所述历史减温水流量样本向量确定的核函数;Kuu为根据输入的所述减温水流量确定的自核函数;I为单位矩阵;σ2为所述预测偏差样本向量中各个所述历史减温水流量的方差;Y为所述预测偏差样本向量;β(u)为输入的所述减温水流量对应的过热汽温度预测偏差。
在本申请的一种可选地实施例中,模型创建模块还用于创建所述预测偏差学习模型中的高斯过程回归方差Σ(u)=kuu-kuU(KUU+I·σ2)-1·kUu;其中,u为输入的减温水流量;kuU和kUu分别为根据输入的所述减温水流量和所述历史减温水流量样本向量确定的两个不同的核函数;Kuu为根据输入的所述减温水流量确定的自核函数;KUU为根据所述历史减温水流量样本向量确定的自核函数;I为单位矩阵;σ2为所述预测偏差样本集中各个所述历史减温水流量样本的方差;Y为所述预测偏差样本集;Σ(u)为所述减温水流量对应的预测偏差的高斯过程回归方差;
还包括约束条件模块,用于根据所述高斯过程回归方差,结合锅炉过热汽温度的概率约束公式P[-yl≤y(t+1)≤yu]≥1-α,确定所述锅炉过热汽温度的确定性约束为其中,P为概率,yl为锅炉过热汽温度约束下限,yu为锅炉过热汽温度约束上限,t为减温水流量的采样时刻,y(t+1)为t+1时刻的锅炉过热汽温度;α为违反约束的概率,Pα/2为显著性程度为α对应的分位数,Σt(u)为时刻t的减温水流量对应的高斯过程回归方差;
相应地,优化水流量模块400具体用于以所述确定性约束作为约束条件,对所述目标函数进行运算,获得所述运算结果。
在本申请的另一可选地实施例中,模型创建模块还用于根据受控自回归积分滑动平均模型为A(z-1)y(t)=B(z-1)u(t-1),对历史减温水流量和对应的历史锅炉过热汽温度进行线性拟合,获得多项式的参数系列一{a1,a2…,an}和参数系列二{b1,b2…,bn};其中,A(z-1)=1+a1z-1+…+anz-n;B(z-1)=b0+b1·z-1+…+bn·z-n;t为采样时刻,z-1为向前移位算子,且z-i·y(t)=y(t-i),z-i·u(t)=u(t-i),u(t)为t时刻的减温水流量,y(t)为t时刻的锅炉过热汽温度;对A(z-1)=a0+a1·z-1+…+an·z-n=0进行求极点运算,获得对应的多个闭环极点值为{z1,z2…,zm};根据加快锅炉系统动态对所述闭环极点值进行调节,获得更新后的闭环极值点为{z1',z2'…,zm'};将更新后的所述闭环极值点代入多项式(1-z′1z-1)(1-z′2z-1)...(1-z′nz-1)的展开式中,确定算子z-j的系数作为参数aj更新后的参数以确定更新参数系列其中j∈(1,n),且n∈R;根据所述更新参数系列和所述参数系列二{b1,b2…,bn},获得所述期望闭环动态传递函数模型其中, 为t-1时刻的减温水流量u(t-1)对应的t时刻的预测锅炉过热汽温度。
在本申请的另一可选地实施例中,模型创建模块具体用于当根据加快锅炉系统动态对所述闭环极点值进行调节获得的闭环极点值中,存在大于1的闭环极点值,则重新对闭环极点值进行调节,直到所有闭环极点值均在(0,1)区间范围内,则以在(0,1)区间范围内的各个所述闭环极点值作为更新后的所述闭环极点值。
在本申请的另一可选地实施例中,优化水流量模块400具体用于将所述减温水流量和所述预测过热汽温度代入目标函数公式中,获得所述运算结果;其中,u(t)为设定的t时刻的所述减温水流量;y(t+1)为根据u(t)预测的t+1时刻的所述预测过热汽温度,为所述理想锅炉过热汽温度,Q和R分别表示两个权重常系数。
本实施例的锅炉过热汽温度控制装置用于实现前述的锅炉过热汽温度控制方法,因此锅炉过热汽温度控制装置中的具体实施方式可见前文中的锅炉过热汽温度控制方法的实施例部分,在此不再赘述。
本申请还提供了一种锅炉过热汽温度控制设备的实施例,该设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一项所述锅炉过热汽温度控制方法的步骤。
该处理器所执行的锅炉过热汽温度控制方法的步骤可以包括:
设定n个连续相邻时刻分别对应的减温水流量,根据预先创建的期望闭环动态传递函数模型,对n个所述减温水流量分别对应的下一时刻的锅炉过热汽温度进行预测,获得初始预测过热汽温度;
根据预先训练获得的预测偏差自学习模型,和n个所述减温水流量,获得过热汽温度预测偏差;其中,所述预测偏差自学习模型为表征所述期望闭环动态传递函数模型预测的锅炉过热汽温度和实际锅炉过热汽温度之间的偏差,与减温水流量之间的对应关系的模型;
将n个所述初始预测过热汽温度分别和对应的所述过热汽温度预测偏差求和,获得n个预测过热汽温度;
根据n个设定的所述减温水流量和n个所述预测过热汽温度,对目标函数进行运算,获得所述目标函数的运算结果,并重新执行设定n个连续相邻时刻分别对应的减温水流量的操作,直到获得所述目标函数的运算结果最小的减温水流量,以便根据所述运算结果最小的减温水流量对所述锅炉过热汽温度进行控制;其中,所述目标函数为表征所述预测过热汽温度和理想锅炉过热汽温度之间偏差大小的函数。
本申请还公开了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上任一项所述锅炉过热汽温度控制方法的步骤。
该计算机可读存储介质可以包括:随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种锅炉过热汽温度控制方法,其特征在于,包括:
设定n个连续相邻时刻分别对应的减温水流量,根据预先创建的期望闭环动态传递函数模型,对n个所述减温水流量分别对应的下一时刻的锅炉过热汽温度进行预测,获得初始预测过热汽温度;
根据预先训练获得的预测偏差自学习模型,和n个所述减温水流量,获得过热汽温度预测偏差;其中,所述预测偏差自学习模型为表征所述期望闭环动态传递函数模型预测的锅炉过热汽温度和实际锅炉过热汽温度之间的偏差,与减温水流量之间的对应关系的模型;
将n个所述初始预测过热汽温度分别和对应的所述过热汽温度预测偏差求和,获得n个预测过热汽温度;
根据n个设定的所述减温水流量和n个所述预测过热汽温度,对目标函数进行运算,获得所述目标函数的运算结果,并重新执行设定n个连续相邻时刻分别对应的减温水流量的操作,直到获得所述目标函数的运算结果最小对应的减温水流量,以便根据所述运算结果最小对应的减温水流量对所述锅炉过热汽温度进行控制;其中,所述目标函数为表征所述预测过热汽温度和理想锅炉过热汽温度之间偏差大小的函数。
2.如权利要求1所述的锅炉过热汽温度控制方法,其特征在于,获得所述预测偏差自学习模型的过程包括:
利用所述期望闭环动态传递函数模型和历史减温水流量,获得预测历史锅炉过热汽温度;
将所述历史减温水流量对应的历史锅炉过热汽温度和所述预测历史锅炉过热汽温度进行差值运算,获得预测偏差样本;
将所述历史减温水流量和所述预测偏差样本进行高斯回归学习训练,获得所述预测偏差自学习模型。
3.如权利要求2所述的锅炉过热汽温度控制方法,其特征在于,将所述历史减温水流量和所述预测偏差样本进行高斯回归学习训练,获得所述预测偏差自学习模型,包括:
将多个所述历史减温水流量构建历史减温水流量样本向量,并将各个所述预测偏差样本构建预测偏差样本向量;
根据所述历史减温水流量样本向量和所述预测偏差样本向量,获得所述预测偏差自学习模型为β(u)=kuU(Kuu+I·σ2)·Y;
其中,u为输入的减温水流量;U为所述历史减温水流量样本向量;kuU为根据输入的所述减温水流量和所述历史减温水流量样本向量确定的核函数;Kuu为根据输入的所述减温水流量确定的自核函数;I为单位矩阵;σ2为所述预测偏差样本向量中各个所述历史减温水流量的方差;Y为所述预测偏差样本向量;β(u)为输入的所述减温水流量对应的过热汽温度预测偏差。
4.如权利要求2所述的锅炉过热汽温度控制方法,其特征在于,所述预测偏差学习模型还包括高斯过程回归方差Σ(u)=kuu-kuU(KUU+I·σ2)-1·kUu;
其中,u为输入的减温水流量;kuU和kUu分别为根据输入的所述减温水流量和所述历史减温水流量样本向量确定的两个不同的核函数;Kuu为根据输入的所述减温水流量确定的自核函数;KUU为根据所述历史减温水流量样本向量确定的自核函数;I为单位矩阵;σ2为所述预测偏差样本集中各个所述历史减温水流量样本的方差;Y为所述预测偏差样本集;Σ(u)为所述减温水流量对应的预测偏差的高斯过程回归方差;
在确定所述高斯过程回归方差之后,还包括:
根据所述高斯过程回归方差,结合锅炉过热汽温度的概率约束公式P[-yl≤y(t+1)≤yu]≥1-α,确定所述锅炉过热汽温度的确定性约束为
其中,P为概率,yl为锅炉过热汽温度约束下限,yu为锅炉过热汽温度约束上限,t为减温水流量的采样时刻,y(t+1)为t+1时刻的锅炉过热汽温度;α为违反约束的概率,Pα/2为显著性程度为α对应的分位数,Σt(u)为时刻t的减温水流量对应的高斯过程回归方差;
相应地,根据n个设定的所述减温水流量和n个预测过热汽温度,对目标函数进行运算,获得所述目标函数的运算结果,包括:
以所述确定性约束作为约束条件,对所述目标函数进行运算,获得所述运算结果。
5.如权利要求1所述的锅炉过热汽温度控制方法,其特征在于,创建所述期望闭环动态传递函数模型的过程包括:
根据受控自回归积分滑动平均模型A(z-1)y(t)=B(z-1)u(t-1),对历史减温水流量和对应的历史锅炉过热汽温度进行线性拟合,获得多项式的参数系列一{a1,a2…,an}和参数系列二{b1,b2…,bn};其中,A(z-1)=1+a1z-1+…+anz-n;B(z-1)=b0+b1·z-1+…+bn·z-n;t为采样时刻,z-1为向前移位算子,且z-i·y(t)=y(t-i),z-i·u(t)=u(t-i),u(t)为t时刻的减温水流量,y(t)为t时刻的锅炉过热汽温度;
对A(z-1)=a0+a1·z-1+…+an·z-n=0进行求极点运算,获得对应的多个闭环极点值为{z1,z2…,zm};
根据加快锅炉系统动态对所述闭环极点值进行调节,获得更新后的闭环极值点为{z1',z2'…,zm'};
将更新后的所述闭环极值点代入多项式(1-z1′z-1)(1-z′2z-1)...(1-z′nz-1)的展开式中,确定算子z-j的系数作为参数aj更新后的参数以确定更新参数系列其中j∈(1,n),且n∈R;
6.如权利要求5所述的锅炉过热汽温度控制方法,其特征在于,根据加快锅炉系统动态对所述闭环极点值进行调节,获得更新后的闭环极点值为{z1',z2'…,zm'},包括:
当根据加快锅炉系统动态对所述闭环极点值进行调节获得的闭环极点值中,存在大于1的闭环极点值,则重新对闭环极点值进行调节,直到所有闭环极点值均在(0,1)区间范围内,则以在(0,1)区间范围内的各个所述闭环极点值作为更新后的所述闭环极点值。
8.一种锅炉过热汽温度控制装置,其特征在于,包括:
初始预测模块,用于设定n个连续相邻时刻分别对应的减温水流量,根据预先创建的期望闭环动态传递函数模型,对n个所述减温水流量分别对应的下一时刻的锅炉过热汽温度进行预测,获得初始预测过热汽温度;
预测偏差模块,用于根据预先训练获得的预测偏差自学习模型,和n个所述减温水流量,获得过热汽温度预测偏差;其中,所述预测偏差自学习模型为表征所述期望闭环动态传递函数模型预测的锅炉过热汽温度和实际锅炉过热汽温度之间的偏差,与减温水流量之间的对应关系的模型;
修正预测模块,用于将n个所述初始预测过热汽温度分别和对应的所述过热汽温度预测偏差求和,获得n个预测过热汽温度;
优化水流量模块,用于根据n个设定的所述减温水流量和n个所述预测过热汽温度,对目标函数进行运算,获得所述目标函数的运算结果,并重新执行设定n个连续相邻时刻分别对应的减温水流量的操作,直到获得所述目标函数的运算结果最小的减温水流量,以便根据所述运算结果最小的减温水流量对所述锅炉过热汽温度进行控制;其中,所述目标函数为表征所述预测过热汽温度和理想锅炉过热汽温度之间偏差大小的函数。
9.一种锅炉过热汽温度控制设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述锅炉过热汽温度控制方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述锅炉过热汽温度控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032161.3A CN114383130B (zh) | 2022-01-12 | 2022-01-12 | 锅炉过热汽温度控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032161.3A CN114383130B (zh) | 2022-01-12 | 2022-01-12 | 锅炉过热汽温度控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114383130A true CN114383130A (zh) | 2022-04-22 |
CN114383130B CN114383130B (zh) | 2022-08-05 |
Family
ID=81202566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210032161.3A Active CN114383130B (zh) | 2022-01-12 | 2022-01-12 | 锅炉过热汽温度控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114383130B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103225799A (zh) * | 2013-05-09 | 2013-07-31 | 北京四方继保自动化股份有限公司 | 一种火电厂主蒸汽温度控制方法 |
CN106765052A (zh) * | 2016-11-21 | 2017-05-31 | 华北电力大学(保定) | 一种电站锅炉蒸汽温度的智能计算预测控制方法 |
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 |
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 |
CN113883497A (zh) * | 2021-10-29 | 2022-01-04 | 国能龙源环保有限公司 | 一种火电厂锅炉再热汽温优化控制方法 |
-
2022
- 2022-01-12 CN CN202210032161.3A patent/CN114383130B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103225799A (zh) * | 2013-05-09 | 2013-07-31 | 北京四方继保自动化股份有限公司 | 一种火电厂主蒸汽温度控制方法 |
CN106765052A (zh) * | 2016-11-21 | 2017-05-31 | 华北电力大学(保定) | 一种电站锅炉蒸汽温度的智能计算预测控制方法 |
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 |
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 |
CN113883497A (zh) * | 2021-10-29 | 2022-01-04 | 国能龙源环保有限公司 | 一种火电厂锅炉再热汽温优化控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114383130B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110285403B (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
Zhang et al. | Cascade control of superheated steam temperature with neuro-PID controller | |
Shakibjoo et al. | Load frequency control for multi-area power systems: A new type-2 fuzzy approach based on Levenberg–Marquardt algorithm | |
Liang et al. | Control of superheated steam temperature in large-capacity generation units based on active disturbance rejection method and distributed control system | |
Dong et al. | Multi-layer perception based model predictive control for the thermal power of nuclear superheated-steam supply systems | |
CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
CN102444784A (zh) | 基于动态矩阵控制的钢铁企业蒸汽管网压力控制系统 | |
CN103322553A (zh) | 一种火电机组过热汽温多模型扰动估计预测控制方法 | |
Safarzadeh et al. | Identification and robust water level control of horizontal steam generators using quantitative feedback theory | |
Wang et al. | An improved coordinated control strategy for boiler-turbine units supplemented by cold source flow adjustment | |
CN106933202A (zh) | 利用基于所估计的状态信息的间歇重新初始化的前馈控制 | |
Wang et al. | Stochastic configuration network based cascade generalized predictive control of main steam temperature in power plants | |
Zhu | Nonlinear dynamic investigation and anti-bifurcation control of a boiler-turbine unit via dual-mode fuzzy model predictive control strategy | |
Kavaklioglu | Support vector regression model based predictive control of water level of U-tube steam generators | |
Liu et al. | A hybrid receding horizon optimization and active disturbance rejection control of boiler superheated steam temperature | |
Prasanth et al. | A hybrid technique to control superheater steam temperature in power plants using multi modeling and predictive sliding mode control | |
CN114383130B (zh) | 锅炉过热汽温度控制方法、装置、设备及存储介质 | |
Wei et al. | Data-driven adaptive-critic optimal output regulation towards water level control of boiler-turbine systems | |
Lian | Main steam temperature control based on variable universe fuzzy dynamic matrix control | |
Esmaeili et al. | Robust & nonlinear control of an ultra-supercritical coal fired once-through boiler-turbine unit in order to optimize the uncertain problem | |
CN107783941B (zh) | 一种基于谷电价格变化的太阳能补偿型电锅炉供热控制方法 | |
Tian | Main steam temperature control based on GA-BP optimised fuzzy neural network | |
Vansovits et al. | Identification of industrial water boiler for model predictive control of district heat plant | |
Li et al. | Performance analysis of reheat steam temperature control system of thermal power unit based on constrained predictive control | |
Guolian et al. | Multiple-model predictive control based on fuzzy adaptive weights and its application to main-steam temperature in power plant |
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 |