CN114415751A - 一种用于火电机组的主、再热汽温优化系统及方法 - Google Patents
一种用于火电机组的主、再热汽温优化系统及方法 Download PDFInfo
- Publication number
- CN114415751A CN114415751A CN202111410367.7A CN202111410367A CN114415751A CN 114415751 A CN114415751 A CN 114415751A CN 202111410367 A CN202111410367 A CN 202111410367A CN 114415751 A CN114415751 A CN 114415751A
- Authority
- CN
- China
- Prior art keywords
- steam temperature
- neural network
- main
- optimization
- temperature
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 55
- 238000003303 reheating Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000005507 spraying Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000013021 overheating Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011217 control strategy Methods 0.000 claims abstract description 9
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000010845 search algorithm Methods 0.000 claims description 13
- 239000007921 spray Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000001934 delay Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000003245 coal Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用于火电机组的主、再热汽温优化系统及方法，系统包括：数据采集模块，采集火电机组的全工况历史运行数据；预处理模块，对数据进行预处理；神经网络模型训练模块，利用误差反向传播训练算法对神经网络模型进行训练，将火电机组的主、再热汽温的动态特性以神经网络连接权值和阈值的形式固化；及过、再热汽温优化控制模块，根据固化后的主、再热汽温的动态特性实施不同位置的过热汽温和再热汽温优化控制。过、再热汽温喷水减温采用基于神经网络逆模型的智能串级控制策略，采用神经网络预测模型为基础的逆控制器来替代原串级控制主回路，实现对内回路喷水后温度设定值的精准预测，副回路采用高级PID确保喷水阀门的准确快速动作。
Description
技术领域
本发明涉及火电厂锅炉和机组系统的控制优化技术领域，尤其涉及一种用于火电机组的主、再热汽温优化系统及方法。
背景技术
现有的发电企业普遍存在燃煤供应来源不统一、机组设备性能差、两个细则、环保指标考核多等问题，导致机组的经济性和安全性面临严峻考验。主要表现在：
(1)AGC与一次调频等两个细则的考核较多。
(2)过热、再热减温水的调节性能偏差大，特别是在负荷快速变化过程中，难以有效进行控制。
(3)煤质变化大导致的锅炉燃烧工况变化大，使锅炉不能工作在最佳的工况点导致锅炉效率与环保问题的产生。
大规模科学合理的开展现代火电机组优化控制一体化解决方案关键技术研究研究已是迫在眉睫的工作；针对机组目前存在的负荷升降速率低、调节精度差、抗扰动能力差以及主要被调参数波动幅度较大等问题，开发基于协调控制系统热工过程海量历史数据的弱稳态自动检测、扰动数据驱动的热控系统辨识以及具有自趋优特性的神经网络预测控制等关键技术，提高机组运行效率以及稳定工况和变工况下的控制品质，达到降低机组热耗、发电煤耗、节能减排的目的；现有技术尤其缺乏基于此的用于火电机组的主、再热汽温优化系统及方法。
发明内容
本发明的目的在于提供一种用于火电机组的主、再热汽温优化系统，包括：
数据采集模块，用于采集所述火电机组的全工况历史运行数据；
预处理模块，用于对所述全工况历史运行数据进行预处理；
神经网络模型训练模块，利用误差反向传播训练算法(BP算法)对神经网络模型进行训练，从而将所述火电机组的主、再热汽温的动态特性以神经网络的连接权值和阈值的形式进行固化；以及
过、再热汽温优化控制模块，用于根据所述固化后的主、再热汽温的动态特性实施不同位置的过热汽温和再热汽温优化控制。
本发明的目的还在于提供一种用于火电机组的主、再热汽温优化方法，包括：
采集所述火电机组的全工况历史运行数据；
对所述全工况历史运行数据进行预处理；
利用误差反向传播训练算法对神经网络模型进行训练，从而将所述火电机组的主、再热汽温的动态特性以神经网络的连接权值和阈值的形式进行固化；以及
根据所述固化后的主、再热汽温的动态特性实施不同位置的过热汽温和再热汽温优化控制。
优选的，所述神经网络模型为人工神经网络ANN汽温预测模型，所述人工神经网络ANN汽温预测模型采用前向多阶层人工神经网络BP网络构建，所述BP网络由输入层、隐层和输出层节点组成，以所述BP神经网络为核心，通过在所述BP神经网络的所述输入层增加各输入变量、输出变量反馈的若干阶次时延，实现对主、再热汽温对象的动态特性的描述。
优选的，所述训练包括：采用误差反向传播训练算法不断调整所述神经网络的权值，使所述神经网络总误差最小，即采用梯度搜索技术，以期使所述神经网络的实际输出值与期望输出值的误差均方值MSE为最小。
优选的，所述根据所述固化后的主、再热汽温的动态特性实施不同位置的过热汽温和再热汽温优化控制包括：对过、再热汽温喷水减温系统的控制以及对于再热挡板控制。
优选的，对过、再热汽温喷水减温系统的控制，采用基于神经网络逆模型的智能串级控制策略，其中所述过、再热汽温喷水减温系统包括过热器、减温器、喷水减温器以及控制器，所述智能串级控制策略所采用的所述控制器包括主控制器和副控制器，所述主控制器采用神经网络预测模型为基础的逆控制器，以替代原串级控制主回路形成新的外环，实现对内回路喷水后温度设定值的精准预测，所述副控制器采用高级PID控制器，确保喷水减温阀的准确快速动作。
优选的，对于再热挡板控制为多步迭代寻优，包括：更新搜索空间，优化搜算算法、神经网络预测模型进行预测以及适应度函数值计算。
优选的，当外部存在干扰的情况下，干扰量输入再热汽温系统的同时输入神经网络预测模型，优化搜索算法的搜索结果同时输入神经网络预测模型和适应度函数值计算模块，同时经过优化搜索结果作为输入的神经网络训练结果输入适应度函数值计算模块，经过计算的适应度函数计算值会作为最终输出在此输入到优化搜索算法内，同时更新搜索空间，以上过程不断往复，多步迭代，从而寻找最优的再热汽温预测值。
优选的，对于再热挡板控制包括结合智能优化搜索算法对燃烧器摆角进行预测控制。
作为优选的实施方式，所述优化系统还包括接口，分别与DCS系统、减温水尾部烟道挡板以及优化平台部分相连接，其中：
与DCS系统相连接用于增加选择逻辑，当优化系统已投入通讯点且运行人员通过画面按钮确定后进入先进汽温优化模式减温水调门接收先进汽温优化指令；
与减温水尾部烟道挡板相连接用于优化切除自动条件，所述切除自动条件包括：
A.减温水(尾部烟道挡板)自动切除；
B.LC卡通讯故障；
C.心跳信号异常；
D.减温水(尾部烟道挡板)优化功能组异常；
E.减温水调门(尾部烟道挡板)指令品质坏；
F.减温水(尾部烟道挡板)优化通讯指令和硬接线指令偏差＞1；
与优化平台部分相连接用于先进汽温优化控制实施，其中神经网络预估值做为PID的设定值，减温器后温度作为PID的过程值，增加选择块当先进汽温优化未投入的时候跟踪原先调门指令，实现无扰切换，投入先进汽温优化后PID进行运算实现先进汽温控制。
本发明具有如下有益效果：
以BP网络为核心，通过在网络输入层增加各输入变量、输出变量反馈的若干阶次时延，来实现对汽温对象动态特性的描述；过、再热汽温喷水减温采用基于神经网络逆模型的智能串级控制策略，其外环采用神经网络预测模型为基础的逆控制器来替代原串级控制主回路(外环)，实现对内回路喷水后温度设定值的精准预测，而副回路则采用高级PID确保喷水阀门的准确快速动作。
附图说明
图1为根据本发明提供的BP神经网络的基本组成单位—神经元及典型的3层神经网络结构图；
图2为根据本发明提供的喷水减温串级智能控制器原理示意图；
图3为根据本发明提供的尾部烟道挡板预测优化控制原理示意图
图4为根据本发明提供的先进汽温优化控制实施增加DCS逻辑结构示意图。
图5为根据本发明提供的先进汽温优化控制实施增加优化平台逻辑结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据。
存储器可以包括随机存储器(RandomAccess Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
一种用于火电机组的主、再热汽温优化系统，包括：
数据采集模块，用于采集所述火电机组的全工况历史运行数据；
预处理模块，用于对所述全工况历史运行数据进行预处理；
神经网络模型训练模块，利用误差反向传播训练算法(BP算法)对神经网络模型进行训练，从而将所述火电机组的主、再热汽温的动态特性以神经网络的连接权值和阈值的形式进行固化；以及
过、再热汽温优化控制模块，用于根据所述固化后的主、再热汽温的动态特性实施不同位置的过热汽温和再热汽温优化控制。
如图1，作为优选的实施方式，所述神经网络模型为人工神经网络ANN汽温预测模型，所述人工神经网络ANN汽温预测模型采用前向多阶层人工神经网络BP网络构建，所述BP网络由输入层、隐层和输出层节点组成。BP神经网络的基本组成单位—神经元及典型的3层神经网络结构如图1所示，以所述BP神经网络为核心，通过在所述BP神经网络的所述输入层增加各输入变量、输出变量反馈的若干阶次时延，实现对主、再热汽温对象的动态特性的描述。
优选的，所述训练包括：采用误差反向传播训练算法不断调整所述神经网络的权值，使所述神经网络总误差最小，即采用梯度搜索技术，以期使所述神经网络的实际输出值与期望输出值的误差均方值MSE为最小。
作为优选的实施方式，所述根据所述固化后的主、再热汽温的动态特性实施不同位置的过热汽温和再热汽温控制包括：
(1)如图2所示，对过、再热汽温喷水减温系统的控制，采用基于神经网络逆模型的智能串级控制策略，其中所述过、再热汽温喷水减温系统包括过热器、减温器、喷水减温器以及控制器，所述智能串级控制策略所采用的所述控制器包括主控制器和副控制器，所述主控制器采用神经网络预测模型为基础的逆控制器，以替代原串级控制主回路形成新的外环，实现对内回路喷水后温度设定值的精准预测，所述副控制器采用高级PID控制器，确保喷水减温阀的准确快速动作。其基本原理如图2所示。
(2)对于再热挡板控制，由于挡板动作温度响应，存在很大的时延和惯性，拟采用如图3所示的预测优化控制方案，并结合智能优化搜索算法对燃烧器摆角进行预测控制。其控制原理为多步迭代寻优原理，示意图如图3所示，包括：
更新搜索空间模块，优化搜算算法模块、神经网络预测模型以及适应度函数值计算模块；当外部存在干扰的情况下，干扰量输入再热汽温系统的同时输入神经网络预测模型，优化搜索算法的搜索结果同时输入神经网络预测模型和适应度函数值计算模块，同时经过优化搜索结果作为输入的神经网络训练结果输入适应度函数值计算模块，经过计算的适应度函数计算值会作为最终输出在此输入到优化搜索算法内，同时更新搜索空间，以上过程不断往复，多步迭代，从而寻找最优的再热汽温预测值。
作为优选的实施方式，所述优化系统还包括接口，分别与DCS系统、减温水尾部烟道挡板以及优化平台部分相连接。
(1)DCS系统部分
先进汽温优化控制实施增加DCS逻辑内容如图4所示，增加选择逻辑，当优化系统已投入(通讯点)且运行人员通过画面按钮确定后进入先进汽温优化模式减温水调门接收先进先进汽温优化指令。
(2)减温水(尾部烟道挡板)优化切除自动条件
A.减温水(尾部烟道挡板)自动切除；
B.LC卡通讯故障；
C.心跳信号异常；
D.减温水(尾部烟道挡板)优化功能组异常；
E.减温水调门(尾部烟道挡板)指令品质坏；
F.减温水(尾部烟道挡板)优化通讯指令和硬接线指令偏差＞1；
(3)优化平台部分
先进汽温优化控制实施增加优化平台逻辑结构示意图如图5所示，神经网络预估值做为PID的设定值，减温器后温度作为PID的过程值，增加选择块当先进汽温优化未投入的时候跟踪原先调门指令，实现无扰切换。投入先进汽温优化后PID进行运算实现先进汽温控制。
系统测试使用如下80个测点，如表1所示。
表1
以BP网络为核心，通过在网络输入层增加各输入变量、输出变量反馈的若干阶次时延，来实现对汽温对象动态特性的描述；过、再热汽温喷水减温采用基于神经网络逆模型的智能串级控制策略，其外环采用神经网络预测模型为基础的逆控制器来替代原串级控制主回路(外环)，实现对内回路喷水后温度设定值的精准预测，而副回路则采用高级PID确保喷水阀门的准确快速动作。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于火电机组的主、再热汽温优化系统，其特征在于包括：
数据采集模块，用于采集所述火电机组的全工况历史运行数据；
预处理模块，用于对所述全工况历史运行数据进行预处理；
神经网络模型训练模块，利用误差反向传播训练算法对神经网络模型进行训练，从而将所述火电机组的主、再热汽温的动态特性以神经网络的连接权值和阈值的形式进行固化；以及
过、再热汽温优化控制模块，用于根据所述固化后的主、再热汽温的动态特性实施不同位置的过热汽温和再热汽温优化控制。
2.一种用于权利要求1所述系统的火电机组的主、再热汽温优化方法，其特征在于包括：
采集所述火电机组的全工况历史运行数据；
对所述全工况历史运行数据进行预处理；
利用误差反向传播训练算法对神经网络模型进行训练，从而将所述火电机组的主、再热汽温的动态特性以神经网络的连接权值和阈值的形式进行固化；以及
根据所述固化后的主、再热汽温的动态特性实施不同位置的过热汽温和再热汽温优化控制。
3.根据权利要求2所述的火电机组的主、再热汽温优化方法，其特征在于：所述神经网络模型为人工神经网络ANN汽温预测模型，所述人工神经网络ANN汽温预测模型采用前向多阶层人工神经网络BP网络构建，所述BP网络由输入层、隐层和输出层节点组成，以所述BP神经网络为核心，通过在所述BP神经网络的所述输入层增加各输入变量、输出变量反馈的若干阶次时延，实现对主、再热汽温对象的动态特性的描述。
4.根据权利要求2所述的火电机组的主、再热汽温优化方法，其特征在于：所述训练包括：采用误差反向传播训练算法不断调整所述神经网络的权值，使所述神经网络总误差最小，即采用梯度搜索技术，以期使所述神经网络的实际输出值与期望输出值的误差均方值MSE为最小。
5.根据权利要求2所述的火电机组的主、再热汽温优化方法，其特征在于：所述根据所述固化后的主、再热汽温的动态特性实施不同位置的过热汽温和再热汽温优化控制包括：对过、再热汽温喷水减温系统的控制以及对于再热挡板控制。
6.根据权利要求5所述的火电机组的主、再热汽温优化方法，其特征在于：对过、再热汽温喷水减温系统的控制，采用基于神经网络逆模型的智能串级控制策略，其中所述过、再热汽温喷水减温系统包括过热器、减温器、喷水减温器以及控制器，所述智能串级控制策略所采用的所述控制器包括主控制器和副控制器，所述主控制器采用神经网络预测模型为基础的逆控制器，以替代原串级控制主回路形成新的外环，实现对内回路喷水后温度设定值的精准预测，所述副控制器采用高级PID控制器，确保喷水减温阀的准确快速动作。
7.根据权利要求5所述的火电机组的主、再热汽温优化方法，其特征在于：对于再热挡板控制为多步迭代寻优，包括：更新搜索空间，优化搜算算法、神经网络预测模型进行预测以及适应度函数值计算。
8.根据权利要求7所述的火电机组的主、再热汽温优化方法，其特征在于：当外部存在干扰的情况下，干扰量输入再热汽温系统的同时输入神经网络预测模型，优化搜索算法的搜索结果同时输入神经网络预测模型和适应度函数值计算模块，同时经过优化搜索结果作为输入的神经网络训练结果输入适应度函数值计算模块，经过计算的适应度函数计算值会作为最终输出在此输入到优化搜索算法内，同时更新搜索空间，以上过程不断往复，多步迭代，从而寻找最优的再热汽温预测值。
9.根据权利要求7所述的火电机组的主、再热汽温优化方法，其特征在于：对于再热挡板控制包括结合智能优化搜索算法对燃烧器摆角进行预测控制。
10.根据权利要求2所述的火电机组的主、再热汽温优化方法，其特征在于：所述优化系统还包括接口，分别与DCS系统、减温水尾部烟道挡板以及优化平台部分相连接，其中：
与DCS系统相连接用于增加选择逻辑，当优化系统已投入通讯点且运行人员通过画面按钮确定后进入先进汽温优化模式减温水调门接收先进汽温优化指令；
与减温水尾部烟道挡板相连接用于优化切除自动条件，所述切除自动条件包括：
A.减温水(尾部烟道挡板)自动切除；
B.LC卡通讯故障；
C.心跳信号异常；
D.减温水(尾部烟道挡板)优化功能组异常；
E.减温水调门(尾部烟道挡板)指令品质坏；
F.减温水(尾部烟道挡板)优化通讯指令和硬接线指令偏差＞1；
与优化平台部分相连接用于先进汽温优化控制实施，其中神经网络预估值做为PID的设定值，减温器后温度作为PID的过程值，增加选择块当先进汽温优化未投入的时候跟踪原先调门指令，实现无扰切换，投入先进汽温优化后PID进行运算实现先进汽温控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111410367.7A CN114415751A (zh) | 2021-11-25 | 2021-11-25 | 一种用于火电机组的主、再热汽温优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111410367.7A CN114415751A (zh) | 2021-11-25 | 2021-11-25 | 一种用于火电机组的主、再热汽温优化系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114415751A true CN114415751A (zh) | 2022-04-29 |
Family
ID=81264742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111410367.7A Pending CN114415751A (zh) | 2021-11-25 | 2021-11-25 | 一种用于火电机组的主、再热汽温优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114415751A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496953A (zh) * | 2011-11-24 | 2012-06-13 | 华北电力大学（保定） | 一种光伏发电微型电网系统及最大功率跟踪方法 |
| CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制系统及其实现方法 |
| CN107016377A (zh) * | 2017-04-16 | 2017-08-04 | 北京工业大学 | 基于sgasen算法的人脸识别优化方法 |
| CN107831652A (zh) * | 2017-10-13 | 2018-03-23 | 国网河北能源技术服务有限公司 | 一种基于冷端系统储能的机组负荷智能优化控制方法 |
| CN110955141A (zh) * | 2019-12-18 | 2020-04-03 | 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 | 一种基于神经网络逆模型再热汽温控制方法 |
| CN111102559A (zh) * | 2019-11-28 | 2020-05-05 | 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 | 一种基于双神经网络逆模型的屛式过热器汽温控制方法 |
| CN112180739A (zh) * | 2020-10-27 | 2021-01-05 | 浙江浙能技术研究院有限公司 | 一种针对过热汽温控制系统的参数优化方法 |
| WO2021174907A1 (zh) * | 2020-03-03 | 2021-09-10 | 华中科技大学 | 一种基于神经网络的igbt结温预测方法 |
-
2021
- 2021-11-25 CN CN202111410367.7A patent/CN114415751A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496953A (zh) * | 2011-11-24 | 2012-06-13 | 华北电力大学（保定） | 一种光伏发电微型电网系统及最大功率跟踪方法 |
| CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制系统及其实现方法 |
| CN107016377A (zh) * | 2017-04-16 | 2017-08-04 | 北京工业大学 | 基于sgasen算法的人脸识别优化方法 |
| CN107831652A (zh) * | 2017-10-13 | 2018-03-23 | 国网河北能源技术服务有限公司 | 一种基于冷端系统储能的机组负荷智能优化控制方法 |
| CN111102559A (zh) * | 2019-11-28 | 2020-05-05 | 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 | 一种基于双神经网络逆模型的屛式过热器汽温控制方法 |
| CN110955141A (zh) * | 2019-12-18 | 2020-04-03 | 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 | 一种基于神经网络逆模型再热汽温控制方法 |
| WO2021174907A1 (zh) * | 2020-03-03 | 2021-09-10 | 华中科技大学 | 一种基于神经网络的igbt结温预测方法 |
| CN112180739A (zh) * | 2020-10-27 | 2021-01-05 | 浙江浙能技术研究院有限公司 | 一种针对过热汽温控制系统的参数优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102193532B (zh) | 火电厂单元机组自启停优化控制系统 | |
| Ma et al. | Intelligent coordinated controller design for a 600 MW supercritical boiler unit based on expanded-structure neural network inverse models | |
| CN114547983A (zh) | 一种基于改进的多种群遗传算法的反应堆运行优化方法 | |
| CN111245032B (zh) | 一种计及风电场集电线路降损优化的电压预测控制方法 | |
| Zheng et al. | Deep reinforcement learning based active disturbance rejection load frequency control of multi-area interconnected power systems with renewable energy | |
| CN105720574A (zh) | 基于spsa的电力系统单区域负荷频率的数据驱动控制方法 | |
| CN114415751A (zh) | 一种用于火电机组的主、再热汽温优化系统及方法 | |
| Shayeghi et al. | A robust discrete fuzzyP+ fuzzyI+ fuzzyD load frequency controller for multi-source power system in restructuring environment | |
| CN105114931A (zh) | 一种改进锅炉过热汽温的控制方法 | |
| CN114562713B (zh) | 发电锅炉主蒸汽温度控制方法及系统 | |
| Zheng et al. | Double fuzzy pitch controller of wind turbine designed by genetic algorithm | |
| Ma et al. | ANN and PSO based intelligent model predictive optimal control for large-scale supercritical power unit | |
| Fu et al. | Cascaded PI Controller Tuning for Power Plant Superheated Steam Temperature based on Multi-Objective Optimization | |
| CN114415496A (zh) | 一种用于火电机组的凝结水节流系统及方法 | |
| CN110244551B (zh) | 一种超超临界机组协调控制系统的控制优化方法 | |
| Ma et al. | Neural network inverse control for the coordinated system of a 600MW supercritical boiler unit | |
| Xiaohua et al. | Research on the intelligent temperature control based on ANFIS for reheating furnace in rolling steel line | |
| CN216281315U (zh) | 一种双渣室燃煤机组主蒸汽温度优化控制装置 | |
| Xu et al. | Process control optimization for hydroelectric power based on neural network algorithm | |
| Sun et al. | Multi-model internal model control applied in temperature reduction system | |
| Cheng et al. | A composite weighted human learning network and its application for modeling of the intermediate point temperature in USC | |
| CN113467237B (zh) | 基于深度学习的主蒸汽温度的动态建模方法 | |
| CN111273563B (zh) | 一种基于供热机组agc综合指标的预测控制方法 | |
| Ma et al. | Multi Model Robust PID Control of Main Steam Temperature based on Gap Metric | |
| CN111193275B (zh) | 一种发电机组提高一次调频动作效果的方法 |
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 |