CN115808944B - 一种定子温升试验控制方法 - Google Patents
一种定子温升试验控制方法 Download PDFInfo
- Publication number
- CN115808944B CN115808944B CN202310090215.6A CN202310090215A CN115808944B CN 115808944 B CN115808944 B CN 115808944B CN 202310090215 A CN202310090215 A CN 202310090215A CN 115808944 B CN115808944 B CN 115808944B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- stator
- cooling water
- stator 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.)
- Active
Links
Images
Abstract
本发明涉及发电技术领域，具体而言，涉及一种定子温升试验控制方法，步骤包括设置数据采集模块采集机组内所需数据；根据上述数据建立预测模型；根据上述预测模型计算冷却水总进口流量；将所述冷却水总进口流量数据传输给控制器，所述控制器控制调节阀门开度。通过本发明所提供方法，可以实现定在定子温升试验中能够根据历史数据自动调整流量总阀门的开度，从而做到精准控温，实现自动化控制。
Description
技术领域
本发明涉及发电技术领域，具体而言，涉及一种定子温升试验控制方法。
背景技术
一般电厂中的发电机组在运行前，需要将定子的温度控制在需要的范围内以便于对定子进行绝缘测试和安全性检查，而在传统的测试中，一般使用手动的方式不断调节冷却水的控制阀门的开度，控制冷却水的流量和压力，从而达到控制定子温度的目的；使用手动的方式存在难以精准调节冷却水的流量和压力的现象，本发明的目的在于提供一种应用于定子温升试验系统的能够自动调节控制定子温度值的方法。
发明内容
针对背景技术中提到的定子温升试验时手动控制阀门开度比较麻烦的技术问题，本发明的目的在于提供一种定子温升试验控制方法，其能够根据历史数据，通过预测模型进行计算分析，计算出定子温升带所需值需要的总流量，从而能够自动提前调节冷却水进口流量，实现在试验逻辑控制模型的不同工况下，自动控制定子运行温度，满足绝缘测试及安全性要求。
本发明的实施例通过以下技术方案实现：
一种定子温升试验控制方法，包括：设置数据采集模块采集机组内所需要的各类数据；根据上述数据建立预测模型；根据上述预测模型的预测温度计算所需的冷却水总进口流量；将所述冷却水总进口流量数据传输给控制器，所述控制器控制调节阀门开度。
进一步地，所述数据采集模块通过通讯模块与机组监控系统连接，获取机组内的监测数据。
进一步地，所述数据采集模块以分钟为节点对数据进行重采样。
进一步地，建立所述预测模型步骤包括有，基于数据采集模块采集的数据进行相关性分析，筛选与定子温度相关的物理量；基于上述的相关物理量构建LSTM神经网络预测模型。
进一步地，所述相关的物理量包括定子温度、机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量七项数据。
进一步地，所述LSTM神经网络预测模型构建步骤为，基于LSTM神经网络，通过一个并联的支路传递原始数据从而保留数据的原始信息，另一支路通过两层LSTM对原始数据进行挖掘，从而提取出原始数据特征；通过cat方法融合原始数据特征与提取的特征；通过多层感知机输出定子温度预测值。
进一步地，根据上述的LSTM神经网络预测模型输出的定子温度预测值后，计算所述定子温度预测值与前一时刻通过数据采集模块采集到的温度真实值之间的温度差
；基于历史数据，在固定间隔时间内，计算定子温度差与流量存在的函数关系。在获得函数关系的基础上，将温度差/>
代入此函数即可求解出所需的所述冷却水总进口流量。/>
进一步地，在上述的通过两层LSTM对原始数据进行挖掘，从而提取出原始数据特征的过程中，搭建深度学习网络模型，是使用Adam优化器优化数据处理，学习网络模型参数设置为，初始学习率设置为0.001，损失函数为均方误差MSE，如下式，迭代次数为30，损失函数公式如，其中N代表原始数据组数，y代表温度值，
。
本发明实施例的技术方案至少具有如下优点和有益效果：
本发明为实现机组检修前定子一键自动温升试验，通过建立定子温度与机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量等参数的协联关系的神经网络预测模型，通过预测机组定子绕组温升趋势，提前调节冷却水进口流量，实现在试验逻辑控制模型的不同工况下，自动精准控制定子运行温度，满足绝缘测试及安全性要求。
附图说明
图1为本发明实施例提供的一种定子温升试验控制方法的数据处理数据切片示意图；
图2为本发明实施例提供的一种定子温升试验控制方法的预测模型结构图；
图3为本发明实施例提供的一种定子温升试验控制方法的步骤图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
一种定子温升试验控制方法，包括：
S1、设置数据采集模块采集机组内所需要的各类数据；
S2、根据上述数据建立预测模型；
S3、根据上述预测模型的预测温度计算所需的冷却水总进口流量；
S4、将所述冷却水总进口流量数据传输给控制器，所述控制器控制调节阀门开度。
所述数据采集模块通过通过通讯模块Modbus协议与机组监控系统连接，获取机组内的监测数据，在构建预测模型时，获取机组内的所有监测数据进行数据分析挖掘，本实施例中根据本厂区的实际运行情况，采集机组的运行状态监测数据包括有，机组内的54个定子绕组温度、12台空冷器的冷风和热风温度、技术供水出水总管流量、冷却水总进口流量、技术供水总管温度、空冷器冷却进水总管温度、空冷器冷却出水总管温度、机组负荷有功功率、坝前取水管道压力、蜗壳取水管压力、技术供水进水总管压力，共计87个监测参数。
建立所述预测模型步骤包括有，基于数据采集模块采集的数据进行相关性分析，筛选与定子温度相关的物理量。所述相关的物理量包括定子温度、机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量等七项数据。
模型建立时需要数据采集模块采集历年的数据进行分析，本实施例中，根据电厂的实际运行情况，采用了2019年至2021年三年的定子温度、机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量等数据；基于上述的相关物理量构建LSTM神经网络预测模型。其中，12个空气冷却器的回路基本一致，且12个冷却回路均与空冷器冷却水总管联接，因此考虑将12个空冷视为一个整体，空冷进水温度、空冷出水温度取平均值作为单一变量。同理54个定子绕组由于结构相同且温度相差不超过1℃，因此也考虑求取其平均值作为单一变量。根据机组负荷的情况筛选数据，机组运行期间的数据对温升试验预测模型的构建是有用的，因此，过滤掉机组有功功率为0或者为负的情况，通过滑窗算法舍弃掉这部分数据，如图1所示。基于对有功功率的滑窗索引，对其余的参数做相同的切片处理，保障每一个监测参数的时间戳一一对应。最终，经处理后得到可用数据，在下述的深度学习模型中，使用此可用数据进行运算处理。
确定相关物理量之后，所述数据采集模块以分钟为节点对相关物理量的数据进行重采样，此处的分钟节点可以按照实际运行情况或者根据历年的数据分析定子温度变化的时间间隔进行自行设定。在模型建立阶段以历史数据中的一分钟为数据节点进行采样从而换算。
所述LSTM神经网络预测模型构建步骤为，基于LSTM神经网络，通过一个并联的支路传递原始数据从而保留数据的原始信息，另一支路通过两层LSTM对原始数据进行挖掘，从而提取出原始数据特征；通过cat方法融合原始数据特征与提取的特征；通过多层感知机输出定子温度预测值，如图2所示。
在上述步骤过程中，搭建深度学习网络模型，是使用Adam优化器优化数据处理，学习网络模型参数设置为，初始学习率设置为0.001，损失函数为均方误差MSE，如下式，迭代次数为30，损失函数公式如，其中N代表原始数据组数，y代表温度值，
，yi代表模型输出的预测温度值，ŷi代表获取到的真实温度值，i为序列值。使用损失函数用于估量预测的定子温度值与采集的数据中实际温度值的偏差，将训练集输入预测模型中用于训练模型各节点之间的权重，直到损失函数MSE最小则停止训练。用测试集对预测模型的性能进行测试。直到上述步骤全部完成，即可获得用于预测定子温度的模型。
根据上述的LSTM神经网络预测模型输出的定子温度预测值后，计算所述定子温度预测值与前一时刻通过数据采集模块采集到的温度真实值之间的温度差
；基于历史数据，在固定间隔时间内，计算定子温度差与流量存在的函数关系，并且，理论上当固定时间间隔越小，此函数关系越准确。在获得函数关系的基础上，将温度差/>
代入此函数即可求解出所需的所述冷却水总进口流量。
在投入模型进入定子温升系统进行温升试验后，数据模块采集系统内的定子温度、机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量等数据，且将上述的参数构建的特征向量输入模型，从而计算模型的输出定子温度预测值。
预测的模型输出的时间尺度以设定的采样时间间隔为准。例如设定的采样时间间隔为5分钟，则模型输入为前15个采样点的传感器数据，即前75分钟的数据；模型输出为下一时刻采样点的数据，即5分钟后的定子温度。此外当设定采样间隔后，模型的执行频率同样被固定，即每隔一个采样间隔时间模型向下位机输出一次指令，即每五分钟根据前运行时间75分钟的数据推算5分钟后的定子温度，预测模型以15×7维向量作为输入，其中15为时间序列轴，7为特征向量，输出为1×1的向量，即为定子绕组的平均温度，根据定子温度计算从而下发指令给控制器，使控制器控制冷却水阀门的开度控制调整对应的流量大小。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种定子温升试验控制方法，其特征在于，包括：
设置数据采集模块采集机组内所需要数据；
根据上述数据建立预测模型；包括，基于数据采集模块采集的数据进行相关性分析，筛选与定子温度相关的物理量，所述相关的物理量包括定子温度、机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度和冷却水总进口流量；基于所述相关的物理量构建LSTM神经网络预测模型，具体为，基于LSTM神经网络，通过一个并联的支路传递原始数据从而保留数据的原始信息，另一支路通过两层LSTM对原始数据进行挖掘，从而提取出原始数据特征；通过cat方法融合原始数据特征与提取的特征；通过多层感知机输出定子温度预测值；
根据上述预测模型的预测温度计算所需的冷却水总进口流量；
将所述冷却水总进口流量数据传输给控制器，所述控制器控制调节阀门开度。
2.根据权利要求1所述的定子温升试验控制方法，其特征在于：所述数据采集模块通过通讯模块与机组监控系统连接，获取机组内的监测数据。
3.根据权利要求2所述的定子温升试验控制方法，其特征在于：所述数据采集模块以分钟为节点对数据进行重采样。
4.根据权利要求1所述的定子温升试验控制方法，其特征在于：根据上述的LSTM神经网络预测模型输出的定子温度预测值后，
计算所述定子温度预测值与前一时刻通过数据采集模块采集到的温度真实值之间的温度差
；
基于历史数据，在固定间隔时间内，计算定子温度差与流量存在的函数关系，
在获得函数关系的基础上，将温度差
代入此函数即可求解出所需的所述冷却水总进口流量。
5.根据权利要求1所述的定子温升试验控制方法，其特征在于：在上述的通过两层LSTM对原始数据进行挖掘，从而提取出原始数据特征的过程中，搭建深度学习网络模型，是使用Adam优化器优化数据处理，学习网络模型参数设置为，初始学习率设置为0.001，损失函数为均方误差MSE，如下式，迭代次数为30，损失函数公式如下，其中N代表原始数据组数，y代表温度值，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310090215.6A CN115808944B (zh) | 2023-02-09 | 2023-02-09 | 一种定子温升试验控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310090215.6A CN115808944B (zh) | 2023-02-09 | 2023-02-09 | 一种定子温升试验控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115808944A CN115808944A (zh) | 2023-03-17 |
| CN115808944B true CN115808944B (zh) | 2023-06-02 |
Family
ID=85487854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310090215.6A Active CN115808944B (zh) | 2023-02-09 | 2023-02-09 | 一种定子温升试验控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115808944B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105344720A (zh) * | 2015-12-05 | 2016-02-24 | 北京首钢自动化信息技术有限公司 | 一种精轧带钢终轧温度的在线控制方法 |
| CN108460089A (zh) * | 2018-01-23 | 2018-08-28 | 哈尔滨理工大学 | 基于Attention神经网络的多元特征融合中文文本分类方法 |
| CN109871987A (zh) * | 2019-01-28 | 2019-06-11 | 中建八局第三建设有限公司 | 一种智能建筑暖通设备综合节能控制方法 |
| CN110175622A (zh) * | 2019-04-04 | 2019-08-27 | 华中科技大学 | 基于共生关系的卷积神经网络的车辆部件识别方法和系统 |
| CN110559966A (zh) * | 2019-09-17 | 2019-12-13 | 台州道致科技股份有限公司 | 一种反应釜多模联合控制方法及系统 |
| CN110686350A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种基于bp神经网络实时预测自调节温度的控制方法、计算机可读存储介质及空调 |
| CN111160628A (zh) * | 2019-12-13 | 2020-05-15 | 重庆邮电大学 | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 |
| CN111456840A (zh) * | 2020-05-18 | 2020-07-28 | 江苏隆信德科技有限公司 | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 |
| CN111523943A (zh) * | 2020-04-24 | 2020-08-11 | 华中科技大学 | 一种电影票房预测模型的构建方法及电影票房预测方法 |
| 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 |
| CN112395815A (zh) * | 2020-12-04 | 2021-02-23 | 浙江科技学院 | 一种永磁同步电机的温度预测方法 |
| CN113484749A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司嘉祥县供电公司 | 发电机故障诊断及预测方法 |
| CN113569479A (zh) * | 2021-07-27 | 2021-10-29 | 天津大学 | 石窟寺岩体裂隙发育长期多步控制方法、装置及存储介质 |
| CN113762591A (zh) * | 2021-07-20 | 2021-12-07 | 国网山东省电力公司菏泽供电公司 | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
| CN114139305A (zh) * | 2021-11-16 | 2022-03-04 | 国网河北能源技术服务有限公司 | 基于汽轮机调节级压力预测模型的单阀门流量特性优化方法 |
| CN114335625A (zh) * | 2021-11-15 | 2022-04-12 | 北京格睿能源科技有限公司 | 燃料电池堆温度控制方法、装置、模型预测控制器及系统 |
| CN114372631A (zh) * | 2022-01-11 | 2022-04-19 | 电子科技大学 | 一种基于小样本学习和lstm的缺资料地区径流预测方法 |
| CN115313763A (zh) * | 2022-08-09 | 2022-11-08 | 重庆大学 | 新能源汽车电机热管控方法 |
| CN115486857A (zh) * | 2022-09-02 | 2022-12-20 | 昆明理工大学 | 一种基于Transformer时空特征学习的运动想象脑电解码方法 |
| CN115511212A (zh) * | 2022-10-21 | 2022-12-23 | 南京邮电大学 | 一种基于深度学习的航班保障流程剩余执行时间预测方法 |
| CN115591493A (zh) * | 2022-09-22 | 2023-01-13 | 海龙智能技术研究（珠海）有限公司（Cn） | 一种反应釜温度控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9110476B2 (en) * | 2012-06-20 | 2015-08-18 | International Business Machines Corporation | Controlled cooling of an electronic system based on projected conditions |
| CN114004164A (zh) * | 2021-11-05 | 2022-02-01 | 上海交通大学 | 一种用于控制的电机转子温度预测方法及系统 |
-
2023
- 2023-02-09 CN CN202310090215.6A patent/CN115808944B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105344720A (zh) * | 2015-12-05 | 2016-02-24 | 北京首钢自动化信息技术有限公司 | 一种精轧带钢终轧温度的在线控制方法 |
| CN108460089A (zh) * | 2018-01-23 | 2018-08-28 | 哈尔滨理工大学 | 基于Attention神经网络的多元特征融合中文文本分类方法 |
| CN109871987A (zh) * | 2019-01-28 | 2019-06-11 | 中建八局第三建设有限公司 | 一种智能建筑暖通设备综合节能控制方法 |
| CN110175622A (zh) * | 2019-04-04 | 2019-08-27 | 华中科技大学 | 基于共生关系的卷积神经网络的车辆部件识别方法和系统 |
| CN110559966A (zh) * | 2019-09-17 | 2019-12-13 | 台州道致科技股份有限公司 | 一种反应釜多模联合控制方法及系统 |
| CN110686350A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种基于bp神经网络实时预测自调节温度的控制方法、计算机可读存储介质及空调 |
| CN111160628A (zh) * | 2019-12-13 | 2020-05-15 | 重庆邮电大学 | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 |
| CN111523943A (zh) * | 2020-04-24 | 2020-08-11 | 华中科技大学 | 一种电影票房预测模型的构建方法及电影票房预测方法 |
| CN111456840A (zh) * | 2020-05-18 | 2020-07-28 | 江苏隆信德科技有限公司 | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 |
| 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 |
| CN112395815A (zh) * | 2020-12-04 | 2021-02-23 | 浙江科技学院 | 一种永磁同步电机的温度预测方法 |
| CN113484749A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司嘉祥县供电公司 | 发电机故障诊断及预测方法 |
| CN113762591A (zh) * | 2021-07-20 | 2021-12-07 | 国网山东省电力公司菏泽供电公司 | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
| CN113569479A (zh) * | 2021-07-27 | 2021-10-29 | 天津大学 | 石窟寺岩体裂隙发育长期多步控制方法、装置及存储介质 |
| CN114335625A (zh) * | 2021-11-15 | 2022-04-12 | 北京格睿能源科技有限公司 | 燃料电池堆温度控制方法、装置、模型预测控制器及系统 |
| CN114139305A (zh) * | 2021-11-16 | 2022-03-04 | 国网河北能源技术服务有限公司 | 基于汽轮机调节级压力预测模型的单阀门流量特性优化方法 |
| CN114372631A (zh) * | 2022-01-11 | 2022-04-19 | 电子科技大学 | 一种基于小样本学习和lstm的缺资料地区径流预测方法 |
| CN115313763A (zh) * | 2022-08-09 | 2022-11-08 | 重庆大学 | 新能源汽车电机热管控方法 |
| CN115486857A (zh) * | 2022-09-02 | 2022-12-20 | 昆明理工大学 | 一种基于Transformer时空特征学习的运动想象脑电解码方法 |
| CN115591493A (zh) * | 2022-09-22 | 2023-01-13 | 海龙智能技术研究（珠海）有限公司（Cn） | 一种反应釜温度控制方法 |
| CN115511212A (zh) * | 2022-10-21 | 2022-12-23 | 南京邮电大学 | 一种基于深度学习的航班保障流程剩余执行时间预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 《CCT: A Cross-Concat and Temporal Neural Network for Multi-Label Action Unit Detection》;Qiaoping Hu 等;《2018 IEEE International Conference on Multimedia and Expo (ICME)》;全文 * |
| 一种动力电池温度控制系统的设计;李学鋆;章菊;陈小兵;周吉伟;;自动化与仪表(第12期);全文 * |
| 信号分解与融合神经网络的金融数据预测研究;金丰;邵清;;小型微型计算机系统(第06期);全文 * |
| 基于卷积神经网络与长短期记忆神经网络的多特征融合人体行为识别算法;黄友文;万超伦;冯恒;;激光与光电子学进展(第07期);全文 * |
| 基于注意力机制的Encoder-Decoder光伏发电预测模型;宋良才;索贵龙;胡军涛;窦艳梅;崔志永;;计算机与现代化(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115808944A (zh) | 2023-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109270842B (zh) | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 | |
| CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
| CN100416047C (zh) | 涡轮机起动控制器及涡轮机起动控制方法 | |
| US20170255177A1 (en) | Control Parameter Automatic-Adjustment Apparatus, Control Parameter Automatic-Adjustment Method, and Control Parameter Automatic-Adjustment Apparatus Network | |
| CN103591637B (zh) | 一种集中供热二次网运行调节方法 | |
| CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
| Fischer et al. | Predictive control based on local linear fuzzy models | |
| CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| US20210341895A1 (en) | Pid controller autotuner using machine learning approaches | |
| WO2022010377A1 (ru) | Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов | |
| CN112180739A (zh) | 一种针对过热汽温控制系统的参数优化方法 | |
| Zanoli et al. | Two-layer linear MPC approach aimed at walking beam billets reheating furnace optimization | |
| CN109032117A (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
| CN102073274B (zh) | 专家模糊增量式自适应的参数在线整定优化系统及方法 | |
| CN117436845B (zh) | 一种智慧小区供热系统异常数据监测方法 | |
| CN115808944B (zh) | 一种定子温升试验控制方法 | |
| CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
| CN116430726A (zh) | 基于减法聚类和模糊神经网络的涡轮机组控制方法 | |
| Xu et al. | Design of Engine Cooling System Using Improved Particle Swarm Optimization Algorithm | |
| CN115186754A (zh) | 基于信息熵及自联想回归模型的机组能效监测诊断方法 | |
| CN114282445A (zh) | 循环水系统运行优化方法以及相关设备 | |
| CN113110356A (zh) | 一种低温热系统的智能优化控制装备 | |
| CN111695300A (zh) | 一种汽轮机阀门流量拟合方法及系统 | |
| Grelewicz et al. | Practical Verification of the Advanced Control Algorithms Based on the Virtual Commissioning Methodology-A Case Study | |
| CN110083877A (zh) | 一种波动热工系统传递函数建模方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |