CN116166066A - 一种超超临界供热机组汽温优化控制方法 - Google Patents
一种超超临界供热机组汽温优化控制方法 Download PDFInfo
- Publication number
- CN116166066A CN116166066A CN202211720417.6A CN202211720417A CN116166066A CN 116166066 A CN116166066 A CN 116166066A CN 202211720417 A CN202211720417 A CN 202211720417A CN 116166066 A CN116166066 A CN 116166066A
- Authority
- CN
- China
- Prior art keywords
- model
- steam temperature
- pid control
- ultra
- control 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000005457 optimization Methods 0.000 title abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 239000003245 coal Substances 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 4
- 230000000052 comparative effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification 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
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种超超临界供热机组汽温优化控制方法,包括以下步骤:A、将导前区汽温和惰性区汽温的差值、机组负荷、煤质信息作为被动输入量,将给风量、给水量和给煤量作为主动输入量;B、建立PID控制模型,建立神经网络参数整定模型;C、将历史数据逐一输入PID控制模型,将每一轮的PID控制模型输入输出数据发送至神经网络参数整定模型进行参数整定;D、将神经网络参数整定模型输出的整定后的参数输入PID控制模型,然后进行下一轮的历史数据输入,根据输出偏差决定参数的取舍;E、使用步骤D得到的最终的整定参数代入PID控制模型对超超临界供热机组汽温进行PID闭环控制。本发明能够解决现有技术的不足,提高了系统在不同工作状态下的控制精度。
Description
技术领域
本发明涉及火电机组汽温控制技术领域,尤其是一种超超临界供热机组汽温优化控制方法。
背景技术
超超临界供热机组汽温具有扰动大、非线性强的特点,这为对于汽温的精确控制提出了较高的难度。现有技术中,使用PID技术进行超超临界供热机组汽温的控制,使用遗传算法对PID模型的参数进行整定是一种较为成熟的方式。但是,这种方式的参数整定和闭环控制是相互分离的,当系统的工作状态出现变化时会出现控制精度下降的问题。
发明内容
本发明要解决的技术问题是提供一种超超临界供热机组汽温优化控制方法,能够解决现有技术的不足,提高了系统在不同工作状态下的控制精度。
为解决上述技术问题,本发明所采取的技术方案如下。
一种超超临界供热机组汽温优化控制方法,包括以下步骤:
A、将导前区汽温和惰性区汽温的差值、机组负荷、煤质信息作为被动输入量,将给风量、给水量和给煤量作为主动输入量;
B、建立PID控制模型,建立神经网络参数整定模型;
C、将被动输入量和主动输入量的历史数据逐一输入PID控制模型,得到PID控制模型输出数据,然后将每一轮的PID控制模型输入输出数据发送至神经网络参数整定模型进行参数整定;
D、将神经网络参数整定模型输出的整定后的参数输入PID控制模型,然后进行下一轮的历史数据输入,如果PID控制模型的输出偏差相比于上一轮的输出偏差变大,则舍去本次的整定参数,否则接受本次整定参数;重复步骤C和步骤D,直至PID控制模型的输出偏差小于审定阈值;
E、使用步骤D得到的最终的整定参数代入PID控制模型对超超临界供热机组汽温进行PID闭环控制。
作为优选,神经网络参数整定模型包括三个输入单元,五个隐藏单元和三个输出单元,被动输入量、主动输入量和输出数据分别输入三个输入单元,比例环节参数、微分环节参数和积分环节参数分别从三个输出单元输出。
作为优选,神经网络参数整定模型首先同步对微分环节参数和积分环节参数进行整定,然后对比例环节参数进行整定,最后根据比例环节参数的整定结果对微分环节参数和积分环节参数进行微调。
作为优选,PID控制模型使用最终的整定参数对超超临界供热机组汽温进行PID闭环控制的过程中,神经网络参数整定模型对PID控制模型的参数进行实时检测和二次整定。
作为优选,经网络参数整定模型对PID控制模型的参数进行采样的频率与超超临界供热机组汽温的波动幅度的平方成正比。
采用上述技术方案所带来的有益效果在于:本发明使用神经网络模型对PID控制模型的参数进行循环整定,每次整定出的参数代回PID控制模型进行闭环运行,从而使得神经网络模型与PID控制模型结合为一个整体。这一改进可以使神经网络模型对PID控制模型的运行参数进行全程监控和修正,从而使得PID控制模型可以快速适应系统的不同工作状态。
附图说明
图1本发明的流程图。
具体实施方式
参照图1,本发明一个具体实施方式包括以下步骤:
A、将导前区汽温和惰性区汽温的差值、机组负荷、煤质信息作为被动输入量,将给风量、给水量和给煤量作为主动输入量;
B、建立PID控制模型,建立神经网络参数整定模型;
C、将被动输入量和主动输入量的历史数据逐一输入PID控制模型,得到PID控制模型输出数据,然后将每一轮的PID控制模型输入输出数据发送至神经网络参数整定模型进行参数整定;
D、将神经网络参数整定模型输出的整定后的参数输入PID控制模型,然后进行下一轮的历史数据输入,如果PID控制模型的输出偏差相比于上一轮的输出偏差变大,则舍去本次的整定参数,否则接受本次整定参数;重复步骤C和步骤D,直至PID控制模型的输出偏差小于审定阈值;
E、使用步骤D得到的最终的整定参数代入PID控制模型对超超临界供热机组汽温进行PID闭环控制。
神经网络参数整定模型包括三个输入单元,五个隐藏单元和三个输出单元,被动输入量、主动输入量和输出数据分别输入三个输入单元,比例环节参数、微分环节参数和积分环节参数分别从三个输出单元输出。神经网络参数整定模型首先同步对微分环节参数和积分环节参数进行整定,然后对比例环节参数进行整定,最后根据比例环节参数的整定结果对微分环节参数和积分环节参数进行微调。PID控制模型使用最终的整定参数对超超临界供热机组汽温进行PID闭环控制的过程中,神经网络参数整定模型对PID控制模型的参数进行实时检测和二次整定。经网络参数整定模型对PID控制模型的参数进行采样的频率与超超临界供热机组汽温的波动幅度的平方成正比。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种超超临界供热机组汽温优化控制方法,其特征在于包括以下步骤:
A、将导前区汽温和惰性区汽温的差值、机组负荷、煤质信息作为被动输入量,将给风量、给水量和给煤量作为主动输入量;
B、建立PID控制模型,建立神经网络参数整定模型;
C、将被动输入量和主动输入量的历史数据逐一输入PID控制模型,得到PID控制模型输出数据,然后将每一轮的PID控制模型输入输出数据发送至神经网络参数整定模型进行参数整定;
D、将神经网络参数整定模型输出的整定后的参数输入PID控制模型,然后进行下一轮的历史数据输入,如果PID控制模型的输出偏差相比于上一轮的输出偏差变大,则舍去本次的整定参数,否则接受本次整定参数;重复步骤C和步骤D,直至PID控制模型的输出偏差小于审定阈值;
E、使用步骤D得到的最终的整定参数代入PID控制模型对超超临界供热机组汽温进行PID闭环控制。
2.根据权利要求1所述的超超临界供热机组汽温优化控制方法,其特征在于:神经网络参数整定模型包括三个输入单元,五个隐藏单元和三个输出单元,被动输入量、主动输入量和输出数据分别输入三个输入单元,比例环节参数、微分环节参数和积分环节参数分别从三个输出单元输出。
3.根据权利要求2所述的超超临界供热机组汽温优化控制方法,其特征在于:神经网络参数整定模型首先同步对微分环节参数和积分环节参数进行整定,然后对比例环节参数进行整定,最后根据比例环节参数的整定结果对微分环节参数和积分环节参数进行微调。
4.根据权利要求1所述的超超临界供热机组汽温优化控制方法,其特征在于:PID控制模型使用最终的整定参数对超超临界供热机组汽温进行PID闭环控制的过程中,神经网络参数整定模型对PID控制模型的参数进行实时检测和二次整定。
5.根据权利要求4所述的超超临界供热机组汽温优化控制方法,其特征在于:经网络参数整定模型对PID控制模型的参数进行采样的频率与超超临界供热机组汽温的波动幅度的平方成正比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720417.6A CN116166066A (zh) | 2022-12-30 | 2022-12-30 | 一种超超临界供热机组汽温优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720417.6A CN116166066A (zh) | 2022-12-30 | 2022-12-30 | 一种超超临界供热机组汽温优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116166066A true CN116166066A (zh) | 2023-05-26 |
Family
ID=86410708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211720417.6A Pending CN116166066A (zh) | 2022-12-30 | 2022-12-30 | 一种超超临界供热机组汽温优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116166066A (zh) |
-
2022
- 2022-12-30 CN CN202211720417.6A patent/CN116166066A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109304086B (zh) | 一种电站锅炉scr脱硝精细化喷氨控制方法 | |
US7877154B2 (en) | Method and system for controlling a batch process | |
JP4194396B2 (ja) | 変動性プロセス遅延に対する高度プロセス制御ブロックの適応 | |
CN112070279A (zh) | 一种基于数字孪生技术的产品加工控制方法 | |
CN110202768B (zh) | 一种注塑机料筒温度控制方法 | |
CN109557810A (zh) | 一种基于新型二自由度内模pid的加热炉温度控制方法 | |
KR102382047B1 (ko) | Pso를 이용한 모터 제어기의 자동 학습 튜닝 시스템 | |
CN114721263A (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
CN114655958A (zh) | 一种多晶硅生产的控制方法、系统 | |
CN114001562B (zh) | 一种水泥预分解炉调温pid参数自整定方法 | |
CN105334831A (zh) | 由数据差异驱动的间歇过程双维在线优化方法 | |
CN116166066A (zh) | 一种超超临界供热机组汽温优化控制方法 | |
CN109001989B (zh) | 基于智能学习算法的机器控制方法 | |
CN109055700B (zh) | 一种退火炉空燃比自寻优的方法和装置 | |
CN107870567B (zh) | 一种比例微分超前广义智能内部模型集pid控制器设计方法 | |
CN111612212A (zh) | 一种磨煤机煤粉细度的在线优化模型更新方法 | |
CN108132597B (zh) | 一种微分超前智能模型集pid控制器设计方法 | |
CN110766234A (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
CN114217592B (zh) | 一种用于铜顶吹生产过程的控制系统及方法 | |
CN115451424A (zh) | 一种基于压力前馈的燃煤锅炉给煤控制方法 | |
CN103513648B (zh) | 控制系统的性能测试方法和系统 | |
CN111522226A (zh) | 针对伺服转台的多目标优化高型pid最优控制器设计方法 | |
CN116182564B (zh) | 一种烧结机点火炉智能控制系统 | |
CN115877811B (zh) | 流程工艺处理方法、装置及设备 | |
CN112132428A (zh) | 基于大数据的蒸汽热网配汽站预测性调控决策方法 |
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 |