CN116753536A - 一种基于压力预测模型的锅炉压力控制方法 - Google Patents
一种基于压力预测模型的锅炉压力控制方法 Download PDFInfo
- Publication number
- CN116753536A CN116753536A CN202310510668.XA CN202310510668A CN116753536A CN 116753536 A CN116753536 A CN 116753536A CN 202310510668 A CN202310510668 A CN 202310510668A CN 116753536 A CN116753536 A CN 116753536A
- Authority
- CN
- China
- Prior art keywords
- boiler
- pressure
- coal
- sequence
- boiler pressure
- 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 53
- 239000003245 coal Substances 0.000 claims description 118
- 230000008859 change Effects 0.000 claims description 40
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N1/00—Regulating fuel supply
- F23N1/02—Regulating fuel supply conjointly with air supply
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明涉及一种基于压力预测模型的锅炉压力控制方法,包括:B1、根据按照预先设定时间间隔所采集的锅炉运行数据,获取当前时刻t所对应的锅炉运行数据集、当前时刻t所对应的第一模型变量以及第二模型变量;B2、基于当前时刻t所对应的锅炉运行数据集Q,获取当前时刻t所对应的锅炉压力趋势特征;B3、基于当前时刻t所对应的锅炉压力趋势特征、当前时刻t对应的第一模型变量,第二模型变量,采用预先获取的压力预测模型,预测并递推出当前时刻t之后的k个时间间隔的锅炉压力,并将当前时刻t之后的k个时间间隔的锅炉压力组成第一锅炉压力序列;B4、判断所述第一锅炉压力序列,是否满足预先设定的控制目标,若满足则不对锅炉进行调整。
Description
技术领域
本发明涉及能源生产技术领域,尤其涉及一种基于压力预测模型的锅炉压力控制方法。
背景技术
在燃煤机组的生产运行过程中,锅炉压力作为影响锅炉燃烧状况的关键因素及重要的控制参数之一,反映出机组运行的经济性和安全性,压力过高会导致机组设备的损坏,压力过低时则不能保证机组正常运行,锅炉压力的不稳定不仅会对机组设备以及整个生产过程造成很大的负面影响,同时也会给企业造成较大的经济损失,因此必须保证压力维持在允许的范围之内,尤其要求严格控制压力过大或过小的情况发生。
现有的控制通用做法是采用PID算法利用压力反馈调整锅炉负荷,但由于锅炉运行的大迟延、大惯性以及负荷波动的不稳定等动态特性,使得反馈调节效果及响应速度较差,且控制参数的整定对运行经验依赖性过高;也有通过RBF神经网络等基于机器学习模型的方法建立压力与燃料、风量等可控参数的函数关系进行控制,由于此类机器学习模型大多不具备连续型生产过程中的时序特征,没有很好地体现燃烧时能量释放过程且模型复杂度高,也就不能从根本上解决压力控制中的滞后问题。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种基于压力预测模型的锅炉压力控制方法,其解决了现有的控制通用做法是采用PID算法利用压力反馈调整锅炉负荷,但由于锅炉运行的大迟延、大惯性以及负荷波动的不稳定等动态特性,使得反馈调节效果及响应速度较差,且控制参数的整定对运行经验依赖性过高,以及现有技术中通过机器学习模型控制,没有很好地体现燃烧时能量释放过程且模型复杂度高,也就不能从根本上解决压力控制中的滞后问题的技术问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
本发明实施例提供一种基于压力预测模型的锅炉压力控制方法,包括:
B1、根据按照预先设定时间间隔所采集的锅炉运行数据,获取当前时刻t所对应的锅炉运行数据集、当前时刻t所对应的第一模型变量Xt以及第二模型变量Yt;所述当前时刻t所对应的锅炉运行数据集Q=[Qt-T+1,...Qt-i,...Qt-2,Qt-1,Qt];其中,Qt为当前时刻t所采集的锅炉运行数据;Qt-i为当前时刻t之前的i个时间间隔所采集的锅炉运行数据,包括:入炉煤量coalst-i、入炉风量windt-i、锅炉压力pt-i、消费流量steamt-i;
Yt=Stealnt-Stealmt-l.
其中,dct=coalt-coalt-1;dwt=windt-windt-1;dst=steamt-steamt-1;dct为t时刻的入炉煤量变化量;dwt为t时刻的入炉风量变化量;dst为t时刻的消费流量变化量;10≥T≥3;20≥L≥10;
B2、基于当前时刻t所对应的锅炉运行数据集Q,获取当前时刻t所对应的锅炉压力趋势特征trendt;
B3、基于当前时刻t所对应的锅炉压力趋势特征trendt、当前时刻t所对应的第一模型变量Xt,第二模型变量Yt,采用预先获取的压力预测模型,预测并递推出当前时刻t之后的k个时间间隔的锅炉压力,并将当前时刻t之后的k个时间间隔的锅炉压力组成第一锅炉压力序列;
B4、判断所述第一锅炉压力序列,是否满足预先设定的控制目标,若满足则不对锅炉进行调整。
优选地,所述B2具体包括:
B21、基于当前时刻t所对应的锅炉运行数据集Q,获取t时刻锅炉压力序列St;
其中,t时刻锅炉压力序列St=[pt-T+1,...pt-i,...pt-2,pt-1,pt];
B22、将所述t时刻锅炉压力序列St作为待拟合锅炉压力序列,采用预设策略获取与所述待拟合锅炉压力序列对应的锅炉压力趋势特征;
所述预设策略为:以预先设定的固定的索引序列[1,2,3...T]为自变量、以待拟合锅炉压力序列为因变量,利用T次多项式进行拟合,得到多项式函数,并基于所述多项式函数,获取该多项式函数的一阶导数,并将所述一阶导数T处的值,作为与所述待拟合锅炉压力序列对应的锅炉压力趋势特征;
B23、与所述待拟合锅炉压力序列对应的锅炉压力趋势特征作为当前时刻t的锅炉压力趋势特征trendt。
优选地,所述B3具体包括:
B31、基于所述当前时刻t所对应的锅炉压力趋势特征trendt、当前时刻t所对应的第一模型变量Xt,第二模型变量Yt,代入所述预先获取的压力预测模型,预测出当前时刻t之后的1个时间间隔的锅炉压力pt+1;
所述预先获取的压力预测模型为:
其中,其中/>为预先获取的入炉煤量模型系数的具体值;/>为预先获取的入炉风量模型系数M的具体值;e0为预先获取的流量-压力传递系数e的具体值;
B32、基于t时刻锅炉压力序列St=[pt-T+1,...pt-i,...pt-2,pt-1,pt]和当前时刻t之后的1个时间间隔的锅炉压力pt+1,采用第一递推公式,分别获取当前时刻t之后的第2个时间间隔至第k个时间间隔的锅炉压力,并由当前时刻t之后的k个时间间隔的锅炉压力组成第一锅炉压力序列;
所述第一递推公式为:
其中,trendt+k-1是以预先设定的固定的索引序列[1,2,3...T]为自变量、以当前时刻t之后的k-1个时间间隔的锅炉压力序列St+k-1为待拟合锅炉压力序列,采用所述预设策略获取的;
当前时刻t之后的k-1个时间间隔所对应的新的第一模型变量Xt+k-1中在t时刻之后的入炉煤量变化量和入炉风量变化量均设为0;
在k大于1时,Yt+k-1=0;
其中,所述第一锅炉压力序列包括:pt+1、pt+2、pt+3、…、pt+i...、pt+k。
优选地,所述预先设定的控制目标为第一条件或第二条件;
所述第一条件为:
lower≤pt+i≤upper;i=1,2,...,k;
其中,lower为预先设定的安全范围的最小值;
upper为预先设定的安全范围的最大值;
所述第二条件为:
其中,为预设值;
ε为预设的可容忍压力偏差。
优选地,所述方法还包括:
B5、若所述第一锅炉压力序列不满足预先设定的控制目标,则根据预先设定的单次最大入炉煤量调整量max和入炉煤量调整步长step,生成可行解集合;
B6、基于所述可行解集合,得到与其对应的压力走势预测序列空间;
B7、基于所述压力走势预测序列空间,获取用于对锅炉运行进行控制的入炉煤量操作值和入炉风量操作值。
优选地,所述B5具体包括:
若pt+i>upper或则在区间[-max,0]内以固定步长step生成入炉煤量推荐值re_c可行解,并利用预先获取的最优风煤比系数r计算每一入炉煤量推荐值re_c可行解所对应的入炉风量推荐值可行解re_w;其中,re_w=re_c*r;
其中,在区间[-max,0]内以固定步长step生成入炉煤量推荐值re_c可行解H包括:从-max开始每增加一个固定步长step后的数值,且入炉煤量推荐值re_c小于0;
若pt+i<lower或则在区间[0,max]内以固定步长step生成入炉煤量推荐值re_c可行解,并利用预先获取的最优风煤比系数r计算每一入炉煤量推荐值re_c可行解所对应的入炉风量推荐值可行解re_w;其中,re_w=re_c*r;
其中,在区间[0,max]内以固定步长step生成入炉煤量推荐值re_c可行解包括:从0开始每增加一个固定步长step后的数值,且入炉煤量推荐值re_c小于max;
根据入炉煤量推荐值re_c以及与其所对应的入炉风量推荐值可行解re_w,生成可行解集合;
其中,所述可行解集合为H为生成的入炉煤量推荐值re_c可行解中入炉煤量推荐值re_c的总数。
优选地,所述B6具体包括:
B61、基于所述当前时刻t所对应的锅炉压力趋势特征trendt、采用预先设定的第一方式更新第一模型变量Xt所得到Xt*,并将Xt*代入所述预先获取的压力预测模型,得到当前时刻t之后的1个时间间隔的预测锅炉压力值pt+1*;
其中,
其中,预先设定的第一方式为:基于可行解集合中的任意第j组可行解[re_cj,re_wj]中的dct后增加re_cj以及dwt后增加re_wj,得到更新后的第一模型变量Xt*;
B62、基于t时刻锅炉压力序列St=[pt-T+1,...pt-i,...pt-2,pt-1,pt]和当前时刻t之后的1个时间间隔的预测锅炉压力值pt+1*,采用第二递推公式,分别获取当前时刻t之后第2个时间间隔至第k个时间间隔的预测锅炉压力值,并由当前时刻t之后的k个时间间隔的预测锅炉压力值组成与可行解集合中的第j可行解[re_cj,re_wj]所对应的第二锅炉压力序列Aj;
所述第二递推公式为:
其中,trendt+k-1是以预先设定的固定的索引序列[1,2,3...T]为自变量、以当前时刻t之后的k-1个时间间隔的锅炉压力序列St+k-1*为待拟合锅炉压力序列,采用预设策略获取的;
与当前时刻t之后的k-1个时间间隔所对应的新的第一模型变量Xt+k-1*中大于t时刻的入炉煤量变化量和入炉风量变化量均设为0;
Yt+k-1*=0;
其中,所述第二锅炉压力序列Aj包括:pt+1 *、pt+2 *、pt+3 *、…、pt+i *...、pt+k *;
B63、基于与可行解集合中的每一组可行解分别所对应的第二锅炉压力序列,获取压力走势预测序列空间;
其中,所述压力走势预测序列空间为[A1、A2、...、Aj、...、AH];
Aj为与可行解集合中的第j组可行解[re_cj,re_wj]所对应的第二锅炉压力序列。
优选地,所述B7具体包括:
B71、对压力走势预测序列空间为[A1、A2、...、Aj、...、AH]筛选出满足预先设定的控制目标的第二锅炉压力序列;
B72、筛选出满足预先设定的控制目标的第二锅炉压力序列中选择对应可行解中入炉煤量推荐值的绝对值最小的入炉煤量推荐值,并将该绝对值最小的入炉煤量推荐值和其所对应的入炉风量推荐值作为用于对锅炉运行进行控制的入炉煤量操作值和入炉风量操作值。
优选地,在所述B1之前还包括:
B0-1、在历史时间段内根据按照预先设定时间间隔所采集的锅炉运行数据,获取初始历史锅炉运行数据集;
B0-2、针对所述初始历史锅炉运行数据集,进行预处理,获取预先指定的时刻a所对应的锅炉运行数据集Qa=[Qa-T+1,...Qa-i,...Qa-2,Qa-1,Qa];
所述预处理为对所述初始历史锅炉运行数据集中的缺失值,采用样条插值法进行填充;
B0-3、基于预先指定的时刻a所对应的锅炉运行数据集,获取时刻a所对应的锅炉压力序列Sa,其中,Sa=[pa-T+1,...pa-i,...pa-2,pa-1,pa];
B0-4、将所述时刻a所对应的锅炉压力序列Sa作为待拟合锅炉压力序列,采用预设策略获取时刻a的锅炉压力趋势特征trenda;
所述预设策略为:以预先设定的固定的索引序列[1,2,3...T]为自变量、以待拟合锅炉压力序列为因变量,利用T次多项式进行拟合,得到多项式函数,并基于所述多项式函数,获取该多项式函数的一阶导数,并将所述一阶导数值T处的值,作为与该待拟合锅炉压力序列对应的锅炉压力趋势特征;
B0-5、基于时刻a所对应的锅炉运行数据集Qa,获取该时刻a所对应的锅炉运行数据集Qa中任意相邻两条锅炉运行数据所对应的特征变化信息;
其中所述特征变化信息包括:该相邻的两条锅炉运行数据之间的入炉煤量变化量、入炉风量变化量、消费流量变化量、锅炉压力趋势变化量;锅炉风煤比;所述锅炉风煤比为入炉风量的差值与入炉煤量的差值的比值;
B0-6、将时刻a所对应的锅炉运行数据集Qa所对应的所有锅炉风煤比的25%分位数至75%分位数内数据的平均值作为最优风煤比系数。
优选地,在步骤B0-6之后还包括:
B0-7、基于时刻a所对应的锅炉运行数据集Qa中相邻的第b条锅炉运行数据和第b-1条锅炉运行数据之间的特征变化信息,按照公式(A)、公式(B)、公式(C),计算得到相应的建模数据Rb;
所述建模数据Rb包括:Xb、Yb、Zb;
其中,公式(A)为:
dcb=coalb-coalb-1;dcb为b时刻的入炉煤量变化量;
dwb=windb-windb-1;dwb为b时刻的入炉风量变化量;
其中,公式(B)为:
Yb=dsb;
dsb=steamb-steamb-1;dsb为b时刻的消费流量变化量;
其中,公式(C)为:
Zb=dtb;
dtb=trendb-trendb-1;dtb为时刻b的锅炉压力趋势特征与时刻b-1的锅炉压力趋势特征;
B0-8、将时刻a所对应的锅炉运行数据集Qa所对应的所有的N个建模数据组成建模数据集;
B0-9、基于所述建模数据集,利用粒子群优化算法对损失函数进行寻优,获取损失函数中模型参数的具体值M*及流量-压力传递系数e的具体值e*;
所述损失函数G为:
其中,所述粒子群优化算法中惯性因子大于等于0.1,且小于等于0.9;社会因子大于等于0.5,且小于等于2.5;个体因子大于等于0.5,且小于等于2.5;种群数量大于等于50,且小于等于200;进化次数大于等于100,且小于等于5000。
(三)有益效果
本发明的有益效果是:本发明的一种基于压力预测模型的锅炉压力控制方法,由于采用模型变量模拟锅炉生产过程中入炉煤量、入炉风量对主蒸汽流量的影响,结合消费流量建立流量与锅炉压力之间的传导关系,以历史时间段内根据按照预先设定时间间隔所采集的锅炉运行数据寻优得到的最优参数确定压力预测模型,对未来压力走势的预测使得控制方法具有展示系统未来动态行为的能力,再结合具体的对未来的控制策略生成可行解集合,对可行解集合的预测及最优入炉煤量操作值和入炉风量操作值确定,可以从根本上解决压力控制中控制精度不足及控制滞后的问题,从而提升锅炉运行的整体安全性与经济效益。
附图说明
图1为本发明的一种基于压力预测模型的锅炉压力控制方法流程图;
图2为本发明实施例中预设策略中多项式拟合曲线以及一阶导效果示意图;
图3为本发明实施例中的一种基于压力预测模型的锅炉压力控制方法流程图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
参见图1,本实施例提供一种基于压力预测模型的锅炉压力控制方法,包括:
B1、根据按照预先设定时间间隔所采集的锅炉运行数据,获取当前时刻t所对应的锅炉运行数据集、当前时刻t所对应的第一模型变量Xt以及第二模型变量Yt;所述当前时刻t所对应的锅炉运行数据集Q=[Qt-T+1,...Qt-i,...Qt-2,Qt-1,Qt];其中,Qt为当前时刻t所采集的锅炉运行数据;Qt-i为当前时刻t之前的i个时间间隔所采集的锅炉运行数据,包括:入炉煤量coalst-i、入炉风量windt-i、锅炉压力pt-i、消费流量steamt-i;
Yt=steamt-steamt-1;
其中,dct=coalt-coalt-1;dwt=windt-windt-1;dst=steamt-steamt-1;dct为t时刻的入炉煤量变化量;dwt为t时刻的入炉风量变化量;dst为t时刻的消费流量变化量;10≥T≥3;20≥L≥10。
本实施例中第一模型变量Xt是入炉煤变化量与入炉风变化量构成的L×2的矩阵。
B2、基于当前时刻t所对应的锅炉运行数据集Q,获取当前时刻t所对应的锅炉压力趋势特征trendt。
本实施例中,所述B2具体包括:
B21、基于当前时刻t所对应的锅炉运行数据集Q,获取t时刻锅炉压力序列St;其中,t时刻锅炉压力序列St=[pt-T+1,...pt-i,...pt-2,pt-1,pt]。
B22、将所述t时刻锅炉压力序列St作为待拟合锅炉压力序列,采用预设策略获取与所述待拟合锅炉压力序列对应的锅炉压力趋势特征。
所述预设策略为:以预先设定的固定的索引序列[1,2,3...T]为自变量、以待拟合锅炉压力序列为因变量,利用T次多项式进行拟合,得到多项式函数,并基于所述多项式函数,获取该多项式函数的一阶导数,并将所述一阶导数T处的值,参见图2,作为与所述待拟合锅炉压力序列对应的锅炉压力趋势特征。
B23、与所述待拟合锅炉压力序列对应的锅炉压力趋势特征作为当前时刻t的锅炉压力趋势特征trendt。
B3、基于当前时刻t所对应的锅炉压力趋势特征trendt、当前时刻t所对应的第一模型变量Xt,第二模型变量Yt,采用预先获取的压力预测模型,预测并递推出当前时刻t之后的k个时间间隔的锅炉压力,并将当前时刻t之后的k个时间间隔的锅炉压力组成第一锅炉压力序列。
在本实施例的具体应用中,所述B3具体包括:
B31、基于所述当前时刻t所对应的锅炉压力趋势特征trendt、当前时刻t所对应的第一模型变量Xt,第二模型变量Yt,代入所述预先获取的压力预测模型,预测出当前时刻t之后的1个时间间隔的锅炉压力pt+1。
所述预先获取的压力预测模型为:
其中,其中/>为预先获取的入炉煤量模型系数的具体值;/>为预先获取的入炉风量模型系数M的具体值;e0为预先获取的流量-压力传递系数e的具体值。
B32、基于t时刻锅炉压力序列St=[pt-T+1,...pt-i,...pt-2,pt-1,pt]和当前时刻t之后的1个时间间隔的锅炉压力pt+1,采用第一递推公式,分别获取当前时刻t之后的第2个时间间隔至第k个时间间隔的锅炉压力,并由当前时刻t之后的k个时间间隔的锅炉压力组成第一锅炉压力序列。
所述第一递推公式为:
其中,trendt+k-1是以预先设定的固定的索引序列[1,2,3...T]为自变量、以当前时刻t之后的k-1个时间间隔的锅炉压力序列St+k-1为待拟合锅炉压力序列,采用所述预设策略获取的。
当前时刻t之后的k-1个时间间隔所对应的新的第一模型变量Xt+k-1中在t时刻之后的入炉煤量变化量和入炉风量变化量均设为0。
举例说明,假如,k=2时,Xt+1为:
假如,k=3时,Xt+2为:
在k大于1时,Yt+k-1=0。
其中,所述第一锅炉压力序列包括:pt+1、pt+2、pt+3、…、pt+i...、pt+k。
B4、判断所述第一锅炉压力序列,是否满足预先设定的控制目标,若满足则不对锅炉进行调整。所述预先设定的控制目标为第一条件或第二条件。
所述第一条件为:lower≤pt+i≤upper;i=1,2,...,k。
其中,lower为预先设定的安全范围的最小值;upper为预先设定的安全范围的最大值。
所述第二条件为:其中,/>为预设值;ε为预设的可容忍压力偏差。
参见图3,本实施例中,所述方法还包括:
B5、若所述第一锅炉压力序列不满足预先设定的控制目标,则根据预先设定的单次最大入炉煤量调整量max和入炉煤量调整步长step,生成可行解集合。
其中,所述B5具体包括:
若pt+i>upper或则在区间[-max,0]内以固定步长step生成入炉煤量推荐值re_c可行解,并利用预先获取的最优风煤比系数r计算每一入炉煤量推荐值re_c可行解所对应的入炉风量推荐值可行解re_w;其中,re_w=re_c*r。
其中,在区间[-max,0]内以固定步长step生成入炉煤量推荐值re_c可行解H包括:从-max开始每增加一个固定步长step后的数值,且入炉煤量推荐值re_c小于0。
若pt+i<lower或则在区间[0,max]内以固定步长step生成入炉煤量推荐值re_c可行解,并利用预先获取的最优风煤比系数r计算每一入炉煤量推荐值re_c可行解所对应的入炉风量推荐值可行解re_w;其中,re_w=re_c*r。
其中,在区间[0,max]内以固定步长step生成入炉煤量推荐值re_c可行解包括:从0开始每增加一个固定步长step后的数值,且入炉煤量推荐值re_c小于max。
根据入炉煤量推荐值re_c以及与其所对应的入炉风量推荐值可行解re_w,生成可行解集合。
其中,所述可行解集合为H为生成的入炉煤量推荐值re_c可行解中入炉煤量推荐值re_c的总数。
B6、基于所述可行解集合,得到与其对应的压力走势预测序列空间;
本实施例中基于预测值生成风煤控制的可行解集合,对可行解集合中每一个可行解预测后寻找最优控制量,解决压力控制中控制精度不足及控制滞后的问题。本实施例中具体的,所述B6具体包括:
B61、基于所述当前时刻t所对应的锅炉压力趋势特征trendt、采用预先设定的第一方式更新第一模型变量Xt所得到Xt*,并将Xt*代入所述预先获取的压力预测模型,得到当前时刻t之后的1个时间间隔的预测锅炉压力值pt+1*。
其中,
其中,预先设定的第一方式为:基于可行解集合中的任意第j组可行解[re_cj,re_wj]中的dct后增加re_cj以及dwt后增加re_wj,得到更新后的第一模型变量Xt*。
B62、基于t时刻锅炉压力序列St=[pt-T+1,...pt-i,...pt-2,pt-1,pt]和当前时刻t之后的1个时间间隔的预测锅炉压力值pt+1*,采用第二递推公式,分别获取当前时刻t之后第2个时间间隔至第k个时间间隔的预测锅炉压力值,并由当前时刻t之后的k个时间间隔的预测锅炉压力值组成与可行解集合中的第j可行解所对应的第二锅炉压力序列Aj。
所述第二递推公式为:
其中,trendt+k-1是以预先设定的固定的索引序列[1,2,3...T]为自变量、以当前时刻t之后的k-1个时间间隔的锅炉压力序列St+k-1*为待拟合锅炉压力序列,采用预设策略获取的。
与当前时刻t之后的k-1个时间间隔所对应的新的第一模型变量Xt+k-1*中大于t时刻的入炉煤量变化量和入炉风量变化量均设为0。
举例说明,假如,k=2时,Xt+1 *为:
假如,k=3时,Xt+2 *为:
Yt+k-1*=0。
其中,所述第二锅炉压力序列Aj包括:pt+1 *、pt+2 *、pt+3 *、…、pt+i *...、
pt+k *。
B63、基于与可行解集合中的每一组可行解分别所对应的第二锅炉压力序列,获取压力走势预测序列空间。
其中,所述压力走势预测序列空间为[A1、A2、...、Aj、...、AH]。
Aj为与可行解集合中的第j组可行解[re_cj,re_wj]所对应的第二锅炉压力序列。也就是说,压力走势预测序列空间每一个第二锅炉压力序列都有一一对应的一组可行解。
B7、基于所述压力走势预测序列空间,获取用于对锅炉运行进行控制的入炉煤量操作值和入炉风量操作值。
所述B7具体包括:
B71、对压力走势预测序列空间为[A1、A2、...、Aj、...、AH]筛选出满足预先设定的控制目标的第二锅炉压力序列。
B72、筛选出满足预先设定的控制目标的第二锅炉压力序列中选择对应可行解中入炉煤量推荐值的绝对值最小的入炉煤量推荐值,并将该绝对值最小的入炉煤量推荐值和其所对应的入炉风量推荐值作为用于对锅炉运行进行控制的入炉煤量操作值和入炉风量操作值。
本实施例中的一种基于压力预测模型的锅炉压力控制方法,以参数构成的矩阵(也就是模型变量)模拟锅炉生产过程中入炉煤量、入炉风量对主蒸汽流量的影响,结合消费流量建立流量与锅炉压力之间的传导关系,以历史时间段内根据按照预先设定时间间隔所采集的锅炉运行数据寻优得到的最优参数确定压力预测模型,对未来压力走势的预测使得控制方法具有展示系统未来动态行为的能力,再结合具体的对未来的控制策略生成可行解集合,对可行解集合的预测及最优入炉煤量操作值和入炉风量操作值确定,可以从根本上解决压力控制中控制精度不足及控制滞后的问题,从而提升锅炉运行的整体安全性与经济效益。
在本实施例的实际应用中,在所述B1之前还包括:
B0-1、在历史时间段内根据按照预先设定时间间隔所采集的锅炉运行数据,获取初始历史锅炉运行数据集。
B0-2、针对所述初始历史锅炉运行数据集,进行预处理,获取预先指定的时刻a所对应的锅炉运行数据集Qa=[Qa-T+1,...Qa-i,...Qa-2,Qa-1,Qa]。
所述预处理为对所述初始历史锅炉运行数据集中的缺失值,采用样条插值法进行填充;本实施例中利用python数学计算库scipy中的相关函数进行三次样条插值。
B0-3、基于预先指定的时刻a所对应的锅炉运行数据集,获取时刻a所对应的锅炉压力序列Sa,其中,Sa=[pa-T+1,...pa-i,...pa-2,pa-1,pa]。
B0-4、将所述时刻a所对应的锅炉压力序列Sa作为待拟合锅炉压力序列,采用预设策略获取时刻a的锅炉压力趋势特征trenda。
所述预设策略为:以预先设定的固定的索引序列[1,2,3...T]为自变量、以待拟合锅炉压力序列为因变量,利用T次多项式进行拟合,得到多项式函数,并基于所述多项式函数,获取该多项式函数的一阶导数,并将所述一阶导数值T处的值,作为与该待拟合锅炉压力序列对应的锅炉压力趋势特征。
B0-5、基于时刻a所对应的锅炉运行数据集Qa,获取该时刻a所对应的锅炉运行数据集Qa中任意相邻两条锅炉运行数据所对应的特征变化信息。
其中所述特征变化信息包括:该相邻的两条锅炉运行数据之间的入炉煤量变化量、入炉风量变化量、消费流量变化量、锅炉压力趋势变化量;锅炉风煤比;所述锅炉风煤比为入炉风量的差值与入炉煤量的差值的比值。
B0-6、将时刻a所对应的锅炉运行数据集Qa所对应的所有锅炉风煤比的25%分位数至75%分位数内数据的平均值作为最优风煤比系数。
实际上,在步骤B0-6之后还包括:
B0-7、基于时刻a所对应的锅炉运行数据集Qa中相邻的第b条锅炉运行数据和第b-1条锅炉运行数据之间的特征变化信息,按照公式(A)、公式(B)、公式(C),计算得到相应的建模数据Rb。
所述建模数据Rb包括:Xb、Yb、Zb。
其中,公式(A)为:
dcb=coalb-coalb-1;dcb为b时刻的入炉煤量变化量。
dwb=windb-winda-1;dwb为b时刻的入炉风量变化量。
其中,公式(B)为:
Yb=dsb。
dsb=steamb-steamb-1;dsb为b时刻的消费流量变化量。
其中,公式(C)为:
Zb=dtb。
dtb=trendb-trendb-1;dtb为时刻b的锅炉压力趋势特征与时刻b-1的锅炉压力趋势特征。
B0-8、将时刻a所对应的锅炉运行数据集Qa所对应的所有的N个建模数据组成建模数据集。
B0-9、基于所述建模数据集,利用粒子群优化算法对损失函数进行寻优,获取损失函数中模型参数的具体值M*及流量-压力传递系数e的具体值e*。
所述损失函数G为:
其中:为矩阵M与矩阵Xb-:的Hadamard积(两个纬度相同的矩阵中对应位置的元素相乘),/>表示Hadamard积结果矩阵中的所有元素之和。
其中,所述粒子群优化算法中惯性因子大于等于0.1,且小于等于0.9;社会因子大于等于0.5,且小于等于2.5;个体因子大于等于0.5,且小于等于2.5;种群数量大于等于50,且小于等于200;进化次数大于等于100,且小于等于5000。
本实施例中的一种基于压力预测模型的锅炉压力控制方法,利用矩阵运算将传递函数模型化,增强了预测模型的可解释性且模型更贴近真实的机理过程;对预测的‘已知的未来’进行决策控制,能更好的处理具有大迟延、大惯性特性的过程,以基于预测的前馈控制方式代替传统的反馈调节,在摆脱对运行人员强依赖性的同时,更提升锅炉运行的响应速度及调整精度。
本实施例还提供一种基于预测的锅炉压力控制系统,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如实施例中的基于压力预测模型的锅炉压力控制方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该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修改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,则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种基于压力预测模型的锅炉压力控制方法,其特征在于,包括:
B1、根据按照预先设定时间间隔所采集的锅炉运行数据,获取当前时刻t所对应的锅炉运行数据集、当前时刻t所对应的第一模型变量Xt以及第二模型变量Yt;所述当前时刻t所对应的锅炉运行数据集Q=[Qt-T+1,...Qt-i,...Qt-2,Qt-1,Qt];其中,Qt为当前时刻t所采集的锅炉运行数据;Qt-i为当前时刻t之前的i个时间间隔所采集的锅炉运行数据,包括:入炉煤量coalst-i、入炉风量windt-i、锅炉压力pt-i、消费流量steamt-i;
Yt=steamt-steamt-1;
其中,dct=coalt-coalt-1;dwt=windt-windt-1;dst=steamt-steamt-1;dct为t时刻的入炉煤量变化量;dwt为t时刻的入炉风量变化量;dst为t时刻的消费流量变化量;10≥T≥3;20≥L≥10;
B2、基于当前时刻t所对应的锅炉运行数据集Q,获取当前时刻t所对应的锅炉压力趋势特征trendt;
B3、基于当前时刻t所对应的锅炉压力趋势特征trendt、当前时刻t所对应的第一模型变量Xt,第二模型变量Yt,采用预先获取的压力预测模型,预测并递推出当前时刻t之后的k个时间间隔的锅炉压力,并将当前时刻t之后的k个时间间隔的锅炉压力组成第一锅炉压力序列;
B4、判断所述第一锅炉压力序列,是否满足预先设定的控制目标,若满足则不对锅炉进行调整。
2.根据权利要求1所述的基于压力预测模型的锅炉压力控制方法,其特征在于,所述B2具体包括:
B21、基于当前时刻t所对应的锅炉运行数据集Q,获取t时刻锅炉压力序列St;
其中,t时刻锅炉压力序列St=[pt-T+1,...pt-i,...pt-2,pt-1,pt];
B22、将所述t时刻锅炉压力序列St作为待拟合锅炉压力序列,采用预设策略获取与所述待拟合锅炉压力序列对应的锅炉压力趋势特征;
所述预设策略为:以预先设定的固定的索引序列[1,2,3...T]为自变量、以待拟合锅炉压力序列为因变量,利用T次多项式进行拟合,得到多项式函数,并基于所述多项式函数,获取该多项式函数的一阶导数,并将所述一阶导数T处的值,作为与所述待拟合锅炉压力序列对应的锅炉压力趋势特征;
B23、与所述待拟合锅炉压力序列对应的锅炉压力趋势特征作为当前时刻t的锅炉压力趋势特征trendt。
3.根据权利要求2所述的基于压力预测模型的锅炉压力控制方法,其特征在于,所述B3具体包括:
B31、基于所述当前时刻t所对应的锅炉压力趋势特征trendt、当前时刻t所对应的第一模型变量Xt,第二模型变量Yt,代入所述预先获取的压力预测模型,预测出当前时刻t之后的1个时间间隔的锅炉压力pt+1;
所述预先获取的压力预测模型为:
其中,其中/>为预先获取的入炉煤量模型系数的具体值;/>为预先获取的入炉风量模型系数M的具体值;e0为预先获取的流量-压力传递系数e的具体值;
B32、基于t时刻锅炉压力序列St=[pt-T+1,...pt-i,...pt-2,pt-1,pt]和当前时刻t之后的1个时间间隔的锅炉压力pt+1,采用第一递推公式,分别获取当前时刻t之后的第2个时间间隔至第k个时间间隔的锅炉压力,并由当前时刻t之后的k个时间间隔的锅炉压力组成第一锅炉压力序列;
所述第一递推公式为:
其中,trendt+k-1是以预先设定的固定的索引序列[1,2,3...T]为自变量、以当前时刻t之后的k-1个时间间隔的锅炉压力序列St+k-1为待拟合锅炉压力序列,采用所述预设策略获取的;
当前时刻t之后的k-1个时间间隔所对应的新的第一模型变量Xt+k-1中在t时刻之后的入炉煤量变化量和入炉风量变化量均设为0;
在k大于1时,Yt+k-1=0;
其中,所述第一锅炉压力序列包括:pt+1、pt+2、pt+3、…、pt+i...、pt+k。
4.根据权利要求3所述的基于压力预测模型的锅炉压力控制方法,其特征在于,所述预先设定的控制目标为第一条件或第二条件;
所述第一条件为:
lower≤pt+i≤upper;i=1,2,...,k;
其中,lower为预先设定的安全范围的最小值;
upper为预先设定的安全范围的最大值;
所述第二条件为:
其中,为预设值;
ε为预设的可容忍压力偏差。
5.根据权利要求4所述的基于压力预测模型的锅炉压力控制方法,其特征在于,所述方法还包括:
B5、若所述第一锅炉压力序列不满足预先设定的控制目标,则根据预先设定的单次最大入炉煤量调整量max和入炉煤量调整步长step,生成可行解集合;
B6、基于所述可行解集合,得到与其对应的压力走势预测序列空间;
B7、基于所述压力走势预测序列空间,获取用于对锅炉运行进行控制的入炉煤量操作值和入炉风量操作值。
6.根据权利要求5所述的基于压力预测模型的锅炉压力控制方法,其特征在于,所述B5具体包括:
若pt+i>upper或则在区间[-max,0]内以固定步长step生成入炉煤量推荐值re_c可行解,并利用预先获取的最优风煤比系数r计算每一入炉煤量推荐值re_c可行解所对应的入炉风量推荐值可行解re_w;其中,re_w=re_c*r;
其中,在区间[-max,0]内以固定步长step生成入炉煤量推荐值re_c可行解H包括:从-max开始每增加一个固定步长step后的数值,且入炉煤量推荐值re_c小于0;
若pt+i<lower或则在区间[0,max]内以固定步长step生成入炉煤量推荐值re_c可行解,并利用预先获取的最优风煤比系数r计算每一入炉煤量推荐值re_c可行解所对应的入炉风量推荐值可行解re_w;其中,re_w=re_c*r;
其中,在区间[0,max]内以固定步长step生成入炉煤量推荐值re_c可行解包括:从0开始每增加一个固定步长step后的数值,且入炉煤量推荐值re_c小于max;
根据入炉煤量推荐值re_c以及与其所对应的入炉风量推荐值可行解re_w,生成可行解集合;
其中,所述可行解集合为H为生成的入炉煤量推荐值re_c可行解中入炉煤量推荐值re_c的总数。
7.根据权利要求6所述的基于压力预测模型的锅炉压力控制方法,其特征在于,所述B6具体包括:
B61、基于所述当前时刻t所对应的锅炉压力趋势特征trendt、采用预先设定的第一方式更新第一模型变量Xt所得到Xt*,并将Xt*代入所述预先获取的压力预测模型,得到当前时刻t之后的1个时间间隔的预测锅炉压力值pt+1 *;
其中,
其中,预先设定的第一方式为:基于可行解集合中的任意第j组可行解[re_cj,re_wj]中的dct后增加re_cj以及dwt后增加re_wj,得到更新后的第一模型变量Xt*;
B62、基于t时刻锅炉压力序列St=[pt-T+1,...pt-i,...pt-2,pt-1,pt]和当前时刻t之后的1个时间间隔的预测锅炉压力值pt+1 *,采用第二递推公式,分别获取当前时刻t之后第2个时间间隔至第k个时间间隔的预测锅炉压力值,并由当前时刻t之后的k个时间间隔的预测锅炉压力值组成与可行解集合中的第j可行解[re_cj,re_wj]所对应的第二锅炉压力序列Aj;
所述第二递推公式为:
其中,trendt+k-1是以预先设定的固定的索引序列[1,2,3...T]为自变量、以当前时刻t之后的k-1个时间间隔的锅炉压力序列St+k-1*为待拟合锅炉压力序列,采用预设策略获取的;
与当前时刻t之后的k-1个时间间隔所对应的新的第一模型变量Xt+k-1*中大于t时刻的入炉煤量变化量和入炉风量变化量均设为0;
Yt+k-1*=0;
其中,所述第二锅炉压力序列Aj包括:pt+1 *、pt+2 *、pt+3 *、…、pt+i *...、pt+k *;
B63、基于与可行解集合中的每一组可行解分别所对应的第二锅炉压力序列,获取压力走势预测序列空间;
其中,所述压力走势预测序列空间为[A1、A2、...、Aj、...、AH];
Aj为与可行解集合中的第j组可行解[re_cj,re_wj]所对应的第二锅炉压力序列。
8.根据权利要求7所述的基于压力预测模型的锅炉压力控制方法,其特征在于,所述B7具体包括:
B71、对压力走势预测序列空间为[A1、A2、...、Aj、...、AH]筛选出满足预先设定的控制目标的第二锅炉压力序列;
B72、筛选出满足预先设定的控制目标的第二锅炉压力序列中选择对应可行解中入炉煤量推荐值的绝对值最小的入炉煤量推荐值,并将该绝对值最小的入炉煤量推荐值和其所对应的入炉风量推荐值作为用于对锅炉运行进行控制的入炉煤量操作值和入炉风量操作值。
9.根据权利要求8所述的基于压力预测模型的锅炉压力控制方法,其特征在于,在所述B1之前还包括:
B0-1、在历史时间段内根据按照预先设定时间间隔所采集的锅炉运行数据,获取初始历史锅炉运行数据集;
B0-2、针对所述初始历史锅炉运行数据集,进行预处理,获取预先指定的时刻a所对应的锅炉运行数据集Qa=[Qa-T+1,...Qa-i,...Qa-2,Qa-1,Qa];
所述预处理为对所述初始历史锅炉运行数据集中的缺失值,采用样条插值法进行填充;
B0-3、基于预先指定的时刻a所对应的锅炉运行数据集,获取时刻a所对应的锅炉压力序列Sa,其中,Sa=[pa-T+1,...pa-i,...pa-2,pa-1,pa];
B0-4、将所述时刻a所对应的锅炉压力序列Sa作为待拟合锅炉压力序列,采用预设策略获取时刻a的锅炉压力趋势特征trenda;
所述预设策略为:以预先设定的固定的索引序列[1,2,3...T]为自变量、以待拟合锅炉压力序列为因变量,利用T次多项式进行拟合,得到多项式函数,并基于所述多项式函数,获取该多项式函数的一阶导数,并将所述一阶导数值T处的值,作为与该待拟合锅炉压力序列对应的锅炉压力趋势特征;
B0-5、基于时刻a所对应的锅炉运行数据集Qa,获取该时刻a所对应的锅炉运行数据集Qa中任意相邻两条锅炉运行数据所对应的特征变化信息;
其中所述特征变化信息包括:该相邻的两条锅炉运行数据之间的入炉煤量变化量、入炉风量变化量、消费流量变化量、锅炉压力趋势变化量;锅炉风煤比;所述锅炉风煤比为入炉风量的差值与入炉煤量的差值的比值;
B0-6、将时刻a所对应的锅炉运行数据集Qa所对应的所有锅炉风煤比的25%分位数至75%分位数内数据的平均值作为最优风煤比系数。
10.根据权利要求9所述的基于压力预测模型的锅炉压力控制方法,其特征在于,在步骤B0-6之后还包括:
B0-7、基于时刻a所对应的锅炉运行数据集Qa中相邻的第b条锅炉运行数据和第b-1条锅炉运行数据之间的特征变化信息,按照公式(A)、公式(B)、公式(C),计算得到相应的建模数据Rb;
所述建模数据Rb包括:Xb、Yb、Zb;
其中,公式(A)为:
dcb=coalb-coalb-1;dcb为b时刻的入炉煤量变化量;
dwb=windb-windb-1;dwb为b时刻的入炉风量变化量;
其中,公式(B)为:
Yb=dsb;
dsb=steamb-steamb-1;dsb为b时刻的消费流量变化量;
其中,公式(C)为:
Zb=dtb;
dtb=trendb-trendb-1;dtb为时刻b的锅炉压力趋势特征与时刻b-1的锅炉压力趋势特征;
B0-8、将时刻a所对应的锅炉运行数据集Qa所对应的所有的N个建模数据组成建模数据集;
B0-9、基于所述建模数据集,利用粒子群优化算法对损失函数进行寻优,获取损失函数中模型参数的具体值M*及流量-压力传递系数e的具体值e*;
所述损失函数G为:
其中,所述粒子群优化算法中惯性因子大于等于0.1,且小于等于0.9;
社会因子大于等于0.5,且小于等于2.5;个体因子大于等于0.5,且小于等于2.5;种群数量大于等于50,且小于等于200;进化次数大于等于100,且小于等于5000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310510668.XA CN116753536A (zh) | 2023-05-08 | 2023-05-08 | 一种基于压力预测模型的锅炉压力控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310510668.XA CN116753536A (zh) | 2023-05-08 | 2023-05-08 | 一种基于压力预测模型的锅炉压力控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116753536A true CN116753536A (zh) | 2023-09-15 |
Family
ID=87957897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310510668.XA Pending CN116753536A (zh) | 2023-05-08 | 2023-05-08 | 一种基于压力预测模型的锅炉压力控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116753536A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117352079A (zh) * | 2023-10-27 | 2024-01-05 | 上海全应科技有限公司 | 获取压力变化速率对于燃料的阶跃响应曲线的方法及系统 |
-
2023
- 2023-05-08 CN CN202310510668.XA patent/CN116753536A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117352079A (zh) * | 2023-10-27 | 2024-01-05 | 上海全应科技有限公司 | 获取压力变化速率对于燃料的阶跃响应曲线的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10466659B2 (en) | Method for designing a non-linear controller for non-linear processes | |
CN111474965B (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
CN110285403B (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
CN107726358A (zh) | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 | |
CN116753536A (zh) | 一种基于压力预测模型的锅炉压力控制方法 | |
JPH03164804A (ja) | プロセス制御システム及び発電プラントプロセス制御システム | |
CN110030843B (zh) | 基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN111158237B (zh) | 基于神经网络的工业炉炉温多步预测控制方法 | |
CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
CN104932274B (zh) | 一种协调控制被控对象传递函数模型辨识方法 | |
CN108717506A (zh) | 一种预测焦炭热态强度的方法 | |
CN106325074A (zh) | 一种基于布谷鸟算法的pid控制器参数智能整定方法 | |
CN116307209A (zh) | 基于机器学习和预测控制的供热系统调度自动化实现方法 | |
CN115061444B (zh) | 一种融合概率网络和强化学习的工艺参数实时优化方法 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
JPH07210208A (ja) | 火力プラント制御におけるオートチューニング方法及びそれを利用した火力プラント制御装置 | |
CN114909706B (zh) | 一种基于强化学习算法和压差控制的二级网平衡调控方法 | |
CN109946959A (zh) | 一种脱硫塔系统的智能建模及控制方法 | |
JP2000339005A (ja) | 制御対象の最適化制御方法及び制御装置 | |
CN107968444B (zh) | 一种新能源集群协调优化控制方法 | |
Lakshmikanth et al. | Single network adaptive critic aided nonlinear dynamic inversion for suboptimal command tracking | |
Apaza-Perez et al. | Compositional synthesis of symbolic controllers for attractivity specifications |
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 |