CN106678546B - 一种天然气管道离心压缩机出口压力控制方法及*** - Google Patents
一种天然气管道离心压缩机出口压力控制方法及*** Download PDFInfo
- Publication number
- CN106678546B CN106678546B CN201710008358.2A CN201710008358A CN106678546B CN 106678546 B CN106678546 B CN 106678546B CN 201710008358 A CN201710008358 A CN 201710008358A CN 106678546 B CN106678546 B CN 106678546B
- Authority
- CN
- China
- Prior art keywords
- centrifugal compressor
- value
- deviation
- outlet pressure
- current time
- 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.)
- Expired - Fee Related
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D1/00—Pipe-line systems
- F17D1/02—Pipe-line systems for gases or vapours
- F17D1/04—Pipe-line systems for gases or vapours for distribution of gas
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明实施例公开一种天然气管道离心压缩机出口压力控制方法及***,通过获取实时现场数据;利用神经网络算法预测分输流量预测值;自适应粒子群算法迭代计算离心压缩机出口压力最优期望值;离线训练ELM神经网络;进而计算离心压缩机转速控制量;将离心压缩机转速控制量传输到SCADA***,以使所述SCADA***控制离心压缩机的转速。通过获取现场数据,根据控制偏差和偏差变化率实时地动态调整PID参数,将被控量的超调量控制在合理范围,有效提高控制精度;而且通过动态优化得到离心压缩机出口压力最优期望值,减少输气过程中离心压缩机的能耗,通过OPC通信技术实现在线控制,降低输气管道气体的波动,提高输气管道的安全性。
Description
技术领域
本发明涉及天然气管道设备控制技术领域,特别是涉及一种天然气管道离心压缩机出口压力控制方法及***。
背景技术
离心压缩机是天然气输气管道***中的重要组成部分之一,其出口压力参数控制***控制性能的好坏直接关系着离心压缩机运行的稳定可靠性,甚至影响着管道运输的安全性、稳定性和经济性。
在目前天然气管道输气过程中,通常采用数据采集与监视控制***(英文:Supervisory Control And Data Acquisition,简称:SCADA)***中的比例-积分-微分控制器控制器(英文:Proportion Integration Differentiation,简称:PID)对离心压缩机出口压力进行控制,离心压缩机装置接收来自SCADA***的PID控制量信号,通过改变转速来控制离心压缩机中的出口压力,保证输气管道***的正常运行。
然而,在实际天然气管道输气的过程中,由于离心压缩机出口压力控制***的数学模型具有非线性、时变、外界干扰随机不确定性等特点,用户用气量具有波动性较大且分输流量随机性等特性,使得目前传统的PID控制器在输气管道负荷大的波动及离心压缩机工况变化下的情况下控制精度较低,无法实现下游管道***的平稳供气,进而难以满足高性能的控制需求。
发明内容
本发明实施例中提供了一种天然气管道离心压缩机出口压力控制方法及***,以解决现有技术中的天然气管道离心压缩机出口压力控制精度差的问题。
为了解决上述技术问题,本发明实施例公开了如下技术方案:
本发明实施例提供了一种天然气管道离心压缩机出口压力控制方法,该方法包括:
获取实时现场数据,其中,所述实时现场数据至少包括多个时刻的分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机出口压力值、离心压缩机转速值以及离心压缩机输气流量值;
根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值;
根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值;
利用离心压缩机的历史转速值和出口压力值,离线训练ELM神经网络,并得到ELM神经网络的初始输出权值;
根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量;
将离心压缩机转速控制量传输到SCADA***,以使所述SCADA***控制离心压缩机的转速。
可选地,所述根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值,包括:
根据当前时刻的分输管道出口流量值、上一个时刻的分输管道出口流量值、上两个时刻的分输管道出口流量值、上一日当前时刻的分输管道出口流量值、上一日当前时刻的下一时刻的分输管道出口流量值,利用神经网络预测算法计算得到下一时刻对应的分输流量预测值。
可选地,所述根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值,包括:
根据当前时刻的离心压缩机出口压力值,利用预设的离心压缩机出口压力变化裕值,计算得到离心压缩机出口压力期望值的变化范围;
根据离心压缩机出口压力期望值的变化范围,迭代求解粒子最大速度、初始化粒子群的初始粒子速度和位置,得到离心压缩机出口压力值的可行解矩阵;
根据当前时刻的离心压缩机进口压力值、离心压缩机输气流量值以及所述可行解矩阵,计算得到离心压缩机能耗值;
根据分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机输气流量值、可行解矩阵,通过隐式中心差分法计算得到管道参数动态变化值;
根据当前时刻的分输管道出口流量值、分输管道出口压力值、分输流量预测值、期望压力值变化范围、离心压缩机能耗值、管道参数动态变化值,采用基于参数自适应的粒子群优化方法经过多次迭代,计算得到下一时刻对应的离心压缩机出口压力最优期望值。
可选地,所述根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量,包括:
根据离心压缩机转速值和离心压缩机出口压力值对所述初始输出权值进行更新,得到更新输出权值;
根据离心压缩机转速值、离心压缩机出口压力值和更新输出权值,计算得到雅可比矩阵信息;
根据离心压缩机出口压力值和离心压缩机出口压力最优期望值,计算得到偏差值和偏差变化率;
根据雅可比矩阵信息和所述偏差值,更新比例系数、积分系数和微分系数;
根据更新后的比例系数、积分系数、微分系数、偏差值和转速增量信号柔滑因子,计算得到离心压缩机转速控制量增量;
根据偏差值、偏差变化率,利用模糊定理计算得到控制量柔滑因子;
根据离心压缩机控制转速增量、控制量柔滑因子及当前时刻控制量,计算得到离心压缩机转速控制量。
可选地,所述根据离心压缩机转速值和离心压缩机出口压力值对所述初始输出权值进行更新,得到更新输出权值,包括:
根据当前时刻的离心压缩机的转速值、上一时刻的离心压缩机转速值、上两时刻的离心压缩机转速值、当前时刻的离心压缩机出口压力值、上一时刻的离心压缩机出口压力值、上两时刻的离心压缩机出口压力值及ELM神经网络的输入权值和阈值,更新得到当前时刻对应的更新输出权值。
可选地,所述根据离心压缩机转速值、离心压缩机出口压力值和更新输出权值,计算得到雅可比矩阵信息,包括:
根据当前时刻的离心压缩机转速值、上一时刻的离心压缩机转速值、上两时刻的离心压缩机转速值,当前时刻的离心压缩机出口压力值、上一时刻的离心压缩机出口压力值、上两时刻的离心压缩机出口压力值和更新输出权值,计算得到雅可比矩阵信息。
可选地,所述根据离心压缩机出口压力值和离心压缩机出口压力最优期望值,计算得到偏差值和偏差变化率,包括:
分别计算当前时刻的离心压缩机出口压力值、上一时刻的离心压缩机出口压力值、上两时刻的离心压缩机出口压力值与离心压缩机出口压力最优期望值的差值,得到当前时刻的偏差值、上一时刻的偏差值和上两时刻的偏差值;
根据当前时刻的偏差值和上一时刻的偏差值,以及上一时刻的偏差值和上两时刻的偏差值,分别计算得到当前时刻偏差变化率和上一时刻偏差变化率。
可选地,所述根据雅可比矩阵信息和所述偏差值,更新比例系数、积分系数和微分系数,包括:
根据雅可比矩阵信息、当前时刻的偏差值、上一时刻的偏差值、比例系数调整加权因子、当前时刻的比例系数,计算得到下一时刻对应的比例系数更新值;
根据雅可比矩阵信息,当前时刻的偏差值、积分系数调整加权因子、当前时刻的积分系数,计算得到下一时刻对应的积分系数更新值;
根据雅可比矩阵信息,当前时刻的偏差值、上一时刻的偏差值、上两时刻的偏差值、微分系数调整加权因子、当前时刻的微分系数,计算得到下一时刻对应的微分系数更新值。
可选地,所述根据更新后的比例系数、积分系数、微分系数、偏差值和转速增量信号柔滑因子,计算得到离心压缩机转速控制量增量,包括:
根据下一时刻的比例系数更新值、下一时刻的积分系数更新值、下一时刻的微分系数更新值、当前时刻的偏差值、上一时刻的偏差值、上两时刻的偏差值、当前时刻的控制转速增量信号柔滑因子,计算得到下一时刻的离心压缩机转速控制量增量。
本发明实施例还提供了一种天然气管道离心压缩机出口压力控制***,该***包括SCADA***和工作站,其中:
所述SCADA***与服务器通过OPC协议进行信息交互;
所述SCADA***包括分布式数据采集装置,所述分布式数据采集装置用于采集天然气管道和离心压缩机的实时现场采样信号;
所述工作站用于接收SCADA***发送的实时现场采样信号,并预处理得到实时现场数据,其中,所述实时现场数据至少包括多个时刻的分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机出口压力值、离心压缩机转速值以及离心压缩机输气流量值;根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值;根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值;利用离心压缩机的历史转速值和出口压力值,离线训练ELM神经网络,并得到ELM神经网络的初始输出权值;根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量;将离心压缩机转速控制量传输到SCADA***;
所述SCADA***还用于接收工作站发送的离心压缩机转速控制量,调整控制离心压缩机的转速。
由以上技术方案可见,本发明实施例提供的一种天然气管道离心压缩机出口压力控制方法及***,通过获取实时现场数据,其中,所述实时现场数据至少包括多个时刻的分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机出口压力值、离心压缩机转速值以及离心压缩机输气流量值;根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值;根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值;利用离心压缩机的历史转速值和出口压力值,离线训练ELM神经网络,并得到ELM神经网络的初始输出权值;根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量;将离心压缩机转速控制量传输到SCADA***,以使所述SCADA***控制离心压缩机的转速。通过获取现场数据,根据控制偏差和偏差变化率实时地调整PID参数,将被控量的超调量控制在合理范围,这种动态调整的方式有效提高了控制精度,而且保证了离心压缩机出口压力控制的稳定性;而且,由于利用预测到的分输流量值,动态优化得到离心压缩机出口压力的最有期望值,减少了输气过程中离心压缩机的能耗,通过OPC通信技术实现控制算法的在线控制,降低了输气管道气体的波动,提高了输气管道的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,显而易见地,对于本领域普通技术人员而言,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是本发明实施例提供的一种天然气管道离心压缩机出口压力控制方法的流程示意图;
图2是本发明实施例提供的一种离心压缩机出口压力最优期望值计算方法的流程示意图;
图3是本发明实施例提供的一种离心压缩机转速控制量计算方法的流程示意图;
图4是本发明实施例提供的一种天然气管道离心压缩机出口压力控制***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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,都应当属于本发明保护的范围。
在发明实施例中,SCADA***对天然气管道的管道参数以及离心压缩机的工作参数进行采集,以及对离心压缩机的转速进行控制。其中,所述SCADA***是以计算机为基础的生产过程控制与调度自动化***,可以对天然气管道现场的运行设备进行监视和控制,以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能。工作站与SCADA***可以以OPC通信协议通信连接,接收来自SCADA***的采集数据,计算生成、并向SCADA***返回离心压缩机转速控制量,以使所述SCADA***对离心压缩机的转速进行控制。需要说明的是,本发明实施例中的工作站可以理解为服务器、个人电脑等计算机终端,或者由多个计算机终端组成的计算机终端阵列。
参见图1,是本发明实施例提供的一种天然气管道离心压缩机出口压力控制方法的流程示意图,如图1所示,本发明实施例示出了工作站计算得到离心压缩机转速控制量的过程:
步骤S101:获取实时现场数据,其中,所述实时现场数据至少包括多个时刻的分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机出口压力值、离心压缩机转速值以及离心压缩机输气流量值。
在具体实施时,SCADA***中的分布式数据采集装置采集实时现场采样信号,其中,所述实时现场采样信号包括分输管道进口流量采样值、分输管道出口流量采样值、分输管道进口压力采样值、分输管道出口压力采样值、离心压缩机进口压力采样值、离心压缩机出口压力采样值、离心压缩机转速采样值以及离心压缩机输气流量采样值。
进一步,工作站通过与SCADA***通信,将实时现场采样信号读取到工作站的硬盘或内存等存储器中。具体地,可以在工作站上设置实时数据库,以存储所述实时现场采样信号,以供工作站的处理器分析使用。
由于采集得到的实时现场采样信号可能包括波谷、毛刺等无效数据,为了提高数据处理效率,在本发明实施例中,工作站对实时现场采样信号进行数据滤波,滤波处理的公式如下:
其中,X为滤波后的实时现场采样信号,Xi为第i个实时现场采样信号,N为存储的数据长度,Xmax为N个实时现场采样信号中的最大值,Xmin为N个实时现场采样信号中的最小值。这样,得到的滤波后的实时采样信号为剔除最大值和最小值后的平均值。
然后,将滤波后的实时现场采样信号预处理转换为实时现场数据。具体地,对于SCADA***的采样设置,根据实时现场采样信号与实时现场数据的转换数学关系,进行加权计算或者考虑补偿等的补偿计算等预处理,得到相应的实时现场数据,在本发明实施例中不做限定。其中,分输管道进口流量采样值经过数据预处理得到分输管道进口流量值,分输管道出口流量采样值经过数据预处理得到分输管道出口流量值,分输管道进口压力采样值经过数据预处理得到分输管道进口压力值,分输管道出口压力采样值经过数据预处理得到分输管道出口压力值,离心压缩机进口压力采样值经过数据预处理得到离心压缩机进口压力值,离心压缩机出口压力采样值经过数据预处理得到离心压缩机出口压力值,离心压缩机转速采样值经过数据预处理得到离心压缩机转速值以及离心压缩机输气流量采样值经过数据预处理得到离心压缩机输气流量值。
而且,需要说明的是,所述实时现场数据为按照时间序列排列的、并实时动态更新数据;所述实时现场数据包括多个时刻的数据值,例如当前时刻的实时现场数据、前一个时刻的实时现场数据、前两个时刻的实时现场数据;而且,为了分析计算的需要,根据工作站中实时数据库的容量,可以保存全天、几天或者几周的历史数据。另外,相邻时刻的时间间隔也可以设置为任意数值,在本发明实施例中不做限定。
步骤S102:根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值。
在本发明实施例中,根据当前时刻的分输管道出口流量值、上一个时刻的分输管道出口流量值、上两个时刻的分输管道出口流量值、上一日当前时刻的分输管道出口流量值、上一日当前时刻的下一时刻的分输管道出口流量值,利用神经网络预测算法计算得到下一时刻对应的分输流量预测值;
假设当前时刻的分输管道出口流量值为Qout1(k),上一个时刻的分输管道出口流量值为Qout2(k),上两个时刻的分输管道出口流量值为Qout3(k),上一日当前时刻分输管道的出口流量值Qout4(k)、上一日当前时刻的下一时刻分输管道的出口流量值Qout5(k),利用神经网络预测算法得到下一时刻的分输流量预测值为Qout(k+1)。
步骤S103:根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值。
动态优化方法采用基于参数自适应的粒子群算法,设定压缩机入站压力限制值、压缩机出站压力限制值、压缩机流量限制值、压比限制值、管道压力限制值、分输压力限制值、出口压力期望值变化裕值、粒子种群大小值、惯性权值、收缩因子和加速常数。
在本发明实施例中,压缩机入站压力限制值为1.9-5.5Mpa、压缩机出站压力限制值为3.5-5.5MPa、压缩机流量限制值20-300KNm3/h、压比限制值1-1.5、管道压力限制值2.5-5.0MPa、分输压力限制值4-5MP、出口压力期望值变化裕值C=0.5MP、粒子种群大小N=20、迭代次数M=50,惯性权值wmin=0.5、wmax=1.3,加速常数c1=c2=2.1。
参见图2,是本发明实施例提供的一种离心压缩机出口压力最优期望值计算方法的流程示意图,如图2所示,本发明实施例示出了利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值的过程:
步骤S1031:根据当前时刻的离心压缩机出口压力值,利用预设的离心压缩机出口压力变化裕值,计算得到离心压缩机出口压力期望值的变化范围。
根据当前时刻的离心压缩机出口压力变化裕值,计算得到下一时刻对应的离心压缩机出口压力期望值的变化范围。具体地,假设当前时刻的离心压缩机出口压力采样值为Pd,下一时刻离心压缩机出口压力期望值的变化范围为(Pd-C,Pd+C)。
步骤S1032:根据离心压缩机出口压力期望值的变化范围,得到离心压缩机出口压力值的可行解矩阵。
根据离心压缩机出口压力期望值的变化范围、迭代求解粒子最大速度、初始化粒子群的初始粒子速度和位置,得到离心压缩机出口压力值的可行解矩阵;
假设离心压缩机出口压力期望值的变化范围为Pdmin和Pdmax,离心压缩机出口压力值的可行解矩阵X=[x1,x2,…,xN]的计算公式为:
步骤S1033:根据当前时刻的离心压缩机进口压力值、离心压缩机输气流量值以及所述可行解矩阵,计算得到离心压缩机能耗值。
根据当前时刻的离心压缩机进口压力值、离心压缩机输气流量值、离心压缩机出口压力值的可行解矩阵,计算得到特定压缩条件下的离心压缩机能耗值。
假设当前时刻的离心压缩机进口压力值为Ps,离心压缩机输气流量值为Qcs,特定压缩条件下的离心压缩机能耗值计算公式为:
g(ω,Ps,Pd)=ρQH/η=HM/η,
其中,H为离心压缩机的压头,且是离心压缩机进出口压力Ps和Pd的函数,单位为N·m/Kg;η为离心压缩机的绝热效率。
离心压缩机的压头表示为:
其中,R为天然气的气体常数,无因此;Ts为离心压缩机的入站气体温度,K;k为天然气的比热比,无因次。
步骤S1034:根据分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机输气流量值、可行解矩阵,通过隐式中心差分法计算得到管道参数动态变化值。
根据分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机输气流量值、可行解矩阵,通过隐式中心差分法计算得到特定压缩条件下的管道和离心压缩机输气管道参数(压力、流量)动态变化值。
其中,采用隐式差分法求解特定压缩条件下的管道和离心压缩机输气参数(压力、流量)动态变化值的公式为:
步骤S1035:根据当前时刻的分输管道出口流量值、分输管道出口压力值、分输流量预测值、期望压力值变化范围、离心压缩机能耗值、管道参数动态变化值,迭代计算得到下一时刻对应的离心压缩机出口压力最优期望值。
根据当前时刻的分输管道出口流量值、分输管道出口压力值、分输流量预测值、期望压力值变化范围、离心压缩机能耗值、管道参数动态变化值及供气限制等条件,采用基于参数自适应的粒子群优化方法优化得到当前迭代次数下的下一时刻的离心压缩机出口压力最优期望值,并经过多次迭代求解得到下一时刻对应的离心压缩机出口压力最优期望值。
其中,粒子速度迭代更新的公式为:
vid=χ[w·vid+c1·rand()·(pid-xid)+c2·rand()·(pgd-xid)]。
步骤S104:利用离心压缩机的历史转速值和出口压力值,离线训练ELM神经网络,并得到ELM神经网络的初始输出权值。
根据离线离心压缩机的历史转速值和出口压力值,离心训练ELM网络,得到ELM神经网络的初始输出权值。
假设,历史转速值和出口压力值分别为(xi,yi)∈Rn×Rm,i=1,2,...,N,输入转速为xi=[xi1,xi2,...,xin]T,输出出口压力为yi=[yi1,yi2,...,yim]T,隐含层节点的数为L,利用随机的方法生成输入层与隐含层之间的连接权值以及隐含层神经元的偏置,即参数a、b,激活函数为G(s)。ELM神经网络的初始输出权值采用最小二乘拟合法拟合得到输出权值,其计算公式为:
其中,其中是矩阵H的Moore-Penrose广义逆,隐含层输出矩阵H的计算公式为:
步骤105:根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量。
本发明实施例根据实时数据和优化控制算法,计算得到离心压缩机的转速控制量;该优化控制算法为一种基于改进ELM_PID算法,需要设定ELM神经网络的隐含层节点数、下一时刻离心压缩机出口压力最优期望值、初始比例增益值、积分时间和微分时间、控制输入增量信号柔化因子、控制输入加权因子模糊集以及隶属度函数。
在本发明实施例中ELM神经网络的隐含层节点数为6层;下一时刻离心压缩机出口压力最优期望值根据动态优化计算的结果获取r;初始比例增益值Kp为400,无量纲;积分时间TI为2.16秒;微分时间TD为0秒;控制输入增量信号柔化因子μ=0.2;控制输入加权因子模糊集为{NB,NS,ZE,PS,PB};隶属度函数为三角函数。
参见图3,是本发明实施例提供的一种离心压缩机转速控制量计算方法的流程示意图,如图3所示,本发明实施例示出了基于改进ELM_PID算法的离心压缩机转速控制量计算过程:
步骤S1051:根据离心压缩机转速值和离心压缩机出口压力值对所述初始输出权值进行更新,得到更新输出权值。
根据当前时刻的离心压缩机转速值、上一时刻的离心压缩机转速值、上两时刻的离心压缩机转速值、当前时刻的离心压缩机出口压力值、上一时刻的离心压缩机出口压力值、上两时刻的离心压缩机出口压力值、初始输出权值及ELM神经网络的输入权值和阈值,更新当前时刻的ELM神经网络输出权值。
输出权值采用最小二乘在线迭代更新方式,其计算公式为:
步骤S1052:根据离心压缩机转速值、离心压缩机出口压力值和更新输出权值,计算得到雅可比矩阵信息。
根据当前时刻的离心压缩机转速值、上一时刻的离心压缩机转速值、上两时刻的离心压缩机转速值,当前时刻的离心压缩机出口压力值、上一时刻的离心压缩机出口压力值、上两时刻的离心压缩机出口压力值和更新输出权值,计算得到雅可比矩阵信息;
雅可比矩阵信息的计算公式为:
其中,u(k)为输入转速信号,y(k)为输出出口压力信号。
步骤S1053:根据离心压缩机出口压力值和离心压缩机出口压力最优期望值,计算得到偏差值和偏差变化率。
分别计算当前时刻的离心压缩机出口压力值、上一时刻的离心压缩机出口压力值、上两时刻的离心压缩机出口压力值与离心压缩机出口压力最优期望值的差值,得到当前时刻的偏差值、上一时刻的偏差值和上两时刻的偏差值。
假设当前时刻的偏差值为e(k),上一时刻的偏差值为e(k-1),上两时刻的偏差值为e(k-2),则有:
e(k)=r-y(k);
e(k-1)=r-y(k-1);
e(k-2)=r-y(k-2);
根据当前时刻的偏差值和上一时刻的偏差值,以及上一时刻的偏差值和上两时刻的偏差值,分别计算得到当前时刻偏差变化率和上一时刻偏差变化率。
假设当前时刻偏差变化率为de(k),上一时刻偏差变化率为de(k-1),则有:
de(k)=e(k)-e(k-1);
de(k-1)=e(k-1)-e(k-2)。
步骤S1054:根据雅可比矩阵信息和所述偏差值,更新比例系数、积分系数和微分系数。
根据当前雅可比矩阵信息、当前时刻的偏差值、上一时刻的偏差值、比例系数调整加权因子、当前时刻的比例系数,计算得到下一时刻对应的比例系数更新值。
比例系数调整量和下一时刻比例系数更新值的计算公式,如下所示:
kp(k+1)=kp(k)+Δkp(k)。
根据当前雅可比矩阵信息,当前时刻的偏差值、积分系数调整加权因子、当前时刻的积分系数,计算得到下一时刻积分系数更新值。
积分系数调整量和下一时刻积分系数更新值的计算公式,如下所示:
ki(k+1)=ki(k)+Δki(k)
根据当前雅可比矩阵信息,当前时刻的偏差值、上一时刻的偏差值、上两时刻的偏差值、微分系数调整加权因子、当前时刻的微分系数,计算得到下一时刻微分系数更新值。
微分系数调整量和下一时刻微分系数更新值的计算公式,如下所示:
kd(k+1)=kd(k)+Δkd(k)。
步骤S1055:根据更新后的比例系数、积分系数、微分系数、偏差值和转速增量信号柔滑因子,计算得到离心压缩机转速控制量增量。
根据下一时刻的比例系数更新值、下一时刻的积分系数更新值、下一时刻的微分系数更新值、当前时刻的偏差值、上一时刻的偏差值、上两时刻的偏差值、当前时刻的控制转速增量信号柔滑因子,计算得到下一时刻的离心压缩机转速控制量增量。
离心压缩机转速控制量增量控制增量的计算公式如下所示:
Δu(k+1)=kp(e(k)-e(k-1))+kie(k)+kd(e(k)-2e(k-1)+e(k-2))。
步骤S1056:根据偏差值、偏差变化率,利用模糊定理计算得到控制量柔滑因子。
根据当前时刻的偏差值、当前时刻偏差变化率,利用模糊定理计算得到当前时刻控制量柔滑因子。
其中,模糊规则表为:
步骤S1057:根据离心压缩机控制转速增量、控制量柔滑因子及当前时刻控制量,计算得到离心压缩机转速控制量。
根据下一时刻的离心压缩机控制转速增量、当前时刻的控制量柔滑因子及当前时刻的离心压缩机转速控制量,计算得到下一时刻离心压缩机转速控制量。
下一时刻离心压缩机转速控制量的计算公式为:
步骤S106:将离心压缩机转速控制量传输到SCADA***,以使所述SCADA***控制离心压缩机的转速。
工作站将计算得到的离心压缩机转速控制量传输到SCADA***,所述SCADA***控制接收到离心压缩机转速控制量之后,实时调整离心压缩机的转速,从而到达调整离心压缩机出口压力的目的。
由上述实施例的描述可见,本发明实施例提供的一种天然气管道离心压缩机出口压力控制方法,通过工作站获取实时现场数据,其中,所述实时现场数据至少包括多个时刻的分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机出口压力值、离心压缩机转速值以及离心压缩机输气流量值;根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值;根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值;利用离心压缩机的历史转速值和出口压力值,离线训练ELM神经网络,并得到ELM神经网络的初始输出权值;根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量;将离心压缩机转速控制量传输到SCADA***,以使所述SCADA***控制离心压缩机的转速。通过获取现场数据,根据控制偏差和偏差变化率实时地调整PID参数,将被控量的超调量控制在合理范围,这种动态调整的方式有效提高了控制精度,而且保证了离心压缩机出口压力控制的稳定性;而且,由于利用预测到的分输流量值,动态优化得到离心压缩机出口压力的最有期望值,减少了输气过程中离心压缩机的能耗,通过OPC通信技术实现控制算法的在线控制,降低了输气管道气体的波动,提高了输气管道的安全性。
通过以上的方法实施例的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
与本发明提供的一种天然气管道离心压缩机出口压力控制方法实施例相对应,本发明还提供了一种天然气管道离心压缩机出口压力控制***。
参见图4,是本发明实施例提供的一种天然气管道离心压缩机出口压力控制***的结构示意图,该***包括SCADA***11和工作站12,其中:
所述SCADA***11与工作站12通过OPC协议进行信息交互;
所述SCADA***11包括分布式数据采集装置111,所述分布式数据采集装置用于采集天然气管道和离心压缩机的实时现场采样信号;其中,所述SCADA***作为OPC客户端;
所述工作站12作为OPC服务器,进一步,所述工作站12可以包括存储器121、处理器122和输出器123;其中所述存储器121可以为硬盘等存储器,用于存储实时数据库;所述处理器122用于对SCADA***11发送的实时现场采样信号,并预处理得到实时现场数据,其中,所述实时现场数据至少包括多个时刻的分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机出口压力值、离心压缩机转速值以及离心压缩机输气流量值;根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值;根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值;利用离心压缩机的历史转速值和出口压力值,离线训练ELM神经网络,并得到ELM神经网络的初始输出权值;根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量;所述输出器123将离心压缩机转速控制量传输到SCADA***11,具体地,所述输出器123可以理解为OPC通信模块等设备;
所述SCADA***11还用于接收工作站12发送的离心压缩机转速控制量,调整控制离心压缩机的转速。
由上述实施例可见,本发明实施例提供的一种天然气管道离心压缩机出口压力控制***,包括工作站和SCADA***;其中,SCADA***与服务器通过OPC协议进行信息交互;所述SCADA***包括分布式数据采集装置,所述分布式数据采集装置用于采集天然气管道和离心压缩机的实时现场采样信号;所述工作站用于接收SCADA***发送的实时现场采样信号,并预处理得到实时现场数据,其中,所述实时现场数据至少包括多个时刻的分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机出口压力值、离心压缩机转速值以及离心压缩机输气流量值;根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值;根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值;利用离心压缩机的历史转速值和出口压力值,离线训练ELM神经网络,并得到ELM神经网络的初始输出权值;根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量;将离心压缩机转速控制量传输到SCADA***;所述SCADA***还用于接收工作站发送的离心压缩机转速控制量,调整控制离心压缩机的转速。通过获取现场数据,根据控制偏差和偏差变化率实时地调整PID参数,将被控量的超调量控制在合理范围,这种动态调整的方式有效提高了控制精度,而且保证了离心压缩机出口压力控制的稳定性;而且,由于利用预测到的分输流量值,动态优化得到离心压缩机出口压力的最有期望值,减少了输气过程中离心压缩机的能耗,通过OPC通信技术实现控制算法的在线控制,降低了输气管道气体的波动,提高了输气管道的安全性。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种天然气管道离心压缩机出口压力控制方法,其特征在于,包括以下步骤:
获取实时现场数据,其中,所述实时现场数据至少包括多个时刻的分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机出口压力值、离心压缩机转速值以及离心压缩机输气流量值;
根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值;
根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值;
利用离心压缩机的历史转速值和出口压力值,离线训练ELM神经网络,并得到ELM神经网络的初始输出权值;
根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量;
将离心压缩机转速控制量传输到SCADA***,以使所述SCADA***控制离心压缩机的转速。
2.根据权利要求1所述的天然气管道离心压缩机出口压力控制方法,其特征在于,所述根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值,包括:
根据当前时刻的分输管道出口流量值、上一个时刻的分输管道出口流量值、上两个时刻的分输管道出口流量值、上一日当前时刻的分输管道出口流量值、上一日当前时刻的下一时刻的分输管道出口流量值,利用神经网络预测算法计算得到下一时刻对应的分输流量预测值。
3.根据权利要求1所述的天然气管道离心压缩机出口压力控制方法,其特征在于,所述根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值,包括:
根据当前时刻的离心压缩机出口压力值,利用预设的离心压缩机出口压力变化裕值,计算得到离心压缩机出口压力期望值的变化范围;
根据离心压缩机出口压力期望值的变化范围,迭代求解粒子最大速度、初始化粒子群的初始粒子速度和位置,得到离心压缩机出口压力值的可行解矩阵;
根据当前时刻的离心压缩机进口压力值、离心压缩机输气流量值以及所述可行解矩阵,计算得到离心压缩机能耗值;
根据分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机输气流量值、可行解矩阵,通过隐式中心差分法计算得到管道参数动态变化值;
根据当前时刻的分输管道出口流量值、分输管道出口压力值、分输流量预测值、期望压力值变化范围、离心压缩机能耗值、管道参数动态变化值,采用基于参数自适应的粒子群优化方法经过多次迭代,计算得到下一时刻对应的离心压缩机出口压力最优期望值。
4.根据权利要求1所述的天然气管道离心压缩机出口压力控制方法,其特征在于,所述根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量,包括:
根据离心压缩机转速值和离心压缩机出口压力值对所述初始输出权值进行更新,得到更新输出权值;
根据离心压缩机转速值、离心压缩机出口压力值和更新输出权值,计算得到雅可比矩阵信息;
根据离心压缩机出口压力值和离心压缩机出口压力最优期望值,计算得到偏差值和偏差变化率;
根据雅可比矩阵信息和所述偏差值,更新比例系数、积分系数和微分系数;
根据更新后的比例系数、积分系数、微分系数、偏差值和转速增量信号柔滑因子,计算得到离心压缩机转速控制量增量;
根据偏差值、偏差变化率,利用模糊定理计算得到控制量柔滑因子;
根据离心压缩机控制转速增量、控制量柔滑因子及当前时刻控制量,计算得到离心压缩机转速控制量。
5.根据权利要求4所述的天然气管道离心压缩机出口压力控制方法,其特征在于,所述根据离心压缩机转速值和离心压缩机出口压力值对所述初始输出权值进行更新,得到更新输出权值,包括:
根据当前时刻的离心压缩机的转速值、上一时刻的离心压缩机转速值、上两时刻的离心压缩机转速值、当前时刻的离心压缩机出口压力值、上一时刻的离心压缩机出口压力值、上两时刻的离心压缩机出口压力值及ELM神经网络的输入权值和阈值,更新得到当前时刻对应的更新输出权值。
6.根据权利要求4所述的天然气管道离心压缩机出口压力控制方法,其特征在于,所述根据离心压缩机转速值、离心压缩机出口压力值和更新输出权值,计算得到雅可比矩阵信息,包括:
根据当前时刻的离心压缩机转速值、上一时刻的离心压缩机转速值、上两时刻的离心压缩机转速值,当前时刻的离心压缩机出口压力值、上一时刻的离心压缩机出口压力值、上两时刻的离心压缩机出口压力值和更新输出权值,计算得到雅可比矩阵信息。
7.根据权利要求4所述的天然气管道离心压缩机出口压力控制方法,其特征在于,所述根据离心压缩机出口压力值和离心压缩机出口压力最优期望值,计算得到偏差值和偏差变化率,包括:
分别计算当前时刻的离心压缩机出口压力值、上一时刻的离心压缩机出口压力值、上两时刻的离心压缩机出口压力值与离心压缩机出口压力最优期望值的差值,得到当前时刻的偏差值、上一时刻的偏差值和上两时刻的偏差值;
根据当前时刻的偏差值和上一时刻的偏差值,以及上一时刻的偏差值和上两时刻的偏差值,分别计算得到当前时刻偏差变化率和上一时刻偏差变化率。
8.根据权利要求4所述的天然气管道离心压缩机出口压力控制方法,其特征在于,所述根据雅可比矩阵信息和所述偏差值,更新比例系数、积分系数和微分系数,包括:
根据雅可比矩阵信息、当前时刻的偏差值、上一时刻的偏差值、比例系数调整加权因子、当前时刻的比例系数,计算得到下一时刻对应的比例系数更新值;
根据雅可比矩阵信息,当前时刻的偏差值、积分系数调整加权因子、当前时刻的积分系数,计算得到下一时刻对应的积分系数更新值;
根据雅可比矩阵信息,当前时刻的偏差值、上一时刻的偏差值、上两时刻的偏差值、微分系数调整加权因子、当前时刻的微分系数,计算得到下一时刻对应的微分系数更新值。
9.根据权利要求4所述的天然气管道离心压缩机出口压力控制方法,其特征在于,所述根据更新后的比例系数、积分系数、微分系数、偏差值和转速增量信号柔滑因子,计算得到离心压缩机转速控制量增量,包括:
根据下一时刻的比例系数更新值、下一时刻的积分系数更新值、下一时刻的微分系数更新值、当前时刻的偏差值、上一时刻的偏差值、上两时刻的偏差值、当前时刻的控制转速增量信号柔滑因子,计算得到下一时刻的离心压缩机转速控制量增量。
10.一种天然气管道离心压缩机出口压力控制***,其特征在于,包括SCADA***和工作站,其中:
所述SCADA***与服务器通过OPC协议进行信息交互;
所述SCADA***包括分布式数据采集装置,所述分布式数据采集装置用于采集天然气管道和离心压缩机的实时现场采样信号;
所述工作站用于接收SCADA***发送的实时现场采样信号,并预处理得到实时现场数据,其中,所述实时现场数据至少包括多个时刻的分输管道进口流量值、分输管道出口流量值、分输管道进口压力值、分输管道出口压力值、离心压缩机进口压力值、离心压缩机出口压力值、离心压缩机转速值以及离心压缩机输气流量值;根据多个时刻的分输管道出口流量值,利用神经网络算法预测得到分输流量预测值;根据实时现场数据以及所述分输流量预测值,利用自适应粒子群算法迭代计算离心压缩机出口压力最优期望值;利用离心压缩机的历史转速值和出口压力值,离线训练ELM神经网络,并得到ELM神经网络的初始输出权值;根据实时现场数据、初始输出权值以及离心压缩机出口压力最优期望值,计算得到离心压缩机转速控制量;将离心压缩机转速控制量传输到SCADA***;
所述SCADA***还用于接收工作站发送的离心压缩机转速控制量,调整控制离心压缩机的转速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710008358.2A CN106678546B (zh) | 2017-01-05 | 2017-01-05 | 一种天然气管道离心压缩机出口压力控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710008358.2A CN106678546B (zh) | 2017-01-05 | 2017-01-05 | 一种天然气管道离心压缩机出口压力控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106678546A CN106678546A (zh) | 2017-05-17 |
CN106678546B true CN106678546B (zh) | 2018-10-02 |
Family
ID=58849026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710008358.2A Expired - Fee Related CN106678546B (zh) | 2017-01-05 | 2017-01-05 | 一种天然气管道离心压缩机出口压力控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106678546B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885085B (zh) * | 2017-11-14 | 2020-07-31 | 宁波大学 | 基于深度学习的复杂管道运行控制方法 |
CN107807530A (zh) * | 2017-11-30 | 2018-03-16 | 黄力 | 一种基于智能模糊神经网络算法的压力机pid控制*** |
CN111578136A (zh) * | 2019-02-18 | 2020-08-25 | 北京东方华智石油工程有限公司 | 一种天然气日指定自动分输算法 |
CN110905792B (zh) * | 2019-11-28 | 2021-01-05 | 浙江精工能源科技集团有限公司 | 一种基于能源互联网云计算的空压机控制***及方法 |
CN111665877B (zh) * | 2020-06-18 | 2023-04-14 | 北京七星华创流量计有限公司 | 压力控制方法和装置、光伏设备 |
CN112346333B (zh) * | 2020-11-05 | 2023-03-24 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于bp神经网络调节的压缩机转速控制方法 |
CN113391656B (zh) * | 2021-06-07 | 2022-06-28 | 国家石油天然气管网集团有限公司西气东输分公司 | 一种压缩机组智能增减控制方法 |
CN113952829B (zh) * | 2021-09-19 | 2024-07-05 | 中国航空工业集团公司西安飞机设计研究所 | 一种多级增压气体分离膜制氧装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2452287A (en) * | 2007-08-29 | 2009-03-04 | Compair Uk Ltd | Improvements in Compressors Control |
CN102518598A (zh) * | 2011-12-31 | 2012-06-27 | 北京时代科仪新能源科技有限公司 | 离心式空压机及其控制方法和*** |
CN103184972A (zh) * | 2011-12-30 | 2013-07-03 | 中国科学院沈阳自动化研究所 | 兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法 |
CN105201807A (zh) * | 2015-10-21 | 2015-12-30 | 蓝星(北京)技术中心有限公司 | 一种基于压力差和流量控制的压缩机运行控制方法和装置 |
CN105955182A (zh) * | 2016-05-16 | 2016-09-21 | 上海航天能源股份有限公司 | 用于天然气调压站的远程调压***及远程调压方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS56104196A (en) * | 1980-01-21 | 1981-08-19 | Hitachi Ltd | Control device for centrifugal compressor |
-
2017
- 2017-01-05 CN CN201710008358.2A patent/CN106678546B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2452287A (en) * | 2007-08-29 | 2009-03-04 | Compair Uk Ltd | Improvements in Compressors Control |
CN103184972A (zh) * | 2011-12-30 | 2013-07-03 | 中国科学院沈阳自动化研究所 | 兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法 |
CN102518598A (zh) * | 2011-12-31 | 2012-06-27 | 北京时代科仪新能源科技有限公司 | 离心式空压机及其控制方法和*** |
CN105201807A (zh) * | 2015-10-21 | 2015-12-30 | 蓝星(北京)技术中心有限公司 | 一种基于压力差和流量控制的压缩机运行控制方法和装置 |
CN105955182A (zh) * | 2016-05-16 | 2016-09-21 | 上海航天能源股份有限公司 | 用于天然气调压站的远程调压***及远程调压方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106678546A (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106678546B (zh) | 一种天然气管道离心压缩机出口压力控制方法及*** | |
US11755976B2 (en) | Method for predicting oxygen load in iron and steel enterprises based on production plan | |
CN103226348A (zh) | 一种食用菌菇房环境集中远程控制***及方法 | |
CN106934497A (zh) | 基于深度学习的智慧小区用电量实时预测方法及装置 | |
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据*** | |
CN206421215U (zh) | 一种管道灌溉恒压监控*** | |
CN111417178A (zh) | 基于机器学习与边缘计算的工业互联网节能***及方法 | |
CN112857658B (zh) | 一种基于云平台的压力检测*** | |
CN107612045A (zh) | 一种电厂机组发电量智能分配***及方法 | |
CN103345555A (zh) | 基于遗传编程的火电机组煤耗特性曲线建模方法 | |
CN116361377A (zh) | 基于工业物联网服务平台的负载预测***、方法及介质 | |
CN115660346A (zh) | 一种基于边缘控制的规模化车网互动负荷调控方法 | |
CN107505922A (zh) | 工厂预警实现方法、装置及*** | |
CN114567003A (zh) | 基于模糊自适应控制策略的风电机群有功功率控制方法 | |
CN103760856A (zh) | 一种冷轧带钢平整机组过程控制方法 | |
Liao et al. | Voltage and var control to enable high penetration of distributed photovoltaic systems | |
Zhang et al. | Improving the accuracy of load forecasting for campus buildings based on federated learning | |
CN106953338A (zh) | 一种配电网无功优化方法及装置 | |
CN112737422B (zh) | 一种基于云计算的电机设备调速控制方法 | |
CN115576203A (zh) | 基于神经网络的嵌入式电除尘智能控制方法和*** | |
CN109038672A (zh) | 一种平抑可再生能源波动的多目标鲁棒优化配置方法 | |
CN115764900A (zh) | 一种考虑阻塞缓解效益的配网资源聚合方法及*** | |
CN114294797A (zh) | 一种封闭空间智能空气循环净化*** | |
CN201256296Y (zh) | 配电网智能型无功补偿与无功优化一体化*** | |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181002 Termination date: 20220105 |