CN112526882A - 基于分层模型预测控制算法的超临界机组协调控制方法 - Google Patents
基于分层模型预测控制算法的超临界机组协调控制方法 Download PDFInfo
- Publication number
- CN112526882A CN112526882A CN202011370809.5A CN202011370809A CN112526882A CN 112526882 A CN112526882 A CN 112526882A CN 202011370809 A CN202011370809 A CN 202011370809A CN 112526882 A CN112526882 A CN 112526882A
- Authority
- CN
- China
- Prior art keywords
- model
- control
- unit
- sub
- supercritical unit
- 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 33
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 7
- 239000003245 coal Substances 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- -1 Hexyl Chemical group 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于分层模型预测控制算法的超临界机组协调控制方法,包括如下内容:将超临界机组的被控对象看作一个三输入三输出的多变量***,***的输入量为给水流量、汽机调门开度和实际入炉煤量,输出量为机组实发功率、机侧主汽压力和分离器出口温度;将超临界机组的被控对象的不同工况的子模型按CARIMA模型进行表述,并基于丢番图方程求得模型预测值,最终以性能指标函数最小为优化目标求取当前最优控制量;采用分层结构算法,建立三层子模型集;根据机组运行负荷范围、控制偏差及偏差变化率的大小,组合不同层次、不同数量的子模型集,以适应机组运行时的不同控制目标。本发明能有效保证超临界机组的控制效果,满足实际工程需要。
Description
技术领域
本发明涉及热能与动力工程的自动控制方法,尤其涉及一种基于分层模型预测控制算法的超临界机组协调控制方法。
背景技术
电力***目前的发展趋势是低碳化,包括风电、光伏发电、水电及核电在内的清洁能源本身具有随机性和波动性,大量接入电网势必影响电网的安全性和稳定性。
为给电力***安全运行提供可靠性支撑,还是需要发挥火电“压舱石”的作用,不断提高火电机组的灵活性运行水平。目前几乎所有燃煤电厂的协调控制***都以PID为基础,而PID控制器在机组大范围变负荷运行时,并不适应大滞后、非线性、约束多及强耦合的协调***被控对象,导致机组AGC、一次调频等涉网功能不满足电网要求,进而严重制约火电机组的运行灵活性。切换子模型或子控制器的方法虽易实现且计算负担较轻,但易导致控制量跳变,不利于***稳定;加权子模型或子控制器的方法虽能实现***的平滑过渡,但计算负担加大。
发明内容
发明目的:针对现有技术存在的问题,本发明的目的是提供一种能够提高机组负荷调节性能及拓宽负荷调节宽度,同时保证主汽压力、主汽温等关键参数的控制性能的超临界机组协调控制方法。
技术方案:本发明所述的一种基于分层模型预测控制算法的超临界机组协调控制方法,包括如下内容:
(1)将超临界机组的被控对象看作一个三输入三输出的多变量***,所述多变量***的输入量为给水流量、汽机调门开度和实际入炉煤量,输出量为机组实发功率、机侧主汽压力和分离器出口温度;
(2)将所述超临界机组的被控对象的不同工况下的子模型按CARIMA模型进行表述,并基于丢番图方程求得模型预测值,最终以性能指标函数最小为优化目标求取当前最优控制量;
(3)采用分层结构算法,建立三层子模型集;根据机组运行负荷范围、控制偏差及偏差变化率的大小,组合不同层次、不同数量的子模型集,以适应机组运行时的不同控制目标。
进一步的,步骤(1)中,采用现场的阶跃响应试验数据辨识所述超临界机组30%~100%Pe的数学模型。
具体的,步骤(1)中,采用如下公式表述所述被控对象:
其中,为输出量,分别代表机组实发功率Ne、机侧主汽压力pst和分离器出口温度Tsep,为输入量,分别代表给水流量Dfw、汽机调门开度ut和实际入炉煤量rB,Gij为第j个输入量对第i个输出量影响的传递函数,i、j=1,2,3。
具体的,步骤(2)中,采用如下公式将所述超临界机组的被控对象的不同工况下的子模型按CARIMA模型进行表述:
将上式等号两边同乘差分算子,得:
进一步的,步骤(2)中,所述基于丢番图方程求得模型预测值的具体内容如下:
建立丢番图方程:
求得多项式:
有l步预测模型:
nbj=max(nb1j,nb2j,nb3j);
令ξi(k)=0,得:Y=F1ΔU+F2ΔU(k-j)+GY(k);
其中,Y为未来输出预测值向量,ΔU为所求控制增量向量,ΔU(k-j)为过去控制增量向量,Y(k)为已知输出值向量,具体表达式为:
Y=[y1(k+1),…,y1(k+N),y2(k+1),…,y2(k+N),y3(k+1),…,y3(k+N)]T,
ΔU=[Δu1(k),…,Δu1(k+Nu-1),Δu2(k),…,Δu2(k+Nu-1),Δu3(k),…,Δu3(k+Nu-1)]T,ΔU(k-j)=[Δu1(k-1),…,Δu1(k-nb1),Δu2(k-1),…,Δu2(k-nb2),Δu3(k-1),…,Δu3(k-nb3)]T,
Y(k)=[y1(k),…,y1(k-na1),y2(k),…,y2(k-na2),y3(k),…,y3(k-na3)]T;
矩阵F1,F2,G分别为:
进一步的,步骤(2)中,定义k时刻的优化性能指标为:
J(k)=[Y-Yr]TQ[Y-Yr]+ΔUTRΔU;
其中,Yr为输出参考值向量,Q为控制偏差惩罚系数矩阵,R为控制增量惩罚系数矩阵;
优化目标是使性能指标J(k)取最小;
将式Y=F1ΔU+F2ΔU(k-j)+GY(k)代入所述k时刻的优化性能指标,有:
J(k)=[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]TQ[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]+ΔUTRΔU;
控制量求解的过程中,控制量及控制增量需满足约束条件;
最终k时刻最优控制量为:U(k)=U(k-1)+ΔU(k);
将所求最优控制量作用于被控对象;下一时刻,重复上述过程。
优选的,还包括通过性能指标函数的加权进行子控制器整合的步骤,并采用间隙度量作为加权参数,具体步骤如下:
δ(Pk)为机组在当前负荷下与子模型Pk的间隙度量,index为可调参数,index≥1。
进一步的,步骤(3)具体包括如下内容:
建立三层精度不同的子模型集,分别记为L1,L2,L3;
当机组处于AGC负荷指令变化的初始时刻,选用L1层子模型进行粗调;随后当实发功率持续靠近负荷指令时,选用L2层子模型集来进行调整;当功率偏差进一步减小至预设偏差阈值范围内时,选用L3层子模型集来进行精细控制。
有益效果:
和现有技术相比,本发明具有如下显著效果:1、将多模型与广义预测控制技术结合,多模型方法通过对子模型或对应子控制器的切换/加权处理来实现最终控制作用的整合,保证了火电机组全工况协调控制性能;2、由实际阶跃响应试验数据辨识建立不同负荷点的传递函数模型集,从而掌握了协调***被控对象的动态特性;3、结合Gap Metric理论,对各子广义预测控制器的性能指标函数进行加权融合,弥补了加权方法计算负担重和切换方法控制作用易跳变的缺点;4、使用不同层次子模型集参与控制,能够适应机组运行时的不同控制目标。
附图说明
图1为算法分层结构。
图2为分层结构算法原理图。
具体实施方式
下面以350MW超临界机组为例,并结合附图,详细阐述本发明的技术方案。
将350MW超临界机组的被控对象看作一个三输入三输出的多变量***,其中***的输入量为给水流量Dfw(t/h),汽机调门开度ut(%)和实际入炉煤量rB(t/h),输出量为机组实发功率Ne(MW),机侧主汽压力pst(MPa)和分离器出口温度Tsep(℃)。采用现场的阶跃响应试验数据来辨识350MW超临界机组30%~100%Pe的数学模型。
实验方法为,在目标工况将机组投入BASE运行模式,同时各子***投入自动。盘前运行人员通过手操器给予控制量正向及反向阶跃扰动,采集相关数据并建立110MW、150MW、190MW、230MW、270MW、300MW及350MW对应的传递函数模型。
为定量描述子模型间的动态特性差异,采用EL-Sakkarya提出的间隙度量(Gapmetric)方法。线性模型G1和G2的间隙度量值为δ(G1,G2),有:
上式中,Si和Ti是Gi的正规化互质分解因子,Q为H∞空间的任意元素,||·||∞代表无穷范数。δ(G1,G2)的值域为[0,1],间隙度量值越小,子模型间的动态特性差异越小。
350MW超临界机组的被控对象可由式(3)表述:
上式中,为输出量,分别代表机组实发功率Ne、机侧主汽压力pst和分离器出口温度为输入量,分别代表给水流量Dfw、汽机调门开度ut和实际入炉煤量rB,Gij为第j个输入量对第i个输出量影响的传递函数,i、j=1,2,3。
式(3)可按式(4)的CARIMA模型表述:
式(4)等号两边同乘差分算子,有:
建立丢番图方程,如式(6):
其中多项式
可通过上述丢番图方程求得。
有l步预测模型:
nb1=max(nb11,nb21,nb31);
nb2=max(nb12,nb22,nb32);
nb3=max(nb13,nb23,nb33)。
为方便讨论,令ξi(k)=0。
可将式(7)写成式(8):
Y=F1ΔU+F2ΔU(k-j)+GY(k) (8)
其中,Y为未来输出预测值向量,ΔU为所求控制增量向量,ΔU(k-j)为过去控制增量向量,Y(k)为已知输出值向量,具体表达式为:
Y=[y1(k+1),…,y1(k+N),y2(k+1),…,y2(k+N),y3(k+1),…,y3(k+N)]T,
ΔU=[Δu1(k),…,Δu1(k+Nu-1),Δu2(k),…,Δu2(k+Nu-1),Δu3(k),…,Δu3(k+Nu-1)]T,ΔU(k-j)=[Δu1(k-1),…,Δu1(k-nb1),Δu2(k-1),…,Δu2(k-nb2),Δu3(k-1),…,Δu3(k-nb3)]T,
Y(k)=[y1(k),…,y1(k-na1),y2(k),…,y2(k-na2),y3(k),…,y3(k-na3)]T。
式(8)中矩阵F1,F2,G的表达式分别为:
k时刻的优化性能指标为:
J(k)=[Y-Yr]TQ[Y-Yr]+ΔUTRΔU (9)
上式中,Yr为输出参考值向量,Q为控制偏差惩罚系数矩阵,R为控制增量惩罚系数矩阵。优化目标是使性能指标J(k)取最小。
将式(8)代入式(9),有:
J(k)=[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]TQ[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]+ΔUTRΔU(10)
控制量求解的过程中,控制量及控制增量需满足具体的约束条件。
最终k时刻最优控制量为:
U(k)=U(k-1)+ΔU(k) (12)
将所求最优控制量作用于被控对象。下一时刻,重复上述过程。
为减少多模型方法的计算负担,同时也为实现***的平滑过渡,考虑按式(13),通过性能指标函数的加权来实现子控制器的整合。
其中,wk为Pk对应子控制器的加权系数,Jk为Pk对应子控制器的性能指标函数,n为子模型集内含模型P1,P2,...,Pn的个数。wk可由式(14)计算得到:
上式中,δ(Pk)为机组在当前负荷下与子模型Pk的间隙度量,index为可调参数,要求index≥1。明显,当机组协调***与该工况点模型距离度量越小,动态特性越接近,权重wi越大,此时该局部控制器输出起的作用也就越大。而index越大,控制器权重对距离度量值的变化更为敏感,此时控制器权重在对应工况点处越大,在远离对应工况点处越小。
子模型集内的模型个数对控制性能有较大影响。子模型集内含子模型个数越少,单一模型覆盖的负荷范围相对更大,精度更低;内含子模型个数越多,单一模型覆盖的负荷范围相对更小,有利于提高控制精度。分层结构算法基本思想是,根据机组运行负荷范围、控制偏差及偏差变化率的大小,组合不同层次、不同数量的子模型集,以适应机组运行时的不同控制目标。
针对350MW超临界火电机组,确定L1层有共3个模型,即110MW、230M和350MW负荷点处的子模型;L2层共4个模型,即110MW、190M、270MW和350MW负荷点处的子模型;L3层共6个模型,110MW、150MW、190MW、230MW、270MW、300MW及350MW负荷点处的子模型。
如图2分层结构算法原理图所示,当机组处于AGC负荷指令变化的初始时刻,为快速逼近负荷指令,可选用模型数较少的L1层子模型进行粗调;随后当实发功率持续靠近负荷指令时,为减小负荷及主汽压、汽温的超调量,可选用模型数较多的L2层子模型集来进行调整;当功率偏差已在一定范围内时,可选用模型数最多的L3层子模型集来进行精细控制。图2中,a,c,d为偏差e(k)的判断阈值,b为偏差变化率Δe(k)的判断阈值;本实施例中,各判断阈值的取值如下:
判断阈值a的参考值为0.05,判断阈值b的参考值为0.002,判断阈值c的参考值为0.03,判断阈值d的参考值为0.01。可根据实际情况对上述参数的具体取值作出适应性调整。
Claims (9)
1.一种基于分层模型预测控制算法的超临界机组协调控制方法,其特征在于,包括如下内容:
(1)将超临界机组的被控对象看作一个三输入三输出的多变量***,所述多变量***的输入量为给水流量、汽机调门开度和实际入炉煤量,输出量为机组实发功率、机侧主汽压力和分离器出口温度;
(2)将所述超临界机组的被控对象的不同工况下的子模型按CARIMA模型进行表述,并基于丢番图方程求得模型预测值,最终以性能指标函数最小为优化目标求取当前最优控制量;
(3)采用分层结构算法,建立三层子模型集;根据机组运行负荷范围、控制偏差及偏差变化率的大小,组合不同层次、不同数量的子模型集,以适应机组运行时的不同控制目标。
2.根据权利要求1所述的基于分层模型预测控制算法的超临界机组协调控制方法,其特征在于:步骤(1)中,采用现场的阶跃响应试验数据辨识所述超临界机组30%~100%Pe的数学模型。
5.根据权利要求4所述的基于分层模型预测控制算法的超临界机组协调控制方法,其特征在于,步骤(2)中,所述基于丢番图方程求得模型预测值的具体内容如下:
建立丢番图方程:
求得多项式:
有l步预测模型:
nbj=max(nb1j,nb2j,nb3j);
令ξi(k)=0,得:Y=F1ΔU+F2ΔU(k-j)+GY(k);
其中,Y为未来输出预测值向量,ΔU为所求控制增量向量,ΔU(k-j)为过去控制增量向量,Y(k)为已知输出值向量,具体表达式为:
Y=[y1(k+1),…,y1(k+N),y2(k+1),…,y2(k+N),y3(k+1),…,y3(k+N)]T,
ΔU=[Δu1(k),…,Δu1(k+Nu-1),Δu2(k),…,Δu2(k+Nu-1),Δu3(k),…,Δu3(k+Nu-1)]T,
Y(k)=[y1(k),…,y1(k-na1),y2(k),…,y2(k-na2),y3(k),…,y3(k-na3)]T;
矩阵F1,F2,G分别为:
6.根据权利要求5所述的基于分层模型预测控制算法的超临界机组协调控制方法,其特征在于,步骤(2)中,定义k时刻的优化性能指标为:
J(k)=[Y-Yr]TQ[Y-Yr]+ΔUTRΔU;
其中,Yr为输出参考值向量,Q为控制偏差惩罚系数矩阵,R为控制增量惩罚系数矩阵;
优化目标是使性能指标J(k)取最小;
将式Y=F1ΔU+F2ΔU(k-j)+GY(k)代入所述k时刻的优化性能指标,有:
J(k)=[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]TQ[F1ΔU+F2ΔU(k-j)+GY(k)-Yr]+ΔUTRΔU;
控制量求解的过程中,控制量及控制增量需满足约束条件;
最终k时刻最优控制量为:U(k)=U(k-1)+ΔU(k);
将所求最优控制量作用于被控对象;下一时刻,重复上述过程。
7.根据权利要求1所述的基于分层模型预测控制算法的超临界机组协调控制方法,其特征在于:还包括通过性能指标函数的加权进行子控制器整合的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370809.5A CN112526882A (zh) | 2020-11-30 | 2020-11-30 | 基于分层模型预测控制算法的超临界机组协调控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370809.5A CN112526882A (zh) | 2020-11-30 | 2020-11-30 | 基于分层模型预测控制算法的超临界机组协调控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112526882A true CN112526882A (zh) | 2021-03-19 |
Family
ID=74994988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011370809.5A Pending CN112526882A (zh) | 2020-11-30 | 2020-11-30 | 基于分层模型预测控制算法的超临界机组协调控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112526882A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238479A (zh) * | 2021-05-17 | 2021-08-10 | 安徽华电六安电厂有限公司 | 基于就近原则加权的660mw火电机组多模型预测控制方法 |
CN113391552A (zh) * | 2021-06-15 | 2021-09-14 | 华北电力大学 | 一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法 |
CN115236981A (zh) * | 2022-07-13 | 2022-10-25 | 江苏南通发电有限公司 | 一种基于深度调峰百万千瓦燃煤机组协调预测控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199299A (zh) * | 2014-08-18 | 2014-12-10 | 国家电网公司 | 燃气轮机负荷调节性能的多变量受限广义预测控制方法 |
CN108167802A (zh) * | 2017-11-23 | 2018-06-15 | 华能国际电力股份有限公司大连电厂 | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 |
CN110376895A (zh) * | 2019-07-30 | 2019-10-25 | 华能国际电力股份有限公司营口电厂 | 一种基于分层受限预测控制的火电机组协调控制方法 |
CN111443681A (zh) * | 2020-05-29 | 2020-07-24 | 聊城信源集团有限公司 | 超临界火电机组协调控制***多模型预测控制设计方法 |
-
2020
- 2020-11-30 CN CN202011370809.5A patent/CN112526882A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199299A (zh) * | 2014-08-18 | 2014-12-10 | 国家电网公司 | 燃气轮机负荷调节性能的多变量受限广义预测控制方法 |
CN108167802A (zh) * | 2017-11-23 | 2018-06-15 | 华能国际电力股份有限公司大连电厂 | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 |
CN110376895A (zh) * | 2019-07-30 | 2019-10-25 | 华能国际电力股份有限公司营口电厂 | 一种基于分层受限预测控制的火电机组协调控制方法 |
CN111443681A (zh) * | 2020-05-29 | 2020-07-24 | 聊城信源集团有限公司 | 超临界火电机组协调控制***多模型预测控制设计方法 |
Non-Patent Citations (1)
Title |
---|
陈钊等: "分层结构多模型预测控制在630MW 火电机组协调***中的应用", 《工业控制计算机》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238479A (zh) * | 2021-05-17 | 2021-08-10 | 安徽华电六安电厂有限公司 | 基于就近原则加权的660mw火电机组多模型预测控制方法 |
CN113391552A (zh) * | 2021-06-15 | 2021-09-14 | 华北电力大学 | 一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法 |
CN113391552B (zh) * | 2021-06-15 | 2022-07-29 | 华北电力大学 | 一种提高火电机组灵活性运行的级联自适应容积卡尔曼自抗扰控制方法 |
CN115236981A (zh) * | 2022-07-13 | 2022-10-25 | 江苏南通发电有限公司 | 一种基于深度调峰百万千瓦燃煤机组协调预测控制方法 |
CN115236981B (zh) * | 2022-07-13 | 2023-10-10 | 江苏南通发电有限公司 | 一种基于深度调峰百万千瓦燃煤机组协调预测控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112526882A (zh) | 基于分层模型预测控制算法的超临界机组协调控制方法 | |
CN102494336B (zh) | 一种循环流化床锅炉燃烧过程多变量控制方法 | |
CN112147891B (zh) | 一种火电机组协调***全局非线性优化控制方法 | |
CN107515598A (zh) | 基于多参数动态矩阵控制的火电机组分布式协调控制*** | |
CN110376895B (zh) | 一种基于分层受限预测控制的火电机组协调控制方法 | |
CN106707756B (zh) | 融合扩张观测器的超临界火电机组机炉协调控制方法 | |
CN112051810A (zh) | 一种供热机组的多能源分配和调度*** | |
CN112015082B (zh) | 一种基于模糊增益调度预测控制的机炉协调***控制方法 | |
Visek et al. | Performance analysis of a solar cooling system using self tuning fuzzy-PID control with TRNSYS | |
CN114362267A (zh) | 考虑多目标优化的交直流混合配电网分散式协调优化方法 | |
CN114428455A (zh) | 一种火电机组控制***的控制方法及装置 | |
CN106855691B (zh) | 用于超临界火电机组机炉***负荷跟踪的双层控制*** | |
CN114428456B (zh) | 一种火电机组控制***的控制方法及装置 | |
CN114928049A (zh) | 一种火电机组前馈预测控制方法及*** | |
CN105700357B (zh) | 基于多变量pid-pfc的锅炉燃烧***控制方法 | |
CN110912185B (zh) | 一种含风力发电电网自动发电控制***pid控制器设计方法 | |
CN107102550B (zh) | 一种超超临界火电机组控制分离器温度的预测控制方法 | |
CN114371619B (zh) | 一种mgt-cchp变工况动态能效优化控制方法 | |
CN105207220A (zh) | 一种基于渐进学习的分级电压调控方法 | |
CN110059897B (zh) | 基于混合整数pso算法的有源配电网日内滚动优化方法 | |
CN107045287A (zh) | 基于预测控制技术的机组协调控制***及控制方法 | |
CN103143298A (zh) | 基于遗传算法优化的人造金刚石液压机调功控制方法 | |
CN112859614A (zh) | 一种超超临界火电机组的控制方法、装置、设备及存储介质 | |
CN111273563B (zh) | 一种基于供热机组agc综合指标的预测控制方法 | |
CN116991072A (zh) | 一种提高火电机组低碳灵活性运行能力的分层模糊广义预测控制方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |
|
RJ01 | Rejection of invention patent application after publication |