超超临界机组汽温控制策略研究及应用

由于超超临界机组复杂的动态特性、变参数的运行方式、多变量的控制特点,采用传统的设计方法难以对超超临界机组主汽温进行有效的控制,因此开展了超超临界机组主汽温控制策略研究。通过对当前典型的超超临界主汽温控制策略进行分析,针对中电芜湖发电厂660 MW超超临界机组汽温被控对象的特性,设计了新型的过热汽温控制系统。该系统分别采用控制给水中间点焓值的方法实现过热汽温的粗调,并采用基于物理机理的减温水控制方案实现过热汽温的细调。在大负荷范围和高负荷变化速率的工况下,通过对控制系统的整定和优化,克服了过热汽温大延迟和大惯性的缺点,调节品质优良,提高了机组运行的经济性。为今后同类型系统设计、调试提供了借鉴。     

基于模型补偿与切换的锅炉过热汽温控制

为了减小锅炉过热汽温惰性区对象和锅炉负荷变化对汽温调节过程的影响,采用在惰性区对象上并联某-负荷的惰性区对象模型和模型静态增益环节的方法,并根据汽温实际值与模型输出值的偏差大小在汽温实际值和模型输出值之间进行切换,当偏差大于限值时切向汽温实际值,偏差小于限值时切向模型输出值,以此构成单回路固定参数PI控制系统.仿真结果表明,此控制系统可以适应不同负荷的汽温控制,控制品质要优于常规的固定参数PID串级控制系统.     

基于神经网络逆模型的过热汽温补偿控制研究

为改善大型电站锅炉的过热汽温控制效果,提出一种基于人工神经网络扩展逆系统模型的过热汽温补偿控制方案.首先结合锅炉的结构和运行特性,分析影响过热汽温的主要因素,确定神经网络逆系统扩展模型的输入和输出参数.借助MATLAB神经网络工具箱建立过热汽温系统的动态逆过程模型(IDPM),运用历史运行数据完成神经网络模型的训练.以...     

过热汽温控制系统的典型控制策略及DCS实现

对可应用于过热汽温控制系统中的变参数控制、自校正—Ｓｍｉｔｈ预估控制、模糊控制、状态变量—ＰＩＤ控制等几种典型控制策略进行了简要介绍和分析,并给出了它们的分散控制系统实现方法。仿真研究和工程实践都证明：这些典型控制策略有利于克服过热汽温对象的大惯性、大迟延特性,能取得优于常规ＰＩＤ串级控制系统的控制品质。     

基于随机搜索算法优化XGBoost的过热汽温预测模型

建立过热器汽温对象的高精度性能预测模型,是实现过热汽温智能优化控制的基础。为此,针对某600 MW超临界机组仿真系统的历史运行数据,采用机器学习中的XGBoost (eXtreme Gradient Boosting)回归模型建立过热器汽温特性的预测模型,并分别采用网格搜索算法和随机搜索算法对模型参数进行优化。通过比较两种优化模型的预测效果,结果表明:随机搜索算法可以进行多个参数组合寻优,收敛速度快,全局寻优的效果更好,优化后的过热汽温模型具有更好的预测精度和泛化能力。     

过热汽温串级模糊控制系统设计与仿真

以火电厂过热汽温为控制对象,在分析串级控制的基础上,提出了过热汽温串级模糊控制策略,并建立了系统仿真模型。仿真结果表明,与传统的串级控制系统相比,串级模糊控制系统具有较好的控制品质和较强的自适应能力。     

基于状态变量-多模型的主汽温控制系统

在现代火力发电厂控制中,锅炉出口过热蒸汽温度(主汽温)是锅炉的主要参数之一,对电厂的安全经济运行有着重大的影响。针对主汽温系统大惯性、非线性的特点,提出了基于状态变量-多模型的控制方案,即先采用状态反馈补偿主汽温的惯性,以PID作为控制器对补偿后的广义被控对象进行控制;再针对不同工况下对象特性的变化,对各工况控制子系统进行模态综合,实现大范围的控制。对主汽温系统的仿真结果表明,该方案可以较好地解决系统的大惯性和非线性问题。     

模糊自调整PID过热汽温控制系统

首先对过热汽温特性进行了试验分析,针对工况参数对特性参数具有较大影响的汽温被控对象,建立了过热汽温模糊自整定ＰＩＤ串级控制系统。选用直接推理的强度转移法,编程建立功能模块化结构形式的模糊控制算法,通过组态实现了该控制系统功能。仿真及动态试验结果表明,该系统与原机组常规主汽温串级控制系统相比,对外扰的适应件大大加强,控制品质得到明显改善。     

多模型预测控制及其在火电厂过热汽温控制中的应用

针对火电厂存在的过热汽温问题,设计了多模型预测控制系统.根据若干建模工况点,离线训练局部人工神经网络模型,利用贝叶斯估计的方法在线计算每个局部神经网络模型概率,加权计算出模型预测输出值.根据预测控制的原理,利用Newton-Raphson迭代法得到控制信号,从而得到了仅含一个控制器的多模型预测控制系统.仿真结果表明,在负荷大范围变化的工况下仍能保持良好的控制性能,具有较强的鲁棒性.     

基于现场数据的电站过热器神经网络建模

为克服机理建模方法的不足,对利用现场数据建立过热汽温模型进行了研究。通过对过热器运行机理的分析,确定了影响过热汽温变化的主要因素,及其对过热汽温影响的延迟时间。在论述了神经网络建模原理的基础上,建立神经网络模型。通过大量现场数据的训练,使所建模的输出与实际系统的输出基本吻合。最后,用部分现场数据对所建模型进行了仿真试验,证明了该建模方法的可行性。基于神经网络建模计算速度快及模型精度高,模型输出基本上反映了过热汽温的实际运行情况。     

模糊控制在锅炉过热系统中的应用

针对火电厂锅炉过热系统的时变和非线性的特点,提出了模糊多模型的控制方法。对若干典型工况点建立固定模型,并设计相应的局域控制器,进而用T-S模糊模型合成出协调控制系统的全局控制器,解决了多模型切换过程中存在的扰动问题。仿真结果验证了该方法的有效性。     

太阳能热发电过程的多模型控制策略

太阳能热发电技术是将太阳能首先转化为热能,再利用热能发电的技术,是对太阳能的高品位利用。文中总结了太阳能热发电系统的结构和原理,分析了不同情况下太阳能热发电的运行模式和热发电系统中的控制难点问题,进而提出了多模型控制策略,并与传统的单内模控制策略进行仿真对比,验证了多模型控制策略对时变不确定对象有很好的控制效果。     

非线性系统模糊平滑切换多模型控制

研究了一类可以平滑切换时刻输出跳变的多模型切换控制器的设计问题,基于T-S模糊模型提出一种非线性系统模糊平滑切换多模型控制,将输入空间划分为若干个模糊区域,使区域边界模糊化,在每一区域内设计局部T-S模型和控制器,从而使控制器切换在模糊了的边界处进行,保证了切换过程中系统状态轨迹的平滑性.仿真结果证明了方法的有效性.     

非线性系统模糊平滑切换多模型控制

研究了一类可以平滑切换时刻输出跳变的多模型切换控制器的设计问题，基于T-S模糊模型提出一种非线性系统模糊平滑切换多模型控制，将输入空间划分为若干个模糊区域，使区域边界模糊化，在每一区域内设计局部T-S模型和控制器，从而使控制器切换在模糊了的边界处进行，保证了切换过程中系统状态轨迹的平滑性.仿真结果证明了方法的有效性.     

导航系统多模变结构智能控制研究

针对传统无人机导航控制的局限性,提出基于多模变结构智能控制策略的导航控制系统．在飞行导航控制系统内建立不连续控制结构,当系统状态发生变化时,启用不同控制结构以获得优良的控制品质,同时系统具有较强的对系统参数摄动不敏感性以及风场扰动抑制能力,系统鲁棒性强．采用数字控制技术,系统工程实现简单且可靠性高．     

基于径向基函数神经网络动态补偿的船用增压锅炉汽包水位多模型预测控制

针对船用增压锅炉大范围变工况的运行特点,采用典型工况下的固定模型与径向基函数神经网络相结合建立了汽包水位的多模型集。应用状态空间的预测控制算法,设计了预测控制器与神经网络补偿控制器相结合的汽包水位多模型控制器。该方法充分考虑了单一固定模型不能适应全局大范围工况变化的特点。仿真结果表明,所设计的控制器实现了汽包水位的稳定控制,提高了系统的响应性能,解决了大范围变工况的控制难题。     

多模型集成的高炉炼铁智能控制专家系统

为达到高炉冶炼过程的最优控制，提出了高炉冶炼过程的多模型集成的专家系统. 阐述了专家系统的各个组成部分: 工艺计算机理模型、炉况诊断推理模型、系统优化参数模型、混合动力学机理和炉温控制方程.在保证炉况平稳运行的基础上，专家系统对几个主要运行参数进行了优化.同时通过对高炉冶炼过程混合动力学机理的分析，揭示了高炉炉温波动所隐含的非线性能耗规律，得到在不同生产目标状态下的最优操作区间.对复杂的生产状况做出准确的预测并给出了对应的控制措施，在实际应用中取得了增加产量和降低能耗的实际效果.     

近空间飞行器多模型非脆弱软切换跟踪控制

针对具有强烈非线性、强耦合等特性的变机翼后掠角近空间飞行器,在考虑控制器存在摄动的情况下,设计了多模型非脆弱软切换鲁棒跟踪控制方案。将系统工作空间划分为若干区域,在每一区域建立局部模型,根据跟踪性能指标利用广义系统的方法设计局部控制器,大大减少了计算量和复杂度,同时减弱了对于待定矩阵的限制,更易于求得可行解,从而降低了保守性。由于控制器在模糊了的边界处进行切换,保证了系统状态在切换过程中的平滑性。最后对近空间飞行器在变机翼后掠角过程中的姿态进行跟踪控制,仿真结果表明了该控制系统具有良好的控制性能。     

基于AP-LSSVM的多模型预测控制

针对一类非线性系统的控制问题,结合基于仿射传播聚类的最小二乘支持向量机（LS-SVM）多模型建模算法与PSO优化算法,提出新的多模型预测控制算法.采用仿射传播聚类算法对历史样本数据进行聚类,得到各个类的训练样本数据|利用LS-SVM对各个类分别建立子模型,采用网格搜索和交叉验证为各子模型找到合适的模型参数,将所建立的子模型作为预测控制算法的预测模型.在滚动优化时,计算当前控制量与各聚类中心的欧氏距离,选择相应的子模型计算未来时刻模型的预测输出,计算得到参考轨迹.建立优化问题的目标函数,采用PSO算法优化求解得到系统的最优控制量作用于对象.将提出的算法在某芳烃异构化过程中进行仿真试验,分别采用提出的算法以及单模型预测控制算法、基于k均值和BP神经网络的多模型预测控制算法进行仿真.结果表明,采用提出的多模型预测控制算法可以获得更好的控制性能.