大型国产循环流化床锅炉的汽温自适应串级控制系统

针对国产循环流化床锅炉汽温被控对象的高阶、滞后、变参数特性，应用全系数自适应控制理论，提出一种汽温自适应串级控制系统。该系统有效地克服了被控对象高阶、滞后、变参数特性对汽温带来的不良影响，系统简单、实用．具有工程应用价值。现场运行收到了较好的控制效果。图5表2参2     

基于双层聚类与GSA-LSSVM的汽轮机热耗率多模型预测

针对单模型难以精确描述具有复杂非线性特性的汽轮机热耗率的问题,提出一种新的热耗率多模型建模方法。首先应用GK算法分析出最优聚类个数以及初始聚类中心,避免了聚类数确定的盲目性;然后利用核模糊C均值算法对热耗率样本集做出聚类划分,在每个子空间中利用最小二乘支持向量机(LSSVM)辨识出相应子模型,同时,为了保证子模型精确度,采用引力搜索算法来解决LSSVM参数优化问题;最后,将子模型通过隶属度值加权融合得到精确的热耗率预测模型。以某600MW超临界汽轮机组为研究对象,基于现场数据建立汽轮机热耗率预报模型,仿真结果验证了提出的多模型建模方法具有较高的预报精确度和泛化能力。     

基于粗糙集的自适应模糊神经网络用于循环流化床锅炉床温控制的研究

针对循环流化床(CFB)锅炉床温的非线性、大惯性和大延迟等特性,提出了1种基于粗糙集的自适应模糊神经网络的床温控制方法,并且通过大量已知数据的学习得到模糊规则及其隶属度函数.为了减少规则的数目,提高数据的学习效率,引入了粗糙集,从采集数据中提取最小规则集,从而解决了自适应模糊神经网络中的规则爆炸问题.以CFB锅炉床温为控制对象,对基于粗糙集的自适应模糊神经网络控制器进行仿真比较.结果表明,该控制器控制效果优于常规PID控制器,但稳态误差较常规PID控制器大,其稳态误差小于1.7％,在允许范围内.     

UCM轧机转向辊控制模型与应用

 在板形测量系统中,板形辊边部传感器受力状态与转向辊受力弯曲有直接关系。为了得到准确的板形测量值,通过研究ABB板形辊的板形检测原理,分析了边部传感器在带钢张力作用下的受力状态,给出了转向辊受力弯曲的数学模型,并成功应用于1450冷连轧机上。研究结果表明,该模型用于ABB板形辊板形测量系统中,实现了板形精确测量。     

UCM轧机转向辊磨损补偿模型与应用

为了提高冷轧带钢的板形质量, 建立了转向辊磨损补偿模型, 依托该模型开发的在线板形信号补偿技术成功应用于1450 mm冷带轧机上, 使板形辊在线检测板形信号准确反映冷轧带钢的真实板形情况。结果表明:增加补偿曲线后明显改善了带钢板形, 提高了板形的平坦度, 对实现冷轧带钢的高精度板形控制具有重要作用。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

SVG技术展望

详细介绍了SVG的基本原理与控制方法,并从性能上与SVC系统作了比较,指出SVG是动态无功补偿的发展方向。另外介绍了三电平逆变器的PWM控制方法,指出SVP-WM是三电平逆变器PWM控制方法的发展方向。还介绍了新的电力电子器件和新技术在SVG中的应用,指出随着超导储能技术和新的开关技术的发展,基于电流型逆变器的SVG也将得到广泛应用。     

基于信息融合技术的锅炉飞灰含碳量测控系统

降低飞灰含碳量对火力发电厂提高锅炉燃烧经济性具有重要意义,而飞灰含碳量难以在线测量.目前广泛采用微波飞灰测碳仪进行在线监测,但在实际中烟气密度和流速对仪器的测量精度有重要影响,使测量结果产生较大波动.设计了对烟气密度和流速的测量方法,并构造了基于多传感器信息融合技术的测量系统,利用BP神经网络对互补的信息进行有效融合,该方法在一定程度上提高了飞灰含碳量的测量精度,进而给出一种模糊自寻优的方法控制飞灰含碳量.     

基于量子迭代混沌的涡流搜索算法预测锅炉飞灰含碳量

为了准确建立锅炉飞灰含碳量预测模型,首先提出了基于量子比特的Bloch球面坐标编码和迭代混沌映射的改进涡流搜索(I-VS)算法,然后对I-VS算法、涡流搜索(VS)算法、粒子群优化(PSO)算法、正余弦(SCA)算法和樽海鞘群(SSA)算法的性能进行比较。基于某热电厂300 MW循环流化床锅炉现场运行数据,采用I-VS算法优化并行感知机的极端学习机(PELM),得到飞灰含碳量的综合预测模型(即I-VS-PELM模型)。最后将I-VS-PELM模型的预测结果与PELM、PSO-PELM、SCA-PELM、SSA-PELM和VS-PELM模型的预测结果进行比较。结果表明:与其他模型相比,I-VS-PELM模型具有更高的预测精度和更好的泛化性能,能更准确地预测锅炉飞灰含碳量。     

基于量子自适应鸟群算法的锅炉NOx排放特性研究

针对锅炉NOx排放量难以准确预测的问题,提出了一种新的NOx排放预测方法,利用改进的量子自适应鸟群算法(QBSA)和快速学习网(FLN)进行综合建模,得到锅炉NOx排放浓度模型。将QBSA与基本鸟群算法(BSA)、差分进化算法(DE)、粒子群算法(PSO)进行比较,并通过仿真实验证明了其具有更好的寻优精度和更快的收敛速度。最后采用不同工况下的样本数据检测QBSA-FLN与BSA-FLN模型的预测效果,实验结果表明,QBSA-FLN具有更高的预测精度和泛化能力,可以更准确地预测NOx排放量。