基于深度卷积神经网络的工业循环冷却水系统运行状态预测

工业循环冷却水系统运行状态预测是维护工业设备正常运行的重要保障。为此，提出一种基于深度卷积神经网络的智能工业循环冷却水系统运行状态预测方法。该方法根据工业循环冷却水水质特征，使用工业循环水在线仪表采集pH值、碱度、硬度、氯离子等实时数据，设计了深度卷积神经网络框架，在每层网络中加入Dropout层，以避免神经网络训练过拟合。利用某电厂的实际水质测量数据对该方法进行有效性验证，结果表明，该方法的预测结果准确率可达94%，且泛化能力良好，优于现有其他方法。     

过热蒸汽温度量子粒子群优化无模型自适应控制

火力发电厂锅炉过热蒸汽温度不仅具有大滞后特性,且其模型还会随锅炉负荷的变化而变化,故依赖数学模型设计的PID控制一直未取得较好的控制品质。对此,本文提出一种基于量子粒子群的改进无模型自适应控制(QPSO-IMFAC)算法,摆脱了对模型的依赖,利用量子粒子群(QPSO)算法对IMFAC算法控制参数寻优,解决了传统无模型自适应控制(MFAC)算法控制参数难以确定的问题。仿真结果表明:采用QPSO-IMFAC算法控制锅炉过热蒸汽温度时,系统具有强扰动抑制性和高鲁棒性,QPSO-IMFAC算法对锅炉过热蒸汽温度控制是有效的;对阶跃响应和定值扰动的控制效果均优于QPSO-PID算法。因此,可以将IMFAC算法实现于DCS控制中,且使用QPSO-IMFAC算法优化出的控制参数可作为锅炉过热蒸汽温度调节的基准值。     

不平衡电网电压下基于量子粒子群并网变流器功率/电流协调控制

在不平衡电网电压情况下,风电系统的不脱网运行会导致系统输出功率出现波动,并网电流出现显著的谐波畸变.由于恒定的输出功率和良好的并网电流质量无法同时实现,对此,提出一种基于量子粒子群(quantum particle swarm optimization, QPSO)优化算法来实现功率/电流协调控制的方案.在电流参考值的计算中引入调节系数α和β,并推导出功率波动幅值、电流谐波畸变率与调节系数的关系.为了同时兼顾功率和电流,以输出功率波动最小为控制目标,以电流谐波畸变率限值为约束条件,建立调节系数的优化模型.在不同类型的不平衡电压故障下,通过Matlab仿真实现功率/电流的协调控制,从而验证所提出方法的可行性及有效性.     

电网不平衡时电流限制的风电并网变流器功率/电流灵活控制

在不平衡电网电压下,针对并网变流器输出功率波动、电流畸变以及过电流的问题,提出一种考虑限流的功率/电流灵活控制方案。首先分析了瞬时功率控制及电流平衡控制在同时兼顾功率及电流方面的局限性,并通过计算这两种控制策略下的并网电流值,设计了峰值电流控制方案。同时,基于瞬时功率控制及电流平衡控制下电流参考值间的本质联系,根据引入的权重系数来调节并网电流中的低次谐波含量,进而实现了并网功率及电流灵活控制。该控制方案无需检测谐波分量,控制结构简单,易于实现。仿真结果验证了控制方案不仅可以保证电流在安全的运行范围内,还能实现功率及电流的灵活控制。