基于模型预测控制的灯泡贯流式水轮发电机调节系统

针对灯泡贯流式水轮发电机(BTTG)功率调节系统是一个具有死区和时滞等非线性因素的最小相位系统,导致调节速度慢的问题,以GZ995型BTTG为例,根据被控对象的模型结构,提出了一种适用于不同工况和扰动条件下的BTTG功率调节系统的线性模型预测控制方法。在此基础上,根据被控对象的模型结构设计了模型预测控制器,并对常规PID控制和模型预测控制下系统在甩负荷响应下的动态特性进行了比较分析。结果表明,该算法具有良好的控制性能,研究结果可为BTTG功率调节系统的设计提供参考。     

燃油温度的多变量模糊预测函数控制

燃油供给温度的精确控制是一个具有非线性特性的流体加热供给多变量控制问题,实际测试表明,现有的单回路PID控制很难实现对燃油供给温度的动态跟踪控制,影响燃油的充分喷射、雾化及其与空气的混合,使部分燃油得不到充分燃烧,造成了能源浪费和环境污染.基于粒子群优化模糊预测函数控制(PSO-F-MPFC)的油料燃烧供给温度多变量解耦控制方法,通过与PID控制方法的比较,以及在阳极焙烧炉重油燃烧供给温度的动态跟踪控制应用表明,该方法优于原有燃油燃烧系统的PID控制,实现了燃油供给温度的动态跟踪精确控制.     

基于自适应逆控制的汽轮机调速系统研究

针对汽轮机调速系统具有时滞、非线性、动态特性随工况显著变化和难以精确建模等特点,采用自适应逆控制理论并结合神经网络技术,提出了汽轮机调速系统自适应逆控制方案.该方案利用RBF神经网络在线辨识获得对象模型、逆模型和扰动消除控制器,对给定转速信号和外部扰动分别进行控制,使两者同时达到最佳控制效果.对200MW机组汽轮机调速系统进行了仿真实验,结果表明:与PID汽轮机调速控制方案相比,该方案能很好地适应汽轮机调速对象特性的变化,有效克服对象的惯性和非线性,并有效抑制外部扰动,明显改善汽轮机调速系统的控制品质.     

过热汽温多模型预测函数控制策略的研究

过热汽温系统是典型的大时延、大惯性对象,尤其当机组负荷变化时,参数表现出明显的时变特性,大大降低了传统PID串级控制的品质。基于此点,提出先进的多模型切换的过热汽温预测函数控制策略。使用带有Smith预估补偿思想的一阶时滞对象预测函数控制算法,来有效克服对象的大时延、大惯性;并通过建立若干典型工况的固定模型,在线计算其模型匹配度确定控制权重,从而得到控制器的输出的方法,能适应参数的时变。与PID串级控制和单一模型控制的仿真结果对比,证实了本控制策略的有效性。图3表1参8     

火电厂主蒸汽温度UMDA整定模糊PID控制算法

针对火电厂锅炉主蒸汽对象的温度控制变参数、大时滞问题,提出了一种基于单变量分布估计优化算法(UMDA)整定的模糊PID控制算法,以改善温度控制效果.对于给出的大时滞系统模型,首先在PID控制器的基础上通过模糊控制规则并行地进行辅助修正,采用UMDA对其中参数进行整定,实现对模糊PID的自整定优化设置,最后对所设计的时滞温控系统进行仿真分析.结果表明:采用所提方法系统在无扰情况下基本不存在超调,摄动输入下也能明显地降低超调量,且调整时间较短,明显改善了原系统的动态性能和静态性能.     

GPC-PID串级控制在主汽温控制系统中的仿真研究

针对火电厂主汽温控制系统大惯性、大延迟且模型不确定,以及常规PID串级控制难以取得良好的控制效果等特点,设计的主汽温控制系统将串级控制结构与预测控制相结合,内回路采用常规比例调节,外回路采用广义预测控制器(GPC).通过Matlab仿真得到,该系统具有较强的鲁棒性和很好的控制品质,适合具有时滞的复杂控制系统.     

火电厂SCR脱硝系统机理建模与控制研究

随着环保意识的提高,火电厂氮氧化物的排放问题引起了社会的关注。选择性催化还原方法(selective catalytic reduction,SCR)普遍采用于火电厂的脱硝系统中,喷氨量的控制是脱硝系统的关键问题,若不能得到有效控制,不仅影响火电厂脱硝效率,而且氨逃逸有可能会造成二次污染。SCR系统的准确动态建模是对喷氨量进行有效控制的前提。本文通过分析SCR系统化学反应机理建立了SCR动态模型,并利用实际运行数据对其进行验证,平均百分比误差为10.73%,仿真结果表明该模型精度高。因该系统具有较强的非线性,传统比例、积分、微分(PID)控制器难以得到满意的控制效果,本文设计了神经网络预测控制器,对SCR系统的喷氨量进行控制,并与传统PID控制器进行对比,利用火电厂实际运行数据对该方法进行了验证,提出的控制策略在两个典型工况下的脱硝效率比传统PID控制策略高约10%,结果表明该方法具有较好的控制效果。     

模糊PID神经网络算法在污水处理中的应用

溶解氧控制是污水处理厂控制的关键,针对当前溶解氧控制效率低下的问题,提出了一种具有自学习和自适应功能的模糊PID神经网络算法。首先建立PID模糊控制规则表;然后采用神经网络对模糊控制规则表进行不断的训练,得到最佳的模糊控制规则表;最后利用Matlab仿真和工程模拟调试进行验证。结果表明,在大滞后非线性的曝气控制系统中,模糊PID神经网络算法能在最短的时间内使溶解氧达到所期望的值,且整个控制过程具有良好的动态性能和稳态性能。     

基于改进型多模型预测控制的喷氨优化算法及其应用

由于大时滞、非线性的控制难点,典型火电机组选择催化还原(Selective Catalytic Reduction,SCR)脱硝系统的控制效果难以保障。作为一种先进控制算法,与PID控制相比模型预测控制对大时延、大惯性的被控对象有着较好的控制效果,因此在脱硝控制系统优化中多有应用。然而SCR被控对象的非线性以及未知的外部干扰仍然会影响乃至恶化模型预测控制效果,因此提出了一种改进型多模型预测控制算法。该算法具有多个模型预测控制器以适应被控对象的非线性,通过设置闭锁条件以改善模型失配时的控制效果恶化,构建了动态前馈以加速调节并克服外部干扰。最终在此基础上开发了一套火电机组SCR喷氨优化装置并在某310 MW亚临界机组上实现应用,应用结果证明了该算法的有效性和优越性。     

基于神经网络的热力站换热器系统的预测控制

在利用实验法确定热力站换热器系统动态特性的基础上,提出利用神经网络预测控制器对热力站换热器系统进行控制,并进行阶跃扰动的控制仿真。结果表明,神经网络预测控制的效果要优于手动调节和传统的PID调节,适合时滞对象的动态调节。     

基于GSA的水轮机调速系统非线性PID控制参数优化方法研究

水轮机调速系统是水电机组的核心控制系统,调速器控制参数优化与机组的安全稳定高效运行直接相关。针对现有研究的不足,建立了非线性调速系统模型,采用综合特性曲线描述水轮机模型,采用弹性水击模型描述压力引水系统特性;在此基础上,结合引力搜索算法(GSA)的优点,提出了基于GSA的非线性PID控制参数优化方法,并以我国某实际水电机组数据建立仿真模型,比较了不同优化方法和不同PID控制规律的组合控制效果。结果表明,基于GSA的水轮机调速系统非线性PID控制参数优化方法,能有效提高孤网运行条件下机组的动态品质。     

PID补偿神经网络逆控制在超临界机组过热汽温控制中的应用

考虑超临界锅炉过热汽温系统的非线性、大惯性、大时延等特性,建立了过热汽温喷水减温系统的非线性动态神经网络逆模型,运用机组的历史运行数据对模型进行训练与校验。以训练好的模型为基础,构建了具有PID补偿环节的神经网络逆控制器,在MATLAB平台编制了实时控制程序。借助600 MW超临界机组全仿真系统,对过热汽温进行设定值扰动、大范围变工况扰动等仿真试验。结果表明:具有PID补偿的神经网络逆控制方案可有效降低动态变负荷过程中过热汽温的控制偏差,缩短汽温控制的稳定时间,与机组原控制方案相比具有更好的控制效果。     

二次优化在过热汽温控制中的应用

热力系统过热汽温具有大延迟和大惯性的特点,常规串级PID控制只有两维三参数,无法实现最优控制。提出一种二次优化控制原理,针对过热汽温模型对象的时滞特征,将时滞因子导致的无穷维状态用有限维状态来逼近,确定控制器的基本结构和参数,再返回无穷维,得到无穷维的观察器和控制器。二次优化控制将Smith预估器和状态反馈相结合,既消除了时滞环节,同时提高了系统的响应速度和鲁棒性。     

基于神经网络模型的锅炉主蒸汽温度预测控制

为解决传统控制方法在火力发电机组蒸汽温度控制过程中存在的强非线性、大迟延的难题,提出了一种基于长短期记忆(LSTM)神经网络在线估计和粒子群(PSO)滚动优化的预测控制算法。该方法将常规串级控制系统的主回路控制器用预测控制器替代,采用LSTM神经网络建立主蒸汽温度控制系统的过程模型,通过多步预测实现了对复杂非线性系统模型的精确预测。利用PSO算法在线求解主蒸汽温度控制系统的最优预测控制律,避免了传统递推方法无法直接求解非线性优化问题。仿真结果表明：与传统主蒸汽温度串级控制策略相比,该控制算法明显改善了控制系统的快速性,抗扰能力较强,对主蒸汽温度这类具有非线性及模型不精确的被控对象有一定的参考价值。     

多模型预测函数控制及其在槽式光热发电中的应用

太阳能集热系统是槽式光热发电系统中的核心部分,但该集热系统具有扰动多、大滞后和大惯性等控制难点。针对这些控制难点,建立了适合控制器设计的简化分段非线性模型,并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统,上述控制策略具有以下3方面特点:(1)可以解决被控对象的大滞后、大惯性问题;(2)对预测函数控制策略中的约束条件进行简化,无需进行二次规划计算,使得计算量大大减小,并易于实现工程应用;(3)结合多模型策略解决控制对象的非线性问题。研究结果表明:预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略;与未简化的多模型预测控制相比,简化后的多模型预测函数控制的最大动态偏差增大了13%,但计算量大大降低,控制器的实时性也得到增强。     

基于混沌神经网络预测模型的最优控制决策及应用

为了实现非线性、大时滞系统的自适应控制，首先根据具有混沌特性的非线性、大时滞系统的时序列重构相空间，计算出相空间的饱和嵌入维数和最大Lyapunov指数，并以此为指导，建立混沌神经网络预测模型，该模型即便在网络输入不完整或发生变异的情况下，仍能对系统作高精度的短期预测；在此基础上，将预测模型的输出通过反馈校正．再将校正误差和控制增量引入性能函数最优，最后得到最优控制决策，实现了对非线性、大时滞系统高精度的自适应控制。最后将预测控制决策应用到非线性、大时滞的锅炉过热汽温控制中，仿真结果表明了该控制的有效性、快速性和鲁棒性。图6参6     

基于阶梯式广义预测控制的脱硝优化控制应用

大型火力发电机组脱硝系统被控对象具有大迟延、大惯性、受干扰因素多以及不同负荷下的被控对象模型变化大等特性,传统的PID控制不能满足控制要求。为解决这一问题,利用递推最小二乘法(recursive least square,RLS)建立了脱硝系统模型,并基于阶梯式广义预测控制算法构建了脱硝系统优化控制策略,同时将该策略应用于依托电厂。实践结果表明:无论是稳态工况还是复杂的变负荷工况,脱硝优化控制策略都能够很好地控制脱硝系统出口NO_x浓度,大大降低了NO_x浓度的波动,减少了尿素使用量,实现了脱硝系统稳定经济运行。     

灰色预测自适应内模控制在电厂过热汽温控制中的应用

针对电厂过热汽温的大惯性、大滞后和参数时变等特性,提出了基于灰色预测的自适应内模控制方法.使用Adaline神经网络实时辨识对象的增益和时滞,克服参数时变影响.在误差反馈通道上增加灰色预测模块,根据辨识出的对象时滞的大小,动态确定误差反馈灰色预测的长度;通过超前调节,可以有效克服模型失配和外扰的影响.     

电厂过热蒸汽温度的有约束预测控制

针对目前常用串级PID系统在电厂过热蒸汽温度控制过程中存在的问题,提出采用带约束预测的控制算法予以解决.采用这种有约束预测控制后,可抬高控制设定值,从而提高机组运行效率,提高经济效益.采用现场试验数据,通过面积法辨识过程模型并利用Matlab设计预测控制器,进行了控制过热蒸汽温度模型的仿真试验,结果表明:有约束预测控制可改善系统的动态特性和抗干扰能力,并使过热蒸汽温度控制品质得到有效提升.     

BP神经网络在水轮机调节过程中的应用

由于水轮机调节系统的大惯性、"水锤"效应等特点及其结构复杂等问题,采用传统的常规PID控制已很难满足控制要求,控制品质也难以改善,控制过程中易发生超调量大、震荡频次多、收敛时间过长等问题。对此,在常规PID控制基础上设计了基于BP神经网络自适应PID控制,并在Matlab软件中完成相关程序的编写及仿真试验。仿真结果表明,基于BP神经网络自适应PID控制是一种有效的水轮机调速器参数整定方法,相较于常规PID控制能获得更好的动态性能。