基于改进粒子群算法的主汽温系统PID参数优化

应用改进的粒子群优化算法优化PID参数。采用动态变量区间以逐步缩小搜索区间，加快粒子群寻优速度，并且针对粒子群算法可能出现的停滞现象，引入了重新启动策略，改善了算法摆脱局部极点的能力。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究，结果表明：改进的粒子群算法寻优速度快，计算量小，对PID参数优化是非常有效的，使得主汽温控制系统取得了很好的控制品质，系统鲁棒性比较强。     

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。     

基于粒子群优化的汽温系统神经网络自整定PID控制

为了使神经网络PID取得更好的控制性能,采用改进的粒子群算法对神经网络的权值进行优化,通过对具有严重参数不确定性、多扰动以及大迟延的电厂主蒸汽温度被控对象进行的仿真研究结果表明,所提出的嵌入混沌序列的小生境粒子群算法可以避免局部极小,具有全局优化的能力,对神经网络PID的权值优化是成功和有效的,使得具有多模型特性的汽温控制系统在不同的负荷下均获得很好的调节品质。     

基于混合量子麻雀算法的过热汽温模型参数辨识

建立高精度的过热汽温模型便于控制器的设计和参数整定，从而提升汽温的控制品质。首先针对传统的麻雀优化算法在闭环数据驱动辨识中容易陷入局部最优，收敛速度慢的问题，提出了一种混合量子行为的麻雀优化算法(QSSA)。该算法在基本麻雀算法迭代一次后采用量子策略对劣势群体进行变异，加强空间搜索能力，提高辨识精度；对于较优势群体引入Lévy随机游走策略，增加种群多样性，克服量子策略迭代后期种群性减少，易陷入局部最优的问题。其次对比多种优化算法在基准函数测试中的优化结果，验证了所提算法的优越性。最后运用某600 MW超临界机组过热汽温的现场运行数据进行模型参数的QSSA辨识，表明了所提算法的有效性，为现场过热汽温控制系统的进一步优化提供了新的途径。     

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...     

基于多模型的内模控制及其在电厂过热汽温中的应用

针对电厂过热汽温被控对象具有大惯性、大滞后特性且对象参数随负荷变化较大等因素,提出了一种基于多模型的内模控制策略。将副回路系统与惰性区等效为一个广义被控对象,通过在不同工况辨识得到其多模型,设计出相应的内模控制器,根据运行工况选择相应的控制器,从而实现全工况运行的自适应控制。仿真结果表明,该控制策略比常规的单内模控制在大范围具有更好的控制品质。     

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。     

基于S-PMemetic算法的电站锅炉再热器系统建模

针对再热器这类热工对象普遍存在非线性、大迟延、时变性以及多变量等特点,采用文化基因算法框架下,粒子群(PSO)算法和模拟退火(SA)算法相结合的S-PM emetic算法对660 MW超超临界机组直流锅炉再热器系统的现场数据进行了多组数据并行辨识。通过该方法得到了超超临界机组再热器7个传递函数通道的系统模型。仿真结果表明,S-PM emetic算法平衡了PSO算法的全局搜索能力和SA算法的局部寻优能力,更适用于辨识复杂的热工控制对象进一步提高了多变量辨识效率和精确度。     

基于PSO的RBF神经网络在热工系统辨识中的应用

在神经网络辨识大迟延对象时,模型类中迟延时间多是根据经验估测的,而不同的值对神经网络辨识的精度和效率就会不同。针对上述问题,将基于正交最小二乘(OLS)算法的径向基(RBF)神经网络和粒子群优化(PSO)算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次风量数据和平均床温数据的仿真实验结果表明,在RBF神经网络对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳迟延时间,从而得到更精确的模型并提高辨识效率,可以取得良好的效果。     

基于自抗扰控制器的主蒸汽温度控制仿真研究

超临界火电机组中主汽温度控制系统对象具有大迟延、大惯性以及强非线性等特点,属于较难控制的一类热工对象。针对这些特性,本文以导前汽温作为辅助反馈信号,主回路采用自抗扰控制器（ADRC）,副回路采用PID控制器,主副回路构成ADRC-PID主汽温串级控制系统,以600MW超临界机组模型在matlab中Simulink仿真平台下进行试验研究。结果表明,ADRC-PID控制策略与PID-PID控制策略相比具有更高的控制精度和更好的控制品质,尤其体现在系统的抗扰动能力和鲁棒性。