多模型分形切换预测控制在主汽温度调节中的应用

针对电厂锅炉主蒸汽温度调节系统采用传统的PID控制很难取得优良的控制品质的问题,结合分形理论提出一种多模型切换预测控制策略。通过预先在多个工况下建立多个主蒸汽温度模型,设计相应的预测函数控制器,根据负荷工况的变化及分形维数Dτ的改变在不同的模型之间进行切换可以削弱参数时变对控制系统的影响。仿真实验结果表明,分形切换多模型预测控制方法优于传统的PID控制和基于固定模型的预测函数控制。利用分形理论进行多模型切换预测控制,可提高锅炉主蒸汽温度调节系统的鲁棒性与稳定性。     

基于多输入多输出系统循环流化床锅炉床温智能辨识方法

床温是循环流化床(CFB)锅炉的重要参数,本文采用多输入多输出系统闭环辨识方法,得出以CFB锅炉给煤量与一次风量变化为输入,床温与主蒸汽压力为输出的两输入两输出系统模型。将某矸石电厂300 MW CFB锅炉闭环自动控制下的现场运行数据用于模型参数辨识,利用标准粒子群优化算法智能辨识寻优得到床温多变量系统的最佳模型参数。最后通过现场实际运行数据验证了所建模型的有效性。     

循环流化床锅炉燃烧系统的动态特性研究

依据于大量变工况试验所获得的75t/h循环流化床锅炉固体物料浓度沿炉膛高度的分布曲线,在分析不同负荷下各流动区域出口固体物料浓度及其平均固体物料浓度随运行主导因素(运行风速)变化规律的基础上,建立了数学模型并研究循环流化床锅炉燃烧系统的动态特性,仿真研究了主蒸汽压力、床温、炉膛出口烟气含氧量、料层差压随给煤量、一次风量、二次风量、排渣率及燃烧率的阶跃响应,其结果和试验及相关研究成果基本一致。同时仿真研究了主蒸汽压力随汽机调门开度的阶跃响应。文中给出了可用于控制系统设计的燃烧系统的传递函数阵,分析了影响动态特性的因素,为循环流化床锅炉燃烧系统的控制策略研究建立了平台。     

基于KPCA-IPOA-BiGRU的联合循环余热锅炉 主蒸汽参数预测

余热锅炉主蒸汽参数对于联合循环机组的健康运行判断至关重要。针对余热锅炉运行参数非线性和时延性导致主 蒸汽参数预测精度低的问题,提出了一种联合循环余热锅炉主蒸汽参数预测模型。首先,采集燃机电厂的SIS 运行数据,通过 灰色相关性分析法确定输入变量;其次,通过核主成分分析(kernel principal component analysis,KPCA)提取输入参数的特征 信息,并根据主成分贡献率选取输入维度;最后,利用改进的鹈鹕优化算法(improved pelican optimization algorithm,IPOA) 优化双向门控循环神经网络(bir-directional gated recirculation neural network,BiGRU),并构建 KPCA-IPOA-BiGRU进行三 压余热锅炉主蒸汽参数的预测测验。结果表明,现场采集的10000组数据点,其中8000组用作训练集,2000组用作测试集, 提出的模型将28维输入参数降低至8维,可准确预测3个压力级的蒸汽参数,且R² 均大于98%,为预测时延性的联合循环 余热锅炉主蒸汽参数提供了技术支持。     

基于PCA-SSA-LSTM的余热锅炉状态监测模型

为了实现对余热锅炉的状态监测,保证余热锅炉的健康运行,使用余热锅炉健康运行时的数据并结合主成分分析（PCA）、麻雀搜索算法（SSA）、长短期记忆网络（LSTM）3种方法建立余热锅炉三压力级主蒸汽温度和压力预测模型。使用PCA将模型输入参数从22维降到9维,并以再热蒸汽温度预测模型为例进行分析,发现经PCA降维的模型与未经PCA降维的模型相比缩减了11.3%的超参数寻优时间。使用SSA对LSTM超参数寻优之后分别建立6个主蒸汽温度、压力预测模型,与未使用SSA的模型相比,这些模型的决定系数有了显著的提升,平均绝对误差与均方根误差有了显著的下降。因此基于PCA-SSALSTM的余热锅炉状态监测模型训练时间短,预测精度高,同时该模型给燃气轮机联合循环电厂余热锅炉的故障监测与诊断提供了理论依据和技术支持。     

超临界660 MW褐煤锅炉深度调峰负荷水动力特性研究

为了实现“双碳”目标,对电站锅炉燃烧系统进行改造升级势在必行。首先利用精英反向学习策略、动态惯性权重和自适应t分布变异对麻雀搜索算法（SSA）的种群初始化和位置更新进行改进,获得一种新的改进麻雀搜索算法（ISSA）。然后通过ISSA优化核极限学习机（KELM）的正则化系数和核函数参数,建立ISAA-KELM锅炉燃烧特性预测模型。采用该预测模型对某超超临界660 MW机组实际运行数据进行预测,预测结果得到锅炉NOx排放质量浓度和锅炉热效率的平均绝对误差率分别为1.441 7%和0.023 9%,预测效果较好。最后,根据该模型预测结果,利用ISSA对2种典型工况锅炉运行可调参数进行寻优,优化后低负荷工况锅炉NOx排放质量浓度降低约91.73 mg/m3,热效率提高0.54%,高负荷工况锅炉NOx排放质量浓度降低约45.96 mg/m3,热效率提高0.50%。     

辐射能作为热量信号的过热蒸汽温度控制

传统的锅炉过热蒸汽温度控制系统通过检测过热蒸汽温度及其变化趋势来调节减温水量．从而维持过热蒸汽温度在允许的范围之内。由于过热蒸汽温度在减温水量扰动下延迟较大,这种特性使过热蒸汽温度的控制滞后,控制效果不理想。鉴于锅炉总辐射能信号充分体现了锅炉内燃烧工况的变化,能提前反映烟道进口烟温变化趋势,为此,在过热蒸汽温度控制系统中引入了锅炉总辐射能信号,通过检测烟气温度及其变化趋势来提前调节减温水量,从而改善主蒸汽温度调节的品质。经在广东省沙角A电厂5号机组（300MW）上进行了定负荷与变负荷工况下的调节试验,调节效果理想。     

基于TSNE-BiGRU模型短期电力负荷预测

短期电力负荷预测是电力系统合理调度与安全稳定运行的基础。为提高电力负荷预测精度,提出一种基于t分布邻域嵌入(t-SNE)算法和双向门控循环单元(Bi-GRU)网络的短期电力负荷预测方法。该方法首先通过多标签处理将电力负荷时序数据转换成高维时间戳数据,进而在维持数据信息完整性的前提下通过t-SNE算法对其降维,并结合实时电价数据,基于Bi-GRU网络学习时间戳数据、实时电价数据及实时负荷数据之间的非线性特性,最后经全连接输出层聚合相关信息给出预测结果。基于新加坡地区电力基准数据集进行试验,对比分析所建模型TSNE-BiGRU与基准模型Bi-GRU及GRU的预测性能。试验结果表明所建模型TSNE-BiGRU具有良好的鲁棒性,能有效提高短期电力负荷的预测精度。其平均百分比误差值为0.49%,相较Bi-GRU与GRU,分别降低了23.44%与32.88%;其平均绝对误差值为30.58,相较两基准模型分别降低了22.19%与32.84%;其均方根误差值为39.40,相较两基准模型分别降低了17.16%与27.88%。     

基于ARMA模型的燃煤机组主蒸汽压力控制策略

燃煤机组的锅炉侧参数普遍具有大延迟、大惯性的特性,影响主蒸汽压力的控制品质。为此,本文将主蒸汽压力信号的ARMA时序预测应用于主蒸汽压力控制,将主蒸汽压力实测值及其设定值作为锅炉主控PID输入,经计算输出机炉协调方式锅炉主控指令,用以调节机组燃料量,控制策略将主蒸汽压力实测值引入ARMA预测模型,通过当前目标负荷及变负荷速率共同确定适用模型参数。将该控制策略用于APROS仿真平台及实际600 MW燃煤机组锅炉主控中,仿真结果表明该控制策略在一定程度上缓解了控制调节大延迟大惯性的影响,实际运行结果表明主蒸汽压力的控制品质有所提升。     

基于RF-GBDT的燃煤锅炉NO_x排放预测

针对某超超临界660 MW机组锅炉,建立了基于随机森林(RF)和梯度提升决策树(GBDT)算法的氮氧化物(NO_x)排放预测模型。从电厂SIS系统筛选得到历史运行数据中的稳态工况点,利用RF模型对数据特征进行筛选,并以选中特征作为输入变量建立基于GBDT的NO_x排放预测模型。与支持向量机(SVM)、RF等模型的对比表明基于RF的特征选择能提升模型性能;较于其他模型,RF-GBDT具有最高的NO_x排放预测精度。