智能混合模型预测控制方法及其应用

对锅炉的汽温对象特性进行了分析,针对锅炉运行中负荷大幅度变化、炉膛吹灰或启停磨煤机等大扰动工况下的汽温控制问题,提出了基于智能混合模型预测控制的方法,采用逻辑和模型预测控制相结合的策略来维持主蒸汽和再热蒸汽温度在额定值附近.将该方法成功应用于1台600 MW机组,运行结果表明:在大扰动工况下,采用智能混合模型预测控制的策略,可明显改善汽温控制品质,减少机组超温次数.     

过热汽温的非线性广义预测控制与优化

针对锅炉过热汽温被控对象大惯性、时变性和非线性等特点,提出了一种基于神经网络前馈补偿的在线自适应非线性预测控制算法.采用高阶惯性环节加神经网络补偿的混合非线性模型作为预测模型代替传统的可控自回归积分滑动平均(CARIMA)模型,并在此基础上推导出非线性广义预测控制(GPC)算法的控制规律,通过仿真实验得到典型工况下的最佳预估长度和控制长度,拟合出其与锅炉负荷的非线性关系.结果表明:该控制算法对于某些非线性被控对象具有良好的跟踪品质;在锅炉降负荷实验中,能有效克服对象参数和结构的时变,具有一定工程实用价值.     

基于可变遗忘因子的SCR烟气脱硝建模与自适应预测控制研究

针对选择性催化还原(SCR)烟气脱硝系统具有非线性、大惯性、大延迟和多干扰的特点,提出将自适应广义预测控制器(GPC)应用于SCR烟气脱硝控制系统。使用可变遗忘因子的递推最小二乘法(VFFRLS),根据从历史运行数据中获取的有效动态过程信息辨识得到脱硝系统控制对象不同工况区间的过程模型,并在此基础上进一步研究了基于GPC算法与VFFRLS在线辨识算法的自适应GPC在脱硝系统中的应用效果。仿真对比、扰动测试及变工况实验表明,相比于普通GPC与串级PID控制,带有VFFRLS辨识模块的自适应GPC调节速度更快、鲁棒性更强,具有良好的抗干扰能力和适应能力。     

CFB锅炉主蒸汽压力系统的灰色预测控制

循环流化床（CFB）锅炉主蒸汽压力系统是一种大滞后系统,采用传统控制方法其效果并不理想。为此,将灰色预测及单神经元控制思想用于CFB锅炉主蒸汽压力控制系统,利用神经网络对系统的滞后时间进行辨识,并在此基础上采用AR拟合残差的变步长灰色预测方法对蒸汽压力系统的行为进行预测,同时结合单神经元控制器克服辨识误差、预测误差、系统干扰等不确定因素带来的影响,从而提高系统的自适应性。仿真结果表明,系统运行平稳,受不确定因素的影响较小,对CFB锅炉主蒸汽压力系统具有良好的控制效果。     

基于多模型的循环流化床锅炉床温预测控制

针对循环流化床锅炉床温的强非线性特性,提出了一种改进的基于多模型的预测控制策略.将多模型控制策略和广义预测控制相结合,采用几个典型工况点的模型来逼近整个运行区间的动态特性,从而取代在线辨识来校正模型.通过跟踪实际工况的变化来对各个子控制器进行加权以获得合适的控制增量,并对广义预测控制的性能指标进行了修改,以消除调节后期的振荡.典型工况点的模型可由离线辨识得到,参数恒定,使得丢潘图方程和控制规律式的求解可以离线进行,降低了在线计算量.将该算法用于某电厂440 t/h循环流化床锅炉的床温控制系统仿真,结果表明:该算法能够很好地克服被控对象的非线性,在负荷大范围变动时仍然可以取得良好的控制效果.     

锅炉燃烧系统的自适应预测函数控制

针对目前电厂锅炉燃烧系统的大滞后、强耦合及变工况等突出问题,提出了一种基于卡尔曼(CARMA)模型的自适应预测函数控制方法,通过实时辨识过程模型的参数,不断去修正预测函数控制器的参数.利用该方法对某电厂锅炉燃烧系统进行了仿真,结果表明:自适应预测函数控制方法对于多输入、多输出过程具有较好的控制效果,是一种计算简单、鲁棒性较强、控制精度高的控制方法.     

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。     

燃煤机组深度调峰运行下SCR入口烟温预测方法研究

提出一种基于模糊聚美-最小二乘向量机-神经网络(FCM-LSSVM-ANN)的多模型融合方法,对全工况下选择性催化还原(SCR)入口温度进行提前预测。采用模糊聚类对不同工况下的锅炉系统运行数据进行分解,并建立若干个基于最小二乘支持向量机的预测模型,最后采用神经网络对预测结果进行非线性融合得到最终预测结果。多模型融合的方法可以对锅炉系统全工况的运行特性进行学习,能更准确地完成负荷大范围波动条件下SCR入口温度预测。同时本文采用某600 MW机组实际运行数据对所提方法进行对比验证,结果表明本文方法能够实现该机组30%～100%负荷范围SCR入口温度的准确预测,平均预测偏差控制在±4℃以内,相对误差大多数情况下小于1%。本模型可以为燃煤机组深度调峰下脱销系统入口温度进行提前预警。     

水轮发电机组改进型非线性广义预测控制器设计

为提高水轮发电机组调速器的鲁棒性和稳定性,设计了一种基于瞬时线性化模型的水轮发电机组改进型非线性广义预测控制器(JNGPC)。为了使初始状态的建模误差最小,依据机组历史运行数据,采用遗忘因子递推增广最小二乘法辨识控制系统的初始参数。在此基础上,引入一种改进广义预测控制算法,并对控制系统在每个采样时刻进行瞬时线性化,设计了一种基于控制系统CARIMA模型瞬时线性化的改进的非线性广义预测控制器。以我国某水电站为试验对象,对水轮发电机组调节系统不同水头下开机启动进行仿真试验,并与PID、FOPID、GPC控制器进行比较。结果表明,与PID、FOPID控制器相比,所设计的JNGPC能有效抑制开机启动工况下的转速振荡,具有更强的鲁棒性和稳定性;与GPC控制器相比,JNGPC具有更高的计算效率,更符合工业现场实时性要求。     

蒸汽锅炉汽包虚假液位及防止

为保证大型锅炉的稳定运行，应根据工况条件，设计很多调节系统进行自动控制。在调节控制系统中主要有：主蒸汽压力调节，锅炉水位自动调节，炉膛负压，主蒸汽温度，烟中氧等控制。在这些调节系统中，锅炉汽包水位调节是必不可少的，汽包水位是锅炉正常运行的主要指标之一。     

改进的监督预测控制算法在IGCC中的应用

针对监督预测控制在线计算的复杂性,引入阶梯式控制策略,降低了在线计算量,减少了计算时间,提高了算法的快速性。在阶梯式监督预测控制的基础上进行改进,在目标函数中引入单步预测输出差值来抑制输出超调。以IGCC气化炉温度控制为对象进行仿真,仿真结果表明:本算法具有良好的可行性和控制效果,满足了系统调节的快速性、稳定性、准确性及抗干扰性的要求。     

IGCC气化炉温度的预测控制

IGCC气化炉中的温度控制是保证气化炉正常运行的重要条件。文中对Shell气化炉,设计了广义预测控制器（GPC）对气化炉温度进行控制,并与传统的PID控制策略进行了比较。仿真结果表明GPC控制器具有良好的设定值跟踪能力和抗干扰能力。     

循环流化床锅炉的模型预测控制

利用系统辨识技术建立锅炉的预测模型,对模型预测控制算法在多变量系统中的应用进行了讨论,用于控制循环流化床的蒸汽压力、蒸汽温度和炉床温度.在MATLAB/SIMULINK环境下对模型预测控制系统进行了仿真.研究结果表明,利用系统辨识技术建立的系统模型结构简单,可以在有限时域内实现系统输出的精确预测,适合在线控制应用;模型预测控制算法适用于循环流化床锅炉的控制,其仿真控制结果明显优于经典控制系统.     

Neuro-Fuzzy Generalized Predictive Control of Boiler Steam Temperature

Reliable control of superheated steam temperature is necessary to ensure high efficiency and high load-following capability in the operation of modern power plant. This is often difficult to achieve using conventional PI controllers, as power plants are nonlinear and contain many uncertainties. A nonlinear generalized predictive controller based on neuro-fuzzy network (NFGPC) is proposed in this paper, which consists of local GPCs designed using the local linear models of the neuro-fuzzy network that models the plant. The proposed nonlinear controller is applied to control the superheated steam temperature of a 200-MW power plant. From the experiments on the plant and the simulation of the plant, much better performance than the traditional cascade PI controller or the linear GPC is obtained     

基于神经网络预测控制的单元机组协调控制策略

利用BP神经网络的非线性映射能力对单元机组协调控制系统被控对象进行辨识,从而建立其动态模型;在这一模型的基础上对协调控制系统中的控制器参数优化进行研究,提出基于神经网络预测控制的协调控制策略.该方法很好地解决了协调控制系统中强耦合、非线性等问题.仿真实验表明该系统的跟踪速度加快、调节精度提高、并且具有较好的抗干扰性.图6参7     

基于模型预测控制的分布式光伏集群协调优化控制

分布式光伏发电的高密度接入给配电网原有的经济、稳定运行带来了不小的挑战。为了减少分布式光伏发电接入配电网造成的网络损耗,提高光伏发电的经济性,首先分析和归纳了分布式光伏集群的概念和特点;然后针对配电网内的分布式电源、柔性负荷、无功功率调节设备等装置在时间尺度、控制功能方面的调节特性,提出了一种含分布式光伏集群的协调优化调度方法。该方法以模型预测控制为基础,动态滚动协调光伏集群未来一段时间内的有功出力和无功出力,起到减小网络损耗和优化系统电压的作用。采用PG & E 69节点系统在MATLAB数学软件下进行建模仿真分析,结果证明了所提优化控制方法的可行性和有效性。     

预测控制技术在600MW机组汽温自动控制中的应用

针对淮南平圩发电公司#1锅炉过、再热器纯滞后和惯性大的特点,采用多变量预测控制技术对过、再热汽温进行自动控制,应用结果表明：基于预测控制技术的新型汽温控制系统有效地改善了过、再热汽温的控制品质。     

基于改进的RAN网络的预测控制及其应用

提出一种基于改进的RAN网络的非线性预测控制方法。这种方法利用多输入多输出的、改进的RAN网络建立对象的多步预测模型,采用简化牛顿迭代法作为优化算法来求取预测控制量。以电厂过热汽温为对象进行了仿真研究。结果表明:采用该方法的神经网络预测模型精度高、泛化能力强,控制性能良好。图5参9     

Anticipatory Control of Wind Turbines With Data-Driven Predictive Models

The concept of anticipatory control applied to wind turbines is presented. Anticipatory control is based on the model predictive control (MPC) approach. Unlike the MPC method, noncontrollable variables (such as wind speed) are directly considered in the dynamic equations presented in the paper to predict response variables, e.g., rotor speed and turbine power output. To determine future states of the power drive with the dynamic equations, a time series model was built for wind speed. The time series model was fused with the dynamic equations to predict the response variables over a certain prediction horizon. Based on these predictions, an optimization model was solved to find the optimal control settings to improve the power output without incurring large rotor speed changes. As both the dynamic equations and time series model were built by data mining algorithms, no gradient information is available. A modified evolutionary strategy algorithm was used to solve a nonlinear constrained optimization problem. The proposed approach has been tested on the data collected from a 1.5 MW wind turbine.      

MIMO Generalized Predictive Control for a Hydroelectric Power Station

In this paper, the approach of generalized predictive control (GPC) is applied to a multivariable model of the Dinorwig pumped-storage hydroelectric power station. The response of the system with constrained predictive control is compared with the classic PI controller as currently implemented. The results show that GPC offers significantly better performance across the plant's operating range. It is shown that fixed-parameter, constrained GPC produces a faster primary response when the station is operating with a single unit while preserving stability as the operating conditions change when multiple units are online