非自衡系统和不稳定系统的预测函数控制

针对非自衡系统和开环不稳定系统，结合预测函数控制、串级调节和PID控制三者的优点，提出了一种PFC-PID控制策略：内回路采用PID控制使对象稳定且快速消除内扰，外回路采用FPC控制，PFC的强鲁棒性保证了在对象特性变化的情况下仍然获得良好的调节品质。仿真结果显示了该控制策略的有效性。     

基于α阶逆神经网络解耦的循环流化床锅炉燃烧-汽水系统PSO-PID控制

提出了利用α阶逆系统解耦原理构造神经网络α阶逆系统,并对循环流化床(CFB)锅炉的床温定值扰动和主蒸汽压力的定值扰动进行了仿真.结果表明:利用神经网络构造的α阶积分逆系统有效解决了CFB锅炉的燃烧一汽水系统的解耦问题,神经网络逼近非线性函数,积分微分环节表征动态特性,分工明确,结构简单,所需原系统先验知识少,具有工程应用价值.     

基于神经模糊系统的热工过程建模及预测

热工对象内部过程的物理性能比较复杂,其往往表现出非线性、严重时变、大迟延和不确定等特点,这就使得难以对其建立比较精确的模型。该文以自适应神经模糊推理系统(ANFIS)作为辨识器建立热工过程模型,用ANFIS分别建立锅炉-汽轮机的非线性模型、不同负荷工况点的线性模型,并根据现场采集的锅炉-汽轮机系统数据建立了ANFIS模型。对以上三个系统的建模仿真结果表明基于ANFIS建立的模型具有较高的模型精度和较好的预测能力,ANFIS可用于非线性系统、复杂系统的建模和预测,并具有较少的训练次数和较小的预测误差。     

一种新型的动态矩阵控制算法及仿真研究

动态矩阵控制(DMC)中顺序开环控制增量的计算涉及到矩阵的求逆运算,计算量很大,不利于微处理机的在线应用。为减少运算量,使微机编程实现方便,并保持系统优良的控制性能和较强的鲁棒性,在深入理解动态矩阵控制算法的基础上引入了控制增量的期望衰减因子,以期望控制增量在控制时域长度内逐步接近于零。这一思想使得矩阵求逆运算成为数的求逆(倒数)运算,运算量大为减少,运算速度大大提高。基于这一思想提出两种设计方案,并通过计算机仿真研究,证实了算法的有效性。     

基于内模原理的PID控制器参数整定

基于内模控制原理,针对一大类开环稳定的最小和非最小相位系统,给出了一种PID控制器的参数整定新方法,推广了已有的结果。新的整定方法分别应用于电厂煤粉炉主汽温串级控制系统、流化床锅炉床温控制系统和床压控制系统的仿真研究,与Zieger-Nichos法和Cohen-Coon法的对比结果均表明:所整定的PID控制系统具有更好的调节品质,在系统特性变化的情况下具有更强的鲁棒性和抗干扰能力。     

锅炉汽包水位系统的预测函数控制

在给出具有可测干扰系统的预测函数控制(PFC)算法的基础上,结合预测函数控制、串级调节的优点,提出了锅炉汽包水位控制系统的PFC—PID透明控制策略:内回路采用PID控制快速消除给水流量的扰动,外回路采用带前馈补偿的PFC控制,可有效地克服汽包水位系统的另一主要扰动——蒸汽流量的扰动,同时PFC的强鲁棒性保证了在对象特性变化的情况下系统仍然具有良好的调节品质。计算机仿真结果显示了该控制策略的有效性和实用性。     

锅炉-汽轮机系统的分数阶控制器设计

将分数阶微积分用于系统控制已引起控制学界的广泛关注。分数阶PIλDμ.控制是传统PID控制的推广与发展,积分阶次λ和微分阶次μ的引入使得分数阶控制器具有更灵活的结构和更强的鲁棒性。分数阶PIλDμ控制器对对象参数变化不敏感,对非线性有很强的抑制能力。将分数阶控制器用于多变量非线性控制系统的设计,针对输入受限和不确定性的非线性MIMO锅炉-汽轮机系统设计分数阶PIλDμ控制器,控制器参数整定采用粒子群优化算法。仿真结果表明,获得的分数阶PIλDμ控制器在大范围负荷变化及存在参数、结构不确定性时均能取得满意的控制效果,显示良好的适应性及鲁棒性,与传统PID控制器相比具有明显优势。     

热工过程建模方法的研究及其应用

介绍了ＣＴＥＳ－１控制技术实验系统中有关系统建模方面的内容。在该系统中包括有两种建模方法：阶跃响应法和相关分析辨识法。传统的阶跃响应法具有简便、直观、建模速度快等优点，当机组运行条件允许进行阶跃实验时，这种方法有很大的实用价值。相关分析辨识法克服随机干扰能力较强，对运行过程的干扰小，能得到较精确的数学模型。     

热工过程控制系统参数优化方法的研究

以大量的仿真实验及理论分析为基础,对寻优时目标函数的选取及寻优策略进行了详细的研究。指出了误差型目标函数和直接指定衰减率为目标函数时的局限性,以及单纯形法用于热工系统调节器参数优化时的固有局限,并在实践的基础上提出了专家系统应用于热工系统参数优化中的可能性及实用性。     

基于大数据驱动案例匹配的电站锅炉燃烧优化*

电站锅炉燃烧是一个复杂的多相反应过程。针对基于计算智能的燃烧优化算法复杂度高、难以进行实时在线优化的问题,同时考虑提高锅炉效率与降低污染物排放的双重要求,提出了基于数据驱动案例匹配的电站锅炉燃烧优化方法。依托电厂的SIS大数据库,利用数据挖掘技术进行深层次的分析,离线建立燃烧案例库。在线优化时,基于机组DCS中的实时运行数据进行当前工况计算,基于案例库进行案例工况匹配,进而得到适于当前工况运行的最优参数值。对某机组的优化计算结果表明,基于数据驱动案例匹配的锅炉燃烧优化系统算法复杂度低、稳定性高,是一种相对简单、有效而实用的电站锅炉燃烧优化方法。