一种循环流化床锅炉燃烧自适应控制系统及方法
专利汇可以提供一种循环流化床锅炉燃烧自适应控制系统及方法专利检索，专利查询，专利分析的服务。并且一种循环 流化床 锅炉 燃烧自适应控制系统及方法，控制系统包括自校正 控制器 和RBF神经网络模型估计器；所述RBF神经网络模型估计器执行模型估计；自校正控制器对RBF神经网络给定的模型控制特性参数进行整定、控制，解耦补偿，输出控制量向量，控制方法包括：设定给定量向量，采集控制量向量；采集作为输出量向量；将控制量向量以及输出量向量作为输入，作用于RBF神经网络模型估计器，进行模型估计，输出模型控制特性参数给自校正控制器；将给定量向量以及输出量向量作为反馈，及控制增益矩阵输入自校正控制器，自校正控制器完成参数整定、解耦补偿，完成循环流化床锅炉燃烧系统的自适应控制。本 发明 控制安全，运行稳定。，下面是一种循环流化床锅炉燃烧自适应控制系统及方法专利的具体信息内容。
1.一种循环流化床锅炉燃烧自适应控制系统，其特征在于：它包括自校正控制器和RBF神经网络模型估计器；
所述RBF神经网络模型估计器用于对作为控制量向量的给煤量、一次风量和二次风量，以及作为输出量向量的主蒸汽压力、炉床温度和烟气氧量作为输入量进行模型估计，估计模型控制特性参数；利用所述模型控制参数计算得到CFB锅炉燃烧系统的控制增益矩阵；
所述自校正控制器用于对作为给定量向量的主蒸汽压力给定量、炉床温度给定量、烟气氧量给定量，以及作为输出量向量的主蒸汽压力、炉床温度和烟气氧量和所述控制增益矩阵作为输入量，经参数整定、控制、解耦补偿，计算输出控制量向量给CFB锅炉燃烧系统。
2.根据权利要求1所述一种循环流化床锅炉燃烧自适应控制系统，其特征在于：RBF神经网络是具有单隐含层的三层前馈网络，所述RBF神经网络模型估计器由输入层、隐含层和输出层组成。
3.根据权利要求1或2所述一种循环流化床锅炉燃烧自适应控制系统，其特征在于：所述自校正控制器包括PID控制器和解耦补偿器；
PID控制器将整定的参数、作为设定量向量的主蒸汽压力、炉床温度和烟气氧量，及作为输出量向量的主蒸汽压力、炉床温度和烟气氧量作为输入量，执行控制，输出未进行解耦补偿的PID控制器输出量，PID控制器输出端连接解耦补偿器的输入端，解耦补偿器对控制增益矩阵进行特征向量空间分解，实现控制解耦，并对所述PID控制器输出量补偿，输出解耦补偿后的控制量向量。
4.一种循环流化床锅炉燃烧自适应控制方法，其特征在于：它包括：
一、设定作为给定量向量R的主蒸汽压力、炉床温度和烟气氧量；采集作为控制量向量的给煤量、一次风量和二次风量；采集作为输出量向量的主蒸汽压力、炉床温度和烟气氧量；
二、将作为控制量向量的给煤量、一次风量和二次风量，以及作为输出量向量的主蒸汽压力、炉床温度和烟气氧量作为输入量，作用于RBF神经网络模型估计器，进行模型估计，计算输出模型控制特性参数，并将由模型控制特性参数计算得到控制增益矩阵输入给自校正控制器；
三、将给定量向量的主蒸汽压力、炉床温度、烟气氧量，输出量向量的主蒸汽压力、炉床温度和烟气氧量作为反馈，以及所述控制增益矩阵输入自校正控制器，完成参数整定控制和解耦补偿，并输出控制量向量给CFB锅炉燃烧系统，如此反复，实现循环流化床锅炉燃烧系统的自适应控制。
5.根据权利要求4所述一种循环流化床锅炉燃烧自适应控制方法，其特征在于：由模型控制特性参数确定的控制增益矩阵为：
控制增益矩阵的特征向量构成特征空间矩阵V满足：
Jac·V＝Λ·V
其中，
自校正控制器根据控制增益矩阵进行特征向量空间分解，解耦补偿，实现控制解耦，输出控制量向量U：
U＝VT·Ud
完成循环流化床燃烧系统自适应控制。
6.根据权利要求4或5所述一种循环流化床锅炉燃烧自适应控制方法，其特征在于：所述RBF神经网络模型估计及控制增益矩阵算法为：
6.1确定RBF模型估计目标：
所使用的RBF神经网络估计器由输入层、隐含层和输出层组成；
输入层输入向量：
X＝[x1,x2,x3,x4,x5,x6]T＝[u1,u2,u3,y1,y2,y3]T
其中u1,u2,u3分别表示作为控制量向量U的给煤量、一次风量、二次风量；y1,y2,y3分别表示作为输出量向量Y的主蒸汽压力、炉床温度和烟气氧量；网络优化参数包括：径向基函数基宽B、中心位置C和权重W；
输出层输出向量：
Yp＝[yp1,yp2,yp3]T
其中，yp1，yp2，yp3分别表示输出的主蒸汽压力预测值，炉床温度预测值和烟气氧量预测值；
隐含层激活向量：
H＝[h1,h2,h3,h4,h5,h6,h7]T
其中神经元激活函数，采用高斯基函数：
其中，bj为隐含层第j个神经元径向基函数基宽；
隐含层第j个神经元径向基函数中心点中心向量：
Cj＝[cj1,cj2,cj3,cj4,cj5,cj6]T，j＝1,2,...,7
径向基函数基宽向量：
B＝[b1,b2,b3,b4,b5,b6,b7]T
隐含层与输出层权重矩阵：
输出层输出向量：
Yp＝W·H
估计模型误差为：
E(t)＝Y(t)-Yp(t)
E＝Y-W·H
RBF模型估计目标为：
即极小化估计输出与真实输出间的误差，作为RBF神经网络模型估计完成的条件；
6.2满足RBF模型估计目标的参数更新算法：
优化目标矩阵形式：
由6.1整理得到：
权重W更新算法：
估计参数学习速率：
η∈[0,1]
估计参数惯性阻尼系数：
α∈[0,1]
径向基函数基宽B更新算法：
其中，
中心位置C更新算法：
RBF神经网络参数更新公式：
其中，j＝1,2,...,7
采用上述模型估计进行参数更新算法，进行预测输出、计算预测误差，实现更新调整神经网络参数；
6.3基于RBF神经网络参数，确定估计模型
估计模型
其中，k＝1,2,3，i＝1,2,3；
得到控制对象的控制增益矩阵：
完成CFB燃烧系统控制特性估计。
7.根据权利要求6所述一种循环流化床锅炉燃烧自适应控制方法，其特征在于：输出控制量向量U的过程是由PID控制器和解耦补偿器完成，具体为：
给定量向量：
T
R＝[r1,r2,r3]
输出量向量：
Y＝[y1,y2,y3]T
控制误差：
Ec＝(R-Y)
eck(t)＝rk(t)-yk(t)，k＝1,2,3
采用增量式PID控制器：
ΔUd＝[Δu1,Δu2,Δu3]T
Δuk＝kpk(eck(t)-eck(t-1))+kik(eck(t))+kdk(eck(t)-2eck(t-1)+eck(t-2))定义
xck1(t)＝eck(t)-eck(t-1)
xck2(t)＝eck(t)
xck3(t)＝eck(t)-2*eck(t-1)+eck(t-2)
则
Δuk＝kpk*xck1(t)+kik*xck2(t)+kdk*xck3(t)
PID控制器参数矩阵
令
Pk＝[kpk,kik,kdk]
Dk＝[xck1,xck2,xck3]T
则
ΔUdk＝Pk·Dk
Udk(t)＝Udk(t-1)+ΔUdk
解耦补偿得到
U＝VT·Ud
完成对PID控制器的控制量进行解耦补偿，实现控制解耦，获得自适应控制器的控制量向量U；
所述解耦补偿器由控制增益矩阵Jac的特征向量构成的特征空间矩阵V转置构成，其中Jac·V＝Λ·V。
8.根据权利要求7所述一种循环流化床锅炉燃烧自适应控制方法，其特征在于：PID控制器的参数整定过程为：
控制误差 Ec＝(R-Y)
闭环控制误差优化目标：
即极小化闭环控制误差均方值；
PID闭环控制参数更新算法：
其中闭环优化目标对输出变化量：
控制对象的控制增益矩阵：
由控制量解耦补偿可得：
控制量对控制参数变化量：
整理可得：
控制参数更新算法：
Pk(t)＝Pk(t-1)+ηc·Eck·Λk·Vk·DkT+αc(Pk(t-1)-Pk(t-2))
控制参数学习速率：
ηc∈[0,1]
控制参数惯性阻尼系数：
αc∈[0,1]
采用上述控制参数更新算法，实现PID控制器参数的自动调整，完成对CFB锅炉燃烧系统的自适应控制。
9.根据权利要求4、5、7或8所述一种循环流化床锅炉燃烧自适应控制方法，其特征在于：对CFB锅炉燃烧系统模型估计还结合RBF神经网络离线训练和在线滚动优化方式来完成。
一种循环流化床锅炉燃烧自适应控制系统及方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 | 2020-05-12 | 886 |
| 基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法 | 2020-05-13 | 679 |
| 一种基于信息处理的短期风速预测方法及系统 | 2020-05-13 | 577 |
| 一种可穿戴式心电监测设备 | 2020-05-13 | 771 |
| 用于操作三维动画角色的方法和装置 | 2020-05-11 | 993 |
| 一种混合动力汽车能量管理方法及系统 | 2020-05-13 | 907 |
| 一种循环流化床锅炉燃烧自适应控制系统及方法 | 2020-05-15 | 682 |
| 新能源车辆智能网络控制方法及其系统 | 2020-05-11 | 973 |
| 二维光电视频与三维场景融合方法 | 2020-05-13 | 913 |
| 基于MKPCA-RBFNN的短期电力负荷预测方法 | 2020-05-14 | 930 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
