單元機組協(xié)調(diào)控制系統(tǒng)研究進展

劉保瑞，安惠欣，崔銳，陳立軍

(1.東北電力大學自動化工程學院吉林，吉林132012;2.中國航天空氣動力研究院，北京100074)

火電單元機組是具有強耦合、非線性、大慣性、參數(shù)時變和不確定因素的典型復雜熱工系統(tǒng)。單元機組協(xié)調(diào)控制系統(tǒng)把動態(tài)特性存在很大差異的鍋爐和汽輪機作為一個整體進行綜合控制，使其同時按照電網(wǎng)負荷需求指令和內(nèi)部主要運行參數(shù)的偏差要求協(xié)調(diào)運行。目前大多數(shù)電廠采用的是基于PID控制算法結(jié)合前饋補償、串級控制等策略的CCS常規(guī)控制方案，但是無法保證長期穩(wěn)定投入運行。遇到復雜的工況時，需要人工操作和監(jiān)督控制，導致機組的運行參數(shù)嚴重偏離經(jīng)濟指標，造成大量的能源浪費，增加了設備損耗。隨著控制理論的飛速發(fā)展，人們對機組控制對象和控制策略進行了更加深入廣泛的研究，并提出了很多改進方法和新的控制策略。

本文對單元機組協(xié)調(diào)控制系統(tǒng)的模型和控制策略進行了總結(jié)，對其發(fā)展現(xiàn)狀和前景進行了分析，為進一步研究單元機組協(xié)調(diào)控制系統(tǒng)提供參考。

1 單元機組被控對象的數(shù)學模型

單元機組被控對象的數(shù)學模型是單元機組協(xié)調(diào)控制系統(tǒng)設計的基礎(chǔ)，研究單元機組協(xié)調(diào)控制系統(tǒng)，首先就要找到一種合適的數(shù)學模型作為研究對象，它必須是正確的反映出單元機組中各子系統(tǒng)動態(tài)特性和耦合關(guān)系，同時要求結(jié)構(gòu)相對簡單和公認可行的。以下是幾種比較典型的協(xié)調(diào)控制系統(tǒng)模型，在理論研究和實際工作中被廣泛的引用。

1.1 機理/實驗建立的數(shù)學模型

Bell和Astrom于20世紀80年代給出了一個低階非線性數(shù)學模型，該模型建立是基于P16/G16汽包式燃油機組的協(xié)調(diào)控制對象，并且得到了實際驗證。該建模方法對現(xiàn)有的大型機組建模具有一定的參考價值。到了20世紀90年代初，De Mello提出了一種為大型單元機組協(xié)調(diào)控制研究使用的非線性數(shù)學模型，該模型從物質(zhì)平衡和能量平衡的視角出發(fā)，對其在鍋爐汽輪機中流動轉(zhuǎn)化的過程做了詳細的描述。并且可以對其他相似結(jié)構(gòu)的單元機組具有指導意義，因此目前國內(nèi)大多數(shù)單元機組協(xié)調(diào)控制研究都把該模型當成基礎(chǔ)。Cheres模型是一種適合動態(tài)特性研究的非線性模型，通過對不同型號的機組上應用證明了該模型具有良好的辨識效果和優(yōu)良的適應性。

1.2 智能方法建立的數(shù)學模型

隨著人工智能的發(fā)展，越來越多的學者和工程人員開始把目光轉(zhuǎn)移到智能算法方面，通過對單元機組協(xié)調(diào)控制系統(tǒng)各項特性進行分析，結(jié)合現(xiàn)場數(shù)據(jù)辨識出單元機組協(xié)調(diào)控制系統(tǒng)模型，比如模糊建模和神經(jīng)網(wǎng)絡建模等智能算法的研究已經(jīng)取得了很大的成效。模糊建模法是通過已知的輸入輸出測量數(shù)據(jù)構(gòu)建模糊模型的方法及算法。Takagi和Sugeno于1985年提出的Takagi-Sugeno模糊模型在控制領(lǐng)域中被廣泛應用，目前基于T-S模糊模型的辨識算法已有大量的文獻對其進行了研究。人工神經(jīng)網(wǎng)絡建模法是以其特有的表達任意非線性映射能力進行非線性系統(tǒng)建模和辨識。許多經(jīng)典的控制方法如神經(jīng)網(wǎng)絡模型參考自適應控制、神經(jīng)網(wǎng)絡預測控制等已經(jīng)推廣到神經(jīng)網(wǎng)絡控制領(lǐng)域，這些控制網(wǎng)絡的模型可以由神經(jīng)網(wǎng)絡模型充當。

2 單元機組協(xié)調(diào)控制系統(tǒng)控制策略

上世紀70年代，國外的大型單元機組突破了傳統(tǒng)的爐跟機或機跟爐模式，開始采用協(xié)調(diào)控制系統(tǒng)。到80年代末，協(xié)調(diào)控制系統(tǒng)基本上得到了成熟的應用。而我國直到90年代初期才在少量進口機組上應用協(xié)調(diào)控制系統(tǒng)。隨著DCS的引進應用及國產(chǎn)DCS的研制開發(fā)，90年代末期，在我國200 MW以上機組已得到大范圍地應用，大大提高了火電機組的自動化水平和生產(chǎn)管理水平。進入了21世紀，協(xié)調(diào)控制系統(tǒng)又得到了進一步的發(fā)展，突破了經(jīng)典PID算法，引入了先進控制理論和智能控制理論的內(nèi)容。本文按照控制理論在單元機組協(xié)調(diào)控制系統(tǒng)中的發(fā)展應用將其劃分為:基于線性系統(tǒng)理論、基于非線性系統(tǒng)理論和基于智能化方法等三方面的研究。

2.1 基于線性系統(tǒng)理論的研究

三個方面的研究中，以線性系統(tǒng)理論為基礎(chǔ)的研究相對更加成熟，應用也更加廣泛。比較具有代表性的研究方向是PID控制、多變量解耦、魯棒控制和預測控制等。

2.1.1 改進的PID控制

目前國內(nèi)大多數(shù)電廠實際使用的仍是結(jié)構(gòu)簡單，方便操作具有較強魯棒性的PID控制。固定參數(shù)型的PID參數(shù)主要依靠試湊和經(jīng)驗，很難適應具有大慣性，延遲和非線性等特征的控制對象，各種自整定方法和優(yōu)化設計技術(shù)便順應而生，將現(xiàn)代控制和智能控制相結(jié)合的混合控制方法對PID參數(shù)進行改進，性能得到不同程度的提升。文獻［1］采用分段與變參數(shù)等控制，大大提高了機組的升、降負荷速率和機組對外界負荷響應能力，有效抑制了主蒸汽壓力的超調(diào);吳國垣等［2］在對控制系統(tǒng)分析的基礎(chǔ)上，通過適當?shù)念A補償，提出一種分散PID整定方法，仿真結(jié)果表明對外部擾動有著很好的適應性和魯棒性;文獻［3］將遺傳算法運用于多變量PID控制其參數(shù)全局優(yōu)化，并對某300 MW機組的控制參數(shù)進行優(yōu)化，其控制品質(zhì)得到明顯提升;程啟明等［4］將多變量PID型神經(jīng)元網(wǎng)絡控制策略應用于單元機組負荷控制系統(tǒng)，并通過仿真證明其有良好的魯棒性與解耦性;王小蘭等［5］則利用模糊控制與免疫系統(tǒng)，提出一種模糊免疫自適應PID控制器，仿真結(jié)果表明其具有更小超調(diào)，更快的響應速率和更強的抗干擾。

2.1.2 多變量解耦控制

針對單元機組耦合性較強的特性，許多學者嘗試通過一些先進控制策略，將多輸入、多輸出系統(tǒng)解耦，使之成為多個單輸入單輸出系統(tǒng)。多變量解耦是先進控制理論中的傳統(tǒng)方法，并在工業(yè)領(lǐng)域得到廣泛的應用。鄭亞峰等［6］在機組原有的協(xié)調(diào)控制系統(tǒng)中增加多變量解耦控制器，進而設計出多變量協(xié)調(diào)控制系統(tǒng)，結(jié)果證明了多變量智能協(xié)調(diào)控制系統(tǒng)的有效性和實用性;陳彥橋等［7］首先建立協(xié)調(diào)控制系統(tǒng)的非線性模型，并在3個工況點下線性化，設計了多變量動態(tài)解耦控制器，然后用T-S模糊模型合成出模糊多模型全局控制系統(tǒng)，仿真研究結(jié)果證明了這種新型協(xié)調(diào)控制系統(tǒng)的有效性;文獻［8］結(jié)合自整定和自適應技術(shù)，提出了智能解耦的控制策略，并將其應用于300 MW機組仿真研究中，取得了很好的仿真效果。

2.1.3魯棒控制

為了保證控制系統(tǒng)在單元機組模型不確定性較大時仍能保持較好的控制性能，魯棒控制方法被應用到協(xié)調(diào)控制系統(tǒng)的設計中，它是一種力求把不同的工況點上協(xié)調(diào)控制系統(tǒng)的穩(wěn)定性盡可能提高的設計方法。通過大量實踐證明通過該方法得到的控制系統(tǒng)表現(xiàn)出了很好的調(diào)節(jié)能力。文獻［9］針對鍋爐—汽輪機模型進行魯棒控制器設計，并最終把設計出的多變量H∞控制器推導成可以用PID控制器實現(xiàn)的形式，增強了魯棒控制系統(tǒng)的實用性。席東民等［10］把廣義預測控制和魯棒控制相結(jié)合，提出一種魯棒廣義預測控制器的設計方法，將其應用于單元機組的協(xié)調(diào)控制系統(tǒng)，仿真結(jié)果證明了該算法的有效性。

2.1.4 預測控制

預測控制一般包括基于模型、滾動優(yōu)化和反饋校正三個部分。其最大優(yōu)勢在于能夠采用滾動優(yōu)化的策略，根據(jù)運行情況進行實時修正，其中廣義預測控制(GPC)常用于多變量系統(tǒng)的設計。GPC不要求對模型結(jié)構(gòu)有先驗的知識，不必通過復雜的辨識過程便可設計控制系統(tǒng)。通過反饋校正消除控制系統(tǒng)的穩(wěn)態(tài)偏差，從而增強了算法的適用性和魯棒性。王文蘭等對廣義預測控制進行了深入的研究，首先采用了廣義預測控制算法，將其應用于火電廠單元機組的協(xié)調(diào)控制系統(tǒng)進行仿真研究，仿真結(jié)果表明該算法是有效的，對被控對象的不確定性具有良好的適應性和魯棒性［11］;其后采用多變量解耦廣義預測控制策略為其設計了控制系統(tǒng)，仿真實驗結(jié)果表明控制效果明顯優(yōu)于普通廣義預測［12］;凌呼君等［13］則采用基于遺傳算法和RBF網(wǎng)絡結(jié)合的算法建模，并結(jié)合廣義預測控制策略，經(jīng)過在線滾動優(yōu)化和反饋校正，實現(xiàn)預測控制，仿真結(jié)果表明具有很強的魯棒性。

2.2 基于非線性系統(tǒng)理論的研究

單元機組被控對象本質(zhì)上是非線性的，因此從理論上講非線性控制的方法能從根本上解決系統(tǒng)大范圍、全工況優(yōu)化運行的問題。相關(guān)研究包括:反饋線性化方法、反步設計方法、多模型方法等。但該方面還僅限于理論研究，其實用性有待進一步探討，這些研究為協(xié)調(diào)控制系統(tǒng)的進一步發(fā)展提供了理論儲備，具有廣闊的發(fā)展前景。

2.2.1 反饋線性化

反饋線性化是非線性理論中的經(jīng)典方法。該方法的優(yōu)點在于:可以把一個非線性問題當成線性問題去研究。文獻［14］利用反饋線性化方法設計了鍋爐—汽輪機系統(tǒng)的極點配置控制，將系統(tǒng)線性化，使其在較大范圍內(nèi)可很好地運行，且具有較好的響應速度和較強的抗干擾能力。房方等［15］將反饋線性化方法與內(nèi)?？刂平Y(jié)構(gòu)相結(jié)合，利用內(nèi)模結(jié)構(gòu)具有的原理簡單、抗干擾能力強的特點，提高系統(tǒng)的魯棒性和動態(tài)性能，仿真實驗取得了很好地效果。

2.2.2 反步設計方法

反步設計法的設計方式由前往后遞推?？纱蟠鬁p少在線計算時間，在設計不確定系統(tǒng)的魯棒或自適應控制器方面已經(jīng)顯示出優(yōu)越性。文獻［16］嘗試應用反步法設計出非線性控制律。變參數(shù)采用鍋爐時間常數(shù)，仿真實驗證明了該控制器的全局適應性。

2.2.3 多模型及增益調(diào)度方法

這種方法能提高非線性系統(tǒng)控制品質(zhì)，是線性系統(tǒng)理論和非線性系統(tǒng)理論的折衷。其原理是將非線性系統(tǒng)在各操作點線性化，設計適合的線性控制器，并組合在一起，實現(xiàn)被控對象的全局優(yōu)化控制。文獻［17］在單元機組非線性模型的五個典型工作點辨識出局部線性化模型，應用動態(tài)解耦的方法設計各工作點的PID控制器，以負荷和壓力信號作為調(diào)度變量，以模糊隸屬度函數(shù)生成調(diào)度規(guī)則，綜合構(gòu)成協(xié)調(diào)系統(tǒng)的全局控制器。實驗結(jié)果證明了其全局穩(wěn)定性。

2.3 基于智能化方法的研究

把智能化方法應用到單元機組協(xié)調(diào)控制系統(tǒng)中對其進行智能控制是目前研究的熱點問題。智能控制能夠模仿人的智能行為，多學科相結(jié)合并利用計算機技術(shù)實現(xiàn)的一門技術(shù)科學。智能化方法的應用通?；趦煞矫娴目紤]:一方面借助智能化方法，將運行經(jīng)驗或者一定的分析決策能力融入到常規(guī)控制系統(tǒng)中，用以優(yōu)化系統(tǒng)的整體性能;另一方面，發(fā)揮智能化方法對于模型誤差或未知干擾具有較強魯棒性的優(yōu)勢，提高協(xié)調(diào)控制系統(tǒng)的適應性。

2.3.1 模糊控制

由于機組具有很強的耦合性和復雜的工況，難以建立精確的數(shù)學模型，而模糊控制無須建立精確的模型，對被控對象的時變性和非線性具有一定的適應能力，目前廣泛應用在單元機組協(xié)調(diào)控制系統(tǒng)研究中。陳彥橋等［18］采用了一種PID型模糊控制器，為了使控制器具有自學習功能，提出了包含一個自回歸神經(jīng)元的5層模糊神經(jīng)網(wǎng)絡，給出了它各層權(quán)值的梯度下降修正算法，仿真研究證明了這種模糊神經(jīng)網(wǎng)絡控制器可以克服對象的時變性和隨機性。文獻［19］設計了一種傳統(tǒng)多變量解耦方法與模糊自適應PID結(jié)合的協(xié)調(diào)控制器，在解耦后利用模糊自適應PID整定參數(shù)，得到模糊自適應PID協(xié)調(diào)控制器，仿真結(jié)果證明了其很好的控制效果;王景學［20］建立協(xié)調(diào)控制系統(tǒng)的T-S模型，并采用模糊C均值聚類算法辨識T-S模型的前提結(jié)構(gòu)和參數(shù)，用遞推最小二乘算法辨識結(jié)論參數(shù)，采用改進的在線辨識遞推算法來修正離線辨識實時性差的缺點，研究辨識算法的跟蹤性能，仿真驗證了該算法具有較強的魯棒性。

2.3.2 神經(jīng)網(wǎng)絡控制

神經(jīng)網(wǎng)絡是由大量的簡單基本元件—神經(jīng)元相互聯(lián)接而成的，非線性映射、自適應與自組織能力使其具有較強的魯棒性和容錯性。文獻［21］是將遺傳算法與徑向基函數(shù)相結(jié)合形成GA-RBF算法，作為預測模型，仿真結(jié)果表明了該方法的有效性;張建華等［22］利用BP神經(jīng)網(wǎng)絡對被控對象進行辨識，從而建立其動態(tài)模型，在這一模型的基礎(chǔ)上對協(xié)調(diào)控制系統(tǒng)中的控制器參數(shù)優(yōu)化進行研究，提出基于神經(jīng)網(wǎng)絡預測控制的協(xié)調(diào)控制策略，很好地解決了協(xié)調(diào)控制系統(tǒng)中強藕合、非線性等問題;楊麗［23］提出一種在BP神經(jīng)網(wǎng)絡的基礎(chǔ)上的基于模型參考的神經(jīng)網(wǎng)絡PID控制器，仿真結(jié)果表明，該控制算法具有良好的控制品質(zhì);文獻［24］利用神經(jīng)網(wǎng)絡來解決模糊規(guī)則的知識獲取問題，其中神經(jīng)網(wǎng)絡通過五個局部線性控制器進行訓練，仿真獲得了良好的控制效果。

2.3.3 遺傳算法

遺傳算法是一種基于自然選擇和遺傳變異等生物進化機制的自適應全局優(yōu)化概率搜索算法，主要用途是對控制參數(shù)的尋優(yōu)和整定。謝謝等［25］提出了一種基于自適應遺傳算法的多變量魯棒PID控制器參數(shù)尋優(yōu)方法，采用具有自適應交叉概率和變異概率的遺傳算法尋優(yōu)PID控制器參數(shù)，仿真結(jié)果表明，與傳統(tǒng)遺傳算法尋優(yōu)所得PID控制器相比，具有良好的負荷跟隨性和更優(yōu)的魯棒性;文獻［26］利用實數(shù)編碼自適應混合遺傳算法對協(xié)調(diào)控制系統(tǒng)的PID控制器參數(shù)進行優(yōu)化，得到目標函數(shù)的全局最優(yōu)解，仿真結(jié)果表明該方法可使控制性能得到很大提高;梁楊［27］采用實數(shù)編碼自適應遺傳算法辨識出模型的相關(guān)參數(shù)，在典型工況下，采用遺傳算法辨識出協(xié)調(diào)控制對象的靜態(tài)解耦網(wǎng)絡，再分別設計壓力回路、功率回路和焓回路的控制器進行仿真研究，仿真結(jié)果表明效果良好，調(diào)節(jié)控制品質(zhì)令人滿意。

2.3.4 粒子群算法

粒子群算法是基于群智能的并行全局搜索策略，采用簡單的速度－位置搜索模型實現(xiàn)對整個空間的尋優(yōu)操作。趙巍?。?8］引入了具有量子行為的粒子群算法，并借鑒遺傳算法中的變異機制，以自適應變異概率對個體進行變異，來增加種群的多樣性，由此產(chǎn)生一種改進的PSO算法，然后將改進的PSO算法應用到PID控制器的參數(shù)優(yōu)化整定過程中，仿真結(jié)果驗證了該算法的有效性;文獻［29］提出PSO-BP混合算法來對神經(jīng)網(wǎng)絡PID的權(quán)值進行優(yōu)化，從而實現(xiàn)了對主汽溫系統(tǒng)的動態(tài)PID控制。仿真結(jié)果表明，被控系統(tǒng)具有很好的抗干擾性能和較強的魯棒性。

目前，幾乎每一種先進的控制策略都被用于改善協(xié)調(diào)控制系統(tǒng)控制品質(zhì)的研究。但是對于協(xié)調(diào)控制系統(tǒng)理論的研究遠遠超前于實際應用，在不斷發(fā)展和完善理論研究的同時，如何把它們應用于實際工業(yè)過程已經(jīng)成為學者們亟待解決的課題與難題，相信通過學者和工程技術(shù)人員的不懈努力，單元機組協(xié)調(diào)控制系統(tǒng)的研究必將取得更大的進步。

3 單元機組協(xié)調(diào)控制系統(tǒng)發(fā)展前景

單元機組協(xié)調(diào)控制系統(tǒng)發(fā)展過程中主要存在以下問題:

(1)高階控制器及復雜控制算法的工程實現(xiàn)問題;

(2)過多的可調(diào)參數(shù)及參數(shù)物理意義不明晰問題;

(3)現(xiàn)場干擾及執(zhí)行機構(gòu)制約問題;

(4)協(xié)調(diào)控制系統(tǒng)具有的多變量強耦合，多變量相互關(guān)聯(lián)和機組的非線性等復雜特性問題。針對以上問題，有兩個研究方向。

3.1 復合(混合)型智能控制系統(tǒng)的應用

單一的控制策略已經(jīng)不能滿足大型機組的控制要求，學者和工程人員開始嘗試研究新的控制方法以滿足生產(chǎn)需要，把常規(guī)與智能，線性與非線性的優(yōu)點充分發(fā)揮并結(jié)合起來，形成的這種復合(混合)型智能控制方法并逐步得到應用。

該方法一般分為2類:

(1)典型智能控制方法之間相互融合形成的復合控制方法;

(2)典型智能控制方法與常規(guī)或先進控制方法之間交叉綜合形成的復合控制方法，實驗證明具有廣闊的應用前景。

3.2 非線性技術(shù)的應用

實際上單元機組協(xié)調(diào)控制系統(tǒng)是非線性的，長期以來把非線性系統(tǒng)的過程模型線性化，利用線性控制理論進行設計的方法不太適合高度非線性系統(tǒng)。近年來，越來越多的人開始研究非線性模型，如Bilinear模型、廣義Hammerstein、Volterra模型等，如何把這些模型應用到單元機組協(xié)調(diào)控制系統(tǒng)中將是今后一個很好的研究方向。

4 結(jié)論

目前，單元機組協(xié)調(diào)控制系統(tǒng)仍以PID為主，智能控制策略應用于單元機組中的實例還很少見，大多處在仿真階段。因此CCS的研究還需要深入研究和探討，以期提高單元機組綜合自動控制水平，向用戶提供更高水平的電能質(zhì)量，適應電網(wǎng)向大規(guī)模、經(jīng)濟性和穩(wěn)定性的方向發(fā)展。

［1］施海平，金建新.提高協(xié)調(diào)控制系統(tǒng)調(diào)節(jié)品質(zhì)的研究［J］.中國電力，1998，31(11):58－61.

［2］吳國垣，李東海，薛亞麗，等.機爐協(xié)調(diào)控的分散PID整定［J］.清華大學學報，2004，44(2):262－265.

［3］薛亞麗，李東海，呂崇德.基于遺傳算法的機爐協(xié)調(diào)控制系統(tǒng)PID控制器優(yōu)化［J］.熱能動力工程，2006，21(1):80－87.

［4］程啟明，鄭勇.多變量PID型神經(jīng)元網(wǎng)絡控制系統(tǒng)及其在協(xié)調(diào)控制中的仿真研究［J］.華東電力，2007，35(11):55－58.

［5］王曉蘭，徐小方，馬呈霞，等.單元機組模糊免疫自適應PID控制器的設計［J］.工業(yè)儀表與自動化裝置，2009(1):53－56.

［6］鄭亞峰，陳西杰.多變量智能協(xié)調(diào)控制系統(tǒng)設計應用［J］.電力系統(tǒng)及其自動化學報，2011(1):145－148.

［7］陳彥橋，鄭亞鋒，劉吉臻，等.基于動態(tài)解耦的模糊多模型協(xié)調(diào)控制系統(tǒng)應用研究［J］.中國電機工程學報，2006(12):166－170.

［8］Liu H B，Li S Y.Intelligent decoupling control of power plant main steam pressure and power output［J］.Electrical Power and Energy System，2003，25(10):809－819.

［9］Tan W，Marquez H J，Chen T W.Multivariable Robust Controller Design for a Boiler System［J］.IEEE Transactions on Control Systems Technology，2002，10(5):735－742.

［10］席東民，凌呼君，王繼昆.魯棒廣義預測控制在單元機組的協(xié)調(diào)控制［J］.控制工程，2005，7(12):327－330.

［11］凌呼君，王文蘭，馮永祥.廣義預測控制在火電廠單元機組協(xié)調(diào)控制中的研究［J］.浙江電力，2003(5):1－4.

［12］王文蘭，馬然，白雄懷.解耦廣義預測控制(DGPC)在單元機組協(xié)調(diào)控制系統(tǒng)中的應用［J］.控制理論及應用，2009，31(3):17－19.

［13］凌呼君，李寧.GA-RBF神經(jīng)網(wǎng)絡GPC控制策略用于復雜系統(tǒng)魯棒控制的研究［J］.內(nèi)蒙古工業(yè)大學學報，2011，30(3):364－369.

［14］葛友，李春文.反饋先線性方法在鍋爐—汽輪機系統(tǒng)控制中的應用［J］.清華大學學報，2001，41(7):125－128.

［15］房方，劉吉臻，譚文.單元機組協(xié)調(diào)系統(tǒng)的非線性內(nèi)?？刂疲跩］.中國電機工程學報，2004，24(4):195－199.

［16］Bolek W，sasidaek J，WisniewskiT.Adaptive backstepping control of a power plant station model［C］.IFAC 15th Triennial World Congress，2002:1650－1655.

［17］陳彥橋，劉吉臻，譚文.模糊多模型控制及其對500MW單元機組協(xié)調(diào)控制系統(tǒng)的仿真研究［J］.中國電機工程學報，2003，23(10):199－203.

［18］陳彥橋，王印松，劉吉臻，等.基于PID型模糊神經(jīng)網(wǎng)絡的火電站單元機組協(xié)調(diào)控制［J］.動力工程.2003，23(1):2219－2223.

［19］孫靈芳，任棟，陳瑤.模糊自適應PID在機組協(xié)調(diào)控制中的應用［J］.微計算機信息，2009，25(7－1):30－32.

［20］王景學.基于T-S模型的模糊預測控制在火電單元機組協(xié)調(diào)控制系統(tǒng)中的應用研究［D］.呼和浩特:內(nèi)蒙古工業(yè)大學，2009.

［21］凌呼君，李寧.GA-RBF神經(jīng)網(wǎng)絡GPC控制策略用于復雜系統(tǒng)魯棒控制的研究［J］.內(nèi)蒙古工業(yè)大學學報，2011，30(3):364－369.

［22］張建華，董菲，侯國蓮，等.基于神經(jīng)網(wǎng)絡預測控制的單元機組協(xié)調(diào)控制策略［J］.動力工程，2006，26(3):392－395.

［23］楊麗.神經(jīng)網(wǎng)絡PID在協(xié)調(diào)控制系統(tǒng)中的應用［D］.保定:華北電力大學(河北)，2006.

［24］Alturki F A，Abdennour A B.Neuro-fuzzy Control of a steam boiler-turbine unit［C］.Proceedings of International Conference on Control Applications，Hawaii，USA，1999:1050－1055.

［25］謝謝，劉吉臻，曾德亮，等.基于自適應遺傳算法的協(xié)調(diào)控制系統(tǒng)優(yōu)化［J］.熱能動力工程，2011，26(4):432－434.

［26］朱小娟，高慶忠，宋福圣.基于自適應混合遺傳算法的協(xié)調(diào)控制系統(tǒng)［J］.自動化與儀器儀表，2009(3):3－6.

［27］梁楊.基于遺傳算法辨識的超超臨界機組協(xié)調(diào)控制系統(tǒng)［D］.保定:華北電力大學，2011.

［28］趙巍巍.改進粒子群算法在火電廠主汽溫控制系統(tǒng)中的應用［D］.保定:華北電力大學，2011.

［29］孫明.基于改進PSO的神經(jīng)網(wǎng)絡優(yōu)化方法及其在熱工系統(tǒng)中的應用［D］.保定:華北電力大學，2007.