電站鍋爐燃燒系統(tǒng)先進(jìn)控制策略研究

(河南商業(yè)高等?？茖W(xué)校應(yīng)用電子系1，河南 鄭州 450044；鄭州大學(xué)電氣工程學(xué)院2，河南 鄭州 450001)

0 引言

在我國(guó)的電力供應(yīng)中，火力發(fā)電占發(fā)電總量的80%以上。在火力發(fā)電成本中，燃料費(fèi)用占70%以上，且燃料消費(fèi)仍然以煤炭為主[1]。煤炭資源的緊缺和環(huán)保的需要，使研究先進(jìn)控制策略、優(yōu)化電站機(jī)組運(yùn)行參數(shù)顯得尤其重要。燃煤電站控制的核心問(wèn)題是對(duì)鍋爐燃燒系統(tǒng)進(jìn)行有效的控制，而燃燒系統(tǒng)是典型的多變量、強(qiáng)耦合、存在大時(shí)滯的不確定性復(fù)雜系統(tǒng)，且干擾頻繁，模型難以建立，傳統(tǒng)PID控制難以取得理想的控制效果，燃燒效率難以達(dá)到期望要求。近年來(lái)，鍋爐燃燒系統(tǒng)的控制策略研究主要集中在3個(gè)方面：一是傳統(tǒng)PID控制結(jié)合智能控制,以優(yōu)化PID控制效果；二是預(yù)測(cè)控制和其他算法相結(jié)合形成新型預(yù)測(cè)控制算法；三是針對(duì)燃燒控制系統(tǒng)的強(qiáng)耦合性，開發(fā)解耦控制算法。

1 優(yōu)化的PID控制

近年來(lái)，隨著人工智能技術(shù)的快速發(fā)展，針對(duì)傳統(tǒng)PID控制的局限性，許多學(xué)者把人工智能的實(shí)用技術(shù)與PID控制相結(jié)合，以解決復(fù)雜的、非線性的和不確定性的控制問(wèn)題。在電站鍋爐燃燒系統(tǒng)中，專家控制、神經(jīng)網(wǎng)絡(luò)、模糊控制等智能控制方法[2]與PID控制相結(jié)合顯示出了一定的優(yōu)勢(shì)。

專家控制以知識(shí)模型為基礎(chǔ)，根據(jù)某領(lǐng)域?qū)＜业慕?jīng)驗(yàn)進(jìn)行推理和判斷，即模擬人類專家的決策過(guò)程，結(jié)合控制算法來(lái)解決工業(yè)現(xiàn)場(chǎng)的復(fù)雜控制問(wèn)題，適合像鍋爐燃燒系統(tǒng)這樣難以建模和操作的工業(yè)對(duì)象。文獻(xiàn)[3]在PID控制的基礎(chǔ)上，對(duì)鍋爐送風(fēng)量控制子系統(tǒng)設(shè)計(jì)了專家控制器，其模型采用產(chǎn)生式規(guī)則描述，且控制規(guī)則可以在現(xiàn)場(chǎng)實(shí)時(shí)修改、完善，具有較強(qiáng)的實(shí)用性。文獻(xiàn)[4]～[5]從鍋爐的運(yùn)行特性出發(fā)，汲取長(zhǎng)期以來(lái)積累的現(xiàn)場(chǎng)經(jīng)驗(yàn)，提出“理論+經(jīng)驗(yàn)”的非線性分離控制方法。該方法利用基于專家知識(shí)的計(jì)算機(jī)程序?qū)θ紵^(guò)程進(jìn)行任務(wù)分離和經(jīng)驗(yàn)逼近，實(shí)現(xiàn)過(guò)程控制。

神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)、泛化、逼近任意非線性函數(shù)等能力，可以很好地彌補(bǔ)常規(guī)PID控制方法的局限性，使非線性、時(shí)變和不確定系統(tǒng)的控制成為可能。文獻(xiàn)[6]建立了PID神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)，網(wǎng)絡(luò)的隱層由比例、積分、微分3個(gè)單元組成，即通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)PID參數(shù)的在線調(diào)整。文獻(xiàn)[7]設(shè)計(jì)了串級(jí)控制系統(tǒng)，其中內(nèi)回路采用PI控制方式和控制參數(shù)；外回路由徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)在線辨識(shí)得到被控對(duì)象的雅克比信息后，根據(jù)梯度下降法自適應(yīng)調(diào)整PID控制參數(shù)，具有良好的魯棒性和自適應(yīng)能力。文獻(xiàn)[8]采用氧量-空燃比串級(jí)控制方案，兼顧燃燒效率和氮氧化物的排放。首先利用神經(jīng)網(wǎng)絡(luò)建立鍋爐燃燒特性模型，實(shí)現(xiàn)燃燒熱效率和污染物排放量的預(yù)測(cè)；然后采用遺傳算法尋找最佳氧量設(shè)定值，進(jìn)而調(diào)節(jié)送風(fēng)量，實(shí)現(xiàn)了鍋爐燃燒的整體優(yōu)化。

模糊系統(tǒng)是一種處理不確定性、非線性等問(wèn)題的有力工具，可以看作是不依賴于模型的估計(jì)器，給定輸入便可以得到合適的輸出。模糊控制與PID控制相結(jié)合，能明顯提高PID控制器參數(shù)設(shè)置的快速性和準(zhǔn)確性。文獻(xiàn)[9]～[10]采用模糊規(guī)則在線調(diào)整PID控制器參數(shù)，可迅速調(diào)節(jié)給煤量，維持主汽壓的穩(wěn)定。文獻(xiàn)[11]將燃燒系統(tǒng)等效為帶純延遲的一階慣性系統(tǒng)，借鑒生物系統(tǒng)的免疫機(jī)理設(shè)計(jì)出一種非線性模糊控制器，再使用L.A.Zadeh的模糊邏輯AND操作和mom反模糊化方法得到控制器的輸出。該方法穩(wěn)定性高、魯棒性強(qiáng)、調(diào)節(jié)及時(shí)、反應(yīng)速度快。文獻(xiàn)[12]采用能迅速反映燃料側(cè)擾動(dòng)的輻射能信號(hào)作為補(bǔ)償，通過(guò)S函數(shù)來(lái)自動(dòng)修正模糊控制器的量化因子和比例因子；然后將模糊控制與PI控制相結(jié)合設(shè)計(jì)出一個(gè)參數(shù)自調(diào)整的模糊PI控制器，以優(yōu)化燃燒控制性能。

2 新型預(yù)測(cè)控制

預(yù)測(cè)控制是20世紀(jì)70年代在工業(yè)實(shí)踐中發(fā)展起來(lái)的、基于模型的有限時(shí)域優(yōu)化控制算法，具有多步預(yù)測(cè)、滾動(dòng)優(yōu)化和反饋校正3個(gè)基本特征，對(duì)過(guò)程模型的不確定性有極強(qiáng)的適應(yīng)性。典型的如動(dòng)態(tài)矩陣控制(dynamic matrix control,DMC)、模型算法控制(model algorithmic control,MAC)、廣義預(yù)測(cè)控制(general predictive control,GPC)、預(yù)測(cè)函數(shù)控制(predictive function control,PFC)等，這些算法在鍋爐燃燒控制中取得了較好的應(yīng)用[13]。文獻(xiàn)[14]針對(duì)實(shí)際燃料熱值波動(dòng)較大的問(wèn)題，采用基于狀態(tài)空間模型的預(yù)測(cè)控制算法設(shè)計(jì)了多輸入多輸出的控制器，以主汽壓的控制為主，同時(shí)協(xié)調(diào)處理氧含量和爐膛負(fù)壓的優(yōu)化控制，避免了常規(guī)PID方法所面臨的復(fù)雜解耦問(wèn)題。文獻(xiàn)[15]根據(jù)原煤消耗量和一、二次風(fēng)機(jī)的耗電量計(jì)算出衡量鍋爐燃燒過(guò)程的經(jīng)濟(jì)性能指標(biāo)，將其融入到GPC的目標(biāo)函數(shù)中，提出一種2層結(jié)構(gòu)的多目標(biāo)優(yōu)化控制策略。該方法動(dòng)態(tài)控制性能好，且能有效地將煤耗降低2%左右。

預(yù)測(cè)控制解決滯后問(wèn)題是以被控對(duì)象的預(yù)測(cè)模型為基礎(chǔ)的，如何比較準(zhǔn)確地獲得輸出變量的預(yù)測(cè)值是預(yù)測(cè)控制能否成功應(yīng)用的關(guān)鍵。神經(jīng)網(wǎng)絡(luò)對(duì)不確定系統(tǒng)的動(dòng)態(tài)特性具有很好的學(xué)習(xí)能力和較強(qiáng)的適應(yīng)性、容錯(cuò)性，模糊控制能從行為上模仿人的模糊推理和決策過(guò)程，為準(zhǔn)確搭建預(yù)測(cè)模型提供了廣闊的空間[16-17]。文獻(xiàn)[18]以煤粉濃度為中間被調(diào)量，內(nèi)回路采用PID控制，外回路采用基于徑向基RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的GPC。該串級(jí)控制系統(tǒng)融合了神經(jīng)網(wǎng)絡(luò)的非線性建模能力、預(yù)測(cè)控制的超前預(yù)測(cè)能力和串級(jí)控制的抗干擾能力，取得了良好的控制效果。文獻(xiàn)[19]設(shè)計(jì)了爐跟機(jī)的協(xié)調(diào)控制方式，采用基于模糊神經(jīng)網(wǎng)絡(luò)模型的GPC。文獻(xiàn)[20]設(shè)計(jì)了基于模糊神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)控制算法，與輸入輸出反饋線性化的預(yù)測(cè)控制方法相比，該算法控制性能明顯提高?；陬A(yù)測(cè)模型只強(qiáng)調(diào)模型的功能而不強(qiáng)調(diào)其結(jié)構(gòu)形式[21]，文獻(xiàn)[22]提出了基于RBF-ARX模型的預(yù)測(cè)控制算法，取得了較好的控制效果。文獻(xiàn)[23]提出了基于高斯模型的非線性模型預(yù)測(cè)控制(non-linear model prediction control,NMPC)算法，有效降低了NOx的生成。

預(yù)測(cè)控制的核心問(wèn)題是優(yōu)化求解，采用遺傳算法、蟻群優(yōu)化等優(yōu)化算法實(shí)現(xiàn)優(yōu)化求解成為預(yù)測(cè)控制的一個(gè)重要研究方向，在電站燃燒系統(tǒng)中也得到了成功應(yīng)用。文獻(xiàn)[24]使用支持向量機(jī)(support vector machine,SVM)建立燃燒模型，使用粒子群算法與擬牛頓法相結(jié)合的非線性優(yōu)化實(shí)現(xiàn)NMPC對(duì)鍋爐燃燒過(guò)程的閉環(huán)控制。該方法已應(yīng)用于安徽淮南平圩電廠2號(hào)機(jī)組，提高了燃燒效率,減少了NOx排放。文獻(xiàn)[25]以鍋爐效率和NOx排放為目標(biāo)，提出一種基于LS-SVM燃燒模型和蟻群優(yōu)化算法的預(yù)測(cè)控制方法。該方法對(duì)燃燒過(guò)程具有較好的控制效果。

預(yù)測(cè)函數(shù)控制(PFC)是應(yīng)快速過(guò)程控制的需要發(fā)展起來(lái)的控制技術(shù)，對(duì)模型失配和外部擾動(dòng)具有較強(qiáng)的魯棒性，但在未建立動(dòng)態(tài)數(shù)學(xué)模型和未知擾動(dòng)的情況下會(huì)影響閉環(huán)響應(yīng)速度、精度等控制性能[26]。自適應(yīng)控制是一種適用于具有不確定性、未建模動(dòng)態(tài)、參數(shù)慢時(shí)變等的過(guò)程，以辨識(shí)模型發(fā)展起來(lái)的控制方法，文獻(xiàn)[27]將自適應(yīng)控制與PFC結(jié)合起來(lái)，采用CARMA模型，通過(guò)實(shí)時(shí)辨識(shí)模型參數(shù)實(shí)時(shí)修正控制器的參數(shù)。該方法計(jì)算簡(jiǎn)單、魯棒性較強(qiáng)，非常適合電廠實(shí)際應(yīng)用。

3 智能解耦控制

耦合是工業(yè)生產(chǎn)過(guò)程的動(dòng)態(tài)特性普遍存在的一種現(xiàn)象，它會(huì)降低多變量控制系統(tǒng)的調(diào)節(jié)品質(zhì)，嚴(yán)重時(shí)會(huì)使系統(tǒng)無(wú)法投入運(yùn)行。針對(duì)鍋爐燃燒系統(tǒng)的強(qiáng)耦合性，研究人員進(jìn)行了許多探索，但在解耦處理中發(fā)現(xiàn)，由于對(duì)燃燒系統(tǒng)無(wú)法建立精確的數(shù)學(xué)模型，補(bǔ)償器、解耦器和控制器的設(shè)計(jì)、實(shí)現(xiàn)以及協(xié)調(diào)比較困難，因此，傳統(tǒng)解耦方法難以對(duì)其進(jìn)行有效的控制。

隨著人工智能技術(shù)的發(fā)展，越來(lái)越多的基于模糊推理和神經(jīng)網(wǎng)絡(luò)的解耦控制方法被探索發(fā)現(xiàn)[28]。文獻(xiàn)[29]針對(duì)循環(huán)流化床鍋爐燃燒系統(tǒng)的多變量強(qiáng)耦合特性，采用模糊規(guī)則實(shí)現(xiàn)解耦補(bǔ)償。文獻(xiàn)[30]針對(duì)主汽壓設(shè)定值多變和入爐燃料不穩(wěn)定的特點(diǎn)，將模糊推理與自適應(yīng)控制相結(jié)合來(lái)設(shè)計(jì)解耦控制方法。文獻(xiàn)[31]在神經(jīng)網(wǎng)絡(luò)控制器與多變量被控對(duì)象之間串入解耦補(bǔ)償器，補(bǔ)償器通過(guò)模糊技術(shù)實(shí)現(xiàn)，提出模糊-神經(jīng)元PID解耦補(bǔ)償控制，對(duì)燃燒系統(tǒng)取得了較好的解耦效果。模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在處理不確定性和非線性問(wèn)題方面有各自的特點(diǎn)和長(zhǎng)處，因此，可利用二者的互補(bǔ)性質(zhì)挖掘被控對(duì)象的運(yùn)行特性，據(jù)此改變強(qiáng)耦合系統(tǒng)的控制器和解耦網(wǎng)絡(luò)的參數(shù)。針對(duì)主汽壓和床溫的強(qiáng)耦合問(wèn)題，文獻(xiàn)[32]用4層模糊神經(jīng)網(wǎng)絡(luò)作為解耦器，結(jié)合PID算法進(jìn)行解耦控制，文獻(xiàn)[33]提出了基于單神經(jīng)元自適應(yīng)控制和模糊神經(jīng)網(wǎng)絡(luò)解耦的智能解耦控制系統(tǒng)，取得了良好的魯棒性和抗干擾性。

在模糊控制系統(tǒng)的設(shè)計(jì)中引入解耦原理也是處理耦合的一種有效方法。文獻(xiàn)[34]在多變量頻域解耦控制理論的基礎(chǔ)上，吸取運(yùn)行專家經(jīng)驗(yàn)，采用模糊判決解決主汽壓和床溫的耦合問(wèn)題。該方法在對(duì)遼寧南票電廠100 MW機(jī)組取得了較好的控制效果。另外，文獻(xiàn)[35]提出多變量解耦內(nèi)?？刂品椒ǎ怦羁刂破骶哂薪怦詈蛢?nèi)?？刂苾刹糠止δ?，既減小了輸出變量之間的關(guān)聯(lián)，又有效改善了被控過(guò)程的響應(yīng)性能。

4 其他控制策略

針對(duì)鍋爐燃燒系統(tǒng)的復(fù)雜性和模型的不確定性，自適應(yīng)控制方法也具有一定的優(yōu)勢(shì)。文獻(xiàn)[36]將燃燒控制系統(tǒng)分解成兩個(gè)單變量系統(tǒng)分別控制入爐燃料量和供水量，采用自適應(yīng)控制算法，取得了較好的控制效果。文獻(xiàn)[37]針對(duì)燃燒過(guò)程強(qiáng)干擾、工況多變的情況，建立動(dòng)態(tài)模型并對(duì)模型進(jìn)行在線參數(shù)估計(jì)和辨識(shí)，采用自適應(yīng)控制方法對(duì)主汽壓進(jìn)行調(diào)節(jié)。文獻(xiàn)[38]設(shè)計(jì)了一種無(wú)模型自適應(yīng)控制方法，不僅解耦性能良好，而且對(duì)燃燒系統(tǒng)的內(nèi)外擾動(dòng)和模型的不確定性具有較強(qiáng)的適應(yīng)性和魯棒性。

為了解決常規(guī)控制方法存在的問(wèn)題，同時(shí)也為了適應(yīng)電網(wǎng)綜合自動(dòng)化發(fā)展的要求，一些非常規(guī)控制策略被提出并在實(shí)際應(yīng)用中取得了較好的控制效果。文獻(xiàn)[39]在DCS系統(tǒng)的基礎(chǔ)上，提出多變量Smith預(yù)估算法，以動(dòng)態(tài)風(fēng)/煤比的形式對(duì)燃燒過(guò)程實(shí)施控制。文獻(xiàn)[40]針對(duì)主汽壓控制存在的有自衡過(guò)程與無(wú)自衡過(guò)程，采用三階最佳工程設(shè)計(jì)方法設(shè)計(jì)多個(gè)控制器，根據(jù)蒸汽流量出現(xiàn)的擾動(dòng)以及給煤量的變化情況，切換選擇不同的控制器實(shí)現(xiàn)主汽壓的有效控制；對(duì)于送風(fēng)量的調(diào)節(jié)，則利用專家經(jīng)驗(yàn)自動(dòng)尋找最佳風(fēng)/煤比，保證完全燃燒。

5 結(jié)束語(yǔ)

近年來(lái)，電站鍋爐燃燒系統(tǒng)先進(jìn)控制策略的研究為其在電站中的應(yīng)用奠定了應(yīng)有的理論基礎(chǔ)，電站DCS系統(tǒng)的普及也為先進(jìn)控制策略的應(yīng)用提供了強(qiáng)有力的硬件和軟件平臺(tái)，展現(xiàn)出了廣闊的發(fā)展前景。鍋爐燃燒過(guò)程既是實(shí)際工程控制問(wèn)題,又是能源的化學(xué)轉(zhuǎn)化問(wèn)題，要求控制器結(jié)構(gòu)簡(jiǎn)單、控制量的計(jì)算時(shí)間短，但目前研究的先進(jìn)控制策略控制器結(jié)構(gòu)往往比較復(fù)雜，且大部分成果仍處于仿真階段，如何將控制策略推向?qū)嶋H應(yīng)用是今后仍需努力的方向。

[1] 胡秀蓮.中國(guó)電力生產(chǎn)及環(huán)境問(wèn)題[J].中國(guó)能源,2005,27(11):11-17.

[2] 李士勇.模糊控制.神經(jīng)控制和智能控制論[M].哈爾濱:哈爾濱工業(yè)大學(xué)出社,1998:74-76,265-275.

[3] 馬平,王琳.燃燒控制系統(tǒng)智能控制[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2002,14(3):55-59.

[4] Gotoa S,Nakamura M,Matsumura S.Automatic realization of human experience for controlling variable pressure boilers[J].Control Engineering Practice,2002(10):15-22.

[5] 沈凱,陸繼東,陳交順.專家控制在循環(huán)流化床鍋爐燃燒控制系統(tǒng)中的應(yīng)用[J].動(dòng)力工程,2003,23(4):2557-2559.

[6] 陳非,孫靈芳.鍋爐燃燒控制的優(yōu)化設(shè)計(jì)及應(yīng)用[J].電站系統(tǒng)工程,2009,25(1):57-58.

[7] 楊超,周懷春,卓旭升.基于RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)整定燃燒串級(jí)控制系統(tǒng)[J].華中科技大學(xué)學(xué)報(bào),2008,36(7):57-59.

[8] 王子杰,李健,孫萬(wàn)云.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的鍋爐燃燒優(yōu)化方法[J].華北電力大學(xué)學(xué)報(bào),2008,35(1):14-17.

[9] 崔淑妮,徐向東.模糊控制在煤粉爐燃燒控制中的應(yīng)用研究[J].清華大學(xué)學(xué)報(bào),1999,39(9):58-60.

[10] 雷學(xué)麗.基于模糊PID的母管制煤粉鍋爐燃燒控制系統(tǒng)[J].計(jì)算機(jī)仿真,2008(5):210-213.

[11] 劉久斌,李德桃.電廠鍋爐燃燒系統(tǒng)的模糊免疫PID控制[J].動(dòng)力工程,2005,25(5):673-675.

[12] 陳立軍,周正興,趙麗麗,等.采用輻射能信號(hào)的燃燒系統(tǒng)參數(shù)自調(diào)整模糊PI控制[J].化工自動(dòng)化及儀表,2009,36(6):15-17.

[13] Havlena V,Findejs J.Application of model predictive control to advanced combustion control[J].Control Engineering Practice,2005,13(6):671-680.

[14] 向立志,張喜東,李榮,等.多變量預(yù)測(cè)控制在鍋爐燃燒系統(tǒng)中的應(yīng)用[J].化工自動(dòng)化及儀表,2006,33(2):20-24.

[15] 童一飛,金曉明.基于廣義預(yù)測(cè)控制的循環(huán)流化床鍋爐燃燒過(guò)程多目標(biāo)優(yōu)化控制策略[J].中國(guó)電機(jī)工程學(xué)報(bào),2010,30(11):38-43.

[16] Xu X Y,Mao Z Y.The neural network predictive control of time-delay systems[J].Control Theory and Applications,2001,18(6):932-934.

[17] Peng H,Wu J,Garba I,et al.Nonlinear system modeling and predictive control using the RBF nets-based quasi-linear ARX model[J].Control Engineering Practice,2009,17(1):59-66.

[18] 馮冬青,徐學(xué)紅,費(fèi)敏銳.神經(jīng)網(wǎng)絡(luò)廣義預(yù)測(cè)控制在鍋爐燃燒系統(tǒng)中的應(yīng)用[J].自動(dòng)化儀表,2006,27(6):18-21.

[19] Liu X J,Liu J Z.Constrained power plant coordinated predictive control using neurofuzzy model[J].Acta Automatica Sinica,2006,32(5):785-790.

[20] Liu X J,Niu L X.Feasible constrained nonlinear predictive control on power plant[C]//American Control Conference,2008:1691-1696.

[21] Lu C H,Tsai C C.Generalized predictive control using recurrent fuzzy neural networks for industrial processes[J].Journal of Process Control,2007,17(1):83-92.

[22] Peng H,Kitagawa G,Wu J.Multivariable RBF-ARX model-based robust MPC approach and application to thermal power plant[J].Applied Mathematical Modelling,2011(35):3541-3551.

[23] Grancharova A,Kocijan J.Explicit stochastic predictive control of combustion plants based on Gaussian process models[J].Automatica,2008(44):1621-1631.

[24] 朱玉璧,程相利,陶新建,等.智能控制在鍋爐燃燒優(yōu)化中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào),2008,28(11):82-86.

[25] 龍文,梁昔明,龍祖強(qiáng),等.基于蟻群算法和LSSVM的鍋爐燃燒優(yōu)化預(yù)測(cè)控制[J].電力自動(dòng)化設(shè)備,2011,31(11):89-93.

[26] Vivas A,Poignet P.Predictive functional control of a parallel robot[J].Control Engineering Practice,2005(13):863-874.

[27] 王文蘭,趙永艷.鍋爐燃燒系統(tǒng)的自適應(yīng)預(yù)測(cè)函數(shù)控制[J].動(dòng)力工程學(xué)報(bào),2010,30(1):27-30.

[28] Chai T Y,Yue H.Multivariable intelligent decoupling control system and its application[J].Acta Automatica Sinica,2005,31(1):123-131.

[29] Liu C Y,Song X L,Song Z Y.A realization method for fuzzy decoupling control of the circulating fluidized bed boiler[C]//2011 International Conference on Machine Learning and Cybernetics,2011:166-171.

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

[31] 王萬(wàn)召,趙興濤,譚文.流化床燃燒系統(tǒng)模糊神經(jīng)元PID解耦補(bǔ)償控制[J].中國(guó)電機(jī)工程學(xué)報(bào),2008,28(8):94-98.

[32] 平玉環(huán),李宗耀,孫劍.模糊神經(jīng)網(wǎng)絡(luò)在解耦控制中的研究[J].控制工程,2009,16(4):461-463.

[33] 王萬(wàn)召,王紅閣,譚文.智能解耦控制器在循環(huán)流化床鍋爐燃燒系統(tǒng)中的應(yīng)用[J].動(dòng)力工程,2009,29(8):757-760.

[34] 焦健.循環(huán)流化床燃燒控制系統(tǒng)解耦設(shè)計(jì)[J].東北電力技術(shù),2004(5):1-3.

[35] 厲鵬.多變量解耦內(nèi)?？刂蒲芯考霸阱仩t燃燒系統(tǒng)中的應(yīng)用[J].鍋爐技術(shù),2011,42(1):19-22.

[36] Kocaarslan I,Cam E.An adaptive control application in a large thermal combined power plant[J].Energy Conversion and Management,2007,48(1):174-183.

[37] Kocaarslan I,Cam E.Experimental modelling and simulation with adaptive control of power plant[J].Energy Conversion and Management,2007,48(3):787-796.

[38] Zheng E R,Zhang L,Gao F.Research on model free adaptive control method of thermal power unit[C]//2010 International Conference of Information Science and Management Engineering(ISME),2010:222-225.

[39] 張培建,施廣仁.工業(yè)鍋爐的燃燒控制策略研究與應(yīng)用[J].電力自動(dòng)化設(shè)備,2010,30(1):102-105.

[40] 薛福珍,劉濤,尹君,等.電廠鍋爐燃燒過(guò)程控制改進(jìn)方案及實(shí)現(xiàn)[J].控制工程,2008,15(2):124-127.