基于LSTM的燃煤电厂NOx排量软测量

燃煤电厂煤粉在燃烧过程中产生的有害气体会对大气环境造成污染,NO_x为其中之一。针对燃煤电厂生产过程中NO_x排放量测量成本高、过程复杂等问题,考虑到机组运行数据具有的时间序列特征,提出一种基于长短期记忆神经网络的软测量方法对NO_x排放量进行预测。在分析NO_x产生机理的基础上,利用来自陕西省榆林市某电厂2019年1月至6月的实际生产数据,初步选取与NO_x排放量紧密相关的20个辅助变量;将数据进行预处理以消除粗大误差和随机误差,并利用灰色关联度分析进一步精选出15个辅助变量;将实际生产数据划分训练集和测试及对LSTM模型进行训练和测试,并将LSTM模型与BP神经网络模型和支持向量机模型的软测量结果比较。结果表明：基于LSTM的测量方法均方误差较基于BP神经网络与SVM的方法均有减小,说明该方法测量准确度较高,泛化能力更强。     

状态耦合大规模系统的分布式预测控制

研究带有状态耦合的大规模系统的分布式预测控制,这类大规模系统一般可由若干子系统构成。在每个子控制器中均考虑其他子控制器的状态轨迹,这些状态轨迹的假设值可基于历史数据获得。为限制各子系统假设预测轨迹和真实轨迹之间的不确定性偏差加入了相容性约束,并通过在线收紧此约束使得其带来的保守性更小;为消除不确定性偏差,通过对未来轨迹约束的逐步收紧保证物理约束在未来时刻均被满足的;针对真实系统在线优化性能指标,具有更优的控制性能。最后,采用3个弹簧-阻尼小车子系统相互连接而成的系统,通过与已有算法比较,得到了文中算法的计算量更小,控制性能更优的结论,证明了所提方法的有效性。