燃煤發電機組靈活運行控制技術研究進展

孫源 張啟超 張忠孝 郭欣維 孔成棟 徐嘉葉 葉妮娜 黃林鵬 ARONSON Konstantin Erlenovich 烏曉江

摘要：加快構建新型電力系統是助推“雙碳”目標實現的核心關鍵。風、光可再生能源的大比例接入給電力系統的安全穩定運行帶來了新的挑戰，對燃煤機組的安全、深度、靈活調峰控制也提出了更高要求。依據煤電機組智能靈活調峰控制技術的發展歷程，從被控對象建模和靈活運行控制方法兩個層面進行梳理與分析，研究結果表明，輔以機器學習和其他智能系統辨識方法的混合建模方式，以及融合預測控制、自適應控制、多目標智能尋優等先進控制技術更加適合未來煤電機組靈活智能控制的需要，是未來煤電機組靈活、智能控制技術發展的主要方向。

關鍵詞：燃煤機組；靈活調峰；建模方法；運行控制；協調控制系統

中圖分類號：TM 621

文獻標志碼：A

Progress of flexible operational control technology for coal-fired units

SUN Yuan1，ZHANG Qichao 1，ZHANG Zhongxiao 1，GUO Xinwei 1，2，KONG Chengdong 1，XU Jiaye 1，YE Nina 1，HUANG Linpeng1，ARONSON Konstantin Erlenovich 3，WU Xiaojiang 1

（1.School of Mechanical Engineering，Shanghai Jiao Tong University，Shanghai 200240，China;2.Ural Institute，North China University of Water Resources and Electric Power，Zhengzhou 450045，China;3.College of Power Engineering，Ural Federal University，Yekaterinburg 620002，Russia）

Abstract：Speeding up the construction of anew power system is the key to promoting the realization of the"dual carbon"target.The connection of alarge proportion of intermittent wind and solar renewable energy has brought new challenges to the safe and stable operation of the power system，and has also put forward higher requirements for the fast，deep and flexible operation capabilities of coal-fired units.In this paper，the modeling methodology and flexible operational control technology for coal-fired units were described and analyzed based on the the development history of intelligent and flexible peak-shaving control technology.The analysis results show that the hybrid modeling method supplemented by machine learning and other intelligent system identification methods，as well as the integration of predictive control，adaptive control，multi-objective intelligent optimization，etc.are more suitable for the needs of flexible and intelligent control of future coal-fired units，and are the main direction for the development of flexible and intelligent control technology for coal-fired units.

Keywords：coal-fired units;peak-shaving;modeling method;operational control;coordinated control systems

“雙碳”目標下，加快構建新型電力系統是能源結構低碳化轉型的重要途徑。截至2022年底，我國電力裝機約25.64億kW，其中風電約3.65億kW，太陽能約3.93億kW，風、光裝機容量約占總裝機容量的29.6%。2022年，全年發電量約8.84萬億kW·h，風、光全年發電量約占總發電量的13.4%。目前，我國煤電裝機占比小于50%，發電量超過60%，承擔了70%的頂峰任務。隨著未來我國新能源裝機容量的持續增加，新型電力系統調節缺口將大幅增加，傳統電源調節能力不足的問題將日益凸顯[1]。因此，大幅提高燃煤發電機組低負荷運行的安全穩定能力以及變負荷響應速度與變負荷跟蹤能力，對緩解大比例新能源并網的缺陷變得十分重要。

一般說來，燃煤機組自身主輔機設備的靈活運行域是燃煤機組靈活運行能力的基礎，而運行控制技術則可在不改變機組硬件設施的條件下，一定程度上進一步挖掘并提升機組的靈活運行能力。因此，近年來針對燃煤發電機組靈活運行控制技術的研究受到國內外學者的廣泛關注。由于燃煤發電機組是一個多設備、多流程的復雜熱力系統，其靈活運行控制主要存在以下難點[2-3]：a.機組模型為非線性時變系統，隨著機組負荷變化，機組動態參數也呈非線性大幅變化，尤其對于超（超）臨界機組，當運行在臨界點附近工況時，由于工質的熱力學性質在擬臨界區附近，機組會表現出極大的非線性，這意味著僅使用經典控制方法難以獲得良好效果；b.機組存在多變量，且變量間存在強耦合關系，各個子系統之間相互影響；c.由于機組具有大慣性與大延遲特性的特點，且鍋爐側表現得尤為明顯，對機組整體的協調控制造成較大影響。

綜上所述，要進一步提升燃煤發電機組的靈活運行能力，還須在傳統燃煤機組控制技術的基礎上進一步融合預測控制、自適應控制、多目標智能尋優控制等先進控制理念，從而在一定程度上提升機組最低負荷工況下的可靠性、關鍵參數穩定性、經濟性以及變負荷過程中的快速協調性等性能。近年來，國內外諸多學者在該領域開展了相關研究與探索。本文依據燃煤發電機組協調控制系統靈活運行控制技術的發展歷程，從被控對象建模與靈活運行控制方法兩個方面進行了梳理與總結，并提出未來燃煤發電機組靈活運行控制技術的主要發展方向，為燃煤機組開展深度靈活調峰優化運行控制提供依據。

1建模與動態特性研究建立理論模型是對實際被控對象進行抽象的過程，為此，能夠準確描述被控對象特性的模型是大部分控制系統設計的基礎。單元機組動態特性的研究一直是熱控領域的一項重要工作，其動態特性的復雜性是機爐協調控制系統研究工作中的重點與難點之一[4]。被控對象模型的建立主要有3種方式：機理建模、系統辨識以及將前兩者融合的混合建模[5]。

1.1機理建模

機理建模以基本物理定律為原理，結合參數測量、降階簡化等多種方式，推導出被控對象的理論模型。?str?m等[6]根據質量、能量守恒定理，采用集總思想，建立了160 MW汽包鍋爐機組簡化非線性模型。秦志明[7]先利用稀疏化核偏最小二乘法對水汽熱力參數進行軟測量，再根據物質與能量守恒進行建模，并采用鏈式結構集總參數法對其進行簡化，最終建立了線性化的具有解析形式的超（超）臨界機組模型。劉暑輝等[8]根據亞臨界機組輸出負荷和蒸汽壓力之間的熱力學關系進行機理建模，再針對其增量形式通過小偏差線性化進行簡化，最終得到某亞臨界機組的無自平衡對象傳遞函數。機理建模過程能夠加深對被控對象運轉機制與特性的理解，但由于許多實際物理過程很難用簡單的數學表達式進行表征，計算時通常需要進行理想化的條件假設，并進行降階與簡化，即只研究主要參數間的函數關系。在此過程中，參數的準確性不夠、理想條件與實際物理條件的差異較大等因素都易造成機理模型的誤差較大。

1.2系統辨識法

系統辨識是基于試驗采集到的輸入輸出數據或工業系統正常運行數據進行數學模型構造的方法，所得到的模型嚴格意義上來說是一個與實際系統相近的經驗模型，也被稱為“黑箱建模”[9]。過去常用的系統辨識方法包括脈沖響應、最小二乘法[10]等，即給予系統特殊的輸入信號，觀察輸出建立模型的方法。隨著計算機技術的蓬勃發展，自20世紀以來深度學習、人工神經網絡、遺傳算法等辨識算法也應用其中[11]。

Chawdhry等[12]采用傳統的系統辨識方法，即階躍響應法對鍋爐汽輪機機組進行辨識，得到一種使用范圍廣泛的系統模型。智能辨識算法主要以計算機人工智能為基礎。陸豪強[13]選取人工蜂群算法，對燃燒系統的各個子系統進行辨識，得到了各傳遞函數。張曉叢[14]以某1000 MW超臨界機組的3個子系統共6個變量的歷史數據為依據，利用粒子群優化算法（PSO）進行系統辨識，得到了較為理想的數學模型。

由于系統辨識建模僅基于現場試驗數據，因此不利于對系統機理的理解。同時，這類模型存在泛化能力差的問題，即在所給數據范圍之外的精度和可靠性具有不可預知性，尤其是對于燃煤發電系統這類非線性較大的系統[15]。

1.3混合建模

混合建模方法是將機理建模與系統辨識相結合，即先根據機理搭建被控對象的系統框架與部分模型，再通過系統辨識得出階數、參數等特性[16]。其中，第二步辨識方法可分為傳統方法和智能方法兩類。

屈小凡[17]針對超（超）臨界機組，將其拆分為多個子系統，搭建整體結構，再擬合函數，提出利用基于多樣性評價指標的改進差分進化算法進行參數辨識，建立了三階狀態空間非線性模型，并通過階躍響應的仿真結果驗證模型精度。周欣悅[18]針對超臨界機組建立了四輸入、四輸出的非線性模型，并利用機理建模結合遺傳算法的參數辨識方法求取模型參數。將模型數據與某350 MW機組實際數據進行對比驗證，發現該模型具有較好的量化精度。Hau等[19]通過一系列的假設與公式推導，建立了超臨界鍋爐機組的非線性數學模型，并結合運行數據，采用回歸分析與免疫遺傳算法（IGA）確定相關參數。仿真結果表明，該模型能夠表征該單元的動態特性，并具有良好的精度。

鑒于機理建模存在復雜性高和精度低的問題，系統辨識存在難以理解和泛化能力差的問題，混合建模則結合了兩者的優點，原理清晰且所得模型精度高，是當前燃煤發電機組采用的主流建模方法。

2燃煤發電機組靈活運行控制方法

準確的被控對象數學模型有利于加深對被控系統特性的理解，這是大多數控制系統設計的基礎。控制方法的選擇應結合控制期望目標和被控對象特性進行綜合考慮。

2.1控制方法分類

根據使用的數學和計算機工具，可以將燃煤發電機組控制方法分為經典控制、現代控制和智能控制3類，其具體內容和相互關系如圖1所示。

2.2經典控制方法

經典控制理論以拉普拉斯變換為數學工具，主要研究定常系統的控制方法[20]。在工業控制領域中被廣泛應用的PID（比例·積分·微分）控制器已經在燃煤發電機組控制系統中得到推廣使用。然而，機組在調峰運行時，負荷發生大范圍快速變動，傳統的PID控制難以及時準確地矯正動態偏差，導致控制效果不夠理想[21]。因此，許多學者針對如何簡化PID在燃煤發電機組中的應用過程以提升控制速率，提出了更加簡潔的參數整定442上海理工大學學報2023年第45卷方式。衛丹靖等[22]研究并簡化了火電機組模型，提出了針對火電機組模型的PID參數整定簡化方法，并討論了各個參數對控制性能的影響機理。另外，也有許多學者通過在原有控制邏輯上增加前饋、反饋回路來提升整體調控性能。李甲偉等[23]為鍋爐響應速度相對汽輪機響應速度要慢很多，因此，在亞臨界機組鍋爐側的控制邏輯上增加前饋回路，以協調機爐之間的能量匹配問題。周欣悅[18]在原有機組控制邏輯上增加供熱抽汽流量調節回路，從而在變負荷初期通過調節抽汽流量加快機組變負荷響應速率。經仿真驗證，該方法可顯著提升機組變負荷響應速率。經典控制方法的優勢在于實現與維護簡單，但對于燃煤發電機組這類非線性、非定常系統，其控制性能略遜于其他更先進的控制方法[24]。

2.3現代控制方法

2.3.1現代控制方法概述

現代控制理論針對多輸入多輸出的被控對象進行分析與控制設計，基本采用狀態空間描述系統。相對于經典控制方法，現代控制方法對多變量、非線性被控對象的控制效果更加理想[25]。

2.3.2自抗擾控制

自抗擾控制器是由中國科學院韓京清在20世紀90年代提出的一種不完全依靠數學模型的控制器[26]，其結構如圖2所示，由擴張狀態觀測器ESO和擴張狀態反饋ESF組成[27]。圖中：r為參考信號；u 0為內環控制信號；u為控制信號；y表示輸出；f表示總擾動；Z為狀態變量觀測值。該控制方法的核心思想是將所有自擾和外擾都歸入總擾動函數f，控制器只須針對總擾動進行抑制[28]。

一般的自抗擾控制器都采用非線性機制，且待整定參數多（一般形式的非線性自抗擾控制器的控制參數有12個）。因此，在參數整定方面，秦志明[7]以1000 MW超（超）臨界機組為研究對象，改進D–分割法，提出了自抗擾控制器的全新參數整定方法。通過仿真驗證了該方法具有良好的魯棒性和對變負荷的適應性，在升降負荷過程中能實現無振蕩、無超調地跟隨斜坡功率指令。此外，也可以通過線性化控制器的方法來簡化參數，如Tan等[29]針對燃煤機組設計線性自抗擾控制器，并提出了解耦補償方案和主動擾動抑制控制方案，經仿真驗證發現該種方式能夠對機組模型實現良好的解耦，且能將變負荷速率提高約20%。自抗擾控制器的設計原理清晰，控制魯棒性好，尤其在外界擾動與內部擾動情況下仍能表現出較理想的效果。目前，該方向的研究大多集中在結構簡化和參數整定方法創新方面。

2.3.3非線性控制

自20世紀80年代以來，非線性控制理論開始進入蓬勃發展時期。對于燃煤發電機組，尤其是超（超）臨界機組，非線性控制方法往往能夠取得更好效果。目前常應用于燃煤發電機組的非線性設計方法主要有反饋線性化和增益調度兩種。Moradi等[30]針對鍋爐–汽輪機機組分別應用反饋線性化和增益調度方法設計了兩款PI控制器，并經過仿真發現兩者都能達到較好的控制要求，且基于反饋線性化的控制器更易實現，但易產生約50%的超調，基于增益調度的控制器時間響應速度更快，且不存在超調與振蕩現象。基于增益調度理論，直接能量平衡法（direct energy balance，DEB）于20世紀80年代被提出。美國Leads and Northrup公司首先將DEB應用于電廠協調控制系統中，并初步解決了部分動態響應問題。張鶴飛[31]中加入前饋回路，從而提出了基于DEB的爐跟機控制策略和DEB–超前滯后前饋兩種控制方法，通過仿真實驗比較發現：DEB–超前滯后前饋對負荷曲線最接近，跟蹤程度最好。由于非線性控制根植于物理模型，且原理與經典控制相類似，具有實現過程簡單的優點，但缺點在于控制效果較差，抗干擾能力弱。

2.3.4魯棒控制

魯棒控制是指在外界條件發生重大變化、被控系統內部出現動態擾動的情況下仍能保持良好的控制效果，相關性能仍能保持最佳。目前，在燃煤發電機組控制中最常使用的魯棒控制理論是H∞控制。Tan等[32]針對燃煤機組基于H∞回路成型法設計了線性控制器。恒慶海等[33]通過改進不確定性權函數和性能權函數，改進機組現有的H∞控制器性能，提升了被控對象攝動時的魯棒性。Tan等[34]通過仿真發現H∞控制器一般在機組模型高頻區具有更好的魯棒性能。但全階模型建立的H∞魯棒控制器往往結構復雜且階數高，不適合工業實際應用。因此，必須通過簡化使其低階化、簡單化，以方便應用于實際工程中。目前，主要采用兩種途徑實現降階和簡化，第一種是簡化被控對象，如劉建江等[35-36]針對鍋爐過熱器和再熱器系統，利用最優Hankel范數近似降階方法簡化其擴張狀態觀測器，針對簡化后的觀測器設計低階的H∞魯棒控制器，并將該控制器應用于某330 MW機組，大大提升了控制系統的魯棒性，將再熱汽溫等參數的動態偏差降低30%左右。Balko等[37]建立了基于鍋爐?汽輪機機組的非線性多輸入?多輸出模型的線性化簡化模型，并將其拆分為多個子系統，設計了一個分散的魯棒控制器，所提出的分散控制器保證了預期規定的最大超調。另外，也可以在設計H∞控制器后再進行降階處理，如Hogg等[38]針對過熱汽溫和再熱汽溫的H∞魯棒控制器，利用近似逼近的方法將其簡化成一個具有PID簡單形式的低階多變量控制器。魯棒控制具有較好的控制魯棒性，但易使機組處于非最佳工作狀態，導致機組運行的經濟性較差。

2.3.5最優控制

最優控制解決的核心問題是最優化問題，即在多個約束條件下，目標函數或性能函數如何才能達到最優值這一問題。性能函數一般由控制結果的評價函數和控制消耗的函數組成，例如最終幅值和控制輸入的加權和，通過求解這類最優化問題能夠達到付出最少能量獲得最優控制效果的目的。因此，最優控制經常用于燃煤發電機組的節能優化控制中，將機組經濟性能作為目標函數進行最優化計算。Cori等[39]將LQR線性二次型調節器應用于燃煤機組，并取得了優于已有PID的控制性能。但由于一般的最優計算往往在整個時間域上進行，計算量大。為改善這一缺陷，預測控制在20世紀70年代后期被提出，這種方法僅考慮未來若干時間步內目標函數的最優化，在保證一定最優性的基礎上降低計算量[40]。它基于模型對系統未來動態行為的預測，是一種對被控對象模型精度要求不高的動態優化控制方法[41]。廣義預測控制方法被應用在主汽壓力、過熱汽溫、再熱汽溫控制環節，并經過仿真和實際應用證明該方法具有良好的控制效果，相比于現有PID控制方法，能夠更好地解決大慣性、大遲延等問題[38，42-43]。針對超臨界機組再熱汽溫系統，以綜合運行穩定性和經濟性的性能指標作為目標函數，能在保證控制穩定性的同時提高運行經濟性[44-47]。

崔曉波等[46]將laguerre函數、多模型控制技術、塊結構思想應用于綜合了穩定性和經濟性指標的預測控制中，該控制方法已正式應用于某電廠650 MW超臨界機組上，使機組快速變負荷時的動態偏差降低約60%。

最優控制的核心在于目標函數的設計，調節函數的各權重可以精準地達到理想效果。但目標函數過于復雜會導致計算量增大。

2.4智能控制方法

近年來，計算機和人工智能技術的迅猛發展，使得燃煤機組智能控制成為可能[48]。自1965年以來，智能控制已成為針對被控對象尋找最佳控制律的有效方式之一[49]。智能控制算法在燃煤發電機組控制系統中的應用方式主要有兩種：用智能算法優化已有控制系統或控制系統整體都采用智能控制方法。第一種應用中，智能算法主要作為參數優化等的方式被用于已有的經典控制[7，14，50]或現代控制[17，51-54]框架中，該方面的相關典型研究成果如表1所示。

利用智能算法優化現有控制器是一種簡單、易操作的通過控制系統升級提升機組變負荷能力的方法，但其效果會受到原始控制器的制約導致其優化效果有限；第二種應用中，最常見的是神經元控制器，這是一種不需要具體被控對象模型的控制器，其結構由適用于控制的神經元模型組成（如圖3所示），其參數整定方法多種多樣[55]。圖中：x i （t）， p i（t）表示被控對象輸出；w i （t）表示神經元自學習權值；K表示增益；s（t）表示控制信號。張建明等[56]將模糊控制器和神經元控制器相結合，提出一種前饋模糊神經非模型協調控制方法。該方法具有響應速度快、不需要解耦補償、應用方便等優點。呂劍虹等[57]將自適應理論用于神經元控制器當中，提出了兩種基于自適應神經元模型的負荷控制系統，該系統只需要對6～8個參數進行學習，在功率指令發生階躍變化時，該系統的控制品質相對普通PID控制系統有所提升，跟蹤速度提高約70%。除神經元控制外，遺傳算法、粒子群算法等優化算法也常用于煤電機組控制系統當中。El-Guindy等[58]結合了數據挖掘技術、非線性分析等方法，基于多目標優化算法獲得機組最佳平衡工作點。經試驗驗證，該方法能在不降低機組變負荷能力的條件下取得較好的節能效果。目前，智能算法在實際工程應用中已取得不少成果。劉桂生等[59]提出了仿人工智能控制算法并應用于國電諫壁12號330 MW亞臨界機組，該方法提高了機組變負荷速率，抑制主汽壓力等主要參數的波動。柳倩等[60]將特征軌跡法和生物啟發的智能算法相結合設計出了一種針對亞臨界機組協調控制系統的智能算法，經實際應用驗證發現該方法能使平均變負荷速率達到5.9 MW/min，大大降低最大動態偏差。

3總結與展望

“雙碳”目標對我國煤電機組的靈活運行性能提出了更高的要求，現代控制理論與智能控制方法的發展為燃煤機組智能化控制提供了基礎和土壤。我國煤電機組在靈活運行智能化控制方面，將向以下主要方向發展：

a.被控對象模型將更多采用混合建模方式，且輔以機器學習等智能系統辨識辦法，利用現有完備的數據集構建全工況高精度模型，這是未來燃煤發電機組被控對象建模的主要發展趨勢；

b.預測控制在燃煤發電機組控制領域中得到廣泛應用，并取得較好效果，未來仍有較大的發展空間；

c.目前，控制方法的優化目標大多集中于通過優化機組協調控制系統提升變負荷速率、低負荷穩定性等方面，對機組變負荷過程中的經濟性、脫硫脫硝環保性能以及鍋爐島與環保島間的協調優化控制的關注還比較少，未來，多輸入、多目標智能尋優控制將成為主流，機組低負荷及變負荷運行過程中的機組經濟性及污染物排放協同優化控制等將被重視；

d.智能控制和現代控制的有機結合將具有更加廣闊的發展前景，是我國未來燃煤機組靈活運行控制技術發展的主要方向。

參考文獻：

[1] 張顯榮， 徐玉杰， 楊立軍， 等. 多類型火電–儲熱耦合系統性 能 分 析 與 比 較 [J]. 儲 能 科 學 與 技 術， 2021， 10（5）： 1565–1578.

[2] 汪德良， 李志剛， 柯于進， 等. 超超臨界參數機組的水汽 品質控制 [J]. 中國電力， 2005（8）： 57–61.

[3] 于達仁， 徐志強. 超臨界機組控制技術及發展 [J].熱能動 力工程， 2001， 16（2）： 115–121.

[4] 趙雯文. 充分利用火電機組儲能的高速率變負荷控制系 統研究 [D].保定： 華北電力大學， 2016.

[5] 萬家歡. 面向燃燒振蕩的參數化建模和主動控制技術研究 [D].南京： 南京航空航天大學， 2019.

[6] ?STR?M K J， EKLUND K. A simplified non-linear model of a drum boiler-turbine unit[J]. International Journal of Control， 1972， 16（1）： 145–169.

[7] 秦志明. 超超臨界機組動態模型與控制的研究 [D].保定： 華北電力大學， 2014.

[8] 劉暑輝， 田亮. 深調峰工況亞臨界機組無自平衡對象控制器優化 [J]. 華北電力大學學報， 2021， 48（1）： 69–75.

[9] 王琳， 馬平 . 系統辨識方法綜述 [J]. 電力情報， 2001（4）： 63–66.

[10] 鄒樂強 . 最小二乘法原理及其簡單應用 [J]. 科技信息， 2010， 2（23）： 282–283.

[11] CAMPOS-DELGADO D U， ZHOU K， ALLGOOD D， et al. Active control of combustion instabilities using model-based controllers[J]. Combustion Scienceand Technology， 2003， 175（1）： 27–53.

[12] CHAWDHRY P K， HOGG B W. Identification of boiler models[J]. IEE Proceedings D （ Control Theory and Applications）， 1989， 136（5）： 261–271.

[13] 陸豪強. 大型火電機組燃燒系統的建模與控制方法研究 [D]. 保定： 華北電力大學， 2018.

[14] 張曉叢. 1000MW 超臨界機組燃燒系統智能控制算法研 究 [D]. 保定： 華北電力大學， 2021.

[15] 周志華 ， 陳世福 . 神經網絡集成 [J]. 計算機學報， 2002， 25（1）： 1–8.

[16] 陳彬， 王小東， 王戎驍， 等. 融合機理與數據的灰箱系統 建 模 方 法 研 究 [J]. 系 統 仿 真 學 報 ， 2019， 31（12）： 2575–2583.

[17] 屈小凡. 超（超）臨界機組深度調峰協調系統建模與控制 策略研究 [D].南京： 東南大學， 2021.

[18] 周欣悅. 超臨界供熱機組協調控制系統建模與控制研究 [D]. 北京： 華北電力大學（北京）， 2022.

[19] HAU G， TANG Z Y， GONG L J， et al. A dynamic model of supercritical boiler-turbine unit based on immune genetic algorithm parameter identification[C]//Proceedings of the 33rd Chinese Control and Decision Conference （CCDC）. Kunming： IEEE， 2021： 6185–6190.

[20] 鄭南寧， 賈新春， 袁澤劍. 控制科學與技術的發展及其思 考 [J]. 自動化學報， 2002， 28（S1）： 7–17.

[21] 王傳波， 劉旸. 現代控制理論與經典控制理論的對比研究 [J]. 機械管理開發， 2006（3）： 6–8.

[22] 衛丹靖， 田亮， 邊防， 等. “機跟爐 ”協調控制系統參數 整 定 規 律 研 究 [J]. 華 北 電 力 大 學 學 報 ， 2016， 43（6）： 91–96.

[23] 李甲偉， 劉新龍， 梁祖雄， 等. 火電機組深度調峰控制系 統優化研究 [J]. 自動化儀表， 2022， 43（7）： 67–72.

[24] TAN W， LIU J Z， FANG F， et al. Tuning of PID controllers for boiler-turbine units[J]. ISA Transactions， 2004， 43（4）： 571–583.

[25] 王瑋， 孫陽， 劉吉臻， 等. 適應電網快速調頻的熱電聯產 機組新型變負荷控制策略 [J]. 電力系統自動化， 2018， 42（21）： 63–69.

[26] 韓京清. 自抗擾控制器及其應用 [J]. 控制與決策， 1998，13（1）： 19–23.

[27] GAO Z Q. Active disturbance rejection control： a paradigm shift in feedback control system design[C]//Proceedings of 2006 American Control Conference. Minneapolis： IEEE， 2006.

[28] GAO Z Q， HUANG Y， Han J Q. An alternative paradigm for control system design[C]//Proceedings of the 40th IEEE Conference on Decision and Control . Orlando： IEEE， 2001： 4578–4585.

[29] TAN W， FANG J X， FU C F. Linear active disturbance rejection controllers （ LADRC）for boiler-turbine units [C]//Proceedings of the 32nd Chinese Control Conference. Xi'an： IEEE， 2013： 5339–5344.

[30] MORADI H， ALASTY A， BAKHTIARI-NEJAD F. Control of a nonlinear boiler-turbine unit using two methods： gain scheduling and feedback linearization [C]//Proceedings of the ASME 2007 International Mechanical Engineering Congress and Exposition. Seattle： ASME， 2007： 491–499.

[31] 張鶴飛. 600 MW 亞臨界機組協調控制系統仿真研究[D]. 上海： 上海交通大學， 2013.

[32] TAN W， MARQUEZ H J， CHEN T W， et al. Analysis and control of a nonlinear boiler-turbine unit[J]. Journal of Process Control， 2005， 15（8）： 883–891.

[33] 恒慶海 ， 魯婧 ， 周海 ， 等 . 鍋爐燃燒系統魯棒控制研究 [C]//2011 年中國智能自動化學術會議論文集（第一分 冊）. 北京 ： 中國自動化學會智能自動化專業委員會 ， 2011.

[34] 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.

[35] 劉建江， 倪維斗， 張法文， 等. 基于 H∞理論的狀態變量控 制在再熱汽溫控制中的應用 [J]. 動力工程， 2000， 20（5）： 867–871.

[36] 劉建江， 李政， 倪維斗， 等. 基于 H∞理論的狀態變量控制在主蒸汽溫度控制中的應用 [J]. 動力工程， 2000， 20（3）：669–673，684.

[37] BALKO P， ROSINOV? D. Nonlinear boiler-turbine unit： modelling and robust decentralized control[J]. IFAC- PapersOnLine， 2016， 49（4）： 49–54.

[38] HOGG B W， EL-RABAIE N M. Multivariable generalized predictive control of a boiler system[J]. IEEE Transactions on Energy Conversion， 1991， 6（2）： 282–288.

[39] CORI R， MAFFEZZONI C. Practical-optimal control of a drum boiler power plant[J]. IFAC Proceedings Volumes， 1981， 14（2）： 3011–3016.

[40] 陳虹， 劉志遠， 解小華. 非線性模型預測控制的現狀與問 題 [J]. 控制與決策， 2001， 16（4）： 385–391.

[41] 席裕庚， 李德偉， 林姝 . 模型預測控制—— 現狀與挑戰[J]. 自動化學報， 2013， 39（3）： 222–236.

[42] HOGG B W， EL-RABAIE N M. Generalized predictive control of steam pressure in a drum boiler[J]. IEEE Transactions on Energy Conversion， 1990， 5（3）： 485–492.

[43] YU-CHANG F， DONG-LIN S. Model free adaptive predictive control for main stream pressure system of power plant[J]. Energy Procedia， 2012， 17： 1682–1688.

[44] 朱齊丹， 冷欣. 基于約束預測控制的增壓鍋爐汽包水位 系 統 研 究 [J]. 哈 爾 濱 工 程 大 學 學報 ， 2009， 30（11）： 1246–1250.

[45] 張嘉英， 武欣梅. 大型單元機組鍋爐燃燒系統改進型預 測控制的研究 [J]. 鍋爐技術， 2012， 43（2）： 21–24.

[46] 崔曉波， 陳雨亭， 秦文煒， 等. 多模型塊結構 Laguerre 函 數預測控制在再熱汽溫系統中的應用 [J].東南大學學報 （自然科學版）， 2013， 43（4）： 803–808.

[47] KLAU?O M， KVASNICA M. Control of a boiler-turbine unit using MPC-based reference governors[J]. Applied Thermal Engineering， 2017， 110： 1437–1447.

[48] 辛斌， 陳杰， 彭志紅. 智能優化控制： 概述與展望 [J]. 自動 化學報， 2013， 39（11）： 1831–1848.

[49] 南英， 陳昊翔， 楊毅， 等. 現代主要控制方法的研究現狀 及 展 望 [J]. 南 京 航 空 航 天 大 學 學 報 ， 2015， 47（6）： 798–810.

[50] JAN A Z， KEDZIA K， ABBASS M J. Fractional-order PID controller（FOPID）-based iterative learning control for a nonlinear boiler system[J]. Energies， 2023， 16（3）： 1045–1045.

[51] 朱紅霞， 沈炯， 丁軻軻. 單元機組負荷非線性預測控制及 其仿真研究 [J]. 中國電機工程學報， 2006， 26（23）： 72–77. [52] WU X， SHEN J， LI Y G， et al. Data-driven modeling and predictive control for boiler-turbine unit using fuzzy?clustering and subspace methods[J]. ISA Transactions， 2014， 53（3）： 699–708.

[53] ZHU H Y， TAN P， HE Z Q， et al. Nonlinear model predictive control of USC boiler-turbine power units in flexible operations via input convex neural network[J]. Energy， 2022， 255： 124486.

[54] ZHU H X， ZHAO G， SUN L， et al. Nonlinear predictive control for a boiler –turbine unit based on a local model network and immune genetic algorithm[J]. Sustainability， 2019， 11（18）： 5102–5102.

[55] 王寧， 涂健， 陳錦江. 使用單個自適應神經元的智能控制 [J]. 華中理工大學學報， 1993（3）： 31–35.

[56] 張建明， 王寧， 王樹青. 火力單元機組的前饋模糊神經非 模型協調控制 [J]. 動力工程， 2000， 20（3）： 664–668.

[57] 呂劍虹， 陳建勤， 陳來九. 基于自適應神經元模型的火電 單元機組負荷控制系統仿真研究 [J].中國電機工程學 報， 1995， 15（1）： 1–7，60.

[58] EL-GUINDY A， R?NZI S， MICHELS K. Optimizing drum-boiler water level control performance： a practical approach[C]//Proceedings of 2014 IEEE Conference on Control Applications （CCA）. Juan Les Antibes： IEEE， 2014： 1675–1680.

[59] 劉桂生 ， 石衛兵 ， 高崢 ， 等 . 基于仿人智能控制算法的 330 MW 機組深度調峰控制研究 [J].汽輪機技術， 2019， 61（5）： 368–370，374.

[60] 柳倩， 楊向東， 呂劍虹， 等. 基于降步長天牛須搜索算法 的火電機組 CCS 特征軌跡設計 [J]. 發電設備， 2019， 33（6）： 409–414.

（編輯：丁紅藝）