基于多模型预测控制算法的燃气轮机T-S模型优化方法与流程

基于多模型预测控制算法的燃气轮机t-s模型优化方法
技术领域
1.本发明涉及燃气轮机的动态工况的技术领域，具体涉及基于多模型预测控制算法的燃气轮机t-s模型优化方法。


背景技术：

2.我国作为能源大国，积极参与应对全球气候变化问题，能源电力行业将重塑格局，长期以来作为我国主体性能源的煤电正在向调节性能源转变，以可再生能源带动能源生产清洁化已成为必然趋势[1]。风光发电受限因素较多，出力不定性会给电力系统稳定性调节和灵活性调度带来严重冲击，新能源发电作为主流发电能源绝非一朝一夕能完成，仍需要合理规划和时间过渡。在此期间，燃气-蒸汽联合循环机组既可以支撑系统转型，又可以配合新能源发展，是现有条件下的最佳选项。
[0003]
燃气-蒸汽联合循环机组属于火力发电，不同于传统的煤粉火力机组，燃气-蒸汽联合循环机组的燃烧系统由燃气轮机完成，而燃料选择的是天然气(甲烷ch4)，充分燃烧后获得较高的热值和零污染排放。燃气-蒸汽联合循环机组减排效果明显，同时可以提供高占比的有效容量。近些年，我国多地出现缺电停电的事故，反映了电力系统中发电侧和电网侧的供给不平衡，电源容量与最大负荷不匹配的问题。这是由于居民消费增长和社会用电结构发生变化，尤其在冬夏两季，用电负荷加大，电网峰谷差不断扩大，调频调压能力不足，凸显电力保障供应问题的严峻性。因此，新增燃气-蒸汽联合循环机组容量可有效应对和缓解电网调峰问题。
[0004]
然而，燃气轮机的特殊工作性质也带来对了解其动态特性的困难，加之燃气轮机本身的非线性和耦合性，直接地使用机理方法去研究燃气轮机不是一个好的选择，近年来研究非线性系统的趋势和热点就是将非线性系统分解成多个线性系统模型，再通过融合的方式将各段线性系统拟合到全局非线性系统，这种多模型策略最具典型的就是t-s 聚类模糊模型。不需要给出非线性系统的模型，只需要通过研究燃气轮机的输入输出数据之间的关系，使用模糊聚类和辨识的方法，将数据空间划分为多个子空间，分段表达出每组简单的线性模型。建立精准且通用的燃气轮机模型是展开优化和控制的基础，这是有非常现实的意义所在。


技术实现要素：

[0005]
鉴于现有技术的不足，本发明旨在于提供基于多模型预测控制算法的燃气轮机t-s模型优化方法。
[0006]
为了实现上述目的，本发明采用的技术方案如下：
[0007]
基于多模型预测控制算法的燃气轮机t-s模型优化方法，所述方法包括：
[0008]
s1数据预处理，使用五个相邻采样点进行三次多项式拟合，对数据进行预处理，提高数据质量；
[0009]
s2建立特征向量，即构建输入与输出变量的特征向量组合；
[0010]
s3对特征向量进行前件结构辨识；
[0011]
s4对经过步骤s3获得数据进行后件参数辨识；
[0012]
s5获得t-s模糊模型；
[0013]
s6在步骤s5获得t-s模糊模型中取得对应工况的阶跃响应向量模型；
[0014]
s7利用dmc算法求出最优输入量对燃气轮机输出进行优化控制。
[0015]
需要说明的是，所述步骤s1中，采用五点三次平滑公式进行数据预处理，其中：
[0016]
设原始数据记为x，滤波处理后数据记为y，具体滤波算法规则表示为式：
[0017][0018]
需要说明的是，所述步骤s2中的特征向量组合为：
[0019][0020]
其中，x1表示功率的特征向量组合，k表示第k采样时刻，离散系统中也可理解为阶次，表示x2排气温度的特征向量组合，u1表示输入变量燃料量，u2表示输入变量进口导叶开度，y1表示输出变量燃机功率，y2表示输出变量排气温度。
[0021]
需要说明的是，所述步骤s3采用改进fcm聚类算法，具体为：
[0022][0023]
其中，γ为正则化因子。
[0024]
需要说明的是，还包括改进粒子群算法，具体为：
[0025]
第一步，标准粒子群算法的第一步，定义待辨识变量，设置优化目标函数和停止条件，随机生成若干个粒子的种群，初始化粒子的位置和速度；
[0026]
第二步，根据matlab初步辨识出的数值作为参考，约束粒子寻优解的区间，加快寻求最优解的速度；
[0027]
第三步，计算每个粒子的适应度值，记录每个粒子当前的历史最优解和全局最优解；
[0028]
第四步，根据公式确定每个粒子与全局最优粒子之间的距离，分别计算粒子的惯性权重和学习因子；
[0029]
第五步，更新粒子的速度和位置并记录，覆盖原来的历史最优解和全局最优解，带入目标函数求解，判断是否满足停止条件，若满足则进行下一步，否则执行第三步；
[0030]
第六步，输出全局最优粒子个体，即辨识出的参数的解；
[0031]
通过改进粒子群算法获得燃气轮机现场精确的传递函数其中，改进后的传递公式为：
[0032][0033]
本发明有益效果在于：
[0034]
本发明基于“分解-融合”策略，数据驱动的t-s模糊辨识的建模方法，将燃气轮机简化为两输入两输出的模型。进一步的，分别通过改进的模糊c均值聚类(fcm)算法进行模型结构辨识，以及使用兼具结果修正和递推方式的最小二乘法来辨识模型参数，获得了具备模糊语句的线性规则表达的数学模型，并通过回归模型指标验证了模型的精度和通用性。
[0035]
其次，本发明将建立的燃气轮机模型与动态矩阵预测控制相结合，并应用在输出预测控制策略上。根据结果表明，本发明所建立的t-s 模糊模型结合预测控制的混合算法，相较于pid控制效果更好。
附图说明
[0036]
图1为本发明中输入数据的五点三次法平滑处理结果；
[0037]
图2为本发明的输出数据的五点三次法平滑处理结果；
[0038]
图3为本发明中不同γ因子改进误差函数曲线图；
[0039]
图4为本发明中燃气轮机t-s模型辨识结果图；
[0040]
图5为本发明中燃气轮机传递函数下的激励与实际响应比较示意图；
[0041]
图6为本发明中燃气轮机输出量预测控制的结构示意图；
[0042]
图7为本发明的功率给定值扰动控制策略图；
[0043]
图8为本发明中功率目标值跟踪实验动态响应示意图；
[0044]
图9为本发明中外部扰动下的控制策略结构图；
[0045]
图10为本发明中仿真试验中排气温度扰动信号阶跃响应示意图。
具体实施方式
[0046]
下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
[0047]
本发明为基于多模型预测控制算法的燃气轮机t-s模型优化方法，所述方法包括：
[0048]
s1数据预处理，使用五个相邻采样点进行三次多项式拟合，对数据进行预处理，提高数据质量；
[0049]
s2建立特征向量，即构建输入与输出变量的特征向量组合；
[0050]
s3对特征向量进行前件结构辨识；
[0051]
s4对经过步骤s3获得数据进行后件参数辨识；
[0052]
s5获得t-s模糊模型；
[0053]
s6在步骤s5获得t-s模糊模型中取得对应工况的阶跃响应向量模型；
[0054]
s7利用dmc算法求出最优输入量对燃气轮机输出进行优化控制。
[0055]
进一步的，本发明的所述步骤s1中，采用五点三次平滑公式进行数据预处理，其中：
[0056]
设原始数据记为x，滤波处理后数据记为y，具体滤波算法规则表示为式：
[0057][0058]
进一步的，本发明的所述步骤s2中的特征向量组合为：
[0059][0060]
其中，x1表示功率的特征向量组合，k表示第k采样时刻，离散系统中也可理解为阶次，表示x2排气温度的特征向量组合，u1表示输入变量燃料量，u2表示输入变量进口导叶开度，y1表示输出变量燃机功率，y2表示输出变量排气温度。
[0061]
进一步的，本发明的所述步骤s3采用改进fcm聚类算法，具体
[0062]
为：
[0063][0064]
其中，γ为正则化因子。
[0065]
进一步的，本发明还包括改进粒子群算法，具体为：
[0066]
第一步，标准粒子群算法的第一步，定义待辨识变量，设置优化目标函数和停止条件，随机生成若干个粒子的种群，初始化粒子的位置和速度；
[0067]
第二步，根据matlab初步辨识出的数值作为参考，约束粒子寻优解的区间，加快寻求最优解的速度；
[0068]
第三步，计算每个粒子的适应度值，记录每个粒子当前的历史最优解和全局最优解；
[0069]
第四步，根据公式确定每个粒子与全局最优粒子之间的距离，分别计算粒子的惯性权重和学习因子；
[0070]
第五步，更新粒子的速度和位置并记录，覆盖原来的历史最优解和全局最优解，带入目标函数求解，判断是否满足停止条件，若满足则进行下一步，否则执行第三步；
[0071]
第六步，输出全局最优粒子个体，即辨识出的参数的解；
[0072]
通过改进粒子群算法获得燃气轮机现场精确的传递函数其中，改进后的传递公式为：
[0073][0074]
实施例
[0075]
需要指出的是，针对燃气轮机具有多输入输出变量、变量之间耦合性强等非线性的特点，在仅有输入输出数据的情况下，采用基于数据驱动的系统辨识方法，建立能够准确表达燃气轮机的数学模型，是目前解决非线性系统建模问题的方法之一。本发型采用t-s模糊模型辨识算法对燃气轮机进行建模，用一种线性模糊模型描述非线性系统动态特性，再将优化理论运用到模糊模型辨识中去，建立一种燃气轮机辨识策略流程，进而得到燃气轮机的t-s模糊模型。
[0076]
一、数据预处理
[0077]
本文使用五点三次平滑公式，即使用五个相邻采样点进行三次多项式拟合，对数据进行预处理，算法简单，并且处理效果较好。设原始数据记为x，滤波处理后数据记为具体滤波算法规则表示为下式：
[0078][0079]
本文的数据取自dcs仿真机上，对燃气蒸汽联合循环机组进行了升降负荷实验，采集了机组从满负荷800mw先降至700mw再将至 600mw的实验数据，待机组稳定一段时间后，又将机组从600mw升至满负荷800mw，中间仍在700mw阶段过渡，机组升降负荷的变化率均置为1，数据采样周期为1秒。对于后两个数据点的处理公式与前两个点的处理相似，具体到实际中的前两个样本点的处理，由第三个点代替，最后两个样本点的处理，应用五点三次平滑公式对燃气轮机的两个输入变量和两个输出变量做数据预处理，处理后的结果分别如图1和图2所示。
[0080]
二、建立特征向量
[0081]
针对多输入多输出变量的系统，数据之间存在着耦合性和非线性，为了了解变量在不同时刻对系统的影响，需要借助互相关函数对输入与输出变量分析，分析的指标是确定输入变量在哪一时刻下对系统输出的相关系数的高低，相关系数值越接近1，表示对输出的影响越大。分析相关系数同时可以避免过拟合，提高模型的建模精度，因此需要构建输入与输出变量的特征向量组合。
[0082]
经过反复的实验，确定了下式为特征向量组合：
[0083][0084]
其中，x1表示功率的特征向量组合，k表示第k采样时刻，离散系统中也可理解为阶
次，表示x2排气温度的特征向量组合，u1表示输入变量燃料量，u2表示输入变量进口导叶开度，y1表示输出变量燃机功率，y2表示输出变量排气温度。
[0085]
三、前件辨识—改进的fcm聚类算法
[0086]
模糊c-均值聚类算法(fcm)是一种柔性聚类，核心思想是以数据隶属度为标准，确定每个数据点属于某个聚类的程度，将数据样本点划分到区间[0,1]。首先随机选取多个聚类中心，根据目标函数搜索最优目标加权点，反复调整模糊隶属度矩阵和聚类中心矩阵，得到最小的迭代次数，选取最优的聚类中心，聚类结果通过模糊隶属度矩阵u＝[μ
ij
]∈r表示，u为样本集，最后通过隶属度函数将各个线性段连接起来。通过样本点到聚类中心的欧氏距离来求解目标函数的最优解问题，fcm算法的目标函数可以表示为下式：
[0087][0088]
由于fcm算法对样本点的距离依赖性很强，对于样本集群中的离群点和噪声点，就会对目标函数造成扰动，在迭代过程中容易陷入局部极小值，影响最终的模型精度。因此，引入一种控制改进误差函数的正则化因子γ，来减小离群点和噪声点的影响，提高有效样本点的作用。
[0089]
将原来fcm的目标函数中的(d
ij
)2部分修改为式子：
[0090][0091]
如图3所示，观察等值线的左右区域，当时，γ的取值越大，对噪声点和离群点的抑制作用越明显；当时，样本集有效数据点的作用也能减弱误差函数的影响。
[0092]
四、后件辨识—递推最小二乘法参数辨识
[0093]
从实际系统中获得的输入变量矩阵x＝[x
kj
]，(k＝1，2，...，nj＝1，2，...，d)和和输出向量y＝[y1，y2，...，yn]
t
，其中n是样本数，d是维数。由此，模型的后件参数可以从下面的矩阵方程中得到：
[0094][0095]
其中是误差向量，ф＝[φ1，φ2，...，φr]，(r＝c
×
(d+1))为系数矩阵，从前面的描述可以看出公式：
[0096]
φi＝[φi(x1)，φi(x2)，...，φi(xn)]，(i＝1，2，...，r)
[0097]
为求解上述的，若是使用最小二乘法可能会遇到奇异阵而无法求解，递推最小二乘法(rls)正是为了避免高阶矩阵求逆运算而产生的，而且能够提高参数识别的准确性。估计参数值的迭代公式：
[0098][0099]
这里设定初始值p0＝αi.(α是一个很大的数值，这里可以取105)。
[0100]
五、模型测试
[0101]
为了检验模型的通用性和泛化能力，对所建立的模型展开测试，具体步骤和训练集一致，只是选取的测试集数据组不同，测试数据抽取机组升负荷阶段中的一段，共800组数据，相关数据指标分布如下表所示：
[0102][0103]
测试集下，燃气轮机t-s模糊模型的辨识结果如图4所示。
[0104]
测试集下，燃气轮机t-s模糊模型的输出变量评价指标如下表所示：
[0105][0106]
根据测试集模型辨识结果和评价指标，模型输出与实际输出的拟合效果良好，均方误差和决定系数的数值也在可接受的范围内，测试出的t-s模糊模型有较好的模型泛化能力。
[0107]
六、动态矩阵预测控制算法(dmc)
[0108]
动态矩阵控制(dynamidynami，dmc)是模型预测控制中最早产生于工业过程的预测控制代表算法之一，是一种基于系统阶跃响应曲线的预测控制算法，广泛应用于化工、能源生产等工业领域，结合了过程控制中的线性规划和约束控制问题，解决了静态最优问题，适用于带有自平衡的线性被控对象的预测控制，近年来，dmc算法也用来处理具有非线性系统的预测控制问题，如结合pid、自抗扰等设计的控制器，有良好的解耦和处理非线性能力，并取得了良好的控制效果。根据现有技术而言，dmc算法中包括额预测模型、滚动优化和反馈校正三部分，由于属于现有技术，本发明认为本领域技术人员应当知晓其相关的公式、原理及其推导过程。
[0109]
七、传递函数
[0110]
改进粒子群算法，具体为：
[0111]
第一步，标准粒子群算法的第一步，定义待辨识变量，设置优化目标函数和停止条件，随机生成若干个粒子的种群，初始化粒子的位置和速度；
[0112]
第二步，根据matlab初步辨识出的数值作为参考，约束粒子寻优解的区间，加快寻求最优解的速度；
[0113]
第三步，计算每个粒子的适应度值，记录每个粒子当前的历史最优解和全局最优解；
[0114]
第四步，根据公式确定每个粒子与全局最优粒子之间的距离，分别计算粒子的惯性权重和学习因子；
[0115]
第五步，更新粒子的速度和位置并记录，覆盖原来的历史最优解和全局最优解，带入目标函数求解，判断是否满足停止条件，若满足则进行下一步，否则执行第三步；
[0116]
第六步，输出全局最优粒子个体，即辨识出的参数的解。
[0117]
本文使用的改进粒子群算法参数设置分别是，惯性权重为0.9，两个学习因子均设为2，考虑到每个粒子均可作为最优解的可能，粒子的数量和迭代次数设置相同且均为100，最优目标函数设为模型辨识输出与实际输出之差的平方和。根据初步确定待辨识传递函数的参数，按照[-5,5]的界限划定待辨识参数的数域。将辨识出的传递函数通过matlab中的lsim函数对原始输入进行激励，再与零初始值处理的实际输出做对比，分别如图5中所示，曲线基本走势相同，误差也在精度要求之中。因此，通过上述方法得到的新的传递函数如公式如下所示，将用作模型的pid控制。
[0118][0119]
八、基于ttt模糊模型的动态矩阵预测控制
[0120]
模糊模型是实现非线性预测控制的第一步。具有维输出的多变量分线性系统可以按照输出个数分解为r个多输入单输出系统，对于其中第个多输入单输出系统，通过模糊聚类已经获得了个cl聚类，得到形如式所示的子模型描述，进一步将其转化为增量形式，以适合dmc 算法对控制增量为变量的要求，同时消除了各线性模型中常量的影响，变形后的模糊规则表示为：
[0121][0122]
其中，表示第l个多输入单输出系统的输入向量，d
l
为其维数，y
l
为其输出，表示第个子模型中的第个参数，表示第个子模型对的输出参数，聚类中心cl和线性模型参数均通过离线模型已确定，对各个子模型按其对应的隶属度即可融合为该多输入单输出系统的全局模型，表达式如下：
[0123][0124]
具体到对燃气轮机输出量控制的研究，对于燃气轮机的两个输出可以分开考虑，分别建立功率输出辨识模型和排气温度输出辨识模型与dmc算法的结合。首先通过建立的
燃气轮机t-s模糊模型取得对应工况的阶跃响应向量模型，然后再结合dmc算法求出最优输入量对燃气轮机输出进行优化控制。这其中的重点在于燃气轮机的动态性能特点，dmc算法通过模型的辨识误差进行反馈校正。综合以上，就建立了燃气轮机输出量预测控制的结构示意图6。
[0125]
九、给定值扰动下的控制系统仿真
[0126]
给定值扰动是通过改变输出量的目标值来观察预测控制器的调节作用，具体来说，通过改变排烟温度的目标值，预测控制器根据新的目标设定值，会对燃料量、igv开度等主要控制输入量进行调节，并作用到燃气轮机t-s模糊模型中，燃气轮机的实际输出又被送入到预测控制器中，由此构成闭环反馈环节，增加了系统的稳定性。给定值扰动下的控制系统结构示意图如图7所示。
[0127]
对于功率给定值的跟踪实验，本文选择机组700mw的稳定工况下，此时燃气轮机对应的功率为227mw，分别设置功率为237mw、217mw、 228mw和235mw，每次改变都是在功率输出稳定后执行，通过连续设置一升一降再两次升的功率恒值，测试了t-s结合dmc算法下系统的跟踪响应能力，dmc算法选择的参数设置是，控制时域为60，控制时域为1，结合pid控制效果的结果如图8所示。
[0128]
从图中可以看出，t-s结合dmc算法的控制效果要优于常规pid 控制，具备良好的响应跟踪能力，并且基本没有稳态误差，相应的调节品质如下表所示：
[0129][0130]
从表中可得出，对于功率设定值的改变，基于t-s模糊模型的dmc 算法能够很快响应功率输出，且具有很小的超调量，调整时间短；而常规pid控制效果响应略慢于混合算法，且超调量较大，容易陷入抖动，延长了调整时间。
[0131]
十、外部扰动下的控制系统仿真
[0132]
外部扰动是在控制器与被控对象之间加入阶跃信号，观察预测控制器的调节作用，外部扰动能够反映被控对象处理扰动的能力。本小节以无关变量如转速来作为扰动的阶跃信号，通过分别在排气温度输出稳定时，设定一上升沿和一下降沿两次不同的阶跃信号来模拟外部扰动，观察预测控制器作用下排气温度的调节恢复能力。阶跃信号扰动下的控制系统结构示意图如图9所示。
[0133]
实验中，将排气温度从622℃升至632℃，检验一次排气温度传递函数下的响应指标，对于实验中阶跃信号改变的设定，分别在仿真时间为500s和1000s时进行一次上升沿和下降沿的阶跃响应，仍然保持调整好的控制器参数，观测相同燃料量扰动下，基于t-s模糊模型的dmc算法和常规pid对扰动的处理能力，阶跃信号扰动下排气温度的动态特性如图10所示。
[0134]
图中看出，受到阶跃信号的变化的影响，排气温度也会出现波动，但基于t-s模糊模型的dmc算法的控制效果明显优越于常规pid控制的效果，前者能够快速恢复到排气温度的设定值，而后者的恢复需要一定的时间。
[0135]
从下表显示出在相同阶跃信号的扰动下，基于t-s模糊模型的 dmc算法有较小的
超调量，表现出对扰动具有一定的抑制能力，在各项时间表现上，均要好于常规pid扰动后的恢复能力。
[0136][0137]
综合以上仿真结果和实验数据，基于t-s模糊模型的dmc算法在目标值跟踪和阶跃信号扰动实验上，仿真效果均优于传统pid的控制效果，在超调量、峰值时间、调整时间等调节品质上的结果值也基本小于pid的结果值，基于t-s模糊模型的dmc算法有调节速度快，稳定性好、扰动抑制能力强的优点。
[0138]
对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。

技术特征：
1.基于多模型预测控制算法的燃气轮机t-s模型优化方法，其特征在于，所述方法包括：s1数据预处理，使用五个相邻采样点进行三次多项式拟合，对数据进行预处理，提高数据质量；s2建立特征向量，即构建输入与输出变量的特征向量组合；s3对特征向量进行前件结构辨识；s4对经过步骤s3获得数据进行后件参数辨识；s5获得t-s模糊模型；s6在步骤s5获得t-s模糊模型中取得对应工况的阶跃响应向量模型；s7利用dmc算法求出最优输入量对燃气轮机输出进行优化控制。2.根据权利要求1所述的基于多模型预测控制算法的燃气轮机t-s模型优化方法，其特征在于，所述步骤s1中，采用五点三次平滑公式进行数据预处理，其中：设原始数据记为x，滤波处理后数据记为y，具体滤波算法规则表示为式：3.根据权利要求1所述的基于多模型预测控制算法的燃气轮机t-s模型优化方法，其特征在于，所述步骤s2中的特征向量组合为：其中，x1表示功率的特征向量组合，k表示第k采样时刻，离散系统中也可理解为阶次，表示x2排气温度的特征向量组合，u1表示输入变量燃料量，u2表示输入变量进口导叶开度，y1表示输出变量燃机功率，y2表示输出变量排气温度。4.根据权利要求1所述的基于多模型预测控制算法的燃气轮机t-s模型优化方法，其特征在于，所述步骤s3采用改进fcm聚类算法，具体为：其中，γ为正则化因子。5.根据权利要求1所述的基于多模型预测控制算法的燃气轮机t-s模型优化方法，其特征在于，还包括改进粒子群算法，具体为：第一步，标准粒子群算法的第一步，定义待辨识变量，设置优化目标函数和停止条件，随机生成若干个粒子的种群，初始化粒子的位置和速度；第二步，根据matlab初步辨识出的数值作为参考，约束粒子寻优解的区间，加快寻求最优解的速度；第三步，计算每个粒子的适应度值，记录每个粒子当前的历史最优解和全局最优解；第四步，根据公式确定每个粒子与全局最优粒子之间的距离，分别计算粒子的惯性权
重和学习因子；第五步，更新粒子的速度和位置并记录，覆盖原来的历史最优解和全局最优解，带入目标函数求解，判断是否满足停止条件，若满足则进行下一步，否则执行第三步；第六步，输出全局最优粒子个体，即辨识出的参数的解；通过改进粒子群算法获得燃气轮机现场精确的传递函数，其中，改进后的传递公式为：

技术总结
本发明公开了基于多模型预测控制算法的燃气轮机T-S模型优化方法，所述方法包括数据预处理，使用五个相邻采样点进行三次多项式拟合，对数据进行预处理，提高数据质量；建立特征向量，即构建输入与输出变量的特征向量组合；对特征向量进行前件结构辨识；对经过步骤S3获得数据进行后件参数辨识；获得T-S模糊模型；在步骤S5获得T-S模糊模型中取得对应工况的阶跃响应向量模型，利用DMC算法求出最优输入量对燃气轮机输出进行优化控制。燃气轮机输出进行优化控制。燃气轮机输出进行优化控制。


技术研发人员：聂海龙 叶今墨 韩嘉桢
受保护的技术使用者：保定慢牛信息科技有限公司
技术研发日：2022.10.24
技术公布日：2023/1/6