СИСТЕМА АВТОМАТИЧНОГО РЕГУЛЮВАННЯ ТЕМПЕРАТУРИ ПЕРЕГРІТОЇ ПАРИ
DOI:
https://doi.org/10.20998/2413-4295.2026.01.08Ключові слова:
система автоматичного регулювання, теплова енергетика, паровий котел, температура перегрітої пари, Simulink, математична модельАнотація
Розроблено та досліджено системи автоматичного регулювання температури перегрітої пари для барабанного котлоагрегату. Розглянуто ключові фактори необхідності підтримання температури перегрітої пари в допустимих межах для безпечної, надійної та економічної роботи котлоагрегату й турбіни. Проаналізовано статичні та динамічні властивості пароперегрівача, зокрема наявність значних запізнень, що ускладнюють керування. Розглянуто методи регулювання температури, серед яких найбільш поширеним є впорскування живильної води. Синтезовано двохімпульсну систему автоматичного регулювання, структурні особливості якої дають змогу компенсувати збурення по каналах витрати та теплового впливу. На основі експериментальних даних побудовано математичну модель і виконано моделювання в Simulink. У результаті проведених досліджень було отримано показники, що демонструють високу точність: перерегулювання 1,57%, відхилення під час збурень — 4–5 ºС. Запропонована система забезпечує необхідну швидкодію та стабільність і може бути основою для подальшого розвитку, включно з інтеграцією методів машинного навчання. Результати моделювання підтвердили ефективність двохімпульсної структури, що дозволяє мінімізувати вплив запізнень і забезпечити стійкість системи в широкому діапазоні режимів роботи. Запропонований підхід може бути адаптований для інших типів котлоагрегатів, а також інтегрований у сучасні системи керування енергоблоками для підвищення їхньої надійності та економічності.
Посилання
Wu Z., He T., Li D., Xue Y., Sun L., Sun L. Superheated steam temperature control based on modified active disturbance rejection control. Control Engineering Practice, 2019, vol. 83, pp. 83-97, doi:10.1016/j.conengprac.2018.09.027.
Nahlovsky T. Optimization of fuzzy controller parameters for the temperature control of superheated steam. Procedia Engineering, 2015, vol. 100, pp. 1547-1555, doi:10.1016/j.proeng.2015.01.527.
Sun L., Hu, Q., She, J., Xue Y., Li D., Lee K. Y. Multi-objective optimization for advanced superheater steam temperature control in a 300 MW power plant. Applied energy, 2017, vol. 208, pp. 592-606, doi:10.1016/j.apenergy.2017.09.095.
Zhan J., Du J., Dong S., Hu W. Superheated steam temperature system of thermal power control engineering based on neural network local multi-model prediction. Thermal Science, 2021, vol. 25, no. 4 Part B, pp. 2949-2956, doi:10.2298/TSCI2104949Z.
Zhou Z., Zhang J., Wang Y., Yang D., Liu Z. Adaptive neural control of superheated steam system in ultra-supercritical units with output constraints based on disturbance observer. IEEE Transactions on Circuits and Systems I: Regular Papers, 2025, vol. 72, no. 6, pp. 2701-2711, doi:10.1109/TCSI.2025.3530995.
Xakimovich S. I., Askarxodjaevna B. X. Designs neuro-fuzzy models in control problems of a steam heater. Universal Journal of Electrical and Electronic Engineering, 2019, vol. 6, no. 5, pp. 359-365, doi:10.13189/ujeee.2019.060506.
Ma Y., Yang S., Cai S., Wang Y. The simulation research and neural network modeling of superheated steam temperature characteristics for ultra-supercritical unit. The 27th Chinese Control and Decision Conference (2015 CCDC), 2015, pp. 2474-2478, doi:10.1109/CCDC.2015.7162337.
Huang W., Hou G., Liu Z. Application of Improved EADRC in Superheated Steam Temperature Control of Supercritical Thermal Power Unit. Chinese Intelligent Systems Conference, 2024, vol. 1285, pp. 293-301, doi:10.1007/978-981-97-8658-9_28.
Phan V. D., Truong H. V. A., Le V. C., Ho S. P., Ahn K. K. Adaptive neural observer-based output feedback anti-actuator fault control of a nonlinear electro-hydraulic system with full state constraints. Scientific Reports, 2025, vol. 15, p. 3044, doi:10.1038/s41598-025-86583-x.
Wan Y., Gao X. Extended-state-observer-based output feedback control for hydraulic systems with performance constraint. Nonlinear Dynamics, 2024, vol. 112, no. 20, pp. 18333-18355, doi:10.1007/s11071-024-09957-2.
Kiš K., Klaučo M. Neural network based explicit MPC for chemical reactor control. Acta Chimica Slovaca, 2019, vol. 12, no. 2, pp. 218-223, doi:10.2478/acs-2019-0030.
Ibraheem I. K. System Identification of Thermal Process using Elman Neural Networks with No Prior Knowledge of System Dynamics. Int. J. Comput. Appl, 2017, vol. 161, 38-46, doi:10.5120/ijca2018917740.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Petro Kachanov , Mykola Tarasenko
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал публікує статті згідно з ліцензією Creative Commons Attribution International CC-BY.
