火力发电厂热工控制充满着不确定性、非线性、多变量等特点，而且其热工过程无法准确的进行控制，因此人们研发先进控制技术，而增强热工过程的控制效果。
1电厂热工过程控制技术现状分析
热工过程控制在国内外始终是研究热点，但其应用远远落后于理论研究。而目前我国的火电厂具有先进的控制系统硬件，但是在实际的控制系统中，大部分控制器还是应用传统的PID控制器，算法简单，控制器的参数需要人工去反复调整，也即面临着先进的设备，先进的理论，平庸的控制器这样一种局面，为了克服控制理论和实际工业应用之间的脱节现象，各国都在优化控制、高级过程控制等方面进行了大量研究，从实际工业过程特点出发，寻求对模型要求不高、在线计算方便、对过程和环境的不确定性有一定的适应能力的控制方法。
1.1改进的PID控制技术
常规的PID控制器是线性的，适用于小惯性、小滞后的过程。当应用于电厂热工过程非线性、大时滞、参数不确定的系统时，很难获得满意的控制效果。因此，近年来，很多学者将其他方法和PID控制结合起来，通过在线调整PID参数来处理各种不确定性、非线性以及大时滞。在现有的改进型PID控制方法中，很大一部分属于将模糊控制与PID控制结合的模糊预估PID控制方法，即在常规PID控制器前串联一个模糊预估器，通过该预估器来补偿被控对象的惯性和滞后对系统的影响。将模糊控制和预测控制结合，设计了一种适用于蒸汽压力调节的模糊预测控制器，并运用风／煤比模糊自寻优控制器来提高热电厂锅炉燃烧的效率。
1.2自适应控制技术
自适应控制方法是根据目标性能与实际性能的偏差信息来调节控制器的参数，使系统的实际性能达到或接近目标性能。自适应控制方法的关键是构造自适应控制器，通常需要大量估计参数，与一般常规控制器相比较为复杂。有提出的自适应PID控制器的设计方法既利用了常规PID控制的强鲁棒性，又根据最优控制的原则合理分配了动态响应不同阶段的控制参数。与其他先进控制策略相比，此种方法不需要复杂的算法，对被控对象的模型结构没有严格的要求，可以比较方便地得到实现。
1.3神经网络控制技术
神经网络是由大量人工神经元广泛而成的网络，具有较强的逼近非线性函数的能力，并具有快速处理，高度容错，联想记忆，自适应学习等特点，为解决不确定非线性系统的建模和控制问题提供了一种新的有效途径。目前将神经网络运用于自动控制系统的方式主要有两种：一种，是直接将神经网络作为控制器，通过学习训练或示教自动归纳出控制率。有设计了一个模糊神经控制器，将模糊逻辑与神经网络结合，并采用改进粒子群算法对控制器的参数进行离线优化训练。这种方法不但很好的避免了系统陷入局部最优甚至发散的情况，而且在响应速度、抗扰能力等方面都优于常规的PID控制。一种，是将神经网络与传统的控制方法相结合。有基于神经元模型及学习策略，提出一种增益模糊自整定神经元PID控制方法，采用模糊算法来调整神经元控制器的增益。仿真结果表明该方法对具有大滞后特性的工业对象能够进行有效控制，具有较强的鲁棒性和抗干扰性能，并明显优于常规PID串级控制的性能。
1.4非线性控制技术
非线性是电厂热工过程的一个显著特性，也是一大控制难点。被控对象的动态特性随工况参数的变化而变化。当工况的变化范围较大时，模型(包括时间常数、增益、阶次等)将会发生较大的改变。针对这一特点，有提出一种双环的控制结构，内环采用适应性非线性控制来实现输入。状态反馈的线性化，而外环采用线性控制器。该策略不需要模型的精确数学表达式，能自动抑制系统参数不确定性和外界扰动等未知因素的影响。仿真结果表明对于一类具有非最小相位特性的非线性系统，该策略有很好的抗干扰、快速响应以及稳定跟踪能力。除了以上方法以外，常用于火电厂热工系统的控制方法还有：内模控制、混沌理论、预测控制等。尤其是预测控制，因为其控制性能好，鲁棒性强，能够有效处理约束等优点，如今被广泛地应用于炼油、化工等工业过程的控制中。而火电厂热工过程的预测控制方法也成为了一个研究热点。
2预测控制技术原理探讨
预测控制算法是使用过程模型来控制对象未来行为的一类计算机算法。在每个控制周期，利用预测模型和现有的历史数据(测量输出、状态估计等)，在线求解一个有限时域的开环最优控制问题，以得到所要实施的控制作用。虽然如今预测控制算法形式多种多样，但究其本质，都包含预测模型、滚动优化和反馈校正三部分。
2.1预测模型
模型预测控制是一种基于模型的控制算法，这一模型称为预测模型。预测控制算法只注重模型的功能，对模型的形式没有限制。从原理上讲，只要是具有预测功能的信息集合，无论采用什么描述形式，都可以用作预测模型。因此，不论是状态方程、传递函数这类传统的模型，还是阶跃响应、脉冲响应这类非参数模型都可以被用作预测控制算法中的预测模型。此外，具备上述功能的非线性模型、分布参数系统模型也可作为这类系统进行预测控制时的预测模型使用。
2.2滚动优化
预测控制也被称为滚动时域控制。在每一个控制周期，预测控制通过最优化某一性能指标来确定接下来若干时刻的控制作用序列。这一性能指标通常可以取对象输出在未来的采样点上跟踪某一期望轨迹的方差为最小，但也可以取更广泛的形式，比如要求控制能量为最小的同时保持输出在某一给定范围内。在得到控制作用序列后，只将第一时刻的控制作用实施下去；到了下一个控制周期，首先更新测量数据和系统状态，将优化时域向前推移，然后重新优化求解性能指标进而确定新的控制作用序列。不同时刻优化性能指标的相对形式是相同的，但其所包含的时间区域则是不同的。因此，预测控制中的优化计算不是一次离线进行，而是在线反复进行的，这就是滚动优化的含义，也是预测控制区别于传统最优控制的根本特点。
2.3反馈校正
由于实际过程的非线性、时变性和不可测干扰等因素，预测控制中的模型只能做到对过程的近似描述，因此，反馈校正是必不可少的，只有建立在反馈校正的基础上，滚动优化才有真正的意义。在每个控制周期，预测控制不是把这些控制作用逐一全部实施，而是只实施本时刻的控制作用。到了下一个采样时刻，则首先检测实际的测量输出，利用其与模型预测值比较得到的预测偏差来修正对系统未来的预测，然后再进行新的优化求解。预测控制是一种基于模型、滚动优化并结合反馈校正的优化控制算法。它综合利用模型信息和实时信息，对目标函数不断进行滚动优化，并根据实际测得的数据对预测模型进行修正或补偿。这种策略在复杂的工业过程控制中获得了广泛的应用。
3结语
火电厂热工过程自动控制是保证电厂热力设备和系统安全、经济运行的重要措施和手段。现代工业生产的发展，电能需求量日益增加，电力工业进入了大电网、大机组、高度自动化的时代。火力发电机组也逐渐由过去的中小容量发展为大容量、高参数的单元机组，对热工过程自动控制的要求也越来越高。如何在电厂热工过程控制中采用预测控制技术，是今后的研究的重要内容和方向。
【参考文献】
［1］王喜庆.预测控制在电厂过热蒸汽温度控制中的应用[J].浙江大学：热能工程,2010.
［2］朱红霞,沈炯.电厂过热汽温的智能预测控制方法[J].能源研究与利用,2012(1).
［3］杨锦龙.预测控制技术在电厂热工过程中的应用分析[J].电力设备,2006(5).