专利名称：基于数据驱动的过热器模型参数辨识方法
技术领域：
本发明涉及的是一种信息处理技术领域的方法，具体是一种基于数据驱动的过热 器模型参数辨识方法。
背景技术：
对锅炉建立数学模型是得到其动态特性的常用方法，模型建立的准确度与锅炉的 整体优化控制息息相关。随着锅炉机组容量的增加，使得锅炉结构也逐渐变得复杂，所需检 测和控制参数的增多给模型的建立及其参数的确定带来了新的挑战。过热器作为锅炉的重要组成部分，其过程的输出参数主蒸汽温度和主蒸汽压力是 系统的重要监控参量，因此对其建立精确的数学模型是对上述关键参量进行优化控制的前 提。而模型的精确程度又与模型中参数的选取精度直接相关，故提高模型中的参数辨识精 度具有重要意义。现有过热器的数学模型大多数为非线性的集总参数模型，模型中的参数 大多是通过对实际系统进行不同工况的测试试验获得的，所得参数只能反映有限试验点附 近的系统运行状况，难以适应系统大范围变负荷运行时的参数变化以及实际运行中各种扰 动的影响。因此，如何根据实际系统的运行情况对模型的参数进行准确辨识并能够及时更 新具有重要的实用价值。经对现有文献检索发现，《中国电机工程学报》上的“锅炉单相受热面链式建模新 方法” 一文中提出了一种集总参数链式建模新方法，对于锅炉省煤器、过热器、再热器等单 相受热管的典型分布参数对象，在多段集总参数模型的基础上，提出了集总参数链式建模 新方法，并建立了单相受热管的链式结构的集总参数数学模型。该方法建模简单，计算工作 量小，物理意义明确。但是该技术所得到的参数为基于设计参数计算所得，在实际机组运行 过程中，难免出现一定的偏差，精确度有所不足，缺乏一定的泛化能力。又经检索发现，《热能动力工程》上的“锅炉过热器系统的动态仿真模型”鉴于机理 模型很难再现锅炉过热器系统的复杂动态特性，该方法利用机理模型为主导动态神经网络 在线修正，显著地提高了仿真模型的精度。其仿真结果表明，此建模方法为复杂大系统的动 态仿真提供了一个理想的建模途径。但是该技术中提到的模型复杂程度不够，对对象的描 述不够精确。
发明内容
本发明的目的在于克服现有技术的上述不足，提供一种基于数据驱动的过热器模 型参数辨识方法。本发明通过机组中和模型参数相关的实际运行数据，建立其与所需辨识 参数之间的神经网络辨识模型，从而能够根据锅炉系统的实时变化情况进行模型参数的在 线优化辨识，具有数据容易获取、对机组正常运行影响小等优点，且避免了模型中采用固定 参数的缺点，使得模型能够较好地跟踪实际系统的运行情况，为系统的控制优化打下坚实 的基础。本发明是通过以下技术方案实现的，本发明包括以下步骤
第一步，建立锅炉过热器的非线性集总参数模型，确定已知的锅炉运行参数和需 要辨识的参数。第二步，对已知锅炉运行参数进行坏点处理和数据平滑处理，得到处理后的锅炉 运行参数，从而得到锅炉运行参数实时数据库。所述的坏点处理是通过多项式滑动拟合方法来判断坏点，并采用七点二阶前推差 分算式对坏点进行剔除。所述的数据平滑处理是采用七点加权滤波法实现的，具体是
<formula>formula see original document page 5</formula>其中j>为滤波后的数值，yffl为时刻m的实际测量值。第三步，对锅炉运行参数实时数据库进行η段划分处理，建立η个不同负荷段的训 练样本数据库，并将每个负荷段的训练样本数据库按照负荷区间S均勻的分为若干训练样 本子集，并对每个训练样本子集中的参数进行归一化处理。所述的η段划分处理，是指确定分段个数为η，在保证每段数据库个数尽量相等 的情况下，将锅炉运行参数实时数据库按照负荷大小分为η段，从而得到η个不同负荷段的 训练样本数据库。所述的归一化处理，是夕=/^
maxmin其中X为训练样本子集中的参数，Xmax是X所在训练样本子集中的最大参数，Xfflin 是X所在训练样本子集中的最小参数，X*是X的归一化值。第四步，针对每个训练数据库建立一个对应的RBF(Radial Basis Function，径向 基函数)神经网络模型，并使η个RBF神经网络模型并联组成混合网络。所述的建立一个对应的RBF神经网络模型，包括以下步骤1)确定RBF神经网络模型的输出量，即需要辨识的参数；2)从锅炉过热器的非线性集总参数模型中查找与需要辨识的参数有关系的锅炉 运行状态参数，去除锅炉运行状态参数中非独立和难以获得的量，从而得到RBF神经网络 模型的输入量；3)采用现有的RBF神经网络训练方法对输入量和输出量进行训练，得到RBF神经 网络模型。第五步，提取当前时刻过热器系统的实际测量值，对RBF神经网络模型进行在线 参数辨识，得到此时需要辨识的参数的数值。所述的在线参数辨识，是对当前时刻过热器系统的实际测量值依次进行坏点处 理、数据平滑处理和归一化处理，并根据当前负荷的大小将处理的实际测量值输入相应负 荷段的RBF神经网络模型中，从而得到此时需要辨识的参数的数值。第六步，每隔时间间隔t，对RBF神经网络模型进行更新处理，得到更新后的RBF神 经网络模型，并使更新后的RBF神经网络模型并联组成新的混合网络，由新的混合网络对 需要辨识的参数进行在线参数辨识。所述的更新处理，包括以下步骤1)将过去t时间内的过热器系统的实际测量数据依次进行坏点处理、数据平滑处理和归一化处理，得到过去t时间内的处理后的实际测量数据；2)根据过去t时间内每一时刻的负荷，得到过去t时间内每一时刻处理后的实际 测量数据所属的训练样本数据库，并进一步得到过去t时间内每一时刻处理后的实际测量 数据所属的训练样本数据子集；3)将属于同一训练样本数据子集的处理后的实际测量数据按运行时间从前向后 的顺序，依次替换原有的样本数据，得到更新后的训练样本数据库；4)针对更新后的训练样本数据库建立一个对应的新的RBF神经网络模型。与现有技术相比，本发明提出的过热器模型的参数辨识方法基于数据驱动，具有 数据容易获取，无需对机组进行试验等优点；且通过将负荷分段建立由多个RBF神经网络 模型组合的混合神经网络进行参数辨识，减少了单个神经网络泛化能力的不足，提高了过 热器模型参数在不同负荷下的辨识精度；在各个负荷段内按照步长进一步划分多个训练样 本数据子集，保证了数据样本选择的均衡性，进一步提高了模型的泛化能力。此外，建立了 神经网络辨识模型的在线定时更新机制，以反映过热器系统在长期运行中其模型参数的变 化情况，为模型输出对实际系统输出的长期在线跟踪提供了良好的基础。
具体实施例方式以下对本发明的方法进一步描述本实施例在以本发明技术方案为前提下进行实 施，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不限于下述的实施例。实施例本实施例中的锅炉高温过热器满足下面的条件A、外部热流沿管长及圆周均勻分布；B、管壁金属只考虑径向传热，不考虑轴向传热；C、管内工质不可压缩，且流动截面上参数均勻一致；D、忽略减温器动态特性；E、以过热器出口参数为集总参数模型的代表参数，阻力集中在入口。本实施例包括以下步骤第一步，建立锅炉过热器的非线性集总参数模型，确定已知的锅炉运行参数和需 要辨识的参数。本实施例的非线性集总参数模型，具体是<formula>formula see original document page 6</formula>其中=D1是过热器入口蒸汽流量；D2是过热器出口蒸汽流量；Djw是减温水流量A 是过热器入口蒸汽焓；H2是过热器出口蒸汽焓；Hjw是减温水焓；Vg是过热器容积；P 2是过热器出口蒸汽密度；Q2是过热器金属管壁传给蒸汽工质热量；QS是烟气传给过热器金属管 壁热量；Cm是过热器金属密度；Mg是过热器金属质量；Tg是过热器管壁温度；K是换热系数； α是指数J1是过热器入口蒸汽温度；T2是过热器出口蒸汽温度；k是系数；β是指数P1 是过热器入口蒸汽压力；P2是过热器出口蒸汽压力。本实施例中需要辨识的参数包括传热系数K、系数k及指数β ；其余所需锅炉运 行参数从设计资料获取，或由现场的测量仪器测得。本实施例中额定蒸汽流量D2是909. 6t/h，额定减温水流量Djw是15t/h，过热 器容积Vg是120m3，过热器金属密度Cm是7900kg/m3，指数α是0. 8，金属比热容是460J/ (kg. V )，额定蒸汽压力P2是17. 5Mpa。第二步，对已知锅炉运行参数进行坏点处理和数据平滑处理，得到处理后的锅炉 运行状态参数，从而得到锅炉运行状态参数实时数据库。所述的坏点处理是通过多项式滑动拟合方法来判断坏点，并采用七点二阶前推差 分算式对坏点进行剔除。所述的七点二阶前推差分算式，具体是当第k个点满足下面公式时，则将第k个 点剔除|λ-Α|>2·2 Σ(Λ-λ)2/6,
V k 二 i—6
' = (32^+15^+373 -4J4 -6J5-3J6+5J7)/42 K = (^yl + ^y2+3y3+Iy4+y5-y7)/14 Λ = (Λ + 3j2 + 4y3 + 4y4 + 3ys+y6-2y7)/14其中j夕4 =(—2Λ+372+673+774+6J;5+3凡—2J7)/21， λ = ("2ji +J2+3j3+4 J4+ 4 J5 +3y6+y7)/14
λ =(―乃 + J2 + 2凡 + 3凡 + 4凡 + 5J7 ) /14
Ji = (5JV6 “ 3JV5 - 6Jv4 - 4jv3 + 3Jv2 +1+ Zlyi) / 42i = 7,8-, Yi为实测数据，j>,·为插值数据，所述的数据平滑处理是采用七点加权滤波法实现的，具体是Jm = 0.025Jv3 + 0.05Jv2 + 0.075^ +0.7jm + 0.075Jm+1 + 0.05Jm+2 + 0.025jm+3，其中j>为滤波后的数值，yffl为时刻m的实际测量值。为了后面计算的需要，本实施例中由模型公式D1+Djw-D2 =Vg^-D1 =kPf ^JPi-P2
_料+W考警舍營〉
_5]将其变换为:A=A-W尝I 孕) 则由上式及运行数据可以求得过热器入口蒸汽流量，为了便于辨识，将过热器入口蒸汽流量公式两边取对数，得
Iog(A) = log ⑷ + Plog(Pl) + Iog(^Pl-P2)整理得Jog(A)-log^ -P2) = \og(k) +PXog(Px)= Iog(D1)-Iog(^Pl-P2) , χ = Iog(P1)，a = log(k)，β = b 则有式y = ax+b由上述讨论，通过实际运行数据可以求得(X，y)数据对，再利用最小二乘法即可 辨识出a和b，进而求得k和β，参数K同理可得。第三步，对锅炉运行状态参数实时数据库进行η段划分处理，建立η个不同负荷段 的训练样本数据库，并将每个负荷段的训练样本数据库按照负荷区间S均勻的分为若干训 练样本子集，并对每个训练样本子集中的参数进行归一化处理。所述的η段划分处理，是指确定分段个数为η，在保证每段数据库个数尽量相等 的情况下，将锅炉运行状态参数实时数据库按照负荷大小分为η段，从而得到η个不同负荷 段的训练样本数据库。
本实施例中η = 4，分为85%以上负荷段的训练样本数据库，70% 85%负荷段的 训练样本数据库，55% 70%负荷段的训练样本数据库，55%以下负荷段的训练样本数据库。所述的归一化处理，是^ _ ~
maxmin，其中X为训练样本子集中的参数，Xfflax是X所在训练样本子集中的最大参数，Xfflin 是X所在训练样本子集中的最小参数，X*是X的归一化值。本实施例进一步将每个负荷段的训练样本数据库按照0. 5%的总负荷为步长均勻 的分为若干训练样本子集。第四步，针对每个训练数据库建立一个对应的RBF神经网络模型，并使η个RBF神 经网络模型并联组成混合网络。所述的建立一个对应的RBF神经网络模型，包括以下步骤1)确定RBF神经网络模型的输出量，即需要辨识的参数；2)从锅炉过热器的非线性集总参数模型中查找与需要辨识的参数有关系的锅炉 运行状态参数，去除锅炉运行状态参数中非独立和难以获得的量，从而得到RBF神经网络 模型的输入量；3)采用现有的RBF神经网络训练方法对输入量和输出量进行训练，得到RBF神经 网络模型。本实施例中RBF神经网络模型的输入量为=P1JpTpD1和D2，输出量为传热系数 K、系数k及指数β。第五步，提取当前时刻过热器系统的实际测量值，对RBF神经网络模型进行在线 参数辨识，得到此时需要辨识的参数的数值。所述的在线参数辨识，是指对当前时刻过热器系统的实际测量值依次进行坏点 处理、数据平滑处理和归一化处理，并根据当前负荷的大小将处理的实际测量值输入相应 负荷段的RBF神经网络模型中，从而得到此时需要辨识的参数的数值。
第六步，每隔6小时，对RBF神经网络模型进行更新处理，得到更新后的RBF神经网络模型，并使更新后的RBF神经网络模型并联组成新的混合网络，由新的混合网络对需 要辨识的参数进行在线参数辨识。所述的更新处理，包括以下步骤1)将过去6小时内的过热器系统的实际测量数据依次进行坏点处理、数据平滑处 理和归一化处理，得到过去6小时内的处理后的实际测量数据；2)根据过去6小时内每一时刻的负荷，得到过去6小时内每一时刻处理后的实际 测量数据所属的训练样本数据库，并进一步得到过去6小时内每一时刻处理后的实际测量 数据所属的训练样本数据子集；3)将属于同一训练样本数据子集的处理后的实际测量数据按从前向后的顺序，依 次替换原有的样本数据，得到更新后的训练样本数据库；4)针对更新后的训练样本数据库建立一个对应的新的RBF神经网络模型。本实施例为了能够准确地辨识出不同负荷工况下模型参数的变化，根据系统的负 荷进行分段，将差别较大的工况分别建立多个相应的神经网络辨识模型。按分段建立参数 辨识模型，一方面可以减少单个神经网络模拟整个系统大范围工况运行时泛化能力的不 足，从而提高模型参数在不同负荷下的辨识精度；另一方面又减少了每个神经网络的规模 和样本数量，提高了网络训练速度，为在线辨识的实时性提供了相应保证。在建立各个神经 网络模型前，需要对实际采集的运行数据进行适当的选择和预处理，以进一步提高神经网 络的泛化能力和辨识精度。此外，为每个神经网络辨识模型建立了在线更新训练样本的机 制，并定时用实测数据替换训练样本库中原有数据进行神经网络的训练，以更好地反映在 时间统计意义下模型参数的变化情况，从而使得模型与实际系统能够相匹配，为系统的控 制与优化提供基础。
权利要求
一种基于数据驱动的过热器模型参数辨识方法，包含以下步骤第一步，建立锅炉过热器的非线性集总参数模型，确定已知的锅炉运行参数和需要辨识的参数；第二步，对已知锅炉运行参数进行坏点处理和数据平滑处理，得到处理后的锅炉运行状态参数，从而得到锅炉运行状态参数实时数据库；第三步，对锅炉运行状态参数实时数据库进行n段划分处理，建立n个不同负荷段的训练样本数据库，并将每个负荷段的训练样本数据库按照负荷区间S均匀的分为若干训练样本子集，并对每个训练样本子集中的参数进行归一化处理；第四步，针对每个训练数据库建立一个对应的RBF神经网络模型，并使n个RBF神经网络模型并联组成混合网络；第五步，提取当前时刻过热器系统的实际测量值，对RBF神经网络模型进行在线参数辨识，得到此时需要辨识的参数的数值；第六步，每隔时间间隔t，对RBF神经网络模型进行更新处理，得到更新后的RBF神经网络模型，并使更新后的RBF神经网络模型并联组成新的混合网络，由新的混合网络对需要辨识的参数进行在线参数辨识。
2.根据权利要求1所述的基于数据驱动的过热器模型参数辨识方法，其特征是，第三 步中所述的η段划分处理，是指确定分段个数为η，在保证每段数据库个数尽量相等的情 况下，将锅炉运行状态参数实时数据库按照负荷大小分为η段，从而得到η个不同负荷段的 训练样本数据库。
3.根据权利要求1所述的基于数据驱动的过热器模型参数辨识方法，其特征是，第六 步中所述的更新处理，包括以下步骤1)将过去t时间内的过热器系统的实际测量数据依次进行坏点处理、数据平滑处理和 归一化处理，得到过去t时间内的处理后的实际测量数据；2)根据过去t时间内每一时刻的负荷，得到过去t时间内每一时刻处理后的实际测量 数据所属的训练样本数据库，并进一步得到过去t时间内每一时刻处理后的实际测量数据 所属的训练样本数据子集；3)将属于同一训练样本数据子集的处理后的实际测量数据按从前向后的顺序，依次替 换原有的样本数据，得到更新后的训练样本数据库；4)针对更新后的训练样本数据库建立一个对应的RBF神经网络模型。
4.根据权利要求1或3所述的基于数据驱动的过热器模型参数辨识方法，其特征是，所 述的建立一个对应的RBF神经网络模型，包括以下步骤1)确定RBF神经网络模型的输出量，即需要辨识的参数；2)从锅炉过热器的非线性集总参数模型中查找与需要辨识的参数有关系的已知锅炉 运行参数，去除锅炉运行状态参数中非独立和难以获得的量，从而得到RBF神经网络模型 的输入量；3)采用现有的RBF神经网络训练方法对输入量和输出量进行训练，得到RBF神经网络 模型。
5.根据权利要求1所述的基于数据驱动的过热器模型参数辨识方法，其特征是，第五 步中所述的在线参数辨识，是对当前时刻过热器系统的实际测量值依次进行坏点处理、数据平滑处理和归一化处理，并根据当前负荷的大小将处理的实际测量值输入相应负荷段的 RBF神经网络模型中，从而得到此时需要辨识的参数的数值。
6.根据权利要求1或3或5所述的基于数据驱动的过热器模型参数辨识方法，其特征 是，所述的坏点处理是通过多项式滑动拟合方法来判断坏点，并采用七点二阶前推差分算 式对坏点进行剔除。
7.根据权利要求1或3或5所述的基于数据驱动的过热器模型参数辨识方法，其特征 是，所述的数据平滑处理是采用七点加权滤波法实现的，具体是λ = 0.025Jv3 + 0.05Jv2 + 0.075^ +0.7jm + 0.075Jm+1 + 0.05Jm+2 + 0.025jm+3，其中j>为滤波后的数值，yffl为时刻m的实际测量值。
8.根据权利要求1或3或5所述的基于数据驱动的过热器模型参数辨识方法，其特征 是，所述的归一化处理，是<formula>formula see original document page 3</formula>其中x为训练样本子集中的参数，Xfflax是X所在训练样本子集中的最大参数，Xfflin是X 所在训练样本子集中的最小参数，X*是X的归一化值。
全文摘要
一种信息处理技术领域的基于数据驱动的过热器模型参数辨识方法，包括以下步骤建立锅炉过热器的非线性集总参数模型，确定已知锅炉运行状态参数和需要辨识的参数；对已知锅炉运行状态参数进行坏点处理和数据平滑处理，得到已知锅炉运行状态参数实时数据库；建立n个不同负荷段的训练样本数据库，并对参数进行归一化处理；针对每个训练数据库建立一个对应的RBF神经网络模型，并使n个RBF神经网络模型并联组成混合网络；提取当前时刻过热器系统的实际测量值，对RBF神经网络模型进行在线参数辨识；每隔时间间隔t，对RBF神经网络模型的进行更新处理。本发明避免了常规过热器模型中采用固定参数的缺点，实现了模型参数的实时辨识，保证了模型参数的辨识精度。
文档编号G05B13/02GK101825869SQ20101017177
公开日2010年9月8日 申请日期2010年5月13日 优先权日2010年5月13日
发明者史元浩, 吕鹏宏, 王斌, 王景成, 袁景淇, 陈旭 申请人:上海交通大学