本发明涉及火电机组自动控制技术领域，具体涉及一种火电机组仿真模型参数实时校正方法。
背景技术：
对于时变系统，越新的数据越能反映当前系统的特性，也就越应对模型当前的参数估计起到更大的作用。火电机组仿真模型均是基于短期运行的数据通过系统辨识方法建立与数据拟合得出的固定动态模型。而火电机组在实际运行过程中，其动态特性会随着机组的运行中煤种的变化、设备的磨损与老化等原因导致机组特性变化，从而机组静态特性与动态特性与之前建立的动态模型产生差异。
为解决上述问题，需要采用在线自适应模型实时校正模型参数，使其适应运行中机组特性的变化，目前常用的在线自适应模型主要基于传统递推最小二乘法，但在传统递推最小二乘算法中，所有实测数据对模型参数的估计作用相同，即每步预测误差在模型系数的估计中重要程度相同。如果系统是线性定常的，那么这种处理方式是合理的，但由于火电机组单变量系统大多是非线性、时变系统，用这种方法就估算不出真正能反映系统特性的参数值。
技术实现要素：
本申请的目的是为了解决上述由于火电机组单变量系统大多是非线性、时变系统，用传统递推最小二乘法估算不出真正能反映系统特性的参数值的问题。
为此，本发明实施例提供了如下技术方案：一种火电机组仿真模型参数实时校正方法，所述火电机组仿真模型中单变量系统需采用自回归模型；所述校正方法包括如下步骤：
采用批处理最小二乘法计算初始值；
将限定记忆递推最小二乘法与滑动窗口思想结合，加入衰减因子与记忆长度。
可选地，所述自回归模型包括二阶自回归模型。
可选地，所述二阶自回归模型计算公式如下：
zk+1＝a1zk+a2zk-1+b1uk+b2uk-1+c 式一；
式中，zk-1，zk，zk+1分别为k-1，k与k+1时刻系统输出值；uk-1，uk分别为k-1与k时刻系统输入值；该模型结构中被校正的参数向量即为T为向量的转置。
可选地，所述批处理最小二乘法计算公式如下：
式中，为被校正参数向量的初始估计值；hm为模型输入向量；zm为模型输出向量；P0为初始误差协方差阵。
可选地，所述将限定记忆递推最小二乘法与滑动窗口思想结合，新参数计算包括以下步骤：
当采集数据步数小于等于记忆长度N时，按基本的递推最小二乘算法进行模型参数计算；
当采集数据步数大于记忆长度N时，按下列公式进行计算：
式中，μ为限定记忆因子；为修正后的第m+1步误差协方差阵；h1为记忆长度N内起始输入向量；输出量校正项起始输出量消除记忆项
可选地，所述递推最小二乘算法计算公式如下：
式中，与分别为利用m与m+1时刻数据计算出的被校正参数向量；Km+1为第m+1步增益阵；zm+1为模型m+1时刻输出向量；hm+1为模型m+1时刻新的输入向量，Pm，Pm+1为第m步与第m+1步误差协方差阵。
本发明实施例提供的技术方案包括以下有益效果：本申请由于该方法将限定记忆递推最小二乘法与滑动窗口思想结合，同时加入衰减因子与记忆长度，一方面实现了新数据对参数估计更重要的特点，同时也能够完全消除老旧数据的影响，利用该算法可以显著提高火电机组在线仿真模型的精度，从而使仿真结果更加贴近实际运行情况。
具体实施方式
此处被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术进行介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些内容获得其他的方法。
本发明实施例提供一种火电机组仿真模型参数实时校正方法，所述火电机组仿真模型中单变量系统需采用自回归模型；所述校正方法包括如下步骤：
采用批处理最小二乘法计算初始值；
将限定记忆递推最小二乘法与滑动窗口思想结合，加入衰减因子与记忆长度。
可选地，所述自回归模型包括二阶自回归模型。
可选地，所述二阶自回归模型计算公式如下：
zk+1＝a1zk+a2zk-1+b1uk+b2uk-1+c 式一；
式中，zk-1，zk，zk+1分别为k-1，k与k+1时刻系统输出值；uk-1，uk分别为k-1与k时刻系统输入值；该模型结构中被校正的参数向量即为T为向量的转置。
可选地，所述批处理最小二乘法计算公式如下：
式中，为被校正参数向量的初始估计值；hm为模型输入向量；zm为模型输出向量；P0为初始误差协方差阵。
可选地，所述将限定记忆递推最小二乘法与滑动窗口思想结合，新参数计算包括以下步骤：
当采集数据步数小于等于记忆长度N时，按基本的递推最小二乘算法进行模型参数计算；
当采集数据步数大于记忆长度N时，按下列公式进行计算：
式中，μ为限定记忆因子；为修正后的第m+1步误差协方差阵；h1为记忆长度N内起始输入向量；输出量校正项起始输出量消除记忆项
可选地，所述递推最小二乘算法计算公式如下：
式中，与分别为利用m与m+1时刻数据计算出的被校正参数向量；Km+1为第m+1步增益阵；zm+1为模型m+1时刻输出向量；hm+1为模型m+1时刻新的输入向量，Pm，Pm+1为第m步与第m+1步误差协方差阵。
本发明实施例具体工作过程如下：以火电机组典型单变量系统过热汽温系统为例介绍该方法的具体实施方式。
首先取火电机组过热汽温系统仿真模型为二阶ARX自回归模型，该自回归模型结构如下：
zk+1＝a1zk+a2zk-1+b1uk+b2uk-1+c
式中，zk-1，zk，zk+1分别为k-1，k与k+1时刻过热汽温输出值；uk-1，uk分别为k-1与k时刻喷水阀门开度值；该模型结构中被校正的参数向量即为T为向量的转置。
算法初始值采用常规批处理最小二乘法计算得到，该批量个数假设为m，以下迭代计算步骤中的初始值采用火电机组采集的部分历史数据通过批量最小二乘法计算：
首先利用历史数据中喷水阀门开度ui以及过热汽温度值zi，构造模型输入矩阵hm与模型输出向量zm，下标i为不同采样点的历史数据值：
zm＝[z1 z2 … zm]T
利用上述构造的相关矩阵与向量通过以下表达式计算被校正参数向量以及后续迭代公式中初始误差协方差阵P0：
将限定记忆递推最小二乘法与滑动窗口思想结合，新参数按以下步骤计算：
当采集数据步数小于等于记忆长度N时，按基本的递推最小二乘算法进行模型参数估计，即按照以下表达式进行计算：
式中，与分别为利用m与m+1时刻数据计算出的被校正参数向量；Km+1为第m+1步增益阵；zm+1为模型m+1时刻输出向量；hm+1为模型m+1时刻新的输入向量，即hm+1＝[zm zm-1um um-1]；Pm，Pm+1为第m步与第m+1步误差协方差阵。
步骤2 当采集数据步数大于记忆长度N时，按下列式子进行计算：
式中，μ为限定记忆因子，设定为0.95；为修正后的第m+1步误差协方差阵；h1为记忆长度N内起始输入向量；输出量校正项起始输出量消除记忆项
对于时变系统，越新的数据越能反映当前系统的特性，也就越应对模型当前的参数估计起到更大的作用，因此，为了提高参数估计的准确性和仿真模型的预测精度，将限定记忆递推最小二乘法与滑动窗口思想结合，对递推最小二乘的基本算法进行了改进，利用该算法可以显著提高火电机组在线仿真模型的精度。
以上所述仅是本发明实施例的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是，本申请并不局限于上面已经描述的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。