一种热工过程模型在线辨识方法及装置与流程

本发明涉及工业自动化控制领域，具体涉及一种热工过程模型在线辨识方法及装置。

背景技术

热工过程的自动控制是保证热力设备安全和经济运行的必要措施和手段。热工过程模型描述系统在热工过程中各个变量随时间的变化关系，对对控制系统的设计具有重要意义。但是随着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。随着单机容量和参数的不断提高，系统变得日趋复杂。此外，用电结构也发生了很大变化，电力供应峰谷差越来越大，负荷经常性地大范围变动，热工过程越来越表现出非线性、慢时变、大迟滞、强耦合性和不确定性，这使得难以对热工过程建立精确的数学模型，这给热工过程的控制增加了很大难度。

对于电力工业热工控制系统，建立精确的热工过程模型是保证其控制质量的基础。目前，针对热工过程模型辨识的方法主要有阶跃响应法、面积法、频域响应法及最小二乘法等。在这些算法中，阶跃响应法的数据源较容易得到且方法简单，应用最广，但是现场数据的不规则性使得阶跃响应法的辨识结果精度不高。此外，还有基于现场数据的模型辨识方法，这类方法一般是采用神经网络技术，仅能得到过程的神经网络模型，但是由于神经网络模型不直观，不易于理解，因此难以在实际控制系统中进行设计和应用。因此，如何对热工过程模型辨识以得到更加符合工业实际现场的热工过程模型，为控制系统提供更加准确的热工过程模型信息，对优化控制系统控制策略的参数设计、促进资源的合理利用及优化生产具有重要意义。

技术实现要素：

本发明要解决的技术问题在于克服现有技术中的传统热工过程模型辨识方法所得到的热工过程模型难以适应不规则的现场数据造成辨识精度低或所建立的热工过程模型难以在实际控制系统中进行设计应用等问题。

根据第一方面，本发明实施例提供了一种热工过程模型在线辨识方法，包括：获取热工过程中稳态间变化过程的历史采样数据，并对所述历史采样数据进行数据预处理生成原始处理数据；对所述原始处理数据进行离线辨识，构建各稳态时刻的热工过程模型；采用快速在线代数参数辨识算法对相邻稳态间的所述热工过程模型的模型参数进行动态辨识，生成模型参数辨识结果；根据所述模型参数辨识结果对各所述模型参数进行更新，得到热工过程优化模型。

结合第一方面，在第一方面的第一实施方式中，所述对所述历史采样数据进行数据预处理生成原始处理数据，包括：对所述历史采样数据进行零初值处理，剔除零初值点，生成剔除零点的采样数据；对所述剔除零点的采样数据进行粗大值处理，剔除粗大值点，生成所述原始处理数据。

结合第一方面，在第一方面的第二实施方式中，所述对所述原始处理数据进行离线辨识，构建各稳态时刻的热工过程模型，包括：步骤s21：定义误差指标函数，根据所述原始处理数据得到初始化种群；步骤s22：采用群智能优化算法中的粒子群优化算法计算初始化种群适应度；步骤s23：根据所述初始化种群适应度计算所述误差指标函数，得到当前最佳位置；步骤s24：采用所述群智能优化算法中的布谷鸟算法对所述初始化种群的速度和位置进行更新，并计算更新后的新种群适应度；步骤s25：根据所述新种群适应度计算所述误差指标函数，得到更新位置参数；步骤s26：判断所述更新位置参数是否满足预设结束条件，当所述更新位置参数满足预设结束条件时，执行步骤s27，否则执行步骤s24；步骤s27：当所述更新位置参数满足预设结束条件时，得到输出最佳位置，并根据输出最佳位置构建所述热工过程模型。

结合第一方面，在第一方面的第三实施方式中，所述采用快速在线代数参数辨识算法对相邻稳态间的所述热工过程模型的模型参数进行动态辨识，生成模型参数辨识结果，包括：获取所述热工过程模型所对应的传递函数；采用所述快速在线代数参数辨识算法对所述传递函数进行处理，得到辨识参数的矩阵方程；测量所述稳态间变化过程的系统输入值、系统输出值及时间值；根据所述系统输入值、系统输出值及时间值计算所述矩阵方程，生成所述模型参数辨识结果。

根据第二方面，本发明实施例提供了一种热工过程模型在线辨识装置，包括：历史采样数据获取模块，用于获取热工过程中稳态间变化过程的历史采样数据，并对所述历史采样数据进行数据预处理生成原始处理数据；热工过程模型构建模块，用于对所述原始处理数据进行离线辨识，构建各稳态时刻的热工过程模型；模型参数辨识结果生成模块，用于采用快速在线代数参数辨识算法对相邻稳态间的所述热工过程模型的模型参数进行动态辨识，生成模型参数辨识结果；热工过程优化模型生成模块，用于根据所述模型参数辨识结果对各所述模型参数进行更新，得到热工过程优化模型。

结合第二方面，在第二方面的第一实施方式中，所述历史采样数据获取模块包括：零初值处理子模块，用于对所述历史采样数据进行零初值处理，剔除零初值点，生成剔除零点的采样数据；粗大值处理子模块，用于对所述剔除零点的采样数据进行粗大值处理，剔除粗大值点，生成所述原始处理数据。

结合第二方面，在第二方面的第二实施方式中，所述热工过程模型构建模块具体用于执行以下步骤：步骤s21：定义误差指标函数，根据所述原始处理数据得到初始化种群；步骤s22：采用群智能优化算法中的粒子群优化算法计算初始化种群适应度；步骤s23：根据所述初始化种群适应度计算所述误差指标函数，得到当前最佳位置；步骤s24：采用所述群智能优化算法中的布谷鸟算法对所述初始化种群的速度和位置进行更新，并计算更新后的新种群适应度；步骤s25：根据所述新种群适应度计算所述误差指标函数，得到更新位置参数；步骤s26：判断所述更新位置参数是否满足预设结束条件，当所述更新位置参数满足预设结束条件时，执行步骤s27，否则执行步骤s24；步骤s27：当所述更新位置参数满足预设结束条件时，得到输出最佳位置，并根据输出最佳位置构建所述热工过程模型。

结合第二方面，在第二方面的第三实施方式中，所述模型参数辨识结果生成模块包括：传递函数获取子模块，用于获取所述热工过程模型所对应的传递函数；矩阵方程生成子模块，用于采用所述快速在线代数参数辨识算法对所述传递函数进行处理，得到辨识参数的矩阵方程；测量数据获取子模块，测量所述稳态间变化过程的系统输入值、系统输出值及时间值；模型参数辨识结果生成子模块，用于根据所述系统输入值、系统输出值及时间值计算所述矩阵方程，生成所述模型参数辨识结果。

根据第三方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种可选方式中所述的热工过程模型在线辨识方法。

根据第四方面，本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行第一方面或者第一方面的任意一种可选方式中所述的热工过程模型在线辨识方法。

本发明技术方案，具有如下优点：

本发明实施例提供的热工过程模型在线辨识方法，通过获取热工过程中稳态间变化过程的历史采样数据，并对历史采样数据进行数据预处理生成原始处理数据；对原始处理数据进行离线辨识，构建各稳态时刻的热工过程模型；采用快速在线代数参数辨识算法对相邻稳态间的热工过程模型的模型参数进行动态辨识，生成模型参数辨识结果；根据模型参数辨识结果对各模型参数进行更新，得到热工过程优化模型。通过采集数据-建立热工过程模型-参数在线辨识的过程，实现了对热工过程模型的优化，使得控制系统的控制参数能够满足节约能源，经济实用的生成要求，此外，在本发明实施例中采用快速在线代数参数辨识算法和群智能优化算法结合的方式，实现了对系统稳态间变化过程的实时在线辨识，提高了辨识结果的准确性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中热工过程模型在线辨识方法的流程图；

图2为本发明实施例中对历史采样数据进行数据预处理生成原始处理数据的具体流程图；

图3为本发明实施例中对原始处理数据进行离线辨识，构建各稳态时刻的热工过程模型的具体流程图；

图4为本发明实施例中采用快速在线代数参数辨识算法对相邻稳态间的热工过程模型的模型参数进行动态辨识，生成模型参数辨识结果的具体流程图；

图5为本发明实施例中历史采样数据及经过零初值处理后的数据示意图；

图6为本发明实施例中对原始处理数据进行离线辨识的离线辨识结果示意图；

图7为本发明实施例中t从当前稳态到下一稳态的在线辨识结果示意图；

图8为本发明实施例中k从当前稳态到下一稳态的在线辨识结果示意图；

图9为本发明实施例中热工过程模型在线辨识装置的结构示意图；

图10为本发明实施例中热工过程模型在线辨识装置的另一结构示意图；

图11为本发明实施例中电子设备的结构示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本发明实施例提供一种热工过程模型在线辨识方法，在实际生产过程中，为了设计一个优良的控制系统，必须充分地了解典型热工过程的运动规律，需要建立热工过程的模型。

如图1所示，该方法包括以下步骤：

步骤s1：获取热工过程中稳态间变化过程的历史采样数据，并对历史采样数据进行数据预处理生成原始处理数据。

在本发明实施例中，所选取的历史采样数据应具有如下特点：(1)输入数据应有一定的起伏，信噪比尽量大，太小的数据波动会被干扰噪声淹没；(2)选取机组负荷小范围动态过程中的数据，以保证所有的数据都处于变化之中；(3)现代工程中的生产过程一般都是由多个变量交织在一起的耦合系统组成，在本发明实施例中是选择多输入系统中的某一个输入对应系统的某一个输出进行辨识，让其他输入尽量保持不变，即把多输入所输出系统变成单输入单输出系统来处理。因此选择的输出变量的波动应该是由单一输入变量引起的，需要观察影响输出变量的所有因素，判断出输出变量的响应是否对输入变量正确反映；(4)采样数据段最好起始于某个稳定工况点，此时数据序列反映的是系统从某一稳态开始的动态过程，这样便于在进行辨识工作时确定所采样数据的“零初值点”，而如果是终止于某个稳定工况点，由于各状态变量的初始值不确定，就必须对各状态变量的初始值进行辨识，这样增加了辨识难度。

步骤s11：对所述历史采样数据进行零初值处理，剔除零初值点，生成剔除零点的采样数据。

在实际应用中，由于传递函数模型表达的是系统在某个平衡点输出与输入增量之间的关系，即系统处于平衡状态时，系统的输入输出为零，它们的各阶导数也为零，要想使用采集来的数据，来求解与信号零点无关的方程，就必须找到“零点”，然后剔除。因此在按照上述特点获取历史采样数据后，需要对历史采样数据进行零初值处理，剔除零初值点，生成剔除零点的采样数据。该剔除零点的采样数据如通过公式(1)所示：

其中，u(k)表示历史采样数据中系统的输入，u′(k)表示剔除零点的采样数据中系统的输入，y(k)表示历史采样数据中系统的输出，y′(k)表示剔除零点的采样数据中系统的输出，k表示采样时间，k为正数，n表示零初值点的个数。

步骤s12：对所述剔除零点的采样数据进行粗大值处理，剔除粗大值点，生成所述原始处理数据。

在实际工业生产环境中，传感器和数据采集装置的暂时失灵会导致采集到的历史采样数据中可能存在一些数据的幅值远超过信号的范围，把这类数据称为粗大值。因此需要对上述剔除零点的采样数据进行粗大值处理，剔除粗大值点，生成原始处理数据。

在本发明实施例中采用低阶差分法来剔除粗大值点。例如：假设历史采样数据中u(i)的前4点是正常数据，那么，从第5点开始，满足公式(2)的点则可视为粗大值点：

其中，i＝5、6、…、m，m为数据点个数，n为差分阶次，n＝1、2、3；γ表示粗大值因子，随跃变点幅值而变化。

在实际的数据处理中，连续跃变点很少有超过4点的，因此，在剔除粗大值时，当有4个以上的点连续为粗大值时，认为这个粗大值为阶跃信号，不能进行剔除处理，需要当成正常值。假设第i点为粗大值，需要做剔除处理，则可通过公式(3)来代替该点的值：

y″＝(yi+p+yi-f)/2(3)

其中，y″表示第i点粗大值的替代值，yi+p表示位于第i点后第一个正常值点的取值，yi-f表示位于第i点前第一个正常值点的取值，p表示位于第i点后第一个正常值点与第i点之间的间隔点数，p为非负整数，f表示第i点与位于第i点前第一个正常值点之间的间隔点数，f为非负整数。

步骤s2：对原始处理数据进行离线辨识，构建各稳态时刻的热工过程模型。

在实际生产过程中，不同的负荷，不同的工作条件和工作情况，会导致热工过程稳态的变化，会从当前稳态，最终转换到另一个新的稳态，基于历史数据的离线辨识，可以得到两个稳态时刻的热工过程模型。

在一较佳实施例中，如图2所示，上述步骤s2具体包括如下步骤：

步骤s21：定义误差指标函数，根据原始处理数据得到初始化种群。在本发明实施例中，通过公式(4)来定义该误差指标函数：

其中，j表示误差指标函数值，当误差指标函数j越小时，则代表所辨识的热工过程模型越准确。m为采样数量，m为正整数，y(its)为实际输出，fg[u(its)]为模型输出，e(its)为实际输出与模型输出的误差值。

步骤s22：采用群智能优化算法中的粒子群优化算法计算初始化种群适应度。

步骤s23：根据初始化种群适应度计算误差指标函数，得到当前最佳位置。

具体地，粒子群优化算法在计算初始化种群适应度后，根据初始化种群适应度按照上述公式(4)计算最小误差指标函数，得到当前个体最佳位置和当前全局最佳位置

步骤s24：采用群智能优化算法中的布谷鸟算法对粒子群优化后得到的个体最佳位置解集进行二次寻优，并计算更新后的新种群适应度。

步骤s25：根据新种群适应度计算误差指标函数，得到新的个体最佳位置和全局最佳位置。

具体地，在得到上述最佳位置后，对最佳位置进行更新，根据更新后的位置重新计算上述更新后的个体最佳位置和全局最佳位置对应的误差指标函数j的值，并于与上述的当前最佳位置的误差指标函数j的值进行比较，如果更新后的误差指标函数j的值较小，则将更新的位置替换上述的当前最佳位置，并得到更新的位置参数。

在实际应用中，由于布谷鸟算法的搜索特性，可以按照公式(5)对上述粒子群算法的位置参数进行寻优和更新，该布谷鸟寻找鸟巢的路径和位置更新可由公式(5)表示：

其中，α代表步长因子，与l(λ)进行点对点相乘，l(λ)表示随机路径，多为一阶跃函数和随机置换选择的两个位置的点乘结果，t表示时间，表示更新后的位置参数，表示更新前的位置参数。

例如：假设将粒子i经历的最佳位置记为n表示粒子i经历的最佳位置个数，粒子i的当前最佳位置可由公式(6)表示：

其中，表示当前最佳位置的位置参数，xi(t+1)表示更新后最佳位置的位置参数，表示最佳速度对应的适应度值。

然后根据更新后的位置参数，按照公式(7)更新速度参数：

其中，表示更新最佳位置后的速度参数，表示更新前当前最佳位置的速度参数，c1表示认知因子，c2表示社会因子。

步骤s26：判断更新位置参数是否满足预设结束条件，当更新位置参数满足预设结束条件时，执行步骤s27，否则执行步骤s24。

在更新最佳位置参数和速度参数后，重新计算误差指标函数，比较更新的位置参数是否满足结束条件，如果满足结束条件，则执行步骤s27，否则执行步骤s24，重新对初始化种群的速度和位置进行更新。

步骤s27：得到输出最佳位置，并根据输出最佳位置构建热工过程模型。

当更新的位置参数满足结束条件时，则将此时的最佳位置作为输出最佳位置，并根据该输出堆积位置构建上述热工过程模型。然后执行步骤s3。

步骤s3：采用快速在线代数参数辨识算法对相邻稳态间的热工过程模型的模型参数进行动态辨识，生成模型参数辨识结果。

在线辨识是计算机本身参与数据采集、处理和系统辨识，不断修正辨识结果的过程，也称联机辨识。其特点是可以充分利用每次采集的新数据，使辨识结果不断更新，避免了数据陈旧；辨识过程中的全部运算在两次采样时刻之间完成，具有很好的实时性，克服了因慢时变而引起的失效。在线辨识方法常用于自适应和预测估计。

代数辨识方法是一种建立在矩阵运算和代数微分运算理论基础上的辨识方法，具有辨识速度快、不需要预知噪声的统计信息、鲁棒性好等优点。如今普遍应用在参数辨识、故障诊断、信号处理等领域。其中快速在线代数参数辨识算法便是利用代数方法，对被控对象模型公式进行一定的数学推导，进而得出的一种辨识算法。将上述步骤s2得到的稳态时刻的热工过程模型代入到在线辨识模型中，利用快速在线代数参数辨识算法对相邻稳态间的模型参数进行动态辨识。

快速在线代数参数辨识算法是针对已知模型，进行积分，拉普拉斯反变换等代数运算，得到需要辨识参数的矩阵方程，通过可测量的输入u、输出y和时间t进而得到所需辨识的参数估计值。以下将结合具体示例，来描述采用快速在线代数参数辨识算法对相邻稳态间的热工过程模型的模型参数进行动态辨识，生成模型参数辨识结果的过程。

在一较佳实施例中，如图3所示，上述步骤s3具体包括如下步骤：

步骤s31：获取热工过程模型所对应的传递函数。

以上述步骤s2得到的稳态时刻的热工过程模型为一阶惯性环节为例，该一阶惯性环节由公式(8)表示：

其中，y(s)表示系统输出，u(s)表示系统输入，k表示稳态增益，t表示时间常数。

步骤s32：采用快速在线代数参数辨识算法对传递函数进行处理，得到辨识参数的矩阵方程。

首先对上述描述一阶惯性环节的公式(8)等式进行交叉相乘得到公式(9)：

(ts+1)y(s)＝ku(s)(9)

然后，对公式(9)的两侧同时进行拉普拉斯反变换得到公式(10)

然后，对上述公式(10)等式两侧同时乘以时间t，得到式(11)：

然后，对上述公式(11)中的t进行积分，得到式(12)：

然后，对上述公式(12)利用分步积分法消去等式中的微分项得到公式(13)：

t(ty-∫y)+∫ty＝k∫tu(13)

然后，对上述公式(13)进行移项，将k,t移到同侧，合并同类项，得到公式(14)：

k∫tu+t(∫y-ty)＝∫ty(14)

上述的t、y、u均为可测量值，再次对公式(14)中的变量t进行积分，得到公式(15)：

k∫∫tu+t(∫∫y-∫ty)＝∫∫ty(15)

然后，根据公式(14)和公式(15)列出矩阵形式，得到公式(16)：

然后，将公式(16)写作pa＝q的形式。具体地，当t≤t0时，即在很小的时间范围内，t为常数，此时p没有可逆矩阵；t>t0时，此时矩阵p存在可逆矩阵p^-1，将公式(16)的两侧同时左乘可得到公式(17)：

步骤s33：测量稳态间变化过程的系统输入值、系统输出值及时间值。

由于上述公式中的t、y、u均为可测量值，根据实际的测量得到稳态间变化过程的系统输入值、系统输出值及时间值。

步骤s34：根据系统输入值、系统输出值及时间值计算矩阵方程，生成模型参数辨识结果。

将上述步骤s33测量得到的系统输入值、系统输出值及时间值代入上述公式(17)，则实现了对一阶惯性环节的参数k,t的辨识，辨识到的参数估计值记为ke，te。

步骤s4：根据模型参数辨识结果对各模型参数进行更新，得到热工过程优化模型。

利用上述步骤s3中公式(17)的辨识结果对过稳态时刻的程模型进行参数的更新，由此可以得到稳态间的参数变化趋势。由此可以得出，快速在线代数参数辨识算法的原理是，对已知模型，首先将等式转化为乘法形式，进行拉普拉斯反变换，之后等式两侧同乘时间t，对t进行两次积分，然后建立空间矩阵，通过矩阵的逆变换得到所需辨识的参数方程。同样的方法可应用到其他模型中进行辨识。本发明实施例并不以此为限。

通过执行上述步骤s1至步骤s4，本发明实施例提供的热工过程模型在线辨识方法，通过采集数据-建立热工过程模型-参数在线辨识的过程，实现了对热工过程模型的优化，使得控制系统的控制参数能够满足节约能源，经济实用的生成要求，此外，在本发明实施例中采用快速在线代数参数辨识算法和群智能优化算法结合的方式，实现了对系统稳态间变化过程的实时在线辨识，提高了辨识结果的准确性。

以下将结合工业实际示例，来描述本发明实施例提供的热工过程模型在线辨识方法。

实验数据选取135mw循环流化床热电机组，喷水量变化对应主蒸汽温度的变化，选取减温水量作为输入数据，主蒸汽温度作为输出数据。所获得的历史采样数据及经过零初值处理后的数据如图5所示。

对原始处理数据进行离线辨识的离线辨识结果如图6所示，根据该离线辨识结果，得到该稳态时刻，热工过程模型的传递函数模型如公式(18)所示：

然后，利用现场采集到循环流化床热电机组30％、50％、70％负荷下喷水量与主蒸汽温度数据，利用上述方法得到不同负荷情况下的稳态点的热工过程模型的传递函数模型，分别如公式(19)、公式(20)、公式(21)所示：

然后，采用快速在线代数参数辨识算法对上述几个相邻稳态间的热工过程模型的模型参数进行动态辨识，本发明实施例中，采用仿真时间8000s，仿真步长为变步长，初始步长为1，最大步长为10，最小步长为1，输入信号为正弦信号，得到t从当前稳态到下一稳态的在线辨识结果如图7所示，k的从当前稳态到下一稳态的在线辨识结果如图8所示。

实施例2

本发明实施例提供一种热工过程模型在线辨识装置，如图9所示，该热工过程模型在线辨识装置包括：历史采样数据获取模块1，用于获取热工过程中稳态间变化过程的历史采样数据，并对历史采样数据进行数据预处理生成原始处理数据。详细内容参考实施例1中的步骤s1。

热工过程模型构建模块2，对原始处理数据进行离线辨识，构建各稳态时刻的热工过程模型。详细内容参考实施例1中的步骤s2。

模型参数辨识结果生成模块3，用于采用快速在线代数参数辨识算法对相邻稳态间的热工过程模型的模型参数进行动态辨识，生成模型参数辨识结果。详细内容参考实施例1中的步骤s3。

热工过程优化模型生成模块4，用于根据模型参数辨识结果对各模型参数进行更新，得到热工过程优化模型。详细内容参考实施例1中的步骤s4。

通过上述各组成部分的协同合作，本发明实施例提供的热工过程模型在线辨识装置，实现了对热工过程模型的优化，使得控制系统的控制参数能够满足节约能源，经济实用的生成要求，此外，在本发明实施例中采用快速在线代数参数辨识算法和群智能优化算法结合的方式，实现了对系统稳态间变化过程的实时在线辨识，提高了辨识结果的准确性。

在一较佳实施例中，如图10所示，上述的历史采样数据获取模块1包括：

零初值处理子模块11，用于对历史采样数据进行零初值处理，剔除零初值点，生成剔除零点的采样数据。详细内容参考实施例1中的步骤s11。

粗大值处理子模块12，用于对剔除零点的采样数据进行处理，剔除粗大值点，生成原始处理数据。详细内容参考实施例1中的步骤s12。

在一较佳实施例中，上述的热工过程模型构建模块2具体用于执行以下步骤：步骤s21：定义误差指标函数，根据原始处理数据得到初始化种群；步骤s22：采用群智能优化算法中的粒子群优化算法计算初始化种群适应度；步骤s23：根据初始化种群适应度计算误差指标函数，得到当前最佳位置；步骤s24：采用群智能优化算法中的布谷鸟算法对初始化种群的速度和位置进行更新，并计算更新后的新种群适应度；步骤s25：根据新种群适应度计算误差指标函数，得到更新位置参数；步骤s26：判断更新位置参数是否满足预设结束条件，当更新位置参数满足预设结束条件时，执行步骤s27，否则执行步骤s24；步骤s27：当更新位置参数满足预设结束条件时，得到输出最佳位置，并根据输出最佳位置构建热工过程模型。

在一较佳实施例中，如图10所示，上述的模型参数辨识结果生成模块3包括：

传递函数获取子模块31，用于获取热工过程模型所对应的传递函数。详细内容参考实施例1中的步骤s31。

矩阵方程生成子模块32，用于采用快速在线代数参数辨识算法对传递函数进行处理，得到辨识参数的矩阵方程。详细内容参考实施例1中的步骤s32。

测量数据获取子模块33，测量稳态间变化过程的系统输入值、系统输出值及时间值。详细内容参考实施例1中的步骤s33。

模型参数辨识结果生成子模块34，用于根据系统输入值、系统输出值及时间值计算矩阵方程，生成模型参数辨识结果。详细内容参考实施例1中的步骤s34。

实施例3

本发明实施例提供一种非暂态计算机存储介质，该计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意实施例1中的热工过程模型在线辨识方法。其中，上述存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid-statedrive，ssd)等；该存储介质还可以包括上述种类的存储器的组合。

实施例4

本发明实施例提供一种热工过程模型在线辨识方法的电子设备，其结构示意图如图11所示，该设备包括：一个或多个处理器410以及存储器420，图11中以一个处理器410为例。

执行热工过程模型在线辨识方法的电子设备还可以包括：输入装置430和输出装置440。

处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图11中以通过总线连接为例。

处理器410可以为中央处理器(centralprocessingunit，cpu)。处理器410还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器420作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的热工过程模型在线辨识方法对应的程序指令/模块，处理器410通过运行存储在存储器420中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的热工过程模型在线辨识方法。

存储器420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据热工过程模型在线辨识的处理装置的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至热工过程模型在线辨识装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可接收输入的数字或字符信息，以及产生与热工过程模型在线辨识操作的处理装置有关的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。

一个或者多个模块存储在存储器420中，当被一个或者多个处理器410执行时，执行如图1所示的方法。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，具体可参见如图1所示的实施例中的相关描述。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。