一种融合分层参数优化和模糊神经网络的火电机组协调控制系统建模方法

本发明涉及火力发电机组灵活性运行的建模，更具体地，涉及一种提高大型火力发电机组灵活运行能力的基于优化算法和模糊神经网络的精准建模策略。

背景技术：

1、在全球化能源环境危机下，“碳达峰、碳中和”成为我国实现能源结构转型，绿色低碳和可持续发展的必由之路。目前我国电力行业仍依托火电，火电机组碳排放体量大，亟待推进电力系统的新能源消纳以促进化石能源的清洁替代。能源清洁低碳转型和高质量发展是贯彻落实新发展理念的重要抓手，加快能源变革转型，以清洁能源为主导转变能源生产方式，以电为中心转变能源消费方式，将有力推动构建清洁低碳、安全高效的能源体系。尽管最近新能源产业受到越来越多的关注，但可再生能源，如太阳能和风能的可变性和间歇性，使得其很难满足对稳定和可持续能源的需求，燃煤发电厂仍然发挥着关键作用。由此可见，以可再生能源发电为主体，发挥火电机组的基荷作用将成为我国电力生产领域的发展趋势。因此，急需推进火力发电机组的技术改造，提高其深度调峰能力，为大规模集中式可再生能源电力的消纳提供保障。

2、超超临界机组是一个庞大而复杂的热力系统，由直通锅炉和汽轮机两大子系统组成，具有高热效率、低排放、少污染的先进发电技术，因此它已成为我国近年来电力生产领域的主力机组。所以，挖掘超超临界机组的负荷快速控制能力，对提高能源利用效率及接纳大规模新能源电力并入电网具有重要现实意义。作为超超临界机组的控制核心，协调控制系统需满足高品质的控制性能要求以提高单元机组的灵活性运行能力。然而，超超临界机组协调控制系统具有多变量、时变、非线性、大延迟和强耦合的动态特性，加之可再生能源电力并入电网带来的波动，采用常规方法已难以满足控制性能需求。火电机组灵活性运行旨在通过控制策略的设计实现机组的深度、快速变负荷，然而对于其复杂系统而言，如何建立结构合理、精度理想的被控对象模型在控制策略的设计中发挥着关键作用。因此，本文将超超临界机组的协调控制系统作为被控对象，为其设计先进的建模结构，旨在提升模型的精度，对提高大型火力发电机组的灵活性运行能力具有重要意义。

3、目前对于火电机组的建模方法大致可分为两类：机理建模方法和数据驱动建模方法。机理建模方法采用质量和能量守恒定律来分析操作过程，然后在一定简化和假设的基础上建立物理模型结构。这种建模方法的优点是所建立的模型结构简单，建模精度适当，参数和函数具有相对明确的物理意义。然而，由于工业过程的复杂性，机理建模方法很难基于有限的知识准确描述操作过程，因此该模型通常不具有较高的建模精度。

4、数据驱动建模是弥补机理建模不足的一种令人满意的方法，其摆脱了繁杂的公式推导，充分利用了实验数据或现场测试数据中的内部信息。神经网络在计算处理信息的过程中所表现出了较强的学习能力和容错性。另一方面，模糊系统是模仿人的模糊逻辑思维方法设计的一类系统，这一方法本身就明确地说明了系统在工作过程中允许其定性知识的存在。模糊神经网络(fnn)结合了神经网络与模糊逻辑的优点，克服了传统神经网络不能完善处理边界分类模糊数据主故障误诊问题,同时使得基于规则的结构性知识能够得到学习和调整，既可以具备神经网络的自学习能力，又可以有模糊逻辑的不确定信息处理能力，所以，模糊神经网络在处理非线性、模糊性等问题上有很大的优越性，在智能信息处理方面存在巨大的潜力，是非线性系统建模的最有效技术之一。因此，本文提出了融合分层参数优化和模糊神经网络的火电机组协调控制系统建模方法，以提高机组的建模精度，从而更有益于大型火电机组的灵活性运行。

技术实现思路

1、本发明旨在提供一种提高火电机组协调控制系统建模精度的基于模糊神经网络的建模方法，改进大型火力发电机组协调控制系统的模型质量的同时，为提高机组的控制能力做基础。该方法充分考虑了被控对象的复杂动态特性，在模型结构方面，将原始数据集中聚类中心周围的增量模型分离开来进行单独计算，从而保证局部线性模型更强的线性化。在训练算法方面，利用谢尔贝尼指数优化规则数之后，通过基于遗传算法的fcm算法优化隶属度函数的中心和半径。结论部分网络中，采用有监督自适应梯度下降法和改进的混沌自适应金豺优化算法训练结论参数。借助于真实的电厂运行数据对模型进行训练，并验证该模型的通用性，同时，通过对比试验，验证了所提方法建立的模型精度以及通用性都具有明显的优越性。

2、本发明所提出的一种融合分层参数优化和模糊神经网络的火电机组协调控制系统建模方法，由以下4个步骤组成：

3、s1：分析超超临界机组锅炉—汽轮机协调控制系统复杂特性和建模难点；

4、s2：确立针对超超临界机组协调控制系统的改进型建模策略；

5、s3：描述新型建模策略和改进优化算法的原理及其设计步骤；

6、s4：依托仿真平台验证并分析所提建模策略的有效性。

7、s1：直流锅炉加热区、蒸发区和过热区之间的界限不明确，要维持锅炉汽水行程中各点的温度、湿度及汽水各区段的位置在规定的范围内，要求更严格地保持燃水比与燃风比的平衡；由于直流锅炉蓄能小，对外界负荷变动时汽压反映很敏感，在不同工况下各区段工质的比热、比容、热熔与它的温度、压力的关系是非线性的；燃料控制具有较大的纯迟延和滞后特性，在很大程度上会影响主蒸汽温度、主蒸汽压力和负荷的控制；由于以上过程的复杂性，被控量与控制量之间具有强耦合、时变、大延迟、非线性等复杂动态特性；加之电网随机性的波动，机理建模方法很难基于有限的知识准确描述直流锅炉完整的操作过程，因此所辨识的模型精度有待提高；数据驱动建模充分利用了实验数据或现场测试数据中的内部信息，在提升火电机组灵活性方面得到了广泛的应用和研究，并且也显示出了巨大的潜力。

8、s2：基于s1的分析可知，超超临界机组协调控制系统因其复杂的动态特性，采用机理建模策略难以取得较高的建模精度，因此需为其设计先进的数据驱动建模方法获取其高精度模型；直流锅炉由于缺乏汽包的缓冲蓄能作用，其给水控制无法独立出来，因此将其协调控制系统描述为一个三输入三输出的简化模型，能更为准确地描述机组的动态特性；超超临界机组协调控制系统的三个被控量为：负荷输出n、主蒸汽压力pt和分离器出口温度t，三个控制量为：阀门开度μt、燃料量b、给水量w；一般来说，对于一个多输入多输出系统，它可以分解为若干个多输入单输出系统；因此，本发明把三输入三输出的协调控制系统视为三个三输入单输出的子系统，子系统三个输入量均为主蒸汽阀门开度、燃料量和给水量，输出变量分别为机组的负荷、主蒸汽压力和中间点温度，然后分别对这些子系统进行建模；模糊神经网络结合了模糊理论和神经网络的优点，由于其出色的泛化和解释能力，已被广泛应用于非线性过程建模；因此本发明提出了一种新型建模策略，致力于提升模型的精度。

9、s3：在确定了基于模糊神经网络的火电机组协调控制系统建模策略架构后，在s3中将对模糊神经网络的网络结构和参数训练策略的设计步骤具体化：

10、s3.1：新型的模糊神经网络与经典的模糊神经网络具有相同的结构相似，包括五层：输入层、模糊化层、规则层、局部输出层和全局输出层。模糊辨识方法中最重要的一个特点在于首先要将原始非线性系统划分为若干局部伪线性系统，然后分别对这些伪线性系统进行线性化建模，最后集总成非线性模型；由此可见，该方法中局部伪线性系统的精度对整个模型的精度起到决定性作用，本发明由此出发，设计了新型模糊神经网络结构，具体如下：

11、输入层：输入层的主要工作是确定模型的输入向量，选定的输入向量包括所有的输入量和输出量，输入层的节点个数就是输入量的个数和输出量的个数的总和乘以它们的阶次，对于一个非线性系统而言，其中的线性关系只存在于输入和输出的增量δu和δy中，因此，一种可行的方法是从局部伪线性模型中提取出线性的增量模型，然后分别对增量模型和线性点模型进行了讨论和计算，这种增量形式的输入被应用于本文模糊神经网络的输入层中，输入向量为：

12、x(k)＝[δu1(k),...,δu1(k-n),...,δui(k-n),δy(k),...,δy(k-m)]t   (1)

13、δui(k)＝ui(k)-usi                       (2)

14、δy(k)＝y(k)-ysi                        (3)

15、其中，x(k)为模糊神经网络的输入增量，δui(k)为第i个输入向量的增量形式，usi为从聚类中心得到的输入值，δy(k)为输出向量的增量形式，ysi为输出值；

16、模糊化层：在模糊化层中，每个神经元的输出表示输入向量的特征对应于特定模糊规则的隶属度，因此，这一层的节点数等于输入层的节点数和模糊规则的数量的乘积，高斯隶属度函数是在模糊系统中应用最为广泛的，其效果已被很多研究所验证，所以，在该模糊化层中使用高斯隶属度函数，其表达式为：

17、

18、式中，μij表示输入向量的第i个特征对应于第j条模糊规则的隶属度值；xi表示输入向量的第i个特征值；cij表示第j个聚类中心中第i个特征的值；rj表示第j个聚类的半径；

19、规则层：在规则层，节点个数与模糊规则的数量一致，这一层节点的输入包含了所有输入特征对相应模糊规则的隶属度，计算逻辑是将属于同一规则的隶属度值进行累乘，进而得到该规则的隶属度；

20、

21、式中，p为规则个数，vj为第j条模糊规则的隶属度；

22、局部输出层：局部输出层节点数与规则层的节点数一致，这一层中每个神经元的输出代表一个局部模型的输出，由于模型结构采用增量形式，这一层神经元输出的计算与传统的模糊神经网络有很大的不同，首先，对增量数据进行计算，根据t-s模糊模型中结论部分的一般形式，可以得到局部增量模型的输出表达式：

23、

24、式中，表示第j个局部增量模型的输出，xi表示第i个输入特征，表示第i个输入向量的权值，这里设定了一个小的权重偏置来平衡方程，并抑制离群值的输出到某个方向，然后，需要把聚类中心所代表的典型工况点输出单独考虑：

25、

26、其中，为第j个聚类中心所代表的工况点的输出，为第j个聚类中心矩阵中的输出数据，最后，将以上两种方式计算得到的不同输出相加，即可得到局部模型的非线性输出：

27、

28、全局输出层：全局输出层中，主要进行归一化操作，进而得到全局输出：

29、

30、式中，y表示全局输出，yj表示第j个局部模型的非线性输出，vj为第j个局部模型的隶属度；

31、s3.2：该改进后模糊神经网络的主要包括两大部分：输入节点与规则节点之间的部分叫做前提部分网络，规则节点与输出节点之间的部分叫做结论部分网络，这两个部分有着不同的结构和功能，故需要用不同的方法分别训练这两部分网络的参数，才能保证足够的精度；

32、s3.2.1：前提部分网络参数训练：前提部分的网络参数主要包括规则层的节点数以及隶属度函数的中心和半径，本发明考虑用聚类算法来实现此类参数的辨识，在主流的聚类算法中，大都需要提前手动选定聚类个数的，那么为了得到最佳的规则层节点数，就要一次次的运行算法来试凑得到，这会导致过多的计算量，本发明将模糊c均值算法和遗传算法相结合，有效避免了人工初始化的缺点，同时也克服了模糊c均值算法容易陷入局部最优的问题；然后引入谢尔比指数算法进行优化，实现了自动选取最优规则节点数，使该聚类算法达到了更好的聚类效果；

33、首先，针对强烈依赖初始化的问题，在训练时还使用谢尔比指数来对规则数做了初始的优化工作，改进后，无需提前随机选取规则数，算法可以自适应的取到规则数的最佳，谢尔比指数的计算方式如下：

34、

35、其中，p表示聚类个数，n表示样本总个数，m∈(1,∞)为模糊权重因子，uik表示第k个样本对应于第i条规则的隶属度，xi表示第i个样本，cj表示第j个聚类的中心，由上式可知，它的分母度量的是不同聚类间的距离，而分母度量的是每个聚类内部的样本紧凑性，所以，当该指标越小，聚类结果就是越有效的，因此，这个聚类有效性指标十分适用于规则数的初始优化；

36、然后，针对容易陷入局部最优点的问题，引入了遗传算法，利用遗传算法随机搜索的特点，通过遗传算法进行选择、交叉、变异操作，得到新种群，计算聚类中心、更新隶属度矩阵，可以很好的避免陷入局部最优解；

37、除了隶属度函数的中心外，隶属函数的半径也是一个需要被辨识的关键参数，该参数的识别方法流程如下：

38、步骤1：将每个聚类半径rj的值初始化为0，并计算每个输入向量与其最近的聚类中心cj之间的距离，计算方式为：

39、

40、步骤2：根据以下原则更新聚类半径rk；

41、rk＝max{dk,rk}          (12)

42、步骤3：重复步骤1和步骤2，直到最后一个隶属度函数的半径被确定，即完成了前提网络的参数训练；

43、s3.2.2：结论部分参数训练：由于本发明的建模方法属于数据驱动建模，使用的数据是庞大的超超临界机组实际运行数据，所以结论参数辨识部分使用到了有监督自适应梯度下降法，其中的学习率可实现根据电厂数据来自适应修正，保证了结论部分输出表达式的准确性；然后，引入改进的混沌自适应金豺算法对结论部分参数进一步优化，提升模型的精度和性能；

44、传统的梯度下降法对参数的调整和当前时刻的误差变化方向是相联系的，但它忽略了过去时刻误差变化方向可能使得训练进入振荡或收敛过慢的状况，并且，传统梯度下降法没有在学习率上做改进，其值一般是固定的，这也会让收敛速度大大减慢；考虑到以上局限性，在结论部分网络参数的训练过程中，采用监督自适应梯度下降法，由于训练数据是复杂的火电厂实际运行数据，因此学习率需要根据数据特征来进行针对性的自适应变化，具体算法步骤总结如下：

45、为简便起见，算法的性能指标采用了通用误差函数：

46、

47、式中，yr为机组实际数据中的输出，y为模糊神经网络模型的输出；

48、然后，根据误差函数的公式，计算其梯度

49、

50、其中，x是输入向量；

51、采用了一种特殊的学习率自适应校正方法，避免了少量损坏数据影响训练效果；

52、

53、其中，lr是更新后的学习率，i为当前迭代次数，xi为当前样本的第i个特征；

54、对于公式(14)，如果训练数据中损坏数据，xi可能会高于正常值，那么输入向量中的元素和的数值也会比较高，然后此时的学习率是比较小的，这样一来，就消除了损坏点的影响，进而让训练过程更快地收敛，最后，在上述讨论的基础上，得到了结论参数的修正公式：

55、

56、式中，w(k)为当前时刻的结论参数，w(k-1)为上一时刻的结论参数，α为额外引入的动量因子；

57、为了取得更高的建模精度，本发明使用有监督自适应梯度下降算法和改进后的金豺优化算法对结论网络进行进一步的训练；

58、金豺优化(goldenjackal optimization，gjo)算法是一种模仿金豺合作狩猎行为的新型智能优化算法；gjo算法是将金豺的猎物作为种群，也就是说，算法更新的是猎物的位置；其中，将种群中最优的个体和次优的个体作为一对金豺，即金豺夫妇；利用金豺对的位置更新所有猎物的位置，假设种群规模为n，依据个体的适宜度进行优劣排名，排名第一和排名第二的个体就被作为狩猎的金豺对：

59、搜索猎物(勘探阶段)：狩猎由雄性豺狼带领，雌性豺狼跟随，雄性豺狼和雌性豺狼对于种群中每个猎物的相对位置如下：

60、

61、

62、其中，t表示当前迭代次数，表示当前迭代中，第i个个体(猎物)的位置；分别表示当前迭代中的雄性豺狼和雌性豺狼，也就是种群中的最优个体和次优个体，分别表示当前迭代下，每个个体i与雄性豺狼和雌性豺狼之间的相对位置，也就是说，对每个个体i来说都有这样对应的一对位置向量e为猎物的逃跑能量，计算如下：

63、e＝e1·e0 (19)

64、e0＝2·r-1 (20)

65、

66、其中，e0为猎物初试逃跑能量，e1为猎物逃跑能量变化速率，r为常数，t为当前迭代次数，t为最大迭代次数；(17)和(18)式中的表示d维的基于levy分的随机向量，d表示维度，计算如下：

67、

68、其中，其中μ,υ均为(0,1)之间的随机值，β是一个常数；最后，种群中的每个个体就利用它们各自对应的来更新位置：

69、

70、包围并扑向猎物(开发阶段)：当猎物受到豺狼的骚扰时，其逃跑能量下降，此时豺狼对会将前一阶段发现的猎物包围起来，围堵之后，它们扑向猎物并将其吃掉，这种雄性和雌性豺狼一起狩猎的行为的位置更新公式如下：

71、

72、

73、gjo算法设计简单，计算公式较少，算法很容易实现，没有涉及参数的选取，参数灵敏度低，但是为了进一步提升gjo算法的优化性能，克服其容易陷入局部最优的问题，提升收敛效果，本发明对gjo提出了以下改进：

74、改进一：引入混沌思想，混沌理论是一种非线性理论，在随机数生成方面具有很好的统计结果，许多优化方法都使用混沌映射来生成随机数，进而利用混沌的正效应及其随机性、遍历性、周期性和初值敏感性等征进行改进，混沌优化首先利用混沌映射规则将优化变量映射到混沌变量的区间值空间，其次利用混沌变量特性进行寻优，最后将优化解线性转化为优化空间，不同的混沌映射算子对优化算法有很大影响，因此需要考虑不同混沌的性质对于算法的影响程度，logistic映射是经过倍周期分岔达到混沌，是伪随机序列，具有较强的空间遍历性，其公式如下：

75、xk+1＝λ*xk(1-xk),λ∈(0,4)                (26)

76、改进二：非线性逃逸能量更新策略，利用逃逸能量因子e控制算法由全局搜索过渡到局部搜索，但能量因子e的更新线性减少，即迭代后半段，只进行局部搜索，易于陷入局部最优，为了克服算法后期只进行局部搜索的不足，提出一种新的能量因子e的更新方式如下：(其中rand为(1,2)的随机数，c1为常数。)

77、e＝e1·e0                         (27)

78、e0＝2·rand-1                      (28)

79、e1＝c1(1-(t/t)1/3)1/3                      (29)

80、改进三：高斯随机游走策略，在算法迭代寻优过程中，利用优势种群的平均值来判断算法是否陷入停滞，当优势种群的平均值在连续两次迭代过程中没有变化，则认为算法陷入停滞，此时利用高斯随机游走策略生成新个体，进而帮助算法跳出局部最优，克服早熟的不足，使用高斯函数gaussian，具体公式如下：

81、x(t+1)＝gaussian(x(t),σ)                 (30)

82、σ＝cos(π/2(t/t)2)(x(t)-x*(t))              (31)

83、本文提出的改进的混沌自适应金豺优化算法中，利用混沌序列初始化个体的位置和金豺对，以随机性混沌映射为导向，提高种群多样性和搜索粒子的遍历性；根据非线性逃逸能量更新策略计算猎物逃跑能量e，并更新雄豺和雌豺位置，计算优势种群的平均值，若在连续两次迭代过程中没有变化，则采用高斯随机游走策略产生新的个体；

84、在结论部分同时使用了两种方法，现对两种方法衔接的思路进行描述：首先，通过有监督自适应梯度下降算法获得结论部分网络的初始参数，接着，将已得的初始参数作为混沌自适应金豺算法的个体初始值，设定好个体位置上下限后，在这些初始值的周围一定范围内对个体进行迭代更新，这种双重优化方法可以显著提高模型的精度。

85、s4：基于步骤s3所得的一种提升火电机组建模精度的具有新型网络结构和分层训练方法的模糊神经网络建模方法，为被控对象建立高精度的数学模型。在步骤s4中依托仿真平台验证分析所提建模策略的可行性，具体过程如下：

86、s4.1：首先把三输入三输出的协调控制系统视为三个三输入单输出的子系统，然后分别对这些子系统进行建模，并借助评价指标来对模型精度进行量化比较，所选择的量化指标为均方误差mse：

87、

88、s4.2：为了使模型更好地代表电厂的运行特性，本节选取了某1000mw超超临界机组的实时运行数据共4900组，所用数据的负荷范围从500mw到1000mw，因此，可表征机组的基本运行工况；

89、s4.3：对使用到的参数进行设定：r＝1.5,β＝1.5,c1＝2,t＝100；

90、s4.4：为使模型更好地代表机组的运行特性，本节选取了4900组某1000mw超超临界机组在500mw到1000mw负荷段运行的实时运行数据验证模型的准确性；

91、选取4000组数据对模型进行训练，随后，用900组数据来进一步验证模型的有效性，并绘制模型输出与真实数据的拟合曲线和建模误差曲线，分析建模精度；

92、s4.5：为了检验模型的通用性，选取另外两组机组在不同日期的实时运行数据对所提出的模糊神经网络建模的通用性进行验证；

93、s4.6：为了证明本发明所提出的新型建模策略在提升模型精度上的优势，将多种建模方法与本发明提出的方法进行比较，从而证实该建模策略的优越性。本发明有益效果：

94、本发明结合我国电力生产领域要保证大规模新能源消纳下电网的安全稳定运行的任务，从建模的角度出发，为超超临界机组协调控制系统设计一种分层参数优化的模糊神经网络建模方法，提高建模精度，进而为提高大型火力发电机组负荷快速控制能力夯实基础。

95、本发明充分考虑了超超临界机组协调控制系统的复杂动态特性，不仅创造性地将谢尔贝尼(xb)指数和fcm算法相结合，实现了自动选取最优规则节点数，还利用遗传算法克服了fcm算法本身容易陷入局部最优的缺点，使聚类达到了更好的效果。同时，考虑结论部分网络参数的特征，改进了混沌自适应金豺优化算法，用于结论部分参数的优化。通过对比试验，证明该方法大大提升了建模精度。

96、本发明使用一种新型的模糊神经网络算法来对某超超临界机组的协调控制系统进行建模。首先设计了新型模糊神经网络模型的具体结构，然后对参数训练过程中使用到的一些算法进行了详细描述。最后借助于真实的电厂运行数据对灵活性运行模型进行训练，且验证该模型的通用性。最终建立了一个精确、简洁的动态数学模型，对超超临界机组灵活性运行研究的具有重要意义。