一种燃煤电站锅炉过热器模型参数辨识方法
【专利摘要】本发明公开了一种燃煤电站锅炉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，确定已知参数和需要辨识的参数；对已知参数进行坏点处理和数据平滑处理，得到已知参数实时数据库；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。
【专利说明】一种燃煤电站锅炉过热器模型参数辨识方法
【技术领域】
[0001]本发明涉及信息处理【技术领域】，尤其涉及一种燃煤电站锅炉过热器模型参数辨识方法。
【背景技术】
[0002]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，所需检测和控制参数的增多，使得锅炉结构也逐渐变得复杂，给模型的建立和参数的确定带来了新的挑战。
[0003]过热器作为锅炉的重要组成部分，其输出变量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定时更新具有重要的实用价值。
[0004]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。
[0005]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”基于机理模型很难再现锅炉过热器系统的复杂动态特性，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。
[0006]因此，本领域的技术人员致力于开发一种针对锅炉过热器模型的参数辨识方法，能够实现在线优化辨别锅炉系统的实时变化情况。
【发明内容】
[0007]有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于数据驱动的燃煤电站过热器模型参数辨识方法，通过机组中和模型参数相关的实际运行数据，建立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。
[0008]为实现上述目的，本发明提供了一种燃煤电站锅炉过热器模型参数辨识方法，包括以下步骤:
[0009]a)建立锅炉过热器的非线性集总参数模型，确定已知参数和需要辨识的参数；
[0010]b)对步骤a)中所述已知参数依次进行坏点处理和数据平滑处理，对处理后的已知参数建立已知参数实时数据库；
[0011]c)对步骤b)中所述已知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，将每个负荷段的训练样本数据库按照负荷区间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；
[0012]其中，n≥ 1。
[0013]d)针对步骤c)中的每个所述训练样本数据库建立一个对应的径向基函数神经网络模型，并使η个径向基函数(Radial Basis Function, RBF)神经网络模型并联组成混合网络；
[0014]e)提取当前时刻过热器系统的实际测量值，对径向基函数神经网络模型进行在线参数辨识，得到当前时刻需要辨识的参数的数值；
[0015]f)每隔时间间隔t，对径向基函数神经网络模型进行更新处理，由新的混合网络对需要辨识的参数进行在线参数辨识。
[0016]进一步地，所述步骤b)中，对所述已知参数进行坏点处理是指: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。
[0017]进一步地，所述步骤b)中，对所述已知参数进行数据平滑处理是采用七点加权滤波法实现。
[0018]进一步地，所述步骤c)中，所述已知参数实时数据库进行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相等或近似相等的情况下，将已知参数实时数据库按照负荷大小分为n段，得到n个不同负荷段的训练样本数据库。
[0019]进一步地，所述步骤c)中，所述归一化处理是指:通过计算获得训练样本子集中的参数的归一化值。所述归一化值的计算如下:
[0020]
【权利要求】
1.一种燃煤电站锅炉过热器模型参数辨识方法，其特征在于，包括以下步骤: a)建立锅炉过热器的非线性集总参数模型，确定已知参数和需要辨识的参数； b)对步骤a)中所述已知参数依次进行坏点处理和数据平滑处理，对处理后的已知参数建立已知参数实时数据库； c)对步骤b)中所述已知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，将每个负荷段的训练样本数据库按照负荷区间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； d)针对步骤c)中的每个所述训练样本数据库建立一个对应的径向基函数神经网络模型，并使η个径向基函数神经网络模型并联组成混合网络； e)提取当前时刻过热器系统的实际测量值，对径向基函数神经网络模型进行在线参数辨识，得到当前时刻需要辨识的参数的数值； f)每隔时间间隔t，对径向基函数神经网络模型进行更新处理，由新的混合网络对需要辨识的参数进行在线参数辨识。
2.如权利要求1所述的燃煤电站锅炉过热器模型参数辨识方法，其特征在于，所述步骤b)中，对所述已知参数进行坏点处理是指: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。
3.如权利要求1所述的燃煤电站锅炉过热器模型参数辨识方法，其特征在于，所述步骤b)中，对所述已知参数进行数据平滑处理是采用七点加权滤波法实现。
4.如权利要求1所述的燃煤电站锅炉过热器模型参数辨识方法，其特征在于，所述步骤c)中，所述已知参数实时数据库进行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相等或近似相等的情况下，将已知参数实时数据库按照负荷大小分为η段，得到η个不同负荷段的训练样本数据库。
5.如权利要求1所述的燃煤电站锅炉过热器模型参数辨识方法，其特征在于，所述步骤c)中，所述归一化处理是指:通过计算获得训练样本子集中的参数的归一化值。
6.如权利要求1所述的燃煤电站锅炉过热器模型参数辨识方法，其特征在于，所述步骤d)中，所述建立一个对应的径向基函数神经网络模型包括以下步骤: 第一步、确定径向基函数神经网络模型的输出量； 第二步、从所述锅炉过热器的非线性集总参数模型中查找与所述输出量有关系的已知参数，选取径向基函数神经网络模型的输入量； 第三步、采用径向基函数神经网络训练方法对所述输入量和所述输出量进行训练，得到径向基函数神经网络模型。
7.如权利要求1所述的燃煤电站锅炉过热器模型参数辨识方法，其特征在于，所述步骤e)中，所述在线参数辨识是指:对当前时刻的锅炉过热器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径向基函数神经网络模型中，从而得到当前时刻需要辨识的参数的数值。
8.如权利要求1所述的燃煤电站锅炉过热器模型参数辨识方法，其特征在于，所述步骤f)中的所述更新处理，包括以下步骤: 第一步、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；第二步、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，以及过去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； 第三步、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； 第四步、针对更新后的训练样本数据库建立一个对应的新的径向基函数神经网络模型。
【文档编号】G06N3/08GK103793746SQ201410056688
【公开日】2014年5月14日 申请日期:2014年2月19日 优先权日:2014年2月19日
【发明者】王景成, 陈旭, 史元浩, 刘正峰, 袁景淇, 云涛, 屠庆, 徐青 申请人:上海交通大学, 上海工业自动化仪表研究院