火電廠熱工過程混合辨識方法和系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及火電廠熱工過程技術(shù)領(lǐng)域，特別是涉及一種火電廠熱工過程混合辨識 方法和系統(tǒng)。
【背景技術(shù)】
[0002] 火電廠熱工過程被控對象動態(tài)特性是指控制對象的輸出與輸入之間的動態(tài)關(guān)系， 熱工對象傳遞函數(shù)模型辨識一直是系統(tǒng)辨識領(lǐng)域的重要研究內(nèi)容，辨識得到的傳遞函數(shù)模 型對于精確描述熱工系統(tǒng)動態(tài)特性、控制系統(tǒng)的控制方案設(shè)計及調(diào)節(jié)器參數(shù)整定等具有重 要意義。
[0003] 模型辨識包括模型結(jié)構(gòu)假定和模型參數(shù)辨識兩個部分。由于影響被控對象動態(tài)特 性的因素較多，很難做到對其進(jìn)行精確描述。由于熱工系統(tǒng)的非線性特性，使得很多被控對 象的增益不是常數(shù)，相較時間常數(shù)T和遲延時間τ而言，增益的改變會對系統(tǒng)的控制品質(zhì) 產(chǎn)生更為重要的影響，所以增益的辨識在整個模型確定過程中意義重大，如果不能準(zhǔn)確辨 識會導(dǎo)致火電廠熱工過程安全性低。

【發(fā)明內(nèi)容】

[0004] 基于此，有必要針對上述問題，提供一種提高火電廠熱工過程安全性的火電廠熱 工過程混合辨識方法和系統(tǒng)。
[0005] -種火電廠熱工過程混合辨識方法，包括以下步驟：
[0006] 根據(jù)預(yù)設(shè)的負(fù)荷工況點對應(yīng)建立辨識數(shù)列，并將采集到的火電廠熱工過程的實時 數(shù)據(jù)分別對應(yīng)歸入所述辨識數(shù)列中；
[0007] 根據(jù)所述辨識數(shù)列，利用最小二乘法辨識熱工過程對象的時間常數(shù)、遲延時間和 增益的初始值；
[0008] 根據(jù)所述時間常數(shù)、遲延時間和增益的初始值，利用線性法對所述熱工過程對象 的時間常數(shù)、遲延時間和增益進(jìn)行擬合得到對應(yīng)的函數(shù)表達(dá)式；
[0009] 根據(jù)所述熱工過程對象的時間常數(shù)、遲延時間和增益的函數(shù)表達(dá)式，利用Elman 神經(jīng)網(wǎng)絡(luò)對所述熱工過程對象的增益進(jìn)行修正，得到一階慣性加純遲延模型。
[0010] 一種火電廠熱工過程混合辨識系統(tǒng)，包括：
[0011] 數(shù)據(jù)分類模塊，用于根據(jù)預(yù)設(shè)的負(fù)荷工況點對應(yīng)建立辨識數(shù)列，并將采集到的火 電廠熱工過程的實時數(shù)據(jù)分別對應(yīng)歸入所述辨識數(shù)列中；
[0012] 第一處理模塊，用于根據(jù)所述辨識數(shù)列，利用最小二乘法辨識熱工過程對象的時 間常數(shù)、遲延時間和增益的初始值；
[0013] 第二處理模塊，用于根據(jù)所述時間常數(shù)、遲延時間和增益的初始值，利用線性法對 所述熱工過程對象的時間常數(shù)、遲延時間和增益進(jìn)行擬合得到對應(yīng)的函數(shù)表達(dá)式；
[0014] 增益修正模塊，用于根據(jù)所述熱工過程對象的時間常數(shù)、遲延時間和增益的函數(shù) 表達(dá)式，利用Elman神經(jīng)網(wǎng)絡(luò)對所述熱工過程對象的增益進(jìn)行修正，得到一階慣性加純遲 延模型。
[0015] 上述火電廠熱工過程混合辨識方法和系統(tǒng)，根據(jù)預(yù)設(shè)的負(fù)荷工況點對應(yīng)建立辨識 數(shù)列，并將采集到的火電廠熱工過程的實時數(shù)據(jù)分別對應(yīng)歸入辨識數(shù)列中。根據(jù)辨識數(shù)列， 利用最小二乘法辨識熱工過程對象的時間常數(shù)、遲延時間和增益的初始值。根據(jù)時間常數(shù)、 遲延時間和增益的初始值，利用線性法對熱工過程對象的時間常數(shù)、遲延時間和增益進(jìn)行 擬合得到對應(yīng)的函數(shù)表達(dá)式。根據(jù)熱工過程對象的時間常數(shù)、遲延時間和增益的函數(shù)表達(dá) 式，利用Elman神經(jīng)網(wǎng)絡(luò)對熱工過程對象的增益進(jìn)行修正，得到一階慣性加純遲延模型。在 辨識熱工被控對象模型參數(shù)時，可利用神經(jīng)網(wǎng)絡(luò)所具有的對任意非線性映射的任意逼近能 力來模擬實際系統(tǒng)的輸入和輸出關(guān)系，根據(jù)輸入輸出數(shù)據(jù)不斷調(diào)整辨識精度，確保增益辨 識的準(zhǔn)確性，提高了火電廠熱工過程安全性。
【附圖說明】
[0016] 圖1為一實施例中火電廠熱工過程混合辨識方法的流程圖；
[0017] 圖2為一實施例中根據(jù)預(yù)設(shè)的負(fù)荷工況點對應(yīng)建立辨識數(shù)列，并將采集到的火電 廠熱工過程的實時數(shù)據(jù)分別對應(yīng)歸入辨識數(shù)列中的流程圖；
[0018]圖3為一實施例中根據(jù)辨識數(shù)列，利用最小二乘法辨識熱工過程對象的時間常 數(shù)、遲延時間和增益的初始值的流程圖；
[0019] 圖4為一實施例中根據(jù)熱工過程對象的時間常數(shù)、遲延時間和增益的函數(shù)表達(dá) 式，利用Elman神經(jīng)網(wǎng)絡(luò)對熱工過程對象的增益進(jìn)行修正，得到一階慣性加純遲延模型的 流程圖；
[0020] 圖5為一實施例中Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；
[0021] 圖6為一實施例中引入Elman神經(jīng)網(wǎng)絡(luò)的被控系統(tǒng)結(jié)構(gòu)圖；
[0022] 圖7為一實施例中火電廠熱工過程混合辨識系統(tǒng)的結(jié)構(gòu)圖；
[0023] 圖8為一實施例中數(shù)據(jù)分類模塊的結(jié)構(gòu)圖；
[0024] 圖9為一實施例中第一處理模塊的結(jié)構(gòu)圖；
[0025] 圖10為一實施例中增益修正模塊的結(jié)構(gòu)圖。
【具體實施方式】
[0026] -種火電廠熱工過程混合辨識方法，適用于針對傳遞函數(shù)可等效成一階慣性加遲 延環(huán)節(jié)的熱工過程。如圖1所示，火電廠熱工過程混合辨識方法包括以下步驟：
[0027] 步驟S110 :根據(jù)預(yù)設(shè)的負(fù)荷工況點對應(yīng)建立辨識數(shù)列，并將采集到的火電廠熱工 過程的實時數(shù)據(jù)分別對應(yīng)歸入辨識數(shù)列中。負(fù)荷工況點的數(shù)量以及具體取值可根據(jù)實際情 況調(diào)整，對應(yīng)建立的辨識數(shù)列的數(shù)量也會有所不同。在建立辨識數(shù)列后，根據(jù)辨識數(shù)列對應(yīng) 的符合范圍對應(yīng)存儲采集到的火電廠熱工過程的實時數(shù)據(jù)。
[0028] 在其中一個實施例中，如圖2所示，負(fù)荷工況點包括60%、75%和95%三個工況 點。步驟S110包括步驟S112至步驟S118。
[0029] 步驟S112 :根據(jù)負(fù)荷工況點對應(yīng)建立三組辨識數(shù)列。
[0030] 步驟S114 :將實時數(shù)據(jù)中55% - 65%工況段的數(shù)據(jù)歸入60%工況點對應(yīng)的辨識 數(shù)列。
[0031] 步驟SI16 :將實時數(shù)據(jù)中65% - 85%工況段的數(shù)據(jù)歸入75%工況點對應(yīng)的辨識 數(shù)列。
[0032] 步驟S118 :將實時數(shù)據(jù)中85% -100%工況段的數(shù)據(jù)歸入95%工況點對應(yīng)的辨識 數(shù)列。
[0033] 選取60 %，75 %和95 %三個典型的負(fù)荷工況點，對應(yīng)建立三組數(shù)列，并將55 % - 65 %，65 % - 85 %，85 % - 100 %三個工況段的實時數(shù)據(jù)采集后分別對應(yīng)歸入以上三組數(shù) 列。即滿足負(fù)荷55% - 65%的輸入輸出數(shù)據(jù)歸入同一個數(shù)列，對應(yīng)60%負(fù)荷的工況點；滿 足負(fù)荷65 % - 85 %的輸入輸出數(shù)據(jù)歸入同一個數(shù)列，對應(yīng)75 %負(fù)荷的工況點；滿足負(fù)荷 85% -100%的輸入輸出數(shù)據(jù)歸入同一個數(shù)列，對應(yīng)95%負(fù)荷的工況點。不滿足以上條件 的數(shù)據(jù)不予采用。
[0034] 步驟S120 :根據(jù)辨識數(shù)列，利用最小二乘法辨識熱工過程對象的時間常數(shù)、遲延 時間和增益的初始值。
[0035] 在火電廠熱工過程傳遞函數(shù)辨識中，結(jié)合熱工過程對象的自平衡特性，大多數(shù)熱 工被控對象的傳遞函數(shù)可以等效成一階慣性加純遲延環(huán)節(jié)。考慮到參數(shù)辨識過程中，被控 對象不斷提供新的輸入輸出數(shù)據(jù)，并且還希望利用這些新的信息來改善辨識精度，具體采 用帶遺忘因子的最小二乘法來辨識時間常數(shù)T，遲延時間τ和增益κ的初始值。
[0036] 在其中一個實施例中，如圖3所示，步驟S120包括步驟S122至步驟S126。
[0037] 步驟S122 :將一階慣性加純遲延環(huán)節(jié)的傳遞函數(shù)轉(zhuǎn)化為離散形式，并確定目標(biāo)函 數(shù)。
[0038] 將一階慣性加純遲延環(huán)節(jié)的傳遞函數(shù)轉(zhuǎn)化為離散形式，具體為：
[0041] 式中，麻=C%%b=k(l-a);d=τ/TS;Ts為采樣時間。將上式寫成如下形式：
[0042] y(k)=-aj(k_l)+1^11 (k-d-l)
[0043] a!= -a，b! =b