專利名稱：基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種信息處理技術(shù)領(lǐng)域的方法，具體是一種基于數(shù)據(jù)驅(qū)動的過熱 器模型參數(shù)辨識方法。
背景技術(shù)：
對鍋爐建立數(shù)學模型是得到其動態(tài)特性的常用方法，模型建立的準確度與鍋爐的 整體優(yōu)化控制息息相關(guān)。隨著鍋爐機組容量的增加，使得鍋爐結(jié)構(gòu)也逐漸變得復(fù)雜，所需檢 測和控制參數(shù)的增多給模型的建立及其參數(shù)的確定帶來了新的挑戰(zhàn)。過熱器作為鍋爐的重要組成部分，其過程的輸出參數(shù)主蒸汽溫度和主蒸汽壓力是 系統(tǒng)的重要監(jiān)控參量，因此對其建立精確的數(shù)學模型是對上述關(guān)鍵參量進行優(yōu)化控制的前 提。而模型的精確程度又與模型中參數(shù)的選取精度直接相關(guān)，故提高模型中的參數(shù)辨識精 度具有重要意義。現(xiàn)有過熱器的數(shù)學模型大多數(shù)為非線性的集總參數(shù)模型，模型中的參數(shù) 大多是通過對實際系統(tǒng)進行不同工況的測試試驗獲得的，所得參數(shù)只能反映有限試驗點附 近的系統(tǒng)運行狀況，難以適應(yīng)系統(tǒng)大范圍變負荷運行時的參數(shù)變化以及實際運行中各種擾 動的影響。因此，如何根據(jù)實際系統(tǒng)的運行情況對模型的參數(shù)進行準確辨識并能夠及時更 新具有重要的實用價值。經(jīng)對現(xiàn)有文獻檢索發(fā)現(xiàn)，《中國電機工程學報》上的“鍋爐單相受熱面鏈式建模新 方法” 一文中提出了一種集總參數(shù)鏈式建模新方法，對于鍋爐省煤器、過熱器、再熱器等單 相受熱管的典型分布參數(shù)對象，在多段集總參數(shù)模型的基礎(chǔ)上，提出了集總參數(shù)鏈式建模 新方法，并建立了單相受熱管的鏈式結(jié)構(gòu)的集總參數(shù)數(shù)學模型。該方法建模簡單，計算工作 量小，物理意義明確。但是該技術(shù)所得到的參數(shù)為基于設(shè)計參數(shù)計算所得，在實際機組運行 過程中，難免出現(xiàn)一定的偏差，精確度有所不足，缺乏一定的泛化能力。又經(jīng)檢索發(fā)現(xiàn)，《熱能動力工程》上的“鍋爐過熱器系統(tǒng)的動態(tài)仿真模型”鑒于機理 模型很難再現(xiàn)鍋爐過熱器系統(tǒng)的復(fù)雜動態(tài)特性，該方法利用機理模型為主導(dǎo)動態(tài)神經(jīng)網(wǎng)絡(luò) 在線修正，顯著地提高了仿真模型的精度。其仿真結(jié)果表明，此建模方法為復(fù)雜大系統(tǒng)的動 態(tài)仿真提供了一個理想的建模途徑。但是該技術(shù)中提到的模型復(fù)雜程度不夠，對對象的描 述不夠精確。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的上述不足，提供一種基于數(shù)據(jù)驅(qū)動的過熱器模 型參數(shù)辨識方法。本發(fā)明通過機組中和模型參數(shù)相關(guān)的實際運行數(shù)據(jù)，建立其與所需辨識 參數(shù)之間的神經(jīng)網(wǎng)絡(luò)辨識模型，從而能夠根據(jù)鍋爐系統(tǒng)的實時變化情況進行模型參數(shù)的在 線優(yōu)化辨識，具有數(shù)據(jù)容易獲取、對機組正常運行影響小等優(yōu)點，且避免了模型中采用固定 參數(shù)的缺點，使得模型能夠較好地跟蹤實際系統(tǒng)的運行情況，為系統(tǒng)的控制優(yōu)化打下堅實 的基礎(chǔ)。本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，本發(fā)明包括以下步驟
第一步，建立鍋爐過熱器的非線性集總參數(shù)模型，確定已知的鍋爐運行參數(shù)和需 要辨識的參數(shù)。第二步，對已知鍋爐運行參數(shù)進行壞點處理和數(shù)據(jù)平滑處理，得到處理后的鍋爐 運行參數(shù)，從而得到鍋爐運行參數(shù)實時數(shù)據(jù)庫。所述的壞點處理是通過多項式滑動擬合方法來判斷壞點，并采用七點二階前推差 分算式對壞點進行剔除。所述的數(shù)據(jù)平滑處理是采用七點加權(quán)濾波法實現(xiàn)的，具體是
<formula>formula see original document page 5</formula>其中j>為濾波后的數(shù)值，yffl為時刻m的實際測量值。第三步，對鍋爐運行參數(shù)實時數(shù)據(jù)庫進行η段劃分處理，建立η個不同負荷段的訓(xùn) 練樣本數(shù)據(jù)庫，并將每個負荷段的訓(xùn)練樣本數(shù)據(jù)庫按照負荷區(qū)間S均勻的分為若干訓(xùn)練樣 本子集，并對每個訓(xùn)練樣本子集中的參數(shù)進行歸一化處理。所述的η段劃分處理，是指確定分段個數(shù)為η，在保證每段數(shù)據(jù)庫個數(shù)盡量相等 的情況下，將鍋爐運行參數(shù)實時數(shù)據(jù)庫按照負荷大小分為η段，從而得到η個不同負荷段的 訓(xùn)練樣本數(shù)據(jù)庫。所述的歸一化處理，是夕=/^
maxmin其中X為訓(xùn)練樣本子集中的參數(shù)，Xmax是X所在訓(xùn)練樣本子集中的最大參數(shù)，Xfflin 是X所在訓(xùn)練樣本子集中的最小參數(shù)，X*是X的歸一化值。第四步，針對每個訓(xùn)練數(shù)據(jù)庫建立一個對應(yīng)的RBF(Radial Basis Function，徑向 基函數(shù))神經(jīng)網(wǎng)絡(luò)模型，并使η個RBF神經(jīng)網(wǎng)絡(luò)模型并聯(lián)組成混合網(wǎng)絡(luò)。所述的建立一個對應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，包括以下步驟1)確定RBF神經(jīng)網(wǎng)絡(luò)模型的輸出量，即需要辨識的參數(shù)；2)從鍋爐過熱器的非線性集總參數(shù)模型中查找與需要辨識的參數(shù)有關(guān)系的鍋爐 運行狀態(tài)參數(shù)，去除鍋爐運行狀態(tài)參數(shù)中非獨立和難以獲得的量，從而得到RBF神經(jīng)網(wǎng)絡(luò) 模型的輸入量；3)采用現(xiàn)有的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法對輸入量和輸出量進行訓(xùn)練，得到RBF神經(jīng) 網(wǎng)絡(luò)模型。第五步，提取當前時刻過熱器系統(tǒng)的實際測量值，對RBF神經(jīng)網(wǎng)絡(luò)模型進行在線 參數(shù)辨識，得到此時需要辨識的參數(shù)的數(shù)值。所述的在線參數(shù)辨識，是對當前時刻過熱器系統(tǒng)的實際測量值依次進行壞點處 理、數(shù)據(jù)平滑處理和歸一化處理，并根據(jù)當前負荷的大小將處理的實際測量值輸入相應(yīng)負 荷段的RBF神經(jīng)網(wǎng)絡(luò)模型中，從而得到此時需要辨識的參數(shù)的數(shù)值。第六步，每隔時間間隔t，對RBF神經(jīng)網(wǎng)絡(luò)模型進行更新處理，得到更新后的RBF神 經(jīng)網(wǎng)絡(luò)模型，并使更新后的RBF神經(jīng)網(wǎng)絡(luò)模型并聯(lián)組成新的混合網(wǎng)絡(luò)，由新的混合網(wǎng)絡(luò)對 需要辨識的參數(shù)進行在線參數(shù)辨識。所述的更新處理，包括以下步驟1)將過去t時間內(nèi)的過熱器系統(tǒng)的實際測量數(shù)據(jù)依次進行壞點處理、數(shù)據(jù)平滑處理和歸一化處理，得到過去t時間內(nèi)的處理后的實際測量數(shù)據(jù)；2)根據(jù)過去t時間內(nèi)每一時刻的負荷，得到過去t時間內(nèi)每一時刻處理后的實際 測量數(shù)據(jù)所屬的訓(xùn)練樣本數(shù)據(jù)庫，并進一步得到過去t時間內(nèi)每一時刻處理后的實際測量 數(shù)據(jù)所屬的訓(xùn)練樣本數(shù)據(jù)子集；3)將屬于同一訓(xùn)練樣本數(shù)據(jù)子集的處理后的實際測量數(shù)據(jù)按運行時間從前向后 的順序，依次替換原有的樣本數(shù)據(jù)，得到更新后的訓(xùn)練樣本數(shù)據(jù)庫；4)針對更新后的訓(xùn)練樣本數(shù)據(jù)庫建立一個對應(yīng)的新的RBF神經(jīng)網(wǎng)絡(luò)模型。與現(xiàn)有技術(shù)相比，本發(fā)明提出的過熱器模型的參數(shù)辨識方法基于數(shù)據(jù)驅(qū)動，具有 數(shù)據(jù)容易獲取，無需對機組進行試驗等優(yōu)點；且通過將負荷分段建立由多個RBF神經(jīng)網(wǎng)絡(luò) 模型組合的混合神經(jīng)網(wǎng)絡(luò)進行參數(shù)辨識，減少了單個神經(jīng)網(wǎng)絡(luò)泛化能力的不足，提高了過 熱器模型參數(shù)在不同負荷下的辨識精度；在各個負荷段內(nèi)按照步長進一步劃分多個訓(xùn)練樣 本數(shù)據(jù)子集，保證了數(shù)據(jù)樣本選擇的均衡性，進一步提高了模型的泛化能力。此外，建立了 神經(jīng)網(wǎng)絡(luò)辨識模型的在線定時更新機制，以反映過熱器系統(tǒng)在長期運行中其模型參數(shù)的變 化情況，為模型輸出對實際系統(tǒng)輸出的長期在線跟蹤提供了良好的基礎(chǔ)。
具體實施例方式以下對本發(fā)明的方法進一步描述本實施例在以本發(fā)明技術(shù)方案為前提下進行實 施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。實施例本實施例中的鍋爐高溫過熱器滿足下面的條件A、外部熱流沿管長及圓周均勻分布；B、管壁金屬只考慮徑向傳熱，不考慮軸向傳熱；C、管內(nèi)工質(zhì)不可壓縮，且流動截面上參數(shù)均勻一致；D、忽略減溫器動態(tài)特性；E、以過熱器出口參數(shù)為集總參數(shù)模型的代表參數(shù)，阻力集中在入口。本實施例包括以下步驟第一步，建立鍋爐過熱器的非線性集總參數(shù)模型，確定已知的鍋爐運行參數(shù)和需 要辨識的參數(shù)。本實施例的非線性集總參數(shù)模型，具體是<formula>formula see original document page 6</formula>其中=D1是過熱器入口蒸汽流量；D2是過熱器出口蒸汽流量；Djw是減溫水流量A 是過熱器入口蒸汽焓；H2是過熱器出口蒸汽焓；Hjw是減溫水焓；Vg是過熱器容積；P 2是過熱器出口蒸汽密度；Q2是過熱器金屬管壁傳給蒸汽工質(zhì)熱量；QS是煙氣傳給過熱器金屬管 壁熱量；Cm是過熱器金屬密度；Mg是過熱器金屬質(zhì)量；Tg是過熱器管壁溫度；K是換熱系數(shù)； α是指數(shù)J1是過熱器入口蒸汽溫度；T2是過熱器出口蒸汽溫度；k是系數(shù)；β是指數(shù)P1 是過熱器入口蒸汽壓力；P2是過熱器出口蒸汽壓力。本實施例中需要辨識的參數(shù)包括傳熱系數(shù)K、系數(shù)k及指數(shù)β ；其余所需鍋爐運 行參數(shù)從設(shè)計資料獲取，或由現(xiàn)場的測量儀器測得。本實施例中額定蒸汽流量D2是909. 6t/h，額定減溫水流量Djw是15t/h，過熱 器容積Vg是120m3，過熱器金屬密度Cm是7900kg/m3，指數(shù)α是0. 8，金屬比熱容是460J/ (kg. V )，額定蒸汽壓力P2是17. 5Mpa。第二步，對已知鍋爐運行參數(shù)進行壞點處理和數(shù)據(jù)平滑處理，得到處理后的鍋爐 運行狀態(tài)參數(shù)，從而得到鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫。所述的壞點處理是通過多項式滑動擬合方法來判斷壞點，并采用七點二階前推差 分算式對壞點進行剔除。所述的七點二階前推差分算式，具體是當?shù)趉個點滿足下面公式時，則將第k個 點剔除|λ-Α|>2·2 Σ(Λ-λ)2/6,
V k 二 i—6
' = (32^+15^+373 -4J4 -6J5-3J6+5J7)/42 K = (^yl + ^y2+3y3+Iy4+y5-y7)/14 Λ = (Λ + 3j2 + 4y3 + 4y4 + 3ys+y6-2y7)/14其中j夕4 =(—2Λ+372+673+774+6J;5+3凡—2J7)/21， λ = ("2ji +J2+3j3+4 J4+ 4 J5 +3y6+y7)/14
λ =(―乃 + J2 + 2凡 + 3凡 + 4凡 + 5J7 ) /14
Ji = (5JV6 “ 3JV5 - 6Jv4 - 4jv3 + 3Jv2 +1+ Zlyi) / 42i = 7,8-, Yi為實測數(shù)據(jù)，j>,·為插值數(shù)據(jù)，所述的數(shù)據(jù)平滑處理是采用七點加權(quán)濾波法實現(xiàn)的，具體是Jm = 0.025Jv3 + 0.05Jv2 + 0.075^ +0.7jm + 0.075Jm+1 + 0.05Jm+2 + 0.025jm+3，其中j>為濾波后的數(shù)值，yffl為時刻m的實際測量值。為了后面計算的需要，本實施例中由模型公式D1+Djw-D2 =Vg^-D1 =kPf ^JPi-P2
_料+W考警舍營〉
_5]將其變換為:A=A-W嘗I 孕) 則由上式及運行數(shù)據(jù)可以求得過熱器入口蒸汽流量，為了便于辨識，將過熱器入口蒸汽流量公式兩邊取對數(shù)，得
Iog(A) = log ⑷ + Plog(Pl) + Iog(^Pl-P2)整理得Jog(A)-log^ -P2) = \og(k) +PXog(Px)= Iog(D1)-Iog(^Pl-P2) , χ = Iog(P1)，a = log(k)，β = b 則有式y(tǒng) = ax+b由上述討論，通過實際運行數(shù)據(jù)可以求得(X，y)數(shù)據(jù)對，再利用最小二乘法即可 辨識出a和b，進而求得k和β，參數(shù)K同理可得。第三步，對鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫進行η段劃分處理，建立η個不同負荷段 的訓(xùn)練樣本數(shù)據(jù)庫，并將每個負荷段的訓(xùn)練樣本數(shù)據(jù)庫按照負荷區(qū)間S均勻的分為若干訓(xùn) 練樣本子集，并對每個訓(xùn)練樣本子集中的參數(shù)進行歸一化處理。所述的η段劃分處理，是指確定分段個數(shù)為η，在保證每段數(shù)據(jù)庫個數(shù)盡量相等 的情況下，將鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫按照負荷大小分為η段，從而得到η個不同負荷 段的訓(xùn)練樣本數(shù)據(jù)庫。
本實施例中η = 4，分為85%以上負荷段的訓(xùn)練樣本數(shù)據(jù)庫，70% 85%負荷段的 訓(xùn)練樣本數(shù)據(jù)庫，55% 70%負荷段的訓(xùn)練樣本數(shù)據(jù)庫，55%以下負荷段的訓(xùn)練樣本數(shù)據(jù)庫。所述的歸一化處理，是^ _ ~
maxmin，其中X為訓(xùn)練樣本子集中的參數(shù)，Xfflax是X所在訓(xùn)練樣本子集中的最大參數(shù)，Xfflin 是X所在訓(xùn)練樣本子集中的最小參數(shù)，X*是X的歸一化值。本實施例進一步將每個負荷段的訓(xùn)練樣本數(shù)據(jù)庫按照0. 5%的總負荷為步長均勻 的分為若干訓(xùn)練樣本子集。第四步，針對每個訓(xùn)練數(shù)據(jù)庫建立一個對應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，并使η個RBF神 經(jīng)網(wǎng)絡(luò)模型并聯(lián)組成混合網(wǎng)絡(luò)。所述的建立一個對應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，包括以下步驟1)確定RBF神經(jīng)網(wǎng)絡(luò)模型的輸出量，即需要辨識的參數(shù)；2)從鍋爐過熱器的非線性集總參數(shù)模型中查找與需要辨識的參數(shù)有關(guān)系的鍋爐 運行狀態(tài)參數(shù)，去除鍋爐運行狀態(tài)參數(shù)中非獨立和難以獲得的量，從而得到RBF神經(jīng)網(wǎng)絡(luò) 模型的輸入量；3)采用現(xiàn)有的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法對輸入量和輸出量進行訓(xùn)練，得到RBF神經(jīng) 網(wǎng)絡(luò)模型。本實施例中RBF神經(jīng)網(wǎng)絡(luò)模型的輸入量為=P1JpTpD1和D2，輸出量為傳熱系數(shù) K、系數(shù)k及指數(shù)β。第五步，提取當前時刻過熱器系統(tǒng)的實際測量值，對RBF神經(jīng)網(wǎng)絡(luò)模型進行在線 參數(shù)辨識，得到此時需要辨識的參數(shù)的數(shù)值。所述的在線參數(shù)辨識，是指對當前時刻過熱器系統(tǒng)的實際測量值依次進行壞點 處理、數(shù)據(jù)平滑處理和歸一化處理，并根據(jù)當前負荷的大小將處理的實際測量值輸入相應(yīng) 負荷段的RBF神經(jīng)網(wǎng)絡(luò)模型中，從而得到此時需要辨識的參數(shù)的數(shù)值。
第六步，每隔6小時，對RBF神經(jīng)網(wǎng)絡(luò)模型進行更新處理，得到更新后的RBF神經(jīng)網(wǎng)絡(luò)模型，并使更新后的RBF神經(jīng)網(wǎng)絡(luò)模型并聯(lián)組成新的混合網(wǎng)絡(luò)，由新的混合網(wǎng)絡(luò)對需 要辨識的參數(shù)進行在線參數(shù)辨識。所述的更新處理，包括以下步驟1)將過去6小時內(nèi)的過熱器系統(tǒng)的實際測量數(shù)據(jù)依次進行壞點處理、數(shù)據(jù)平滑處 理和歸一化處理，得到過去6小時內(nèi)的處理后的實際測量數(shù)據(jù)；2)根據(jù)過去6小時內(nèi)每一時刻的負荷，得到過去6小時內(nèi)每一時刻處理后的實際 測量數(shù)據(jù)所屬的訓(xùn)練樣本數(shù)據(jù)庫，并進一步得到過去6小時內(nèi)每一時刻處理后的實際測量 數(shù)據(jù)所屬的訓(xùn)練樣本數(shù)據(jù)子集；3)將屬于同一訓(xùn)練樣本數(shù)據(jù)子集的處理后的實際測量數(shù)據(jù)按從前向后的順序，依 次替換原有的樣本數(shù)據(jù)，得到更新后的訓(xùn)練樣本數(shù)據(jù)庫；4)針對更新后的訓(xùn)練樣本數(shù)據(jù)庫建立一個對應(yīng)的新的RBF神經(jīng)網(wǎng)絡(luò)模型。本實施例為了能夠準確地辨識出不同負荷工況下模型參數(shù)的變化，根據(jù)系統(tǒng)的負 荷進行分段，將差別較大的工況分別建立多個相應(yīng)的神經(jīng)網(wǎng)絡(luò)辨識模型。按分段建立參數(shù) 辨識模型，一方面可以減少單個神經(jīng)網(wǎng)絡(luò)模擬整個系統(tǒng)大范圍工況運行時泛化能力的不 足，從而提高模型參數(shù)在不同負荷下的辨識精度；另一方面又減少了每個神經(jīng)網(wǎng)絡(luò)的規(guī)模 和樣本數(shù)量，提高了網(wǎng)絡(luò)訓(xùn)練速度，為在線辨識的實時性提供了相應(yīng)保證。在建立各個神經(jīng) 網(wǎng)絡(luò)模型前，需要對實際采集的運行數(shù)據(jù)進行適當?shù)倪x擇和預(yù)處理，以進一步提高神經(jīng)網(wǎng) 絡(luò)的泛化能力和辨識精度。此外，為每個神經(jīng)網(wǎng)絡(luò)辨識模型建立了在線更新訓(xùn)練樣本的機 制，并定時用實測數(shù)據(jù)替換訓(xùn)練樣本庫中原有數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，以更好地反映在 時間統(tǒng)計意義下模型參數(shù)的變化情況，從而使得模型與實際系統(tǒng)能夠相匹配，為系統(tǒng)的控 制與優(yōu)化提供基礎(chǔ)。
權(quán)利要求
一種基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，包含以下步驟第一步，建立鍋爐過熱器的非線性集總參數(shù)模型，確定已知的鍋爐運行參數(shù)和需要辨識的參數(shù)；第二步，對已知鍋爐運行參數(shù)進行壞點處理和數(shù)據(jù)平滑處理，得到處理后的鍋爐運行狀態(tài)參數(shù)，從而得到鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫；第三步，對鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫進行n段劃分處理，建立n個不同負荷段的訓(xùn)練樣本數(shù)據(jù)庫，并將每個負荷段的訓(xùn)練樣本數(shù)據(jù)庫按照負荷區(qū)間S均勻的分為若干訓(xùn)練樣本子集，并對每個訓(xùn)練樣本子集中的參數(shù)進行歸一化處理；第四步，針對每個訓(xùn)練數(shù)據(jù)庫建立一個對應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，并使n個RBF神經(jīng)網(wǎng)絡(luò)模型并聯(lián)組成混合網(wǎng)絡(luò)；第五步，提取當前時刻過熱器系統(tǒng)的實際測量值，對RBF神經(jīng)網(wǎng)絡(luò)模型進行在線參數(shù)辨識，得到此時需要辨識的參數(shù)的數(shù)值；第六步，每隔時間間隔t，對RBF神經(jīng)網(wǎng)絡(luò)模型進行更新處理，得到更新后的RBF神經(jīng)網(wǎng)絡(luò)模型，并使更新后的RBF神經(jīng)網(wǎng)絡(luò)模型并聯(lián)組成新的混合網(wǎng)絡(luò)，由新的混合網(wǎng)絡(luò)對需要辨識的參數(shù)進行在線參數(shù)辨識。
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征是，第三 步中所述的η段劃分處理，是指確定分段個數(shù)為η，在保證每段數(shù)據(jù)庫個數(shù)盡量相等的情 況下，將鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫按照負荷大小分為η段，從而得到η個不同負荷段的 訓(xùn)練樣本數(shù)據(jù)庫。
3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征是，第六 步中所述的更新處理，包括以下步驟1)將過去t時間內(nèi)的過熱器系統(tǒng)的實際測量數(shù)據(jù)依次進行壞點處理、數(shù)據(jù)平滑處理和 歸一化處理，得到過去t時間內(nèi)的處理后的實際測量數(shù)據(jù)；2)根據(jù)過去t時間內(nèi)每一時刻的負荷，得到過去t時間內(nèi)每一時刻處理后的實際測量 數(shù)據(jù)所屬的訓(xùn)練樣本數(shù)據(jù)庫，并進一步得到過去t時間內(nèi)每一時刻處理后的實際測量數(shù)據(jù) 所屬的訓(xùn)練樣本數(shù)據(jù)子集；3)將屬于同一訓(xùn)練樣本數(shù)據(jù)子集的處理后的實際測量數(shù)據(jù)按從前向后的順序，依次替 換原有的樣本數(shù)據(jù)，得到更新后的訓(xùn)練樣本數(shù)據(jù)庫；4)針對更新后的訓(xùn)練樣本數(shù)據(jù)庫建立一個對應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型。
4.根據(jù)權(quán)利要求1或3所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征是，所 述的建立一個對應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，包括以下步驟1)確定RBF神經(jīng)網(wǎng)絡(luò)模型的輸出量，即需要辨識的參數(shù)；2)從鍋爐過熱器的非線性集總參數(shù)模型中查找與需要辨識的參數(shù)有關(guān)系的已知鍋爐 運行參數(shù)，去除鍋爐運行狀態(tài)參數(shù)中非獨立和難以獲得的量，從而得到RBF神經(jīng)網(wǎng)絡(luò)模型 的輸入量；3)采用現(xiàn)有的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法對輸入量和輸出量進行訓(xùn)練，得到RBF神經(jīng)網(wǎng)絡(luò) 模型。
5.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征是，第五 步中所述的在線參數(shù)辨識，是對當前時刻過熱器系統(tǒng)的實際測量值依次進行壞點處理、數(shù)據(jù)平滑處理和歸一化處理，并根據(jù)當前負荷的大小將處理的實際測量值輸入相應(yīng)負荷段的 RBF神經(jīng)網(wǎng)絡(luò)模型中，從而得到此時需要辨識的參數(shù)的數(shù)值。
6.根據(jù)權(quán)利要求1或3或5所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征 是，所述的壞點處理是通過多項式滑動擬合方法來判斷壞點，并采用七點二階前推差分算 式對壞點進行剔除。
7.根據(jù)權(quán)利要求1或3或5所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征 是，所述的數(shù)據(jù)平滑處理是采用七點加權(quán)濾波法實現(xiàn)的，具體是λ = 0.025Jv3 + 0.05Jv2 + 0.075^ +0.7jm + 0.075Jm+1 + 0.05Jm+2 + 0.025jm+3，其中j>為濾波后的數(shù)值，yffl為時刻m的實際測量值。
8.根據(jù)權(quán)利要求1或3或5所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征 是，所述的歸一化處理，是<formula>formula see original document page 3</formula>其中x為訓(xùn)練樣本子集中的參數(shù)，Xfflax是X所在訓(xùn)練樣本子集中的最大參數(shù)，Xfflin是X 所在訓(xùn)練樣本子集中的最小參數(shù)，X*是X的歸一化值。
全文摘要
一種信息處理技術(shù)領(lǐng)域的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，包括以下步驟建立鍋爐過熱器的非線性集總參數(shù)模型，確定已知鍋爐運行狀態(tài)參數(shù)和需要辨識的參數(shù)；對已知鍋爐運行狀態(tài)參數(shù)進行壞點處理和數(shù)據(jù)平滑處理，得到已知鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫；建立n個不同負荷段的訓(xùn)練樣本數(shù)據(jù)庫，并對參數(shù)進行歸一化處理；針對每個訓(xùn)練數(shù)據(jù)庫建立一個對應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，并使n個RBF神經(jīng)網(wǎng)絡(luò)模型并聯(lián)組成混合網(wǎng)絡(luò)；提取當前時刻過熱器系統(tǒng)的實際測量值，對RBF神經(jīng)網(wǎng)絡(luò)模型進行在線參數(shù)辨識；每隔時間間隔t，對RBF神經(jīng)網(wǎng)絡(luò)模型的進行更新處理。本發(fā)明避免了常規(guī)過熱器模型中采用固定參數(shù)的缺點，實現(xiàn)了模型參數(shù)的實時辨識，保證了模型參數(shù)的辨識精度。
文檔編號G05B13/02GK101825869SQ20101017177
公開日2010年9月8日 申請日期2010年5月13日 優(yōu)先權(quán)日2010年5月13日
發(fā)明者史元浩, 呂鵬宏, 王斌, 王景成, 袁景淇, 陳旭 申請人:上海交通大學