專利名稱：基于數(shù)據(jù)驅(qū)動(dòng)的過熱器模型參數(shù)辨識(shí)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(dòng)的過熱 器模型參數(shù)辨識(shí)方法。
背景技術(shù)：
對(duì)鍋爐建立數(shù)學(xué)模型是得到其動(dòng)態(tài)特性的常用方法，模型建立的準(zhǔn)確度與鍋爐的 整體優(yōu)化控制息息相關(guān)。隨著鍋爐機(jī)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(cè)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(duì)其建立精確的數(shù)學(xué)模型是對(duì)上述關(guān)鍵參量進(jìn)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(shí)精 度具有重要意義。現(xiàn)有過熱器的數(shù)學(xué)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(duì)實(shí)際系統(tǒng)進(jìn)行不同工況的測(cè)試試驗(yàn)獲得的，所得參數(shù)只能反映有限試驗(yàn)點(diǎn)附 近的系統(tǒng)運(yùn)行狀況，難以適應(yīng)系統(tǒng)大范圍變負(fù)荷運(yùn)行時(shí)的參數(shù)變化以及實(shí)際運(yùn)行中各種擾 動(dòng)的影響。因此，如何根據(jù)實(shí)際系統(tǒng)的運(yùn)行情況對(duì)模型的參數(shù)進(jìn)行準(zhǔn)確辨識(shí)并能夠及時(shí)更 新具有重要的實(shí)用價(jià)值。經(jīng)對(duì)現(xiàn)有文獻(xiàn)檢索發(fā)現(xiàn)，《中國(guó)電機(jī)工程學(xué)報(bào)》上的“鍋爐單相受熱面鏈?zhǔn)浇Ｐ?方法” 一文中提出了一種集總參數(shù)鏈?zhǔn)浇Ｐ路椒ǎ瑢?duì)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(duì)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?zhǔn)浇?新方法，并建立了單相受熱管的鏈?zhǔn)浇Y(jié)構(gòu)的集總參數(shù)數(shù)學(xué)模型。該方法建模簡(jiǎn)單，計(jì)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(jì)參數(shù)計(jì)算所得，在實(shí)際機(jī)組運(yùn)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(dòng)力工程》上的“鍋爐過熱器系統(tǒng)的動(dòng)態(tài)仿真模型”鑒于機(jī)理 模型很難再現(xiàn)鍋爐過熱器系統(tǒng)的復(fù)雜動(dòng)態(tài)特性，該方法利用機(jī)理模型為主導(dǎo)動(dòng)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(dòng) 態(tài)仿真提供了一個(gè)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(duì)對(duì)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(dòng)的過熱器模 型參數(shù)辨識(shí)方法。本發(fā)明通過機(jī)組中和模型參數(shù)相關(guān)的實(shí)際運(yùn)行數(shù)據(jù)，建立其與所需辨識(shí) 參數(shù)之間的神經(jīng)網(wǎng)絡(luò)辨識(shí)模型，從而能夠根據(jù)鍋爐系統(tǒng)的實(shí)時(shí)變化情況進(jìn)行模型參數(shù)的在 線優(yōu)化辨識(shí)，具有數(shù)據(jù)容易獲取、對(duì)機(jī)組正常運(yùn)行影響小等優(yōu)點(diǎn)，且避免了模型中采用固定 參數(shù)的缺點(diǎn)，使得模型能夠較好地跟蹤實(shí)際系統(tǒng)的運(yùn)行情況，為系統(tǒng)的控制優(yōu)化打下堅(jiān)實(shí) 的基礎(chǔ)。本發(fā)明是通過以下技術(shù)方案實(shí)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(yùn)行參數(shù)和需 要辨識(shí)的參數(shù)。第二步，對(duì)已知鍋爐運(yùn)行參數(shù)進(jìn)行壞點(diǎn)處理和數(shù)據(jù)平滑處理，得到處理后的鍋爐 運(yùn)行參數(shù)，從而得到鍋爐運(yùn)行參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)。所述的壞點(diǎn)處理是通過多項(xiàng)式滑動(dòng)擬合方法來判斷壞點(diǎn)，并采用七點(diǎn)二階前推差 分算式對(duì)壞點(diǎn)進(jìn)行剔除。所述的數(shù)據(jù)平滑處理是采用七點(diǎn)加權(quán)濾波法實(shí)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(shí)刻m的實(shí)際測(cè)量值。第三步，對(duì)鍋爐運(yùn)行參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)進(jìn)行η段劃分處理，建立η個(gè)不同負(fù)荷段的訓(xùn) 練樣本數(shù)據(jù)庫(kù)，并將每個(gè)負(fù)荷段的訓(xùn)練樣本數(shù)據(jù)庫(kù)按照負(fù)荷區(qū)間S均勻的分為若干訓(xùn)練樣 本子集，并對(duì)每個(gè)訓(xùn)練樣本子集中的參數(shù)進(jìn)行歸一化處理。所述的η段劃分處理，是指確定分段個(gè)數(shù)為η，在保證每段數(shù)據(jù)庫(kù)個(gè)數(shù)盡量相等 的情況下，將鍋爐運(yùn)行參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)按照負(fù)荷大小分為η段，從而得到η個(gè)不同負(fù)荷段的 訓(xùn)練樣本數(shù)據(jù)庫(kù)。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(duì)每個(gè)訓(xùn)練數(shù)據(jù)庫(kù)建立一個(gè)對(duì)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(gè)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(gè)對(duì)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(shí)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(shí)的參數(shù)有關(guān)系的鍋爐 運(yùn)行狀態(tài)參數(shù)，去除鍋爐運(yùn)行狀態(tài)參數(shù)中非獨(dú)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(duì)輸入量和輸出量進(jìn)行訓(xùn)練，得到RBF神經(jīng) 網(wǎng)絡(luò)模型。第五步，提取當(dāng)前時(shí)刻過熱器系統(tǒng)的實(shí)際測(cè)量值，對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行在線 參數(shù)辨識(shí)，得到此時(shí)需要辨識(shí)的參數(shù)的數(shù)值。所述的在線參數(shù)辨識(shí)，是對(duì)當(dāng)前時(shí)刻過熱器系統(tǒng)的實(shí)際測(cè)量值依次進(jìn)行壞點(diǎn)處 理、數(shù)據(jù)平滑處理和歸一化處理，并根據(jù)當(dāng)前負(fù)荷的大小將處理的實(shí)際測(cè)量值輸入相應(yīng)負(fù) 荷段的RBF神經(jīng)網(wǎng)絡(luò)模型中，從而得到此時(shí)需要辨識(shí)的參數(shù)的數(shù)值。第六步，每隔時(shí)間間隔t，對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)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(duì) 需要辨識(shí)的參數(shù)進(jìn)行在線參數(shù)辨識(shí)。所述的更新處理，包括以下步驟1)將過去t時(shí)間內(nèi)的過熱器系統(tǒng)的實(shí)際測(cè)量數(shù)據(jù)依次進(jìn)行壞點(diǎn)處理、數(shù)據(jù)平滑處理和歸一化處理，得到過去t時(shí)間內(nèi)的處理后的實(shí)際測(cè)量數(shù)據(jù)；2)根據(jù)過去t時(shí)間內(nèi)每一時(shí)刻的負(fù)荷，得到過去t時(shí)間內(nèi)每一時(shí)刻處理后的實(shí)際 測(cè)量數(shù)據(jù)所屬的訓(xùn)練樣本數(shù)據(jù)庫(kù)，并進(jìn)一步得到過去t時(shí)間內(nèi)每一時(shí)刻處理后的實(shí)際測(cè)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(shí)際測(cè)量數(shù)據(jù)按運(yùn)行時(shí)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(kù)；4)針對(duì)更新后的訓(xùn)練樣本數(shù)據(jù)庫(kù)建立一個(gè)對(duì)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(shí)方法基于數(shù)據(jù)驅(qū)動(dòng)，具有 數(shù)據(jù)容易獲取，無需對(duì)機(jī)組進(jìn)行試驗(yàn)等優(yōu)點(diǎn)；且通過將負(fù)荷分段建立由多個(gè)RBF神經(jīng)網(wǎng)絡(luò) 模型組合的混合神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)辨識(shí)，減少了單個(gè)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(fù)荷下的辨識(shí)精度；在各個(gè)負(fù)荷段內(nèi)按照步長(zhǎng)進(jìn)一步劃分多個(gè)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(jìn)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(shí)模型的在線定時(shí)更新機(jī)制，以反映過熱器系統(tǒng)在長(zhǎng)期運(yùn)行中其模型參數(shù)的變 化情況，為模型輸出對(duì)實(shí)際系統(tǒng)輸出的長(zhǎng)期在線跟蹤提供了良好的基礎(chǔ)。
具體實(shí)施例方式以下對(duì)本發(fā)明的方法進(jìn)一步描述本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí) 施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。實(shí)施例本實(shí)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(zhǎng)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(dòng)截面上參數(shù)均勻一致；D、忽略減溫器動(dòng)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(shí)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(yùn)行參數(shù)和需 要辨識(shí)的參數(shù)。本實(shí)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(shí)施例中需要辨識(shí)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(yùn) 行參數(shù)從設(shè)計(jì)資料獲取，或由現(xiàn)場(chǎng)的測(cè)量?jī)x器測(cè)得。本實(shí)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(duì)已知鍋爐運(yùn)行參數(shù)進(jìn)行壞點(diǎn)處理和數(shù)據(jù)平滑處理，得到處理后的鍋爐 運(yùn)行狀態(tài)參數(shù)，從而得到鍋爐運(yùn)行狀態(tài)參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)。所述的壞點(diǎn)處理是通過多項(xiàng)式滑動(dòng)擬合方法來判斷壞點(diǎn)，并采用七點(diǎn)二階前推差 分算式對(duì)壞點(diǎn)進(jìn)行剔除。所述的七點(diǎn)二階前推差分算式，具體是當(dāng)?shù)趉個(gè)點(diǎn)滿足下面公式時(shí)，則將第k個(gè) 點(diǎn)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(shí)測(cè)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(diǎn)加權(quán)濾波法實(shí)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(shí)刻m的實(shí)際測(cè)量值。為了后面計(jì)算的需要，本實(shí)施例中由模型公式D1+Djw-D2 =Vg^-D1 =kPf ^JPi-P2
_料+W考警舍營(yíng)〉
_5]將其變換為:A=A-W嘗I 孕) 則由上式及運(yùn)行數(shù)據(jù)可以求得過熱器入口蒸汽流量，為了便于辨識(shí)，將過熱器入口蒸汽流量公式兩邊取對(duì)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(shí)際運(yùn)行數(shù)據(jù)可以求得(X，y)數(shù)據(jù)對(duì)，再利用最小二乘法即可 辨識(shí)出a和b，進(jìn)而求得k和β，參數(shù)K同理可得。第三步，對(duì)鍋爐運(yùn)行狀態(tài)參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)進(jìn)行η段劃分處理，建立η個(gè)不同負(fù)荷段 的訓(xùn)練樣本數(shù)據(jù)庫(kù)，并將每個(gè)負(fù)荷段的訓(xùn)練樣本數(shù)據(jù)庫(kù)按照負(fù)荷區(qū)間S均勻的分為若干訓(xùn) 練樣本子集，并對(duì)每個(gè)訓(xùn)練樣本子集中的參數(shù)進(jìn)行歸一化處理。所述的η段劃分處理，是指確定分段個(gè)數(shù)為η，在保證每段數(shù)據(jù)庫(kù)個(gè)數(shù)盡量相等 的情況下，將鍋爐運(yùn)行狀態(tài)參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)按照負(fù)荷大小分為η段，從而得到η個(gè)不同負(fù)荷 段的訓(xùn)練樣本數(shù)據(jù)庫(kù)。
本實(shí)施例中η = 4，分為85%以上負(fù)荷段的訓(xùn)練樣本數(shù)據(jù)庫(kù)，70% 85%負(fù)荷段的 訓(xùn)練樣本數(shù)據(jù)庫(kù)，55% 70%負(fù)荷段的訓(xùn)練樣本數(shù)據(jù)庫(kù)，55%以下負(fù)荷段的訓(xùn)練樣本數(shù)據(jù)庫(kù)。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(shí)施例進(jìn)一步將每個(gè)負(fù)荷段的訓(xùn)練樣本數(shù)據(jù)庫(kù)按照0. 5%的總負(fù)荷為步長(zhǎng)均勻 的分為若干訓(xùn)練樣本子集。第四步，針對(duì)每個(gè)訓(xùn)練數(shù)據(jù)庫(kù)建立一個(gè)對(duì)應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，并使η個(gè)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(gè)對(duì)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(shí)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(shí)的參數(shù)有關(guān)系的鍋爐 運(yùn)行狀態(tài)參數(shù)，去除鍋爐運(yùn)行狀態(tài)參數(shù)中非獨(dú)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(duì)輸入量和輸出量進(jìn)行訓(xùn)練，得到RBF神經(jīng) 網(wǎng)絡(luò)模型。本實(shí)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(dāng)前時(shí)刻過熱器系統(tǒng)的實(shí)際測(cè)量值，對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行在線 參數(shù)辨識(shí)，得到此時(shí)需要辨識(shí)的參數(shù)的數(shù)值。所述的在線參數(shù)辨識(shí)，是指對(duì)當(dāng)前時(shí)刻過熱器系統(tǒng)的實(shí)際測(cè)量值依次進(jìn)行壞點(diǎn) 處理、數(shù)據(jù)平滑處理和歸一化處理，并根據(jù)當(dāng)前負(fù)荷的大小將處理的實(shí)際測(cè)量值輸入相應(yīng) 負(fù)荷段的RBF神經(jīng)網(wǎng)絡(luò)模型中，從而得到此時(shí)需要辨識(shí)的參數(shù)的數(shù)值。
第六步，每隔6小時(shí)，對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)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(duì)需 要辨識(shí)的參數(shù)進(jìn)行在線參數(shù)辨識(shí)。所述的更新處理，包括以下步驟1)將過去6小時(shí)內(nèi)的過熱器系統(tǒng)的實(shí)際測(cè)量數(shù)據(jù)依次進(jìn)行壞點(diǎn)處理、數(shù)據(jù)平滑處 理和歸一化處理，得到過去6小時(shí)內(nèi)的處理后的實(shí)際測(cè)量數(shù)據(jù)；2)根據(jù)過去6小時(shí)內(nèi)每一時(shí)刻的負(fù)荷，得到過去6小時(shí)內(nèi)每一時(shí)刻處理后的實(shí)際 測(cè)量數(shù)據(jù)所屬的訓(xùn)練樣本數(shù)據(jù)庫(kù)，并進(jìn)一步得到過去6小時(shí)內(nèi)每一時(shí)刻處理后的實(shí)際測(cè)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(shí)際測(cè)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(kù)；4)針對(duì)更新后的訓(xùn)練樣本數(shù)據(jù)庫(kù)建立一個(gè)對(duì)應(yīng)的新的RBF神經(jīng)網(wǎng)絡(luò)模型。本實(shí)施例為了能夠準(zhǔn)確地辨識(shí)出不同負(fù)荷工況下模型參數(shù)的變化，根據(jù)系統(tǒng)的負(fù) 荷進(jìn)行分段，將差別較大的工況分別建立多個(gè)相應(yīng)的神經(jīng)網(wǎng)絡(luò)辨識(shí)模型。按分段建立參數(shù) 辨識(shí)模型，一方面可以減少單個(gè)神經(jīng)網(wǎng)絡(luò)模擬整個(gè)系統(tǒng)大范圍工況運(yùn)行時(shí)泛化能力的不 足，從而提高模型參數(shù)在不同負(fù)荷下的辨識(shí)精度；另一方面又減少了每個(gè)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(shí)的實(shí)時(shí)性提供了相應(yīng)保證。在建立各個(gè)神經(jīng) 網(wǎng)絡(luò)模型前，需要對(duì)實(shí)際采集的運(yùn)行數(shù)據(jù)進(jìn)行適當(dāng)?shù)倪x擇和預(yù)處理，以進(jìn)一步提高神經(jīng)網(wǎng) 絡(luò)的泛化能力和辨識(shí)精度。此外，為每個(gè)神經(jīng)網(wǎng)絡(luò)辨識(shí)模型建立了在線更新訓(xùn)練樣本的機(jī) 制，并定時(shí)用實(shí)測(cè)數(shù)據(jù)替換訓(xùn)練樣本庫(kù)中原有數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，以更好地反映在 時(shí)間統(tǒng)計(jì)意義下模型參數(shù)的變化情況，從而使得模型與實(shí)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(dòng)的過熱器模型參數(shù)辨識(shí)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(yùn)行參數(shù)和需要辨識(shí)的參數(shù)；第二步，對(duì)已知鍋爐運(yùn)行參數(shù)進(jìn)行壞點(diǎn)處理和數(shù)據(jù)平滑處理，得到處理后的鍋爐運(yùn)行狀態(tài)參數(shù)，從而得到鍋爐運(yùn)行狀態(tài)參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)；第三步，對(duì)鍋爐運(yùn)行狀態(tài)參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)進(jìn)行n段劃分處理，建立n個(gè)不同負(fù)荷段的訓(xùn)練樣本數(shù)據(jù)庫(kù)，并將每個(gè)負(fù)荷段的訓(xùn)練樣本數(shù)據(jù)庫(kù)按照負(fù)荷區(qū)間S均勻的分為若干訓(xùn)練樣本子集，并對(duì)每個(gè)訓(xùn)練樣本子集中的參數(shù)進(jìn)行歸一化處理；第四步，針對(duì)每個(gè)訓(xùn)練數(shù)據(jù)庫(kù)建立一個(gè)對(duì)應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，并使n個(gè)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(dāng)前時(shí)刻過熱器系統(tǒng)的實(shí)際測(cè)量值，對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行在線參數(shù)辨識(shí)，得到此時(shí)需要辨識(shí)的參數(shù)的數(shù)值；第六步，每隔時(shí)間間隔t，對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)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(duì)需要辨識(shí)的參數(shù)進(jìn)行在線參數(shù)辨識(shí)。
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動(dòng)的過熱器模型參數(shù)辨識(shí)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(gè)數(shù)為η，在保證每段數(shù)據(jù)庫(kù)個(gè)數(shù)盡量相等的情 況下，將鍋爐運(yùn)行狀態(tài)參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)按照負(fù)荷大小分為η段，從而得到η個(gè)不同負(fù)荷段的 訓(xùn)練樣本數(shù)據(jù)庫(kù)。
3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動(dòng)的過熱器模型參數(shù)辨識(shí)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(shí)間內(nèi)的過熱器系統(tǒng)的實(shí)際測(cè)量數(shù)據(jù)依次進(jìn)行壞點(diǎn)處理、數(shù)據(jù)平滑處理和 歸一化處理，得到過去t時(shí)間內(nèi)的處理后的實(shí)際測(cè)量數(shù)據(jù)；2)根據(jù)過去t時(shí)間內(nèi)每一時(shí)刻的負(fù)荷，得到過去t時(shí)間內(nèi)每一時(shí)刻處理后的實(shí)際測(cè)量 數(shù)據(jù)所屬的訓(xùn)練樣本數(shù)據(jù)庫(kù)，并進(jìn)一步得到過去t時(shí)間內(nèi)每一時(shí)刻處理后的實(shí)際測(cè)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(shí)際測(cè)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(kù)；4)針對(duì)更新后的訓(xùn)練樣本數(shù)據(jù)庫(kù)建立一個(gè)對(duì)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(dòng)的過熱器模型參數(shù)辨識(shí)方法，其特征是，所 述的建立一個(gè)對(duì)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(shí)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(shí)的參數(shù)有關(guān)系的已知鍋爐 運(yùn)行參數(shù)，去除鍋爐運(yùn)行狀態(tài)參數(shù)中非獨(dú)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(duì)輸入量和輸出量進(jìn)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(dòng)的過熱器模型參數(shù)辨識(shí)方法，其特征是，第五 步中所述的在線參數(shù)辨識(shí)，是對(duì)當(dāng)前時(shí)刻過熱器系統(tǒng)的實(shí)際測(cè)量值依次進(jìn)行壞點(diǎn)處理、數(shù)據(jù)平滑處理和歸一化處理，并根據(jù)當(dāng)前負(fù)荷的大小將處理的實(shí)際測(cè)量值輸入相應(yīng)負(fù)荷段的 RBF神經(jīng)網(wǎng)絡(luò)模型中，從而得到此時(shí)需要辨識(shí)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(dòng)的過熱器模型參數(shù)辨識(shí)方法，其特征 是，所述的壞點(diǎn)處理是通過多項(xiàng)式滑動(dòng)擬合方法來判斷壞點(diǎn)，并采用七點(diǎn)二階前推差分算 式對(duì)壞點(diǎn)進(jìn)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(dòng)的過熱器模型參數(shù)辨識(shí)方法，其特征 是，所述的數(shù)據(jù)平滑處理是采用七點(diǎn)加權(quán)濾波法實(shí)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(shí)刻m的實(shí)際測(cè)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(dòng)的過熱器模型參數(shù)辨識(shí)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(dòng)的過熱器模型參數(shù)辨識(shí)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(yùn)行狀態(tài)參數(shù)和需要辨識(shí)的參數(shù)；對(duì)已知鍋爐運(yùn)行狀態(tài)參數(shù)進(jìn)行壞點(diǎn)處理和數(shù)據(jù)平滑處理，得到已知鍋爐運(yùn)行狀態(tài)參數(shù)實(shí)時(shí)數(shù)據(jù)庫(kù)；建立n個(gè)不同負(fù)荷段的訓(xùn)練樣本數(shù)據(jù)庫(kù)，并對(duì)參數(shù)進(jìn)行歸一化處理；針對(duì)每個(gè)訓(xùn)練數(shù)據(jù)庫(kù)建立一個(gè)對(duì)應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，并使n個(gè)RBF神經(jīng)網(wǎng)絡(luò)模型并聯(lián)組成混合網(wǎng)絡(luò)；提取當(dāng)前時(shí)刻過熱器系統(tǒng)的實(shí)際測(cè)量值，對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行在線參數(shù)辨識(shí)；每隔時(shí)間間隔t，對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型的進(jìn)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(diǎn)，實(shí)現(xiàn)了模型參數(shù)的實(shí)時(shí)辨識(shí)，保證了模型參數(shù)的辨識(shí)精度。
文檔編號(hào)G05B13/02GK101825869SQ20101017177
公開日2010年9月8日 申請(qǐng)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(qǐng)人:上海交通大學(xué)