CN101286044A - 一种燃煤锅炉系统混合建模方法 - Google Patents

Abstract

本发明涉及一种燃煤锅炉系统混合建模方法。本发明首先利用实时数据驱动的方法建立局部预测模型，具体是将采集的实时过程运行数据作为数据驱动的样本集合，以该集合为基础建立基于最小二乘法的离散差分方程形式的局部受控自回归滑动平均模型；其次利用误差数据驱动的方法建立局部误差智能预测模型，具体是以误差数据驱动的样本集合为基础，采用支持向量机优化方法，建立局部误差智能预测模型。建立局部误差智能预测模型是根据工艺要求设定误差性能指标，然后进行判断。本发明提出的建模方法可以有效减少模型与实际工艺参数之间的误差，弥补了传统控制器的不足，保证控制装置操作在最佳状态，使生产的工艺参数达到严格控制，有效提高模型的精度。

Description

一种燃煤锅炉系统混合建模方法

技术领域

本发明属于信息技术领域，涉及到自动化技术，特别是涉及一种燃煤锅炉的基于数据驱动和智能控制的建模方法。

背景技术

燃煤锅炉是电力生产部门的重要动力设备，其要求是供给合格的蒸汽，使燃煤锅炉发汽量适应负荷的需要。为此，生产过程的各个主要工艺参数必须严格控制。然而燃煤锅炉设备是一个复杂的被控对象，输入量与输出量之间相互关联。如：蒸汽负荷发生变化必将引起汽包水位、蒸汽压力和过热蒸汽温度变化；燃料量的变化不仅影响蒸汽压力，同时还影响汽包水位、过热蒸汽温度、过剩空气和炉膛负压；给水量的变化不仅影响汽包水位，而且对蒸汽压力、过热蒸汽温度也有影响；减温水的变化会导致过热蒸汽温度、蒸汽压力、汽包水位等的变化。这些不利因素导致基于传统建模理论的模型精度不高，又进一步导致后续生产控制参数不稳定，产品合格率低，锅炉效率低下。目前燃煤锅炉的建模与控制完全依赖技术人员经验，使生产成本增加，控制效果很不理想。我国燃煤锅炉控制与优化技术比较落后，能耗居高不下，控制性能差，自动化程度低，很难适应节能减排以及间接环境保护的需求，这其中直接的影响因素之一便是燃煤锅炉系统的模型选取问题。

发明内容

本发明的目标是针对现有的技术的不足之处，提供一种燃煤锅炉汽包水位、过热蒸汽温度、蒸汽压力等模型的建模方法，具体是基于数据驱动和智能支持向量机控制技术的建模方法。该方法弥补了传统建模方式的不足，保证模型具有较高的精度和稳定性的同时，也保证形式简单并满足实际控制器设计的需要。

本发明的技术方案是通过数据采集、过程辨识、预测机理、数据驱动、智能优化等手段，确立了一种燃煤锅炉的基于数据驱动的智能优化模型，利用该方法可有效提高模型的精度。

本发明通过基于过程辨识和智能优化等手段获得燃煤锅炉生产工艺参数的模型，通过数据驱动和误差驱动分步进行挖掘得到燃煤锅炉生产过程中各参数的内在关联。建立的模型既具备经验模型特性，又体现过程机理的关系。首先基于实时过程数据驱动建立局部预测模型，挖掘出基本的过程特性；然后通过在线采集的实时工业过程数据建立误差驱动数据集合作为智能支持向量机模型的数据输入，进一步寻找智能模型参数。

本发明方法的步骤包括：

(1)利用实时数据驱动的方法建立局部预测模型，具体方法是：首先，建立燃煤锅炉实时运行数据库，通过数据采集装置采集实时过程运行数据，将采集的实时过程运行数据作为数据驱动的样本集合，表示为{X_i，y(i)}_i＝1 ^N，其中X_i表示第i组工艺参数的输入数据，y(i)表示第i组工艺参数的输出值；以该实时过程运行数据集合为基础建立基于最小二乘法的离散差分方程形式的局部受控自回归滑动平均模型：

y_L(k)＝Φ^TX，Φ＝[a₁，a₂，…，a_n，b₀，b₁，…，b_m-1]^T

X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]^T

其中，y_L(k)表示当前时刻局部预测模型的工艺参数的输出值，X表示局部预测模型的工艺参数的过去时刻的输入和输出数据的集合，u(k)表示工艺参数对应的控制变量，Φ表示通过辨识得到的模型参数的集合，n，m，d+1分别为对应实际过程的输出变量阶次、输入变量阶次、时滞。

采用的辨识手段为：

${\stackrel{\‾}{\mathrm{\Φ}}}_k={\stackrel{\‾}{\mathrm{\Φ}}}_{k-1}+\stackrel{\‾}{K}\left(k\right)[y\left(k\right)-{\stackrel{\‾}{\mathrm{\Φ}}}_k^T{X}_k]$

$\stackrel{\‾}{K}\left(k\right)=P(k-1)X_k{[X_k^{T}P(k-1)X_k+\mathrm{\γ}]}^{-1}$

其中，

γ为遗忘因子，

为单位阵。

(2)利用误差数据驱动的方法建立局部误差智能预测模型，具体方法是：首先建立燃煤锅炉实时运行误差数据库，通过数据采集装置采集实时过程运行数据，与局部预测模型数据相比较，得到的数据之差进入误差数据库，表示为e(k)＝y(k)-y_L(k)，其中e(k)为实时误差数据，将实时过程运行数据和实时误差数据作为误差数据驱动的样本集合，表示为{X_i，e(i)}_i＝1 ^N，e(i)表示第i组工艺参数的误差数据。

以误差数据驱动的样本集合{X_i，e(i)}_i＝1 ^N为基础，采用支持向量机优化方法，建立局部误差智能预测模型，具体方法是：

首先根据工艺要求设定误差性能指标，标记为总体目标函数

然后按照以下过程进行判断：

a.初设支持向量机初始结构参数。

b.基于误差数据驱动的样本集合{X_i，e(i)}_i＝1 ^N与局部误差智能预测模型的输出之间的偏差建立局部目标函数，表示为

$\underset{w,\mathrm{\β},e}{\min J}(w,e)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\γ}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{e}_k^2$

其中：加权向量

误差变量

θ是设定的阈值。

c.利用支持向量机方法优化局部目标函数，得到支持向量机模型辨识参数，并得到局部误差智能预测模型，表示为 $\tilde{e}\left(k\right)=f(X,X_i),$

为局部误差智能预测模型的工艺参数的输出。

d.计算局部误差智能预测模型的工艺参数的输出与实时误差数据之间的误差如果误差满足总体目标函数的要求，则退出；如果误差不满足总体目标函数的要求，进入步骤e。

e.利用误差

采用遗传算法对支持向量机结构参数进行优化，得到新的支持向量机模型结构参数，重复c～e步。

第c步优化支持向量机辨识参数的具体步骤为：

①利用实时运行误差数据库的实时数据优化该目标函数后，得到局部误差智能预测模型的操作参数：

$\left[\begin{array}{c}\mathrm{\β}\\ W\end{array}\right]={\left[\begin{array}{cc}0& 1^T\\ 1& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}I\end{array}\right]}^{-1}\left[\begin{array}{c}0\\ E\end{array}\right]$

其中，W＝[w₁，w₂，…，w_N]^T，1＝[1，1，…，1]^T，E＝[e(1)，e(2)，…，e(N)]^T，Ω为一个方阵，其第i行j列的元素为

K(·，·)为核函数。

②把建立的局部预测模型和局部误差智能预测模型相加 $y_m\left(k\right)=y_L\left(k\right)+\tilde{e}\left(k\right),$ y_m(k)即为燃煤锅炉系统的混合模型。

本发明提出了一种基于数据驱动和智能优化的针对燃煤锅炉系统工艺参数的混合建模方法，该方法弥补了传统建模的不足，并有效地方便了控制器的设计，保证控制性能的提升，同时满足给定的生产性能指标。

本发明提出的建模方法可以有效减少模型与实际工艺参数之间的误差，进一步弥补了传统控制器的不足，同时保证控制装置操作在最佳状态，使生产的工艺参数达到严格控制。

具体实施方式

以下结合技术方案，详细叙述本发明的具体实施方式。

以循环流化床锅炉系统过程建模为例：

这里以该系统蒸汽温度回路的建模作为例子加以描述。蒸汽温度不仅受到减温器中减温水量的影响，同时也受燃料流量，空气流量和蒸汽流量的影响。调节手段采用减温水量，其余的影响作为不确定因素。

(1)建立该燃煤锅炉系统的蒸汽温度局部预测模型。

通过数据采集装置采集实时过程蒸汽温度运行数据，将采集的实时过程蒸汽温度运行数据作为数据驱动的样本集合采用最小二乘法推理，建立基于最小二乘法的离散差分方程形式的蒸汽温度局部预测模型。

其中，系统调用推理机采用最小二乘法进行蒸汽温度局部预测模型参数的辨识，这些参数包括元素Φ中变量的个数和具体数值。

${\stackrel{\‾}{\mathrm{\Φ}}}_k={\stackrel{\‾}{\mathrm{\Φ}}}_{k-1}+\stackrel{\‾}{K}\left(k\right)[y\left(k\right)-{\stackrel{\‾}{\mathrm{\Φ}}}_k^T{X}_k]$

$\stackrel{\‾}{K}\left(k\right)=P(k-1)X_k{[X_k^{T}P(k-1)X_k+\mathrm{\γ}]}^{-1}$

其中y(k)是实际蒸汽温度测量值，Φ_k ^TX_k是蒸汽温度局部预测模型的输出值。

这个过程是第一步推理过程。这个第一步推理是初步挖掘实际蒸汽温度回路的基本特性。

(2)建立蒸汽温度局部误差智能预测模型

在第一步建立蒸汽温度局部预测模型的同时，推理机同时建立燃煤锅炉蒸汽温度实时运行误差数据库，通过数据采集装置采集实时蒸汽温度过程运行数据，与蒸汽温度局部预测模型的数据相比较，得到的数据之差进入蒸汽温度实时运行误差数据库，表示为e(k)＝y(k)-y_L(k)。以该蒸汽温度实时运行误差数据组合成蒸汽温度实时运行误差数据驱动样本集合，表示为{X_i，e(i)}_i＝1 ^N。基于该蒸汽温度实时运行误差数据驱动样本集合，采用支持向量机优化方法，建立蒸汽温度局部误差智能预测模型：

$\tilde{e}\left(k\right)=\exp \{-{\left|\right|X-X_i\left|\right|}_2^2/{\mathrm{\σ}}^2\}(i=\mathrm{1,2},...,N)$

其中σ²为经过智能优化算法得到的支持向量机的参数。这个过程中系统会进行二个推理，过程如下：

首先根据工艺要求设定蒸汽温度误差性能指标，表示为目标函数1，然后按照以下过程进行判断：

(1)初设支持向量机初始结构参数。

(2)基于蒸汽温度误差数据驱动样本集合{X_i，e(i)}_i＝1 ^N与蒸汽温度局部误差智能预测模型的输出之间的偏差建立目标函数2，表示为：

$\underset{w,\mathrm{\β},e}{\min J}(w,e)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\γ}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{e}_k^2$

其中，

加权向量

误差变量

θ是设定的阈值。

(3)利用支持向量机方法优化目标函数2，得到支持向量机模型辨识参数，并得到蒸汽温度局部误差智能预测模型，表示为 $\tilde{e}\left(k\right)=f(X,X_i).$

(4)计算蒸汽温度局部误差智能预测模型 $\tilde{e}\left(k\right)=f(X,X_i)$ 与实际蒸汽温度实时运行误差数据e(k)之间的误差

如果误差

满足目标函数1的要求，则退出循环，建立的蒸汽温度模型满足要求。如果误差

不满足目标函数1的要求，进入步骤(5)。

其中，e(k)：生产过程蒸汽温度实时运行误差数据；

局部蒸汽温度误差智能预测模型输出值。

(5)利用误差

数据采用遗传算法对支持向量机结构参数进行优化，得到新的支持向量机模型结构参数，重复(3)～(5)步。

Claims (1)

1、一种燃煤锅炉系统混合建模方法，其特征在于该方法包括以下步骤：

(1)利用实时数据驱动的方法建立局部预测模型，具体方法是：

首先，建立燃煤锅炉实时运行数据库，通过数据采集装置采集实时过程运行数据，将采集的实时过程运行数据作为数据驱动的样本集合，表示为{X_i，y(i)}_i＝1 ^N，其中X_i表示第i组工艺参数的输入数据，y(i)表示第i组工艺参数的输出值；

其次，以该实时过程运行数据集合为基础建立基于最小二乘法的离散差分方程形式的局部受控自回归滑动平均模型：

y_L(k)＝Φ^TX，Φ＝[a₁，a₂，…，a_n，b₀，b₁，…，b_m-1]^T

X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]^T

其中，y_L(k)表示当前时刻局部预测模型的工艺参数的输出值，x表示局部预测模型的工艺参数的过去时刻的输入和输出数据的集合，u(k)表示工艺参数对应的控制变量，Φ表示通过辨识得到的模型参数的集合，n，m，d+1分别为对应实际过程的输出变量阶次、输入变量阶次、时滞；

采用的辨识手段为：

${\stackrel{\‾}{\mathrm{\Φ}}}_k={\stackrel{\‾}{\mathrm{\Φ}}}_{k-1}+\stackrel{\‾}{K}\left(k\right)[y\left(k\right)-{\stackrel{\‾}{\mathrm{\Φ}}}_k^T{X}_k]$

$\stackrel{\‾}{K}\left(k\right)=P(k-1)X_k{[X_k^{T}P(k-1)X_k+\mathrm{\γ}]}^{-1}$

其中，

γ为遗忘因子，

为单位阵；

(2)利用误差数据驱动的方法建立局部误差智能预测模型，具体方法是：

首先，建立燃煤锅炉实时运行误差数据库，通过数据采集装置采集实时过程运行数据，与局部预测模型数据相比较，得到的数据之差进入误差数据库，表示为e(k)＝y(k)-y_L(k)，其中e(k)为实时误差数据；

其次，将实时过程运行数据和实时误差数据作为误差数据驱动的样本集合，表示为{X_i，e(i)}_i＝1 ^N，其中e(i)表示第i组工艺参数的误差数据；

第三，以误差数据驱动的样本集合{X_i，e(i)}_i＝1 ^N为基础，采用支持向量机优化方法，建立局部误差智能预测模型，具体方法是：

根据工艺要求设定误差性能指标，标记为总体目标函数

然后按照以下过程进行判断：

a.初设支持向量机初始结构参数；

b.基于误差数据驱动的样本集合{X_i，e(i)}_i＝1 ^N与局部误差智能预测模型的输出之间的偏差建立局部目标函数，表示为

$\underset{w,\mathrm{\β},e}{\min J}(w,e)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\γ}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{e}_k^2$

其中：

加权向量误差变量

θ是设定的阈值；

c.利用支持向量机方法优化局部目标函数，得到支持向量机模型辨识参数，并得到局部误差智能预测模型，表示为 $\tilde{e}\left(k\right)=f(X,X_i),$

为局部误差智能预测模型的工艺参数的输出；

d.计算局部误差智能预测模型的工艺参数的输出与实时误差数据之间的误差

如果误差满足总体目标函数的要求，则退出；如果误差不满足总体目标函数的要求，进入步骤e；

e.利用误差采用遗传算法对支持向量机结构参数进行优化，得到新的支持向量机模型结构参数，重复c～e步；

其中第c步优化支持向量机辨识参数的具体步骤为：

①利用实时运行误差数据库的实时数据优化该目标函数后，得到局部误差智能预测模型的操作参数：

$\left[\begin{array}{c}\mathrm{\β}\\ W\end{array}\right]={\left[\begin{array}{cc}0& 1^T\\ 1& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}I\end{array}\right]}^{-1}\left[\begin{array}{c}0\\ E\end{array}\right]$

其中，W＝[w₁，w₂，…，w_N]^T，1＝[1，1，…，1]^T，E＝[e(1)，e(2)，…，e(N)]^T，Ω为一个方阵，其第i行j列的元素为

K(·，·)为核函数；

②把建立的局部预测模型和局部误差智能预测模型相加 $y_m\left(k\right)=y_L\left(k\right)+\tilde{e}\left(k\right),$ y_m(k)即为燃煤锅炉系统的混合模型。