CN101825869A - 基于数据驱动的过热器模型参数辨识方法 - Google Patents

Abstract

一种信息处理技术领域的基于数据驱动的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，确定已知锅炉运行状态参数和需要辨识的参数；对已知锅炉运行状态参数进行坏点处理和数据平滑处理，得到已知锅炉运行状态参数实时数据库；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。

Description

基于数据驱动的过热器模型参数辨识方法

技术领域

本发明涉及的是一种信息处理技术领域的方法，具体是一种基于数据驱动的过热器模型参数辨识方法。

背景技术

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，使得锅炉结构也逐渐变得复杂，所需检测和控制参数的增多给模型的建立及其参数的确定带来了新的挑战。

过热器作为锅炉的重要组成部分，其过程的输出参数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及时更新具有重要的实用价值。

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。

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”鉴于机理模型很难再现锅炉过热器系统的复杂动态特性，该方法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。

发明内容

本发明的目的在于克服现有技术的上述不足，提供一种基于数据驱动的过热器模型参数辨识方法。本发明通过机组中和模型参数相关的实际运行数据，建立其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。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步，建立锅炉过热器的非线性集总参数模型，确定已知的锅炉运行参数和需要辨识的参数。

第二步，对已知锅炉运行参数进行坏点处理和数据平滑处理，得到处理后的锅炉运行参数，从而得到锅炉运行参数实时数据库。

所述的坏点处理是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。

所述的数据平滑处理是采用七点加权滤波法实现的，具体是：

${\hat{y}}_m=0.025y_{m-3}+0.05y_{m-2}+0.075y_{m-1}+0.7y_m+0.075y_{m+1}+0.05y_{m+2}+0.025y_{m+3},$

其中：

为滤波后的数值，y_m为时刻m的实际测量值。

第三步，对锅炉运行参数实时数据库进行n段划分处理，建立n个不同负荷段的训练样本数据库，并将每个负荷段的训练样本数据库按照负荷区间S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。

所述的n段划分处理，是指：确定分段个数为n，在保证每段数据库个数尽量相等的情况下，将锅炉运行参数实时数据库按照负荷大小分为n段，从而得到n个不同负荷段的训练样本数据库。

所述的归一化处理，是：

$X^{*}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}$

其中：X为训练样本子集中的参数，X_max是X所在训练样本子集中的最大参数，X_min是X所在训练样本子集中的最小参数，X^*是X的归一化值。

第四步，针对每个训练数据库建立一个对应的RBF(Radial Basis Function，径向基函数)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。

所述的建立一个对应的RBF神经网络模型，包括以下步骤：

1)确定RBF神经网络模型的输出量，即需要辨识的参数；

2)从锅炉过热器的非线性集总参数模型中查找与需要辨识的参数有关系的锅炉运行状态参数，去除锅炉运行状态参数中非独立和难以获得的量，从而得到RBF神经网络模型的输入量；

3)采用现有的RBF神经网络训练方法对输入量和输出量进行训练，得到RBF神经网络模型。

第五步，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，得到此时需要辨识的参数的数值。

所述的在线参数辨识，是：对当前时刻过热器系统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RBF神经网络模型中，从而得到此时需要辨识的参数的数值。

第六步，每隔时间间隔t，对RBF神经网络模型进行更新处理，得到更新后的RBF神经网络模型，并使更新后的RBF神经网络模型并联组成新的混合网络，由新的混合网络对需要辨识的参数进行在线参数辨识。

所述的更新处理，包括以下步骤：

1)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；

2)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，并进一步得到过去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子集；

3)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运行时间从前向后的顺序，依次替换原有的样本数据，得到更新后的训练样本数据库；

4)针对更新后的训练样本数据库建立一个对应的新的RBF神经网络模型。

与现有技术相比，本发明提出的过热器模型的参数辨识方法基于数据驱动，具有数据容易获取，无需对机组进行试验等优点；且通过将负荷分段建立由多个RBF神经网络模型组合的混合神经网络进行参数辨识，减少了单个神经网络泛化能力的不足，提高了过热器模型参数在不同负荷下的辨识精度；在各个负荷段内按照步长进一步划分多个训练样本数据子集，保证了数据样本选择的均衡性，进一步提高了模型的泛化能力。此外，建立了神经网络辨识模型的在线定时更新机制，以反映过热器系统在长期运行中其模型参数的变化情况，为模型输出对实际系统输出的长期在线跟踪提供了良好的基础。

具体实施方式

以下对本发明的方法进一步描述：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例中的锅炉高温过热器满足下面的条件：

A、外部热流沿管长及圆周均匀分布；

B、管壁金属只考虑径向传热，不考虑轴向传热；

C、管内工质不可压缩，且流动截面上参数均匀一致；

D、忽略减温器动态特性；

E、以过热器出口参数为集总参数模型的代表参数，阻力集中在入口。

本实施例包括以下步骤：

第一步，建立锅炉过热器的非线性集总参数模型，确定已知的锅炉运行参数和需要辨识的参数。

本实施例的非线性集总参数模型，具体是：

$D_1+D_{\mathrm{jw}}-D_2=V_g\frac{d{\mathrm{\ρ}}_2}{\mathrm{dt}}$

$D_1{H}_1+D_{\mathrm{jw}}{H}_{\mathrm{jw}}-D_2{H}_2+Q_2=V_g\frac{d\left({\mathrm{\ρ}}_2{H}_2\right)}{\mathrm{dt}}$

$Q_s-Q_2=C_m{M}_g\frac{d{T}_g}{\mathrm{dt}}$

$Q_2={\mathrm{KD}}_2^{\mathrm{\α}}(T_g-\frac{T_1+T_2}{2})$

$D_1=k_1{P}_1^{\mathrm{\β}}\sqrt{P_1-P_2}$

其中：D₁是过热器入口蒸汽流量；D₂是过热器出口蒸汽流量；D_jw是减温水流量；H₁是过热器入口蒸汽焓；H₂是过热器出口蒸汽焓；H_jw是减温水焓；V_g是过热器容积；ρ₂是过热器出口蒸汽密度；Q₂是过热器金属管壁传给蒸汽工质热量；Q_s是烟气传给过热器金属管壁热量；C_m是过热器金属密度；M_g是过热器金属质量；T_g是过热器管壁温度；K是换热系数；α是指数；T₁是过热器入口蒸汽温度；T₂是过热器出口蒸汽温度；k是系数；β是指数；P₁是过热器入口蒸汽压力；P₂是过热器出口蒸汽压力。

本实施例中需要辨识的参数包括：传热系数K、系数k及指数β；其余所需锅炉运行参数从设计资料获取，或由现场的测量仪器测得。

本实施例中：额定蒸汽流量D₂是909.6t/h，额定减温水流量D_jw是15t/h，过热器容积V_g是120m³，过热器金属密度C_m是7900kg/m³，指数α是0.8，金属比热容是460J/(kg.℃)，额定蒸汽压力P₂是17.5Mpa。

第二步，对已知锅炉运行参数进行坏点处理和数据平滑处理，得到处理后的锅炉运行状态参数，从而得到锅炉运行状态参数实时数据库。

所述的坏点处理是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。

所述的七点二阶前推差分算式，具体是：当第k个点满足下面公式时，则将第k个点剔除：

$|y_k-{\hat{y}}_k|>2.2\sqrt{\underset{k=i-6}{\overset{i}{\mathrm{\Σ}}}{(y_k-{\hat{y}}_k)}^2/6},$

其中： $\left\{\begin{array}{c}{\hat{y}}_1=(32y_1+15y_2+3y_3-4y_4-6y_5-3y_6+5y_7)/42\\ {\hat{y}}_2=(5y_1+4y_2+3y_3+2y_4+y_5-y_4)/4\\ {\hat{y}}_3=(y_1+3y_2+4y_3+4y_4+3y_5+y_6-2y_7)/14\\ {\hat{y}}_4=(-2y_1+3y_2+6y_3+7y_4+6y_5+3y_6-2y_7)/21\\ {\hat{y}}_5=(-2y_1+y_2+3y_3+4y_4+4y_5+3y_6+y_4)/14\\ {\hat{y}}_6=(-y_1+y_2+2y_4+3y_5+4y_6+5y_7)/14\\ {\hat{y}}_i=(5y_{i-6}-3y_{i-5}-6y_{i-4}-4y_{i-3}+3y_{i-2}+15y_{i-1}+32i_i)/42\end{array}\right.,$

i＝7，8…，y_i为实测数据，为插值数据，

所述的数据平滑处理是采用七点加权滤波法实现的，具体是：

${\hat{y}}_m=0.025y_{m-3}+0.05y_{m-2}+0.075y_{m-1}+0.7y_m+0.075y_{m+1}+0.05y_{m+2}+0.025y_{m+3},$

其中：

为滤波后的数值，y_m为时刻m的实际测量值。

为了后面计算的需要，本实施例中由模型公式：

$D_1+D_{\mathrm{jw}}-D_2=V_g\frac{d{\mathrm{\ρ}}_2}{\mathrm{dt}}$

$D_1=k{P}_1^{\mathrm{\β}}\sqrt{P_1-P_2}$

得： $D_1+D_{\mathrm{jw}}-D_2=V_g(\frac{\∂{\mathrm{\ρ}}_2}{\∂p_2}\frac{d{p}_2}{\mathrm{dt}}+\frac{\∂{\mathrm{\ρ}}_2}{\∂T_2}\frac{d{T}_2}{\mathrm{dt}})$

将其变换为： $D_1=D_2-D_{\mathrm{jw}}+V_g(\frac{\∂{\mathrm{\ρ}}_2}{\∂p_2}\frac{{\mathrm{dp}}_2}{\mathrm{dt}}+\frac{\∂{\mathrm{\ρ}}_2}{\∂T_2}\frac{{\mathrm{dT}}_2}{\mathrm{dt}})$

则由上式及运行数据可以求得过热器入口蒸汽流量，为了便于辨识，将过热器入口蒸汽流量公式两边取对数，得：

$\log \left(D_1\right)=\log \left(k\right)+\mathrm{\β}\log \left(P_1\right)+\log \left(\sqrt{P_1-P_2}\right)$

整理得： $\log \left(D_1\right)-\log \left(\sqrt{P_1-P_2}\right)=\log \left(k\right)+\mathrm{\β}\log \left(P_1\right)$

令

x＝log(P₁)，a＝log(k)，β＝b则有式：

y＝ax+b

由上述讨论，通过实际运行数据可以求得(x，y)数据对，再利用最小二乘法即可辨识出a和b，进而求得k和β，参数K同理可得。

第三步，对锅炉运行状态参数实时数据库进行n段划分处理，建立n个不同负荷段的训练样本数据库，并将每个负荷段的训练样本数据库按照负荷区间S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。

所述的n段划分处理，是指：确定分段个数为n，在保证每段数据库个数尽量相等的情况下，将锅炉运行状态参数实时数据库按照负荷大小分为n段，从而得到n个不同负荷段的训练样本数据库。

本实施例中n＝4，分为85％以上负荷段的训练样本数据库，70％～85％负荷段的训练样本数据库，55％～70％负荷段的训练样本数据库，55％以下负荷段的训练样本数据库。

所述的归一化处理，是：

$X^{*}=\frac{X-X_{\min }}{X_{\max }-X_{\min }},$

其中：X为训练样本子集中的参数，X_max是X所在训练样本子集中的最大参数，X_min是X所在训练样本子集中的最小参数，X^*是X的归一化值。

本实施例进一步将每个负荷段的训练样本数据库按照0.5％的总负荷为步长均匀的分为若干训练样本子集。

第四步，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。

所述的建立一个对应的RBF神经网络模型，包括以下步骤：

1)确定RBF神经网络模型的输出量，即需要辨识的参数；

2)从锅炉过热器的非线性集总参数模型中查找与需要辨识的参数有关系的锅炉运行状态参数，去除锅炉运行状态参数中非独立和难以获得的量，从而得到RBF神经网络模型的输入量；

3)采用现有的RBF神经网络训练方法对输入量和输出量进行训练，得到RBF神经网络模型。

本实施例中RBF神经网络模型的输入量为：P₁、T_g、T₁、D₁和D₂，输出量为：传热系数K、系数k及指数β。

第五步，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，得到此时需要辨识的参数的数值。

所述的在线参数辨识，是指：对当前时刻过热器系统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RBF神经网络模型中，从而得到此时需要辨识的参数的数值。

第六步，每隔6小时，对RBF神经网络模型进行更新处理，得到更新后的RBF神经网络模型，并使更新后的RBF神经网络模型并联组成新的混合网络，由新的混合网络对需要辨识的参数进行在线参数辨识。

所述的更新处理，包括以下步骤：

1)将过去6小时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6小时内的处理后的实际测量数据；

2)根据过去6小时内每一时刻的负荷，得到过去6小时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，并进一步得到过去6小时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；

3)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；

4)针对更新后的训练样本数据库建立一个对应的新的RBF神经网络模型。

本实施例为了能够准确地辨识出不同负荷工况下模型参数的变化，根据系统的负荷进行分段，将差别较大的工况分别建立多个相应的神经网络辨识模型。按分段建立参数辨识模型，一方面可以减少单个神经网络模拟整个系统大范围工况运行时泛化能力的不足，从而提高模型参数在不同负荷下的辨识精度；另一方面又减少了每个神经网络的规模和样本数量，提高了网络训练速度，为在线辨识的实时性提供了相应保证。在建立各个神经网络模型前，需要对实际采集的运行数据进行适当的选择和预处理，以进一步提高神经网络的泛化能力和辨识精度。此外，为每个神经网络辨识模型建立了在线更新训练样本的机制，并定时用实测数据替换训练样本库中原有数据进行神经网络的训练，以更好地反映在时间统计意义下模型参数的变化情况，从而使得模型与实际系统能够相匹配，为系统的控制与优化提供基础。

Claims (8)

1.一种基于数据驱动的过热器模型参数辨识方法，包含以下步骤：

第一步，建立锅炉过热器的非线性集总参数模型，确定已知的锅炉运行参数和需要辨识的参数；

第二步，对已知锅炉运行参数进行坏点处理和数据平滑处理，得到处理后的锅炉运行状态参数，从而得到锅炉运行状态参数实时数据库；

第三步，对锅炉运行状态参数实时数据库进行n段划分处理，建立n个不同负荷段的训练样本数据库，并将每个负荷段的训练样本数据库按照负荷区间S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；

第四步，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；

第五步，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，得到此时需要辨识的参数的数值；

第六步，每隔时间间隔t，对RBF神经网络模型进行更新处理，得到更新后的RBF神经网络模型，并使更新后的RBF神经网络模型并联组成新的混合网络，由新的混合网络对需要辨识的参数进行在线参数辨识。

2.根据权利要求1所述的基于数据驱动的过热器模型参数辨识方法，其特征是，第三步中所述的n段划分处理，是指：确定分段个数为n，在保证每段数据库个数尽量相等的情况下，将锅炉运行状态参数实时数据库按照负荷大小分为n段，从而得到n个不同负荷段的训练样本数据库。

3.根据权利要求1所述的基于数据驱动的过热器模型参数辨识方法，其特征是，第六步中所述的更新处理，包括以下步骤：

1)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；

2)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，并进一步得到过去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子集；

3)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；

4)针对更新后的训练样本数据库建立一个对应的RBF神经网络模型。

4.根据权利要求1或3所述的基于数据驱动的过热器模型参数辨识方法，其特征是，所述的建立一个对应的RBF神经网络模型，包括以下步骤：

1)确定RBF神经网络模型的输出量，即需要辨识的参数；

2)从锅炉过热器的非线性集总参数模型中查找与需要辨识的参数有关系的已知锅炉运行参数，去除锅炉运行状态参数中非独立和难以获得的量，从而得到RBF神经网络模型的输入量；

3)采用现有的RBF神经网络训练方法对输入量和输出量进行训练，得到RBF神经网络模型。

5.根据权利要求1所述的基于数据驱动的过热器模型参数辨识方法，其特征是，第五步中所述的在线参数辨识，是：对当前时刻过热器系统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RBF神经网络模型中，从而得到此时需要辨识的参数的数值。

6.根据权利要求1或3或5所述的基于数据驱动的过热器模型参数辨识方法，其特征是，所述的坏点处理是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。

7.根据权利要求1或3或5所述的基于数据驱动的过热器模型参数辨识方法，其特征是，所述的数据平滑处理是采用七点加权滤波法实现的，具体是：

${\hat{y}}_m=0.025y_{m-3}+0.05y_{m-2}+0.075y_{m-1}+0.7y_m+0.075y_{m+1}+0.05y_{m+2}+0.025y_{m+3},$

其中：

为滤波后的数值，y_m为时刻m的实际测量值。

8.根据权利要求1或3或5所述的基于数据驱动的过热器模型参数辨识方法，其特征是，所述的归一化处理，是：

$X^{*}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}$

其中：X为训练样本子集中的参数，X_max是X所在训练样本子集中的最大参数，X_min是X所在训练样本子集中的最小参数，X^*是X的归一化值。