CN105157055A - 基于最小二乘的循环流化床燃烧模型辨识方法 - Google Patents

Abstract

本发明公开了基于最小二乘的循环流化床燃烧模型得辨识方法，其特征在于：所述控制方法利用基本最小二乘参数估计的方法，具体步骤包括：(a)模型建立；(b)置初值：对循环流化床燃烧过程建立参数估计，设置算法的初始值。(c)采样数据：导入循环流化床燃烧过程的供给锅炉的燃料量(输入)和汽压(输出)数据；(d)参数递推估计；(e)迭代收敛。本发明通过基本最小二乘的估计方法，充分考虑锅炉燃烧的大时滞、非线性、强耦合的特性，建立递推的模型，有利于计算机的实时控制与在线校正，使得所建立的模型精度大大提高，有效地提高了过程系统的反应速度和控位精度，同时易于建立其他工业对象的输入输出模型。

Description

基于最小二乘的循环流化床燃烧模型辨识方法

【技术领域】

本发明涉及自动控制技术领域，特别是基于最小二乘的循环流化床燃烧模型辨识的技术领域。

【背景技术】

目前，煤炭是我国的主要一次能源，煤电占总发电量的70％以上，还有大量的工业锅炉每年要消耗几亿吨煤炭。从我国的自然资源看，这种状况在相当长的时间里都难以有根本的改变。同时，煤炭作为燃料，长期以来存在着污染严重和利用率不高的问题。正因为如此，早在20世纪60年代初我国就出现了沸腾床(鼓泡流化床)锅炉，80年代末90年代初循环流化床锅炉又得到了飞速发展。循环流化床的的主要优点有：①燃料适应性广：对难燃煤种甚至废弃物也可高效燃用；②截面热强度高，热交换效率高：对改造现有锅炉具有现实意义；③炉膛温度对应于脱硫反应的温度区间：脱硫效果好，污染物排放少；④床料是高温循环灰：负荷适应性好；⑤燃料制备相对简单：只需干燥、破碎等等。循环流化床燃烧的主要任务是使燃料所提供的热量适应负荷的需要，并同时保证经济燃烧和安全运行，即维持汽压恒定，保证燃烧经济性(过剩空气系数)和维持炉膛负压一定。其中，维持汽压恒定是衡量负荷的标准，通常通过调节供给锅炉的燃料量来调节汽压。

最小二乘法，又称最小平方法，是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

利用最小二乘的方法对循环流化床燃烧过程进行模型的辨识，并考虑各类噪声的影响，从而使锅炉的控制更加精确和有效。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出基于最小二乘的循环流化床燃烧模型的辨识方法，可以明显减小锅炉燃烧模型建立的误差，从而有效地提高过程系统的控制精度，并且易于实现计算机控制。

为实现上述目的，本发明提出了基于最小二乘的循环流化床燃烧模型辨识方法，所述控制方法充分考虑循环流化床燃烧过程的大时滞、非线性、强耦合的特性，利用基本最小二乘参数估计的方法，具体步骤包括：

(a)模型建立：考虑随机过程的CARMA模型，并将模型转换为最小二乘结构；

(b)置初值：根据基本最小二乘的一步与递推算法，对循环流化床燃烧过程建立参数估计，并设置算法的初始值。

(c)采样数据：确定采样周期T，导入循环流化床燃烧过程的供给锅炉的燃料量(输入)和汽压(输出)数据；

(d)参数递推估计：根据基本最小二乘估计的递推算法，计算和P(k)；

(e)迭代收敛：返回步骤(c)，再次导入输入和输出的数据，直至算法收敛或者满足要求。

作为优选，所述CARMA模型在循环流化床燃烧过程的应用中，最小二乘的结构中考虑的噪声影响为白噪声，有色噪声的影响可以看成白噪声序列驱动的线性环节的输出。

作为优选，所述最小二乘的结构模型只考虑循环流化床的主要任务，即燃料与负荷的相关关系，从而简化了辨识的模型，提高计算机辨识的效率。

作为优选，所述最小二乘类方法采用的是基本最小二乘估计方法，因为引风量、给水量等因素而对模型辨识造成的干扰可通过最小二乘结构模型中的噪声项来表述。

作为优选，所述迭代收敛过程的结束可以通过满足目标准则的要求来确定，对循环流化床燃烧模型的辨识精度要求范围更加大，自由度也更大。

本发明的有益效果：本发明通过基本最小二乘的估计方法，充分考虑锅炉燃烧的大时滞、非线性、强耦合的特性，建立递推的模型，有利于计算机的实时控制与在线校正，使得所建立的模型精度大大提高，对于之后的锅炉液位控制过程、主蒸汽压力控制过程等更加有效，明显减小被控量的超调量与方差，有效地提高过程系统的反应速度和控位精度，同时具有很强的推广性，易于建立其他工业对象的输入输出模型。

本发明的特征及优点将通过实施例进行详细说明。

【具体实施方式】

本发明，具体步骤包括：

步骤一、考虑随机过程的CARMA模型，并将模型转换为最小二乘结构；

步骤二、根据基本最小二乘的一步与递推算法，对循环流化床燃烧过程建立参数估计，并设置算法的初始值；

步骤三、确定采样周期T，导入循环流化床燃烧过程的供给锅炉的燃料量(输入)和汽压(输出)数据；

步骤四、根据基本最小二乘估计的递推算法，进行参数递推估计，计算和P(k)；

步骤五、返回步骤(c)，再次导入输入和输出的数据，直至算法收敛或者满足要求。

所述CARMA模型在循环流化床燃烧过程的应用中，最小二乘的结构中考虑的噪声影响为白噪声，有色噪声的影响可以看成白噪声序列驱动的线性环节的输出。所述最小二乘的结构模型只考虑循环流化床的主要任务，即燃料与负荷的相关关系，从而简化了辨识的模型，提高计算机辨识的效率。所述最小二乘类方法采用的是基本最小二乘估计方法，因为引风量、给水量等因素而对模型辨识造成的干扰可通过最小二乘结构模型中的噪声项来表述。所述迭代收敛过程的结束可以通过满足目标准则的要求来确定，对循环流化床燃烧模型的辨识精度要求范围更加大，自由度也更大。

步骤一中，建立CARMA模型为随机过程的CARMA模型：

其中，y(k)为主汽压力的实时测定离散值，u(k)为电机输出的控制作用，d为纯时延，为包括测量噪声、引风量、给水量等各类干扰的过程噪声影响，且

$\left\{\begin{array}{c}A\left(z^{-1}\right)=1+a_1{z}^{-1}+...+a_{n_a}{z}^{-n_a}\\ B\left(z^{-1}\right)=b_0+b_1{z}^{-1}+...+b_{n_b}{z}^{-n_b}\\ C\left(z^{-1}\right)=c_0+c_1{z}^{-1}+...+c_{n_c}{z}^{-n_c}\end{array}\right.$

n_a,n_b,n_c分别为输出、输入和噪声的阶次。

假定可观测，将上述模型转换为最小二乘结构：

步骤二中，最小二乘的一步与递推算法为：

$\left\{\begin{array}{c}\widehat{\mathrm{\θ}}\left(N\right)={\left({{\mathrm{\φ}}_N}^T{\mathrm{\φ}}_N\right)}^{-1}{{\mathrm{\φ}}_N}^T{Y}_N\\ P\left(N\right)={\left({{\mathrm{\φ}}_N}^T{\mathrm{\φ}}_N\right)}^{-1}\end{array}\right.$

算法初始值取 $\left\{\begin{array}{c}\widehat{\mathrm{\θ}}\left(0\right)=0\\ P\left(0\right)=\mathrm{\α}I\end{array}\right.,\mathrm{\α}\≥1.$

步骤四中，基本最小二乘估计的递推算法进行参数递推估计：

其中，计算和P(k)。

本发明工作过程：

本发明通过基本最小二乘的估计方法，充分考虑锅炉燃烧的大时滞、非线性、强耦合的特性，建立递推的模型，有利于计算机的实时控制与在线校正，使得所建立的模型精度大大提高，对于之后的锅炉液位控制过程、主蒸汽压力控制过程等更加有效，明显减小被控量的超调量与方差，有效地提高过程系统的反应速度和控位精度，同时具有很强的推广性，易于建立其他工业对象的输入输出模型。

上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims (5)

1.基于最小二乘的循环流化床燃烧模型辨识方法，其特征在于：所述控制方法利用充分考虑循环流化床燃烧过程的大时滞、非线性、强耦合的特性，利用基本最小二乘参数估计的方法，具体步骤包括：

(a)模型建立：考虑随机过程的CARMA模型，并将模型转换为最小二乘结构；

(b)置初值：根据基本最小二乘的一步与递推算法，对循环流化床燃烧过程建立参数估计，并设置算法的初始值。

(c)采样数据：确定采样周期T，导入循环流化床燃烧过程的供给锅炉的燃料量(输入)和汽压(输出)数据；

(d)参数递推估计：根据基本最小二乘估计的递推算法，计算和P(k)；

(e)迭代收敛：返回步骤(c)，再次导入输入和输出的数据，直至算法收敛或者满足要求。

2.如权利要求1所述的基于最小二乘的循环流化床燃烧模型辨识方法，其特征在于：(a)步骤中，所述CARMA模型在循环流化床燃烧过程的应用中，最小二乘的结构中考虑的噪声影响为白噪声，有色噪声的影响可以看成白噪声序列驱动的线性环节的输出。

3.如权利要求1所述的基于最小二乘的循环流化床燃烧模型辨识方法，其特征在于：(a)步骤中，所述最小二乘的结构模型只考虑循环流化床的主要任务，即燃料与负荷的相关关系，从而简化了辨识的模型，提高计算机辨识的效率。

4.如权利要求1所述的基于最小二乘的循环流化床燃烧模型辨识方法，其特征在于：(b)步骤中，所述最小二乘类方法采用的是基本最小二乘估计方法，因为引风量、给水量等因素而对模型辨识造成的干扰可通过最小二乘结构模型中的噪声项来表述。

5.如权利要求1所述的基于最小二乘的循环流化床燃烧模型辨识方法，其特征在于：(e)步骤中，所述迭代收敛过程的结束可以通过满足目标准则的要求来确定，对循环流化床燃烧模型辨识的精度范围和自由度更加大。