CN105242572A - 火电厂热工过程混合辨识方法和系统 - Google Patents

Abstract

本发明涉及一种火电厂热工过程混合辨识方法和系统，根据预设的负荷工况点对应建立辨识数列，并将采集到的实时数据分别对应归入辨识数列中。根据辨识数列利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值，进而利用线性法对热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式。最终利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。在辨识热工被控对象模型参数时，可利用神经网络所具有的对任意非线性映射的任意逼近能力来模拟实际系统的输入和输出关系，根据输入输出数据不断调整辨识精度，确保增益辨识的准确性，提高了火电厂热工过程安全性。

Description

火电厂热工过程混合辨识方法和系统

技术领域

本发明涉及火电厂热工过程技术领域，特别是涉及一种火电厂热工过程混合辨识方法和系统。

背景技术

火电厂热工过程被控对象动态特性是指控制对象的输出与输入之间的动态关系，热工对象传递函数模型辨识一直是系统辨识领域的重要研究内容，辨识得到的传递函数模型对于精确描述热工系统动态特性、控制系统的控制方案设计及调节器参数整定等具有重要意义。

模型辨识包括模型结构假定和模型参数辨识两个部分。由于影响被控对象动态特性的因素较多，很难做到对其进行精确描述。由于热工系统的非线性特性，使得很多被控对象的增益不是常数，相较时间常数T和迟延时间τ而言，增益的改变会对系统的控制品质产生更为重要的影响，所以增益的辨识在整个模型确定过程中意义重大，如果不能准确辨识会导致火电厂热工过程安全性低。

发明内容

基于此，有必要针对上述问题，提供一种提高火电厂热工过程安全性的火电厂热工过程混合辨识方法和系统。

一种火电厂热工过程混合辨识方法，包括以下步骤：

根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中；

根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值；

根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；

根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。

一种火电厂热工过程混合辨识系统，包括：

数据分类模块，用于根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中；

第一处理模块，用于根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值；

第二处理模块，用于根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；

增益修正模块，用于根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。

上述火电厂热工过程混合辨识方法和系统，根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入辨识数列中。根据辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值。根据时间常数、迟延时间和增益的初始值，利用线性法对热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式。根据热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。在辨识热工被控对象模型参数时，可利用神经网络所具有的对任意非线性映射的任意逼近能力来模拟实际系统的输入和输出关系，根据输入输出数据不断调整辨识精度，确保增益辨识的准确性，提高了火电厂热工过程安全性。

附图说明

图1为一实施例中火电厂热工过程混合辨识方法的流程图；

图2为一实施例中根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入辨识数列中的流程图；

图3为一实施例中根据辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值的流程图；

图4为一实施例中根据热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型的流程图；

图5为一实施例中Elman神经网络的结构图；

图6为一实施例中引入Elman神经网络的被控系统结构图；

图7为一实施例中火电厂热工过程混合辨识系统的结构图；

图8为一实施例中数据分类模块的结构图；

图9为一实施例中第一处理模块的结构图；

图10为一实施例中增益修正模块的结构图。

具体实施方式

一种火电厂热工过程混合辨识方法，适用于针对传递函数可等效成一阶惯性加迟延环节的热工过程。如图1所示，火电厂热工过程混合辨识方法包括以下步骤：

步骤S110：根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入辨识数列中。负荷工况点的数量以及具体取值可根据实际情况调整，对应建立的辨识数列的数量也会有所不同。在建立辨识数列后，根据辨识数列对应的符合范围对应存储采集到的火电厂热工过程的实时数据。

在其中一个实施例中，如图2所示，负荷工况点包括60％、75％和95％三个工况点。步骤S110包括步骤S112至步骤S118。

步骤S112：根据负荷工况点对应建立三组辨识数列。

步骤S114：将实时数据中55％—65％工况段的数据归入60％工况点对应的辨识数列。

步骤S116：将实时数据中65％—85％工况段的数据归入75％工况点对应的辨识数列。

步骤S118：将实时数据中85％—100％工况段的数据归入95％工况点对应的辨识数列。

选取60％，75％和95％三个典型的负荷工况点，对应建立三组数列，并将55％—65％，65％—85％，85％—100％三个工况段的实时数据采集后分别对应归入以上三组数列。即满足负荷55％—65％的输入输出数据归入同一个数列，对应60％负荷的工况点；满足负荷65％—85％的输入输出数据归入同一个数列，对应75％负荷的工况点；满足负荷85％—100％的输入输出数据归入同一个数列，对应95％负荷的工况点。不满足以上条件的数据不予采用。

步骤S120：根据辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值。

在火电厂热工过程传递函数辨识中，结合热工过程对象的自平衡特性，大多数热工被控对象的传递函数可以等效成一阶惯性加纯迟延环节。考虑到参数辨识过程中，被控对象不断提供新的输入输出数据，并且还希望利用这些新的信息来改善辨识精度，具体采用带遗忘因子的最小二乘法来辨识时间常数T，迟延时间τ和增益K的初始值。

在其中一个实施例中，如图3所示，步骤S120包括步骤S122至步骤S126。

步骤S122：将一阶惯性加纯迟延环节的传递函数转化为离散形式，并确定目标函数。

将一阶惯性加纯迟延环节的传递函数转化为离散形式，具体为：

$G\left(s\right)=\frac{K}{Ts+1}\·e^{-\mathrm{\τ}s}$

$G\left(z\right)=\frac{z^{-(d+1)}b}{1-{\mathrm{az}}^{-1}}$

式中，b＝k(1-a)；d＝τ/T_s；T_s为采样时间。将上式写成如下形式：

y(k)＝-a₁y(k-1)+b₁u(k-d-1)

a₁＝-a，b₁＝b

式中，为数据向量，θ为待估参数向量，且

θ＝[a₁，b₀，b₁]^T∈R^3×1

确立目标函数具体如下：

热工对象实际输出与估计输出之差，即残差ε(k)为

对于L次观测，即L组数据，确立如下目标函数：

使目标函数取极小值的参数即为参数的最小二乘估计。式中λ为遗忘因子(0＜λ≤1)。对数据加时变加权系数，最新的数据用1加权，而先前的n个采样周期的数据则用λⁿ加权。

步骤S124：根据目标函数分别对辨识数列中的数据应用带遗忘因子的递推最小二乘法，直至残差在预设的误差范围内，得到辨识数列对应的参数估计值。

设置初值P(0)和遗忘因子λ，令

$\left\{\begin{array}{c}P\left(0\right)=\mathrm{\α}I\\ \widehat{\mathrm{\θ}}\left(0\right)=\mathrm{\ϵ}\end{array}\right.$

式中，α为充分大的正实数(10⁴～10⁶)，ε为零向量或充分小的正的实向量。遗忘因子λ选择接近于1的正数，通常不小于0.9。

将辨识数列中的数据代入目标函数，采样当前输出y(k)和u(k)。由带遗忘因子的递推最小二乘参数估计公式，计算K(0)、P(k)和。

令k→k+1，并再次采样当前输出y(k)和u(k)进行循环，直至残差ε(k)在预设的误差范围内，误差范围的具体取值可根据实际情况进行调整。同样以负荷工况点包括60％、75％和95％三个工况点，辨识数列为三个为例，分别对三个数列中的数据应用带遗忘因子的递推最小二乘法，当残差ε(k)满足要求时停止递推。如此，得到三组参数估计值：

${\widehat{\mathrm{\θ}}}_1\left(k_1\right)=\[\begin{array}{ccc}{a}_{11},& b_{01},& b_{11}\end{array}\]$

${\widehat{\mathrm{\θ}}}_2\left(k_2\right)=\[\begin{array}{ccc}{a}_{12},& b_{02},& b_{12}\end{array}\]$

${\widehat{\mathrm{\θ}}}_3\left(k_3\right)=\[\begin{array}{ccc}{a}_{13},& b_{03},& b_{13}\end{array}\]$

步骤S126：根据参数估计值得到对应的时间常数、迟延时间和增益的初始值。

由参数与模型参数的转换关系

b＝k(1-a)；d＝τ/T_s，

a₁＝-a，b₁＝b

得到三组时间常数T，迟延时间τ和增益K的估计值，分别为

$\left\{\begin{array}{ccc}{T}_1,& {\mathrm{\τ}}_1,& K_1\\ T_2,& {\mathrm{\τ}}_2,& K_2\\ T_3,& {\mathrm{\τ}}_3,& K_3\end{array}\right.$

步骤S130：根据时间常数、迟延时间和增益的初始值，利用线性法对热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式。

在其中一个实施例中，实时数据包括功率数据。步骤S130具体为：根据功率数据以及时间常数、迟延时间和增益的初始值，利用线性法得到时间常数、迟延时间和增益分别与功率的函数表达式。

设60％、75％、95％负荷工况点对应的功率分别为P₁、P₂、P₃，且P₁＜P₂＜P₃。令功率P为自变量，时间常数T、迟延时间τ和增益K分别为因变量，用三组线性分段函数分别表示功率P与时间常数T、迟延时间τ和增益K的对应关系。以时间常数T参数估计值为例：

已知的三组数据分别为(P₁，T₁)、(P₂，T₂)、(P₃，T₃)_3)，利用两点法得到T与P的分段函数表达式为：

$\left\{\begin{array}{cc}T=A_{1}P+B_1,& P_1\&le;P<P_2\\ T=A_{2}P+B_2,& P_2\&le;P<P_3\end{array}\right.$

当任意给定功率值P时，便可确定时间常数T。同理可得到(P，τ)，(P，K)之间的分段函数表达式。

步骤S140：根据热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。

在其中一个实施例中，如图4所示，步骤S140包括步骤S142和步骤S144。

步骤S142：根据热工过程对象的时间常数、迟延时间和增益的函数表达式，分别计算功率数据对应的时间常数、迟延时间和增益的值。根据步骤S130中得到的时间常数T、迟延时间τ和增益K分别与功率P的函数表达式，当取定某一时刻功率值后，便可确定时间常数T、迟延时间τ和增益K。

步骤S144：将功率数据对应的时间常数和迟延时间的值作为预测模型的参数值，将功率数据对应的增益的值作为预测模型的增益初始值，利用Elman神经网络进行修正，得到一阶惯性加纯迟延模型。

将步骤S142中辨识出的时间常数T、迟延时间τ作为Elman神经网络辨识方法中预测模型的参数值，增益K作为预测模型的增益初始值，进而利用Elman神经网络加以修正，完成热工过程的一阶惯性加迟延环节的传递函数辨识，得到一阶惯性加纯迟延模型。利用Elman神经网络修正增益K，包括如下步骤：

步骤1：写出网络各层输入输出之间的数学关系式。

Elman网络是动态递归网络的一种，因为承接层的存在，具有良好的动态特性和递归作用，图5为Elman神经网络的标准结构。

网络各层的数学关系式如下

$v_i\left(k\right)=\underset{j=1}{\overset{n}{\&Sigma;}}{\mathrm{\&omega;}}_{ij}^3{x}_j^c\left(k\right)+{\mathrm{\&omega;}}_i^{1}u\left(k\right)$

x_i(k)＝f(v_i(k))

$x_j^c\left(k\right)=x_i(k-1)$

$y_{ANN}\left(k\right)=\underset{j=1}{\overset{n}{\&Sigma;}}{\mathrm{\&omega;}}_i^2{x}_i\left(k\right)$

其中，ω¹为输入层至隐含层的权值矩阵，ω²为隐含层至输出层的权值矩阵，ω³为承接层至隐含层的权值矩阵。u(k)为网络的输入向量，x_i(k)为隐含层输出向量，v_i(k)为隐含层输入向量，为承接层输出向量，y_ANN(k)为网络输出向量，即为辨识出的K值。f(·)为隐含层激发函数，可根据实际情况选择。引入Elman神经网络的被控系统结构如图6所示。

步骤2：将预测模型传递函数离散化。

预测模型传递函数为：

$G\left(s\right)=\frac{K}{Ts+1}\&CenterDot;e^{-\mathrm{\&tau;}s}$

其中，时间常数T和迟延时间τ已由步骤S130确定，由步骤S130确定的增益K作为神经网络初值，实际被控对象输出为y(k)，k为步数；预测模型输出为y_d(k)；Elman神经网络输出为y_ANN(k)，即为修正后的增益K。

将预测模型传递函数离散化：

$G\left(s\right)=\frac{Y_d\left(s\right)}{U\left(s\right)}$

$y_d\left(k\right)=\frac{T}{T+T_s}{y}_d(k-1)+\frac{T_s\&CenterDot;y_{ANN}}{T+T_s}u(k-d)$

其中，T_s为采样时间，d为迟延步数。

步骤3：确定网络的误差函数。网络的误差函数为：

$E=\frac{1}{2}{\&lsqb;y\left(k\right)-y_d\left(k\right)\&rsqb;}^2$

步骤4：将网络误差函数E对ω¹，ω²，ω³求偏导数，得出Elman网络的学习算法与权值更新算法，包括如下：

$-\frac{\&part;E}{\&part;{\mathrm{\&omega;}}_i^1}=\frac{\&part;E}{\&part;y_d\left(k\right)}\&CenterDot;\frac{\&part;y_d\left(k\right)}{\&part;y_{ANN}\left(k\right)}\&CenterDot;\frac{\&part;y_{KNN}\left(k\right)}{\&part;x_i\left(k\right)}\&CenterDot;\frac{\&part;x_i\left(k\right)}{\&part;v_i\left(k\right)}\&CenterDot;\frac{\&part;v_i\left(k\right)}{\&part;{\mathrm{\&omega;}}_i^1}$

$\begin{array}{c}=\&lsqb;y\left(k\right)-y_d\left(k\right)\&rsqb;\&CenterDot;\frac{T_s}{T+T_s}\&CenterDot;u(k-d)\&CenterDot;{\mathrm{\&omega;}}_i^2\&CenterDot;\frac{\&part;x_i\left(k\right)}{\&part;v_i\left(k\right)}\&CenterDot;u\left(k\right)\\ -\frac{\&part;E}{\&part;{\mathrm{\&omega;}}_i^2}=\frac{\&part;E}{\&part;y_d\left(k\right)}\&CenterDot;\frac{\&part;y_d\left(k\right)}{\&part;y_{ANN}\left(k\right)}\&CenterDot;\frac{\&part;y_{ANN}\left(k\right)}{\&part;{\mathrm{\&omega;}}_i^2}=\&lsqb;y\left(k\right)-y_d\left(k\right)\&rsqb;\&CenterDot;\frac{T_s}{T+T_s}\&CenterDot;u(k-d)\&CenterDot;x_i\left(k\right)\\ -\frac{\&part;E}{\&part;{\mathrm{\&omega;}}_{ij}^3}=\frac{\&part;E}{\&part;y_d\left(k\right)}\&CenterDot;\frac{\&part;y_d\left(k\right)}{\&part;y_{ANN}\left(k\right)}\&CenterDot;\frac{\&part;y_{ANN}\left(k\right)}{\&part;x_i\left(k\right)}\&CenterDot;\frac{\&part;x_i\left(k\right)}{\&part;v_i\left(k\right)}\&CenterDot;\frac{\&part;v_i\left(k\right)}{{\mathrm{\&omega;}}_{ij}^3}\\ =\&lsqb;y\left(k\right)-y_d\left(k\right)\&rsqb;\&CenterDot;\frac{T_s}{T+T_s}\&CenterDot;u(k-d)\&CenterDot;{\mathrm{\&omega;}}_i^2\&CenterDot;\frac{\&part;x_i\left(k\right)}{\&part;v_i\left(k\right)}\&CenterDot;x_j^c\left(k\right)\\ =\&lsqb;y\left(k\right)-y_d\left(k\right)\&rsqb;\&CenterDot;\frac{T_s}{T+T_s}\&CenterDot;u(k-d)\&CenterDot;{\mathrm{\&omega;}}_i^2\&CenterDot;\frac{\&part;x_i\left(k\right)}{\&part;v_i\left(k\right)}\&CenterDot;x_i(k-1)\end{array}$

$\frac{\&part;x_i\left(k\right)}{\&part;v_i\left(k\right)}=\frac{\&part;f\left(v_i\right(k\left)\right)}{\&part;v_i\left(k\right)}$

综合上面推导过程，可以得到如下权值更新算法：

${\mathrm{\&omega;}}_i^1\left(k\right)={\mathrm{\&omega;}}_i^1(k-1)+\mathrm{\&eta;}\frac{\&part;E}{\&part;{\mathrm{\&omega;}}_i^1}$

${\mathrm{\&omega;}}_i^2\left(k\right)={\mathrm{\&omega;}}_i^2(k-1)+\mathrm{\&eta;}\frac{\&part;E}{\&part;{\mathrm{\&omega;}}_i^2}$

${\mathrm{\&omega;}}_{ij}^3\left(k\right)={\mathrm{\&omega;}}_{ij}^3(k-1)+\mathrm{\&eta;}\frac{\&part;E}{\&part;{\mathrm{\&omega;}}_{ij}^3}$

其中，η为相应的学习步长。

步骤5：得到一阶惯性加纯迟延模型。

由步骤130得到时间常数T和迟延时间τ，并确定了Elman神经网络的初值K。由步骤1至步骤4得到利用Elman神经网络修正后的增益K，至此，热工过程的一阶惯性加迟延环节的传递函数辨识完毕，得到一阶惯性加纯迟延模型。

上述火电厂热工过程混合辨识方法，针对目前火电厂热工过程系统辨识领域的研究现状和增益K在模型参数确立中的重要性而提供。因神经网络具有良好的非线性映射能力、自学习适应能力等优点，在辨识热工被控对象模型参数时，可利用神经网络所具有的对任意非线性映射的任意逼近能力来模拟实际系统的输入和输出关系，利用神经网络的自学习和自适应能力，经过学习训练可得到系统的模型。根据输入输出数据不断调整辨识精度，确保增益辨识的准确性，提高了火电厂热工过程安全性。

本发明还提供了一种火电厂热工过程混合辨识系统，适用于针对传递函数可等效成一阶惯性加迟延环节的热工过程。如图7所示，火电厂热工过程混合辨识系统包括数据分类模块110、第一处理模块120、第二处理模块130和增益修正模块140。

数据分类模块110用于根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入辨识数列中。负荷工况点的数量以及具体取值可根据实际情况调整，对应建立的辨识数列的数量也会有所不同。在建立辨识数列后，根据辨识数列对应的符合范围对应存储采集到的火电厂热工过程的实时数据。

在其中一个实施例中，如图8所示，负荷工况点包括60％、75％和95％三个工况点。数据分类模块110包括数列组建单元112、第一分类单元114、第二分类单元116和第三分类单元118。

数列组建单元112用于根据负荷工况点对应建立三组辨识数列。

第一分类单元114用于将实时数据中55％—65％工况段的数据归入60％工况点对应的辨识数列。

第二分类单元116用于将实时数据中65％—85％工况段的数据归入75％工况点对应的辨识数列。

第三分类单元118用于将实时数据中85％—100％工况段的数据归入95％工况点对应的辨识数列。

选取60％，75％和95％三个典型的负荷工况点，对应建立三组数列，并将55％—65％，65％—85％，85％—100％三个工况段的实时数据采集后分别对应归入以上三组数列。即满足负荷55％—65％的输入输出数据归入同一个数列，对应60％负荷的工况点；满足负荷65％—85％的输入输出数据归入同一个数列，对应75％负荷的工况点；满足负荷85％—100％的输入输出数据归入同一个数列，对应95％负荷的工况点。不满足以上条件的数据不予采用。

第一处理模块120用于根据辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值。

在火电厂热工过程传递函数辨识中，结合热工过程对象的自平衡特性，大多数热工被控对象的传递函数可以等效成一阶惯性加纯迟延环节。考虑到参数辨识过程中，被控对象不断提供新的输入输出数据，并且还希望利用这些新的信息来改善辨识精度，具体采用带遗忘因子的最小二乘法来辨识时间常数T，迟延时间τ和增益K的初始值。

在其中一个实施例中，如图9所示，第一处理模块120包括第一处理单元122、第二处理单元124和第三处理单元126。

第一处理单元122用于将一阶惯性加纯迟延环节的传递函数转化为离散形式，并确定目标函数。

将一阶惯性加纯迟延环节的传递函数转化为离散形式，具体为：

$G\left(s\right)=\frac{K}{Ts+1}\&CenterDot;e^{-\mathrm{\&tau;}s}$

$G\left(z\right)=\frac{z^{-(d+1)}b}{1-{\mathrm{az}}^{-1}}$

式中，b＝k(1-a)；d＝τ/T_s；T_s为采样时间。将上式写成如下形式：

y(k)＝-a₁y(k-1)+b₁u(k-d-1)

a₁＝-a，b₁＝b

式中，为数据向量，θ为待估参数向量，且

θ＝[a₁，b₀，b₁]^T∈R^3×1

确立目标函数具体如下：

热工对象实际输出与估计输出之差，即残差ε(k)为

对于L次观测，即L组数据，确立如下目标函数：

使目标函数取极小值的参数即为参数的最小二乘估计。式中λ为遗忘因子(0＜λ≤1)。对数据加时变加权系数，最新的数据用1加权，而先前的n个采样周期的数据则用λⁿ加权。

第二处理单元124用于根据目标函数分别对辨识数列中的数据应用带遗忘因子的递推最小二乘法，直至残差在预设的误差范围内，得到辨识数列对应的参数估计值。

设置初值P(0)和遗忘因子λ，令

$\left\{\begin{array}{c}P\left(0\right)=\mathrm{\&alpha;}I\\ \widehat{\mathrm{\&theta;}}\left(0\right)=\mathrm{\&epsiv;}\end{array}\right.$

式中，α为充分大的正实数(10⁴～10⁶)，ε为零向量或充分小的正的实向量。遗忘因子λ选择接近于1的正数，通常不小于0.9。

将辨识数列中的数据代入目标函数，采样当前输出y(k)和u(k)。由带遗忘因子的递推最小二乘参数估计公式，计算K(0)、P(k)和。

令k→k+1，并再次采样当前输出y(k)和u(k)进行循环，直至残差ε(k)在预设的误差范围内，误差范围的具体取值可根据实际情况进行调整。同样以负荷工况点包括60％、75％和95％三个工况点，辨识数列为三个为例，分别对三个数列中的数据应用带遗忘因子的递推最小二乘法，当残差ε(k)满足要求时停止递推。如此，得到三组参数估计值：

${\widehat{\mathrm{\&theta;}}}_1\left(k_1\right)=\&lsqb;\begin{array}{ccc}{a}_{11},& b_{01},& b_{11}\end{array}\&rsqb;$

${\widehat{\mathrm{\&theta;}}}_2\left(k_2\right)=\&lsqb;\begin{array}{ccc}{a}_{12},& b_{02},& b_{12}\end{array}\&rsqb;$

${\widehat{\mathrm{\&theta;}}}_3\left(k_3\right)=\&lsqb;\begin{array}{ccc}{a}_{13},& b_{03},& b_{13}\end{array}\&rsqb;$

第三处理单元126用于根据参数估计值得到对应的时间常数、迟延时间和增益的初始值。

由参数与模型参数的转换关系

b＝k(1-a)；d＝τ/T_s，

a₁＝-a，b₁＝b

得到三组时间常数T，迟延时间τ和增益K的估计值，分别为

$\left\{\begin{array}{ccc}{T}_1,& {\mathrm{\&tau;}}_1,& K_1\\ T_2,& {\mathrm{\&tau;}}_2,& K_2\\ T_3,& {\mathrm{\&tau;}}_3,& K_3\end{array}\right.$

第二处理模块130用于根据时间常数、迟延时间和增益的初始值，利用线性法对热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式。

在其中一个实施例中，实时数据包括功率数据。第二处理模块130对热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式具体为：根据功率数据以及时间常数、迟延时间和增益的初始值，利用线性法得到时间常数、迟延时间和增益分别与功率的函数表达式。

设60％、75％、95％负荷工况点对应的功率分别为P₁、P₂、P₃，且P₁＜P₂＜P₃。令功率P为自变量，时间常数T、迟延时间τ和增益K分别为因变量，用三组线性分段函数分别表示功率P与时间常数T、迟延时间τ和增益K的对应关系。以时间常数T参数估计值为例：

已知的三组数据分别为(P₁，T₁)、(P₂，T₂)、(P₃，T₃)_3)，利用两点法得到T与P的分段函数表达式为：

$\left\{\begin{array}{cc}T=A_{1}P+B_1,& P_1\&le;P<P_2\\ T=A_{2}P+B_2,& P_2\&le;P<P_3\end{array}\right.$

当任意给定功率值P时，便可确定时间常数T。同理可得到(P，τ)，(P，K)之间的分段函数表达式。

增益修正模块140用于根据热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。

在其中一个实施例中，如图10所示，增益修正模块140包括第一单元142和第二单元144。

第一单元142用于根据热工过程对象的时间常数、迟延时间和增益的函数表达式，分别计算功率数据对应的时间常数、迟延时间和增益的值。根据第二处理模块130得到的时间常数T、迟延时间τ和增益K分别与功率P的函数表达式，当取定某一时刻功率值后，便可确定时间常数T、迟延时间τ和增益K。

第二单元144用于将功率数据对应的时间常数和迟延时间的值作为预测模型的参数值，将功率数据对应的增益的值作为预测模型的增益初始值，利用Elman神经网络进行修正，得到一阶惯性加纯迟延模型。

将第一单元142辨识出的时间常数T、迟延时间τ作为Elman神经网络辨识方法中预测模型的参数值，增益K作为预测模型的增益初始值，进而利用Elman神经网络加以修正，完成热工过程的一阶惯性加迟延环节的传递函数辨识，得到一阶惯性加纯迟延模型。利用Elman神经网络修正增益K的具体过程在上述火电厂热工过程混合辨识方法中进行了详细的解释说明，在此不再赘述。

上述火电厂热工过程混合辨识系统，针对目前火电厂热工过程系统辨识领域的研究现状和增益K在模型参数确立中的重要性而提供。因神经网络具有良好的非线性映射能力、自学习适应能力等优点，在辨识热工被控对象模型参数时，可利用神经网络所具有的对任意非线性映射的任意逼近能力来模拟实际系统的输入和输出关系，利用神经网络的自学习和自适应能力，经过学习训练可得到系统的模型。根据输入输出数据不断调整辨识精度，确保增益辨识的准确性，提高了火电厂热工过程安全性。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种火电厂热工过程混合辨识方法，其特征在于，包括以下步骤：

根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中；

根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值；

根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；

根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。

2.根据权利要求1所述的火电厂热工过程混合辨识方法，其特征在于，所述负荷工况点包括60％、75％和95％三个工况点；所述根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中的步骤，包括以下步骤：

根据所述负荷工况点对应建立三组辨识数列；

将所述实时数据中55％—65％工况段的数据归入60％工况点对应的辨识数列；

将所述实时数据中65％—85％工况段的数据归入75％工况点对应的辨识数列；

将所述实时数据中85％—100％工况段的数据归入95％工况点对应的辨识数列。

3.根据权利要求1所述的火电厂热工过程混合辨识方法，其特征在于，所述根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值的步骤，包括以下步骤：

将一阶惯性加纯迟延环节的传递函数转化为离散形式，并确定目标函数；

根据所述目标函数分别对所述辨识数列中的数据应用带遗忘因子的递推最小二乘法，直至残差在预设的误差范围内，得到所述辨识数列对应的参数估计值；

根据所述参数估计值得到对应的时间常数、迟延时间和增益的初始值。

4.根据权利要求1所述的火电厂热工过程混合辨识方法，其特征在于，所述实时数据包括功率数据；所述根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式的步骤，具体为：

根据所述功率数据以及时间常数、迟延时间和增益的初始值，利用线性法得到所述时间常数、迟延时间和增益分别与功率的函数表达式。

5.根据权利要求4所述的火电厂热工过程混合辨识方法，其特征在于，所述根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型的步骤，包括以下步骤：

根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，分别计算所述功率数据对应的时间常数、迟延时间和增益的值；

将所述功率数据对应的时间常数和迟延时间的值作为预测模型的参数值，将所述功率数据对应的增益的值作为所述预测模型的增益初始值，利用Elman神经网络进行修正，得到一阶惯性加纯迟延模型。

6.一种火电厂热工过程混合辨识系统，其特征在于，包括：

数据分类模块，用于根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中；

第一处理模块，用于根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值；

第二处理模块，用于根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；

增益修正模块，用于根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。

7.根据权利要求6所述的火电厂热工过程混合辨识系统，其特征在于，所述负荷工况点包括60％、75％和95％三个工况点；所述数据分类模块包括：

数列组建单元，用于根据所述负荷工况点对应建立三组辨识数列；

第一分类单元，用于将所述实时数据中55％—65％工况段的数据归入60％工况点对应的辨识数列；

第二分类单元，用于将所述实时数据中65％—85％工况段的数据归入75％工况点对应的辨识数列；

第三分类单元，用于将所述实时数据中85％—100％工况段的数据归入95％工况点对应的辨识数列。

8.根据权利要求6所述的火电厂热工过程混合辨识系统，其特征在于，所述第一处理模块包括：

第一处理单元，用于将一阶惯性加纯迟延环节的传递函数转化为离散形式，并确定目标函数；

第二处理单元，用于根据所述目标函数分别对所述辨识数列中的数据应用带遗忘因子的递推最小二乘法，直至残差在预设的误差范围内，得到所述辨识数列对应的参数估计值；

第三处理单元，用于根据所述参数估计值得到对应的时间常数、迟延时间和增益的初始值。

9.根据权利要求6所述的火电厂热工过程混合辨识系统，其特征在于，所述实时数据包括功率数据；所述第二处理模块对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式具体为：根据所述功率数据以及时间常数、迟延时间和增益的初始值，利用线性法得到所述时间常数、迟延时间和增益分别与功率的函数表达式。

10.根据权利要求9所述的火电厂热工过程混合辨识系统，其特征在于，所述增益修正模块包括：

第一单元，用于根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，分别计算所述功率数据对应的时间常数、迟延时间和增益的值；

第二单元，用于将所述功率数据对应的时间常数和迟延时间的值作为预测模型的参数值，将所述功率数据对应的增益的值作为所述预测模型的增益初始值，利用Elman神经网络进行修正，得到一阶惯性加纯迟延模型。