CN106054609B - 一种机组主汽温度被控过程传递函数模型辨识方法 - Google Patents
一种机组主汽温度被控过程传递函数模型辨识方法 Download PDFInfo
- Publication number
- CN106054609B CN106054609B CN201610460764.8A CN201610460764A CN106054609B CN 106054609 B CN106054609 B CN 106054609B CN 201610460764 A CN201610460764 A CN 201610460764A CN 106054609 B CN106054609 B CN 106054609B
- Authority
- CN
- China
- Prior art keywords
- stream temperature
- temperature degree
- mean
- value
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种机组主汽温度被控过程传递函数模型辨识方法,该方法以机组现场数据作为样本,采用基于灵敏度剪枝算法的神经网络技术建立主汽温度过程神经网络模型,然后采用遗传算法优化技术从神经网络模型中提取出所需负荷下的机组主汽温度被控过程传递函数模型。本发明直接根据现场数据辨识过程传递函数模型,克服了现场动态特性试验受现场条件限制,且需花费人力、物力的不足。
Description
技术领域
本发明属于热工自动控制技术领域,具体涉及一种机组主汽温度被控过程传递函数模型辨识方法。
背景技术
主汽温度控制是火电机组一个重要的自动控制系统,建立主汽温度被控过程传递函数模型对控制系统设计具有重要意义。火电机组主汽温度被控过程具有惯性大、非线性特点,且影响主汽温度的因素较多,很难从机理上建立其传递函数模型。传统的主汽温度被控过程传递函数模型辨识主要基于过程的动态特性试验,由于单元机组运行的特点,现场动态特性试验往往难以实施。目前已有的基于现场数据的模型辨识方法,一般是采用神经网络技术,只能得到过程的神经网络模型,但神经网络模型不直观,不易于理解,难以与经典控制方法结合使用,不利于控制系统的设计和应用。
如何从神经网络模型中提取出所需的传递函数模型,对于工程应用具有重要意义。目前神经网络模型都是采用串并联的建模方式建立的,神经网络模型的输入不是模型输出的反馈,由于建模总是存在误差的,因此,神经网络模型不能脱离实际对象单独使用,这给提取传递函数模型带来了很大的困难,因而一直没有得到解决。
本发明提出一种机组主汽温度被控过程传递函数模型辨识方法,该方法首先根据现场数据,采用神经网络技术建立主汽温度过程神经网络模型,然后采用遗传算法优化技术从神经网络模型中提取出机组主汽温度被控过程传递函数模型。本发明根据现场数据辨识过程传递函数模型,克服了动态特性试验法和现有的基于神经网络技术的根据现场数据辨识方法存在的不足。
发明内容
发明目的:为了克服现有过程传递函数模型辨识方法存在的不足,本发明提供一种过程传递函数模型辨识方法,利用该方法可根据现场数据建立不同负荷下的机组主汽温度被控过程传递函数模型。
技术方案:为解决上述技术问题,本发明提供了一种机组主汽温度被控过程传递函数模型辨识方法,包括步骤:
步骤1:采集现场运行数据:机组负荷Ne(MW)、烟气氧量O2(%)、主汽压力Pt(MPa)、主汽减温喷水流量Dps(T/H)、减温喷水前主汽温度T1(℃)和主汽温度T2(℃);并分别作时延处理得到神经网络模型辨识样本;
步骤2:根据步骤1的辨识样本,采用神经网络技术,建立以步骤1所述各变量的时延作为输入,以主汽温度作为输出的神经网络模型;并采用灵敏度剪枝算法进行优化,得到机组主汽温度过程神经网络模型;
步骤3:以主汽减温喷水流量Dps作为输入、主汽温度T2作为输出的机组主汽温度被控过程的传递函数取为K为过程的稳态增益,T1、T2为时间常数,n1、n2为正整数;在G(s)输入端加入[a,b]之间均匀分布的随机信号Dps(k)作为输入信号,对于一组给定的T1、T2、n1、n2和K取值,通过仿真获得传递函数G(s)的输出T2(k),k为采样时刻,k=1,2,…,M2,M2为总采样个数;均匀分布随机信号的上下限分别为:a=Dps_min-Dps_mean,b=Dps_max-Dps_mean,其中Dps_min、Dps_max和Dps_mean分别为步骤1中采集的减温喷水流量数据的最小值、最大值和平均值;
步骤4:计算Dps(k)和T2(k)的变换值D'ps(k)和T2'(k):D'ps(k)=Dps(k)+Dps_mean,T2'(k)=T2(k)+T2_mean,T2_mean为步骤1中采集的主汽温度数据的平均值;将D'ps(k)和T2'(k)经整理之后作为步骤2所建神经网络的Dps和T2相应各个时延输入变量的输入值,神经网络的Ne各个时延输入变量值取常量Ne_set、O2各个时延输入变量值取常量O2_mean,Pt各个时延输入变量值取常量Pt_mean,T1各个时延输入变量值取常量T1_mean,计算神经网络的输出T2”(k),其中Ne_set为人工设置的与辨识传递函数对应的机组负荷,O2_mean、Pt_mean和T1_mean分别为步骤1中采集的烟气含氧量、主汽压力和减温喷水前主汽温度数据的平均值;
步骤5:采用遗传算法对步骤3的传递函数G(s)的参数T1、T2、n1、n2和K进行寻优,遗传算法采用如下的适应度函数f:
其中,J为性能指标,M1为神经网络输入变量Dps和T2的最大时延中的较大值,使性能指标J最小的T1、T2、n1、n2和K的取值即为机组主汽温度被控过程传递函数模型的参数。
在步骤5的遗传算法中,若n1、n2为小数,则对其进行四舍五入取整处理。
通过设置变量不同Ne_set的值,获得不同负荷下机组主汽温度被控过程传递函数模型。
有益效果:本发明直接利用大量现场数据,可建立不同负荷下的机组主汽温度被控过程传递函数模型,不受机组运行条件的限制,节省了现场试验所花费的人力、物力。
附图说明
图1是机组主汽温度过程神经网络模型。
图2为从神经网络模型提取传递函数模型原理图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
实施例为国内某电厂300MW亚临界燃煤单元机组,实施过程如图2:
步骤1:通过机组分散控制系统(DCS)采集现场运行数据,采样周期T为6秒,采集的变量包括:机组负荷Ne(MW)、烟气氧量O2(%)、主汽压力Pt(MPa)、主汽减温喷水流量Dps(T/H)、减温喷水前主汽温度T1(℃)和主汽温度T2(℃),实施例共采集了3400组数据;
步骤2:对变量Ne、O2、Pt、Dps、T1和T2分别作时延处理,将步骤1中采集的数据整理成N2-N1+1组如下形式的模型辨识样本:
[Ne(t-m1)O2(t-m2)Pt(t-m3)Dps(t-m4)T1(t-m5)T2(t-m6)T2(t)],其中,t表示采样时刻,Ne(t-m1)为机组负荷在t-m1时刻的值,m1=1,2,…,n1,O2(t-m2)为烟气氧量在t-m2时刻的值,m2=1,2,…,n2,Pt(t-m3)为主汽压力在t-m3时刻的值,m3=1,2,…,n3,Dps(t-m4)为主汽减温喷水流量在t-m4时刻的值,m4=1,2,…,n4,T1(t-m5)为减温喷水前主汽温度在t-m5时刻的值,m5=1,2,…,n5,T2(t-m6)为主汽温度在t-m6时刻的值,m6=1,2,…,n6,T2(t)为主汽温度在t时刻的值,n1、n2、n3、n4、n5和n6分别为相应变量的最大时延,t=N1,N1+1,…,N2,N1为n1、n2、n3、n4、n5和n6中的最大值,N2为步骤1的总采样个数;
实施例中,n1=3、n2=3、n3=3、n4=7、n5=10、n6=10,N1=10,N2=3400。
步骤3:根据步骤2的辨识样本,采用神经网络技术,建立以Ne(t-m1)、O2(t-m2)、Pt(t-m3)、Dps(t-m4)、T1(t-m5)和T2(t-m6)为输入,以T2(t)为输出的初始神经网络模型(如图1所示),并采用灵敏度剪枝算法对该初始神经网络模型进行优化,删除冗余的输入变量,得到机组主汽温度过程神经网络模型NNet,记神经网络模型NNet输入变量Dps(t-m4)和T2(t-m6)的最大时延分别为nps和nT2,实施例中,nps=5,nT2=7;
步骤4:以主汽减温喷水流量Dps作为输入、主汽温度T2作为输出的机组主汽温度被控过程的传递函数为K为过程的稳态增益,T1、T2为时间常数,n1、n2为正整数;在G(s)输入端加入[a,b]之间均匀分布的随机信号Dps(k)作为输入信号,对于一组给定的T1、T2、n1、n2和K取值,通过仿真获得传递函数G(s)的输出T2(k),k为采样时刻,采样周期为6s;均匀分布随机信号的上下限分别为:a=Dps_min-Dps_mean,b=Dps_max-Dps_mean,其中Dps_min、Dps_max和Dps_mean分别为步骤1中采集的减温喷水流量数据的最小值、最大值和平均值;计算Dps(k)和T2(k)的变换值D'ps(k)和T2'(k):D'ps(k)=Dps(k)+Dps_mean,T2'(k)=T2(k)+T2_mean,T2_mean为步骤1中采集的主汽温度数据的平均值;
实施例中,Dps_min=0t/h,Dps_max=21.47t/h,Dps_mean=7.59t/h,a=-7.59,b=13.88,T2_mean=539.6℃;
步骤5:将步骤4中的变量值D'ps(k)和T2'(k)整理成M2-M1+1组样本[D'ps(k-i)T2'(k-j)],其中,D'ps(k-i)为变量D'ps在k-i时刻的值,T2'(k-j)为变量T2'在k-j时刻的值,i=1,2,…,nps,j=1,2,…,nT2,k=M1,M1+1,…,M2,M1为nps和nT2中较大的值,M2为步骤4的总采样个数;以D'ps(k-i)和T2'(k-j)样本值作为神经网络NNet的Dps和T2相应各个时延输入变量的输入值,神经网络NNet的Ne各个时延输入变量值取常量Ne_set、O2各个时延输入变量值取常量O2_mean,Pt各个时延输入变量值取常量Pt_mean,T1各个时延输入变量值取常量T1_mean,计算神经网络NNet的输出T2”(k),其中Ne_set为人工设置的与辨识传递函数对应的机组负荷,O2_mean、Pt_mean和T1_mean分别为步骤1中采集的烟气含氧量、主汽压力和减温喷水前主汽温度数据的平均值;
实施例中,M1=7,M2=3000,Ne_set=290MW,O2_mean=4.69%,Pt_mean=13.55MP,T1_mean=442.5℃;
步骤6:采用遗传算法优化技术,对步骤4中的传递函数G(s)的参数T1、T2、n1、n2和K进行优化,遗传算法采用如下的适应度函数f:
其中,J为性能指标,(k)按步骤4方法计算,(k)按步骤5方法计算,在遗传操作过程中,若n为小数,则对其进行四舍五入取整处理;使性能指标J最小的K、T0和n值即为机组主汽温度被控过程传递函数模型的参数。
实施例的优化结果为K=1.012,T1=92.6,n1=5,T2=42.3,n2=1,290MW负荷下的机组主汽温度被控过程的传递函数为
本发明直接利用大量现场数据,可建立不同负荷下的机组主汽温度被控过程传递函数模型,不受机组运行条件的限制,节省了现场试验所花费的人力、物力。
Claims (3)
1.一种机组主汽温度被控过程传递函数模型辨识方法,其特征在于:包括步骤:
步骤1:采集现场运行数据:机组负荷Ne(MW)、烟气氧量O2(%)、主汽压力Pt(MPa)、主汽减温喷水流量Dps(T/H)、减温喷水前主汽温度T1(℃)和主汽温度T2(℃);并分别作时延处理得到神经网络模型辨识样本;
步骤2:根据步骤1的辨识样本,采用神经网络技术,建立以步骤1所述各变量的时延作为输入,以主汽温度作为输出的神经网络模型;并采用灵敏度剪枝算法进行优化,得到机组主汽温度过程神经网络模型;
步骤3:以主汽减温喷水流量Dps作为输入、主汽温度T2作为输出的机组主汽温度被控过程的传递函数取为K为过程的稳态增益,T1、T2为时间常数,n1、n2为正整数;在G(s)输入端加入[a,b]之间均匀分布的随机信号Dps(k)作为输入信号,对于一组给定的T1、T2、n1、n2和K取值,通过仿真获得传递函数G(s)的输出T2(k),k为采样时刻,k=1,2,…,M2,M2为总采样个数;均匀分布随机信号的上下限分别为:a=Dps_min-Dps_mean,b=Dps_max-Dps_mean,其中Dps_min、Dps_max和Dps_mean分别为步骤1中采集的减温喷水流量数据的最小值、最大值和平均值;
步骤4:计算Dps(k)和T2(k)的变换值D'ps(k)和T′2(k):D'ps(k)=Dps(k)+Dps_mean,T′2(k)=T2(k)+T2_mean,T2_mean为步骤1中采集的主汽温度数据的平均值;将D'ps(k)和T′2(k)经整理之后作为步骤2所建神经网络的Dps和T2相应各个时延输入变量的输入值,神经网络的Ne各个时延输入变量值取常量Ne_set、O2各个时延输入变量值取常量O2_mean,Pt各个时延输入变量值取常量Pt_mean,T1各个时延输入变量值取常量T1_mean,计算神经网络的输出T″2(k),其中Ne_set为人工设置的与辨识传递函数对应的机组负荷,O2_mean、Pt_mean和T1_mean分别为步骤1中采集的烟气含氧量、主汽压力和减温喷水前主汽温度数据的平均值;
步骤5:采用遗传算法对步骤3的传递函数G(s)的参数T1、T2、n1、n2和K进行寻优,遗传算法采用如下的适应度函数f:
其中,J为性能指标,M1为神经网络输入变量Dps和T2的最大时延中的较大值,使性能指标J最小的T1、T2、n1、n2和K的取值即为机组主汽温度被控过程传递函数模型的参数。
2.根据权利要求1所述的机组主汽温度被控过程传递函数模型辨识方法,其特征在于:在步骤5的遗传算法中,若n1、n2为小数,则对其进行四舍五入取整处理。
3.根据权利要求1所述的机组主汽温度被控过程传递函数模型辨识方法,其特征在于:通过设置变量不同Ne_set的值,获得不同负荷下机组主汽温度被控过程传递函数模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460764.8A CN106054609B (zh) | 2016-06-22 | 2016-06-22 | 一种机组主汽温度被控过程传递函数模型辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460764.8A CN106054609B (zh) | 2016-06-22 | 2016-06-22 | 一种机组主汽温度被控过程传递函数模型辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106054609A CN106054609A (zh) | 2016-10-26 |
CN106054609B true CN106054609B (zh) | 2019-04-23 |
Family
ID=57167938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610460764.8A Active CN106054609B (zh) | 2016-06-22 | 2016-06-22 | 一种机组主汽温度被控过程传递函数模型辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106054609B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991877A (zh) * | 2017-12-20 | 2018-05-04 | 东南大学 | 一种基于循环神经网络的动态模型辨识方法及系统 |
CN110941186B (zh) * | 2019-12-26 | 2023-01-20 | 华润电力技术研究院有限公司 | 基于神经网络与万有引力搜索算法的汽温控制寻优方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865830A (zh) * | 2015-04-29 | 2015-08-26 | 华北电力大学(保定) | 一种机组负荷双重智能优化控制方法 |
CN104932274A (zh) * | 2015-07-06 | 2015-09-23 | 东南大学 | 一种协调控制被控对象传递函数模型辨识方法 |
CN105160396A (zh) * | 2015-07-06 | 2015-12-16 | 东南大学 | 一种利用现场数据建立神经网络模型的方法 |
-
2016
- 2016-06-22 CN CN201610460764.8A patent/CN106054609B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865830A (zh) * | 2015-04-29 | 2015-08-26 | 华北电力大学(保定) | 一种机组负荷双重智能优化控制方法 |
CN104932274A (zh) * | 2015-07-06 | 2015-09-23 | 东南大学 | 一种协调控制被控对象传递函数模型辨识方法 |
CN105160396A (zh) * | 2015-07-06 | 2015-12-16 | 东南大学 | 一种利用现场数据建立神经网络模型的方法 |
Non-Patent Citations (5)
Title |
---|
Modeling identification of power plant thermal process based on PSO algorithm;Liu Y, He X;《American Control Conference, 2005. Proceedings of the 2005. IEEE》;20051231;全文 |
Simplified building model for transient thermal performance estimation using GA-based parameter identification;Wang S, Xu X;《International Journal of Thermal Sciences》;20061231;第45卷(第4期);全文 |
一种热工过程RBF神经网络模型辨识方法;钱磊 等;《自动化仪表》;20160131;第37卷(第1期);全文 |
基于神经网络剪枝算法的热工过程模型辨识研究;尹婷婷 等;《江苏电机工程》;20080731;第27卷(第4期);全文 |
基于遗传算法的热工过程辨识;赵亮 等;《江苏电机工程》;20060531;第25卷(第3期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106054609A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115355447B (zh) | 一种基于物联网的智慧燃气门站调压优化方法和系统 | |
CN106054609B (zh) | 一种机组主汽温度被控过程传递函数模型辨识方法 | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
CN102840571B (zh) | 基于子空间辨识的火力电站锅炉输出过热蒸汽的预报方法 | |
CN103605734B (zh) | 基于特征向量的数据传输压缩方法及其系统 | |
CN102809928A (zh) | 一种工业企业热力设备能耗的控制优化方法 | |
CN109523180B (zh) | 一种火电厂煤耗及供热在线监控系统 | |
Zhang et al. | Parameter optimization of PID controllers based on genetic algorithm | |
CN104932274B (zh) | 一种协调控制被控对象传递函数模型辨识方法 | |
CN105909322A (zh) | 一种抽汽凝汽式汽轮机组热耗率在线监测方法 | |
CN106936627A (zh) | 一种基于大数据分析挖掘的火电设备性能监测方法 | |
CN111146789A (zh) | 一种基于边缘计算的机组一次调频能力评估方法及系统 | |
CN110224862A (zh) | 基于多层感知器的多智能体系统网络容侵能力评估方法 | |
CN107977527A (zh) | 一种确定火电机组标杆值数据的方法与装置 | |
CN111031006A (zh) | 一种基于网络流的智能电网通信异常检测方法 | |
CN105204334A (zh) | 基于递推最小二乘法的空调所属建筑物一阶模型实时参数辨识方法 | |
CN106444388A (zh) | 一种焦炭炉炉膛压力的分布式pid型动态矩阵控制方法 | |
CN104573858B (zh) | 一种电网负荷的预测和调控方法 | |
CN106292289B (zh) | 流程工业控制回路对象的混合精英随机搜索优化方法 | |
CN112686160A (zh) | 一种基于双光谱视频图像预测林火蔓延方法及系统 | |
CN116488325A (zh) | 一种智能电网异常检测与分类方法、设备、可读存储介质 | |
CN114740713B (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 | |
CN115526433A (zh) | 一种基于集成混合模型的电厂再热烟气挡板操作预测方法 | |
CN114186472B (zh) | 一种多输入多输出的城市固废焚烧过程模型设计方法 | |
CN105974818A (zh) | 一种云可视化机网协调控制响应特性数据挖掘方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |