CN110989342B - 一种联合循环机组重型燃气轮机实时t-s模糊建模方法 - Google Patents

Abstract

本发明公开了一种联合循环机组重型燃气轮机实时T‑S模糊建模方法，首先，根据实际需求确立燃气轮机待辨识模型结构，并采集联合循环机组重型燃气轮机的现场运行数据作为模型辨识所用训练数据；然后，对初始训练数据进行预处理以消除异常数据的不利影响；其次，通过改进的熵聚类方法对数据空间进行分类，自动得到聚类个数及其相应的聚类中心；在此基础上，引入一种改进的鲸鱼优化算法对初始聚类中心进行修正并计算得到对应的聚类半径；接下来，通过带遗忘因子的最小二乘算法获取后件辨识中各子模型参数并进行模糊加权得到全局输出；最后，对辨识所得模型进行验证。

Description

一种联合循环机组重型燃气轮机实时T-S模糊建模方法

技术领域

本发明总地涉及建模和优化技术领域，且更具体地涉及一种联合 循环机组重型燃气轮机实时T-S模糊建模方法。

背景技术

随着国家发展战略对能源环境问题的日益重视，基于清洁能源的 发电过程逐渐成为电力行业发展的潮流。其中，天然气以其获取容易， 清洁环保成为首选能源之一。燃气-蒸汽联合循环机组是目前国内使 用天然气进行发电的主要装置，通过燃气轮机系统和蒸汽轮机系统的 有机配合产生用户所需电能。重型燃气轮机作为联合循环机组最为关 键的组成部分之一，其安全稳定运行在整个发电过程中起着至关重要 的作用。因此，如何保证重型燃气轮机系统的稳定性和高效性成为当 前亟待解决的问题。

一般的控制系统往往基于可精确反映被控对象特性的模型，因此， 为实现重型燃气轮机系统的高效稳定运行控制，首先需建立其精确的 模型。然而，该系统是一个具有多输入多输出的复杂多变量系统，一 般的建模方法难以克服其内部存在的非线性，强耦合和不确定性等复 杂特性。针对此类待建模对象，T-S模糊建模通过IF-THEN规则的结 合描述不同变量之间的非线性。与此同时，不同模糊规则的选择切换 也从很大程度上消除了变量间的耦合以及系统中的不确定性。随着近 年联合循环电厂装机容量的不断扩充，燃气轮机系统复杂性和控制需 求要求的严格性也随之增加，传统的T-S模糊建模已经难以满足建模过程精确性和实时性的要求，为此，本发明提供了一种基于联合循环 机组重型燃气轮机实时T-S模糊建模的方法，以至少部分的解决上述 问题。

发明内容

在发明内容部分中引入了一系列简化形式的概念，这将在具体实 施例部分中进一步详细说明。本发明的发明内容部分并不意味着要试 图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意 味着试图确定所要求保护的技术方案的保护范围。

为至少部分地解决上述技术问题，本发明提供了一种联合循环机 组重型燃气轮机实时T-S模糊建模方法，所述建模方法包括：

步骤S1、建立待辨识燃气轮机模型结构；

步骤S2、实时采集建模数据和预处理建模数据；

步骤S3、通过改进的熵聚类算法确立聚类个数及初始聚类中心；

步骤S4、基于改进鲸鱼优化算法修正初始聚类中心以及获取相 应聚类半径；

步骤S5、基于带遗忘因子最小二乘方法辨识参数以及计算模型 全局输出；

步骤S6、验证所述模型结构并重复执行所述步骤S1至所述步骤 S6。

进一步地，所述燃气轮机模型包括空气压缩机，燃烧室和燃气透 平；在运行过程中，来自外界的空气首先通过入口导叶进入所述空气 压缩机，经压缩后变成高压气体，高压气体进入所述燃烧室，在所述 燃烧室中，高压气体与所述燃烧室的燃气进行混合并燃烧产生高温高 压气体推动汽轮机做功，所述汽轮机做功产生的机械能又带动发电机 进行发电。

进一步地，所述燃气轮机模型的输入变量包括：入口导叶开度 IGV和燃料量F；

所述燃气轮机模型的输出变量包括：输出功率N，燃机转速nr， 排气温度Tg和排气流量Pg；

T-S模糊建模包括前提部分辨识和结论部分辨识，前提部分辨识 对训练数据进行聚类并得到相应的聚类中心和半径，结论部分辨识根 据前提部分所得结果，得到每一个聚类所代表的子模型参数；

建立如下IF-THEN规则逼近非线性系统的特性：

式中，Ri为第i个模糊规则，x为包含全部输入输出变量的广义 输入向量；ci和ri分别为第i个聚类的中心和半径，

为第i个子 模型的输出，θ_i为第i个子模型的参数向量，n为模糊规则数；

广义输入向量x的具体表达式为，

x＝[u₁，…u_m，y₁，…，y_q]^T；

式中，m代表输入变量个数，p代表输出变量个数。

进一步地，所述步骤S1包括：

步骤S11：选取入口导叶开度IGV，燃料量F包括输入变量u₁和 u₂，燃料量F构成输入向量u＝[u₁，u₂]，输出向量y＝[y₁，y₂，y₃，y₄]， 其中y₁，y₂，y₃，y₄分别代表输出功率N，燃机转速n_r，排气温度T_g和排气流量P_g；

步骤S12：根据输入输出向量得到待辨识模型参数向量 θ_i(i＝1，2，…，n)，模型输出表达式为，

式中，θ_i(i＝1，2，…，n)为6×4的参数向量矩阵。

进一步地，所述S2包括：

步骤S21：从kN时刻起采样得到N组重型燃气轮机现场运行数 据{x_kN+1，x_kN+2，…，x_kN+N}作为建模所用初始训练数据；

步骤S22：分别通过式(1)和式(2)计算训练数据每一维度组成序 列的期望E_i和标准差SD_i：

所述式(1)为：

其中，D为每组数据的维度，且取

所述式(2)为：

步骤S23：若数据

满足

保持原数据不变，否 则进行修正，修正过程如下：

进一步地，所述步骤S3包括：

步骤S31：通过下式计算每组训练数据的熵值Q_i；

其中D_ij为不同数据对之间的欧式距离：D_ij＝||x_i-x_j||，α为距 离常数；

步骤S32：找到熵值最小值，并将其对应的数据对x_s设为初始聚 类中心c_n，初始化聚类个数n＝1；

步骤S33：令

为不同 输入输出数据组的相似度，引入聚类常数δ，判断数据对x_i是否满足 S(x_i，c_n)＞δ，若满足，该数据归为聚类中心c_n所代表的聚类，聚类 元素个数加1，即N_n+1。并通过式(5)实时更新该聚类半径，

所述式(5)为：

步骤S34：引入聚类容量上限N_th，若N_n＞N_th，则接受该聚类结果， 继续下一步；否则，拒绝该聚类，并将初始聚类中心X_s及其熵值Q_s从原数据对中移除，数据对总数减1，即N＝N-1，返回所述步骤S32；

步骤S35：将c_n代表的聚类中的所有数据对从原始数据中剔除， 此时剩余数据对个数为N＝N-N_n；

步骤S36：判断剩余数据对个数N是否小于聚类容量上限，若N＜N_th， 则定义式(6)所示聚类终止指标并进一步判断聚类结果是否满足终 止条件，若满足L(n-1)＞L(n-2)且L(n-1)＞L(n)，聚类结束，否则n＝n+1， 返回所述步骤S32。

进一步地，所述式(6)为：

进一步地，根据所述步骤S3得到聚类数目及初始聚类中心c_i(i＝1，2，…，n)，利用改进鲸鱼算法对初始聚类中心进行修正，然后 计算每个聚类相应的半径，过程如下：

步骤S41：将每一个初始聚类中心视为一个鲸鱼个体，最优聚类 中心作为猎物所在地；

步骤S42：设定当前最优候选解为目标猎物，其中最优候选解的 确定基于式(7)所示适应度函数：

式中，N_i是第i个聚类所包含的元素个数，n为总的聚类数目；

步骤S43：选定当前最优候选解

后，其余鲸鱼个体根据式(8) 更新自身位置来到猎物附近，对其进行包围：

式中，t代表当前迭代次数，T为最大迭代次数，A和C分别为 参数向量，并且具有以下表达式：

所述改进鲸鱼优化算法使用式(10)对权重系数a做动态更新，以 提高迭代前期全局搜索的广度和迭代后期局部寻优的精确度，所述式 (10)为：

步骤S44：气泡网搜索，其包含第一搜索方式和第二搜索方式；

第一搜索方式包括包围搜索和随机搜索，在第一搜索方式阶段， 首先根据|A|的值是否大于1选定执行包围搜索或随机搜索，在包围 搜索中，鲸鱼个体根据当前最优候选解进行位置更新，在随机搜索中， 根据在当前种群中随机选取的位置向量进行寻优，包围搜索或随机搜 索的选择条件见式(11)所示：

式中，

为随机选取的位置向量；

所述第二搜索方式包括螺旋搜索，在螺旋搜索过程中，首先对假 定的猎物所在位置的距离

进行评估，然后通过式 (12)所示螺旋方程进行位置更新：

式中，b为对数螺线常数，b＝2，1为取自[-1，1]的随机数；

在气泡网搜索阶段，所述第一搜索方式和所述第二搜索方式的选 择条件见式(13)所示：

步骤S45：通过所述随机搜索的方式搜寻猎物；

步骤S46：检查鲸群中每个个体更新后的位置是否超出搜索空间， 若超出，对其进行修正；

步骤S47：计算每一个更新解的适应度函数值，从所有更新解中 选出三个适应度值最小的个体，通过式(14)将此三解进行结合产生新 的位置向量：

式中，

和

分别代表适应度值从 小到大排列的更新解；

步骤S48：计算经过变异操作后的位置向量的适应度函数值，并 将其与当前最优候选解进行贪婪选择，若新的适应度值大于当前最优 解的适应度值，则用该新的位置向量替换原有当前最优候选解，否则， 保持不变；

步骤S49：判断上述寻优过程是否满足终止条件，若满足，则结 束寻优，并记录所得最优聚类半径

否则，返回所述 步骤S42；

步骤S410：重复执行式(15)得到聚类半径r_i(i＝1，2，…，n)，

进一步地，所述步骤S5包括：

步骤S51：根据建模或者控制需求构建待辨识的模型表达式，其 中θ_i(i＝1，2，…，n)代表第i个子模型的参数向量矩阵；

步骤S52：判断数据对x_j是否满足

若满足，则通 过式(16)迭代计算得到该聚类所对应子模型的参数向量矩阵；

式中，K(t)为修正系数矩阵，y_j为机组实际输出数据，P(t)为参 数估计方差，β为遗忘因子，以减少过去数据对当前结果的影响；

若

则执行式(17)：

步骤S53：令t＝t+1，返回所述步骤S52继续迭代，直到所有数 据都参与辨识可获得各个子模型参数；

步骤S54：根据每一时刻输入数据对不同聚类的隶属度，通过相 应子模型输出的模糊加权，得到如下最终辨识模型的全局输出；

式中，μ_i为隶属度函数，具有式(19)所示表达式；

步骤S55：自适应校正过程包括：

步骤S551：按式(20)选择最接近新测试数据的聚类中心；

步骤S552：直接通过该聚类对应的子模型计算模型输出；

进一步地，所述步骤S6包括：

步骤S61：选取重型燃气轮机不同时段多个工况下的L组现场运 行数据对基于改进鲸鱼优化算法的改进T-S模糊建模方法辨识得到 的模型进行验证；将由输入数据通过模型得到的输出数据与机组实际 运行数据进行对比，通过式(22)得到验证过程的平均绝对误差MAE；

式中，χ代表模型输出，y_i为机组实际输出；

步骤S62：根据实际需求引入误差阈值λ，若MAE≤λ，表明所建 立模型精度达标，继续执行下一步，否则，返回所述步骤S3重新建 模；

步骤S63：每隔N个时刻进行一次训练数据的重新采样和建模。

与现有技术相比，本发明的有益效果在于：

本发明可以在线实时辨识得到联合循环机组中重型燃气轮机的 精确模型，并且在机组大范围变工况时依然可保证所得模型的精确性， 为后续控制过程中控制器的设计奠定了良好的基础。

进一步地，本发明在步骤S4中首先利用IWOA对初始聚类中心进 行修正，然后计算每个聚类相应的半径，以保证聚类结果的有效性和 合理性。

进一步地，本发明的模型更新机制既保证了更新过程的实时性和 精确性，也极大减少了该过程所需工作量。

尤其，本发明为避免在每一时刻都进行模型更新带来的计算量的 增大，以及因此为控制器设计带来的不稳定性，在本发明的模型实时 更新过程中，每隔N个时刻进行一次训练数据的重新采样和建模。

进一步地，本发明所提出模型辨识方法实现了T-S模糊建模和鲸 鱼优化算法的优势互补，对今后群优化算法在建模过程的应用具有重 要的促进作用。

进一步地，本发明还包括气泡网搜索，其包含第一搜索方式和第 二搜索方式；并且各以50％的概率对上述搜索方式进行选择。

具体而言，第一搜索方式包括包围搜索和随机搜索，第二搜索方 式包括螺旋搜索，这两种搜索机制间的转换，不仅保证了搜索过程的 收敛性，也提高了搜索范围的全局性。

进一步地，改进鲸鱼优化算法使用

对权重系数 a做动态更新，以提高迭代前期全局搜索的广度和迭代后期局部寻优 的精确度。

附图说明

为了使本发明的优点更容易理解，将通过参考在附图中示出的具 体实施方式更详细地描述上文简要描述的本发明。可以理解这些附图 只描绘了本发明的典型实施方式，因此不应认为是对其保护范围的限 制，通过附图以附加的特性和细节描述和解释本发明。

图1为本发明所述的联合循环机组重型燃气轮机实时T-S模糊建 模方法的步骤示意图；

图2为基于图1所述模糊建模方法的流程图；

图3为本发明所述的燃气轮机模型系统结构原理图；

图4为本发明所述的燃气轮机模型系统简化结构图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为 彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明 实施方式可以无需一个或多个这些细节而得以实施。在其他的例子中， 为了避免与本发明实施方式发生混淆，对于本领域公知的一些技术特 征未进行描述。

为了彻底了解本发明实施方式，将在下列的描述中提出详细的结 构。显然，本发明实施方式的施行并不限定于本领域的技术人员所熟 习的特殊细节。本发明的较佳实施方式详细描述如下，然而除了这些 详细描述外，本发明还可以具有其他实施方式。

在本发明的描述中，术语“内侧”、“外侧”、“纵向”、“横向”、 “上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示 的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须 以特定的方位构造和操作，因此不能理解为对本发明的限制。

参阅图1至图4所示，本发明提供了一种联合循环机组重型燃气 轮机实时T-S模糊建模方法，由以下步骤组成：

步骤S1：待辨识燃气轮机模型结构的确立；

步骤S2：建模数据的实时采集和预处理；

步骤S3：通过改进的熵聚类算法确立聚类个数及初始聚类中心；

步骤S4：基于改进鲸鱼优化算法(IWOA)的初始聚类中心的修 正及相应聚类半径的获取；

步骤S5：基于带遗忘因子最小二乘的结论部分参数辨识及模型 全局输出的计算；

步骤S6：验证所述模型结构并重复执行所述步骤S1至所述步骤 S6。

重型燃气轮机系统主要由空气压缩机，燃烧室和燃气透平三部分 组成。在其运行过程中，来自外界的空气首先通过入口导叶进入压缩 机，经压缩后变成高压气体，然后进入燃烧室与喷入燃烧室的燃气进 行混合并燃烧产生高温高压气体推动汽轮机做功，汽轮机做功产生的 机械能又带动发电机进行发电。上述过程中，入口导叶开度IGV，燃 料量F，是影响汽轮机运行效率的主要因素，因此将其选取为建模过 程中的输入变量。与此同时，输出功率N，燃机转速nr，排气温度Tg和排气流量Pg则反映了燃气轮机的运行状态，故将上述四个变量 选为建模过程的输出变量。综上，可将重型燃气轮机系统简化为2输 入4输出的结构。

T-S模糊建模由前提部分和结论部分辨识两部分构成，其中前提 部分辨识对训练数据进行聚类并得到相应的聚类中心和半径，而结论 部分则根据前提部分所得结果，得到每一个聚类所代表的子模型参数。

即通过建立如下IF-THEN规则逼近非线性系统的特性：

式中，Ri为第i个模糊规则，x为包含了所有输入输出变量的广 义输入向量，ci和ri分别为第i个聚类的中心和半径，为第i个子 模型的输出，为第i个子模型的参数向量，n为模糊规则数即聚类个 数；

具体而言，广义输入向量x的表达式为：

x＝[u₁，…u_m，y₁，…，y_q]^T

其中，m，p分别代表输入，输出变量个数。

结合上述燃气轮机系统结构和T-S模糊建模特性，步骤S1可具 体化为：

步骤S11：选取入口导叶开度IGV，燃料量F为输入变量u1，u2 并构成输入向量u＝[u1，u2]，同理，输出向量y＝[y1，y2，y3，y4]，其 中y1，y2，y3，y4分别代表输出功率N，燃机转速nr，排气温度Tg 和排气流量Pg。

步骤S12：根据输入输出向量得到待辨识模型参数向量，则模型 输出表达式为，

此时θ_i(i＝1，2，…，n)为6×4的参数向量矩阵。

基于步骤S1确立的燃气轮机模型结构，上述步骤S2可具体化为：

步骤S21：从kN时刻起采样得到N组重型燃气轮机现场运行数 据{x_kN+1，x_kN+2，…，x_kN+N}作为建模所用初始训练数据；

步骤S22：分别通过式(1)和式(2)计算训练数据每一维度组成序 列的期望Ei和标准差SDi：

其中，D为每组数据的维度，且为计算简便，取

步骤S23：若数据

满足

保持原数据不变，否 则进行修正，具体过程如下：

上述步骤S3可具体化为：

步骤S31：通过下式(4)计算每组训练数据的熵值Q_i：

其中为不同数据对之间的欧式距离：D_ij＝||x_i-x_j||，α为距离常 数。

步骤S32：找到熵值最小值，并将其对应的数据对设为初始聚类 中心，初始化聚类个数n＝1；

步骤S33：令

为不同 输入输出数据组的相似度，引入聚类常数δ，判断数据对x_i是否满足 S(x_i，c_n)＞δ，若满足，该数据归为聚类中心c_n所代表的聚类，聚类 元素个数加1，即Nn+1。并通过式(5)实时更新该聚类半径：

步骤S34：引入聚类容量上限Nth，若Nn＞Nth，则接受该聚类结 果，继续下一步；否则，拒绝该聚类，并将初始聚类中心xs及其熵 值Qs从原数据对中移除，数据对总数减1，即N＝N-1，返回步骤S32；

步骤S35：将cn代表的聚类中的所有数据对从原始数据中剔除， 此时剩余数据对个数为N＝N-Nn；

步骤S36：判断剩余数据对个数N是否小于聚类容量上限，若 N＜Nth，则定义式(6)所示聚类终止指标并进一步判断聚类结果是否满 足终止条件，若满足L(n-1)＞L(n-2)且L(n-1)＞L(n)，聚类结束，否 则n＝n+1，返回步骤S32。

根据步骤S3可得到聚类数目及初始聚类中心c_i(i＝1，2，…，n)， 为进一步保证聚类结果的有效性和合理性，在步骤S4中首先利用 IWOA对初始聚类中心进行修正，然后计算每个聚类相应的半径，具 体实现过程如下：

步骤S41：鲸鱼优化算法的灵感来源于鲸鱼的捕猎行为，主要可 分为三个阶段，即包围猎物、气泡网攻击和搜寻猎物。在这个过程中， 将每一个初始聚类中心视为一个鲸鱼个体，最优聚类中心作为猎物所 在地；

步骤S42：在捕猎的初始阶段，猎物位置未知，所以假设当前最 优候选解为目标猎物，其中最优候选解的确定基于式(7)所示适应度 函数：

其中，Ni是第i个聚类所包含的元素个数，n为总的聚类数目。

步骤S43：包围猎物。选定当前最优候选解

后，其余鲸鱼个体 根据式(8)更新自身位置来到猎物附近，对其进行包围：

其中，t代表当前迭代次数，T为最大迭代次数，A和C分别为 参数向量，并且具有以下表达式：

在原有鲸鱼优化算法(WOA)中，a的值随着迭代次数的变化从 2-0线性递减，且r为选自[0，1]中的随机向量。在本步骤提出的IWOA 中，为提高迭代前期全局搜索的广度和迭代后期局部寻优的精确度， 使用式(10)对权重系数a做动态更新：

步骤S44：气泡网搜索。其包含第一搜索方式和第二搜索方式； 并且各以50％的概率对上述搜索方式进行选择。下面分别对其进行详 述：

步骤S441：所述第一搜索方式包括包围搜索和随机搜索，在此 阶段，首先根据的值是否大于1选定执行包围搜索或随机搜索。在包 围搜索中，鲸鱼个体根据当前最优候选解进行位置更新，而在随机搜 索中，则根据在当前种群中随机选取的位置向量进行寻优，这两种搜 索机制间的转换，不仅保证了搜索过程的收敛性，也提高了搜索范围 的全局性，该过程的数学描述见式(11)：

其中，

为随机选取的位置向量。

步骤S442：第二搜索方式包括螺旋搜索，在螺旋搜索过程中， 首先对每个鲸鱼个体到当前最优候选解，即假定的猎物所在位置的距 离

进行评估，然后通过式(12)所示螺旋方程进行位 置更新：

其中，b为对数螺线常数，通常取值为2，l为取自[-1，1]的随 机数。

综上，在气泡网搜索阶段，鲸群位置的更新过程总结如下：

步骤S45：搜寻猎物。这一过程伴随气泡网搜索，通过步骤S441 中随机搜索的方式实现。

步骤S46：检查鲸群中每个个体更新后的位置是否超出搜索空间， 若超出，对其进行修正；

步骤S47：计算每一个更新解的适应度函数值，不同于原始WOA 直接和当前最优候选解进行贪婪选择，在IWOA中引入变异操作以避 免优化过程陷入局部最优，具体做法为：从所有更新解中选出三个适 应度值最小的个体，通过式(14)将此三解进行结合产生新的位置向量：

其中，

和

分别代表适应度值从 小到大排列的更新解。

步骤S48：计算经过变异操作后的位置向量的适应度函数值，并 将其与当前最优候选解进行贪婪选择，若新的适应度值大于当前最优 解的适应度值，则用该新的位置向量替换原有当前最优候选解，否则， 保持不变。

步骤S49：判断上述寻优过程是否满足终止条件，即是否达到最 大迭代次数，若满足，则结束寻优，并记录所得最优聚类半径，否则， 返回步骤S42继续搜寻最优解。

步骤S410：基于上述过程所得聚类中心，通过重复执行式(15) 得到聚类半径r_i(i＝1，2，…，n)：

完成聚类过程后，上述步骤S5中基于带遗忘因子最小二乘的结 论部分参数辨识步骤如下：

步骤S51：根据建模或者控制需求构建待辨识的模型表达式，其 中θ_i(i＝1，2，…，n)代表第i个子模型的参数向量矩阵；

步骤S52：判断数据对x_j是否满足

若满足，则通 过下式迭代计算得到该聚类所对应子模型的参数向量矩阵：

其中，K(t)为修正系数矩阵，yj为机组实际输出数据，P(t)为 参数估计方差，为遗忘因子，用来减少过去数据对当前结果的影响。

若

则执行下式(17)：

步骤S53：令t＝t+1，返回步骤S52继续迭代，直到所有数据都 参与辨识可获得各个子模型参数，即后件部分参数。

步骤S54：接下来，根据每一时刻输入数据对不同聚类的隶属度， 通过相应子模型输出的模糊加权，得到如下最终辨识模型的全局输出：

其中，为隶属度函数，具有式(19)所示表达式：

步骤S55：为避免有限训练集数据覆盖范围不全面的可能造成的 新测试数据隶属度之和为0的情况，即，引入如下自适应校正过程：

步骤S551：按公式(20)选择最接近新测试数据的聚类中心：

步骤S552：直接通过该聚类对应的子模型计算模型输出：

接下来，上述步骤S6具体化如下：

步骤S61：选取重型燃气轮机不同时段多个工况下的L组现场运 行数据对上述基于IWOA的改进T-S模糊建模方法辨识得到的模型进 行验证。将由输入数据通过模型得到的输出数据与机组实际运行数据 进行对比，通过式(22)得到验证过程的平均绝对误差MAE：

式中，χ代表模型输出，y_i为机组实际输出。

步骤S62：根据实际需求引入误差阈值，若MAE≤λ，表明所建立 模型精度达标，继续执行下一步，否则，返回步骤S3重新建模；

步骤S63：为避免在每一时刻都进行模型更新带来的计算量的增 大，以及因此为控制器设计带来的不稳定性，在本发明的模型实时更 新过程中，每隔N个时刻进行一次训练数据的重新采样和建模。

除非另有定义，本文中所使用的技术和科学术语与本发明的技术 领域的技术人员通常理解的含义相同。本文中使用的术语只是为了描 述具体的实施目的，不是旨在限制本发明。本文中出现的诸如“部件” 等术语既可以表示单个的零件，也可以表示多个零件的组合。本文中 出现的诸如“安装”、“设置”等术语既可以表示一个部件直接附接 至另一个部件，也可以表示一个部件通过中间件附接至另一个部件。 本文中在一个实施方式中描述的特征可以单独地或与其它特征结合 地应用于另一个实施方式，除非该特征在该另一个实施方式中不适用 或是另有说明。

本发明已经通过上述实施方式进行了说明，但应当理解的是，上 述实施方式只是用于举例和说明的目的，而非意在将本发明限制于所 描述的实施方式范围内。本领域技术人员可以理解的是，根据本发明 的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发 明所要求保护的范围以内。

Claims (4)

1.一种联合循环机组重型燃气轮机实时T-S模糊建模方法，其特征在于，所述建模方法包括：

步骤S1、建立待辨识燃气轮机模型结构；

步骤S2、实时采集建模数据和预处理建模数据；

步骤S3、通过改进的熵聚类算法确立聚类个数及初始聚类中心；

步骤S4、基于改进鲸鱼优化算法修正初始聚类中心以及获取相应聚类半径；

步骤S5、基于带遗忘因子最小二乘方法辨识参数以及计算模型全局输出；

步骤S6、验证所述模型结构并重复执行所述步骤S1至所述步骤S6；

所述燃气轮机模型包括空气压缩机，燃烧室和燃气透平；在运行过程中，来自外界的空气首先通过入口导叶进入所述空气压缩机，经压缩后变成高压气体，高压气体进入所述燃烧室，在所述燃烧室中，高压气体与所述燃烧室的燃气进行混合并燃烧产生高温高压气体推动汽轮机做功，所述汽轮机做功产生的机械能又带动发电机进行发电；

所述燃气轮机模型的输入变量包括：入口导叶开度IGV和燃料量F；

所述燃气轮机模型的输出变量包括：输出功率N，燃机转速nr，排气温度Tg和排气流量Pg；

T-S模糊建模包括前提部分辨识和结论部分辨识，前提部分辨识对训练数据进行聚类并得到相应的聚类中心和半径，结论部分辨识根据前提部分所得结果，得到每一个聚类所代表的子模型参数；

建立如下IF-THEN规则逼近非线性系统的特性：

式中，Ri为第i个模糊规则，x为包含全部输入输出变量的广义输入向量；ci和ri分别为第i个聚类的中心和半径，

为第i个子模型的输出，θ_i为第i个子模型的参数向量，n’为模糊规则数；

广义输入向量x的具体表达式为，

x＝[u₁，…u_m，y₁，…，y_q]^T；

式中，m代表输入变量个数，q代表输出变量个数。

2.根据权利要求1所述的联合循环机组重型燃气轮机实时T-S模糊建模方法，其特征在于，所述步骤S1包括：

步骤S11：选取入口导叶开度IGV，燃料量F包括输入变量u₁和u₂，燃料量F构成输入向量u＝[u₁，u₂]，输出向量y＝[y₁，y₂，y₃，y₄]，其中y₁，y₂，y₃，y₄分别代表输出功率N，燃机转速n_r，排气温度T_g和排气流量P_g；

步骤S12：根据输入输出向量得到待辨识模型参数向量θ_i，模型输出表达式为，

式中，θ_i为6×4的向量矩阵。

3.根据权利要求1所述的联合循环机组重型燃气轮机实时T-S模糊建模方法，其特征在于，所述步骤S2包括：

步骤S21：从kN/时刻起采样得到N组重型燃气轮机现场运行数据{x_kN+1，x_kN+2，…，x_kN+N}作为建模所用初始训练数据；

步骤S22：分别通过式(1)和式(2)计算训练数据每一维度组成序列的期望E_i和标准差SD_i：

所述式(1)为：

其中，D为每组数据的维度，且取

所述式(2)为：

步骤S23：若数据

满足

保持原数据不变，否则进行修正，过程如下：

。

4.根据权利要求1所述的联合循环机组重型燃气轮机实时T-S模糊建模方法，其特征在于，所述步骤S3包括：

步骤S31：通过下式计算每组训练数据的熵值Q_i；

其中，i，j＝kN+1，L，kN+N；D_ij为不同数据对之间的欧式距离：D_ij＝||x_i-x_j||，α为距离常数；

步骤S32：找到熵值最小值，并将其对应的数据对x_s设为初始聚类中心c_n，初始化聚类个数n＝1；

步骤S33：令

为不同输入输出数据组的相似度，引入聚类常数δ，判断数据对x_i是否满足S(x_i，c_n)＞δ，若满足，该数据归为聚类中心c_n所代表的聚类，聚类元素个数加1，为N_n+1，并通过式(5)实时更新该聚类半径；

所述式(5)为；

步骤S34：引入聚类容量上限N_th，若N_n＞N_th，则接受该聚类结果，继续下一步；否则，拒绝该聚类，并将初始聚类中心x_s及其熵值Q_s从原数据对中移除，数据对总数减1，即N＝N-1，返回所述S32；

步骤S35：将c_n代表的聚类中的所有数据对从原始数据中剔除，此时剩余数据对个数为N＝N-N_n；

步骤S36：判断剩余数据对个数N是否小于聚类容量上限，若N＜N_th，则定义式(6)所示聚类终止指标并进一步判断聚类结果是否满足终止条件，若满足L(n-1)＞L(n-2)且L(n-1)＞L(n)，聚类结束，否则n＝n+1，返回所述步骤S32；

所述定义式(6)为；

Images