CN112036088A - 一种基于多新息随机梯度优化的过热汽温预测方法 - Google Patents

一种基于多新息随机梯度优化的过热汽温预测方法 Download PDF

Info

Publication number
CN112036088A
CN112036088A CN202010912383.5A CN202010912383A CN112036088A CN 112036088 A CN112036088 A CN 112036088A CN 202010912383 A CN202010912383 A CN 202010912383A CN 112036088 A CN112036088 A CN 112036088A
Authority
CN
China
Prior art keywords
steam temperature
superheated steam
innovation
random gradient
parameter
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.)
Pending
Application number
CN202010912383.5A
Other languages
English (en)
Inventor
蒋斌
葛浩
李来春
张剑飞
潘晖
熊伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yuhuan Power Plant Huaneng Power International Inc
Shanghai University of Electric Power
Original Assignee
Yuhuan Power Plant Huaneng Power International Inc
Shanghai University of Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yuhuan Power Plant Huaneng Power International Inc, Shanghai University of Electric Power filed Critical Yuhuan Power Plant Huaneng Power International Inc
Priority to CN202010912383.5A priority Critical patent/CN112036088A/zh
Publication of CN112036088A publication Critical patent/CN112036088A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于多新息随机梯度优化的过热汽温预测方法，包括以下步骤：1)按机组负荷划分工况，并将各工况下机组正常运行时的末级过热器入口汽温和末级过热器出口汽温数据作为训练样本TX；2)对训练样本TX进行预处理，使其各变量的均值为0，得到输入矩阵；3)构建过热汽温预测Hammerstein非线性辨识模型并确定需要辨识的模型参数；4)采用多新息随机梯度辨识方法对需要辨识的模型参数进行辨识；5)将待预测末级过热器入口汽温数据输入到参数辨识后的过热汽温预测Hammerstein非线性辨识模型中得到末级过热器出口汽温预测数据，完成过热汽温的预测。与现有技术相比，本发明具有预测精度高、适应于大惯性和高度非线性数据等优点。

Description

一种基于多新息随机梯度优化的过热汽温预测方法
技术领域
本发明涉及发电机组运行控制技术领域，尤其是涉及一种基于多新息随机梯度优化的过热汽温预测方法。
背景技术
过热汽温是发电机组运行过程中非常重要的控制参数，其稳定性对机组安全经济运行有着重要影响。当前燃煤机组向着高参数、大容量方向发展，过热汽温的大惯性和高度非线性等特征愈加明显，增加了过热汽温的控制难度，传统的串级 PID往往不能很好的对汽温进行控制，因此需要一种考虑过热汽温的大惯性和高度非线性特征的过热汽温预测方法。
而且，目前主要的参数估计方法包括基于智能优化算法的辨识方法、基于辅助模型的辨识方法以及基于随机梯度的辨识方法等，但是在过热汽温预测中，智能优化算法收敛速度慢，容易陷入局部最优解，导致辨识得到的参数不够精确，随机梯度算法利用梯度搜索原理进行参数估计，但是计算量小，但是收敛速度慢，针对上述问题，也需要提高预测模型的辨识速度和精度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多新息随机梯度优化的过热汽温预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于多新息随机梯度优化的过热汽温预测方法，包括以下步骤：
1)按机组负荷划分工况，并将各工况下机组正常运行时的末级过热器入口汽温和末级过热器出口汽温数据作为训练样本TX；
2)对训练样本TX进行预处理，使其各变量的均值为0，得到输入矩阵X∈RN×n (即用以训练过热汽温预测Hammerstein非线性辨识模型的输入u(t)和输出y(t))；
3)构建过热汽温预测Hammerstein非线性辨识模型并确定需要辨识的模型参数；
4)采用多新息随机梯度辨识方法对需要辨识的模型参数进行辨识；
5)将待预测末级过热器入口汽温数据输入到参数辨识后的过热汽温预测Hammerstein非线性辨识模型中得到末级过热器出口汽温预测数据，完成过热汽温的预测。
所述的步骤1)中，选择满负荷的20％作为负荷段选取原则，从满负荷的45％～100％区间内确定3个典型工况，并获取对应工况下的末级过热器入口汽温和末级过热器出口汽温数据。
所述的步骤2)具体包括以下步骤：
21)计算训练样本的均值
Figure BDA0002663790890000021
则有：
Figure BDA0002663790890000022
其中，TXi为训练样本中的第i个样本数值，N为样本数值总数；
22)进行零均值化处理，则有：
Figure BDA0002663790890000023
所述的步骤3)中，过热汽温预测Hammerstein非线性辨识模型的数据处理过程为：
31)将末级过热器入口汽温作为模型输入u(t)经非线性子模块变换后得到线性子模块的输入
Figure BDA0002663790890000024
32)将线性子模块的输入
Figure BDA0002663790890000025
经线性子模块变换生成中间变量x(t)；
33)将白噪声v(t)经噪声子模块变换生成噪声输出w(t)；
34)最后将中间变量x(t)和噪声输出w(t)经过求和运算后得到模型输出y(t)，即末级过热器出口汽温。
所述的步骤31)中，线性子模块的输入
Figure BDA0002663790890000026
的表达式为：
Figure BDA0002663790890000027
其中，c1、c2、...、cm为非线性部分的参数，即需要辨识的参数，m为非线性部分项数。
所述的步骤32)中，中间变量x(t)的表达式为：
Figure BDA0002663790890000031
其中，z-1为单位延迟算子，且满足z-1y(t)＝y(t-1)，A(z-1)、B(z-1)分别为单位延迟算子z-1的常数多项式。
所述的步骤33)中，噪声输出w(t)的表达式为：
Figure BDA0002663790890000032
所述的步骤34)中，模型输出y(t)的表达式为：
Figure BDA0002663790890000033
所述的过热汽温预测Hammerstein非线性辨识模型的表达式为：
Figure BDA0002663790890000034
Figure BDA0002663790890000035
ψ0(t)＝[-y(t-1),-y(t-2),…,-y(t-n)]T∈Rn
ψj(t)＝[f1(u(t-j)),f2(u(t-j)),…,fm(u(t-j))]T∈Rm,j＝1,2,…,n
θ＝[aT,b1cT,b2cT,…,bncT]T∈Rn+mn
a＝[a1,a2,…,an]T∈Rn
c＝[c1,c2,…,cm]T∈Rm
其中，
Figure BDA0002663790890000036
为信息向量，ψ0(t)为信息向量
Figure BDA0002663790890000037
中的第1个参数，ψj(t)为信息向量
Figure BDA0002663790890000038
中的第j个参数，θ为参数向量，a1、a2、...、an和b1、b2、...、bn以及c1、c2、...、cm均为需要辨识的参数，n为模型阶次，t、t-1...t-j、t-n均表示时间变量。
所述的步骤4)包括以下步骤：
41)多新息随机梯度的辨识算法的初始化；
42)将预处理后的末级过热器入口蒸汽温度作为输入数据，出口蒸汽温度作为输出数据；
43)令时间变量t＝1，并给定各参数的初始值；
44)分别构造信息向量
Figure BDA0002663790890000039
堆积输出向量Y(p,t)和信息矩阵Φ(p,t)，则有：
Figure BDA00026637908900000310
Y(p,t)＝[y(t),y(t-1),…,y(t-p+1)]T
Figure BDA0002663790890000041
其中，p为新息长度；
45)计算新息向量E(p,t)和步长的倒数r(t)，则有：
Figure BDA0002663790890000042
Figure BDA0002663790890000043
且r(0)＝1
其中，1/r(t)表示步长，
Figure BDA0002663790890000044
为t-1时刻参数θ的估计值，λ为遗忘因子；
46)更新参数估计；
Figure BDA0002663790890000045
其中，
Figure BDA0002663790890000046
为t时刻参数θ的估计值；
47)将时间变量t的值增加1并返回步骤43)，当时间变量t达到最大数据长度 L时，停止递推计算，获得最终的参数估计值
Figure BDA0002663790890000047
与现有技术相比，本发明具有以下优点：
本发明设计的基于多新息随机梯度优化的过热汽温预测模型的辨识精度高，参数收敛速度快，辨识计算准确，能够预测出汽温变化趋势，便于对过热汽温进行更好的控制，使机组处于安全稳定的运行环境中。
附图说明
图1为本发明的整体流程图。
图2为本发明中多新息随机梯度辨识方法具体流程图。
图3为过热汽温预测Hammerstein非线性模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，本发明提供一种基于多新息随机梯度优化的过热汽温预测方法，具体包括以下步骤：
(1)按机组负荷划分工况，选择满负荷的20％作为负荷段选取原则，从满负荷的45％～100％间确定3个典型工况；
(2)从DCS历史库中读取各个负荷工况下正常运行时末级过热器入口汽温和末级过热器出口汽温作为训练样本TX，采样时间为60s；
(3)对训练样本TX进行预处理，使其各变量的均值为0，得到输入矩阵X∈RN×n；具体步骤如下：
(3-1)计算均值：
Figure BDA0002663790890000051
(3-2)零均值化处理：
Figure BDA0002663790890000052
其中，TX为训练样本，n为变量数，N为训练样本数，本例中，对过热汽温预测模型的输入输出数据进行零均值化处理，有利于提高辨识精度；
(4)建立过热汽温预测Hammerstein非线性辨识模型，确定需要辨识的参数，具体步骤如下：
(4-1)建立过热汽温预测Hammerstein非线性辨识模型：设定模型的输入u(t) 经输入非线性子模块变换后形成线性子模块的输入
Figure BDA0002663790890000053
如式(1)；再根据式(2) 将
Figure BDA0002663790890000054
经线性子模块变换形成中间变量x(t)，根据式(3)将白噪声v(t)经噪声子模块变换形成噪声输出w(t)；最后将x(t)和w(t)经过求和运算后得到模型输出y(t)，如图3 所示，如式(4)，
Figure BDA0002663790890000055
Figure BDA0002663790890000056
Figure BDA0002663790890000057
Figure BDA0002663790890000058
上述公式中各符号的含义：t表示时间变量；u(t)为模型的输入，即t时刻末级过热器入口蒸汽温度；y(t)为模型的输出，即t时刻末级过热器出口蒸汽温度；x(t)为中间变量；
Figure BDA0002663790890000059
w(t)为不可测的中间信号；v(t)是一个均值为0、方差为σ2的白噪声；
其中，式(1)中的cn，{n＝1,2,…,m}是非线性部分的参数；z-1为单位延迟算子，满足z-1y(t)＝y(t-1)，A(z-1)、B(z-1)为z-1的常数多项式，具体定义为： A(z-1)＝1+a1z-1+a2z-2+…+anz-n，B(z-1)＝b1z-1+b2z-2+…+bnz-n，其中，多项式系数ai，bi是需要估计的未知参数，假定模型阶次n已知；式(1)表示静态非线性部分，式(2) 表示动态线性部分，式(3)表示噪声输出部分。
(4-2)将式(4)的两边乘以A(z-1)，则式(4)可以改写为：
Figure BDA0002663790890000061
(4-3)根据式(6)建立过热汽温预测Hammerstein非线性辨识模型的输出y(t)：
Figure BDA0002663790890000062
其中，多项式系数ai，bi，ci是需要估计的未知参数，假定模型阶次n已知。
(4-4)根据式(7)得到过热汽温预测Hammerstein非线性辨识模型：
Figure BDA0002663790890000063
其中，
Figure BDA0002663790890000064
为系统的信息向量，表示为：
Figure BDA0002663790890000065
进一步：
ψ0(t)＝[-y(t-1),-y(t-2),…,-y(t-n)]T∈Rn
ψj(t)＝[f1(u(t-j)),f2(u(t-j)),…,fm(u(t-j))]T∈Rm,j＝1,2,…,n
θ为系统的参数向量，表示为：
θ＝[aT,b1cT,b2cT,…,bncT]T∈Rn+mn
进一步：
a＝[a1,a2,…,an]T∈Rn
c＝[c1,c2,…,cm]T∈Rm
(5)构建多新息随机梯度的辨识流程来获得模型参数，如图2所示，具体包括以下步骤：
(5-1)初始化，令t＝1，
Figure BDA0002663790890000066
r(0)＝1，p0＝106；
(5-2)采集预处理过的末级过热器入口蒸汽温度作为输入数据，出口蒸汽温度为输出数据，对输入输出数据{u(t),y(t)}进行存储；
(5-3)令时间变量t＝1，给定各参数初始值；
(5-4)构造信息向量
Figure BDA0002663790890000067
堆积输出向量Y(p,t)，以及信息矩阵Φ(p,t)，其中p为新息长度；
具体为：
根据式(8)构造信息向量
Figure BDA0002663790890000071
根据式(9)构造堆积输出向量Y(p,t)，根据式 (10)构造信息矩阵Φ(p,t)；
Figure BDA0002663790890000072
其中，ψ0(t)＝[-y(t-1),-y(t-2),…,-y(t-n)]T∈Rn
ψj(t)＝[f1(u(t-j)),f2(u(t-j)),…,fm(u(t-j))]T∈Rm,j＝1,2,…,n
Y(p,t)＝[y(t),y(t-1),…,y(t-p+1)]T (9)
Figure BDA0002663790890000073
(5-5)计算E(p,t)、r(t)，其中E(p,t)表示新息向量，1/r(t)表示步长；
具体为：
根据式(11)计算E(p,t)，根据式(12)计算r(t)；
Figure BDA0002663790890000074
其中，
Figure BDA0002663790890000075
为t-1时刻参数θ的估计值。
Figure BDA0002663790890000076
(5-6)根据式(13)更新参数估计；
Figure BDA0002663790890000077
其中，
Figure BDA0002663790890000078
为t时刻参数θ的估计值；
(5-7)将时间变量t值增加1，重复步骤(5-3)～(5-6)，当t达到最大数据长度L时，停止递推计算，获得最终的参数估计值
Figure BDA0002663790890000079
完成模型的辨识。
步骤(5)中各变量的定义如下：
定义t为时间变量；定义
Figure BDA00026637908900000710
为信息向量，Y(p,t)为堆积输出向量，Φ(p,t)为信息矩阵，E(p,t)为新息向量；定义L为最大数据长度；定义输入量为u(t)，输出量为y(t)；定义θ为参数向量；定义
Figure BDA00026637908900000711
为t时刻参数θ的估计值；
(6)将待预测末级过热器入口汽温数据输入到参数辨识后的热汽温预测Hammerstein非线性辨识模型中得到末级过热器出口汽温预测数据，完成过热汽温的预测。
以上所述为本发明的一种较佳实施方式，不能以此来限定本发明之权力范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，包括以下步骤：
1)按机组负荷划分工况，并将各工况下机组正常运行时的末级过热器入口汽温和末级过热器出口汽温数据作为训练样本TX；
2)对训练样本TX进行预处理，使其各变量的均值为0，得到输入矩阵X∈RN×n；
3)构建过热汽温预测Hammerstein非线性辨识模型并确定需要辨识的模型参数；
4)采用多新息随机梯度辨识方法对需要辨识的模型参数进行辨识；
5)将待预测末级过热器入口汽温数据输入到参数辨识后的过热汽温预测Hammerstein非线性辨识模型中得到末级过热器出口汽温预测数据，完成过热汽温的预测。
2.根据权利要求1所述的一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，所述的步骤1)中，选择满负荷的20％作为负荷段选取原则，从满负荷的45％～100％区间内确定3个典型工况，并获取对应工况下的末级过热器入口汽温和末级过热器出口汽温数据。
3.根据权利要求1所述的一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，所述的步骤2)具体包括以下步骤：
21)计算训练样本的均值
Figure FDA0002663790880000011
则有：
Figure FDA0002663790880000012
其中，TXi为训练样本中的第i个样本数值，N为样本数值总数；
22)进行零均值化处理，则有：
Figure FDA0002663790880000013
4.根据权利要求1所述的一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，所述的步骤3)中，过热汽温预测Hammerstein非线性辨识模型的数据处理过程为：
31)将末级过热器入口汽温作为模型输入u(t)经非线性子模块变换后得到线性子模块的输入
Figure FDA0002663790880000021
32)将线性子模块的输入
Figure FDA0002663790880000022
经线性子模块变换生成中间变量x(t)；
33)将白噪声v(t)经噪声子模块变换生成噪声输出w(t)；
34)最后将中间变量x(t)和噪声输出w(t)经过求和运算后得到模型输出y(t)，即末级过热器出口汽温。
5.根据权利要求4所述的一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，所述的步骤31)中，线性子模块的输入
Figure FDA0002663790880000023
的表达式为：
Figure FDA0002663790880000024
其中，c1、c2、...、cm为非线性部分的参数，即需要辨识的参数，m为非线性部分项数。
6.根据权利要求5所述的一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，所述的步骤32)中，中间变量x(t)的表达式为：
Figure FDA0002663790880000025
其中，z-1为单位延迟算子，且满足z-1y(t)＝y(t-1)，A(z-1)、B(z-1)分别为单位延迟算子z-1的常数多项式。
7.根据权利要求6所述的一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，所述的步骤33)中，噪声输出w(t)的表达式为：
Figure FDA0002663790880000026
8.根据权利要求7所述的一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，所述的步骤34)中，模型输出y(t)的表达式为：
Figure FDA0002663790880000027
9.根据权利要求8所述的一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，所述的过热汽温预测Hammerstein非线性辨识模型的表达式为：
Figure FDA0002663790880000028
Figure FDA0002663790880000029
ψ0(t)＝[-y(t-1),-y(t-2),…,-y(t-n)]T∈Rn
ψj(t)＝[f1(u(t-j)),f2(u(t-j)),…,fm(u(t-j))]T∈Rm,j＝1,2,…,n
θ＝[aT,b1cT,b2cT,…,bncT]T∈Rn+mn
a＝[a1,a2,…,an]T∈Rn
c＝[c1,c2,…,cm]T∈Rm
其中，
Figure FDA0002663790880000034
为信息向量，ψ0(t)为信息向量
Figure FDA0002663790880000036
中的第1个参数，ψj(t)为信息向量
Figure FDA0002663790880000035
中的第j个参数，θ为参数向量，a1、a2、...、an和b1、b2、...、bn以及c1、c2、...、cm均为需要辨识的参数，n为模型阶次，t、t-1...t-j、t-n均表示时间变量。
10.根据权利要求9所述的一种基于多新息随机梯度优化的过热汽温预测方法，其特征在于，所述的步骤4)包括以下步骤：
41)多新息随机梯度的辨识算法的初始化；
42)将预处理后的末级过热器入口蒸汽温度作为输入数据，出口蒸汽温度作为输出数据；
43)令时间变量t＝1，并给定各参数的初始值；
44)分别构造信息向量
Figure FDA00026637908800000311
堆积输出向量Y(p,t)和信息矩阵Φ(p,t)，则有：
Figure FDA00026637908800000312
Y(p,t)＝[y(t),y(t-1),…,y(t-p+1)]T
Figure FDA0002663790880000031
其中，p为新息长度；
45)计算新息向量E(p,t)和步长的倒数r(t)，则有：
Figure FDA0002663790880000032
Figure FDA0002663790880000037
且r(0)＝1
其中，1/r(t)表示步长，
Figure FDA0002663790880000038
为t-1时刻参数θ的估计值，λ为遗忘因子；
46)更新参数估计；
Figure FDA0002663790880000033
其中，
Figure FDA0002663790880000039
为t时刻参数θ的估计值；
47)将时间变量t的值增加1并返回步骤43)，当时间变量t达到最大数据长度L时，停止递推计算，获得最终的参数估计值
Figure FDA00026637908800000310
CN202010912383.5A 2020-09-03 2020-09-03 一种基于多新息随机梯度优化的过热汽温预测方法 Pending CN112036088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010912383.5A CN112036088A (zh) 2020-09-03 2020-09-03 一种基于多新息随机梯度优化的过热汽温预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010912383.5A CN112036088A (zh) 2020-09-03 2020-09-03 一种基于多新息随机梯度优化的过热汽温预测方法

Publications (1)

Publication Number Publication Date
CN112036088A true CN112036088A (zh) 2020-12-04

Family

ID=73590573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010912383.5A Pending CN112036088A (zh) 2020-09-03 2020-09-03 一种基于多新息随机梯度优化的过热汽温预测方法

Country Status (1)

Country Link
CN (1) CN112036088A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668120A (zh) * 2020-12-30 2021-04-16 无锡商业职业技术学院 机械传动系统非线性三明治模型辅助模型多新息随机梯度在线辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125686A1 (en) * 2009-11-24 2011-05-26 Al-Duwaish Hussain N Method for identifying Hammerstein models
US20110125687A1 (en) * 2009-11-24 2011-05-26 Al-Duwaish Hussain N Method for hammerstein modeling of steam generator plant
CN102331772A (zh) * 2011-03-30 2012-01-25 浙江省电力试验研究院 一种直流百万机组过热汽温异常预警与故障诊断方法
CN102840571A (zh) * 2012-09-20 2012-12-26 贵州电力试验研究院 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125686A1 (en) * 2009-11-24 2011-05-26 Al-Duwaish Hussain N Method for identifying Hammerstein models
US20110125687A1 (en) * 2009-11-24 2011-05-26 Al-Duwaish Hussain N Method for hammerstein modeling of steam generator plant
CN102331772A (zh) * 2011-03-30 2012-01-25 浙江省电力试验研究院 一种直流百万机组过热汽温异常预警与故障诊断方法
CN102840571A (zh) * 2012-09-20 2012-12-26 贵州电力试验研究院 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DING FENG 等: "Identification methods for Hammerstein nonlinear systems", 《DIGITAL SIGNAL PROCESSING》, vol. 21, no. 2, pages 215 - 238, XP028134070, DOI: 10.1016/j.dsp.2010.06.006 *
丁锋: "系统辨识(6)多新息辨识理论与方法", 《南京信息工程大学学报(自然科学版)》, vol. 4, no. 1, pages 1 - 28 *
范伟 等: "Hammerstein非线性系统参数估计分离的三种方法", 《科学技术与工程》, no. 6, pages 1586 - 1589 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668120A (zh) * 2020-12-30 2021-04-16 无锡商业职业技术学院 机械传动系统非线性三明治模型辅助模型多新息随机梯度在线辨识方法

Similar Documents

Publication Publication Date Title
CN110377942A (zh) 一种基于有限高斯混合模型的多模型时空建模方法
CN114580747A (zh) 基于数据相关性和模糊系统的异常数据预测方法及系统
CN115390459A (zh) 模型预测控制方法及装置
Mao et al. Auxiliary model-based iterative estimation algorithms for nonlinear systems using the covariance matrix adaptation strategy
CN114444790B (zh) 基于稳态特征构图的燃气轮机上多种测点时序预测方法
CN112001115A (zh) 一种半监督动态软测量网络的软测量建模方法
CN112036088A (zh) 一种基于多新息随机梯度优化的过热汽温预测方法
CN108228978A (zh) 结合互补集合经验模态分解的Xgboost时间序列预测方法
Chidrawar et al. Generalized predictive control and neural generalized predictive control
Hadjili et al. Generalized predictive control using Takagi-Sugeno fuzzy models
CN109376957B (zh) 一种火电厂负荷的预测方法
CN109992907A (zh) 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法
JPH0635707A (ja) 自己増殖型ニューロファジィ知識獲得装置およびそれを用いた次元推定装置
Abbas et al. Polytopic quasi-lpv models based on neural state-space models and application to air charge control of a si engine
Fink et al. Nonlinear model-based control with local linear neuro-fuzzy models
JP2002091505A (ja) モデル同定装置
CN113191082B (zh) 基于机器学习的模型参数获取方法、系统及可读介质
Mohamed et al. Modelling of induction motor using non-linear neural network system identification
Hache et al. Control-Oriented Neural State-Space Models for State-Feedback Linearization and Pole Placement
CN111222712A (zh) 一种基于自回归移动平均和支持向量机的农产品需求量预测方法
CN114696704B (zh) 一种异步电机转子电阻辨识方法及装置
CN110728024A (zh) 一种基于vine copula的软测量方法及系统
CN115202211B (zh) 一种用于焙烧炉温度稳定控制的预测控制方法和设备
CN112859793B (zh) 基于改进滑动时间窗口的工业生产过程动态时延辨识方法
Imai Design of local linear models using PID Tuning According to error

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201204