CN113987057A - 主汽调节阀输入输出非线性关系辨识方法及系统 - Google Patents

Abstract

本发明公开了一种主汽调节阀输入输出非线性关系辨识方法及系统，包括：获取历史主汽调节阀数据并划分不同的数据段；获取每个数据段的趋势信息；对处于同一变化趋势的相邻数据段进行融合；获取原始数据中每个变量对应的稳态值样本集和变化量的变化幅值样本集；将因为不同工况而分布于不同平面上的稳态值样本集或变化量的变化幅值样本集，划分为多个小组；分别估计处于不同平面上的稳态值样本集或变化量的变化幅值样本集对应的模型参数，以此辨识出阀门的分段线性函数曲线。本发明可以高效快速的从大量的历史数据中提取出所需要的目标信息，进而辨识出机组在不同工作条件下对应的模型参数，准确获取调节阀的实际流量特性。

Description

主汽调节阀输入输出非线性关系辨识方法及系统

技术领域

本发明涉及主蒸汽调节阀控制技术领域，尤其涉及一种主汽调节阀输入输出非线性关系辨识方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

在日常的工业生产中，火电机组依据电网指令并按照预先设定的控制参数调节主蒸汽调节阀的开度，控制进入汽轮机的主蒸汽流量进而调整实发功率的大小，使得发电功率紧密跟随电网负荷指令变化。然而生产过程中机组大修以及日常磨损等原因均会造成调节阀的阀门开度输入与主蒸汽流量输出呈非线性的关系，此非线性关系对汽轮机的控制不利。汽轮机阀门流量特性曲线与真实的流量特性曲线不一致，会降低机组的控制精确度，给工业生产安全造成威胁。

因此，为了提高机组运行可控性与安全性，汽轮机调节阀流量特性的优化对于电网的稳定运行至关重要。要想实现机组负荷的精确控制，必须先获取调节阀的实际流量特性曲线。近些年，广大学者对阀门流量特性展开的理论研究主要有：基于现场试验的阀门非线性辨识方法、基于神经网络参数辨识的人工智能算法以及哈默斯坦模型非线性辨识方法等。

现有方法的缺陷主要在于借助现场试验辨识阀门的非线性特性曲线比较困难，需要消耗研究人员大量的时间，影响机组的正常运行；由于需要辨识全局参数，基于默斯坦模型的非线性辨识方法在机组工况改变时会出现较大的估计偏差；神经网络是一个黑箱模型，得出的结果往往没有具体的理论解释，预测结果容易引起质疑。此外，机组在运行过程中存储的海量历史数据中包含了机组所有的运行状态信息，但是这些历史数据往往无法得到有效的提取。

发明内容

为了解决上述问题，本发明提出了一种主汽调节阀输入输出非线性关系辨识方法及系统，利用趋势提取算法提取各相关变量粗略趋势信息，提出数据段融合技术获取历史数据精准趋势信息，采集稳态和暂态样本数据集。运用平面分割算法(RANSAC)对属于不同工况的样本数据集分组，借助最小二乘法，分别估计不同组样本集对应的模型参数，进而辨识出阀门的分段非线性函数曲线的模型参数。

在一些实施方式中，采用如下技术方案：

一种主汽调节阀输入输出非线性关系辨识方法，包括：

获取一段时间序列的历史主汽调节阀数据作为原始数据，对原始数据划分不同的数据段；获取每个数据段的趋势信息；

对处于同一变化趋势的相邻数据段进行融合；

获取原始数据中每个变量对应的稳态值样本集和变化量的变化幅值样本集；

利用平面分割算法将因为不同工况而分布于不同平面上的稳态值样本集或变化量的变化幅值样本集，划分为多个小组，每一个小组的散点集对应一种工况；

利用最小二乘法分别估计处于不同平面上的稳态值样本集或变化量的变化幅值样本集对应的模型参数，以此辨识出阀门的分段线性函数曲线，进而得到主汽调节阀输入输出非线性关系。

在另一些实施方式中，采用如下技术方案：

一种主汽调节阀输入输出非线性关系辨识系统，包括：

数据分段模块，用于获取一段时间序列的历史主汽调节阀数据作为原始数据，对原始数据划分不同的数据段；获取每个数据段的趋势信息；

数据融合模块，用于对处于同一变化趋势的相邻数据段进行融合；

数据分割模块，用于获取原始数据中每个变量对应的稳态值样本集和变化量的样本集；利用平面分割算法将因为不同工况而分布于不同平面上的稳态值样本集或变化量的变化幅值样本集，划分为多个小组，每一个小组的散点集对应一种工况；

阀门参数辨识模块，用于利用最小二乘法分别估计处于不同平面上的稳态值样本集或变化量的变化幅值样本集对应的模型参数，以此辨识出阀门的分段线性函数曲线，得到主蒸汽调节阀的非线性关系，进而得到主汽调节阀输入输出非线性关系。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的主汽调节阀输入输出非线性关系辨识方法。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的主汽调节阀输入输出非线性关系辨识方法。

与现有技术相比，本发明的有益效果是：

(1)本发明采用分段线性表示方法提取时间序列的趋势信息，提出数据段融合技术从大量历史数据中定位稳态和暂态目标数据段，建立方法所需的样本数据集。

结合数据挖掘算法，本发明可以高效快速的从大量的历史数据中提取出所需要的目标信息，进而辨识出机组在不同工作条件下对应的模型参数，准确获取调节阀的实际流量特性，对实现机组负荷的精确控制具有重要意义。

(2)本发明提出一种新的思路辨识调节阀的输入输出非线性关系特性曲线，利用平面分割算法区分对应不同工况的样本集，借助最小二乘算法得到每组样本在相应工作条件下的模型参数。不同于其他辨识非线性方法，所提方法最终辨识到的流量曲线在不同分段都有大量的历史数据段作为数据支撑，借助数据段的趋势变化信息可以直观的验证辨识结果的准确性。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

图1为本发明具体实施示例中基于特殊数据段挖掘的主汽调节阀的输入输出非线性关系辨识方法流程图；

图2为本发明具体实施示例中数据段融合技术示意图；

图3为本发明具体实施示例中信号的部分采样数据；

图4为本发明具体实施示例中采样数据的PLR分段结果图；

图5为本发明具体实施示例中采样数据的趋势融合结果图；

图6(a)-(d)分别为本发明具体实施示例中工业数据稳态段样本数据；

图7(a)-(d)分别为本发明具体实施示例中工业数据变化段样本数据；

图8(a)-(f)分别为本发明具体实施示例中稳态段样本数据集和变化段样本数据集三维散点图；

图9为本发明具体实施示例中工业数据辨识阀门非线性关系特性曲线结果图；

图10为本发明具体实施示例中工业数据阀门开度范围密度图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种主汽调节阀输入输出非线性关系辨识方法，参照图1，包括：

(1)获取一段时间序列的历史主汽调节阀数据作为原始数据；

具体地，原始数据包括：

以实发功率的时间序列

为例，选择一段合适的历史主汽调节阀数据作为原始数据，如附图3所示，这段数据中的变化模式、噪声水平、工作状态等应较为全面。

(2)利用基于置信区间的最优分段数确定方法获取最优分段数，对原始数据划分不同的数据段；获取每个数据段的趋势信息；

本实施例中，结合图4，分段线性表示(PLR)的方法可以将实发功率P的时间序列

分为k段短序列段

以第k段数据段为例，第k段数据段的数据点被式(1)所示的线性模型拟合：

公式(1)参数

和

分别代表线性模型的截距和斜率，其参数值可通过式(2)和式(3)获得。

上式中

是功率P在第k段数据段中序列点幅值的平均值，

是序列点坐标n的平均值。

由此将实发功率P的时间序列

转换为一连串的线性模型。

最优分段数k是一个先决参数，其是根据基于置信区间的最优分段数确定方法估计出来的。基于置信区间的最优分段数确定方法的核心思想是当把一个时间序列拟合为线段，分段数越多，线性拟合的噪声方差就越小，置信区间越窄；另一方面，分段数越多，趋势段包含的数据点越少，噪声方差就越大，置信区间越宽；因此为每一段构造一个平衡系数：

区域A表示拟合结果的置信区间范围，区域B表示该段数据点的包络线组成的凸包，A∩B表示区域A和区域B的交集。然后求得式(5)所示所有趋势段平衡系数的加权平均值：

其中，η(k)的物理意义是当η(k)取最大时，置信区间既能包含尽可能多的点，又能使得拟合残差尽可能的小，从而确定最优分段数

(3)对处于同一变化趋势的相邻数据段进行融合；

本实施例中，引入幅值显著变化阈值与各趋势段的变化幅值对比，将历史数据转化由1、0、-1字符组成的趋势字符串，提出趋势段融合技术，重新划分历史数据的不同趋势变化段。

具体地，趋势段融合技术是通过字符串的先分割、再合并等一系列操作找出处于同一变化趋势的数据段完整变化过程。假设实发功率

被分割并拟合成多段直线段，其中第k段直线段的起点坐标

和终点坐标

均已知。则第k段直线段的变化幅值为：

同样的，第k段直线段的持续变化时间：

然后引入幅值显著变化阈值A₀与第k段直线段的变化幅值对比，判断其增、减、平变化趋势。由此将时间序列转换为一列由1、-1、0三个基元组成的字符串，符号分配公式如式(9)所示：

幅值显著变化阈值A₀的物理意义是数据趋势的变化幅度相对于数据序列点的噪声变化是否显著。在拟合优度和噪声方差的基础上，阈值A₀可以由公式(10)得出：

其中，

表示拟合优度，在这里取其值为0.8，

代表近似噪声方差。

的计算公式如式(11)：

其中，字母k表示全部的分段数，n_k+1-n_k表示第k段序列点的数目，p(n)代表数据的真实值，

为模型拟合后的近似值。

接下来介绍趋势段融合技术的算法流程。假设实发功率

被转换如附图2所示的基元序列{1、1、-1、0、0、1、-1、0、-1、0、1、1}。设置一个时间阈值T_th，若第k段的0基元持续时间Δt_k>T_th，则认为数据段的趋势为平，否则此分段太短，将此段归结为不定趋势段。如图2中第4、5段是趋势为平的数据段，第8、10段是不定趋势段。在趋势为平的数据段处将时间序列分割，字符串被转换成：{1、1、-1},{0、0},{1、-1、0、-1、0、1、1}。{0、0}被判定为平趋势，剩下的两段{1、1、-1},{1、-1、0、-1、0、1、1}转入下一步。去掉前一步基元序列{1、-1、0、-1、0、1、1}中变化时间短、趋势不明确的‘0’基元，即8、10段。

字符串继续转化为子序列段：{1、1、-1},{0、0},{1、-1、-1、1、1}。

寻找上一步基元序列中，趋势突变的转折点，分割出连续且单调变化的数据段。如字符串{1、1、-1}前两段趋势为增，第三段趋势为降，分割点的判据为：

abs|(1+1-1)|<abs|(1+1)| (12)

其余分割点的判据同理，字符串被分为6组数据段：{1、1},{-1},{0、0}，{1},{-1、-1},{1、1}。补上相同变化趋势中间的0基元，与前后分段合并为一段，如补上7、8、9段中的第8段。第10段所示的相异趋势中间的0基元，被进一步分为第四种趋势：不定趋势。基元序列最终被分为对应不同趋势的七组数据段{1、1},{-1},{0、0}，{1},{-1、0、-1},{0},{1、1}。由此实现数据趋势的重新融合，以便找到处于不同趋势的完整目标数据段，最终结果如附图5所示。

(4)获取原始数据中每个变量对应的稳态值样本集和变化量的样本集；

本实施例中，用字符v表示变量，假设一个控制过程总共涉及r个变量，并且变量v_r最终被分成m_r段。若用字符S表示每段数据的趋势字符(1、0、-1、不定趋势)，则可以用公式(13)表示出所有变量的不同趋势字符组合：

若变量v₁的第i段趋势、变量v₂的第j段趋势、变量v_r的第h段趋势都为平：

且趋势S_i、S_j、…、S_h在时间上有重叠，时间相交部分为[n_start,n_end]：

此区间内的数据段即为变量v₁,v₂,…,v_r同时处于稳态的目标数据段，若用字母d表示每一段的均值，则变量v₁,v₂,…,v_r的一组稳态均值样本为{d_i(v₁),d_j(v₂),…,d_h(v_r)}，d_h(v_r)的求解公式见公式(16)：

若变量v₁的第i段趋势，变量v₂的第j段趋势，变量v_r的第h段趋势都发生显著变化：

且趋势S_i、S_j、S_h在时间上有重叠，时间相交部分的开始点n_start和结束点n_end已在公式(15)中给出，区间[n_start,n_end]是变量v₁,v₂,…,v_r在同一时间内均发生显著变化的数据段。用字符Δv_r表示变量v_r的幅值变化量，那么变量v₁,v₂,…,v_r的一组幅值变化量样本为{Δv₁,Δv₂,…,Δv_r}，Δv_r的求解公式见式(18)：

由此得到变量v₁,v₂,…,v_r同时处于稳态和动态的数据段，进一步得到每个变量对应的稳态值样本集∑{d_i(v₁),d_j(v₂),…,d_h(v_r)}和变化量的样本集∑{Δv₁,Δv₂,…,Δv_r}，如附图6(a)-(d)及附图7(a)-(d)所示。

(5)利用平面分割算法将因为不同工况而分布于不同平面上的稳态值样本集或变化量的变化幅值样本集，划分为多个小组，每一个小组的散点集对应一种工况；

本实施例中，引入平面分割算法(RANSAC)来划分对应不同工况的样本数据集，对分步于不同平面的样本集分组。在三维空间中，稳态值样本集或变化量的变化幅值样本集的三维散点均会分布在不同的平面上，如附图8(a)-(f)所示。我们需要借助平面分割算法(RANSAC)分离分布于不同平面上的散点w，并提取出多个不同平面上的散点集{w₁,w₂,…w_q}。其中q代表不同的平面，当q为固定值时，散点集w_q中的散点对应于同一工作条件，这些散点可以用来估计该运行工况下的模型参数。所需RANSAC平面分割算法的计算过程如下：

(1)重复随机选三个点构成一个平面。

(2)选择包含点集最多的平面为第一个目标平面；

(3)然后从样本空间中抛除步骤2中已知目标平面内的点。

(4)重复过程(1)-(3)找到所有目标平面，直到样本空间点集数<阈值N_th，算法停止。

由此，分布于不同工作平面上的稳态值样本集或变化幅值样本集将被分割开。稳态值样本集或变化幅值样本集若有q个平面，则对应q组散点集，同时对应q个工作状况。

(6)利用最小二乘法分别估计处于不同平面上的稳态值样本集或变化量的变化幅值样本集对应的模型参数，以此辨识出阀门的分段线性函数曲线，进而分析主蒸汽调节阀的输入与输出的非线性关系。

具体地，求解分段函数曲线各段的斜率和截距参数以及各分段对应的阀门开度范围；本发明所用的模型涉及三个变量，即阀门开度u₁、主汽压力u₂、实发功率p。

1)由于假设阀门非线性关系特性为分段线性曲线，结合理论机理可以得到阀门开度u₁和主蒸汽流量x_LL之间的稳态值关系公式：

x_LLss＝K_F·u_1ss+b (19)

公式(19)中，字符b代表分段线性函数其中一段的截距，对应不同分段，截距b具有不同的值。

K_F为阀门开度u₁到主蒸汽流量x_LL的增益。由理论机理也可推导出主蒸汽流量x_LL、主汽压力u₂和实发功率p之间的稳态值关系公式：

p_ss＝x_LLss·K_G1+(u_2ss-c₀)·K_G2 (20)

公式(20)中K_G1代表主蒸汽流量x_LL到实发功率p的增益，K_G2代表主汽压力u₂到实发功率p的增益，c₀代表主汽压力的初值。将公式(19)带入(20)可以获得阀门开度u₁、主汽压力u₂和实发功率p之间的稳态值关系公式：

p_ss＝K_FK_G1·u_1ss+K_G2·u_2ss+b·K_G1-c₀·K_G2 (21)

当变量u₁、u₂、p的多组稳态值样本集∑{d_i(u₁),d_j(u₂),d_h(p)}已知时，将对应同种工况的一组样本集代入公式(22)所示的线性方程可以得出对应模型的增益和截距参数：

结合最小二乘算法利用公式(23)可以求解参数θ的值：

模型的增益

和常数值

都能被解出，c₀为主蒸汽压力的初值，是一个已知常数，截距

也能进一步算出，至此，阀门分段函数各段的斜率和截距均被求出。

2)由理论机理可以推得式(24)所示变量u₁、u₂、p之间的变化量关系公式：

当变量u₁、u₂、p的变化幅值样本集∑{Δu₁,Δu₂,Δp}已知时，结合最小二乘算法将不同分组的样本集代入求解公式(25)所示线性方程，可以求出模型的增益

式(26)为最小二乘算法求解模型增益K的公式。

变化幅值样本集只能求得分段函数的斜率和截距，但分段函数某段对应的变化量的变化幅值样本集已知后，可以根据阀门开度u₁的数据变化过程描绘出该分段函数对应的阀门开度范围，最终结果如附图9和附图10所示。

采用分段线性表示(PLR)方法划分历史数据的不同趋势段，并利用基于置信区间的最优分段数确定方法获取历史数据的分段数；提出趋势段融合技术，重新整合PLR方法获取到的初步趋势信息，对处于同一趋势且变化速率不同的趋势段进一步合并，得到完整的趋势信息；提取各相关变量同时处于稳态或动态的数据区间，分别求其均值与变化幅值，采集稳态值、幅值变化量的变化幅值样本集；借助平面分割算法区分因为对应不同工况而分布于不同平面上的稳态值和幅值变化量的变化幅值样本集；利用最小二乘算法分别估计处于不同平面上的样本集对应的模型参数，有效辨识出阀门的分段函数曲线；

本发明实施例可以高效快速的从大量的历史数据中提取出所需要的目标信息，建立样本数据集，进而辨识出机组在不同工作条件下对应的模型参数，准确获取调节阀的实际流量特性，对实现机组负荷的精确控制具有重要意义。

实施例二

在一个或多个实施方式中，公开了一种主汽调节阀输入输出非线性关系辨识系统，包括：

数据分段模块，用于获取一段时间序列的历史数据作为原始数据，对原始数据划分不同的数据段；获取每个数据段的趋势信息；

数据融合模块，用于对处于同一变化趋势的相邻数据段进行融合；

数据分割模块，用于获取原始数据中每个变量对应的稳态值样本集和变化量的样本集；利用平面分割算法将因为不同工况而分布于不同平面上的稳态值样本集或变化量的变化幅值样本集，划分为多个小组，每一个小组的散点集对应一种工况；

阀门参数辨识模块，用于利用最小二乘法分别估计处于不同平面上的稳态值样本集或变化量的变化幅值样本集对应的模型参数，以此辨识出阀门的分段线性函数曲线，进而得到主汽调节阀输入输出非线性关系。

需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的主汽调节阀输入输出非线性关系辨识方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的主汽调节阀输入输出非线性关系辨识方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种主汽调节阀输入输出非线性关系辨识方法，其特征在于，包括：

获取一段时间序列的历史主汽调节阀数据作为原始数据，对原始数据划分不同的数据段；获取每个数据段的趋势信息；

对处于同一变化趋势的相邻数据段进行融合；

获取原始数据中每个变量对应的稳态值样本集和变化量的变化幅值样本集；

利用平面分割算法将因为不同工况而分布于不同平面上的稳态值样本集或变化量的变化幅值样本集，划分为多个小组，每一个小组的散点集对应一种工况；

利用最小二乘法分别估计处于不同平面上的稳态值样本集或变化量的变化幅值样本集对应的模型参数，以此辨识出阀门的分段线性函数曲线，进而得到主汽调节阀输入输出非线性关系。

2.如权利要求1所述的一种主汽调节阀输入输出非线性关系辨识方法，其特征在于，对原始数据划分不同的数据段，具体包括：

利用基于置信区间的最优分段数确定方法获得原始数据的最优分段数；

基于所述最优分段数，采用基于自底向上的PLR分段法对数据进行划分，得到不同的数据段。

3.如权利要求1所述的一种主汽调节阀输入输出非线性关系辨识方法，其特征在于，对处于同一变化趋势的相邻数据段进行融合，具体包括：

将每一段数据段的变化幅值与设定的幅值显著变化阈值进行对比，判断该数据段的变化趋势；其中，所述变化趋势包括增、减或者平，每一种变化趋势对应一个基元，由此将各个数据段转换为基元表示，整个数据段序列转化为由基元组成的字符串；

判断变化趋势为平的数据段的持续时间是否超过设定的时间阈值，若是，则该数据段趋势为平，否则该数据段为不定趋势段；

将趋势为平的数据段分割出来，并去掉不定趋势段，对剩余的数据段序列，分割出连续且单调变化的数据段，最终得到对应不同趋势的多组数据段。

4.如权利要求1所述的一种主汽调节阀输入输出非线性关系辨识方法，其特征在于，获取原始数据中每个变量对应的稳态值样本集和变化量的变化幅值样本集，具体包括：

用字符v表示变量，假设一个控制过程总共涉及r个变量，并且变量v_r最终被分成m_r段；

若变量v₁的第i段趋势，变量v₂的第j段趋势，…，变量v_r的第h段趋势都为平，且趋势在某一时间区间上有重叠，该时间区间内的数据段即为变量v₁,v₂,…,v_r同时处于稳态的目标数据段；

若变量v₁的第i段趋势，变量v₂的第j段趋势，…，变量v_r的第h段趋势都发生显著变化，且趋势在某一时间区间上有重叠，该时间区间内的数据段即为变量v₁,v₂,…,v_r均发生显著变化的目标数据段；

进一步得到每个变量对应的稳态值样本集和变化量的变化幅值样本集。

5.如权利要求1所述的一种主汽调节阀输入输出非线性关系辨识方法，其特征在于，利用平面分割算法将因为不同工况而分布于不同平面上的稳态值样本集或变化量的变化幅值样本集，划分为多个小组，具体包括：

在三维空间样本中，随机选三个点构成一个平面；选择包含点集最多的平面为第一个目标平面；从样本空间中抛除已知目标平面内的点；

重复上述过程，直到样本空间中的点集数小于设定的阈值，算法停止，从而找到所有目标平面。

6.如权利要求1所述的一种主汽调节阀输入输出非线性关系辨识方法，其特征在于，利用最小二乘法分别估计处于不同平面上的稳态值样本集对应的模型参数，具体包括：

基于阀门开度和主蒸汽流量之间的稳态值关系，以及主蒸汽流量、主汽压力和实发功率之间的稳态值关系，获得阀门开度、主汽压力和实发功率之间的稳态值关系，分别建立不同工况下的分段线性方程组稳态值模型；

利用最小二乘法对所述模型进行求解，得到分所述模型的增益、常数值以及各段的斜率和截距。

7.如权利要求1所述的一种主汽调节阀输入输出非线性关系辨识方法，其特征在于，利用最小二乘法分别估计处于不同平面上的变化量的变化幅值样本集对应的模型参数，具体包括：

获取阀门开度、主汽压力和实发功率之间的变化量关系，分别建立不同工况下的分段线性方程组变化量模型；

利用最小二乘法对所述模型进行求解，得到所述模型的斜率和截距，根据阀门开度的数据变化过程描绘出所述模型对应的阀门开度范围。

8.一种主汽调节阀输入输出非线性关系辨识系统，其特征在于，包括：

数据分段模块，用于获取一段时间序列的历史主汽调节阀数据作为原始数据，对原始数据划分不同的数据段；获取每个数据段的趋势信息；

数据融合模块，用于对处于同一变化趋势的相邻数据段进行融合；

数据分割模块，用于获取原始数据中每个变量对应的稳态值样本集和变化量的样本集；利用平面分割算法将因为不同工况而分布于不同平面上的稳态值样本集或变化量的变化幅值样本集，划分为多个小组，每一个小组的散点集对应一种工况；

阀门参数辨识模块，用于利用最小二乘法分别估计处于不同平面上的稳态值样本集或变化量的变化幅值样本集对应的模型参数，以此辨识出阀门的分段线性函数曲线，得到主蒸汽调节阀的非线性关系，进而得到主汽调节阀输入输出非线性关系。

9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的主汽调节阀输入输出非线性关系辨识方法。

10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的主汽调节阀输入输出非线性关系辨识方法。

Images