CN114167727A - 基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法 - Google Patents

Abstract

本发明涉及一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，包括：基于预先选取的模型输入变量、输出变量和调度参数，获取用于模型辨识的测试数据，并进行预处理；构建锅炉过热汽温线性参变模型的模型形式，并进行参数求解，得到最终的模型，进行锅炉控制；模型的求解过程包括：将锅炉过热汽温线性参变模型转换为线性回归形式，最小化模型的损失函数，构建模型的优化问题和待辨识系数，采用最小二乘‑支持向量机方法根据测试数据求解优化问题和待辨识系数，并基于粒子群算法进行迭代求解，获取最终的锅炉过热汽温线性参变模型。与现有技术相比，本发明可以在火电厂合理辨识出锅炉过热汽温工艺参数，为后续的先进控制打下基础。

Description

基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法

技术领域

本发明涉及锅炉控制技术领域，尤其是涉及基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法。

背景技术

目前火力发电在发电系统中发挥的作用正日益转变，调频调峰任务增加，系统参数波动范围加大，其中对汽温尤其是过热汽温的影响格外显著，研究锅炉汽温系统模型，能有效指导汽温控制策略，提高控制品质，最终提高火电厂的经济效益。

系统建模可以按原理分为两类方法即机理建模法与系统辨识法。机理建模法，需要依据生产过程的内部机理进行理论上的分析，并运用一些己知的理论或定律进行数学推导，从而建立被控对象的数学模型；而系统辨识法，即利用现场试验所得到的被控对象的输入输出实测数据，从而建立一个能够反应被控系统动态性能的被控系统数学模型。锅炉的过热汽温系统由于系统复杂，难以从机理的角度对其进行分析建模，同时由于调峰的需求，其工况变化范围较大，系统在不同负荷段的模型也存在较大差异，直接使用系统辨识的方法难以得到高适用性的系统模型。

发明内容

本发明的目的就是为了克服上述现有技术存在锅炉的过热汽温系统由于系统复杂，难以从机理的角度对其进行分析建模，同时由于调峰的需求，其工况变化范围较大，系统在不同负荷段的模型也存在较大差异，直接使用系统辨识的方法难以得到高适用性的系统模型的缺陷而提供一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，具有准确、可行、易于实施等特点，具有很高的实际应用价值。

本发明的目的可以通过以下技术方案来实现：

一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，包括以下步骤：

基于预先选取的模型输入变量、输出变量和调度参数，获取用于模型辨识的测试数据，并对测试数据进行预处理；

构建锅炉过热汽温线性参变模型的模型形式，并进行参数求解，得到最终的锅炉过热汽温线性参变模型，进行锅炉控制；

所述锅炉过热汽温线性参变模型的求解过程包括以下步骤：

定义x_i(k)为：

x_i(k)＝y_k-i，i＝1,…,n_a

式中，y_k-i为k-i时刻锅炉过热汽温线性参变模型的输出变量，u_k-j为k-j时刻锅炉过热汽温线性参变模型的输入变量，n_a为输出变量模型阶数，n_b为输入变量模型阶数；

定义

并且

式中，ω_i为第i个参数向量，n_g为待辨识参数总数，n_H＝∞，φ_i为

即潜在无限维的特征映射函数；

由此将锅炉过热汽温线性参变模型转换为如下线性回归形式：

式中，e(k)为k时刻的随机噪声过程；

构建并最小化模型的损失函数，最小化模型的损失函数的计算表达式为：

式中，J(ω,e)为损失函数，λ为模型平衡参数，φ_i(p_k)简记为φ_i(k)，N为采集数据量；

构建模型的优化问题，得到

Y＝(Ω+λ^-1I_N)α

式中，Y表示输出变量向量，I_N表示单位矩阵，α表示拉格朗日乘子向量，Ω为核矩阵，求解核矩阵的核函数计算表达式为：

式中，σ表示核函数标准差，p_k和p_l分别表示不同时刻下锅炉过热汽温线性参变模型的输出变量；

得到待辨识系数的计算表达式为：

式中，其中

表示第i个待辨识参数，α_k表示拉格朗日乘子向量的第k个元素，p(·)为调度参数；

根据预处理后的测试数据求解所述优化问题和待辨识系数，并不断迭代求解，获取最终的锅炉过热汽温线性参变模型。

进一步地，采用最小二乘-支持向量机方法根据预处理后的测试数据求解所述优化问题和待辨识系数。

进一步地，构建辨识模型精度评价指标，采用粒子群算法优化最小二乘-支持向量机方法中计算出的超参数，获取最优的超参数，得到最终的锅炉过热汽温线性参变模型。

进一步地，所述辨识模型精度评价指标的表达式为：

式中，

为锅炉过热汽温输出变量的平均值，

为锅炉过热汽温线性参变模型的预测值，y_k为锅炉过热汽温输出变量的实际值，η为评价指标。

进一步地，所述最小二乘-支持向量机方法中计算出的超参数包括核函数标准差和模型平衡参数。

进一步地，转换前的所述锅炉过热汽温线性参变模型的表达式为：

式中，u_k表示锅炉过热汽温线性参变模型的输入变量，y_k表示锅炉过热汽温线性参变模型的输出变量，e_k为随机噪声过程。p_k表示锅炉过热汽温线性参变模型的调度参数，a(p_k)和b(p_k)表示待辨识的系数。

进一步地，转换前的所述锅炉过热汽温线性参变模型改写为：

式中，ω_i为第i个参数向量，n_H＝∞，φ_i为

即潜在无限维的特征映射函数，y(k)＝y_k；

然后定义x_i(k)后，所述待辨识的系数表示为：

进一步地，所述输入变量为导前汽温，输出变量为过热器出口汽温，调度参数为锅炉给水量。

进一步地，所述测试数据的获取过程包括开环阶跃测试、开环伪随机二进制序列测试和/或闭环激励测试。

进一步地，所述预处理过程包括剔除粗大数据和进行数据滤波，所述剔除粗大数据的计算过程包括以下步骤：

确定粗大值判定阈值ε，并且ε＞0；

若当前采样周期的测试数据与上一采样周期的测试数据满足预设的第一关系时，判定为粗大值，所述第一关系的表达式为：

|v_k-v_k-1|＞ε

式中，v_k为当前采样周期的测试数据，v_k-1为上一采样周期的测试数据；

判断为粗大值后，将当前采样周期的测试数据设置为等于上一采样周期的测试数据。

与现有技术相比，本发明具有以下优点：

(1)本发明可以得到较为准确的系统模型，方便后续控制器设计。

(2)本发明使用了核函数的概念，将高维空间的内积运算转化为了原输入空间的代数运算，极大地简化了计算。

(3)本发明的方法对于锅炉没有具体要求，可广泛适用于各火电厂的锅炉过热汽温模型辨识场景。

附图说明

图1为本发明实施例中提供的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法的流程示意图；

图2为本发明实施例中提供的一种系统实际输出与模型预测输出效果比较图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“第一”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”的特征可以明示或者隐含地包括一个或者更多个该特征。

实施例1

本实施例以某一火电厂的脱硝过程为例，对一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法做详细描述。

如图1所示，一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，包括：

步骤1：从火电厂模型现场获得实际测试数据。对测试数据进行预处理，选择系统输入u的幅值在[-1,1]之间，其中剔除数据粗大值的方法对粗大值进行剔除。

粗大值剔除方法如下：

步骤1-1：确定粗大值判定阈值ε，并且ε＞0；

步骤1-2：当前采样周期的测试数据与上一采样周期的测试数据满足以下关系时，判定为粗大值，

|v_k-v_k-1|＞ε

其中，v_k表示当前采样周期的测试数据，v_k-1表示上一采样周期的测试数据；

步骤1-3：粗大的处理方式为当前采样周期的测试数据等于上一采样周期的测试数据。

同时对所采数据进行一阶滤波，一阶系数为0.5。将所采数据分为11组，其中10组用于辨识，另外一组用于验证模型效果。

步骤2：选择模型的输入、输出和调度参数，根据经验，需辨识部分为一个单输入单输出的工艺过程，将其写作外因输入自回归模型形式为：

其中，u_k表示锅炉过热汽温线性参变模型的输入变量，y_k表示锅炉过热汽温线性参变模型的输出变量，e_k为随机噪声过程。p_k表示锅炉过热汽温线性参变模型的调度参数，a(p_k)和b(p_k)表示待辨识的系数。模型参数设置为静态依赖，即其参数只依赖于调度变量的当前时刻值。使用最小二乘-支持向量机方法辨识模型参数。使用最小二乘-支持向量机方法辨识模型参数的具体方法为：

步骤2-1：锅炉过热汽温线性参变模型可重新写为：

式中，

代表潜在无限维(n_H＝∞)的特征映射函数，ω_i是第i个参数向量，y(k)＝y_k，定义x_i(k)为：

x_i(k)＝y_k-i，i＝1,…,n_a

式中，y_k-i为k-i时刻锅炉过热汽温线性参变模型的输出变量，u_k-j为k-j时刻锅炉过热汽温线性参变模型的输入变量，n_a为输出变量模型阶数，n_b为输入变量模型阶数；

待辨识的模型系数表示为：

定义

并且

式中，ω_i为第i个参数向量，n_g是待辨识参数总数，n_H＝∞，φ_i为

即潜在无限维的特征映射函数；

则锅炉过热汽温线性参变模型可表示成如下的线性回归形式：

步骤2-2：将φ_i(p_k)简记为φ_i(k)，并构建如下的损失函数：

其中，λ为模型平衡参数，用于在训练误差和模型复杂度之间进行权衡。最小化损失函数：

式中，J(ω,e)为损失函数，λ为模型平衡参数，φ_i(p_k)简记为φ_i(k)，N为采样数据量；

步骤2-3：求解步骤2-2中的优化问题，得到：

Y＝(Ω+λ^-1I_N)α

其中，Y表示输出变量向量，I_N表示单位矩阵，α表示拉格朗日乘子向量，Ω为核矩阵，核函数为：

其中，σ表示核函数标准差，p_k和p_l表示两变量。

步骤2-4：给出待辨识系数：

式中，其中

表示第i个待辨识参数，α_k表示拉格朗日乘子向量的第k个元素，p(·)为调度变量；

其中

表示第i个待辨识参数，α_k表示拉格朗日乘子向量的第k个元素。

步骤3：确定辨识模型精度评价指标，辨识模型精度评价指标的形式为：

其中

表示锅炉过热汽温输出变量的平均值，

表示锅炉过热汽温线性参变模型的预测值，y_k是锅炉过热汽温输出变量的实际值，η表示评价指标，越大表示模型越准确。

步骤4：使用粒子群算法优化最小二乘-支持向量机方法中的超参数，重复步骤2，直至收敛；在本次辨识说明中，核函数参数σ以及可调参数λ分别选取为0.7以及10000，这是根据粒子群算法实验所得到的收敛的且辨识结果较为理想的参数；根据该理想参数对应的锅炉过热汽温线性参变模型，进行锅炉控制。

最终辨识出的模型参数与调度变量的关系如图2所示，使用本方法，辨识出的参数能够保证接近实际工艺并基本满足现场工程师经验给出的参考值，具有简单可行的优点。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，包括以下步骤：

基于预先选取的模型输入变量、输出变量和调度参数，获取用于模型辨识的测试数据，并对测试数据进行预处理；

构建锅炉过热汽温线性参变模型的模型形式，并进行参数求解，得到最终的锅炉过热汽温线性参变模型，进行锅炉控制；

所述锅炉过热汽温线性参变模型的求解过程包括以下步骤：

定义x_i(k)为：

x_i(k)＝y_k-i，i＝1,…,n_a

式中，y_k-i为k-i时刻锅炉过热汽温线性参变模型的输出变量，u_k-j为k-j时刻锅炉过热汽温线性参变模型的输入变量，n_a为输出变量模型阶数，n_b为输入变量模型阶数；

定义

并且

式中，ω_i为第i个参数向量，n_g是待辨识参数总数，n_H＝∞，φ_i为

即潜在无限维的特征映射函数；

由此将锅炉过热汽温线性参变模型转换为如下线性回归形式：

式中，e(k)为k时刻的随机噪声过程；

构建并最小化模型的损失函数，最小化模型的损失函数的计算表达式为：

式中，J(ω,e)为损失函数，λ为模型平衡参数，φ_i(p_k)简记为φ_i(k)，N为采样数据量；

构建模型的优化问题，得到

Y＝(Ω+λ^-1I_N)α

式中，Y表示输出变量向量，I_N表示单位矩阵，α表示拉格朗日乘子向量，Ω为核矩阵，求解核矩阵的核函数计算表达式为：

式中，σ表示核函数标准差，p_k和p_l分别表示不同时刻下锅炉过热汽温线性参变模型的输出变量；

得到待辨识系数的计算表达式为：

式中，其中

表示第i个待辨识参数，α_k表示拉格朗日乘子向量的第k个元素，p(·)为调度变量；

根据预处理后的测试数据求解所述优化问题和待辨识系数，并不断迭代求解，获取最终的锅炉过热汽温线性参变模型。

2.根据权利要求1所述的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，采用最小二乘-支持向量机方法根据预处理后的测试数据求解所述优化问题和待辨识系数。

3.根据权利要求2所述的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，构建辨识模型精度评价指标，采用粒子群算法优化最小二乘-支持向量机方法中计算出的超参数，获取最优的超参数，得到最终的锅炉过热汽温线性参变模型。

4.根据权利要求3所述的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，所述辨识模型精度评价指标的表达式为：

式中，

为锅炉过热汽温输出变量的平均值，

为锅炉过热汽温线性参变模型的预测值，y_k为锅炉过热汽温输出变量的实际值，η为评价指标。

5.根据权利要求3所述的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，所述最小二乘-支持向量机方法中计算出的超参数包括核函数标准差和模型平衡参数。

6.根据权利要求1所述的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，转换前的所述锅炉过热汽温线性参变模型的表达式为：

式中，u_k表示锅炉过热汽温线性参变模型的输入变量，y_k表示锅炉过热汽温线性参变模型的输出变量，e_k为随机噪声过程，p_k表示锅炉过热汽温线性参变模型的调度参数，a(p_k)和b(p_k)表示待辨识的系数。

7.根据权利要求6所述的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，转换前的所述锅炉过热汽温线性参变模型改写为：

式中，ω_i为第i个参数向量，n_H＝∞，φ_i为

即潜在无限维的特征映射函数，y(k)＝y_k；

然后定义x_i(k)后，所述待辨识的系数表示为：

8.根据权利要求1所述的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，所述输入变量为导前汽温，输出变量为过热器出口汽温，调度参数为锅炉给水量。

9.根据权利要求1所述的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，所述测试数据的获取过程包括开环阶跃测试、开环伪随机二进制序列测试和/或闭环激励测试。

10.根据权利要求1所述的一种基于优化锅炉过热汽温模型参数辨识过程的锅炉控制方法，其特征在于，所述预处理过程包括剔除粗大数据和进行数据滤波，所述剔除粗大数据的计算过程包括以下步骤：

确定粗大值判定阈值ε，并且ε＞0；

若当前采样周期的测试数据与上一采样周期的测试数据满足预设的第一关系时，判定为粗大值，所述第一关系的表达式为：

|v_k-v_k-1|＞ε

式中，v_k为当前采样周期的测试数据，v_k-1为上一采样周期的测试数据；

判断为粗大值后，将当前采样周期的测试数据设置为等于上一采样周期的测试数据。

Images