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
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 Download PDFInfo
- Publication number
- CN114167727A CN114167727A CN202111491522.2A CN202111491522A CN114167727A CN 114167727 A CN114167727 A CN 114167727A CN 202111491522 A CN202111491522 A CN 202111491522A CN 114167727 A CN114167727 A CN 114167727A
- Authority
- CN
- China
- Prior art keywords
- model
- boiler
- steam temperature
- superheated steam
- 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
Links
Images
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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
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)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
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
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xi(k)为:
xi(k)=yk-i,i=1,…,na
式中,yk-i为k-i时刻锅炉过热汽温线性参变模型的输出变量,uk-j为k-j时刻锅炉过热汽温线性参变模型的输入变量,na为输出变量模型阶数,nb为输入变量模型阶数;
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,φi(pk)简记为φi(k),N为采集数据量;
构建模型的优化问题,得到
Y=(Ω+λ-1IN)α
式中,Y表示输出变量向量,IN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,pk和pl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:
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:
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,uk表示锅炉过热汽温线性参变模型的输入变量,yk表示锅炉过热汽温线性参变模型的输出变量,ek为随机噪声过程。pk表示锅炉过热汽温线性参变模型的调度参数,a(pk)和b(pk)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:
然后定义xi(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:
|vk-vk-1|>ε
式中,vk为当前采样周期的测试数据,vk-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,
|vk-vk-1|>ε
其中,vk表示当前采样周期的测试数据,vk-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,uk表示锅炉过热汽温线性参变模型的输入变量,yk表示锅炉过热汽温线性参变模型的输出变量,ek为随机噪声过程。pk表示锅炉过热汽温线性参变模型的调度参数,a(pk)和b(pk)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:
xi(k)=yk-i,i=1,…,na
式中,yk-i为k-i时刻锅炉过热汽温线性参变模型的输出变量,uk-j为k-j时刻锅炉过热汽温线性参变模型的输入变量,na为输出变量模型阶数,nb为输入变量模型阶数;
待辨识的模型系数表示为:
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φi(pk)简记为φi(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,φi(pk)简记为φi(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-1IN)α
其中,Y表示输出变量向量,IN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,pk和pl表示两变量。
步骤2-4:给出待辨识系数:
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:
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xi(k)为:
xi(k)=yk-i,i=1,…,na
式中,yk-i为k-i时刻锅炉过热汽温线性参变模型的输出变量,uk-j为k-j时刻锅炉过热汽温线性参变模型的输入变量,na为输出变量模型阶数,nb为输入变量模型阶数;
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,φi(pk)简记为φi(k),N为采样数据量;
构建模型的优化问题,得到
Y=(Ω+λ-1IN)α
式中,Y表示输出变量向量,IN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,pk和pl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:
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。
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。
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:
|vk-vk-1|>ε
式中,vk为当前采样周期的测试数据,vk-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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491522.2A CN114167727A (zh) | 2021-12-08 | 2021-12-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491522.2A CN114167727A (zh) | 2021-12-08 | 2021-12-08 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114167727A true CN114167727A (zh) | 2022-03-11 |
Family
ID=80484510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111491522.2A Pending CN114167727A (zh) | 2021-12-08 | 2021-12-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167727A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494336A (zh) * | 2011-12-16 | 2012-06-13 | 浙江大学 | 一种循环流化床锅炉燃烧过程多变量控制方法 |
CN102564644A (zh) * | 2011-12-20 | 2012-07-11 | 东北大学 | 一种加热炉生产过程中板坯温度在线测量方法 |
CN105467844A (zh) * | 2016-01-22 | 2016-04-06 | 陈昊哲 | 基于神经元辨识的锅炉过热汽温控制方法 |
CN106765052A (zh) * | 2016-11-21 | 2017-05-31 | 华北电力大学(保定) | 一种电站锅炉蒸汽温度的智能计算预测控制方法 |
-
2021
- 2021-12-08 CN CN202111491522.2A patent/CN114167727A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494336A (zh) * | 2011-12-16 | 2012-06-13 | 浙江大学 | 一种循环流化床锅炉燃烧过程多变量控制方法 |
CN102564644A (zh) * | 2011-12-20 | 2012-07-11 | 东北大学 | 一种加热炉生产过程中板坯温度在线测量方法 |
CN105467844A (zh) * | 2016-01-22 | 2016-04-06 | 陈昊哲 | 基于神经元辨识的锅炉过热汽温控制方法 |
CN106765052A (zh) * | 2016-11-21 | 2017-05-31 | 华北电力大学(保定) | 一种电站锅炉蒸汽温度的智能计算预测控制方法 |
Non-Patent Citations (4)
Title |
---|
ROLAND TÓTH: "Model Structure Learning: A Support Vector Machine Approach for LPV Linear-Regression Models", 《2011 50TH IEEE CONFERENCE ON DECISION AND CONTROL AND EUROPEAN CONTROL CONFERENCE》, pages 3192 - 3197 * |
李烁: "火力发电机组湿式脱硫系统建模方法研究与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 042 - 1757 * |
袁世通: "1000MW超超临界机组建模理论与方法的研究", 《中国优秀博士学位论文全文数据库工程科技Ⅱ辑》, pages 042 - 109 * |
陈小强: "基于预测函数控制算法的脱硝优化控制", 《浙江电力》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105955026B (zh) | 模糊pid控制方法和装置及系统 | |
CN108564204B (zh) | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 | |
CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
CN109032117B (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
Nowak et al. | Robust tuning of a first order reduced Active Disturbance Rejection Controller | |
Tandon et al. | Genetic algorithm based parameter tuning of PID controller for composition control system | |
Malkapure et al. | Comparison of two methods of incorporating an integral action in linear quadratic regulator | |
CN106059412B (zh) | 基于信度规则库推理的他励直流电动机转速控制方法 | |
CN114167727A (zh) | 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 | |
CN104865944B (zh) | 基于pca‑lssvm的气分装置控制系统性能评估方法 | |
CN102967393B (zh) | 一种超超临界机组锅炉分离器出口温度在线校准的方法 | |
Arahal et al. | Nonlinear neural model-based predictive control of a solar plant | |
Franke | Formulation of dynamic optimization problems using Modelica and their efficient solution | |
CN113885607B (zh) | 一种汽温控制方法、装置、电子设备和计算机存储介质 | |
CN116090216A (zh) | 一种基于典型相关分析的发电功率预测方法和系统 | |
CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、系统、设备和介质 | |
CN111561693B (zh) | 一种电站锅炉状态空间汽温控制的方法 | |
CN112348247B (zh) | 一种光能发电的预测方法、装置、计算机设备及存储介质 | |
CN115014454A (zh) | 一种火电机组主蒸汽流量软测量方法、系统、设备及介质 | |
CN109964180A (zh) | 用于确定调节装置的参数的装置和方法 | |
Duran-Villalobos et al. | Iterative learning modelling and control of batch fermentation processes | |
CN112132428A (zh) | 基于大数据的蒸汽热网配汽站预测性调控决策方法 | |
CN111695300A (zh) | 一种汽轮机阀门流量拟合方法及系统 | |
Vijayalakshmi | Design of superheated steam temperature control using fuzzy logic controller |
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 |