CN114326395B - 一种基于工况判别的智能发电机组控制模型在线更新方法 - Google Patents

Abstract

本发明公开了一种基于工况判别的智能发电机组控制模型在线更新方法，包括以下步骤:智能发电机组数据采集、建立全工况样本集、构建广义预测控制模型、进行工况判别以及更新决策。本发明采用深度残差收缩网络建立全工况样本集，可包含智能发电机组已知的各种运行工况；在广义预测控制模型中对系统输入增量采用阶梯式控制，并使用遗传‑粒子群算法进行滚动优化，有效提高了预测精度，降低求解控制模型的计算量，使得广义预测控制可应用至快速采样控制过程中；使用Fisher判别法进行工况判别以及更新决策，可准确判断当前工况，便于完成控制模型在线更新工作，提高了控制模型的预测性能和稳定性。

Description

一种基于工况判别的智能发电机组控制模型在线更新方法

技术领域

本发明属于智能发电机组控制技术领域，尤其涉及一种基于工况判别的智能发电机组控制模型在线更新方法。

背景技术

火力发电机组在我国电力生产中承担主要任务，火电厂的安全、稳定和高效运行是电力生产中需要研究解决的重要课题。现代火力发电机组越来越向着大容量、高参数发展，单机功率的增大和蒸汽初参数的提高，必然导致汽机、锅炉的自动调节及控制系统进一步复杂化，要求系统具有更高的可靠性和自动化水平，热工自动控制在大型火电机组中的地位越来越重要，成为大型机组安全、稳定运行的可靠保证。

近年来，以现代计算机技术、通信技术和CRT显示技术为基础的分散控制系统(DCS)已在我国火电厂大型机组上广泛使用，并在机组的管理、监控和安全运行方面发挥着重要作用。传统热工自动控制系统通常采用PID作为基本控制策略，如燃烧控制、汽温控制、机炉协调控制、机组远程调度控制等。随着自适应控制、模糊控制、预测控制等为代表的智能控制策略的发展，由先进的智能化控制策略取代传统的常规控制策略己成为火电厂DCS发展的必然趋势。

智能控制策略是解决具有不确定性系统控制难题的有效方法，并且已经在我国火电厂热工过程控制中有了成功应用。分散控制系统在电厂的广泛采用，为智能控制策略的应用创造了很好外部条件。然而，由于火电厂大型机组生产过程的复杂性、对安全可靠性的独特要求以及DCS本身的相对封闭性，现有的智能控制技术在火电厂DCS中的实际应用仍是个别的和局部的，进展较为缓慢。如何利用DCS的先进硬件设备，综合采用先进控制方法，使整个控制系统满足生产目标的要求，从而使整个电力生产过程运行于最佳状态，是大型火电机组这一典型的连续工业过程的控制亟待解决的重大课题。

发明目的

本发明的目的即是应对现有技术中，在火电厂DCS中应用智能控制技术难以保障安全稳定运行的难题，提出一种基于工况判别的智能发电机组控制模型在线更新方法，能够准确预测被控量未来的变化趋势，有效提高预测精度，降低了求解控制模型的计算量，使得广义预测控制能够应用至快速采样控制过程中，使用Fisher判别法对智能发电机组进行工况判别，能够准确判断当前工况，便于完成控制模型在线更新工作，大幅提高控制模型的预测性能和稳定性。

发明内容

本发明提供了一种基于工况判别的智能发电机组控制模型在线更新方法，包括以下步骤：

步骤1、按照合适的采样间隔采集智能发电机组的实时运行数据和历史数据；

步骤2、结合智能发电机组的历史数据，采用深度残差收缩神经网络建立全工况样本集；

步骤3、根据智能发电机组的历史数据构建广义预测控制模型，选择性能优化指标，采用遗传-粒子群算法滚动优化控制模型；

步骤4、结合智能发电机组的实时运行数据，采用Fisher判别法进行工况判别，若当前工况属于全工况样本集，则取消更新；否则，根据实时运行数据对广义预测控制模型进行在线更新，同时将当前工况添加至全工况样本集；

步骤2中所述采用深度残差收缩网络建立全工况样本集包括以下子步骤：

子步骤2.1、将智能发电系统的历史数据归一化，并按7：3的比例将其划分为训练集和测试集，所述训练集用于建立全工况样本集，所述测试集用于测试网络性能；

子步骤2.2、构建包含50个隐藏层的深度残差收缩网络模型，随机初始化网络参数，设置最大迭代次数、批量训练样本个数等超参数；

子步骤2.3、将归一化后的训练集输入深度残差收缩网络，前向传播计算输出值与实际值之间的误差；

子步骤2.4、将所述输出值与实际值之间的误差从输出层向隐藏层和输入层反向传播，更新网络参数；

子步骤2.5、若所有训练样本全部输入完毕，且达到最大迭代次数，则深度残差收缩网络模型训练完成；否则，重复子步骤2.3-子步骤2.4；

子步骤2.6、将测试集样本输入训练完成的深度残差收缩网络模型，测试网络性能，将分类误差上限设置为1.5％；

子步骤2.7、若测试结果满足要求，则输出训练结果，包含智能发电机组n个工况类型的全工况样本集[X₁,X₂,…,X_n]；若不满足，则重复步骤2.2-步骤2.6；

步骤3中所述建立智能发电机组的广义预测控制模型包括以下子步骤：

子步骤3.1、建立广义预测控制模型，表示为如式(1)所示：

式中，z为复变量；A(z^-1)、B(z^-1)、C(z^-1)和D(z^-1)为关于z^-1的多项式，皆包含待辨识的参数；u(k)为k时刻系统输入；y(k+1)为k+1时刻系统输出；l(k)为k时刻系统前馈；w(k+1)为白噪声信号，用于模拟系统扰动；Δ为差分算子；

子步骤3.2、采用最小二乘法，结合智能发电系统的历史数据对步骤3.1中待辨识的参数进行辨识；

子步骤3.3、选取性能优化指标F，表示为如式(2)所示：

式中，x_s为待优化域起始值；x_f为待优化域终值；x_u为控制时域；β为权重参数；y(k+i)为k+i时刻系统输出；p(k+i)为k+i时刻期望输出；为模型输入增量；

子步骤3.4、对子步骤3.3的模型输入增量采用阶梯式控制，同时利用遗传-粒子群算法对子步骤3.3的性能优化指标F进行滚动优化，求解得到模型输入增量

步骤4中所述基于Fisher判别法的工况判别的过程中，投影距离d的计算公式如式(3)所示：

式中，q_j为第j类工况的数据总数；k₁为类内计算误差系数；k₂为类间计算误差系数；{a₁(t),a₂(t),…,a_h(t)}为智能发电机组的实时运行数据；t为时间，单位s；j＝{1,2,…,n}为全工况样本集类别总数；r₁为类内分散系数；r₂为类间分散系数；ε为步骤2中深度残差收缩网络建模的不确定度。

附图说明

图1是本发明提供的一种基于工况判别的智能发电机组控制模型在线更新方法的流程图。

图2是本发明提供的一种基于深度残差收缩网络建立智能发电机组全工况样本集的流程图。

图3是本发明提供的一种建立智能发电机组广义预测控制模型的流程图。

具体实施方式

下面将结合附图，对实施例作详细说明。

图1是本发明提供的一种基于工况判别的智能发电机组控制模型在线更新方法的流程图。如图1所示，一种基于工况判别的智能发电机组控制模型在线更新方法，其特征在于，包括以下步骤：

步骤1、按照合适的采样间隔采集智能发电机组的实时运行数据和历史数据；

步骤2、结合智能发电机组的历史数据，采用深度残差收缩神经网络建立全工况样本集；

步骤3、根据智能发电机组的历史数据构建广义预测控制模型，选择性能优化指标，采用遗传-粒子群算法滚动优化控制模型；

步骤4、结合智能发电机组的实时运行数据，采用Fisher判别法进行工况判别，若当前工况属于全工况样本集，则取消更新；否则根据实时运行数据对广义预测控制模型进行在线更新，同时将当前工况添加至全工况样本集。

图2是本发明提供的一种基于深度残差收缩网络建立智能发电机组全工况样本集的流程图。如图2所示，所述步骤2中，基于深度残差收缩网络建立智能发电机组全工况样本集包括以下步骤：

子步骤2.1、将智能发电系统的历史数据归一化，并按7：3的比例将其划分为训练集和测试集，训练集用于建立全工况样本集，测试集用于测试网络性能；

子步骤2.2、构建包含50个隐藏层的深度残差收缩网络模型，随机初始化网络参数，设置最大迭代次数、批量训练样本个数等超参数；

子步骤2.3、将归一化后的训练集输入深度残差收缩网络，前向传播计算输出值与实际值之间的误差；

子步骤2.4、将误差从输出层向隐藏层和输入层反向传播，更新网络参数；

子步骤2.5、若所有训练样本全部输入完毕，且达到最大迭代次数，则深度残差收缩网络模型训练完成；否则重复步骤2.3-步骤2.4；

子步骤2.6、将测试集样本输入训练完成的深度残差收缩网络模型，测试网络性能，分类误差上限设置为1.5％；

子步骤2.7、若测试结果满足要求，则输出训练结果(包含智能发电机组n个工况类型的全工况样本集[X₁,X₂,…,X_n])；若不满足，则重复步骤2.2-步骤2.6。

图3是本发明提供的一种建立智能发电机组广义预测控制模型的流程图。如图3所示，所述步骤3中，建立智能发电机组的广义预测控制模型包括以下步骤：

子步骤3.1、建立如下广义预测控制模型：

式中，z为复变量；A(z^-1)、B(z^-1)、C(z^-1)和D(z^-1)为关于z^-1的多项式，皆包含待辨识的参数；u(k)为k时刻系统输入；y(k+1)为k+1时刻系统输出；l(k)为k时刻系统前馈；w(k+1)为白噪声信号，用于模拟系统扰动；Δ为差分算子。

子步骤3.2、采用最小二乘法，结合智能发电系统的历史数据对步骤3.1中待辨识的参数进行辨识；

子步骤3.3、选取如下性能优化指标：

式中，x_s为待优化域起始值；x_f为待优化域终值；x_u为控制时域；β为权重参数；y(k+i)为k+i时刻系统输出；p(k+i)为k+i时刻期望输出；为模型输入增量。

子步骤3.4、对步骤3.3的模型输入增量采用阶梯式控制，同时利用遗传-粒子群算法对步骤3.3的性能优化指标F进行滚动优化，求解得到模型输入增量/>

所述步骤4中，基于Fisher判别法的工况判别，其中，投影距离d的计算公式如下所示：

式中，q_j为第j类工况的数据总数；k₁为类内计算误差系数；k₂为类间计算误差系数；{a₁(t),a₂(t),…,a_h(t)}为智能发电机组的实时运行数据；t为时间，单位s；j＝{1,2,…,n}为全工况样本集类别总数；r₁为类内分散系数；r₂为类间分散系数；ε为步骤2中深度残差收缩网络建模的不确定度。

本发明的有益效果是：本发明采用深度残差收缩网络建立全工况样本集，包含了智能发电机组已知的各个工况，在广义预测控制模型中对系统输入增量采用阶梯式控制，并使用遗传-粒子群算法进行滚动优化，能够准确预测被控量未来的变化趋势，有效提高预测精度，降低了求解控制模型的计算量，使得广义预测控制能够应用至快速采样控制过程中；使用Fisher判别法对智能发电机组进行工况判别，能够准确判断当前工况，便于完成控制模型在线更新工作，大幅提高控制模型的预测性能和稳定性。

以上仅是本发明具体实施方案的描述，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种基于工况判别的智能发电机组控制模型在线更新方法，其特征在于，包括以下步骤：

步骤1、按照合适的采样间隔采集智能发电机组的实时运行数据和历史数据；

步骤2、结合智能发电机组的历史数据，采用深度残差收缩神经网络建立全工况样本集；包括以下子步骤：

子步骤2.1、将智能发电系统的历史数据归一化，并按7：3的比例将其划分为训练集和测试集，所述训练集用于建立全工况样本集，所述测试集用于测试网络性能；

子步骤2.2、构建包含50个隐藏层的深度残差收缩网络模型，随机初始化网络参数，设置最大迭代次数、批量训练样本个数等超参数；

子步骤2.3、将归一化后的训练集输入深度残差收缩网络，前向传播计算输出值与实际值之间的误差；

子步骤2.4、将所述输出值与实际值之间的误差从输出层向隐藏层和输入层反向传播，更新网络参数；

子步骤2.5、若所有训练样本全部输入完毕，且达到最大迭代次数，则深度残差收缩网络模型训练完成；否则，重复子步骤2.3-子步骤2.4；

子步骤2.6、将测试集样本输入训练完成的深度残差收缩网络模型，测试网络性能，将分类误差上限设置为1.5％；

子步骤2.7、若测试结果满足要求，则输出训练结果，包含智能发电机组n个工况类型的全工况样本集[X₁,X₂,…,X_n]；若不满足，则重复步骤2.2-步骤2.6

步骤3、根据智能发电机组的历史数据构建广义预测控制模型，选择性能优化指标，采用遗传-粒子群算法滚动优化控制模型；包括以下子步骤：

子步骤3.1、建立广义预测控制模型，表示为如式(1)所示：

式中，z为复变量；A(z^-1)、B(z^-1)、C(z^-1)和D(z^-1)为关于z^-1的多项式，皆包含待辨识的参数；u(k)为k时刻系统输入；y(k+1)为k+1时刻系统输出；l(k)为k时刻系统前馈；w(k+1)为白噪声信号，用于模拟系统扰动；Δ为差分算子；

子步骤3.2、采用最小二乘法，结合智能发电系统的历史数据对步骤3.1中待辨识的参数进行辨识；

子步骤3.3、选取性能优化指标F，表示为如式(2)所示：

式中，x_s为待优化域起始值；x_f为待优化域终值；x_u为控制时域；β为权重参数；y(k+i)为k+i时刻系统输出；p(k+i)为k+i时刻期望输出；为模型输入增量；

子步骤3.4、对子步骤3.3的模型输入增量采用阶梯式控制，同时利用遗传-粒子群算法对子步骤3.3的性能优化指标F进行滚动优化，求解得到模型输入增量/>

步骤4、结合智能发电机组的实时运行数据，采用Fisher判别法进行工况判别，若当前工况属于全工况样本集，则取消更新；否则，根据实时运行数据对广义预测控制模型进行在线更新，同时将当前工况添加至全工况样本集；采用Fisher判别法的工况判别的过程中，投影距离d的计算公式如式(3)所示：

式中，q_j为第j类工况的数据总数；k₁为类内计算误差系数；k₂为类间计算误差系数；{a₁(t),a₂(t),…,a_h(t)}为智能发电机组的实时运行数据；t为时间，单位s；j＝{1,2,…,n}为全工况样本集类别总数；r₁为类内分散系数；r₂为类间分散系数；ε为步骤2中深度残差收缩网络建模的不确定度。