火电厂热工过程混合辨识方法和系统技术方案

本发明专利技术涉及一种火电厂热工过程混合辨识方法和系统，根据预设的负荷工况点对应建立辨识数列，并将采集到的实时数据分别对应归入辨识数列中。根据辨识数列利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值，进而利用线性法对热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式。最终利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。在辨识热工被控对象模型参数时，可利用神经网络所具有的对任意非线性映射的任意逼近能力来模拟实际系统的输入和输出关系，根据输入输出数据不断调整辨识精度，确保增益辨识的准确性，提高了火电厂热工过程安全性。

【技术实现步骤摘要】

本专利技术涉及火电厂热工过程
，特别是涉及一种火电厂热工过程混合辨识方法和系统。
技术介绍
火电厂热工过程被控对象动态特性是指控制对象的输出与输入之间的动态关系，热工对象传递函数模型辨识一直是系统辨识领域的重要研究内容，辨识得到的传递函数模型对于精确描述热工系统动态特性、控制系统的控制方案设计及调节器参数整定等具有重要意义。模型辨识包括模型结构假定和模型参数辨识两个部分。由于影响被控对象动态特性的因素较多，很难做到对其进行精确描述。由于热工系统的非线性特性，使得很多被控对象的增益不是常数，相较时间常数T和迟延时间τ而言，增益的改变会对系统的控制品质产生更为重要的影响，所以增益的辨识在整个模型确定过程中意义重大，如果不能准确辨识会导致火电厂热工过程安全性低。
技术实现思路
基于此，有必要针对上述问题，提供一种提高火电厂热工过程安全性的火电厂热工过程混合辨识方法和系统。一种火电厂热工过程混合辨识方法，包括以下步骤：根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中；根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值；根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。一种火电厂热工过程混合辨识系统，包括：数据分类模块，用于根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中；第一处理模块，用于根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值；第二处理模块，用于根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；增益修正模块，用于根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。上述火电厂热工过程混合辨识方法和系统，根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入辨识数列中。根据辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值。根据时间常数、迟延时间和增益的初始值，利用线性法对热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式。根据热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。在辨识热工被控对象模型参数时，可利用神经网络所具有的对任意非线性映射的任意逼近能力来模拟实际系统的输入和输出关系，根据输入输出数据不断调整辨识精度，确保增益辨识的准确性，提高了火电厂热工过程安全性。附图说明图1为一实施例中火电厂热工过程混合辨识方法的流程图；图2为一实施例中根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入辨识数列中的流程图；图3为一实施例中根据辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值的流程图；图4为一实施例中根据热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型的流程图；图5为一实施例中Elman神经网络的结构图；图6为一实施例中引入Elman神经网络的被控系统结构图；图7为一实施例中火电厂热工过程混合辨识系统的结构图；图8为一实施例中数据分类模块的结构图；图9为一实施例中第一处理模块的结构图；图10为一实施例中增益修正模块的结构图。具体实施方式一种火电厂热工过程混合辨识方法，适用于针对传递函数可等效成一阶惯性加迟延环节的热工过程。如图1所示，火电厂热工过程混合辨识方法包括以下步骤：步骤S110：根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入辨识数列中。负荷工况点的数量以及具体取值可根据实际情况调整，对应建立的辨识数列的数量也会有所不同。在建立辨识数列后，根据辨识数列对应的符合范围对应存储采集到的火电厂热工过程的实时数据。在其中一个实施例中，如图2所示，负荷工况点包括60％、75％和95％三个工况点。步骤S110包括步骤S112至步骤S118。步骤S112：根据负荷工况点对应建立三组辨识数列。步骤S114：将实时数据中55％—65％工况段的数据归入60％工况点对应的辨识数列。步骤S116：将实时数据中65％—85％工况段的数据归入75％工况点对应的辨识数列。步骤S118：将实时数据中85％—100％工况段的数据归入95％工况点对应的辨识数列。选取60％，75％和95％三个典型的负荷工况点，对应建立三组数列，并将55％—65％，65％—85％，85％—100％三个工况段的实时数据采集后分别对应归入以上三组数列。即满足负荷55％—65％的输入输出数据归入同一个数列，对应60％负荷的工况点；满足负荷65％—85％的输入输出数据归入同一个数列，对应75％负荷的工况点；满足负荷85％—100％的输入输出数据归入同一个数列，对应95％负荷的工况点。不满足以上条件的数据不予采用。步骤S120：根据辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值。在火电厂热工过程传递函数辨识中，结合热工过程对象的自平衡特性，大多数热工被控对象的传递函数可以等效成一阶惯性加纯迟延环节。考虑到参数辨识过程中，被控对象不断提供新的输入输出数据，并且还希望利用这些新的信息来改善辨识精度，具体采用带遗忘因子的最小二乘法来辨识时间常数T，迟延时间τ和增益K的初始值。在其中一个实施例中，如图3所示，步骤S120包括步骤S122至步骤S126。步骤S122：将一阶惯性加纯迟延环节的传递函数转化为离散形式，并确定目标函数。将一阶惯性加纯迟延环节的传递函数转化为离散形式，具体为：G(s)=KTs+1·e-τs]]>G(z)=z-(d+1)b1-az-1本文档来自技高网...

【技术保护点】
一种火电厂热工过程混合辨识方法，其特征在于，包括以下步骤：根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中；根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值；根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。

【技术特征摘要】
1.一种火电厂热工过程混合辨识方法，其特征在于，包括以下步骤：
根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程
的实时数据分别对应归入所述辨识数列中；
根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延
时间和增益的初始值；
根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过
程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；
根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用
Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模
型。
2.根据权利要求1所述的火电厂热工过程混合辨识方法，其特征在于，所
述负荷工况点包括60％、75％和95％三个工况点；所述根据预设的负荷工况点
对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所
述辨识数列中的步骤，包括以下步骤：
根据所述负荷工况点对应建立三组辨识数列；
将所述实时数据中55％—65％工况段的数据归入60％工况点对应的辨识数
列；
将所述实时数据中65％—85％工况段的数据归入75％工况点对应的辨识数
列；
将所述实时数据中85％—100％工况段的数据归入95％工况点对应的辨识数
列。
3.根据权利要求1所述的火电厂热工过程混合辨识方法，其特征在于，所
述根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时
间和增益的初始值的步骤，包括以下步骤：
将一阶惯性加纯迟延环节的传递函数转化为离散形式，并确定目标函数；
根据所述目标函数分别对所述辨识数列中的数据应用带遗忘因子的递推最
小二乘法，直至残差在预设的误差范围内，得到所述辨识数列对应的参数估计
值；
根据所述参数估计值得到对应的时间常数、迟延时间和增益的初始值。
4.根据权利要求1所述的火电厂热工过程混合辨识方法，其特征在于，所
述实时数据包括功率数据；所述根据所述时间常数、迟延时间和增益的初始值，
利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对
应的函数表达式的步骤，具体为：
根据所述功率数据以及时间常数、迟延时间和增益的初始值，利用线性法
得到所述时间常数、迟延时间和增益分别与功率的函数表达式。
5.根据权利要求4所述的火电厂热工过程混合辨识方法，其特征在于，所
述根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用
Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模
型的步骤，包括以下步骤：
根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，分别
计算所述功率数据对应的时间常数、迟延时间和增益的值；
将所述功率数据对应的时间常数和迟延时间的值作为预测模型的参数值，
将所述功率数据对应的增益的值作为所述预测模型的增益...

【专利技术属性】
技术研发人员：张曦，陈世和，潘凤萍，罗嘉，朱亚清，史玲玲，任娟娟，林忠伟，胡康涛，吴乐，苏凯，庞志强，
申请(专利权)人：广东电网有限责任公司电力科学研究院，华北电力大学，
类型：发明
国别省市：广东;44