一种机组主汽温度被控过程传递函数模型辨识方法技术

本发明专利技术公开了一种机组主汽温度被控过程传递函数模型辨识方法，该方法以机组现场数据作为样本，采用基于灵敏度剪枝算法的神经网络技术建立主汽温度过程神经网络模型，然后采用遗传算法优化技术从神经网络模型中提取出所需负荷下的机组主汽温度被控过程传递函数模型。本发明专利技术直接根据现场数据辨识过程传递函数模型，克服了现场动态特性试验受现场条件限制，且需花费人力、物力的不足。

【技术实现步骤摘要】

本专利技术属于热工自动控制
，具体涉及一种机组主汽温度被控过程传递函数模型辨识方法。
技术介绍
主汽温度控制是火电机组一个重要的自动控制系统，建立主汽温度被控过程传递函数模型对控制系统设计具有重要意义。火电机组主汽温度被控过程具有惯性大、非线性特点，且影响主汽温度的因素较多，很难从机理上建立其传递函数模型。传统的主汽温度被控过程传递函数模型辨识主要基于过程的动态特性试验，由于单元机组运行的特点，现场动态特性试验往往难以实施。目前已有的基于现场数据的模型辨识方法，一般是采用神经网络技术，只能得到过程的神经网络模型，但神经网络模型不直观，不易于理解，难以与经典控制方法结合使用，不利于控制系统的设计和应用。如何从神经网络模型中提取出所需的传递函数模型，对于工程应用具有重要意义。目前神经网络模型都是采用串并联的建模方式建立的，神经网络模型的输入不是模型输出的反馈，由于建模总是存在误差的，因此，神经网络模型不能脱离实际对象单独使用，这给提取传递函数模型带来了很大的困难，因而一直没有得到解决。本专利技术提出一种机组主汽温度被控过程传递函数模型辨识方法，该方法首先根据现场数据，采用神经网络技术建立主汽温度过程神经网络模型，然后采用遗传算法优化技术从神经网络模型中提取出机组主汽温度被控过程传递函数模型。本专利技术根据现场数据辨识过程传递函数模型，克服了动态特性试验法和现有的基于神经网络技术的根据现场数据辨识方法存在的不足。
技术实现思路
专利技术目的：为了克服现有过程传递函数模型辨识方法存在的不足，本专利技术提供一种过程传递函数模型辨识方法，利用该方法可根据现场数据建立不同负荷下的机组主汽温度被控过程传递函数模型。技术方案：为解决上述技术问题，本专利技术提供了一种机组主汽温度被控过程传递函数模型辨识方法，包括步骤：步骤1：采集现场运行数据：机组负荷Ne(MW)、烟气氧量O2(％)、主汽压力Pt(MPa)、主汽减温喷水流量Dps(T/H)、减温喷水前主汽温度T1(℃)和主汽温度T2(℃)；并分别作时延处理得到神经网络模型辨识样本；步骤2：根据步骤1的辨识样本，采用神经网络技术，建立以步骤1所述各变量的时延作为输入，以主汽温度作为输出的神经网络模型；并采用灵敏度剪枝算法进行优化，得到机组主汽温度过程神经网络模型；步骤3：以主汽减温喷水流量Dps作为输入、主汽温度T2作为输出的机组主汽温度被控过程的传递函数取为K为过程的稳态增益，T1、T2为时间常数，n1、n2为正整数；在G(s)输入端加入[a,b]之间均匀分布的随机信号Dps(k)作为输入信号，对于一组给定的T1、T2、n1、n2和K取值，通过仿真获得传递函数G(s)的输出T2(k)，k为采样时刻，k＝1，2，…，M2，M2为总采样个数；均匀分布随机信号的上下限分别为：a＝Dps_min-Dps_mean，b＝Dps_max-Dps_mean，其中Dps_min、Dps_max和Dps_mean分别为步骤1中采集的减温喷水流量数据的最小值、最大值和平均值；步骤4：计算Dps(k)和T2(k)的变换值D'ps(k)和T2'(k)：D'ps(k)＝Dps(k)+Dps_mean，T2'(k)＝T2(k)+T2_mean，T2_mean为步骤1中采集的主汽温度数据的平均值；将D'ps(k)和T2'(k)经整理之后作为步骤2所建神经网络的Dps和T2相应各个时延输入变量的输入值，神经网络的Ne各个时延输入变量值取常量Ne_set、O2各个时延输入变量值取常量O2_mean，Pt各个时延输入变量值取常量Pt_mean，T1各个时延输入变量值取常量T1_mean，计算神经网络的输出T2”(k)，其中Ne_set为人工设置的与辨识传递函数对应的机组负荷，O2_mean、Pt_mean和T1_mean分别为步骤1中采集的烟气含氧量、主汽压力和减温喷水前主汽温度数据的平均值；步骤5：采用遗传算法对步骤3的传递函数G(s)的参数T1、T2、n1、n2和K进行寻优，遗传算法采用如下的适应度函数f： f = 1 J J = Σ k = M 1 M 2 [ T 2 ′ ( k ) - T 2 ′ ′ ( k ) ] 2 ]]>其中，J为性能指标，M1为神经网络输入变量Dps和T2的最大时延中的较大值，使性能指标J最小的T1、T2、n1、n2和K的取值即为机组主汽温度被控过本文档来自技高网...

【技术保护点】
一种机组主汽温度被控过程传递函数模型辨识方法，其特征在于：包括步骤：步骤1：采集现场运行数据：机组负荷Ne(MW)、烟气氧量O2(％)、主汽压力Pt(MPa)、主汽减温喷水流量Dps(T/H)、减温喷水前主汽温度T1(℃)和主汽温度T2(℃)；并分别作时延处理得到神经网络模型辨识样本；步骤2：根据步骤1的辨识样本，采用神经网络技术，建立以步骤1所述各变量的时延作为输入，以主汽温度作为输出的神经网络模型；并采用灵敏度剪枝算法进行优化，得到机组主汽温度过程神经网络模型；步骤3：以主汽减温喷水流量Dps作为输入、主汽温度T2作为输出的机组主汽温度被控过程的传递函数取为K为过程的稳态增益，T1、T2为时间常数，n1、n2为正整数；在G(s)输入端加入[a,b]之间均匀分布的随机信号Dps(k)作为输入信号，对于一组给定的T1、T2、n1、n2和K取值，通过仿真获得传递函数G(s)的输出T2(k)，k为采样时刻，k＝1，2，…，M2，M2为总采样个数；均匀分布随机信号的上下限分别为：a＝Dps_min‑Dps_mean，b＝Dps_max‑Dps_mean，其中Dps_min、Dps_max和Dps_mean分别为步骤1中采集的减温喷水流量数据的最小值、最大值和平均值；步骤4：计算Dps(k)和T2(k)的变换值D'ps(k)和T′2(k)：D'ps(k)＝Dps(k)+Dps_mean，T′2(k)＝T2(k)+T2_mean，T2_mean为步骤1中采集的主汽温度数据的平均值；将D'ps(k)和T′2(k)经整理之后作为步骤2所建神经网络的Dps和T2相应各个时延输入变量的输入值，神经网络的Ne各个时延输入变量值取常量Ne_set、O2各个时延输入变量值取常量O2_mean，Pt各个时延输入变量值取常量Pt_mean，T1各个时延输入变量值取常量T1_mean，计算神经网络的输出T″2(k)，其中Ne_set为人工设置的与辨识传递函数对应的机组负荷，O2_mean、Pt_mean和T1_mean分别为步骤1中采集的烟气含氧量、主汽压力和减温喷水前主汽温度数据的平均值；步骤5：采用遗传算法对步骤3的传递函数G(s)的参数T1、T2、n1、n2和K进行寻优，遗传算法采用如下的适应度函数f：f=1J]]>J=Σk=M1M2[T2′(k)-T2′′(k)]2]]>其中，J为性能指标，M1为神经网络输入变量Dps和T2的最大时延中的较大值，使性能指标J最小的T1、T2、n1、n2和K的取值即为机组主汽温度被控过程传递函数模型的参数。...

【技术特征摘要】
1.一种机组主汽温度被控过程传递函数模型辨识方法，其特征在于：包括步骤：步骤1：采集现场运行数据：机组负荷Ne(MW)、烟气氧量O2(％)、主汽压力Pt(MPa)、主汽减温喷水流量Dps(T/H)、减温喷水前主汽温度T1(℃)和主汽温度T2(℃)；并分别作时延处理得到神经网络模型辨识样本；步骤2：根据步骤1的辨识样本，采用神经网络技术，建立以步骤1所述各变量的时延作为输入，以主汽温度作为输出的神经网络模型；并采用灵敏度剪枝算法进行优化，得到机组主汽温度过程神经网络模型；步骤3：以主汽减温喷水流量Dps作为输入、主汽温度T2作为输出的机组主汽温度被控过程的传递函数取为K为过程的稳态增益，T1、T2为时间常数，n1、n2为正整数；在G(s)输入端加入[a,b]之间均匀分布的随机信号Dps(k)作为输入信号，对于一组给定的T1、T2、n1、n2和K取值，通过仿真获得传递函数G(s)的输出T2(k)，k为采样时刻，k＝1，2，…，M2，M2为总采样个数；均匀分布随机信号的上下限分别为：a＝Dps_min-Dps_mean，b＝Dps_max-Dps_mean，其中Dps_min、Dps_max和Dps_mean分别为步骤1中采集的减温喷水流量数据的最小值、最大值和平均值；步骤4：计算Dps(k)和T2(k)的变换值D'ps(k)和T′2(k)：D'ps(k)＝Dps(k)+Dps_mean，T′2(k)＝T2(k)+T2_mean，T2_mean为步骤1中采集的主汽温度数据的平均值；将D'ps(k)和T′2(k)经整理之后作为步骤2所建神经网络的Dps和T2相应各个时延输入变量的输入值，神经网络的Ne各个时延输入变量值取常量Ne_set、O2各个时延输入变量值取常量O2_mean，Pt各个时延输入变量值取常量Pt_mean，T1各个时延输入变量值取常量T1_mean，计算神经网络的输出T″2(k)，其中Ne_set为人工设置的与辨识传递函数对应的机组负荷，O2_mean、Pt_mean和T1_mean分别为步骤1中采集的烟气含氧量、主汽压力和减温喷水前主汽温度数据的平均值；步骤5：采用遗传算法对步骤3的传递函数G(s)的参数T1、T2、n1、n2和K进行寻优，...

【专利技术属性】
技术研发人员：雎刚，钱磊，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32