基于密度聚类和循环模糊神经网络的涡轮机组预测方法技术

本发明专利技术提供了一种基于密度聚类和循环模糊神经网络的涡轮机组预测方法，属于技术领域。解决了现有的预测方法中未考虑到历史输入数据的分布密度和聚类特性导致非线性系统输出的预测精度下降的问题。其技术方案为：包括以下步骤：S1：构建超临界锅炉涡轮机组非线性系统；S2：利用DBSCAN聚类算法自动确定聚类数、局部线性子模型数和模糊规则数，并设计模糊规则；S3：构建循环模糊神经网络。本发明专利技术的有益效果是：本发明专利技术利用DBSCAN聚类算法自动确定模糊神经网络中最优模糊集数目，在降低计算复杂度的同时获得更高的系统建模预测精度，从而提高超临界锅炉涡轮机组输出的控制性能。超临界锅炉涡轮机组输出的控制性能。超临界锅炉涡轮机组输出的控制性能。

【技术实现步骤摘要】
基于密度聚类和循环模糊神经网络的涡轮机组预测方法


[0001]本专利技术涉及工业自动化控制
，尤其涉及基于密度聚类和循环模糊神经网络的涡轮机组预测方法。

技术介绍

[0002]随着国民经济的快速发展和高耗能行业的发展，全球能源需求急剧增加。但全球36％的能源消费仍严重依赖于煤炭的燃烧，从环境保护和改善的角度来看，研究清洁燃煤发电技术是非常必要的。而与传统的发电技术相比，USC锅炉涡轮机组不仅能提供高达46％的净效率，还能降低30％的CO2强度。USC的主要目标是实现电功率、主蒸汽压力和蒸汽温度的快速跟踪，因此精确控制涡轮机组的燃料流量、调节阀量和水流量至关重要。
[0003]为了提高锅炉涡轮机组的性能，结合神经网络和模糊逻辑系统的优点，模糊神经网络(FNNs)已被研究。为了获得更好的非线性系统预测精度，递归模糊神经网络(RFNNs)受到了广泛的关注，其反馈的网络环路用于存储过去的信息。因此，RFNN可以捕获更多非线性系统的动态响应，提高学习效率。RFNN的动力学建模包括结构学习和参数学习两个阶段，这两个阶段可以同时进行。在进行结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于密度聚类和循环模糊神经网络的涡轮机组预测方法，其特征在于，包括以下步骤：S1：构建超临界锅炉涡轮机组非线性系统，线性化非线性系统并分割成若干局部线性子模型；S2：利用DBSCAN聚类算法自动确定聚类数、局部线性子模型数和模糊规则数，并设计模糊规则；S3：构建循环模糊神经网络(RFNN)，对不同局部线性子模型中的电功率、主蒸汽压力和蒸汽温度进行预测，耦合局部线性子模型的预测输出，得到超临界锅炉涡轮机组的预测输出结果。2.根据权利要求1所述的基于密度聚类和循环模糊神经网络的涡轮机组预测方法，其特征在于，所述步骤S1包括以下步骤：步骤1.1：考虑到涡轮机组的复杂非线性特性，将超临界(USC)锅炉涡轮机组建模为非线性系统，即：Y(t)＝f[Y(t
‑
1)，...，Y(t
‑
n
y
)，U(t
‑
d)，...，U(t
‑
n
u
)，e(t
‑
1)，...，e(t
‑
n
e
)]+e(t)/Δ，其中，f(
·
)为未知非线性函数，为t时刻非线性系统的输出向量，n
a
为输出变量的个数，为t时刻非线性系统的输入向量，n
b
为输入变量的个数，为零均值高斯白色噪声，d为系统延迟时间，n
y
、n
u
和n
e
分别为Y(t)、U(t)和e(t)中的最大滞后，Δ为差分算子；步骤1.2：线性化非线性系统为受控自回归积分滑动平均(CARIMA)模型：其中，z
‑1为后移算子，ΔU(t
‑
1)＝U(t
‑
1)
‑
U(t
‑
2)为输入向量在t
‑
1时刻的增量，和分别表示后移算子z
‑1的多项式矩阵，且：且：C(z
‑1)＝I，其中，I为单位矩阵；步骤1.3：采集1000MW超临界锅炉涡轮机组不同时刻的实际样本数据；步骤1.4：以电功率、主蒸汽压力和蒸汽温度作为非线性系统的控制输出Y(t)，以燃料流量、调节阀量和水流量作为系统的控制输入U(t)，则：Y(t)＝[y1(t)，y2(t)，y3(t)]
T
，U(t)＝[u1(t)，u2(t)，u3(t)]
T
，n
a
＝n
b
＝3，其中，Y(t)为非线性系统的输出向量，U(t)为非线性系统的输出向量，y1(t)为t时刻的电功率，y2(t)为t时刻的主蒸汽压力，y3(t)为t时刻的蒸汽温度，u1(t)为t时刻的燃料流量，u2(t)为t时刻的调节阀量，u3(t)为t时刻的水流量；
步骤1.5：将非线性系统分割成若干局部线性子模型：其中，Y
i
(t)为第i个局部线性子模型的输出向量，ΔU
i
(t
‑
1)为第i个局部线性子模型的输入向量在t
‑
1时刻的增量，e
i
...

【专利技术属性】
技术研发人员：赵敏，黄欣，覃文智，万瑾，杨婧，刘鑫，梅子燕，
申请(专利权)人：南通大学，
类型：发明
国别省市：