基于多模型与现场数据的过热汽温模型辨识方法研究

摘要

过热汽温控制是火电厂热工控制中较为重要的环节，若想要达到较好的过热汽温控制效果，就必须对其进行有效的分析。热工对象的分析离不开准确的数学模型，然而，过热汽温模型惯性和纯迟延较大，非线性和时变性较强，这就对模型的建立提出了很高的要求。本文采用了多模型建模方法对过热汽温进行模型的建立，实验表明此方法可以有效的解决在过热汽温模型建立中所遇到的难题。
　　针对数据标准化前后可能发生的相对差距扭曲的情况，本文选择了平均绝对偏差标准化对数据进行标准化，使得各数据在标准化前后的相对差距不发生扭曲。利用主元分析及多变量过程监测得到了影响过热汽温的主导辅助变量，并将其作为数据模型的输入变量。应用滑动窗稳态数据提取算法从大量连续运行数据中提取出了机组准稳态运行数据，用于静态数据模型的建立。
　　提出了基于样本优选的谱聚类算法并应用到本文对大量运行数据聚类。通过样本优选后，样本数得以精简，同时所剩样本也能代表整个机组的运行工况特性，可以用谱聚类算法对精简后的样本进行聚类，否则样本数量过大将导致谱聚类算法运算量过大。根据机组容量和聚类结果选择了三个聚类中心，即要建立三个局部模型。应用每个局部模型所对应的数据簇，采用最小二乘支持向量机进行过热汽温数据模型的建立。通过采用最大绝对值误差、相对均方根误差、平均误差、均方根误差等评价指标对模型的训练及测试结果进行分析可发现，本文所建立的最小二乘支持向量机数据模型具有较好的学习能力及泛化能力。
　　考虑到硬切换给系统带来的不稳定性，本文采用软切换协调机制来协调各个局部模型。选用了局部模型网络算法求出对应局部模型的权值，对局部模型输出与权值进行加权求和得出最终的多模型输出。局部模型网络的协调函数选用了高斯函数，提出了基于粒子群优化的局部模型网络算法，以全局预测最优为目标，采用粒子群算法对采用最邻域启发式算法计算出的每个高斯函数宽度的初始值进行进一步优化。使其既考虑到自身数据簇内的数据离散程度又兼顾了数据簇之间的离散程度。以此构建的多模型系统具有很好的全局特性，针对所建立的静态多模型系统动态性欠佳的问题，采用了基于ARIMA动态校正的多模型建模方法对过热汽温进行模型的建立，结果表明，经过动态校正后的多模型建模效果有了进一步的提升，具有一定的实用价值。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 选题背景及意义

1.2 目前主要的建模方法

1.3 本论文的主要工作

第2章 数据的选择与处理

2.1 数据预处理

2.2 数据变换

2.3 辅助变量的选择

2.4 主元分析与多变量过程监测实际应用

2.5 稳态数据的提取

2.6 本章小结

第3章 数据聚类及局部模型建立

3.1 聚类分析

3.2聚类分析方法的分类

3.3谱聚类算法

3.4基于样本优选的谱聚类

3.5 稳态下局部模型的建立

3.6 本章小结

第4章 多模型建模

4.1 多模型建模概述

4.2 多模型协调机制

4.3 基于粒子群优化的多模型仿真

4.4# 多模型动态特性校正

4.5 本章小结

第5章 结论与展望

5.1 总结

5.2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢