一种协调控制被控对象传递函数模型辨识方法

摘要

本发明公开了一种协调控制被控对象传递函数模型辨识方法，包括DCS数据采样、应用RBF神经网络建模；判定对象的类型，选择需要辨识的参数；确定初始对象，以及初始对象的均匀随机响应；确定RBF神经网络输出；以及计算误差函数等步骤。本发明充分利用了大量的运行数据，避免了信息资源的浪费，同时节省了现场试验所花费的人力、物力以及现场条件的限制，并且辨识得到的传递函数模型精度明显优于现场试验得到的传递函数模型。

说明书

技术领域

本发明涉及涉及热工过程控制领域，尤其涉及热工过程的辨识方法。

背景技术

热工过程具有非线性、时延性、不确定性以及变量间的关联性等特点，难以建立精 确的数学模型，这给热工控制带来了很大的难度。传统的机理建模得到的模型与现场设 备在性能上有一定的差距，因为现场的绝大多数设备的性能都是非线性，不可能通过数 学公式来得到精确的模型。另外由于现场中存在着较大的随机扰动，对现场试验有很大 的影响。鉴于热工试验的复杂性和局限性，在现场获得多变量对象的精确模型是很困难 的。

现代化的电厂装配着庞大的DCS系统，日积月累采集了大量的运行数据，如何从 蕴藏着大量信息的数据中提取各变量间的规律，成为目前的研究热点。如何找到合适的 模型并求取多变量系统精确的传递函数矩阵模型，具有很现实的意义。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种一种协调控制被控对 象传递函数模型辨识方法，利用现场的DCS数据建立神经网络模型，辨识传递函数， 充分利用了大量的运行数据，避免了信息资源的浪费，得到的传递函数模型精度明显优 于现场试验得到的传递函数模型，同时节省了现场试验所花费的人力、物力以及现场条 件的限制。

技术方案：为解决上述技术问题，本发明提供的一种协调控制被控对象传递函数模 型辨识方法，包括以下步骤：

步骤一，DCS数据采样；

步骤二，应用RBF神经网络建模；

步骤三，判定对象的类型，选择需要辨识的参数；

步骤四，确定初始对象，以及初始对象的均匀随机响应；

步骤五，确定RBF神经网络输出；

步骤六，计算误差函数，遗传算法迭代计算；

步骤七，改变辨识对象，重复步骤四、步骤五、步骤六。

具体地，所述步骤一的DCS数据采样方法方法为：

①选择同一负荷下各时段的DCS数据，采样时间T为5秒，包括：发电机实发功 率、锅炉主蒸汽压力、汽轮机调门开度和锅炉燃料率指令，分别用变量N_E、P_T、u_T、u_B表示；

②在各连续时段中，将变量N_E、P_T、u_T、u_B分别作时延处理，分别取各个变量前 1～n个时刻的数值，形成样本数据：

N_E(k-1)；N_E(k-2)；...；N_E(k-n)；

P_T(k-1)；P_T(k-2)；...；P_T(k-n)；

             ，N_E(k)；P_T(k)，k＝n+1，n+2，...，N，

u_T(k-1)；u_T(k-2)；...；u_T(k-n)；

u_B(k-1)；u_B(k-2)；....；u_B(k-n)

其中，n为3～5的自然数，N＝3000。

具体地，所述步骤二的RBF神经网络建模是将：

N_E(k-1)；N_E(k-2)；...；N_E(k-n)；

P_T(k-1)；P_T(k-2)；...；P_T(k-n)；

                      ，k＝n+1，n+2，...，N，

u_T(k-1)；u_T(k-2)；...；u_T(k-n)；

u_B(k-1)；u_B(k-2)；....；u_B(k-n)

作为模型的输入，N_E(k)；P_T(k)，k＝n+1,n+2,...,N，作为模型的输出，建立RBF神经 网络模型。

具体地，所述步骤三的判断选择过程如下：

总结归纳出2×2的协调控制对象的传递函数模型为：

$\left(\begin{array}{c}\left(\begin{array}{c}{N}_E\\ P_T\end{array}\right)=\left(\begin{array}{cc}{W}_{NT}\left(s\right)& W_{NB}\left(s\right)\\ W_{PT}\left(s\right)& W_{PB}\left(s\right)\end{array}\right)\left(\begin{array}{c}{u}_T\\ u_B\end{array}\right)\\ =\left(\begin{array}{cc}\frac{k_{1}s}{(1+T_{2}s)(1+T_{3}s)}& \frac{k_2}{(1+T_{1}s)(1+T_{2}s)}{e}^{-\tau s}\\ -\frac{k_3}{1+T_{2}s}& \frac{k_4}{(1+T_{1}s)(1+T_{2}s)}{e}^{-\tau s}\end{array}\right)\left(\begin{array}{c}{u}_T\\ u_B\end{array}\right)\end{array}\right)$

由该模型得出需要辨识的参数为k₁、k₂、k₃、k₄、T₁、T₂、T₃和τ。

具体地，所述步骤四的过程如下：

①根据步骤三中的传递函数模型W_NB(s)，W_PB(s)，选取初始参数 k₂'、k₄'、T₁'、T₂'、τ'，得到初始对象W'_NB(s)，W'_PB(s)；

②对于初始对象W'_NB(s)，在其输入端加入均匀随机信号u_B(i),i＝1,2,...,M， M＝2000，得到初始对象的输出响应y'_N(j),j＝1,2,...,M；

③同理，对于初始对象W'_PB(s)，在其输入端加入步骤四②中同样的均匀随机信号 u_B(i),i＝1,2,...,M，得到W'_PB(s)的输出响应y'_P(j),j＝1,2,...,M。

具体地，所述步骤五的过程为：对于步骤二中的RBF神经网络模型，使 u_T(i)＝0,i＝1,2,...,M，且u_B(i),i＝1,2,...,M为步骤四②中同样的均匀随机信号，将 y'_N(i),y'_P(i),u_T(i),u_B(i)，i＝1,2,...,M，经过步骤二中同样的时延处理，得到：

y'_N(k-1)；y'_N(k-2)；...；y'_N(k-n)；

y′_P(k-1)；y′_P(k-2)；...；y′_P(k-n)；

                        ，k＝n+1，n+2，...，M，

u_T(k-1)；u_T(k-2)；...；u_T(k-n)；

u_B(k-1)；u_B(k-2)；...；u_B(k-n)

作为步骤二中的RBF神经网络模型的输入端，从而得到RBF神经网络模型的输出 y_N(j)；y_P(j)，j＝n+1,n+2,...,M。

具体地，所述步骤六计算误差函数的过程为：

$E=\underset{j=n+1}{\overset{M}{\Sigma }}{\left(y_N\right(j)-{y^{\prime }}_N(j\left)\right)}^2+\underset{j=n+1}{\overset{M}{\Sigma }}{\left(y_P\right(j)-{y^{\prime }}_P(j\left)\right)}^2,j=n+1,n+2,\mathrm{...},M;$

将E作为目标函数，利用遗传算法进行迭代寻优，得到最佳的对象参数 k_2opt、k_4opt、T_1opt、T_2opt、τ_opt，从而确定W_NB(s),W_PB(s)；

步骤七：使u_B(i)＝0,i＝1,2,...,M，u_T(i),i＝1,2,...,M均匀随机变化，重复步骤四、步骤 五，得到最佳的对象参数k_1opt、k_3opt、T_3opt，从而确定W_NT(s),W_PT(s)。

具体地，所述时延处理中，使得最大的延迟时间nT为惯性时间，n取3～5的自然 数。

具体地，所述遗传算法的设置：

①实数编码机制；

②初始种群选择：即k₁、k₂、k₃、k₄、T₁、T₂、T₃和τ的上下界，总结出k₁∈[0,2000]，

k₂∈[0,10]，k₃∈[-1,0]，k₄∈[0,1]，T₁∈[0,500]，T₂∈[0,500]，T₃∈[0,50]，τ∈[0,50]；

③适应度函数：E为误差函数；

④遗传操作：采用轮盘赌选择法、均匀交叉、均匀变异的策略。

有益效果：本发明利用现场大量的DCS运行数据，建立神经网络模型，利用神经 网络模型辨识单元机组协调控制对象的传递函数模型。本发明充分利用了大量的运行数 据，避免了信息资源的浪费，同时节省了现场试验所花费的人力、物力以及现场条件的 限制，并且辨识得到的传递函数模型精度明显优于现场试验得到的传递函数模型。

除了上面所述的本发明解决的技术问题、构成技术方案的技术特征以及由这些技术 方案的技术特征所带来的优点外，本发明的一种协调控制被控对象传递函数模型辨识方 法所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的 优点，将结合附图做出进一步详细的说明。

附图说明

图1：遗传算法辨识神经网络模型传递函数原理图；

图2：W_PB(s)阶跃响应的真实值和预测值的对比图；

图3：W_NB(s)阶跃响应的真实值和预测值的对比图；

图4：W_PT(s)阶跃响应的真实值和预测值的对比图；

图5：W_NT(s)阶跃响应的真实值和预测值的对比图。

具体实施方式

实施例：

下面结合某电厂600MW亚临界燃煤单元机组的现场DCS数据作为例子，说明本发 明的技术方案实施过程如下：

步骤一：选择100％负荷下各个时段的DCS数据，采样时间为5s，包括：发电机实 发功率、锅炉主蒸汽压力、汽轮机调门开度和锅炉燃料率指令，分别用变量 N_E、P_T、u_T、u_B表示；

②在各连续时段中，将变量N_E、P_T、u_T、u_B分别作时延处理，分别取各个变量前5个时 刻的数值，形成样本数据：

N_E(k-1)；N_E(k-2)；...；N_E(k-5)；

P_T(k-1)；P_T(k-2)；...；P_T(k-5)；

                      ，N_E(k)；P_T(k)，k＝6，7，...，3000，

u_T(k-1)；u_T(k-2)；...；u_T(k-5)；

u_B(k-1)；u_B(k-2)；....；u_B(k-5)

步骤二：应用RBF神经网络建模，其遗传算法辨识神经网络模型传递函数原理如 图1所示，将：

N_E(k-1)；N_E(k-2)；...；N_E(k-5)；

P_T(k-1)；P_T(k-2)；...；P_T(k-5)；

                      ，k＝6，7，...，3000，

u_T(k-1)；u_B(k-2)；...；u_B(k-5)

u_B(k-1)；u_B(k-2)；....；u_B(k-5)

作为模型的输入，N_E(k)；P_T(k)，k＝6,7,...,3000，作为模型的输出，建立RBF神经网络 模型；

步骤三：总结归纳出2×2的协调控制对象的传递函数模型为：

$\left(\begin{array}{c}\left(\begin{array}{c}{N}_E\\ P_T\end{array}\right)=\left(\begin{array}{cc}{W}_{NT}\left(s\right)& W_{NB}\left(s\right)\\ W_{PT}\left(s\right)& W_{PB}\left(s\right)\end{array}\right)\left(\begin{array}{c}{u}_T\\ u_B\end{array}\right)\\ =\left(\begin{array}{cc}\frac{k_{1}s}{(1+T_{2}s)(1+T_{3}s)}& \frac{k_2}{(1+T_{1}s)(1+T_{2}s)}{e}^{-\tau s}\\ -\frac{k_3}{1+T_{2}s}& \frac{k_4}{(1+T_{1}s)(1+T_{2}s)}{e}^{-\tau s}\end{array}\right)\left(\begin{array}{c}{u}_T\\ u_B\end{array}\right)\end{array}\right)$

由以上的模型可知，只需确定k₁、k₂、k₃、k₄、T₁、T₂、T₃和τ，即可确定对象的四个传递 函数模型；

步骤四：确定初始对象，以及初始对象的均匀随机响应；

①根据步骤三中的传递函数模型，如W_NB(s)，W_PB(s)，选取初始参数 k₂'、k₄'、T₁'、T₂'、τ'，得到初始对象W'_NB(s)，W'_PB(s)；

②对于初始对象W'_NB(s)，在其输入端加入均匀随机信号u_B(i),i＝1,2,...,2000，，得 到初始对象的输出响应y'_N(j),j＝1,2,...,M；

③同理，对于初始对象W'_PB(s)，在其输入端加入步骤四②中同样的均匀随机信号 u_B(i),i＝1,2,...,2000，得到W'_PB(s)的输出响应y'_P(j),j＝1,2,...,2000；

步骤五：确定RBF神经网络输出；

对于步骤二中的RBF神经网络模型，使u_T(i)＝0,i＝1,2,...,2000，且 u_B(i),i＝1,2,...,2000为步骤四②中同样的均匀随机信号，将y'_N(i),y'_P(i),u_T(i),u_B(i)， i＝1,2,...,2000，经过步骤二中同样的时延处理，得到：

y'_N(k-1)；y'_N(k-2)；...；y'_N(k-5)；

y′_P(k-1)；y′_P(k-2)；...；y′_P(k-5)；

                 ，k＝6，7，...，2000，

u_T(k-1)；u_T(k-2)；...；u_T(k-5)；

u_B(k-1)；u_B(k-2)；...；u_B(k-5)

作为步骤二中的RBF神经网络模型的输入端，从而得到RBF神经网络模型的输出 y_N(j)；y_P(j)，j＝6,7,...,2000；

步骤六：计算误差函数：

$E=\underset{j=n+1}{\overset{M}{\Sigma }}{\left(y_N\right(j)-{y^{\prime }}_N(j\left)\right)}^2+\underset{j=n+1}{\overset{M}{\Sigma }}{\left(y_P\right(j)-{y^{\prime }}_P(j\left)\right)}^2,j=6,7,\mathrm{...},2000;$

将E作为目标函数，利用遗传算法进行迭代寻优，遗传算法的参数设置如下：

①实数编码机制；

②初始种群选择：即k₂、k₄、T₁、T₂和τ的上下界，其中k₂∈[0,10]，k₄∈[0,1]，T₁∈[0,500]， T₂∈[0,500]，τ∈[0,50]；

③适应度函数：E为误差函数；

④遗传操作：采用轮盘赌选择法、均匀交叉、均匀变异的策略。

得到最佳参数k_2opt＝8.06、k_4opt＝0.30、T_1opt＝140.23、T_2opt＝190、τ_opt＝37.07，得到 $W_{NB}\left(s\right)=\frac{8.06e^{-37.07s}}{(140.23s+1)(190s+1)},W_{PB}\left(s\right)=\frac{0.3e^{-37.07s}}{(140.23s+1)(190s+1)};$

步骤七：同理，使u_B(i)＝0,i＝1,2,...,M，u_T(i),i＝1,2,...,M均匀随机变化，重复步 骤四、步骤五，得到最佳的对象参数k_1opt＝1035、k_3opt＝-0.17、T_3opt＝24.95，得到 $W_{NT}\left(s\right)=\frac{1035s}{(190s+1)(24.95s+1)},W_{PT}\left(s\right)=\frac{-0.17}{190s+1}.$

得到对象的传递函数模型：

$\left(\begin{array}{c}\left(\begin{array}{c}{N}_E\\ P_T\end{array}\right)=\left(\begin{array}{cc}{W}_{NT}\left(s\right)& W_{NB}\left(s\right)\\ W_{PT}\left(s\right)& W_{PB}\left(s\right)\end{array}\right)\left(\begin{array}{c}{u}_T\\ u_B\end{array}\right)\\ =\left(\begin{array}{cc}\frac{1035s}{(1+190s)(1+24.95s)}& \frac{8.06}{(1+190s)(1+140.23s)}{e}^{-37.07s}\\ -\frac{0.17}{1+190s}& \frac{0.3}{(1+190s)(1+140.23s)}{e}^{-37.07s}\end{array}\right)\left(\begin{array}{c}{u}_T\\ u_B\end{array}\right)\end{array}\right)$

分别对四个传递函数作阶跃响应，与现场真实的阶跃响应进行比较，得到如图2的 W_PB(s)阶跃响应的真实值和预测值的对比图，如图3的W_NB(s)阶跃响应的真实值和预测 值的对比图；如图4的W_PT(s)阶跃响应的真实值和预测值的对比图；以及图5的W_NT(s) 阶跃响应的真实值和预测值的对比图，从图中可以看出辨识得到的传递函数模型精度较 高。