一种机组主汽温度被控过程传递函数模型辨识方法

摘要

本发明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。

说明书

技术领域

本发明属于热工自动控制技术领域，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。

背景技术

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。

本发明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。本发明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。

发明内容

发明目的：为了克服现有过程传递函数模型辨识方法存在的不足，本发明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，本发明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P_t(MPa)、主汽减温喷水流量D_ps(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D_ps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D_ps(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＝D_ps_min-D_ps_mean，b＝D_ps_max-D_ps_mean，其中D_ps_min、D_ps_max和D_ps_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D_ps(k)和T₂(k)的变换值D'_ps(k)和T₂'(k)：D'_ps(k)＝D_ps(k)+D_ps_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D_ps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，P_t各个时延输入变量值取常量P_t_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、P_t_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：

$\left(\begin{array}{c}f=\frac{1}{J}\\ J=\sqrt{\underset{k=M_1}{\overset{M_2}{\Sigma }}{[T_2^{\prime }\left(k\right)-T_2^{\prime \prime }\left(k\right)]}^2}\end{array}\right)$

其中，J为性能指标，M₁为神经网络输入变量D_ps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。

在步骤5的遗传算法中，若n₁、n₂为小数，则对其进行四舍五入取整处理。

通过设置变量不同Ne_set的值，获得不同负荷下机组主汽温度被控过程传递函数模型。

有益效果：本发明直接利用大量现场数据，可建立不同负荷下的机组主汽温度被控过程传递函数模型，不受机组运行条件的限制，节省了现场试验所花费的人力、物力。

附图说明

图1是机组主汽温度过程神经网络模型。

图2为从神经网络模型提取传递函数模型原理图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

实施例为国内某电厂300MW亚临界燃煤单元机组，实施过程如图2：

步骤1：通过机组分散控制系统(DCS)采集现场运行数据，采样周期T为6秒，采集的变量包括：机组负荷Ne(MW)、烟气氧量O₂(％)、主汽压力P_t(MPa)、主汽减温喷水流量D_ps(T/H)、减温喷水前主汽温度T₁(℃)和主汽温度T₂(℃)，实施例共采集了3400组数据；

步骤2：对变量Ne、O₂、P_t、D_ps、T₁和T₂分别作时延处理，将步骤1中采集的数据整理成N₂-N₁+1组如下形式的模型辨识样本：

[Ne(t-m₁)O₂(t-m₂)P_t(t-m₃)D_ps(t-m₄)T₁(t-m₅)T₂(t-m₆)T₂(t)]，其中，t表示采样时刻，Ne(t-m₁)为机组负荷在t-m₁时刻的值，m₁＝1，2，…，n₁，O₂(t-m₂)为烟气氧量在t-m₂时刻的值，m₂＝1，2，…，n₂，P_t(t-m₃)为主汽压力在t-m₃时刻的值，m₃＝1，2，…，n₃，D_ps(t-m₄)为主汽减温喷水流量在t-m₄时刻的值，m₄＝1，2，…，n₄，T₁(t-m₅)为减温喷水前主汽温度在t-m₅时刻的值，m₅＝1，2，…，n₅，T₂(t-m₆)为主汽温度在t-m₆时刻的值，m₆＝1，2，…，n₆，T₂(t)为主汽温度在t时刻的值，n₁、n₂、n₃、n₄、n₅和n₆分别为相应变量的最大时延，t＝N₁，N₁+1，…，N₂，N₁为n₁、n₂、n₃、n₄、n₅和n₆中的最大值，N₂为步骤1的总采样个数；

实施例中，n₁＝3、n₂＝3、n₃＝3、n₄＝7、n₅＝10、n₆＝10，N₁＝10，N₂＝3400。

步骤3：根据步骤2的辨识样本，采用神经网络技术，建立以Ne(t-m₁)、O₂(t-m₂)、P_t(t-m₃)、D_ps(t-m₄)、T₁(t-m₅)和T₂(t-m₆)为输入，以T₂(t)为输出的初始神经网络模型(如图1所示)，并采用灵敏度剪枝算法对该初始神经网络模型进行优化，删除冗余的输入变量，得到机组主汽温度过程神经网络模型NNet，记神经网络模型NNet输入变量D_ps(t-m₄)和T₂(t-m₆)的最大时延分别为n_ps和n_T2，实施例中，n_ps＝5，n_T2＝7；

步骤4：以主汽减温喷水流量D_ps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D_ps(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，采样周期为6s；均匀分布随机信号的上下限分别为：a＝D_ps_min-D_ps_mean，b＝D_ps_max-D_ps_mean，其中D_ps_min、D_ps_max和D_ps_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；计算D_ps(k)和T₂(k)的变换值D'_ps(k)和T₂'(k)：D'_ps(k)＝D_ps(k)+D_ps_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；

实施例中，D_ps_min＝0t/h，D_ps_max＝21.47t/h，D_ps_mean＝7.59t/h，a＝-7.59，b＝13.88，T₂_mean＝539.6℃；

步骤5：将步骤4中的变量值D'_ps(k)和T₂'(k)整理成M₂-M₁+1组样本[D'_ps(k-i)T₂'(k-j)]，其中，D'_ps(k-i)为变量D'_ps在k-i时刻的值，T₂'(k-j)为变量T₂'在k-j时刻的值，i＝1，2，…，n_ps，j＝1，2，…，n_T2，k＝M₁，M₁+1，…，M₂，M₁为n_ps和n_T2中较大的值，M₂为步骤4的总采样个数；以D'_ps(k-i)和T₂'(k-j)样本值作为神经网络NNet的D_ps和T₂相应各个时延输入变量的输入值，神经网络NNet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，P_t各个时延输入变量值取常量P_t_mean，T₁各个时延输入变量值取常量T₁_mean，计算神经网络NNet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、P_t_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；

实施例中，M₁＝7，M₂＝3000，Ne_set＝290MW，O₂_mean＝4.69％，P_t_mean＝13.55MP，T₁_mean＝442.5℃；

步骤6：采用遗传算法优化技术，对步骤4中的传递函数G(s)的参数T₁、T₂、n₁、n₂和K进行优化，遗传算法采用如下的适应度函数f：

$\left(\begin{array}{c}f=\frac{1}{J}\\ J=\sqrt{\underset{k=M_1}{\overset{M_2}{\Sigma }}{[T_2^{\prime }\left(k\right)-T_2^{\prime \prime }\left(k\right)]}^2}\end{array}\right)$

其中，J为性能指标，(k)按步骤4方法计算，(k)按步骤5方法计算，在遗传操作过程中，若n为小数，则对其进行四舍五入取整处理；使性能指标J最小的K、T₀和n值即为机组主汽温度被控过程传递函数模型的参数。

实施例的优化结果为K＝1.012，T₁＝92.6，n₁＝5，T₂＝42.3，n₂＝1，290MW负荷下的机组主汽温度被控过程的传递函数为

本发明直接利用大量现场数据，可建立不同负荷下的机组主汽温度被控过程传递函数模型，不受机组运行条件的限制，节省了现场试验所花费的人力、物力。