[发明专利]火电厂热工过程混合辨识方法和系统

说明书

技术领域

本发明涉及火电厂热工过程技术领域，特别是涉及一种火电厂热工过程混合辨识方法和系统。

背景技术

火电厂热工过程被控对象动态特性是指控制对象的输出与输入之间的动态关系，热工对象传递函数模型辨识一直是系统辨识领域的重要研究内容，辨识得到的传递函数模型对于精确描述热工系统动态特性、控制系统的控制方案设计及调节器参数整定等具有重要意义。

模型辨识包括模型结构假定和模型参数辨识两个部分。由于影响被控对象动态特性的因素较多，很难做到对其进行精确描述。由于热工系统的非线性特性，使得很多被控对象的增益不是常数，相较时间常数T和迟延时间τ而言，增益的改变会对系统的控制品质产生更为重要的影响，所以增益的辨识在整个模型确定过程中意义重大，如果不能准确辨识会导致火电厂热工过程安全性低。

发明内容

基于此，有必要针对上述问题，提供一种提高火电厂热工过程安全性的火电厂热工过程混合辨识方法和系统。

一种火电厂热工过程混合辨识方法，包括以下步骤：

根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中；

根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值；

根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；

根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。

一种火电厂热工过程混合辨识系统，包括：

数据分类模块，用于根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入所述辨识数列中；

第一处理模块，用于根据所述辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值；

第二处理模块，用于根据所述时间常数、迟延时间和增益的初始值，利用线性法对所述热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式；

增益修正模块，用于根据所述热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对所述热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。

上述火电厂热工过程混合辨识方法和系统，根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入辨识数列中。根据辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值。根据时间常数、迟延时间和增益的初始值，利用线性法对热工过程对象的时间常数、迟延时间和增益进行拟合得到对应的函数表达式。根据热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型。在辨识热工被控对象模型参数时，可利用神经网络所具有的对任意非线性映射的任意逼近能力来模拟实际系统的输入和输出关系，根据输入输出数据不断调整辨识精度，确保增益辨识的准确性，提高了火电厂热工过程安全性。

附图说明

图1为一实施例中火电厂热工过程混合辨识方法的流程图；

图2为一实施例中根据预设的负荷工况点对应建立辨识数列，并将采集到的火电厂热工过程的实时数据分别对应归入辨识数列中的流程图；

图3为一实施例中根据辨识数列，利用最小二乘法辨识热工过程对象的时间常数、迟延时间和增益的初始值的流程图；

图4为一实施例中根据热工过程对象的时间常数、迟延时间和增益的函数表达式，利用Elman神经网络对热工过程对象的增益进行修正，得到一阶惯性加纯迟延模型的流程图；

图5为一实施例中Elman神经网络的结构图；

图6为一实施例中引入Elman神经网络的被控系统结构图；

图7为一实施例中火电厂热工过程混合辨识系统的结构图；

图8为一实施例中数据分类模块的结构图；

图9为一实施例中第一处理模块的结构图；

图10为一实施例中增益修正模块的结构图。

具体实施方式

一种火电厂热工过程混合辨识方法，适用于针对传递函数可等效成一阶惯性加迟延环节的热工过程。如图1所示，火电厂热工过程混合辨识方法包括以下步骤：