[发明专利]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。

主权项

1.一种机组主汽温度被控过程传递函数模型辨识方法，其特征在于：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T′₂(k)：D'_ps(k)＝D_ps(k)+D_ps_mean，T′₂(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T′₂(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T″₂(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：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。