專利名稱：一種燃煤鍋爐系統混合建模方法
技術領域：
本發明屬于信息技術領域，涉及到自動化技術，特別是涉及一種燃煤鍋爐的基于數據驅動和智能控制的建模方法。
背景技術：
燃煤鍋爐是電力生產部門的重要動力設備，其要求是供給合格的蒸汽，使燃煤鍋爐發汽量適應負荷的需要。為此，生產過程的各個主要工藝參數必須嚴格控制。然而燃煤鍋爐設備是一個復雜的被控對象，輸入量與輸出量之間相互關聯。如蒸汽負荷發生變化必將引起汽包水位、蒸汽壓力和過熱蒸汽溫度變化；燃料量的變化不僅影響蒸汽壓力，同時還影響汽包水位、過熱蒸汽溫度、過剩空氣和爐膛負壓；給水量的變化不僅影響汽包水位，而且對蒸汽壓力、過熱蒸汽溫度也有影響；減溫水的變化會導致過熱蒸汽溫度、蒸汽壓力、汽包水位等的變化。這些不利因素導致基于傳統建模理論的模型精度不高，又進一步導致后續生產控制參數不穩定，產品合格率低，鍋爐效率低下。目前燃煤鍋爐的建模與控制完全依賴技術人員經驗，使生產成本增加，控制效果很不理想。我國燃煤鍋爐控制與優化技術比較落后，能耗居高不下，控制性能差，自動化程度低，很難適應節能減排以及間接環境保護的需求，這其中直接的影響因素之一便是燃煤鍋爐系統的模型選取問題。
發明內容
本發明的目標是針對現有的技術的不足之處，提供一種燃煤鍋爐汽包水位、過熱蒸汽溫度、蒸汽壓力等模型的建模方法，具體是基于數據驅動和智能支持向量機控制技術的建模方法。該方法彌補了傳統建模方式的不足，保證模型具有較高的精度和穩定性的同時，也保證形式簡單并滿足實際控制器設計的需要。
本發明的技術方案是通過數據采集、過程辨識、預測機理、數據驅動、智能優化等手段，確立了一種燃煤鍋爐的基于數據驅動的智能優化模型，利用該方法可有效提高模型的精度。
本發明通過基于過程辨識和智能優化等手段獲得燃煤鍋爐生產工藝參數的模型，通過數據驅動和誤差驅動分步進行挖掘得到燃煤鍋爐生產過程中各參數的內在關聯。建立的模型既具備經驗模型特性，又體現過程機理的關系。首先基于實時過程數據驅動建立局部預測模型，挖掘出基本的過程特性；然后通過在線采集的實時工業過程數據建立誤差驅動數據集合作為智能支持向量機模型的數據輸入，進一步尋找智能模型參數。
本發明方法的步驟包括 (1)利用實時數據驅動的方法建立局部預測模型，具體方法是首先，建立燃煤鍋爐實時運行數據庫，通過數據采集裝置采集實時過程運行數據，將采集的實時過程運行數據作為數據驅動的樣本集合，表示為{Xi，y(i)}i＝1N，其中Xi表示第i組工藝參數的輸入數據，y(i)表示第i組工藝參數的輸出值；以該實時過程運行數據集合為基礎建立基于最小二乘法的離散差分方程形式的局部受控自回歸滑動平均模型 yL(k)＝ΦTX，Φ＝[a1，a2，…，an，b0，b1，…，bm-1]T X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]T 其中，yL(k)表示當前時刻局部預測模型的工藝參數的輸出值，X表示局部預測模型的工藝參數的過去時刻的輸入和輸出數據的集合，u(k)表示工藝參數對應的控制變量，Φ表示通過辨識得到的模型參數的集合，n，m，d+1分別為對應實際過程的輸出變量階次、輸入變量階次、時滯。
采用的辨識手段為
其中，
γ為遺忘因子，
為單位陣。
(2)利用誤差數據驅動的方法建立局部誤差智能預測模型，具體方法是首先建立燃煤鍋爐實時運行誤差數據庫，通過數據采集裝置采集實時過程運行數據，與局部預測模型數據相比較，得到的數據之差進入誤差數據庫，表示為e(k)＝y(k)-yL(k)，其中e(k)為實時誤差數據，將實時過程運行數據和實時誤差數據作為誤差數據驅動的樣本集合，表示為{Xi，e(i)}i＝1N，e(i)表示第i組工藝參數的誤差數據。
以誤差數據驅動的樣本集合{Xi，e(i)}i＝1N為基礎，采用支持向量機優化方法，建立局部誤差智能預測模型，具體方法是 首先根據工藝要求設定誤差性能指標，標記為總體目標函數
然后按照以下過程進行判斷 a.初設支持向量機初始結構參數。
b.基于誤差數據驅動的樣本集合{Xi，e(i)}i＝1N與局部誤差智能預測模型的輸出之間的偏差建立局部目標函數，表示為
其中
加權向量
誤差變量
θ是設定的閾值。
c.利用支持向量機方法優化局部目標函數，得到支持向量機模型辨識參數，并得到局部誤差智能預測模型，表示為
為局部誤差智能預測模型的工藝參數的輸出。
d.計算局部誤差智能預測模型的工藝參數的輸出與實時誤差數據之間的誤差
如果誤差滿足總體目標函數的要求，則退出；如果誤差不滿足總體目標函數的要求，進入步驟e。
e.利用誤差
采用遺傳算法對支持向量機結構參數進行優化，得到新的支持向量機模型結構參數，重復c～e步。
第c步優化支持向量機辨識參數的具體步驟為 ①利用實時運行誤差數據庫的實時數據優化該目標函數后，得到局部誤差智能預測模型的操作參數 其中，W＝[w1，w2，…，wN]T，1＝[1，1，…，1]T，E＝[e(1)，e(2)，…，e(N)]T，Ω為一個方陣，其第i行j列的元素為
K(·，·)為核函數。
②把建立的局部預測模型和局部誤差智能預測模型相加ym(k)即為燃煤鍋爐系統的混合模型。
本發明提出了一種基于數據驅動和智能優化的針對燃煤鍋爐系統工藝參數的混合建模方法，該方法彌補了傳統建模的不足，并有效地方便了控制器的設計，保證控制性能的提升，同時滿足給定的生產性能指標。
本發明提出的建模方法可以有效減少模型與實際工藝參數之間的誤差，進一步彌補了傳統控制器的不足，同時保證控制裝置操作在最佳狀態，使生產的工藝參數達到嚴格控制。
具體實施例方式 以下結合技術方案，詳細敘述本發明的具體實施方式
。
以循環流化床鍋爐系統過程建模為例 這里以該系統蒸汽溫度回路的建模作為例子加以描述。蒸汽溫度不僅受到減溫器中減溫水量的影響，同時也受燃料流量，空氣流量和蒸汽流量的影響。調節手段采用減溫水量，其余的影響作為不確定因素。
(1)建立該燃煤鍋爐系統的蒸汽溫度局部預測模型。
通過數據采集裝置采集實時過程蒸汽溫度運行數據，將采集的實時過程蒸汽溫度運行數據作為數據驅動的樣本集合采用最小二乘法推理，建立基于最小二乘法的離散差分方程形式的蒸汽溫度局部預測模型。
其中，系統調用推理機采用最小二乘法進行蒸汽溫度局部預測模型參數的辨識，這些參數包括元素Φ中變量的個數和具體數值。
其中y(k)是實際蒸汽溫度測量值，ΦkTXk是蒸汽溫度局部預測模型的輸出值。
這個過程是第一步推理過程。這個第一步推理是初步挖掘實際蒸汽溫度回路的基本特性。
(2)建立蒸汽溫度局部誤差智能預測模型 在第一步建立蒸汽溫度局部預測模型的同時，推理機同時建立燃煤鍋爐蒸汽溫度實時運行誤差數據庫，通過數據采集裝置采集實時蒸汽溫度過程運行數據，與蒸汽溫度局部預測模型的數據相比較，得到的數據之差進入蒸汽溫度實時運行誤差數據庫，表示為e(k)＝y(k)-yL(k)。以該蒸汽溫度實時運行誤差數據組合成蒸汽溫度實時運行誤差數據驅動樣本集合，表示為{Xi，e(i)}i＝1N。基于該蒸汽溫度實時運行誤差數據驅動樣本集合，采用支持向量機優化方法，建立蒸汽溫度局部誤差智能預測模型 其中σ2為經過智能優化算法得到的支持向量機的參數。這個過程中系統會進行二個推理，過程如下 首先根據工藝要求設定蒸汽溫度誤差性能指標，表示為目標函數1，然后按照以下過程進行判斷 (1)初設支持向量機初始結構參數。
(2)基于蒸汽溫度誤差數據驅動樣本集合{Xi，e(i)}i＝1N與蒸汽溫度局部誤差智能預測模型的輸出之間的偏差建立目標函數2，表示為
其中，
加權向量
誤差變量
θ是設定的閾值。
(3)利用支持向量機方法優化目標函數2，得到支持向量機模型辨識參數，并得到蒸汽溫度局部誤差智能預測模型，表示為 (4)計算蒸汽溫度局部誤差智能預測模型與實際蒸汽溫度實時運行誤差數據e(k)之間的誤差
如果誤差
滿足目標函數1的要求，則退出循環，建立的蒸汽溫度模型滿足要求。如果誤差
不滿足目標函數1的要求，進入步驟(5)。
其中，e(k)生產過程蒸汽溫度實時運行誤差數據；
局部蒸汽溫度誤差智能預測模型輸出值。
(5)利用誤差
數據采用遺傳算法對支持向量機結構參數進行優化，得到新的支持向量機模型結構參數，重復(3)～(5)步。
權利要求
1、一種燃煤鍋爐系統混合建模方法，其特征在于該方法包括以下步驟
(1)利用實時數據驅動的方法建立局部預測模型，具體方法是
首先，建立燃煤鍋爐實時運行數據庫，通過數據采集裝置采集實時過程運行數據，將采集的實時過程運行數據作為數據驅動的樣本集合，表示為{Xi，y(i)}i＝1N，其中Xi表示第i組工藝參數的輸入數據，y(i)表示第i組工藝參數的輸出值；
其次，以該實時過程運行數據集合為基礎建立基于最小二乘法的離散差分方程形式的局部受控自回歸滑動平均模型
yL(k)＝ΦTX，Φ＝[a1，a2，…，an，b0，b1，…，bm-1]T
X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]T
其中，yL(k)表示當前時刻局部預測模型的工藝參數的輸出值，x表示局部預測模型的工藝參數的過去時刻的輸入和輸出數據的集合，u(k)表示工藝參數對應的控制變量，Φ表示通過辨識得到的模型參數的集合，n，m，d+1分別為對應實際過程的輸出變量階次、輸入變量階次、時滯；
采用的辨識手段為
其中，
γ為遺忘因子，
為單位陣；
(2)利用誤差數據驅動的方法建立局部誤差智能預測模型，具體方法是
首先，建立燃煤鍋爐實時運行誤差數據庫，通過數據采集裝置采集實時過程運行數據，與局部預測模型數據相比較，得到的數據之差進入誤差數據庫，表示為e(k)＝y(k)-yL(k)，其中e(k)為實時誤差數據；
其次，將實時過程運行數據和實時誤差數據作為誤差數據驅動的樣本集合，表示為{Xi，e(i)}i＝1N，其中e(i)表示第i組工藝參數的誤差數據；
第三，以誤差數據驅動的樣本集合{Xi，e(i)}i＝1N為基礎，采用支持向量機優化方法，建立局部誤差智能預測模型，具體方法是
根據工藝要求設定誤差性能指標，標記為總體目標函數
然后按照以下過程進行判斷
a.初設支持向量機初始結構參數；
b.基于誤差數據驅動的樣本集合{Xi，e(i)}i＝1N與局部誤差智能預測模型的輸出之間的偏差建立局部目標函數，表示為
其中
加權向量
誤差變量
θ是設定的閾值；
c.利用支持向量機方法優化局部目標函數，得到支持向量機模型辨識參數，并得到局部誤差智能預測模型，表示為
為局部誤差智能預測模型的工藝參數的輸出；
d.計算局部誤差智能預測模型的工藝參數的輸出與實時誤差數據之間的誤差
如果誤差滿足總體目標函數的要求，則退出；如果誤差不滿足總體目標函數的要求，進入步驟e；
e.利用誤差
采用遺傳算法對支持向量機結構參數進行優化，得到新的支持向量機模型結構參數，重復c～e步；
其中第c步優化支持向量機辨識參數的具體步驟為
①利用實時運行誤差數據庫的實時數據優化該目標函數后，得到局部誤差智能預測模型的操作參數
其中，W＝[w1，w2，…，wN]T，1＝[1，1，…，1]T，E＝[e(1)，e(2)，…，e(N)]T，Ω為一個方陣，其第i行j列的元素為
K(·，·)為核函數；
②把建立的局部預測模型和局部誤差智能預測模型相加ym(k)即為燃煤鍋爐系統的混合模型。
全文摘要
本發明涉及一種燃煤鍋爐系統混合建模方法。本發明首先利用實時數據驅動的方法建立局部預測模型，具體是將采集的實時過程運行數據作為數據驅動的樣本集合，以該集合為基礎建立基于最小二乘法的離散差分方程形式的局部受控自回歸滑動平均模型；其次利用誤差數據驅動的方法建立局部誤差智能預測模型，具體是以誤差數據驅動的樣本集合為基礎，采用支持向量機優化方法，建立局部誤差智能預測模型。建立局部誤差智能預測模型是根據工藝要求設定誤差性能指標，然后進行判斷。本發明提出的建模方法可以有效減少模型與實際工藝參數之間的誤差，彌補了傳統控制器的不足，保證控制裝置操作在最佳狀態，使生產的工藝參數達到嚴格控制，有效提高模型的精度。
文檔編號G05B13/04GK101286044SQ20081006190
公開日2008年10月15日 申請日期2008年5月12日 優先權日2008年5月12日
發明者張日東, 薛安克, 銘 葛, 云 陳, 王春林 申請人:杭州電子科技大學