火电机组热工过程辨识与机组负荷优化控制研究

发布时间：2020-06-03 01:10

【摘要】：单元机组的热工过程自动控制是保证热力设备安全和经济运行的必要措施和手段,控制系统的控制性能直接影响到机组运行的安全性和经济性。控制系统设计涉及被控对象的建模和控制器的设计。由于基于现场动态特性试验的模型辨识方法有诸多不足之处,基于现场数据和神经网络的模型辨识方法成为近年来的研究热点,但如何提高神经网络模型的性能尚需进一步研究。目前火电机组负荷控制系统广泛采用的是PID控制,对PID控制器参数进行优化是提高机组负荷控制性能的有效途径之一;尽管有些文献提出了机组负荷预测控制方法,但如何合理利用汽机与锅炉之间的耦合特性,提高预测控制性能,是一个值得研究的问题。因此,论文研究热工过程模型辨识问题,以及单元机组负荷PID控制和预测控制问题,选题具有重要的理论意义和应用价值。论文主要研究内容及取得的研究成果如下:1.对过程神经网络模型辨识方法进行了研究,针对传统的基于误差平方和性能指标的模型辨识方法未考虑相邻采样数据之间相关性的问题,提出了一种新型神经网络辨识性能指标及其相应的学习算法。仿真研究表明,与传统的基于误差平方和性能指标的BP神经网络辨识方法相比,在相同的辨识精度条件下,本文的方法可大大提高所建模型的数据拟合能力和泛化能力,有效提高模型的质量。2.对过程阶次辨识和神经网络模型结构优化进行了研究,提出了一种改进的神经网络剪枝策略。该策略对输入节点和隐节点采用不同的方法分别进行剪枝。对于输入节点采用基于灵敏度的剪枝方法进行剪枝,避免了因计算量大而需要采用工程近似导致误删节点的问题;对于隐节点,采用基于相关度的剪枝方法进行剪枝,克服了基于灵敏度的剪枝方法进行跨层剪枝时误删节点的不足。仿真研究表明,改进的剪枝策略可以达到确定阶次、精简网络结构并增强网络泛化能力的目的。3.研究了基于遗传算法的机组负荷PID控制器参数优化整定方法,提出了一种由偏差和偏差变化率构成的改进优化性能指标,克服了传统性能指标调整优化结果不够灵活的不足;根据炉跟机机组负荷控制系统的特性,提出一种针对炉跟机控制系统的新型优化性能指标,可使控制系统能充分利用锅炉蓄热,以较少的能量满足机组对负荷的响应。针对遗传优化算法,还提出一种确定遗传算法优化变量寻优范围的方法,有效节省了遗传算法的寻优时间,提高了参数的寻优效率。通过仿真研究验证了上述方法的有效性。4.研究了单元机组负荷多变量预测控制方法,提出了一种新型预测控制性能指标及其相应的预测控制算法,同时提出了性能指标中权系数的在线自适应修正方法。仿真研究表明,所提出的新型预测控制算法的控制性能优于常规预测控制算法,性能指标中权系数的在线自适应修正可有效利用锅炉蓄热,提高机组负荷的响应速度。5.对单元机组负荷控制进行了应用研究,提出了根据现场数据建立被控对象神经网络模型,再从神经网络提取所需过程传递函数模型,进而根据传递函数模型设计控制器的方法,并通过仿真验证了该方法的有效性。
【图文】：

示意图,基本结构,神经网络,参数

图 2-1 神经网络基本结构及各参数示意图算可得隐层和输出层的神经元输入为：( ) ( )1( ) ( )1' ' 'In nj ji i jiJn nm mj j mju w xu w o Equ第 n 组样本下第 i 个输入节点的输入；( n)ju 和( n)jo 分别是和输出；wji和 θj分别是第 i 个输入节点和输入层的偏置w'mj和 θ'm分别是第 j 个隐节点和隐层的偏置值节点到第 n 组样本下第 m 个输出节点的输入。层的神经元输出为：( ) ( )( ) ( )( )'n nj jn nm mo f uy u 第 n 组样本下第 m 个输出节点的输出，即网络输出；

下网,测试样本

图 2-3 测试样本下网络输出对比表 2-2 不同指标下神经网络训练结果对比训练指标 JA=JeJA=Je+λJrate差Je1 1Jrate1.1482 0.0304差Je0.3213 0.0467Jrate0.4072 0.0094 2-2 和图 2-3 可以看出，无论在训练样本还是测试样本下，，传统仅使用得到的神经网络虽然已经达到精度要求，但曲线含有大量锯齿，如果希，则需要进一步训练。与之相比，使用指标 +A e rateJ J J，神经网络可练结果，输出曲线变得平滑，在相同的训练精度下，其泛化能力有显著了神经网络训练至较高精度可能出现的过拟合及所需训练时间过长的问研究 2：基于改进剪枝策略的神经网络辨识
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM621

【参考文献】