[發明專利]一種燃煤鍋爐系統混合建模方法

無效

• 申請號: 200810061907.3
• 申請日: 2008-05-12
• 公開（公告）號: CN101286044A
• 公開（公告）日: 2008-10-15
• 發明（設計）人: 張日東;薛安克;葛銘;陳云;王春林
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 杭州求是專利事務所有限公司
• 代理人: 杜軍

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{X_i，y(i)}_i＝1^N，其中X_i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：

y_L(k)＝Φ^TX，Φ＝[a₁，a₂，…，a_n，b₀，b₁，…，b_m-1]^T

X＝[y(k-1)，…，y(k-n)，u(k-d-1)，…，u(k-d-m)]^T

其中，y_L(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：

Φ‾k=Φ‾k-1+K‾(k)[y(k)-Φ‾kTXk]]]>

K‾(k)=P(k-1)Xk[XkTP(k-1)Xk+γ]-1]]>

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)-y_L(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{X_i，e(i)}_i＝1^N，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{X_i，e(i)}_i＝1^N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{X_i，e(i)}_i＝1^N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

min Jw,β,e(w,e)=12wTw+12γΣk=1Nek2]]>

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e~(k)=f(X,Xi),]]>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：

βW=01T1Ω+γ-1I-10E]]>

其中，W＝[w₁，w₂，…，w_N]^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)=yL(k)+e~(k),]]>y_m(k)即為燃煤鍋爐系統的混合模型。