[發(fā)明專利]基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法

無效

• 申請?zhí)枺?/td>: 201010171776.1
• 申請日: 2010-05-13
• 公開（公告）號: CN101825869A
• 公開（公告）日: 2010-09-08
• 發(fā)明（設計）人: 王景成;陳旭;史元浩;呂鵬宏;王斌;袁景淇
• 申請（專利權(quán)）人: 上海交通大學
• 主分類號: G05B13/02
• 分類號: G05B13/02;F22G5/20
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王錫麟;王桂忠

1.一種基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，包含以下步驟：

第一步，建立鍋爐過熱器的非線性集總參數(shù)模型，確定已知的鍋爐運行參數(shù)和需要辨識的參數(shù)；

第二步，對已知鍋爐運行參數(shù)進行壞點處理和數(shù)據(jù)平滑處理，得到處理后的鍋爐運行狀態(tài)參數(shù)，從而得到鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫；

第三步，對鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫進行n段劃分處理，建立n個不同負荷段的訓練樣本數(shù)據(jù)庫，并將每個負荷段的訓練樣本數(shù)據(jù)庫按照負荷區(qū)間S均勻的分為若干訓練樣本子集，并對每個訓練樣本子集中的參數(shù)進行歸一化處理；

第四步，針對每個訓練數(shù)據(jù)庫建立一個對應的RBF神經(jīng)網(wǎng)絡模型，并使n個RBF神經(jīng)網(wǎng)絡模型并聯(lián)組成混合網(wǎng)絡；

第五步，提取當前時刻過熱器系統(tǒng)的實際測量值，對RBF神經(jīng)網(wǎng)絡模型進行在線參數(shù)辨識，得到此時需要辨識的參數(shù)的數(shù)值；

第六步，每隔時間間隔t，對RBF神經(jīng)網(wǎng)絡模型進行更新處理，得到更新后的RBF神經(jīng)網(wǎng)絡模型，并使更新后的RBF神經(jīng)網(wǎng)絡模型并聯(lián)組成新的混合網(wǎng)絡，由新的混合網(wǎng)絡對需要辨識的參數(shù)進行在線參數(shù)辨識。

2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征是，第三步中所述的n段劃分處理，是指：確定分段個數(shù)為n，在保證每段數(shù)據(jù)庫個數(shù)盡量相等的情況下，將鍋爐運行狀態(tài)參數(shù)實時數(shù)據(jù)庫按照負荷大小分為n段，從而得到n個不同負荷段的訓練樣本數(shù)據(jù)庫。

3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征是，第六步中所述的更新處理，包括以下步驟：

1)將過去t時間內(nèi)的過熱器系統(tǒng)的實際測量數(shù)據(jù)依次進行壞點處理、數(shù)據(jù)平滑處理和歸一化處理，得到過去t時間內(nèi)的處理后的實際測量數(shù)據(jù)；

2)根據(jù)過去t時間內(nèi)每一時刻的負荷，得到過去t時間內(nèi)每一時刻處理后的實際測量數(shù)據(jù)所屬的訓練樣本數(shù)據(jù)庫，并進一步得到過去t時間內(nèi)每一時刻處理后的實際測量數(shù)據(jù)所屬的訓練樣本數(shù)據(jù)子集；

3)將屬于同一訓練樣本數(shù)據(jù)子集的處理后的實際測量數(shù)據(jù)按從前向后的順序，依次替換原有的樣本數(shù)據(jù)，得到更新后的訓練樣本數(shù)據(jù)庫；

4)針對更新后的訓練樣本數(shù)據(jù)庫建立一個對應的RBF神經(jīng)網(wǎng)絡模型。

4.根據(jù)權(quán)利要求1或3所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征是，所述的建立一個對應的RBF神經(jīng)網(wǎng)絡模型，包括以下步驟：

1)確定RBF神經(jīng)網(wǎng)絡模型的輸出量，即需要辨識的參數(shù)；

2)從鍋爐過熱器的非線性集總參數(shù)模型中查找與需要辨識的參數(shù)有關(guān)系的已知鍋爐運行參數(shù)，去除鍋爐運行狀態(tài)參數(shù)中非獨立和難以獲得的量，從而得到RBF神經(jīng)網(wǎng)絡模型的輸入量；

3)采用現(xiàn)有的RBF神經(jīng)網(wǎng)絡訓練方法對輸入量和輸出量進行訓練，得到RBF神經(jīng)網(wǎng)絡模型。

5.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征是，第五步中所述的在線參數(shù)辨識，是：對當前時刻過熱器系統(tǒng)的實際測量值依次進行壞點處理、數(shù)據(jù)平滑處理和歸一化處理，并根據(jù)當前負荷的大小將處理的實際測量值輸入相應負荷段的RBF神經(jīng)網(wǎng)絡模型中，從而得到此時需要辨識的參數(shù)的數(shù)值。

6.根據(jù)權(quán)利要求1或3或5所述的基于數(shù)據(jù)驅(qū)動的過熱器模型參數(shù)辨識方法，其特征是，所述的壞點處理是通過多項式滑動擬合方法來判斷壞點，并采用七點二階前推差分算式對壞點進行剔除。