基于多模型與現(xiàn)場數(shù)據(jù)的過熱汽溫模型辨識方法研究.pdf

1、過熱汽溫控制是火電廠熱工控制中較為重要的環(huán)節(jié)，若想要達(dá)到較好的過熱汽溫控制效果，就必須對其進(jìn)行有效的分析。熱工對象的分析離不開準(zhǔn)確的數(shù)學(xué)模型，然而，過熱汽溫模型慣性和純遲延較大，非線性和時變性較強，這就對模型的建立提出了很高的要求。本文采用了多模型建模方法對過熱汽溫進(jìn)行模型的建立，實驗表明此方法可以有效的解決在過熱汽溫模型建立中所遇到的難題。
　　針對數(shù)據(jù)標(biāo)準(zhǔn)化前后可能發(fā)生的相對差距扭曲的情況，本文選擇了平均絕對偏差標(biāo)準(zhǔn)化對數(shù)據(jù)進(jìn)

2、行標(biāo)準(zhǔn)化，使得各數(shù)據(jù)在標(biāo)準(zhǔn)化前后的相對差距不發(fā)生扭曲。利用主元分析及多變量過程監(jiān)測得到了影響過熱汽溫的主導(dǎo)輔助變量，并將其作為數(shù)據(jù)模型的輸入變量。應(yīng)用滑動窗穩(wěn)態(tài)數(shù)據(jù)提取算法從大量連續(xù)運行數(shù)據(jù)中提取出了機組準(zhǔn)穩(wěn)態(tài)運行數(shù)據(jù)，用于靜態(tài)數(shù)據(jù)模型的建立。
　　提出了基于樣本優(yōu)選的譜聚類算法并應(yīng)用到本文對大量運行數(shù)據(jù)聚類。通過樣本優(yōu)選后，樣本數(shù)得以精簡，同時所剩樣本也能代表整個機組的運行工況特性，可以用譜聚類算法對精簡后的樣本進(jìn)行聚類，否則樣

3、本數(shù)量過大將導(dǎo)致譜聚類算法運算量過大。根據(jù)機組容量和聚類結(jié)果選擇了三個聚類中心，即要建立三個局部模型。應(yīng)用每個局部模型所對應(yīng)的數(shù)據(jù)簇，采用最小二乘支持向量機進(jìn)行過熱汽溫數(shù)據(jù)模型的建立。通過采用最大絕對值誤差、相對均方根誤差、平均誤差、均方根誤差等評價指標(biāo)對模型的訓(xùn)練及測試結(jié)果進(jìn)行分析可發(fā)現(xiàn)，本文所建立的最小二乘支持向量機數(shù)據(jù)模型具有較好的學(xué)習(xí)能力及泛化能力。
　　考慮到硬切換給系統(tǒng)帶來的不穩(wěn)定性，本文采用軟切換協(xié)調(diào)機制來協(xié)調(diào)各個局

4、部模型。選用了局部模型網(wǎng)絡(luò)算法求出對應(yīng)局部模型的權(quán)值，對局部模型輸出與權(quán)值進(jìn)行加權(quán)求和得出最終的多模型輸出。局部模型網(wǎng)絡(luò)的協(xié)調(diào)函數(shù)選用了高斯函數(shù)，提出了基于粒子群優(yōu)化的局部模型網(wǎng)絡(luò)算法，以全局預(yù)測最優(yōu)為目標(biāo)，采用粒子群算法對采用最鄰域啟發(fā)式算法計算出的每個高斯函數(shù)寬度的初始值進(jìn)行進(jìn)一步優(yōu)化。使其既考慮到自身數(shù)據(jù)簇內(nèi)的數(shù)據(jù)離散程度又兼顧了數(shù)據(jù)簇之間的離散程度。以此構(gòu)建的多模型系統(tǒng)具有很好的全局特性，針對所建立的靜態(tài)多模型系統(tǒng)動態(tài)性欠佳的問