[发明专利]一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法

权利要求书

1.一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法是一种基于蒸汽负荷预测且兼顾其可信度的热电锅炉蒸汽量bang-bang与模糊控制方法，其特征在于，该基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法采用基于高斯核函数的径向基函数神经网络建立模型，将建立的模型与实际值进行误差估计；确定模型的可信度；设计bang-bang控制器和模糊控制器，对比模型的可信度和模型的输出值；

采用基于高斯核函数的径向基函数神经网络建立模型之前需要选取燃料量u作为径向基函数神经网络模型的输入，将循环流化床锅炉的主蒸汽压力y作为径向基函数神经网络模型的输出；

径向基函数神经网络为输入层、隐含层、输出层三层网络结构；

径向基函数神经网络的隐含层神经元的核函数采用高斯函数；

径向基函数神经网络的数学表达式为：

$y(k+1)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\exp (-\frac{1}{2{{\mathrm{\σ}}_i}^2}||x_p-c_i|{|}^2);$

式中，神经元的个数n为5，ω_i为隐层到输出层的权值，σ为基宽，x_p＝(u_p(k)，y_p(k))′为第p个输入样本(p＝1，2，...，100)，u_p(k)为燃料量，y_p(k)为当前时刻的主蒸汽压力，y(k+1)为下一时刻的主蒸汽压力，||x_p-c_i||²为欧式范数；c_i为高斯函数的中心，神经网络经过对模型中参数采用梯度下降法进行辨识后，便进行建模；

参数ω_i，σ和c_i通过梯度下降法得出，具体包括：

第一步，给定初始的燃料量值为25t/h，和收敛的精度0.5，且系数K的值定为0；

第二步，计算函数梯度，并构造搜索方向：表示求导数，X_k代表神经网络中要训练的参数；

第三步，搜索最优步长α_k，并求出新的迭代点：

min表示取最小值；

$X_{k+1}=X_k-{\mathrm{\α}}_k\▿f\left(X_k\right);$

第四步，收敛判断，满足就迭代终止，否则，k＝k+1，转入第二步再次计算，直到满足要求；其中表示求范数；

将建立的模型与实际值进行误差估计具体方法包括：

将径向基函数神经网络输出的主蒸汽压力序列减去实测的主蒸汽压力序列，得到残差序列；对残差序列建立适当的数学模型，并给出相应的数值指标，即为残差的可信度，具体表达式为：

${\mathrm{\γ}}_i=\left|y_i\right|/\underset{i=1}{\overset{n}{\Σ}}\left|y_i\right|;$

$x=1-\frac{|y_i-{\hat{y}}_i|}{\max \left(\right|y_i|-|{\hat{y}}_i\left|\right)};$

式中：{y_i，i＝1，2，...，N}和分别为实测的主蒸汽压力序列和径向基函数神经网络输出的主蒸汽压力序列；x_i为第i个主蒸汽压力的可信度；γ_i为第i个主蒸汽压力的权重，即为实测的主蒸汽压力和径向基函数神经网络输出的主蒸汽压力残差的可信度指标；

所述的建模的具体方法为：

步骤一、确定神经元的个数为5；

步骤二、采用梯度下降法对神经网络的权值、宽度和中心进行辨识；

步骤三、将辨识好的参数带入到神经网络模型中，使神经网络模型有具体的数学表达式，完成了神经网络模型的建立。