[发明专利]一种协调控制被控对象传递函数模型辨识方法

说明书

技术领域

本发明涉及热工过程控制领域，尤其涉及热工过程的辨识方法。

背景技术

热工过程具有非线性、时延性、不确定性以及变量间的关联性等特点，难以建立精确的数学模型，这给热工控制带来了很大的难度。传统的机理建模得到的模型与现场设备在性能上有一定的差距，因为现场的绝大多数设备的性能都是非线性，不可能通过数学公式来得到精确的模型。另外由于现场中存在着较大的随机扰动，对现场试验有很大的影响。鉴于热工试验的复杂性和局限性，在现场获得多变量对象的精确模型是很困难的。

现代化的电厂装配着庞大的DCS系统，日积月累采集了大量的运行数据，如何从蕴藏着大量信息的数据中提取各变量间的规律，成为目前的研究热点。如何找到合适的模型并求取多变量系统精确的传递函数矩阵模型，具有很现实的意义。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种协调控制被控对象传递函数模型辨识方法，利用现场的DCS数据建立神经网络模型，辨识传递函数，充分利用了大量的运行数据，避免了信息资源的浪费，得到的传递函数模型精度明显优于现场试验得到的传递函数模型，同时节省了现场试验所花费的人力、物力以及现场条件的限制。

技术方案：为解决上述技术问题，本发明提供的一种协调控制被控对象传递函数模型辨识方法，包括以下步骤：

步骤一，DCS数据采样；

步骤二，应用RBF神经网络建模；

步骤三，判定对象的类型，选择需要辨识的参数；

步骤四，确定初始对象，以及初始对象的均匀随机响应；

步骤五，确定RBF神经网络输出；

步骤六，计算误差函数。

具体地，所述步骤一的DCS数据采样方法为：

①选择同一负荷下各时段的DCS数据，采样时间T为5秒，包括：发电机实发功率、锅炉主蒸汽压力、汽轮机调门开度和锅炉燃料率指令，分别用变量N_E、P_T、u_T、u_B表示；

②在各连续时段中，将变量N_E、P_T、u_T、u_B分别作时延处理，分别取各个变量前1～n个时刻的数值，形成样本数据：

其中，n为3～5的自然数，N＝3000。

具体地，所述步骤二的RBF神经网络建模是将：

作为模型的输入，N_E(k)；P_T(k)，k＝n+1，n+2，...，N，作为模型的输出，建立RBF神经网络模型。

具体地，所述步骤三的判断选择过程如下：

总结归纳出2×2的协调控制对象的传递函数模型为：

由该模型得出需要辨识的参数为k₁、k₂、k₃、k₄、T₁、T₂、T₃和τ。

具体地，所述步骤四的过程如下：

①根据步骤三中的传递函数模型W_NB(s)，W_PB(s)，选取初始参数k₂′、k₄′、T₁′、T₂′、τ′，得到初始对象W′_NB(s)，W′_PB(s)；

②对于初始对象W′_NB(s)，在其输入端加入均匀随机信号u_B(i)，i＝1，2，...，M，M＝2000，得到初始对象的输出响应y′_N(j)，j＝1，2，...，M；

③同理，对于初始对象W′_PB(s)，在其输入端加入步骤四②中同样的均匀随机信号u_B(i)，i＝1，2，...，M，得到W′_PB(s)的输出响应y′_P(j)，j＝1，2，...，M。