基于改进PSO的锅炉过热器温度模型辨识探讨.docx

《基于改进PSO的锅炉过热器温度模型辨识探讨.docx》由会员分享，可在线阅读，更多相关《基于改进PSO的锅炉过热器温度模型辨识探讨.docx（14页珍藏版）》请在优知文库上搜索。

1、基于改进PSO的锅炉过热器温度模型辨识探讨摘要：由于如今火电机组处于频繁大范围变工况的工作环境下，以往的模型先验知识不再适用于新模型的建立，文章提出一种基于PSO算法的改进APS-PSO(automaticparameterspace-PSO)方法，利用碰壁思想，做到模型参数寻优范围的自适应调整。利用大型火电机组过热汽温运行数据进行了数据处理和建模验证。结果表明：采用所提方法取得了较好的建模效果，检验了该方法的有效性，具备一定的现场使用价值。关键词：火电机组；锅炉；过热蒸汽温度；系统辨识；改进粒子群算法1、引言火力发电一直是电力工业的重要支柱，为提高热力循环效率，高参数、大容量的火电机组均采用

2、蒸汽再热系统。在电站热工过程研究中，系统的设计与分析都建立在被控对象数学模型的基础之上。文献1H2依据再热器的结构参数和热力参数，对再热蒸汽温度的动态特性进行定量计算，给出再热蒸汽温度的机理模型，但再热器系统具有复杂热工对象所普遍存在的非线性及动态特性随工况参数变化等特点,通过理论分析的方法很难获得其准确的数学模型。文献利用差分进化算法编制再热蒸汽温度辨识程序，在二次再热机组仿真平台上进行辨识实验，得到几种调温方式下再热蒸汽温度的传递函数模型，但由于仿真平台运行环境和机组实际运行的差异，辨识结果存在一定偏差。文献利用最小二乘法对锅炉的再热蒸汽温度进行辨识建模，但基本优化算法由于结构简单，易受现

3、场不规则数据的影响，仍然难保证对于再热蒸汽温度的辨识精度。在传统的模型辨识工作中，改进的方向通常为辨识的精度、辨识的稳定性以及辨识所需要耗费的时间，并以这些来作为评价指标，来判断算法的优劣。在这样的辨识工作中，待辨识系统的模型参数往往是已知的，在算法改进工作中，只需要以准确的模型参数作为基准，设置一个范围较小的上下限，就可以做到对对象的精准识别。但在“双碳目标的驱动下，为了消纳波动性很强的新能源出力，当前的火电机组经常工作在大范围变负荷的工况下，而随着工况的大范围变化，火电机组的各个系统的模型参数将发生较大范围的变化,此时如果再使用额定功率下的模型参数所确定的寻优范围进行系统模型参数的辨识，可

4、能会出现该范围内根本没有全局最优点的情况。在(韩璞老师的书中)中，可以通过一次又一次的改变寻优范围，来做到逐渐逼近真正的全局最优目的。在控制系统向智能化迈进的今天，无人值守或者少人值守的电站建设正在有序进行，依靠人力来不断调整参数的寻优范围显然是不现实的，同时随着火电机组频繁的参与到调峰调频任务中，需要对机组进行更为细致的控制，而对于一个未知系统进行系统模型辨识，在没有先验知识的情况下，如何进行初始寻优范围的选择，这是机组现场一个急需解决的问题。本文采用一种基于自适应速度的区间碰壁算法(APS(automaticparameterspace)-PS0),可以有效地解决参数寻优初始范围无法确定以

5、及后续的寻优区间调整工作量较大的问题，并利用仿真数据进行系统模型辨识试验，验证模型的可行性。同时基于电站现场的大量历史数据，利用算法对锅炉过热器温度模型进行辨识优化，结果证明该算法具有较强的实用性，对下一步使用GPC等现代控制策略在现场的应用打下基础。2、粒子群算法2.1 基本粒子群算法粒子群优化算法(PSo)是Eberhart和Kennedy于1995年基于对鸟群、鱼群的行为模拟的一种新型仿生优化设计算法，它的设计思想主要来自于人工生命和进化算法。主要应用于复杂非线性函数的优化问题，具有便于实现、计算速度快、可以辨识闭环系统等优势。标准粒子群算法首先依据实际问题构建一个搜索空间，通常是欧氏空

6、间的一个子集。然后在这个搜索空间中以随机的方式生成n个粒子,每个粒子都有自己的位置、速度和适应值。一个粒子的位置对应搜索空间中的一个点，每个粒子的飞行方向受当前飞行速度、粒子自身历史最优位置以及种群历史最优位置三者的综合影响。每次飞行到下一个位置，都需要通过计算适应度函数的值来更新粒子自身历史最优位置和种群历史最优位置。在d维的搜索空间中，记第i个粒子的位置和速度分别为工，1.:以及。.，称1.，是第i个粒子在d维空间中所经历过的最好位置，称作个体历史最优位置，。是整个粒子群曾经到达过的最优位置。根据上面的最优值，粒子可以通过公式来更新自己的速度：Vg+1)=W+Yi(P.)-。()+q弓-X

7、w(O)同时通过公式来更新自己的位置：l)=xtf()+0I)式中：W表示惯性权重，决定了粒子对当前速度继承的比例。当W值比较大时，粒子在全局的寻优能力比较强，在局部寻优的能力比较弱；相反，粒子在全局的寻优能力比较弱，在局部的寻优能力比较强。采用合适W的值会在搜索速度和准确性方面起到非常恰当的协调作用。Y.Shi和RCEberhart提出了惯量权重线性递减(1.DW)的方法，即在算法使用初期取较大的w值帮助其对问题空间进行有效的搜索，在后期取较小的W值有利于算法的收敛，惯性权重递减公式为：式中：W的取值范围可以先预设为0.8,1.2,GmaX为最大迭代次数，g为当前算法已经迭代的次数。Cl和c

8、2为两个学习因子，也称为加速度因子，Cl代表了粒子追踪自身所取得的历史最优值的权重系数，反映了粒子个体的历史最优位置对当前位置的影响，称为“个体认知系数;c2则代表了粒子追踪全局最优值的权重系数，体现了粒子间的协同合作和知识的共享，称为“社会学习系数”。一般情况下，我们令Cl=C2=2。门和己为0,1之间的随机数，可以实现概率随机搜索。在粒子更新过程中，为了避免粒子在演化过程中超过规定的搜索空间，粒子每个维度的大小和速度通常应限制在一定的设定范围之内。如果超过范围，则被限制在其上限值或下限值。标准粒子群算法的步骤如下：步骤1.粒子群算法的初始化，设置相关参数，包括粒子位置和速度的范围，学习因子

9、Cl和c2的取值，算法最大的进化次数，粒子群种群规模。通过随机的方式产生n个粒子及其初始种群的位置Xio以及速度矩阵。计算每个粒子的初始适应度值，令此时的个体历史最优位置Pi=Xi0,n个粒子对应的适应度值中最好的值对应的粒子位置即为，该适应度值为全局最佳适应度值。步骤2：对粒子的当前速度和位置进行实时更新，从而产生新的种群，检查粒子当前速度及当前位置是否存在越界问题。步骤3：计算适应度函数的值Pi,更新个体历史最优位置、种族历史最优位置和全局最佳适应度值。步骤4：检查当前情况是否达到了截止的条件(是否到达最大迭代次数或者是否达到优化精度)，如果没有，返PI步骤2继续进行寻优操作，否则，算法终

10、止。算法流程框图如PSo的流程框图如图1所示图1标准PSO流程框图2.2 改进的APS-PSO算法在进行算法辨识的过程中，数据的好坏以及算法的固定参数的选取都会对最终的辨识结果产生较大的影响。特别是在对一个没有先验知识的系统进行模型辨识时，若是使用传统的PSo算法进行辨识，初始的寻优范围无法确定，若是设置一个较小的范围，则可能真正的全局最优点，或者说符合工程精度的全局最优点不在所设定的寻优区间之内；此时若是通过人工手动来调整寻优范围，则需要对每一个触碰边界的参数区间不断进行修改，直到达到一个能够满足预期要求的模型参数。同时实际系统一般都是多入多出的复杂模型，参数较多，使用人工进行范围调整的工作

11、量太大;若是设置每一个范围区间都尽可能的合理并且保持一个较大的范围，以避免其中没有真正的全局最优点。但辨识的结果没有触碰到区间边界，且寻优结果不理想。没有触碰到边界，意味着只能在上次的寻优得出的结果附近进行区间缩小，以达到优化的目的，而这样的迭代效果很差。图2APS-PS0流程框图3、过热蒸汽温度模型锅炉系统中，锅炉的过热蒸汽温度即主蒸汽温度作为机组主要的调节控制参数，要控制在一定的范围之内。过热蒸汽温度过高，会使锅炉“四管管壁金属超限，造成金属管壁不可逆的损伤，进而降低了锅炉管道的寿命，严重会造成锅炉四管泄漏引发安全事故；经济性方面，过热温度过高的话，就会增加减温水的用量，大大地降低机组的工

12、作热效应，降低机组的经济性。反之，如果过热蒸汽温度过低，也会产生不良影响。过热蒸汽过低时，空气预热器入口的温度就会降低，那么对于空预器易产生低温腐蚀；在保证汽轮机出力不变的情况下，需要更多的过热蒸汽来做功，大幅降低机组的经济性；当过热蒸汽温度继续降低至对应压力下的饱和温度时还易造成汽轮机末级叶片蒸汽带水、汽轮机进水，锅炉减温水控制系统的作用不言而喻。3.1 模型变量选取典型的减温水系统结构图如图3所示，饱和蒸汽从汽包产生，经过热器以及两级喷水减温得到主蒸汽。其主要作用，是在锅炉负荷变化时，通过两级减温水调门，粗调和细调相结合，共同作用来保持和控制主蒸汽温度在一定的允许范围内，不出现超温、低温等

13、情况，除此之外，还可以提升机组运行的经济性。K2.S过热8或温控制，惊”构图图3减温水系统结构图根据实际工程经验以及理论分析,影响过热器出口温度即主蒸汽温度的因素主要有如下几方面：1）过热器减温水流量过热器减温水系统的主要手段就是把水喷入过热蒸汽中使其雾化,喷入的减温水来自给水母管，一般其温度远低于一级减温器前的过热蒸汽温度，减温水通过蒸发吸热达到降温的目的。2）机组负荷在锅炉煤量不变的基础情况下，汽机增加负荷，过热蒸汽流量首先增加（换热），而锅炉燃烧没有发生变化，那么对应过热蒸汽的温度将降低；同理，汽机降低负荷，主蒸汽流量减少时，过热器出口温度反而会升高，由此我们可以得到，机组负荷是影响过热

14、汽温的一个重要原因。3）总燃料量锅炉总燃料量是锅炉燃烧的一个最根本的要素，锅炉通过燃烧释放化学能产生热能，这一过程的转化效率通常可高达90%以上，燃烧之后通过锅炉内部的辐射换热、对流换热的方式加热给水到蒸汽,而加热的总能量是由锅炉燃料来提供,是影响过热蒸汽温度的根本原因。3.2模型辨识将机组负荷，减温水流量以及给煤量作为输入，以过热一级减温器出口汽温作为输出，得到一个三人一出的减温水系统模型。用于系统建模的数学模型种类较多，但基于传递函数模型的过程控制在电厂中应用最广，且绝大部分热工对象均有自平衡能力。常见的传递函数模型（式（4）由惯性环节、积分环节、正零点以及延迟环节组成：（布+1）（承+1

15、）3D式中：K为放大系数；Tn（n=l,2）为时间常数；r为延时时间。由此可见，该类模型需辨识的参数数量较多。由于热工过程时间常数大，阶数高，造成各参数之间相差较大，无法确定每个参数的合适范围，这使寻优时间变长，辨识结果的精度难以保证。为了降低辨识的复杂度，同时从机组现场控制需求的需求出发，一个二阶的惯性带迟延的环节已经可以满足控制要求。同时为了体现模型的更多特征，二阶的惯性环节采用非等容的形式，最终简化后的再热蒸汽温度传递函数模型如下所示:G（三）三g+l）G+l）4、机组历史数据处理4.1 数据预处理方法由于火电机组现场热工过程的复杂性,传感器或变送器采集的数据容易受到电磁干扰而含有多种噪

16、声，这通常会使获取的实际运行数据含有直流成分和高频成分等。辨识方法无法消除噪声对辨识精度的不利影响。在以工况为依据选取辨识所用数据后，一般要对数据进行处理，主要有数据滤波、零初始值处理、粗大值处理等。1）数据滤波对于火电机组的现场数据都是叠加了高频噪声以后的真实数据,在趋势图上表现为有很多的“毛刺。为了消除数据中的高频噪声对辨识算法的影响，一般采用低通滤波器来抑制这些干扰噪声。低通滤波器的传递函数为：Gl（6）三2）零初始值处理传递函数是指在零初始条件下线性输出量的拉普拉斯变化与输入量的拉普拉斯变换之比。而从现场采集的数据没有通过零初始值处理的话，相当于默认平衡点在系统数据的实际的0值点。需要找到这个“零点，然后将其剔除。在系统