【技術實現步驟摘要】
本專利技術涉及自動控制，具體涉及一種火電二次再熱機組蒸汽溫度復合建模方法。
技術介紹
1、電力需求逐年提高，大型超臨界和超超臨界火電機組發電在電力生產領域已逐漸占據主導地位，其控制系統對提高能源利用效率、保障安全生產有著至關重要的作用。隨著材料技術升級，具有更高參數、更大容量的火電二次再熱機組對相應建模技術和控制技術也提出了更高的要求。
2、傳統火電機組控制，通常有線性模型預測控制器或無模型串級pi控制水煤比、半人工控制煙氣閥門開度等方案。然而在工業過程中，無模型控制方法通常無法有效處理工況突變；未考慮系統非線性的簡化模型在長時間生產過程中會出現模型漂移，進而累積誤差出現功能退化，因此傳統控制方法難以滿足生產的性能需求和經濟需求。同時，蒸汽溫度具有很強的非線性和強耦合特性，為實現蒸汽溫度的精準控制，蒸汽溫度對象的高精度模型尤為重要。
3、對于火電機組而言，其傳統建模方法大致可分為兩類：機理模型和數據驅動模型。機理建模方法采用質量和能量守恒定律分析電力生產過程，然后基于必要的流體力學、傳熱學假設建立簡化物理模型。機理建模方法所建立的模型具有適當的模型精度和可解釋性，其參數和函數具有相對明確的物理意義。但由于工業過程的復雜性，機理建模方法很難基于有限的知識準確構建生產過程，同時其推理時間和計算成本也往往較高。而另一方面，數據驅動的建模方法所建立模型具有較好的準確性，但由于缺乏先驗的機理分析，在異常工況下模型性能可能會發生退化。
4、因此，如果通過機理和數據驅動相結合的方式，構建汽溫系統的全工況非線
技術實現思路
1、專利技術目的：本專利技術所要解決的技術問題是針對現有技術的不足，提供一種火電二次再熱機組蒸汽溫度復合建模方法，可以準確地推理機組在不同工況下的狀態參數，本專利技術方法通過分析建立機組汽溫的機理模型，同時設計激勵信號采集數據，并在此基礎上通過常微分方程神經網絡架構，建立機理模型與神經網絡模型組合的非線性復合模型，具體包括步驟：
2、步驟1，基于傳熱學、流體力學先驗知識建立部件級模型，基于火電二次再熱機組理想循環過程，分配超高壓缸、高壓缸、中壓缸做功占比；
3、步驟2，根據設計的落壓比和給定換熱效率，分別計算過熱器和再熱器進出口總壓、總溫和所需煙氣流量；
4、步驟3，通過質量守恒及能量守恒方程，建立水煤比、給定負荷、閥門開度三個輸入變量與主汽溫、一次再熱汽溫、二次再熱汽溫三個輸出變量的機理關系的非線性模型；
5、步驟4，簡化所述非線性模型，并以狀態空間方程表示，構建復合模型中機理部分；
6、步驟5，設計實驗信號，激勵得到水煤比、給定負荷、閥門開度與主汽溫、一次再熱汽溫、二次再熱汽溫的輸入輸出數據集d1，改變實驗信號幅值，激勵得到數據集d2，對數據集d1、d2進行預處理并劃分訓練集和測試集；
7、步驟6，通過常微分方程神經網絡建立狀態蒸汽溫度與輸入的非線性映射關系，補償機理模型與真實模型的殘差部分，通過伴隨靈敏度方法反向傳播學習連續系統動態；
8、步驟7，選取訓練輪數、一次訓練的批次數以及每批次的樣本時長；
9、步驟8，在基于數據集d1的訓練集上進行預訓練，在一輪訓練中，分別計算機理模型預測值和網絡模型預測值，并將機理模型預測值和網絡模型預測值進行線性組合得到復合模型預測值；
10、步驟9，計算預測值與實際值的訓練誤差，通過反向傳播更新網絡模型參數；同時在測試集上計算預測值與實際值的測試誤差，記錄最小測試誤差；
11、步驟10，在數據集d2上重復訓練過程進行微調，得到最佳網絡參數，得到由機理部分和網絡部分組成方火電二次再熱機組的蒸汽溫度復合模型。
12、步驟1包括：給定負荷、工況條件，基于火電二次再熱機組理想循環過程及其溫、熵圖，分配超高壓缸做功、高壓缸做功、中壓缸做功。
13、步驟2包括：根據超高壓缸設計落壓比、高壓缸設計落壓比、中壓缸設計落壓比，計算進出口壓力及主汽溫t1、一次再熱汽溫t2、二次再熱汽溫t3；給定過熱器換熱效率、一次再熱換熱效率、二次再熱換熱效率和蒸汽比熱容，結合做功分別計算所需煙氣流量。
14、步驟3包括：通過質量守恒及能量守恒方程，建立水煤比r、給定負荷ne、閥門開度o與主汽溫t1、一次再熱汽溫t2、二次再熱汽溫t3的機理關系的非線性模型，表示為：
15、
16、其中，矩陣x＝[t1?t2?t3]t，矩陣ur＝[r?ne?o]t，fm(·)為非線性映射，t表示矩陣轉置，表示對x求導。
17、步驟4包括：簡化非線性模型并以狀態空間方程表示，狀態空間方程為：
18、
19、其中，狀態矩陣a和控制矩陣b反映了火電機組輸入輸出的非線性關系。
20、步驟5包括：
21、步驟5-1、選取設計點工況，給定激勵時間t和采樣時間間隔δt，選取偽隨機信號作為輸入信號ur(t)，輸入信號ur(t)的均值eur(t)＝0，幅值在v和-v之間切換，v＞0滿足安全約束，在每個采樣時刻t的切換概率p為：
22、p[ur(t)＝-v]＝pt；p[ur(t)＝v]＝1-pt
23、其中，pt為切換概率，0＜pt＜1；記錄相應輸入信號ur(t)和輸出x構成的數據集d1；
24、步驟5-2、重復步驟5-1，更改信號幅值后并記錄數據集d2，分別用于預訓練和模型微調；
25、步驟5-3、將數據集d1及d2按照比例分為網絡訓練的訓練集和測試集。
26、步驟5-2中，所述更改激勵信號幅值是在原有幅值的±(5-10)％以內進行激勵；
27、步驟5-3中，將數據集d1及d2分別按照4：1的比例劃分訓練集和測試集。
28、步驟6包括：建立狀態再熱蒸汽溫度與輸入的非線性映射關系fnn(·)為常微分方程神經網絡，用以補償機理模型與真實模型的殘差部分，通過伴隨靈敏度方法反向傳播學習連續系統動態，fnn(·)的結構設計包括神經網絡層數l、單層神經元數n、激活函數以及連接方式。
29、步驟8包括：在基于數據集d1的訓練集上進行預訓練，在一輪訓練中，對不同批次分別計算機理模型預測值序列和網絡模型預測值序列并將機理模型預測值序列和網絡模型預測值序列進行線性組合得到復合模型預測值序列計算公式為：
30、
31、其中，i表示序列標簽，xi表示i時刻的輸出的數據值；預測值和通常通過歐拉法或龍格庫塔法的常微分方程求解器進行求解；w和b分別為線性組合的權重和偏置，通過全連接層將和線性組合；dt是微分符號。
32、步驟9包括：根據預測值序列計算預測值與實際值的訓練誤差ltrain，通過反向傳播更新網絡模型參數；優化目標為：
33、
3本文檔來自技高網...
【技術保護點】
1.一種火電二次再熱機組蒸汽溫度復合建模方法，其特征在于，分析建立機組汽溫的機理模型，同時設計激勵信號采集數據，并在此基礎上通過常微分方程神經網絡架構，建立機理模型與神經網絡模型組合的非線性復合模型，具體包括如下步驟：
2.根據權利要求1所述的方法，其特征在于，步驟1包括：給定負荷、工況條件，基于火電二次再熱機組理想循環過程及其溫、熵圖，分配超高壓缸做功、高壓缸做功、中壓缸做功。
3.根據權利要求2所述的方法，其特征在于，步驟2包括：根據超高壓缸設計落壓比、高壓缸設計落壓比、中壓缸設計落壓比，計算進出口壓力及主汽溫T1、一次再熱汽溫T2、二次再熱汽溫T3；給定過熱器換熱效率、一次再熱換熱效率、二次再熱換熱效率和蒸汽比熱容，結合做功分別計算所需煙氣流量。
4.根據權利要求3所述的方法，其特征在于，步驟3包括：通過質量守恒及能量守恒方程，建立水煤比r、給定負荷Ne、閥門開度O與主汽溫T1、一次再熱汽溫T2、二次再熱汽溫T3的機理關系的非線性模型，表示為：
5.根據權利要求4所述的方法，其特征在于，步驟4包括：簡化非線性模型并以狀態空間方
6.根據權利要求5所述的方法，其特征在于，步驟5包括：
7.根據權利要求6所述的方法，其特征在于，步驟5-2中，所述更改激勵信號幅值是在原有幅值的±(5-10)％以內進行激勵。
8.根據權利要求7所述的方法，其特征在于，步驟6包括：建立狀態再熱蒸汽溫度與輸入的非線性映射關系fnn(·)為常微分方程神經網絡，用以補償機理模型與真實模型的殘差部分，通過伴隨靈敏度方法反向傳播學習連續系統動態，fnn(·)的結構設計包括神經網絡層數l、單層神經元數n、激活函數以及連接方式。
9.根據權利要求8所述的方法，其特征在于，步驟8包括：在基于數據集D1的訓練集上進行預訓練，在一輪訓練中，對不同批次分別計算機理模型預測值序列和網絡模型預測值序列并將機理模型預測值序列和網絡模型預測值序列進行線性組合得到復合模型預測值序列計算公式為：
10.根據權利要求9所述的方法，其特征在于，步驟9包括：根據預測值序列計算預測值與實際值的訓練誤差Ltrain，通過反向傳播更新網絡模型參數；優化目標為：
...【技術特征摘要】
1.一種火電二次再熱機組蒸汽溫度復合建模方法，其特征在于，分析建立機組汽溫的機理模型，同時設計激勵信號采集數據，并在此基礎上通過常微分方程神經網絡架構，建立機理模型與神經網絡模型組合的非線性復合模型，具體包括如下步驟：
2.根據權利要求1所述的方法，其特征在于，步驟1包括：給定負荷、工況條件，基于火電二次再熱機組理想循環過程及其溫、熵圖，分配超高壓缸做功、高壓缸做功、中壓缸做功。
3.根據權利要求2所述的方法，其特征在于，步驟2包括：根據超高壓缸設計落壓比、高壓缸設計落壓比、中壓缸設計落壓比，計算進出口壓力及主汽溫t1、一次再熱汽溫t2、二次再熱汽溫t3；給定過熱器換熱效率、一次再熱換熱效率、二次再熱換熱效率和蒸汽比熱容，結合做功分別計算所需煙氣流量。
4.根據權利要求3所述的方法，其特征在于，步驟3包括：通過質量守恒及能量守恒方程，建立水煤比r、給定負荷ne、閥門開度o與主汽溫t1、一次再熱汽溫t2、二次再熱汽溫t3的機理關系的非線性模型，表示為：
5.根據權利要求4所述的方法，其特征在于，步驟4包括：簡化非線性模型...
【專利技術屬性】
技術研發人員：蘇金亞，陳嘉，王一凡，吳雯清，陶晨曦，李海峰，陳夕松，李世華，周松明，顧坤，
申請(專利權)人：南京科遠智慧科技集團股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。