多输入多输出热工系统的辨识与建模研究

针对热工系统一般为多输入多输出的特性,介绍了多输入多输出辨识建模方法的基本原理,分析了将多输入多输出系统推导简化为多个多输入单输出系统的具体过程,在此基础上,研究了采用以独立伪随机信号为输入信号的多输入多输出系统的辨识试验方法及相应的辨识算法.利用上述辨识方法建立了某燃煤锅炉燃烧系统的动态数学模型,计算结果表明:该辨识建模方法对多输入多输出热工系统具有良好的建模效果.     

基于多变量权值自适应修正的电站锅炉稳态检测

稳态检测是电站锅炉建模、稳态优化中必不可少的重要环节,本研究采用机组功率、主蒸汽压力、总给煤量、总风量、水煤比和中间点温度这6个重要的运行变量对电站锅炉稳态进行检测。先利用变量的变化速度和加速度数据序列分别计算其稳态指数,再进行多变量加权获得综合稳态指数用于电站锅炉稳态判断。为了确保稳态检测算法对变量剧烈变化的响应速度,提出了多变量权值自适应修正算法,综合利用各变量的趋势分量和瞬态分量对权值进行自适应修正。以1 000 MW机组运行历史数据对算法进行验证表明:提出的多变量权值自适应修正算法能较准确判断锅炉稳态,满足锅炉燃烧建模及稳态优化需求。     

基于统计分析的电站锅炉性能建模与优化

建立了基于统计分析的锅炉热力系统性能辨识和优化模型，采用稳态运行的有效数据样本和多维变量二次型进行系统建模，并利用统计分析判别模型的质量。模型的质量满足要求后，根据最优化原理在可调整输入参数的运行区间内进行系统性能寻优，获得了可调整输入参数的最佳控制数据；与人工神经网络法相比，该方法通过对数据样本的筛选，减少了计算量，能够满足实时需要。在1台电站锅炉上的应用表明：它是一种实用、有效的优化方法。图3表3参3     

基于模型-数据融合驱动的频率响应分析方法

综合考虑基于模型驱动以及数据驱动的电力系统频率响应分析方法在实时应用中存在的计算速度、计算精度及泛化能力等方面的矛盾,提出了一种基于模型-数据融合驱动的频率响应分析方法。该方法在建模过程中,选取系统频率响应模型作为基于模型驱动的频率初测模型,对系统的频率响应动态过程进行初步预测;选取由粒子群算法优化参数后的极限学习机模型作为基于数据驱动的频率修正模型,对初测频率响应进行误差修正。在保证计算速度的前提下大幅提高计算精度,同时减少模型对样本数据的依赖程度,提高融合模型的泛化能力。通过WSCC 3机9节点测试系统进行仿真算例的设计与分析,验证了该方法可以快速准确地计算扰动后的电力系统频率响应动态过程,并具有良好的泛化能力,可为电网的调度控制提供辅助决策,以防止系统出现频率崩溃事故。     

基于PLS和ε-FT的电站锅炉NO_x排放特性研究

为了有效控制电站锅炉的NO_x排放量,以某600 MW电站锅炉历史运行数据为样本,应用偏最小二乘(PLS)和ε-模糊树(ε-FT)方法建立了NO_x排放特性模型.针对热工过程变量之间的强相关性和耦合性,采用PLS对模型输入热工数据进行重要变量信息提取和变量选择,将得到的最优变量作为ε-FT模型的输入,建立了NO_x排放特性的PLS-ε-FT模型,并将模型与其他建模方法进行对比.结果表明:该模型通过PLS进行变量选择,消除了变量的相关性,降低了模型的维数和复杂程度,提高了模型的预测精度和泛化能力.     

基于最小资源分配网络的热工对象辨识

建立热工过程的全局非线性模型是热工控制系统全局优化的基础,而静态神经网络难于对非线性动态过程进行建模。资源分配网络(RAN)可以动态调整网络参数,而扩展卡尔曼滤波器(EKF)算法可加快收敛速度。将上述方法有机地结合起来,在此基础上加入剪枝策略和滑动窗口RMS准则,形成了改进的最小资源分配网络(MRAN)。将改进方法应用于典型热工过程的非线性动态建模中,仿真结果表明MRAN网络结构紧凑,建模精度高,适合于在线应用。最后分析了网络初参数对其性能的影响。     

基于实测数据的风电场稳态等值建模研究

针对大型风电场仿真模型复杂,计算量大的特点,提出一种利用实测数据建立大型风电场稳态等值模型的新方法。通过粒子滤波算法对原始风速数据进行预处理,消除噪声干扰对真实数据的影响;考虑到风电场内风机的风况差异问题,采用K-均值聚类算法提取反映风电机组风况差异的特征风速,以简化建模过程;选择特征风速和实测风电功率为输入、输出信号,应用BP神经网络拟合风电场稳态等值模型。该模型考虑了风电场地形地貌、机组分布因素,利用实测数据对模型进行泛化能力分析和精度验证,仿真结果表明,该方法具有一定的准确性与合理性。     

基于现场数据与主元分析热工动态过程研究

根据机组的运行机理,确定引起主要监控变量变化的相关过程变量,采集相关过程的运行数据;建立输入数据矩阵,并进行主元分析和多变量统计计算,确定了在热工动态过程中引起主要监控变量变化的主导因素。所提出的确定主导因素的方法可以进一步应用于热工过程动态建模和故障诊断。     

基于改进GA-CPSO融合算法的1 000 MW机组给水系统建模

为解决现有方法对1 000 MW机组给水系统建模复杂、算法收敛速度慢、精度低等问题,提出一种改进遗传算法融合混沌粒子群算法(Genetic Algorithm-Chaotic Particle Swarm Optimization, GA-CPSO)。首先,粒子群算法(Particle Swarm Optimization, PSO)中引入了自适应权重和收缩因子,提升粒子寻优能力;在一维Logistic的基础上提出二维Logistic混沌映射,避免寻优过程中陷入局部最优解;采用轮盘赌选择方法,选取粒子进行下一步的遗传算法优化,提升了全局寻优能力。其次,通过实验仿真数据和现场实际数据验证了改进GA-CPSO算法的精度。将该算法用于1 000 MW机组给水系统,建模精度提高了88.65%,仅需要迭代7次左右即完成收敛。然后,利用数据中加干扰实验进一步挖掘改进GA-CPSO算法的抗干扰能力。实验表明：加入外部大扰动建模误差仅有0.385,算法抗干扰能力强。最后,用皮尔逊相关系数方法验证了机组直流阶段模型间的相关性,相关系数达到了0.9以上,可用一个模型代表。     

基于工况划分的机组优化运行寻优方法

为了有效挖掘和利用电站机组运行过程中积累的海量数据,提出了一种基于工况划分的机组运行寻优方法。该方法基于多参数稳态指数有效工况判断方法选取机组稳定工况下的运行数据作为分析对象。以不可控边界条件机组负荷和环境温度为对象,利用模糊聚类方法实现机组工况划分,对可控参数进行维度归约选取各工况下对机组能耗影响较大的运行参数,对比相同工况下的历史数据和当前运行数据,输出较低能耗值对应的运行参数,实现机组运行优化和节能优化。以某300 MW机组为实例展开研究,结果表明该方法可为运行人员优化机组运行提供参考依据从而实现机组的高效经济运行。