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
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 PSO 锅炉 过热器 温度 模型 辨识 探讨