一种基于PSO-ELM的超临界机组过热预测控制方法与流程

一种基于pso-elm的超临界机组过热预测控制方法
技术领域
1.本发明涉及发电厂超临界机组过热控制技术领域，具体而言，涉及一种基于pso-elm的超临界机组过热预测控制方法。


背景技术：

2.对于燃煤机组，主汽温和再热汽温是评价锅炉运行安全性和经济性的重要指标之一。现阶段燃煤机组逐渐向着高参数、大容量的方向发展，超临界、超超临界机组已成为燃煤发电的主力军。随着我国能源结构的转型，新能源的大规模并网使常规燃煤机组需承担越来越多的调峰、调频任务，超温爆管等现象普遍成为制约超(超)临界机组提升变负荷速率的核心瓶颈。减温水系统通常是针对汽温异常或事故情况设计的，但在机组快速调峰、调频的响应过程中，减温水控制逐渐成为主蒸汽温度控制的常用手段。由于锅炉汽温具有非线性、大惯性和滞后性等特性，使得减温水控制面临巨大挑战，目前的过热汽温控制主要以常规的串级控制器为主，往往达不到较好的控制效果，因此，急需一种基于pso-elm的超临界机组过热预测控制方法，用于解决现有的技术问题。


技术实现要素：

3.为了解决上述问题，本发明的目的是提出了一种基于pso-elm的超临界机组过热预测控制方法，针对过热汽温控制系统存在大惯性、大延迟的特点，通过elm模型准确有效的预测，将控制器的输出反馈至输入，以补偿实际系统输出反馈的惯性与延迟作用，从而提高系统的控制稳定性。
4.为了实现上述技术目的，本技术提供了一种基于pso-elm的超临界机组过热预测控制方法，包括以下步骤：
5.构建预估控制器，预估控制器用于实现发电厂的超临界机组的过热汽温控制；
6.基于预估控制器，通过获取烟气侧的外部扰动，以及减温水与高温蒸气混合过程的传递函数，通过构建的减温水与高温蒸气混合后的基于pso-elm的局部预估模型，生成蒸汽出口温度的校正值，其中，局部预估模型用于表示减温水与高温蒸气混合后流经过热器/再热器进行换热的过程；
7.根据所述预测模型的对所述超临界机组进行预测，并根据预测结果对所述过热汽温出口温度进行校正，从而对所述超临界机组过热汽温进行控制。
8.优选地，在构建的减温水与高温蒸气混合后的基于pso-elm的局部预估模型的过程中，根据极限学习机模型和粒子群算法，构建基于pso-elm的局部预估模型。
9.优选地，在构建基于pso-elm的局部预估模型的过程中，极限学习机模型由三层神经元组成，包括输入层、隐含层和输出层，其中，输入层、隐含层以及输出层之间采用全连接方式。
10.优选地，在构建基于pso-elm的局部预估模型的过程中，获取输入层与隐含层的第一连接权值、输出层与隐含层的第二连接权值以及隐含层的阈值；
11.根据第一连接权值、阈值、第二连接权值，获取局部预估模型的期望值；
12.基于期望值，通过获取输入样本，根据局部预估模型，生成输出样本，其中，输出样本用于生成混合后蒸汽温度出口校正值。
13.优选地，在获取局部预估模型的期望值的过程中，第一连接权值的矩阵表达式为：
[0014][0015]
其中，w
ln
表示第l个隐含层神经元与第n个输入层神经元间的连接权值。
[0016]
优选地，在获取局部预估模型的期望值的过程中，阈值的矩阵表达式为：
[0017][0018]
第二连接权值的矩阵形式为：
[0019][0020]
期望值的矩阵表达式为：
[0021]
t＝[t
1 t2…
tq]1×q[0022]
优选地，在生成输出样本的过程中，生成输出样本的表达式为：
[0023]
hβ＝t
[0024]
其中，h是隐层节点的输出，β为输出权重，t为期望输出。
[0025]
优选地，在生成输出样本的过程中，通过激活函数，获取隐层节点的输出，输出表示为：
[0026][0027]
优选地，在构建局部预估模型的过程中，通过粒子群算法，将极限学习机模型的第一连接权值与阈值进行寻优，得到最优的网络结构，其中，
[0028]
粒子群算法表示为：
[0029][0030][0031]
其中，代表第i个粒子第k代第d维的位置，代表第i个粒子在第k代时第d维的速度，i∈[1,2,
…
n],d∈[1,2,
…
,d]，r1和r2由0-1之间的随机数产生，pbest表示个体极值，gbest表示群体极值，c1和c2为加速因子，加速因子用来调整粒子偏向于个体最优点移动或偏向于全局最优点移动。
[0032]
优选地，在得到最优的网络结构的过程中，得到最优的网络结构的算法优化过程如下：
[0033]
(1)随机初始化粒子种群中粒子的初始速度和初始位置，设置进化代数、种群规模，种群范围；
[0034]
(2)根据目标问题设置相应的适应度函数，并计算初始适应度；
[0035]
(3)粒子根据个体极值与群体极值来更新自身的位置和速度；
[0036]
(4)粒子群速度更新，粒子群位置更新；
[0037]
(6)计算更新后的适应度；
[0038]
(7)比较适应度，选取适应度更优的粒子并更新极值点；
[0039]
(8)若达到最大迭代次数或适应度值达到设定值则寻优完成，否则，重复步骤3-7。
[0040]
本发明公开了以下技术效果：
[0041]
1、采用粒子群算法进行参数选取的优化，提升了模型的预测精度；
[0042]
2、本文提出的方法更简单，更易于现场调试，可以有效地改善过热汽温控制性能，达到良好的控制效果；
[0043]
3、本发明所述方法用计算机语言去模拟对象的动态特性，具有更好的精度；
[0044]
4、本发明从喷水减温对象系统工艺特点出发，采用预估模型的方式，提出局部预估汽温控制策略，有效改善了控制性能。
附图说明
[0045]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1是本发明实施例所述的传统的过热汽温串级pid控制框图；
[0047]
图2是本发明所述的控制方法逻辑框图；
[0048]
图3是本发明所述的预测结果示意图；
[0049]
图4是本发明所述的在1000mw超超临界锅炉上的应用效果图。
具体实施方式
[0050]
下为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施
例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0051]
如图1-4所示，本发明公开了一种基于pso-elm的超临界机组过热预测控制方法，包括以下步骤：
[0052]
构建预估控制器，预估控制器用于实现发电厂的超临界机组的过热汽温控制；
[0053]
基于预估控制器，通过获取烟气侧的外部扰动，以及减温水与高温蒸气混合过程的传递函数，通过构建的减温水与高温蒸气混合后的基于pso-elm的局部预估模型，生成蒸汽出口温度的校正值，其中，局部预估模型用于表示减温水与高温蒸气混合后流经过热器/再热器进行换热的过程；
[0054]
根据所述预测模型的对所述超临界机组进行预测，并根据预测结果对所述过热汽温出口温度进行校正，从而对所述超临界机组过热汽温进行控制。
[0055]
进一步优选地，本发明在构建的减温水与高温蒸气混合后的基于pso-elm的局部预估模型的过程中，本发明根据极限学习机模型和粒子群算法，构建基于pso-elm的局部预估模型。
[0056]
进一步优选地，本发明在构建基于pso-elm的局部预估模型的过程中，本发明提到的极限学习机模型由三层神经元组成，包括输入层、隐含层和输出层，其中，输入层、隐含层以及输出层之间采用全连接方式。
[0057]
进一步优选地，本发明在构建基于pso-elm的局部预估模型的过程中，本发明通过获取输入层与隐含层的第一连接权值、输出层与隐含层的第二连接权值以及隐含层的阈值；
[0058]
根据第一连接权值、阈值、第二连接权值，获取局部预估模型的期望值；
[0059]
基于期望值，通过获取输入样本，根据局部预估模型，生成输出样本，其中，输出样本用于生成混合后蒸汽温度出口校正值。
[0060]
进一步优选地，本发明在获取局部预估模型的期望值的过程中，本发明提到的第一连接权值的矩阵表达式为：
[0061][0062]
其中，w
ln
表示第l个隐含层神经元与第n个输入层神经元间的连接权值。
[0063]
进一步优选地，本发明在获取局部预估模型的期望值的过程中，本发明提到的阈值的矩阵表达式为：
[0064][0065]
本发明提到的第二连接权值的矩阵形式为：
[0066][0067]
本发明提到的期望值的矩阵表达式为：
[0068]
t＝[t
1 t2...tq]1×q[0069][0070]
进一步优选地，本发明在生成输出样本的过程中，本发明提到的生成输出样本的表达式为：
[0071]
hβ＝t
[0072]
其中，h是隐层节点的输出，β为输出权重，t为期望输出。
[0073]
进一步优选地，本发明在生成输出样本的过程中，本发明提到的通过激活函数，获取隐层节点的输出，输出表示为：
[0074][0075]
进一步优选地，本发明在构建局部预估模型的过程中，本发明通过粒子群算法，将极限学习机模型的第一连接权值与阈值进行寻优，得到最优的网络结构，其中，
[0076]
粒子群算法表示为：
[0077][0078][0079]
其中，代表第i个粒子第k代第d维的位置，代表第i个粒子在第k代时第d维的速度，i∈[1,2,
…
n],d∈[1,2,
…
,d]，r1和r2由0-1之间的随机数产生，pbest表示个体极值，gbest表示群体极值，c1和c2为加速因子，加速因子用来调整粒子偏向于个体最优点移
动或偏向于全局最优点移动。
[0080]
进一步优选地，本发明在得到最优的网络结构的过程中，本发明提到的得到最优的网络结构的算法优化过程如下：
[0081]
(1)随机初始化粒子种群中粒子的初始速度和初始位置，设置进化代数、种群规模，种群范围；
[0082]
(2)根据目标问题设置相应的适应度函数，并计算初始适应度；
[0083]
(3)粒子根据个体极值与群体极值来更新自身的位置和速度；
[0084]
(4)粒子群速度更新，粒子群位置更新；
[0085]
(6)计算更新后的适应度；
[0086]
(7)比较适应度，选取适应度更优的粒子并更新极值点；
[0087]
(8)若达到最大迭代次数或适应度值达到设定值则寻优完成，否则，重复步骤3-7。
[0088]
实施例1：本发明的具体实施过程包括：
[0089]
1.控制策略的改进
[0090]
传统的过热汽温串级pid控制框图如图1所示：pid1和pid2分别为串级控制的主调节器和副调节器；g1(s)为减温水与高温蒸气混合过程的传递函数；g2(s)为换热器传热过程的传递函数；d1(s)为过热蒸汽的外部扰动；d2(s)为烟气侧的外部扰动。该控制方法被广泛地应用于汽温控制。
[0091]
本发明为了保证模型预测控制的精度，将减温水与高温蒸气混合过程g1(s)的模型分离出来，构建减温水与高温蒸气混合后的局部预估模型。在兼顾串级控制可靠性的基础上，基于混合后温度t1进行数据建模预测校正出口温度偏差，以解决传热部分g2(s)的大惯性和大延迟问题，从而提高原有的串级控制性能。
[0092]
本发明的控制框图如图2所示：
[0093]
减温水与高温蒸气混合后流经过热器/再热器进行换热，这一换热过程可以一定的模型来表达。忽略锅炉稳态工况下传热能力的变化，混合后蒸汽温度t1与出口温度t2之间的模型可使用数据建模的方式进行预测。
[0094]
2.极限学习机理论
[0095]
极限学习机属于单隐含层神经网略，是数据建模领域使用较多的机器学习算法。模型由三层神经元组成，包括输入层、隐含层和输出层，输入层、隐含层以及输出层之间采用全连接方式。
[0096]
根据模型结构，将输入层与隐含层的连接权值以矩阵的形式表示:
[0097][0098]
式中，w
ln
表示第l个隐含层神经元与第n个输入层神经元间的连接权值。
[0099]
隐含层神经元的阈值以向量形式表示：
[0100][0101]
输出层与隐含层之间的连接权值表示为矩阵形式：
[0102][0103]
对于一个单隐层神经网络，假设有q个样本，以矩阵x表示样本输入集合，矩阵y表示样本输出集合。样本矩阵结构形式分别为下式：
[0104][0105]
模型的期望值为t，矩阵形式表示为：
[0106]
t＝[t
1 t2...tq]1×qꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0107][0108]
可将式(1-6)简化为：
[0109]
hβ＝t'
ꢀꢀꢀꢀꢀꢀ
(7)
[0110]
其中，h是隐层节点的输出，β为输出权重，t为期望输出。
[0111]
通过激活函数计算可得出隐含层的输出数据矩阵h，具体结构为：
[0112][0113]
3.粒子群(pso)理论
[0114]
在pso中，粒子是粒子群算法的基本元素，每个粒子都存在三个特征即位置x(粒子在解空间的位置)、速度v(决定下次运动的方向和速度)和适应度fitness。在每次的迭代中，种群中的粒子除了根据自身的经验进行学习以外，还可以根据种群中最优粒子的"经验"来学习，即根据个体极值pbest和群体极值gbest的位置来更新自身位置，个体极值pbest是指个体中适应度值最高的粒子所在位置，群体极值gbest是指种群中的所有粒子中
适应度最高的粒子所在位置。粒子每迭代一次，就计算一次适应度值，通过比较新一代粒子的适应度来确定下一次迭代时如何改变运动的速度和方向。就这样逐步迭代，最终趋于最优解。具体更新公式如下：
[0115][0116][0117]
其中，代表第i个粒子第k代第d维的位置，代表第i个粒子在第k代时第d维的速度，i∈[1,2,
…
n],d∈[1,2,
…
,d]；r1和r2由0-1之间的随机数产生；c1和c2为加速因子，用来调整粒子偏向于个体最优点移动或偏向于全局最优点移动。
[0118]
算法优化过程如下：
[0119]
(1)随机初始化粒子种群中粒子的初始速度和初始位置。设置进化代数、种群规模，种群范围；
[0120]
(2)根据目标问题设置相应的适应度函数，并计算初始适应度；
[0121]
(3)粒子根据个体极值与群体极值来更新自身的位置和速度。
[0122]
(4)粒子群速度更新，粒子群位置更新；
[0123]
(6)计算更新后的适应度；
[0124]
(7)比较适应度，选取适应度更优的粒子并更新极值点；
[0125]
(8)若达到最大迭代次数或适应度值达到设定值则寻优完成，否则，重复步骤3-7。
[0126]
4.pso-elm预测模型
[0127]
为了保证elm模型在隐含层节点最优的情况下保持较高的预测精度，本发明采用pso优化算法对其优化，通过pso算法将elm的输入层与隐含层连接权值与阈值进行寻优，得到最优的网络结构，在增强elm稳定性的同时保证了elm的收敛速度。
[0128]
利用上述步骤选取了1250组变负荷时的数据进行仿真预测实验，选取1000组数据作为训练集训练模型，其余250个作为预测集。使用pso优化elm输入层与隐含层的连接权值与阈值，在pso算法中，设置最大迭代次数为1000次，种群规模为300，加速度因子c1＝1.5,c2＝3。适应度函数为预测值和实际值之差的绝对值之和。将预估模型的预测结果与实际数据进行对比，预测结果如图3所示。
[0129]
将训练好的预估模型应用于实际现场，在1000mw超超临界锅炉减温水控制中进行实际应用，与经典的串级控制相比，结合局部预估模型校正可以为减温水控制获得更好的效果。如图4所示为其在1000mw超超临界锅炉上的应用效果，与原串级pid控制相比，本发明提出的基于串级与局部预估模型预估校正的混合模型控制可以随着机组运行工况的变化有效地改善汽温控制性能，最大控制偏差快速回落至
±
5℃之内。
[0130]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0131]
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0132]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。