一种基于神经网络逆模型再热汽温控制方法与流程

本发明属于火力发电技术领域，尤其涉及一种基于神经网络逆模型再热汽温控制方法。

背景技术：

电厂锅炉的再热汽温是机组安全、经济运行的重要参数之一，必须控制在一定范围之内。而电厂再热汽温被控对象是具有大惯性、大滞后、并且常规pid控制难以取得良好的控制效果。

由于大容量锅炉机组经常处于深度调峰大幅变工况运行，且再热汽温系统是一个典型的非线性、大惯性、大时延的被控对象，常规的单回路pid过热汽温控制策略很达到预期的控制效果。

技术实现要素：

本发明的目的是提供一种基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为pid控制的控制策略，以克服现有再热器蒸汽温度控制方法对机组大范围变工况适应性差，增强工况适应性。

本发明提供了一种基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为pid控制的再热汽温控制策略，包括如下步骤：

1)确定所述逆模型的输入和输出参数；

所述逆模型的输入参数包括负荷ne、燃料量bf、总风量fa、燃烧器摆角β、再热器出口汽温实际值t2，输出参数为喷水减温器出口汽温t1；

2)从现场dcs系统获取机组的历史运行数据，从中选取用于所述逆模型建立和验证的样本数据；所述样本数据包括机组协调系统自动升降负荷的最低负荷至额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；

3)确定建模采用的神经网络类型及模型结构，建立所述逆模型，并运用获取的机组历史运行数据完成逆模型的训练和检验。

进一步地，所述步骤2)包括：

从dcs历史运对模型训练样本输入、输出进行归一化处理，并采用归一化后的样本训练模型，再将模型输出反归一得到实际工程单位的变量值，具体的归一化公式为：

y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin；

式中：x，y分别为参数的实际值和标称值，xmin、xmax分别为训练样本集数据中参数x的最小值和最大值，ymin、ymax分别为归一化处理后参数的最小值和最大值。

借由上述方案，通过基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为pid控制的控制策略，能够应对具有大惯性、大滞后再热汽温控制系统的适应能力，增强了工况适应性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明基于神经网络逆模型再热汽温控制方法一实施例的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为pid控制的再热汽温控制策略，包括如下步骤：

1)确定所述逆模型的输入和输出参数；

所述逆模型的输入参数包括负荷ne、燃料量bf、总风量fa、燃烧器摆角β、再热器出口汽温实际值t2，输出参数为喷水减温器出口汽温t1；

2)从现场dcs系统获取机组的历史运行数据，从中选取用于所述逆模型建立和验证的样本数据；所述样本数据包括机组协调系统自动升降负荷的最低负荷至额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；

3)确定建模采用的神经网络类型及模型结构，建立所述逆模型，并运用获取的机组历史运行数据完成逆模型的训练和检验。

在本实施例中，所述步骤2)包括：

从dcs历史运对模型训练样本输入、输出进行归一化处理，并采用归一化后的样本训练模型，再将模型输出反归一得到实际工程单位的变量值，具体的归一化公式为：

y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin；

式中：x，y分别为参数的实际值和标称值，xmin、xmax分别为训练样本集数据中参数x的最小值和最大值，ymin、ymax分别为归一化处理后参数的最小值和最大值。

该基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为pid控制的控制策略，能够应对具有大惯性、大滞后再热汽温控制系统的适应能力，增强了工况适应性。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。