基于双目标并行ISLAND-HFC混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法技术

本发明专利技术公开了一种基于双目标并行ISLAND-HFC混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法，其步骤如下：一、搭建硬件平台；二、所述优化方法由硬件平台执行前台界面软件和后台软件完成；后台软件由现场试验及数据采集软件、过程辨识软件和PID控制器参数优化软件组成；本发明专利技术将ISLAND模型和HFC模型有机地融为一体，抗早熟收敛性强，充分利用工业控制计算机的多核CPU资源，多线程并发运行，进化速度快，适于解决复杂问题；双目标进化一方面控制进化模型与理想模型之间的误差，另一方面控制进化个体的结构，最终使最优个体结构和参数都满足要求，对于过程辨识，精确匹配出现场过程模型，对于PID控制器参数优化，得出最优比例、积分、微分参数。

【技术实现步骤摘要】

本专利技术涉及一种基于双目标并行ISLAND-HFC混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法，属于热工自动化智能控制、进化计算

技术介绍
1.火力发电厂控制优化现状现代大型火力发电机组大容量高参数运行，燃煤发电节能降耗潜力巨大；同时，国家对零排放、低污染等环保方面要求日益严格，通过现场分布式控制系统（简称DCS）控制优化实现节能环保目标，已经是火力发电厂的迫切需求。DCS控制中80%以上是PID控制，通过对PID参数的优化整定可改善闭环控制的动态响应（见图3），实现目标最优控制。对锅炉风、煤、水以及汽机调门的优化控制可达到节能降耗的目标；对脱硫、脱硝等环保环节的控制可降低机组排放，提高环保性能。在控制理论中，控制优化的前提是建立被控对象的精确数学模型，这一工作需要进行现场开环阶跃试验，采集过程响应数据，然后运行过程辨识算法。由于缺少在线的数据采集及过程辨识装置，目前在现场很难实现。目前，现场实际工作中都是通过多次阶跃试验观察动态响应曲线，不断调节PID参数实现优化，这一过程耗费很多人力、时间，对机组的安全运行也容易产生不利影响。2.数学建模的现有方法建立系统数学模型的方法有两种：机理分析法和辨识法。机理分析法通常需要通过分析过程的运动规律，运用一些已知的定律、定理和原理，如化学动力学原理、生物学定律、牛顿定理、物料平衡方程、能量平衡方程和传热传质原理等，才能建立过程的数学模型。这种方法也称作理论建模。对于比较复杂的实际系统来说，这种建模方法有很大的局限性。这是因为进行理论建模时，对所研究的对象必须提出合理的简化假定，否则会使问题过于复杂化，然而这些假定往往不一定能符合实际情况。何况实际过程的机理有时也并非完全知道。另外，过程的某些因素也可能在不断变化，难以精确描述，如受热面积垢、催化剂老化等。诸如此类的原因使得理论建模法应用受到很大局限。辨识法是根据系统的输入、输出数据建立系统数学模型的方法。过程的输入、输出数据一般是可以测量的，而过程的动态特性必然表现在这些输入、输出数据之中，所以可以基于输入、输出数据建模。辨识法无须对系统的机理有非常深入的了解，所以比机理分析法有优越之处。迄今为止，在系统辨识领域，已经有非参数模型辨识法（又称经典辨识法）、参数模型辨识法（又称现代辨识法）、人工智能辨识法（包括神经网络、模糊逻辑、遗传算法）等多种不同的辨识方法。然而，以上所述各种辨识方法都有不足之处，例如：经典辨识方法适用范围是线性系统；现代辨识方法模型辨识与参数辨识需分步进行；神经网络或模糊逻辑等人工智能方法将系统作为纯粹的黑箱，无法给出显式的输入、输出之间的数学关系。总而言之，现有的建模方法都有其局限性和不足。如何高效、精确地为各种复杂的目标系统建立数学模型一直是控制领域关注和研究的问题。3.单种群遗传编程算法及其在辨识和控制优化方面的应用遗传编程这种人工智能算法是对自然界进化的模拟，该算法在程序空间中通过进化寻找能非常好解决用户问题的程序。在算法运行过程中，程序以“树”的数据结构存在。从理论上讲，使用遗传编程算法时，只需要告诉计算机“需要完成什么”，而不用告诉它“如何去完成”，算法即可自动给出结果。这一算法最终可能实现真正意义上的人工智能：自动化的发明机器。传统的遗传编程算法基于单种群结构，算法运行时，首先要确定解决用户问题所需的终端集合（包括变量、随机常数等）和函数集合（包括各种运算符、数学函数等），然后由终端集合和函数集合随机地产生原始种群（几百个甚至几千个程序组成的集合）。然后确定适应度标准，就是衡量一个程序解决用户问题的能力，类似于自然界中生物对环境的适应性。适应度有多种表达方式，如原始适应度、标准适应度、修正适应度、正态适应度等。原始适应度根据用户问题的本质确定，其它适应度根据原始适应度计算而得。在进化过程中，两个程序之间发生类似生物有性繁殖的基因交叉操作（“树”状程序之间的交叉），单个程序发生类似生物无性繁殖的个体复制操作，此外还有模拟生物基因突变等行为的操作。与自然界的进化相似，适应度高的个体程序被选中参与基因交叉、个体复制等操作的机会大，从而他们的整体或一部分通过基因操作传递到下一代的可能性就大，适应度低的个体逐渐消亡，也就是达尔文进化论的“物竞天择，适者生存”。这样经过数十代乃至数百代的进化，种群中就能出现适应度比较高，能较好解决用户问题的程序。单种群算法的流程图如附图11所示。应用于系统辨识和控制优化，将描述对象模型的传递函数以及控制对象的控制算法视为程序，遗传编程可以按照优化目标（适应度标准）进化出满足要求的对象模型或控制算法，从而实现精确建模和控制算法的优化。对于复杂的对象，普通的单种群遗传编程算法容易早熟收敛于局部最优点，不能得出精确数学模型，需要采用抗早熟收敛技术。ISLAND模型和HFC（hierarchicalfaircompetition）模型是广泛采用的抗早熟收敛多种群进化技术，以下做简要介绍。4.ISLAND多种群并行进化模型ISLAND模型是一种在进化计算中广泛应用的多种群模型。在此模型中，整个进化种群被分为若干个对等的子种群，每个子种群独立进化，相当于一个单种群进化系统。子种群之间按照一定的速率（每隔若干代）进行个体交换，每次交换若干个个体。算法一般采取客户机-服务器方式，每个客户机运行一个单种群进程，服务器控制子种群之间的交换。常见的交换方式有环形交换法（见图12-1）、交叉交换法（见图12-2）、随机交换法（见图12-3）等。最常用的交换方式是用A子种群中k个最好的个体替换B子种群中k个最差的个体；然后用B子种群中k个最好的个体替换A子种群中k个最差的个体。基于ISLAND模型的多种群进化算法可运行于多个通过局域网互联的计算机上，可设置为每个客户计算机运行一个子种群，服务器负责协调客户机上运行的子种群之间的个体交换;或运行于一个多CPU的计算机上，每个子种群以一个线程的方式运行，从而提高运行效率，加速进化进程。ISLAND模型遗传编程算法流程图如图13所示。5.HFC遗传编程算法描述在传统的进化计算算法中，随着进化的进行，种群的平均适应度越来越高，种群逐渐失去了在搜索空间“探索”的能力，对于简单问题，算法可能会收敛于全局最优点，但对于复杂问题，算法可能只能找到局部最优点而早熟收敛。发生收敛后，种群中个体间相似性增大，个体间的适应度差值越来越小，即使增大选择压力（如采取排名选择、锦标赛选择等方法），...

【技术保护点】
一种基于双目标并行ISLAND‑HFC混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法，其特征在于步骤如下：一、搭建硬件平台所述硬件平台包括现场分布式控制系统DCS和工业控制计算机；所述现场分布式控制系统DCS的各柜体内的分布处理单元DPU通过DCS现场总线双冗余通信网络相连接；所述现场分布式控制系统DCS的各柜体内的分散处理单元DPU、输入输出模块或通信卡之间通过DCS柜内通信总线相连接；第一柜体内的通信卡与工业控制计算机的RS485串行通信口相连接；所述工业控制计算机具有双核及以上CPU；所述通信卡采用MODBUS通信卡；二、所述优化方法由所述硬件平台执行前台界面软件和后台软件完成；所述后台软件由现场试验及数据采集软件、过程辨识软件和PID控制器参数优化软件组成；（一）现场试验及数据采集软件：（1）首先置所述现场分布式控制系统DCS中的被辨识环节于开环状态，即置PID控制器处于手动运行状态；手动调节PID控制器的输出信号u(t)，分别施加两种信号即阶跃信号和斜坡信号，两种信号的幅度分别为PID控制器的输出信号u(t)的满量程的8%—10%，所述斜坡信号的上升或下降速率小于每分钟所述满量程的一半；（2）通过所述数据采集软件采集所述阶跃信号和斜坡信号的过程开环响应数据，所述工业控制计算机显示所述过程开环响应曲线，并将过程开环响应数据写入数据文件；（二）过程辨识软件：所述工业控制计算机调用双目标并行ISLAND‑HFC混合模型遗传编程算法进行过程辨识；（1）所述双目标并行ISLAND‑HFC混合模型遗传编程算法为：将ISLAND模型和HFC模型有机融合，充分利用工业控制计算机多CPU的硬件优势，采用多线程并发运行，形成一种运行高效、有效抗早熟收敛的进化算法；a.关于ISLAND‑HFC混合模型：所述ISLAND‑HFC混合模型的多种群进化分为内外两个层面，在外层面，各ISLAND子种群按照ISLAND模型进行进化，在内层面每个ISLAND子种群内部再按HFC适应度规则细分为HFC子种群；在进化过程中，在外层面，每个ISLAND子种群以单线程运行，彼此之间每20~25代交换一次个体，交换个体来自ISLAND子种群内部的适应度最高HFC子种群；在内层里，每个ISLAND子种群内部以HFC模型方式进化，每10~15代按适应度规则重新划分每个个体的子种群归属；单个HFC子种群按照普通的单种群进化方式进化，自父辈种群中按照与适应度成比例的概率选取个体参与基因操作即交叉操作和突变操作，对于交叉操作选取两个个体，对于突变操作只选取一个个体，基因操作产生子代个体最终替换父代个体，完成种群的一代进化；b.双目标进化：对于过程辨识，在运行过程中，由于进化的随机性，进化个体会产生本不属于现场过程传递函数的冗余项目；为了能够控制进化个体传递函数，达到精确辨识的目的，适应度采用了双目标，一个目标控制模型的误差，另一个目标控制模型的结构，从而实现过程辨识数学模型的精确建立；c.进化前的准备工作：①函数集合与终端集合定义：使用遗传编程进化传递函数，采用的函数集合为：{ +，‑，，/}其中“/”仅在根节点使用；采用的终端集合为：{ s，R }其中s为拉普拉斯变换微分算子，R为‑1.0 ~ 1.0之间的随机浮点数，用于匹配传递函数参数；②树状传递函数的结构：典型的SISO即单输入单输出传递函数如式 （1） 所示：（1）式中是被控量的拉普拉斯变换，是过程输入量的拉普拉斯变换，n、m为传递函数阶次，……和……是不同阶次的系数，过程辨识就是通过输入、输出数据推导出传递函数的阶次即结构和各阶次系数即参数；所述ISLAND‑HFC混合模型遗传编程算法是对树状程序的进化，为了以树状程序表征传递函数，将典型的SISO传递函数式（1）中等号右侧的分式以树状形式表示；在个体初始化以及整个进化过程中，每个进化个体的根节点固定为函数节点“/”，即代数中的除法表示符号，通过进化自动匹配出传递函数阶次以及和的值，从而实现过程辨识；③适应度定义：过程辨识中采用双目标适应度：目标1：误差假设现场实际采集的阶跃过程输入信号为阶跃响应输出信号为假设现场实际采集的斜坡过程输入信号为斜坡响应输出信号为将阶跃过程输入信号输入ISLAND‑HFC混合模型遗传编程进化种群中的个体传递函数模型，得到的第一输出信号为将所述斜坡过程输入信号输入ISLAND‑HFC混合模型遗传编程进化种群中的个体传递函数模型，得到的第二输出信号为则阶跃响应的最小二乘误差定义如式（2）：（2）斜坡响应的最小二乘误差定义如式（3）：（3）进化个体的总最小二乘误差定义为：+（4）目标2： 结构控制进化过程的随机性容易使个体变得结构复杂庞大，在过程辨识中，进化出的传递函数中往往含有很多目标系统中不存在的冗余项，为了控制个...

【技术特征摘要】
1.一种基于双目标并行ISLAND-HFC混合模型遗传编程算法的火电厂热工在线过程辨
识及控制算法的优化方法，其特征在于步骤如下：
一、搭建硬件平台
所述硬件平台包括现场分布式控制系统DCS和工业控制计算机；所述现场分布式控制
系统DCS的各柜体内的分布处理单元DPU通过DCS现场总线双冗余通信网络相连接；所述现
场分布式控制系统DCS的各柜体内的分散处理单元DPU、输入输出模块或通信卡之间通过
DCS柜内通信总线相连接；第一柜体内的通信卡与工业控制计算机的RS485串行通信口相连
接；所述工业控制计算机具有双核及以上CPU；所述通信卡采用MODBUS通信卡；
二、所述优化方法由所述硬件平台执行前台界面软件和后台软件完成；所述后台软件
由现场试验及数据采集软件、过程辨识软件和PID控制器参数优化软件组成；
（一）现场试验及数据采集软件：
（1）首先置所述现场分布式控制系统DCS中的被辨识环节于开环状态，即置PID控制器
处于手动运行状态；
手动调节PID控制器的输出信号u(t)，分别施加两种信号即阶跃信号和斜坡信号，两种
信号的幅度分别为PID控制器的输出信号u(t)的满量程的8%—10%，所述斜坡信号的上升或
下降速率小于每分钟所述满量程的一半；
（2）通过所述数据采集软件采集所述阶跃信号和斜坡信号的过程开环响应数据，所述
工业控制计算机显示所述过程开环响应曲线，并将过程开环响应数据写入数据文件；
（二）过程辨识软件：
所述工业控制计算机调用双目标并行ISLAND-HFC混合模型遗传编程算法进行过程辨
识；
（1）所述双目标并行ISL...

【专利技术属性】
技术研发人员：袁晓磊，彭钢，马瑞，徐新航，
申请(专利权)人：河北省电力建设调整试验所，国家电网公司，国网河北省电力公司电力科学研究院，
类型：发明
国别省市：河北;13