一种基于递阶引力搜索的循环流化床锅炉模型辨识方法技术

本发明专利技术公开了一种基于递阶引力搜索的循环流化床锅炉模型辨识方法，属于循环流化床锅炉模型系统辨识技术领域；解决了循环流化床锅炉进行分析、预测的模型问题。其技术方案为：包括如下步骤：步骤1)构建表述循环流化床锅炉床温的多变量状态空间模型，根据所构建的系统模型获取循环流化床锅炉床温的辨识模型；步骤2)构建递阶引力搜索算法的辨识流程。本发明专利技术的有益效果是：本发明专利技术的方法辨识可显著降低所需辨识信息矩阵及参数向量维度，从而使该方法的计算量大幅降低，本发明专利技术的方法辨识精度高，收敛速度快，适用于循环流化床锅炉床温模型的参数辨识。辨识。辨识。

【技术实现步骤摘要】
一种基于递阶引力搜索的循环流化床锅炉模型辨识方法


[0001]本专利技术涉及循环流化床锅炉模型系统辨识
，尤其涉及一种基于递阶引力搜索的循环流化床锅炉模型辨识方法。

技术介绍

[0002]循环流化床锅炉技术被广泛应用于火力发电机组。床温是循环流化床锅炉的重要参数。为了更好的对循环流化床锅炉进行分析、预测以及控制，必须为循环流化床锅炉的床温建立系统模型，同时辨识所建立模型的参数。为此，大量学者提出最小二乘法、梯度迭代法以及各种群智能算法等辨识方法。
[0003]由于最小二乘法的辨识精度不够理想，在实际的生产中的辨识效果往往不尽如人意；梯度迭代法等辨识方法存在易陷入局部最优，辨识效果不佳等问题。
[0004]如何解决上述技术问题为本专利技术面临的课题。

技术实现思路

[0005]为了解决以上技术问题，本专利技术提供了一种基于递阶引力搜索的循环流化床锅炉模型辨识方法，本专利技术提出的递阶引力搜索算法可以有效降低引力搜索算法的计算量，且具有较高的辨识精度与较快的收敛速度，能够较好地应用于循环流化床锅炉床温的建模与辨识。
[0006]本专利技术是通过以下措施实现的，一种基于递阶引力搜索的循环流化床锅炉模型辨识方法，其中：包括如下步骤：
[0007]步骤1)构建表述循环流化床锅炉床温的多变量状态空间模型，根据所构建的系统模型获取循环流化床锅炉床温的辨识模型；
[0008]步骤2)构建递阶引力搜索算法的辨识流程。
[0009]进一步地，所述步骤1)的具体建模步骤如下：
[0010]步骤1
‑
1)构建表述循环流化床锅炉床温的多变量状态空间模型：
[0011]如式(1)、(2)，给出多输入多输出系统的一般形式，u(t)为系统的输入，y(t)为系统的输出，v(t)为系统的零均值观测噪声向量，A,B,C为该系统的参数矩阵：
[0012]x(t+1)＝Ax(t)+Bu(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013]y(t)＝Cx(t)+v(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0014]其中：
[0015][0016][0017]b
ij
:＝[b
ij,1
,b
ij,2
,
…
,b
ij,r
]∈R1×
r
,
[0018][0019]n:＝n1+n2+
…
+n
m
。
[0020]根据式(1)、(2)可以得到输出y(t)与输入u(t)、误差v(t)之间的关系：
[0021][0022][0023]y(t)＝Φ(t)θ+v(t),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0024]其中：
[0025][0026][0027][0028]进一步地，所述步骤1)的模型为多变量状态空间系统模型。
[0029]进一步地，所述步骤2)构建递阶引力搜索算法的辨识流程的具体步骤如下：
[0030]步骤2
‑
1)辨识模型分解，将原输入模型y(t)分解为m个子模型，m为变量系统输入个数，其中
[0031]步骤2
‑
2)定义适应度函数：
[0032][0033]在子系统i中，信息向量含有未知的状态变量x(t
‑
n
i
),(i＝1,2,
…
,m)，参数向量未知θ
i
，利用递阶辨识原理，将前一次迭代得到的参数向量估计值代入式(5)来估计
状态向量x(t+1)；将前一次迭代得到的状态向量估计值代入式(4)来估计参数向量
[0034][0035]其中：
[0036][0037]步骤2
‑
3)初始化种群，将种群中的第i个粒子记为
[0038]步骤2
‑
4)获取循环流化床锅炉的给煤量以及一次风量作为输入数据，循环流化床锅炉的床温以及主蒸汽压力为输出数据，记录数据；
[0039]步骤2
‑
5)根据式(6)、(7)计算中间质量m
i,i
(k)和粒子质量M
i,i
(k)：
[0040][0041][0042]步骤2
‑
6)根据式(8)计算粒子受到的外力和F
i,i
(k)：
[0043][0044]其中，R
ij
为粒子i与粒子j间的欧氏距离，ε是为了防止分母为0加入的一个极小常数，rand为[0,1]之间服从正态分布的随机数；G(k)为第k次迭代时的万有引力常量
[0045][0046]其中，G0为万有引力常量的初始值，α为一个会影响G(k)降低速度的常量，其值越大G(k)降低的速度越快，T为最大迭代次数；
[0047]步骤2
‑
7)根据式(9)计算粒子加速度a
i,i
(k)：
[0048][0049]步骤2
‑
8)根据式(10)、(11)更新粒子的速度v
i,i
(k)，位置θ
i,i
(k)：
[0050]v
i,i
(k+1)＝rand
×
v
i,i
(k)+a
i,i
(k),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0051]θ
i,i
(k+1)＝θ
i,i
(k)+v
i,i
(k+1),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0052]步骤2
‑
9)整合m个子系统的参数向量θ
i
，判断辨识精度是否达到预期或是否达到最大迭代次数，若未达到，跳转至步骤2
‑
5)，若达到，跳转至步骤2
‑
10)；
[0053]步骤2
‑
10)输出结果，完成参数辨识。
[0054]与现有技术相比，本专利技术的有益效果在于：本专利技术引入的递阶引力搜索算法将复
杂系统分割为m个子系统，可以显著降低所需辨识系统信息矩阵与参数向量的维度，从而降低原引力搜索算法的计算量，本专利技术将递阶引力搜索算法应用于循环流化床锅炉模型的辨识，其辨识精度高，收敛速度快，所得模型的预测输出与实际输出值拟合效果好，本方法适用于循环流化床锅炉床温模型的参数辨识。
附图说明
[0055]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0056]图1为本专利技术的递阶引力搜索算法流程图。
[0057]图2为本专利技术的循环流化床锅炉示意图。...

【技术保护点】

【技术特征摘要】
1.一种基于递阶引力搜索的循环流化床锅炉模型辨识方法，其特征在于：包括如下步骤：步骤1)构建表述循环流化床锅炉床温的多变量状态空间模型，根据所构建的系统模型获取循环流化床锅炉床温的辨识模型；步骤2)构建递阶引力搜索算法的辨识流程。2.根据权利要求1所述的基于递阶引力搜索的循环流化床锅炉模型辨识方法，其特征在于：所述步骤1)的具体建模步骤如下：步骤1
‑
1)构建表述循环流化床锅炉床温的多变量状态空间模型：如式(1)、(2)，给出多输入多输出系统的一般形式，u(t)为系统的输入，y(t)为系统的输出，v(t)为系统的零均值观测噪声向量，A,B,C为该系统的参数矩阵：x(t+1)＝Ax(t)+Bu(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)y(t)＝Cx(t)+v(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中：其中：其中：b
ij
:＝[b
ij,1
,b
ij,2
,
…
,b
ij,r
]∈R1×
r
,n:＝n1+n2+
…
+n
m
根据式(1)、(2)可以得到输出y(t)与输入u(t)、误差v(t)之间的关系：
y(t)＝Φ(t)θ+v(t),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中：其中：其中：3.根据权利要求1所述的基于递阶引力搜索的循环流化床锅炉模型辨识方法，其特征在于：所述步骤1)的模型为多变量状态空间系统模型。4.根据权利要求1所述的基于递阶引力搜索的循环流化床锅炉模型辨识方法，其特征在于：所述步骤2)构建递阶引力搜索算法的辨识流程的具体步骤如下：步骤2
‑
1)辨识模型分解，将原输入模型y(t)分解为m个子模型，m为变量系统输入个数，其中步骤2
‑
2)定义适应度函数：在子系统i中，信息向量含有未知的状态变量x(t
‑
n
i
),(i＝1,2,
…
,m)，参数向量未知θ
i
，利用递阶辨识原理，将前一次迭代得到的参数向量估计值代入式(5)来估计状态向量x...

【专利技术属性】
技术研发人员：李俊红，李政，宗天成，刘慧霞，李磊，蒋泽宇，宋伟成，蒋一哲，芮佳丽，褚云琨，储杰，
申请(专利权)人：南通大学，
类型：发明
国别省市：