基于粒子群算法的超临界机组给水系统模型辨识

第37卷第1期2015年1月华电技术HuadianTechnologyV01．37No．1Jan．2015基于粒子群算法的超临界机组给水系统模型辨识卢晓玲，马平(河北省发电过程仿真与优化控制工程技术研究中心(华北电力大学)，河北保定071003)摘要：给水控制系统是超临界直流锅炉的重要控制系统之一，建立超临界机组给水系统的精确数学模型是保证给水控制质量的重要基础。鉴于超临界直流炉的复杂性，传统辨识方法已很难辨识出精度较高的模型。针对超临界机组的特点和传统模型辨识的缺点，将粒子群算法用于给水过程模型辨识，以某600MW超临界机组为例，基于电厂实际运行数据，建立了分离器出口(中间点)比焓与给水流量之间的传递函数，验证结果表明所辨识模型能够很好地反映实际运行曲线，为超临界机组给水控制系统的设计提供了前提保证；同时，粒子群辨识方法提高了模型辨识的快速性与准确性。关键词：超临界机组；给水系统；粒子群；辨识；比焓；给水流量；传递函数中图分类号：U463．5文献标志码：A文章编号：1674—1951(2015)01—0009—040引言给水控制在超临界机组控制中占有重要地位，是整个火力发电系统中的关键部分，超临界直流锅炉的给水控制与汽包锅炉不同，其控制任务是以中间点温度或焓值作为表征量，进而控制汽温和不同负荷下的给水量，给水调节品质直接关系到锅炉汽水系统能否安全、稳定运行J，如何建立实用有效的给水系统数学模型，在火电机组给水系统仿真与控制系统的设计研究中具有重要意义。对超临界直流锅炉而言，汽温、汽压、给水量及蒸发量相互关联，耦合性极强，机理建模法已很难得到精确的数学模型；而现场数据的不规则性又使阶跃响应法等传统辨识方法的经验结果精度并不高_2]，建立此类复杂对象的数学模型，系统辨识法显现出了极大的优越性，本文将粒子群算法应用于模型辨识。粒子群算法(PSO)模拟社会群体的行为，是全局优化算法，它通过构造粒子群在多维空间中寻优，粒子通过修正自身的前进方向和速度，最终找到最优区域。仿真结果表明，将粒子群算法应用于超临界机组给水系统模型辨识的方法简单易行，且辨识出的模型具有较高的精度J。l粒子群优化算法1．1粒子群算法原理PSO算法受启发于鸟群觅食群体活动。鸟群寻找食物时，随机搜索某个区域里的食物，食物在此区域中的位置是唯一的，各个鸟都知道自己距离食物收稿日期：2014—05—30；修回日期：2014—10—06有多远，此信息在鸟群之间是可以共享的，同伴的位置也是每只鸟都知道的，位置的优劣取决于距离食物的远近。因此，要想尽快找到食物，鸟要调整自己的飞行方向和速度，这个过程要以每只鸟曾经经历过的最优位置P和鸟群发现的最优位置P为依据。鸟群通过共享动态信息，可以很快将食物找到]。PSO算法简单易行，不需要遗传算法(GA)等其他类群体智能算法中的复杂个体和交叉变异。首先，在n维搜索区域中，将个体看成没有体积和重量的粒子，在搜索区域中以的速度飞行。飞行速度的动态调整依据个体和及群体的飞行经验。设置(t)=(，(t)，．(t)，⋯，(t))，为粒子i在n维搜索空间中t时刻的位置。(t)=((t)，(t)，⋯，(t))，为粒子i在维搜索空间中t时刻的飞行速度。P(t)=(PP⋯，P(t))为粒子i在n维搜索空间中t时刻前所经历的最好位置，叫做个体最优值。对于最小值优化问题，目的是求目标函数的最小值。设最小优化问题的目标函数为)，通过下面的式子确定粒子下个时刻的最优位置：若．厂((t+1))≥f(P(t))，贝0P(t+1)=P(t)。若厂((t+1))≤f(p(￡))，则P(t+1)=X(t+1)。设粒子总数为m，全局最优值为P(t)，则Pg(t)∈{Po(t)，P。(t)，⋯，(t)}I，((t))=min{厂(Po(t))P(t))，⋯(t))}粒子根据当前的速度)，个体最优位置P(t)和粒子群的最优位置(f)决定下一时刻的速度(t+1)。在决定下个时刻的速度(t+1)时要保留速度(t)，还要考虑P(t)的影响；另外，(t)是所有粒子的目的地。基于以上信息，基本粒子群算法根据下式更新速度和位置：·1O-华电技术第37卷(t+1)=V(t)+C1rl(t)(P(t)一(t))+C2r2(t)(Pz(t)一(t))，(1)(t+1)=(t)+(t+1)，(2)式中：i=0，1，⋯，m为粒子数；=0，1，⋯，n为粒子的维数；t为粒子进化的代数；(t)是粒子i在维空间中第t次的迭代速度；(t)是粒子在维空间中第t次的迭代位置；P(t)为粒子i在第t次迭代中J_维的个体最优值；P(t)第t次迭代前第维的全局最优值；r。，r：是随机数，二者相互对立，取值范围为(0，1)；C，C：被称作加速权重，取值范围通常为(0，2]。为防止进化过程中粒子超出搜索空间范围，限定在一定