一种针对过热汽温控制系统的参数优化方法

技术领域

本发明涉及火电厂过热汽温控制系统统技术领域，具体是一种针对过热汽温控制系统的参数优化方法。

背景技术

控制回路的性能提升是决定工业过程生产效率的关键因素，但是在实际情况中，常出现被控对象特性发生变化或执行机构老化等现象，造成控制器性能下降，影响经济效益甚至带来安全隐患，数据表明，有高达60％的控制器无法发挥其预期性能。因此，对这些控制回路进行性能监控并在性能劣化前对控制器参数进行修正对于提高整个工业过程的效率、质量和安全性具有重要意义。火电机组中的汽温系统是一个复杂的系统,由于其特有的复杂性,在工程实践中，使得模型的获取有一定的难度，PID调节是热工系统最主要的控制策略,它直接影响机组的安全、经济运行，尽管PID控制器具有很多优点，但是应用于热工对象的PID控制器参数整定具有一定难度，尤其对于具有大惯性、大迟延的热工对象，采用常规整定方法如Z-N、C-C、ITAE阶跃响应曲线法以及衰减曲线法等工程整定方法，来整定PID参数变得较为困难，不易于获得良好的控制效果。

发明内容

本发明的目的在于提供一种针对过热汽温控制系统的参数优化方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种针对过热汽温控制系统的参数优化方法，包括以下步骤：

A、在稳定负荷下，每隔一段时间获取汽温的历史运行数据；

B、通过设置合适的神经网络模型参数，建立LSTM时间预测模型，基于历史时刻的汽温数据预测输出需要的未来时刻的数据；

C、通过Hurst指数和马氏距离构建系统性能评价指标，对一段时期内获取的多组汽温预测数据计算未来时刻的性能指标；

D、根据多组性能指标的结果对控制器参数的调整给出可行性意见。

作为本发明的进一步方案：汽温控制系统包括：数据采集单元，用于在稳定负荷下，每隔一段时间获取汽温的历史运行数据；

LSTM预测单元，用于建立时间预测模型，通过历史时刻下的汽温数据获取未来时刻的汽温输出数据；

性能指标计算单元，通过Hurst指数和马氏距离构建系统性能评价的指标，对一段时期内获取的多组汽温预测数据进行未来时刻的性能指标的计算；

参数优化指导单元，对控制器参数的调整给出建议。

数据采集单元、LSTM预测单元、性能指标计算单元和参数优化指导单元依次连接。

作为本发明的进一步方案：所述LSTM预测单元中通过Adam优化算法最小化损失函数寻找误差的最小值，调整各层之间的连接权重，再通过设置训练次数不断更新网络模型的参数配置，获的收敛的LSTM网络。利用测试样本数据对生产的网络进行训练输出预测值，以准确率ACC作为反映模型预测的准确程度的度量。

作为本发明的进一步方案：还包括分析单元，用于记录并分析该段时期内多组未来时刻的性能指标，比如通过求取均值的方法，为下一时刻控制器参数的优化提供科学指导。

作为本发明的进一步方案：在给出控制器参数优化建议之前，还包括以下步骤：综合分析历史性能指标和预测未来性能指标，当Hurst—MD指标在(0,1)内，表示该系统性能较好，无需调节控制器参数；当Hurst—MD指标在(1,1.6)内，表示该系统性能为“良”，应当稍微增大比例系数Kp和时间常数T；当Hurst—MD指标在(1.6,4.35)内，表示该系统性能为“中”，应当增大比例系数Kp；当Hurst—MD指标在(4.35,∞)内，表示该系统性能为“差”，应当较大程度增大比例系数Kp，减小时间常数T；基于以上原则，给出合理参数优化建议。

作为本发明的进一步方案：所述针对过热汽温控制系统的参数优化方法在计算马氏距离性能评价指标的步骤包括以下步骤：在最优数据集中，选择1000个数据样本来估计每一个Hurst指数值,特征α

作为本发明的进一步方案：所述Hurst指数的计算采用去趋势波动算法。

与现有技术相比，本发明的有益效果是：本发明可以无需知道回路的模型信息，仅通过在线采集控制回路的运行数据，通过LSTM神经网络预测输出未来时刻的汽温数据进行性能预测，进而给出下一步的参数优化指南，从而指导和帮助操作人员维护系统的正常运行。

附图说明

图1是本发明一种针对过热汽温控制系统的参数优化方法第一实施方式流程图；

图2是本发明一种针对过热汽温控制系统的参数优化方法第二实施方式流程图；

图3是一种针对过热汽温控制系统的参数优化方法的方框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：请参阅图1-3，本发明实施例中，一种针对过热汽温控制系统的参数优化方法，包括汽温控制系统和参数优化方法，其中，汽温控制系统包括：

数据采集单元，用于在稳定负荷下，每隔一段时间获取汽温的历史运行数据；

LSTM预测单元，用于建立时间预测模型，通过历史时刻下的汽温数据获取未来时刻的汽温输出数据；

性能指标计算单元，通过Hurst指数和马氏距离构建系统性能评价指标，对一段时期内获取的多组汽温预测数据进行未来时刻的性能指标计算；

参数优化指导单元，对控制器参数的调整给出建议。

本发明通过建立LSTM时间序列预测模型，根据在平稳负荷下获取的历史时刻的汽温数据预测得到下一时刻的数据，在一段时期内每隔一段时间进行一次预测并基于Hurst和马氏距离的多变量性能评价方法求取预测数据的性能评价指标，综合分析多组预测性能指标，依据参数优化规则给出可行的控制器参数优化建议。

其中，对于LSTM预测单元，LSTM物理模型的预测精确程度与模型参数的选择密切相关，因此需要选取合适数目的隐含层和每层中神经元个数。

优选地，针对本系统，LSTM预测单元选择两层LSTM神经网络，输入层中包含20个神经元，每层LSTM包含128个神经元，激活层128个神经元，输出层包含20个神经元，更能提高网络预测的精度。

实施例1：一种针对过热汽温控制系统的参数优化方法，包括以下步骤：

步骤A，在稳定负荷下，每隔一段时间获取汽温的历史运行数据；

步骤B，通过设置合适的神经网络模型参数，建立LSTM时间预测模型，基于历史时刻的汽温数据预测输出需要的未来时刻的数据；

步骤C，通过Hurst指数和马氏距离构建系统性能评价指标，对一段时期内获取的多组汽温预测数据进行未来时刻的性能指标的计算；

步骤D，根据多组性能指标的计算结果对控制器参数的调整给出可行性意见。

本发明所述的一种针对过热汽温控制系统的参数优化方法，通过使用LSTM时间序列预测模型获取未来时刻的汽温输出数据，相比于RNN神经网络具有更小的预测误差；在一段时期内取多组性能指标的均值进行参数优化指导能够避免由于数据的波动带来的决策失误，能够有效改善控制系统的性能。

本发明通过准确率ACC作为反映模型预测的准确程度的度量。

在实验验证方面，本发明搭建了660MW机组75％负荷下的喷水减温控制系统模型仿真图，验证本发明所提出的算法具有很好的延展性，适用于大型火电机组中具有大滞后、复杂结构的过热汽温控制系统。

本发明在实际应用方面，采用某电厂二级过热喷水减温控制过程中运行数据，验证了本发明所提出算法的可行性和合理性，本发明所用的LSTM神经网络不仅能建立复杂的深度网络，使得模型预测准确，同时又适合处理和预测时间序列中间隔和延迟相对较长的事件，很好地解决了传统RNN神经网络梯度消失的问题。

实施例2：请参阅图2，图2是本发明一种针对过热汽温控制系统的参数优化方法的第二实施方式流程图。

本实施方式的所述一种针对过热汽温控制系统的参数优化方法与实施例1的区别在于，在给出控制器参数优化建议的步骤之前，还包括以下步骤：

记录并分析该段时期内多组未来时刻的性能指标，比如通过求取均值的方法，为下一时刻控制器参数的优化提供科学指导。

其中，对于此步骤，综合分析历史性能指标和预测未来性能指标，当Hurst—MD指标在(0,1)内，表示该系统性能较好，无需调节控制器参数；当Hurst—MD指标在(1,1.6)内，表示该系统性能为“良”，应当稍微增大比例系数Kp和时间常数T；当Hurst—MD指标在(1.6,4.35)内，表示该系统性能为“中”，应当增大比例系数Kp；当Hurst—MD指标在(4.35,∞)内，表示该系统性能为“差”，应当较大程度增大比例系数Kp，减小时间常数T；基于以上原则，给出合理参数优化建议，在系统性能劣化前进行修正。

本实施方式所述针对过热汽温控制系统的参数优化方法，通过预测控制系统的未来性能指标，再综合性能等级划分规则，可以更客观、直接地给出所述过热汽温系统的控制器参数优化建议。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。