第22卷第1期热能动力工程Vol.22,No.12007年1月JOURNALOFENGINEERINGFORTHERMALENERGYANDPOWERJan.,2007文章编号:1001-2060(2007)01-0088-04热力系统局部非线性模型辨识董均华,徐向东(清华大学热能工程系,北京100084)摘要:在多模型控制中,局部模型大多数是基于线性模型,xk+1=Axk+Buuk+Bvvk其数量和精度影响多模型控制的效果。提出一种基于RBF(1)yk=g(xk)=Cxk+fNN(xk)神经网络的非线性模型辨识算法,采用G.B.Sentoni等人提其中:uk—操作变量;vk—可测扰动;xk—输入;yk—出的非线性模型结构[2～3],利用径向基函数(RadialBasis输出。Function,RBF)神经网络的逼近能力,实现热力系统非线性模型辨识。在RBF神经网络的学习过程中,根据性能函数调模型结构由线性动态部分和静态非线性映射两部节学习率,可以加快学习的收敛过程。最后进行了仿真验分组成。线性模型辨识采用目前比较成熟的Subspace[4]证,基于2个局部非线性模型的多模型控制系统与基于5个辨识算法。该模型结构无需对结构参数(阶数和纯局部线性模型的多模型控制系统相比,减少了切换时的震延时)进行复杂的假设和调整,可以对含时变阶次和时荡,控制精度有所提高。试验结果表明,该辨识算法能减少延的系统更有效地逼近,同时对采样时间间隔的选择固定模型数量,从而减少模型搜索时间,并且能够提高模型具有很强的鲁棒性;非线性模型辨识采用RBF神经网预测精度。络辨识算法,以线性模型输出误差为训练目标。关键词:热力系统;局部模型;非线性;RBF神经网络中图分类号:TK223.7文献标识码:A2RBF神经网络辨识引言由于RBF神经网络具有结构简单、训练速度快由于热力系统自身存在的非线性和不稳定性等的特点,因此局部模型的非线性补偿部分辨识采用三层神经网络[5]。针对系统的网络特性,在不同工况区域内具有明显不同的动态性能。RBFMISORBF的基本结构如图所示。设系统具有个输入网有鉴于此,我们利用多模型方法解决复杂热力系统1r,动态建模和控制问题。络使用了m个RBF神经元。现有的多模型控制中[1],局部模型大多数是基于线性模型。虽然用分段线性来逼近非线性具有一定的精度,但是对于锅炉这样的复杂控制对象,模型数目过少则不足以描述系统的动态性能,而过多的模型又会造成计算上的浪费。如果通过适当的辨识方法获得更逼近热力系统的非线性模型的话,不仅可以提高模型精度,而且可以减少模型个数,减少计算时间,消除模型切换时的震荡。1非线性模型描述图1RBF网络的基本结构非线性模型描述有多种形式,不同形式对应了不同算法的实现。采用G.B.Sentoni和LorenzT.τ令u=[u1,u2,⋯,ur]分别为网络的输入向Biegler等人提出的非线性模型结构(见图1)[2～3],量,y为网络的输出量,该模型可以近似大多数离散时不变、MISO系统。其τci=[ci1,ci2,⋯cir]为RBF基函数中心;表达式如下:收稿日期:2006-04-10;修订日期:2006-07-13基金项目:国家自然科学基金资助项目(50320002)作者简介:董均华(1980-)男,湖南衡阳人,清华大学博士研究生.第1期董均华,等:热力系统局部非线性模型辨识·98·τσi=[σi1,σi2,⋯,σir]为RBF基函数宽度;时间内收敛。{wi(k)|i=1,2,⋯,m}为RBF网络连接权值;3仿真试验验证φij为RBF网络的基函数形式。那么RBF网络基函数输出可以写成:利用220t/h煤粉炉仿真平台,选取减温水流r量、给水流量、给粉机转速、主蒸汽流量以及高过入Φi[u(k),ci,σi]=∏φij(uj,cij,σij)(2)j=1口烟气温度作为输入变量,减温水流量和给水流量则RBF网络可写成:m作为操作变量,其余3个作为可测扰动,主汽温为被y(k)=∑wi(k)Φi[u(k),ci,σi](3)i=1控量。模型辨识算法步骤如下:取性能函数为:(1)利用辨识信号进行试验。调整锅炉负荷32J=(y(k)-y(k))(4)(80%～100%),采集1137个数据序列并保存数据,3其中:y(k)为k时刻的目标输出。由最速梯度法采样周期为20s。随机选取937个序列作为训练样可得到神经网络参数的递推式:本,其余的200个作为校验数据。9JΔwi(k)=-α(2)确定Laguerre滤波器极点,预选模型阶数,9wi(k)构造状态转移方程系数矩阵