[发明专利]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

说明书

本发明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。

技术领域

本发明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、进化计算技术领域。

背景技术

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