孙灵芳，麻世博，赵瑞，赵光军

(1.东北电力大学自动化工程学院，吉林省吉林市132012;2.广州华润热电有限人司，广州市511455)

0 引言

燃煤发电厂的锅炉燃烧控制系统是一个“三入三出”的强耦合、非线性、大惯性、大延迟、参数时变和不确定的系统［1］，很难建立精确的、适应性强的模型，严重制约了锅炉燃烧系统优化和控制的研究。燃烧系统的模型辨识早期采用传统的方法，如理论建模法、阶跃响应曲线拟合法、子空间辨识法等［2-4］。这些方法较为简单，只能得到锅炉燃烧系统对象近似的传递函数或状态空间线性模型，模型精度较低。近年来，多使用智能算法建模，如利用支持向量机或T-S模糊模型建模，可以得到燃烧系统非线性模型，但无法适应燃烧系统的时变性和大延迟［5-6］。神经网络是近年来应用最多的燃烧系统辨识工具。锅炉燃烧系统建模多使用BP网络、RBF网络、小波网络等前馈神经网络，以及Elman网络等递归神经网络［7-10］。这些神经网络模型能够较精确地辨识燃烧系统的强耦合性和非线性，并可以采用动态训练算法提高对燃烧系统的时变性和不确定性的适应能力。

递归神经网络内部拥有延迟和反馈环节，可以准确地描述任意的非线性动态系统，具有很强的动态逼近能力，也能够适应辨识系统的大惯性和大迟延。回声状态网络(echo state network，ESN)是一种新型递归神经网络，其训练方法简单高效，训练时间和辨识精度在递归神经网络中也是最优的［11］。因此，本文选择使用ESN建立锅炉燃烧系统的模型。……