许 壮, 张经纬, 康英伟, 周 昊

(上海电力大学 自动化工程学院, 上海 200090)

我国能源资源约束日益加剧,以雾霾为代表的生态问题突出,使得环境问题成为与能源发展联系最为密切的问题之一。超超临界机组锅炉再热循环系统得到更好控制的前提是在了解该热工过程静态和动态特性的基础上,建立能描述再热器系统的完整的数学模型。再热器具有复杂热工对象所普遍存在的非线性、时变性、大迟延和大惯性等特点,而且在超超临界机组上体现得更加明显,使机理建模法的应用较为困难。

在已有的文献中,采用系统辨识方法所建立的再热器系统模型包含多种模型。基于智能理论的系统辨识方法有多种,如神经网络辨识法[1-4]、模糊逻辑辨识法[5]、遗传算法辨识法[6]、群智能优化算法辨识法(包括粒子群算法辨识法、蚁群算法辨识法等)等。韩璞和黄宇等人[7-8]利用量子粒子群算法(Quantum-behaved Particle Swarm Optimization,QPSO)对热工对象进行了辨识,分别得到1 000 MW超超临界机组锅炉主汽温控制系统模型和循环流化床锅炉煤风量与床层温度之间的传递函数关系式。高文松等人[9]提出了一种改进后的粒子群优化(Particle Swarm Optimization,PSO)算法应用于热工过程模型辨识,基于选择和变异机制,并通过该算法仿真模型与基本PSO算法的对比验证了改进效果。

由于包括再热器系统在内的热工过程对象大多为复杂的多变量系统,就催生了对多变量系统辨识的研究。袁世通等人[10]提出了一种新型多入多出系统的建模方法进行辨识,确定了模型结构和各参数的初始值,最后根据实际运行数据对辨识结果进行了优化校正。……