白英君，张悦，田庆，罗代强

（1.华北电力大学控制与计算机工程学院，河北 保定 071000；2.华北电力大学河北省发电过程仿真与优化控制工程技术研究中心，河北 保定 071000；3.黔西中水发电有限公司，贵州 毕节 551700）

0 引言

根据机理模型与数据驱动模型的排列组合的顺序不同，混合模型基本形成了串联和并联两大结构，在并联型结构中，两种模型是可以互换顺序的，但是，串联型结构中则不然［1-2］。并联型结构是以机理模型为混合结构的核心，用于反映过程内部的动态行为，被控对象的复杂特性导致模型精度受到限制。数据驱动子模型预测机理模型与实际数据之间的残差［3］。该结构就是将两个子模型进行叠加，以提高混合模型整体的精度。Henricus J.L.van Ca［4］提出了并联型混合建模法，对混合模型与数据驱动模型从精度、外推能力等方面进行对比，说明了混合模型的优势。李景轩［2］运用机理与反向传播算法（Back Propagation，BP）神经网络并联混合建模方法建立了燃气机模型。姚源朝［5］采用机理与广义回归神经网络(General Regression Neural Network，GRNN)并联型混合模型建立了气流床气化炉模型。陈鸿伟［6］提出了一种结合机理建模和支持向量机的并联型混合模型用于蒸汽管道的参数计算方法。徐端［7］提出了多元线性回归和机理模型并联混合的炼钢连铸能耗模型。现在研究较多的以机理模型为主的串联结构，这种混合模型适用于底层的详细机制不确定，但是有海量的运行数据来推断出未知的参数。大数据集含有丰富的过程状态信息，虽然没有直接的物理解释，但是，可以利用数据驱动模型进行参数寻优，改善机理模型的预测精度。……