一種循環(huán)流化床鍋爐燃燒系統(tǒng)模型的建模方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種循環(huán)流化床鍋爐燃燒系統(tǒng)模型的建模方法。
【背景技術(shù)】
[0002]循環(huán)流化床鍋爐具有燃料適應(yīng)性廣、低污染排放等優(yōu)點(diǎn)，是國內(nèi)外廣泛推廣的一種煤燃燒技術(shù)。由于循環(huán)流化床鍋爐燃燒系統(tǒng)具有多變量，非線性，強(qiáng)耦合，時變，大慣性，參數(shù)分布等特點(diǎn)，存在很多的強(qiáng)耦合環(huán)節(jié)，機(jī)理建模困難，是一類難控的熱工對象典型。因此對其進(jìn)行定性定量的分析和建模是非常必要的。
[0003]由于循環(huán)流化床鍋爐本體構(gòu)造及運(yùn)行時燃燒過程的復(fù)雜性，對其進(jìn)行的機(jī)理建模遇到很大的困難。目前主要存在的問題:(I)、模型不夠精確，機(jī)理建模中存在很多經(jīng)驗公式及近似規(guī)則，因此仿真系統(tǒng)無論運(yùn)行多好，和真正的鍋爐燃燒過程的差距依然很大；(2)、模型非常復(fù)雜，其中包括了很多非線性方程組，很難找到有效的數(shù)值方法進(jìn)行實(shí)時仿真。
[0004]近20年來，已有研究建立了一系列描述循環(huán)流化床鍋爐氣固流態(tài)化特性和流態(tài)化燃燒過程的機(jī)理數(shù)學(xué)模型，但是模型多是基于表象的宏觀解釋。目前已有研究主要是關(guān)于燃燒系統(tǒng)整體現(xiàn)場實(shí)驗建模的，主要作為定性分析的依據(jù)，實(shí)驗結(jié)果難以滿足設(shè)計控制系統(tǒng)所需。
[0005]在公開發(fā)表的文獻(xiàn)中，基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的循環(huán)流化床鍋爐燃燒系統(tǒng)建模和控制有相關(guān)報道。主要可以分為兩大類，一類是利用神經(jīng)網(wǎng)絡(luò)和模糊推理等智能系統(tǒng)描述工業(yè)系統(tǒng)的動態(tài)過程，得到具有非線性特性的智能系統(tǒng)模型；另一類是利用遺傳算法，粒子群算法和蟻群算法等智能計算技術(shù)，替代最小二乘和梯度下降等傳統(tǒng)辨識方法，獲得傳統(tǒng)控制器方便使用的傳遞函數(shù)模型；智能算法的優(yōu)勢在于對系統(tǒng)特性要求少，多維算法需要較大的數(shù)據(jù)存儲空間，難以保證信號處理的實(shí)時性。

【發(fā)明內(nèi)容】

[0006]本發(fā)明所要解決的技術(shù)問題是針對上述現(xiàn)有技術(shù)提供一種新的、更為合理的循環(huán)流化床鍋爐燃燒系統(tǒng)模型的建模方法。
[0007]本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為:一種循環(huán)流化床鍋爐燃燒系統(tǒng)模型的建模方法，其特征在于:包括如下步驟
[0008]步驟一、按時間間隔次序依次采集循環(huán)流化床鍋爐燃燒系統(tǒng)的n+k個原始樣本，每個樣本的維數(shù)為d ;
[0009]步驟二、對n+k個原始樣本進(jìn)行如下預(yù)處理:
[0010](2-1)、從第k時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-ι個時刻數(shù)據(jù)組成一個新的包含k個樣本的第一樣本數(shù)據(jù)；從第k+ι時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第二樣本數(shù)據(jù)；從第k+2時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第三樣本數(shù)據(jù)；……從第η時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第n-k樣本數(shù)據(jù)；……從第n+k時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第η樣本數(shù)據(jù)；依此，當(dāng)遍歷完n+k個原始數(shù)據(jù)后，即得到新的η個樣本，每個樣本包含k*d個數(shù)據(jù)；
[0011](2-2)、將(2-1)得到的η個樣本數(shù)據(jù)進(jìn)行歸一化處理，得到預(yù)處理后的樣本數(shù)據(jù)；
[0012]步驟三、利用深度信念網(wǎng)絡(luò)對預(yù)處理后的樣本數(shù)據(jù)進(jìn)行降維處理，得到樣本集X，其中樣本集X包含η個樣本，每個樣本包含X個數(shù)據(jù)，而X遠(yuǎn)小于k*d ；
[0013]步驟四、將步驟三得到的數(shù)據(jù)集X進(jìn)行模糊C均值聚類，得到聚類中心和聚類半徑；
[0014]步驟五、將步驟四中得到的聚類中心和聚類半徑，作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)中徑向基函數(shù)的中心和擴(kuò)展常數(shù)的初始值，采用梯度下降算法訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；
[0015]由步驟三訓(xùn)練得到的深度信念網(wǎng)絡(luò)和步驟五訓(xùn)練得到的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)組成循環(huán)流化床鍋爐燃燒系統(tǒng)模型。
[0016]當(dāng)循環(huán)流化床鍋爐燃燒系統(tǒng)模型建好后，如需應(yīng)用該循環(huán)流化床鍋爐燃燒系統(tǒng)模型，則需要將采集的原始數(shù)據(jù)經(jīng)過步驟三訓(xùn)練得到的深度信念網(wǎng)絡(luò)進(jìn)行降維處理，將降維后的數(shù)據(jù)作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行使用。
[0017]所述步驟三中利用的深度信念網(wǎng)絡(luò)模型由若干個受限波爾茨曼機(jī)堆疊而成，深度信念網(wǎng)絡(luò)模型所需要的受限波爾茨曼機(jī)的層數(shù)由實(shí)際建模時確定。
[0018]與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于:該方法降低循環(huán)流化床高維數(shù)據(jù)的復(fù)雜結(jié)構(gòu)，從大數(shù)據(jù)中自動學(xué)習(xí)特征，大大降低了用于后續(xù)工作的樣本數(shù)，在不對生產(chǎn)進(jìn)行任何干預(yù)的情況下，運(yùn)用歷史數(shù)據(jù)進(jìn)行建模，解決了多維算法需要較大的數(shù)據(jù)存儲空間的難題，保證信號處理的實(shí)時性，為工程應(yīng)用提供了一條新途徑，為循環(huán)流化床燃燒系統(tǒng)的建模策略研究提供了支持平臺，對進(jìn)行循環(huán)流化床燃燒系統(tǒng)的控制研究有實(shí)際意義。
【附圖說明】
[0019]圖1為本發(fā)明實(shí)施例中循環(huán)流化床鍋爐燃燒系統(tǒng)模型的建模方法的流程圖。
【具體實(shí)施方式】
[0020]以下結(jié)合附圖實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)描述。
[0021]本實(shí)施例中的循環(huán)流化床鍋爐燃燒系統(tǒng)模型的建模方法，其包括如下步驟，參見圖1所示:
[0022]步驟一、按時間間隔次序依次采集循環(huán)流化床鍋爐燃燒系統(tǒng)的n+k個原始樣本，每個樣本的維數(shù)為d ;
[0023]步驟二、對n+k個原始樣本進(jìn)行如下預(yù)處理:
[0024](2-1)、從第k時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個樣本的第一樣本數(shù)據(jù)；從第k+Ι時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第二樣本數(shù)據(jù)；從第k+2時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第三樣本數(shù)據(jù)；……從第η時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第n-k樣本數(shù)據(jù)；……從第n+k時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第η樣本數(shù)據(jù)；依此，當(dāng)遍歷完n+k個原始數(shù)據(jù)后，即得到新的η個樣本，每個樣本包含k*d個數(shù)據(jù)；
[0025](2-2)、將(2-1)得到的η個樣本數(shù)據(jù)進(jìn)行歸一化處理，得到預(yù)處理后的樣本數(shù)據(jù)；
[0026]步驟三、利用深度信念網(wǎng)絡(luò)對預(yù)處理后的樣本數(shù)據(jù)進(jìn)行降維處理，得到樣本集X，其中樣本集X包含η個樣本，每個樣本包含X個數(shù)據(jù)，而X遠(yuǎn)小于k*d ；
[0027]步驟四、將步驟三得到的數(shù)據(jù)集X進(jìn)行模糊C均值聚類，得到聚類中心和聚類半徑；
[0028]步驟五、將步驟四中得到的聚類中心和聚類半徑，作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)中徑向基函數(shù)的中心和擴(kuò)展常數(shù)的初始值，采用梯度下降算法訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；由步驟三訓(xùn)練得到的深度信念網(wǎng)絡(luò)和步驟五訓(xùn)練得到的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)組成循環(huán)流化床鍋爐燃燒系統(tǒng)模型。
[0029]所述步驟三中利用的深度信念網(wǎng)絡(luò)模型由若干個受限波爾茨曼機(jī)堆疊而成，深度信念網(wǎng)絡(luò)模型所需要的受限波爾茨曼機(jī)的層數(shù)由實(shí)際建模時確定。
[0030]當(dāng)循環(huán)流化床鍋爐燃燒系統(tǒng)模型建好后，如需應(yīng)用該循環(huán)流化床鍋爐燃燒系統(tǒng)模型，則需要將采集的原始數(shù)據(jù)經(jīng)過步驟三訓(xùn)練得到的深度信念網(wǎng)絡(luò)進(jìn)行降維處理，將降維后的數(shù)據(jù)作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行使用。
[0031]本發(fā)明采用深度信念網(wǎng)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)來擬合非線性大時滯模型，能有效實(shí)現(xiàn)建模，與傳統(tǒng)方法相比，它能夠擅長發(fā)現(xiàn)高維數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)，大大降低了用于后續(xù)工作的樣本數(shù)。在不對生產(chǎn)進(jìn)行任何干預(yù)的情況下，運(yùn)用歷史數(shù)據(jù)進(jìn)行建模，解決了多維算法需要較大的數(shù)據(jù)存儲空間的難題，保證信號處理的實(shí)時性。
【主權(quán)項】
1.一種循環(huán)流化床鍋爐燃燒系統(tǒng)模型的建模方法，其特征在于:包括如下步驟 步驟一、按時間間隔次序依次采集循環(huán)流化床鍋爐燃燒系統(tǒng)的n+k個原始樣本，每個樣本的維數(shù)為d ; 步驟二、對n+k個原始樣本進(jìn)行如下預(yù)處理: (2-1)、從第k時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個樣本的第一樣本數(shù)據(jù)；從第k+Ι時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第二樣本數(shù)據(jù)?’從第k+2時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第三樣本數(shù)據(jù)；……從第η時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第n-k樣本數(shù)據(jù)；……從第n+k時刻數(shù)據(jù)開始，選取當(dāng)前時刻數(shù)據(jù)及前k-Ι個時刻數(shù)據(jù)組成一個新的包含k個數(shù)據(jù)的第η樣本數(shù)據(jù)；依此，當(dāng)遍歷完n+k個原始數(shù)據(jù)后，即得到新的η個樣本，每個樣本包含k*d個數(shù)據(jù)； (2-2)、將(2-1)得到的η個樣本數(shù)據(jù)進(jìn)行歸一化處理，得到預(yù)處理后的樣本數(shù)據(jù)；步驟三、利用深度信念網(wǎng)絡(luò)對預(yù)處理后的樣本數(shù)據(jù)進(jìn)行降維處理，得到樣本集X，其中樣本集X包含η個樣本，每個樣本包含X個數(shù)據(jù)，而X遠(yuǎn)小于k*d ； 步驟四、將步驟三得到的數(shù)據(jù)集X進(jìn)行模糊C均值聚類，得到聚類中心和聚類半徑；步驟五、將步驟四中得到的聚類中心和聚類半徑，作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)中徑向基函數(shù)的中心和擴(kuò)展常數(shù)的初始值，采用梯度下降算法訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)； 由步驟三訓(xùn)練得到的深度信念網(wǎng)絡(luò)和步驟五訓(xùn)練得到的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)組成循環(huán)流化床鍋爐燃燒系統(tǒng)模型。2.根據(jù)權(quán)利要求1所述的建模方法，其特征在于:當(dāng)循環(huán)流化床鍋爐燃燒系統(tǒng)模型建好后，如需應(yīng)用該循環(huán)流化床鍋爐燃燒系統(tǒng)模型，則需要將采集的原始數(shù)據(jù)經(jīng)過步驟三訓(xùn)練得到的深度信念網(wǎng)絡(luò)進(jìn)行降維處理，將降維后的數(shù)據(jù)作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行使用。3.根據(jù)權(quán)利要求1所述的建模方法，其特征在于:所述步驟三中利用的深度信念網(wǎng)絡(luò)模型由若干個受限波爾茨曼機(jī)堆疊而成，深度信念網(wǎng)絡(luò)模型所需要的受限波爾茨曼機(jī)的層數(shù)由實(shí)際建模時確定。
【專利摘要】本發(fā)明涉及一種循環(huán)流化床鍋爐燃燒系統(tǒng)模型的建模方法，其特征在于：包括如下步驟：步驟一、采集循環(huán)流化床鍋爐燃燒系統(tǒng)的原始數(shù)據(jù)；步驟二、對原始數(shù)據(jù)進(jìn)行如下預(yù)處理；步驟三、利用深度信念網(wǎng)絡(luò)對預(yù)處理后的樣本數(shù)據(jù)進(jìn)行降維處理，得到數(shù)據(jù)集X；步驟四、將步驟三得到的數(shù)據(jù)集X進(jìn)行模糊C均值聚類，得到聚類中心和聚類半徑；步驟五、將步驟四中得到的聚類中心和聚類半徑，作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)中徑向基函數(shù)的中心和擴(kuò)展常數(shù)的初始值，采用梯度下降算法訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練得到的深度信念網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)組成循環(huán)流化床鍋爐燃燒系統(tǒng)模型。本發(fā)明提供的建模方法更加有效合理。
【IPC分類】G06F17/50
【公開號】CN105117527
【申請?zhí)枴緾N201510470936
【發(fā)明人】李瀟, 葛英輝
【申請人】寧波大學(xué)
【公開日】2015年12月2日
【申請日】2015年8月4日