基于粒子群算法的火电单元机组模型参数辨识

宋莉莉 刘婷 陈莉

（1.昌吉学院物理系 新疆维吾尔自治区昌吉回族自治州 831100）（2.新疆新检质量有限公司 新疆维吾尔自治区乌鲁木齐市 830000）

1 引言

目前，在我国大部分地区仍然是火力发电占据着主要的位置。随着现代科技的快速发展，我国国民经济对整个电力的需求量与日俱增，同时对电力供应的可靠性、稳定性要求也越来越严格，一方面需要保证机组的安全运行；另一方面又要保证火电厂中发电机组的有功功率能及时跟上电网负荷的变化[1]。在当今社会，节能减排是整个地球公民所关心的问题，随着国内外大容量机组的快速发展，我国在以300MW 容量发电机组为骨干的基础上，开展了600MW以及超临界、超超临界甚至更大容量的发电机组的建设和使用[3]。就对于火电单元机组来说，想要让整体系统的质量、效率得到一定的保障，就需要建立准确的系统模型。随着这方面的不断发展，热工过程模型辨识的方法有很多，其中就包括最小二乘法、遗传算法、阶跃响应法[4]。我国的火电机组一直在不断地优化[5]，现今机组设备增大、参数增多，由于种种现实问题使得很多科研实验都没有办法进行，在这种大环境下，建立系统模型就显得格外重要。

粒子群算法（Particle Swarm Optimization，简称PSO）是智能优化算法，它的出现在一定范围内掀起了一阵浪潮。粒子群算法具有原理简单、所需参数少、应用广泛等优势[6]。用于求解更多更复杂的问题，仍是一个研究的热点。

本文是以再热汽温系统为研究对象，首先建立模型，然后利用PSO 算法对系统进行参数辨识，得出粒子群算法可以很有效地对系统模型进行参数辨识，并且有操作容易，易理解，速度快并且辨识精度高等优点。

2 粒子群算法介绍

2.1 粒子群算法基本原理

在1995年，粒子群算法（PSO）正式诞生，是由两位学者Kennedy 和Eberhart 提出[7]。该算法通过粒子之间的信息共享机制，利用并行搜索原理，找到最优值。主要特点是原理简单、参数少、收敛速度快。具体过程为：随机初始化一群粒子，每个粒子按一定的速度飞行。在飞行中粒子会根据自身以及种群经验动态调整自身的速度和位置。

表1：仿真结果对比

图1：基本粒子群算法流程图

图2：辨识问题与优化问题转化图

图3：减温水扰动下再热汽温的阶跃响应曲线

图4：最优个体适应值

图5：优化曲线

设在D 维搜索空间中，种群规模为m，这个群体中的各个粒子都有自己的飞行速度和方向。设第i 个粒子的位置：xi=(xi1,xi2,…,xid)

速度为：vi=(vi1,vi2,…,vid），粒子个体极值：pi=(pi1,pi2,…,pid)；全局极值：pg=(pg1,pg2,…,pgd)

更新速度公式：

其中，i=1,2,…,m,d=1,2,…D,k：迭代次数；w：惯性权重；r1ϵ[0 1]，r2ϵ[0 1]；加速常数：c1=c2。算法流程图如图1 所示。

图6：再热蒸汽温度控制系统模型辨识结果

2.2 函数测试

本文中用粒子群算法和遗传算法分别对函数f=x·sinx·cos2x-2x·sin3x 进行了优化，优化结果对比如表1 所示。

粒子群算法与遗传算法进行比较，发现粒子群算法的运行速度快于遗传算法。由此可以知道粒子群算法对函数优化具有非常好的寻优能力，所以本文将模型参数辨识问题转化为函数优化问题，并用粒子群算法来对再热蒸汽温度控制系统进行研究。

2.3 基于粒子群算法的辨识原理

系统辨识即根据输入和输出数据，利用某一准则确定等价的模型。进行研究的时候，首先要根据实验得出一个模型，将实验结果放入此模型来进行预测，然后比较计算所得值与测试所得数据，若两者之间相差较大，就说明模型与事实不符，对模型进行修改；如果两者之间相差很小，就认为此模型符合事实，从而将它运用于实验。其转化过程如图2 所示。

利用粒子群算法进行系统辨识假设：

粒子维数：[k,τ,t1,t2,…tn]，以数据y 为样本，根据输出y'取适应度函数：具体步骤如下：

Step1 m=40,kϵ[0.01 100],tiϵ[0.1 100],τϵ[0～300],c1=c2= 1.4962,T=50 Step2 数据初始化：pi,pg,vi,xi Step3 根据计算适应度值Step4 更新pbest,pgbest Step5 更新速度位置公式Step6 IF T<50 continue step3；else stop

3 基于粒子群算法的火电单元机组模型参数辨识

大型火电机组是由锅炉、汽轮机和发电机为主体的设备群。本文以再热蒸汽温度控制系统作为研究对象，将系统辨识问题转化为优化问题，并采用粒子群优化算法对火电单元机组进行了研究。

3.1 再热蒸汽温度控制系统的模型构建

影响再热器出口汽温的因素很多，主要为蒸汽流量、烟气量和减温水量三方面。在减温水流量扰动下温度的响应曲线如图3 所示。

再热汽温的特点为有延迟、有惯性、有自平衡能力。传递函数表示为：

式（3）中：t：时间常数；k:放大系数；τ:延迟时间。

3.2 再热汽温对象辨识

以300mw 机组锅炉为例，通过模型对再热蒸汽温度对象进行辨识。选取二阶惯性加纯迟延环节，粒子维数：[kτt1 t2]

传函为：

利用粒子群算法对模型进行辨识，

（1）选取适应度函数为：

（2）确定各参数范围：kϵ[0.1 10],τϵ[50 300],t1=t2ϵ[50 100]。

（3）种群m=40,c1=c2=1.4962

（4）寻优50 代得到最优解，结果为：

最优个体适应值如图4 所示，优化曲线如图5 所示，再热蒸汽温度控制系统模型辨识结果如图6 所示。

从辨识结果可以看出，粒子群算法可以很有效地对系统模型进行参数辨识，它有操作容易，易理解，速度快并且辨识精度高等优点。

4 总结

以再热汽温控制系统为对象，针对传统辨识方法的不足。提出基于粒子群算法的再热温度控制系统进行辨识，将系统辨识问题转化为优化问题，使用MATLAB 软件，对系统参数进行优化，最终得到一个优化后的、可用的模型。实验结果表明，粒子群算法简单易行，精度较高。