燃煤锅炉水位神经元网络优化控制

科研成果 文章编号 :1001 - 439X(2001) 06 - 0001 - 03 燃煤锅炉水位神经元网络优化控制 3 郑明方1 , 　肖立川1 , 　薛国新1 , 　吕四维2 (1. 江苏石油化工学院 ,江苏 常州 　213016 ; 2. 加拿大纽芬兰大学 ,加拿大 纽芬兰) 　　中图分类号 :TP183 ; TK223. 67 　　　文献标识码 :B 　　摘要 :根据大型汽包锅炉的特点 ,提出了一种燃煤锅炉水位神经元网络优化控制。给出了作为模型 预估器的神经网络 GA - BP 算法流程及 GA 算法实现 ,提出了最优控制指标选择原则及控制指标表达式。 经计算机对某电厂 200MW 机组汽包锅炉的工业对象进行仿真研究表明 ,该控制方法具有良好的抗干扰能 力。 主题词 :锅炉 ;神经网络 ;液位控制 Optimization Control of Neuron Network for Water Level in Coal2burning Boiler ZHEN G Ming2fang1 , 　XIAO Li2chuan1 , 　XU E Guo2xin1 , 　LU¨ Si2wei2 (1. J iangsu Institute of petrochemical Technology , Changzhou 213016 , China. 2. Newfoundland University of Canada) 　　Abstract :According the characteristic of large drum boiler , the paper presents a kind of optimization control method of neuron network for water level in coal2burning boiler. It gives technological process of GA2BP algo2 rithm of neuron network as model discreetor and realization of GA algorithm , and introduces selecting principle and expression of optimization index. This control method has excellent anti2interference ability in artificial re2 search with the computer for the industry project in a power plant . Key words :boiler , neuron network , liquid2level control3 基金项目 :江苏省 2000 年度国际合作基金 BS2000730 项目 资助。 1 　引言 锅炉是化工、炼油、发电等工业生产中必不可少 的动力设备 ,为了确保安全、稳定生产 ,锅炉设备的 控制系统非常重要。 某发电厂燃煤锅炉主要工艺流程如图 1 所示。 其主要输入变量是负荷、锅炉给水、燃料量、减 温水、送风和引风等 ,主要输出变量是汽包水位、蒸 汽压力、过热蒸汽温度、炉膛负压、过剩空气 (烟气含 氧量)等。其中锅炉汽包水位的控制则是其主要控 制系统之一。若水位过低 ,则由于汽包内的水量较 少 ,而负荷却很大 ,水的汽化速度又很快 ,因而锅炉 内的汽化速度很快 ,如不及时控制 ,就会使汽包内的 水全部汽化 ,导致锅炉烧坏和爆炸 ;水位过高会影响 图 1 　燃煤锅炉主要工艺流程图 汽包的汽水分离 ,产生蒸汽带液现象 ,会使过热器管 结垢导致破坏 ,同时过热蒸汽温度急剧下降 ,会损坏 汽轮机叶片 ,影响运行的安全与经济性。水位过高 过低的后果都很严重 ,所以必须严格加以控制。 ·1·燃煤锅炉水位神经元网络优化控制 　·郑明方 　肖立川 　薛国新 ,等 © 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved. 现代大型锅炉的水位动态特性复杂 ,分离器和 汽包都存在着严重的“虚假水位”现象。为保证系统 的安全可靠 ,必须有安全可靠的控制系统。而采用 常规调节的各种类型控制系统均有一定缺陷。 本文提出一种基于神经网络的控制方法。该方 法将模型辨识、预测及最优控制与神经网络相相合 , 由神经元网络模型预估器辨识系统模型实时为控制 器提供参考输入 ;由最优控制器对数据进行处理、决 策 ,选定最优的控制量 ,达到最佳的控制效果。 2 　网络模型预估器 神经网络具有很强的非线性映射能力 ,因此 ,常 用来模拟被控制对象 ,并用作预估器。目前 ,应用最 为广泛且较为成功的是 BP 网络 ,但由于其收敛速 度慢和可能收敛到局部极小点 ,因此 ,有必要对其算 法进行改进。由于遗传算法的搜索效率高 ,不需要 目标函数的微分值 ,放宽了对目标函数的要求 ,且本 质上属于随机寻优过程 ,不存在局部收敛问题。因 此 ,将遗传算法与 BP 算法相结合而得到的遗传 BP ( GA - BP)算法是一种有效的网络学习方法 [1 ] 。本 文采用 GA - BP 作为网络模型预估器的学习算法。 2. 1 　GA - BP 学习算法 为了提高学习算法的速度和精度 ,且避免因网 络值取值范围不明确、难以编码的困难 ,故在构造 GA - BP 算法以前 ,应首先实现 GA 算法数字串的 实数化 ,直接以十进制数字串来表征参数。具体学 习过程如下 : (1) 初始化 ,随机产生 N 组在不同实数区间内 取值的初始网络权值 ; (2) 用 BP 算法对这 N 组初始权值分别进行预 训练 ,若经过预训练后这 N 组权值中至少已有一组 满足精度要求 ,则算法结束 ,否则转 (3) ; (3) 分别依据经过预训练的上述 N 组权值所 对应的上下限确定取值区间 ,在区间内随机生成 r ×N 组新的权值 ,与经过预训练的 N 组权值一起 构成完整的基因群体 ,共 ( r + 1) ×N 组权值 ; (4) 对这 ( r + 1) ×N 组权值进行选择、交叉、 变异等遗传操作 ,若至少有一组权值满足精度要求 , 则算法结束 ;否则从经过遗传操作的这 ( r + 1) ×N 组权值中选出 N 组较好的 ,回复到 (3) 。 2. 2 　GA 算法实现 作为拟合度函数的目标函数[2 ] : f ( x ) = Emax - E (1) 　　式中 : E 为输出误差平方和。 2 . 2 . 1 　选择 总体权值组数为 ( r + 1) ×N 组 ,定义为 Φ,一 组权值 X = ( x 1 , x 2 ,Λ, x n) 在总体Φ中的选择概率 p ( X) 规定为[3 ] : p( X) = { f ( X) - f min(Φ)}/ ∑ x′∈Φ { f ( X′) - f min (Φ)} 　(2) f min (Φ) = min[ f ( X) | x ∈Φ] (3) 　　权值在染色体中按从上到下、从左到右的方式 排列。 2 . 2 . 2 　交叉 对选 出 的 ( r + 1 ) × N 组 权 值 分 成 ( r + 1) ×N / 2对进行下列交叉运算 : x 1 x 2 ⋯x i - 1 x i x i +1 ⋯x n → x 1 x 2 ⋯x i - 1 …x i…x i +1 ⋯…x n…x 1 …x 2 ⋯…x i - 1 …x i…x i +1 ⋯…x n → …x 1 …x 2 ⋯…x i - 1 x i x i +1 ⋯x n 　　交叉点随机选择。利用这一交叉运算便可生成 ( r + 1) ×N 组新的权值。 2 . 2 . 3 　变异 以变异概率 Pm 对交叉运算生成的权值中每一 组进行变异 ,在权值上加 ( - 1 , + 1) 的随机数。 2 . 3 　网络模型预估器结构 采用三层 GA - BP 网络作为网络模型预估器。 在汽包水位的控制中 ,给水流量 u 对水位的影 响最直接 ,而蒸汽负荷 w 的变化则是其主要的干扰 量。除此以外 ,减温水流量 q 和燃料流量 m 的变化 也会导致水位的变化。因此 ,将 u、w 、q、m 作为神 经元网络的输入 ,液位 h 作为网络的输出 ,中间隐 层点数取 5 个。 3 　神经网络优化控制 3 . 1 　控制结构 采用如图 2 所示控制结构[4～5 ]。 图 2 　控制结构框图 h r —汽包水位给定值 ; h —水位测量值 ; u —给水流量 ; w —负荷蒸汽流量 ; m —燃料变量 ; q —减温水流量 3 . 2 　优化控制器 从控制的要求来说 ,被调变量变化越小 ,控制精 度越高。但就整个控制系统的调节质量而言 ,若要 以控制参数即给水流量的变化大为代价来力求水位 量的变化小 ,将会导致调节机构频繁而大幅度地动 作 ,这在系统运行中是不希望出现的。因此 ,在提高 ·2· 　　　　　　　煤矿自动化 2001 年第 6 期 © 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved. 图 3 　仿真曲线图 控制精度的同时 ,调节机构应尽可能不作频繁剧烈 的动作。具体实施时 ,采用在控制指标中加入控制 约束量 ,以限制过大的控制量冲击 ,使控制变量变化 平稳。因此 ,采用如下形式的控制性能指标 : J = r1 ( hr - h) 2 + r2 u2 　　确定最优控制量 u 就是使控制指标 J 为最小 的 u。 4 　仿真研究 某电厂 200MW 机组汽包锅炉 ,经现场实测数 据 ,得系统数学模型如下 : Gh ( S ) = ε1 S (1 + T1 S ) Gw ( S ) = K2 1 + T2 S - ε2 S Gm ( S ) = K3 1 + T3 S - ε3 S Gq ( S ) = K4 1 + T4 S e - τ4 S 　　式中 : T1 = 15s , T2 = 20s , T3 = 100s , T4 = 200s ; K2 = 4 . 8 , K3 = 1 . 8 , K4 = 1 . 2 ;ε1 = 0 . 05 ,ε2 = 0 . 008 ,ε3 = 0 . 005 ;τ4 = 5 . 8s。 在 MA TLAB 上进行仿真研究 ,若蒸汽负荷量 增加 5 % ,燃料量增加 3 % ,减温水流量减少 10 % , 其神经元网络控制系统汽包液位的变化曲线 (图 3 曲线 1)与三冲量控制系统 (图 3 曲线 2) 相比 ,该系 统的控制性能有明显的提高。 5 　结论 该系统可以通过自学建立被控对象的神经网络 模型 ,尤其适用于非线性严重、阶次高的系统。且由 于控制算法并不依赖于对象的数学模型 ,所以 ,它能 随系统参数、结构及外界干扰条件的变化 ,实时地调 整网络及控制规律 ,始终达到最优的控制效果。 从仿真结果可以看出 ,该控制系统具有良好的 抗干扰能力。 参考文献 : [ 1 ] 　赵振宇 ,徐用懋 . 神经网络的基础与应用 [ M ] . 北京 :清 华大学出版社 ,1996 ,134～136. [2 ] 　H. Kitano. Neurogenetic Learning An Integrated Me2 thod of Designing and Training NN with GA [ M ]. Physics D75 , 1994 , 225～238. [3 ] 　清华大学自动化系.智能信息处理和智能控制 [ M ] . 杭 州 :浙江科学技术出版社 ,1998 ,154～155. [4 ] 　王旭乐 ,邵惠鹤 . 一类典型工业过程的 RBF 神经网络 控制[J ] .上海交通大学学报 ,1998 ,32 (1) :122～126. [5 ] 　张乃尧 ,阎平凡 . 神经网络与模糊控制 [ M ] . 北京 :清华 大学出版社 ,1998 ,123～132. 收稿日期 :2001 - 05 - 30 作者简介 :郑明方 (1964 - ) ,女 ,副教授 ,南京理工大学智能控制专业 在读博士生 ,已发表论文 15 篇。 文章编号 :1001 - 439X(2001) 06 - 0003 - 03 并阻尼电阻消弧线圈装置的研制 杜永忠 , 　樊舜尧 (中国矿业大学信电学院 ,江苏 徐州 　221008) 　　中图分类号 :TM56 　　　文献标识码 :B 　　摘要 :介绍了一种新型的并阻尼电阻消弧线圈装置的原理、功能、结构。此装置既能有效补偿单相接地 电容电流 ,又能防止电弧接地过电压 ,具有很好的推广价值。 主题词 :消弧线圈 ;阻尼电阻 ;研制 ·3·并阻尼电阻消弧线圈装置的研制 　·杜永忠 　樊舜尧 © 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.