水煤漿鍋爐的神經(jīng)網(wǎng)絡(luò )預測控制

煤炭燃燒全國中文核心期刊礦業(yè)類(lèi)核心期刊《cAcD規范)執行優(yōu)秀期刊水媒漿鍋的神經(jīng)網(wǎng)絡(luò )預測控制李毅!,張萱(1.上海工程技術(shù)大學(xué)工程實(shí)訓中心,上海201620;2.河北工程大學(xué)信息與電氣工程學(xué)院,河北邯鄲056038)摘要:針對水煤漿鍋爐控制系統的非線(xiàn)性、強耦合、大時(shí)滯的特點(diǎn),設計了一種神經(jīng)網(wǎng)絡(luò )預測控制方法。模型采用BP神經(jīng)網(wǎng)絡(luò )實(shí)現建模,其中網(wǎng)絡(luò )結構在對水煤漿鍋爐燃燒系統分析研究的基礎上獲得,并經(jīng)優(yōu)化數據訓練后達到預期結果;預測控制算法采用一步預測滾動(dòng)優(yōu)化算法。仿真結果顯示該方法控制效果良好,適合水煤漿鍋爐的實(shí)時(shí)控制。關(guān)鍵詞:水煤漿鍋爐;建模;神經(jīng)網(wǎng)絡(luò );預測控制中圖分類(lèi)號:TP273·2文獻標識碼:A文章編號:1006712(200)02007504隨著(zhù)石油資源的匱乏和環(huán)境污染的日益惡化,yu(k+j)水媒漿產(chǎn)業(yè)越來(lái)越受到人們的重視"。作為燃燒定缸盤(pán)」線(xiàn)性?xún)?yōu)化“k)受控對象水煤漿最多的熱能設備,水煤漿鍋爐的性能卻一直停留在較低的水平上,存在的問(wèn)題也較多,例如:鍋yo(k+je(k)爐負荷不易調節;運行穩定性差易熄火;燃燒效率較低;運行過(guò)程中易結焦和積灰;設備磨損、煙道煙溫偏差、過(guò)熱蒸汽溫度偏高等,這些都成為嚴重制約水煤濾波器漿發(fā)展的瓶頸。在影響水煤漿鍋爐運行性能的眾多圖1神經(jīng)網(wǎng)絡(luò )預測控制結構因素當中,水煤漿鍋爐難于建模、控制水平較低是其圖1中,預測模型采用神經(jīng)網(wǎng)絡(luò )來(lái)代替,實(shí)現了中一個(gè)非常重要的因素。筆者正是在這種背景下將神經(jīng)元網(wǎng)絡(luò )理論與預測控制算法相結合,在復雜控神經(jīng)網(wǎng)絡(luò )及預測控制引人水媒漿鍋爐,以提高水媒漿制系統中應用形成了一類(lèi)神經(jīng)元網(wǎng)絡(luò )預測控鍋爐的運行水平,為水煤漿產(chǎn)業(yè)的發(fā)展拓寬道路。制2-3神經(jīng)網(wǎng)絡(luò )與預測控制相結合是基于神經(jīng)元水煤漿鍋爐難于控制就在于它的燃燒過(guò)程是一網(wǎng)絡(luò )能對任意復雜非線(xiàn)性函數充分逼近能夠學(xué)習個(gè)復雜的非線(xiàn)性過(guò)程無(wú)法找到其精確的數學(xué)模型,和適應不確定系統的動(dòng)態(tài)特性能采用并行分布處因此無(wú)法用傳統的控制方法進(jìn)行分析和設計。而神理算法快速進(jìn)行實(shí)時(shí)運算的特殊能力*3。這里被經(jīng)網(wǎng)絡(luò )控制方法不需要知道被控系統的數學(xué)模型經(jīng)過(guò)訓練的神經(jīng)網(wǎng)絡(luò )將數學(xué)模型隱藏在網(wǎng)絡(luò )及其權廣泛采用的有BP網(wǎng)絡(luò )、 Hopfield網(wǎng)絡(luò )以及基于徑向基函數的RBF網(wǎng)絡(luò )( RBFNN- radial basis function系當中,因而使得控制趨于簡(jiǎn)潔和有效。神經(jīng)網(wǎng)絡(luò )的這一特點(diǎn)吸引了許多學(xué)者對其進(jìn)行研究并在鍋neural network)的辨識建模。以神經(jīng)網(wǎng)絡(luò )作為非線(xiàn)爐控制方面進(jìn)行了大量有益的嘗試。性估計器,已成功地應用于非線(xiàn)性系統的辨識建模,并在此基礎上將神經(jīng)網(wǎng)絡(luò )模型應用于模型預測控1神經(jīng)網(wǎng)絡(luò )預測控制制神經(jīng)網(wǎng)絡(luò )預測控制結構如圖1圖所示嗎YH中國煤化工其網(wǎng)絡(luò )結構多CNMHG收稿日期:2008-11-作者簡(jiǎn)介:李毅(1974-),男河北安平人講師博士主要從事控制理論控制工程和工業(yè)自動(dòng)化等方面的教學(xué)和科研工作水煤漿鍋爐的神經(jīng)網(wǎng)絡(luò )預測控制y(k-D)OR全部作為神經(jīng)網(wǎng)絡(luò )的輸入,則導致網(wǎng)絡(luò )結構過(guò)于龐大,計算機運算緩慢,而無(wú)法實(shí)施實(shí)際有效的控制。由于這些特性隨生產(chǎn)廠(chǎng)家的不同而不同,因此將水y(k)煤漿來(lái)源(即漿種)作為水煤漿各種特性的集合則是切實(shí)叮行的。在大多數時(shí)間內漿種不變化,當水煤漿的來(lái)源變化時(shí),以手動(dòng)方式將漿種的輸入做相應的調整。因此作為神經(jīng)網(wǎng)絡(luò )要模擬的水煤漿鍋爐燃燒黑箱模型如圖3所示。圖2三層的前向神經(jīng)網(wǎng)絡(luò )模型送漿量送風(fēng)量戀蒸汽壓力圖中輸入層S有n,=nn+n,個(gè)節點(diǎn),隱含層A引風(fēng)早有p個(gè)節點(diǎn)輸出層R為單個(gè)節點(diǎn);n。和n,分別是蒸汽溫度漿種輸出和輸入量的階次;y(k),u(k)分別為k時(shí)刻系統的輸出和輸入。由上可知:圖3水煤漿鍋爐的輸入輸出簡(jiǎn)化框圖(1)上圖是對于單個(gè)輸出受控對象.若對象有對于圖2中輸入、輸出量的階次,若取得太小m個(gè)輸出節點(diǎn),只要把y(k)寫(xiě)成矢量形式Y(k)=會(huì )影響建模精度,取得太大,則網(wǎng)絡(luò )結構復雜,對系[y1(k)y2(k)Lyn(k)]r,W為權陣∈Rm。統的適應性下降,并且訓練計算量大,因此系統均定2)BP網(wǎng)絡(luò )只能實(shí)現一步預測至于系統多步義為3。再根據圖3的黑箱模型,定義網(wǎng)絡(luò )結構為預測,可以通過(guò)反復迭代來(lái)獲得。輸入層18個(gè)輸出層2個(gè),隱層數根據經(jīng)驗并經(jīng)多2水煤漿鍋爐預測模型構造方法次比較測試后確定為30個(gè)。2.2網(wǎng)絡(luò )的訓練水煤漿鍋爐的燃燒系統可以說(shuō)是整個(gè)水煤漿系訓練數據采自水煤漿鍋爐實(shí)際現場(chǎng)的10h運行統中最復雜的部分,其運行過(guò)程涉及到水煤漿中的數據,包括負荷的變化和漿種的改變,采樣間隔水分汽化煤粉的多相燃燒固體與氣體在爐膛內的30s,共1200組數據經(jīng)優(yōu)化后構成訓練樣本。將數多相流動(dòng)以及爐膛內高溫煙氣的傳熱過(guò)程,這些過(guò)據分成兩組,一組用來(lái)對BP神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練以程同時(shí)發(fā)生且相互影響具有強藕合性對這樣一個(gè)實(shí)現水煤漿鍋爐的動(dòng)態(tài)建模,另一組用來(lái)檢驗神經(jīng)復雜的燃燒系統要想建立精確的機理模型是相當困網(wǎng)絡(luò )模型的有效性和泛化能力。采用正交最小二乘難的,因此采用神經(jīng)網(wǎng)絡(luò )建模恰恰利用了神經(jīng)網(wǎng)絡(luò )法離線(xiàn)訓練取訓練允許誤差為0.1%,得到一個(gè)含對任意非線(xiàn)性系統的逼近能力6有30個(gè)隱節點(diǎn)的BP網(wǎng)絡(luò )。其中蒸汽壓力訓練結2.1網(wǎng)絡(luò )結構設計果如圖4所示,圖中虛線(xiàn)表示訓練好的BP網(wǎng)絡(luò )輸經(jīng)過(guò)對水煤漿鍋爐燃燒系統的深人研究,發(fā)出,實(shí)線(xiàn)表示實(shí)際蒸汽壓力的響應輸出,可以看出現對水煤漿鍋爐燃燒影響較大的因素除送漿量、送BP網(wǎng)絡(luò )能夠較好的擬合實(shí)際蒸汽壓力的變化,說(shuō)明風(fēng)量以及送風(fēng)溫度幾個(gè)因素外,還包括水煤漿的自BP網(wǎng)絡(luò )對水煤漿鍋爐的建模較為準確。身特性,包括水分、粒度煤質(zhì)等但如果將這些因素實(shí)際輸出預測輸出965中國煤化工時(shí)向/hCNMHG圖4蒸汽壓力預測輸出與實(shí)際輸出比較《潔凈煤技術(shù))200年第16卷第2期L煤炭燃燒全國中文核心期刊礦業(yè)類(lèi)核心期刊《CAcD規范》行優(yōu)秀期刊3水煤漿鍋爐滾動(dòng)優(yōu)化控制實(shí)現e(k+i dy(k+i)a△u(k+-ie(+八)=(k+)(k鑒于水煤漿鍋爐的復雜性和時(shí)滯性,若預測步+j),L為控制時(shí)域長(cháng)度,=1,2,A,M。由上可知數較多,則會(huì )產(chǎn)生較大誤差,對控制的精度和穩定性神經(jīng)網(wǎng)絡(luò )預測控制算法步驟可歸納為的影響較大因此只對水煤漿鍋爐進(jìn)行一步預測控(1)由式(1)計算期望輸入參考軌跡:y4(k+j);制。(2)由神經(jīng)網(wǎng)絡(luò )預測模型輸出yx(k),經(jīng)濾波器在模型預測控制中設輸入參考軌跡生成預測輸出:y2(k+j)y(k+j)=cy(k+j-1)+(1-c)s(3)計算預測誤差:e(k+)=y4(k+)-y,(k+j)j=1,2,L,M)(1)(4)求二次型性能函數minJ(M,L,r);獲得最式中:c為柔化系數,為給定值,M為優(yōu)化域長(cháng)度,優(yōu)控制解△n(k+-1)。希望受控對象實(shí)際輸出能跟蹤它,即y(k)=y(k)。4仿真取二次型性能函數在網(wǎng)絡(luò )滿(mǎn)足訓練數據的基礎上,采用水煤漿鍋J=min(∑(k+j+∑r△n2(K+j+1)}爐負荷改變時(shí)的實(shí)時(shí)數據來(lái)驗證該系統的?？啃院?2)穩定性。水煤漿鍋爐的實(shí)時(shí)數據是在外界的負荷具式中:為控制權系數;△(k+j-1)=u(k+j-1)有脈沖變化性質(zhì)時(shí)取得的,對比系統的預測控制效-a(k+j-2),可以由=0,求得△a(k+)-1)果與j實(shí)際輸出數據如圖5、圖6所示104實(shí)際數據實(shí)際數據---測軍數據測址數據995543時(shí)間/min時(shí)間/min圖5蒸汽壓力預測值與實(shí)際值對比曲線(xiàn)圖6蒸汽溫度預測值與實(shí)際值對比曲線(xiàn)從圖中可看出,在負荷升高后,實(shí)際的蒸汽壓制。仿真結果顯示該方法控制效果良好,適合水煤力蒸汽溫度都產(chǎn)生擾動(dòng)變化,曲線(xiàn)快速、平穩的重漿鍋爐的實(shí)時(shí)控制。新達到穩定值,這說(shuō)明實(shí)際系統很好的完成了變負荷調整,具有神經(jīng)網(wǎng)絡(luò )模型的預測控制系統同樣產(chǎn)參考文獻生脈沖響應預測數據與實(shí)際數據雖有一定的差別,[1]李毅楊公訓,高松.水煤漿鍋爐的發(fā)展及現狀[刀但與實(shí)際數據的變換基本一致,并且也是逐漸趨于熱能動(dòng)力工程,2007,22(6):583-585平穩,這說(shuō)明仿真系統同樣較好的實(shí)現了變負荷調2】何玉彬,李新忠神經(jīng)網(wǎng)絡(luò )控制技術(shù)及其應用M]整,且平均誤差量低于5%,仿真結果表明系統對非北京:科學(xué)出版社,2000線(xiàn)性復雜系統的建模能力和穩定控制能力均較強[3]諸靜.智能預測控制及其應用[M]杭州:浙江大學(xué)出版社,2002[4] Donat J S, Bhat N, Mcavoy T. Neural net basedmodel predictive control[ J]. Int. JControl, 1991, 64(6):水煤漿鍋爐是一種非線(xiàn)性強耦合,大時(shí)滯的系統并且被控對象沒(méi)有精確的數學(xué)模型,采用傳統的[5中國煤化工n0, et al. Imple-控制方法效果很不理想。筆者采用BP神經(jīng)網(wǎng)絡(luò )對CNMH水煤漿鍋爐進(jìn)行建模作為預測控制中的預測模型,……,28:37將神經(jīng)網(wǎng)絡(luò )和預測控制結合起來(lái)以實(shí)現復雜系統控6]shmn, S.A. Billings, P. M. Grant. Nonlinear SystemIdentification Using Neural Networks. Int. J. Control水煤漿鍋爐的神經(jīng)網(wǎng)絡(luò )預測控制1(6)[9] Romeo L M, Gareta R. Neural network for evaluating[7]馬翔,陳新楚,王劭伯.基于RBF神經(jīng)網(wǎng)絡(luò )的電站鍋boiler behavior[ J]. Applied Thermal Engineering, 2006爐燃燒系統非線(xiàn)性建模[J].福州大學(xué)學(xué)報(自然科26:1530-6學(xué)版),2004,32(03):295-306.[10] Najim K, Rusnak A., Meszaros A. Constrained long[8] Murty Venkataesh V, et al. Boiler system identificationrange predictive control based on artificial neural netusing sparse neural networks[ J]. ASME Dyn Syst Controlworks[ J]. Int. J System Science, 1997, 28(2)Div Publ DSC,1993,53:103-11l1211-1226Neural model predictive control of coal- water mixture boilerLI Yi. ZHANG Xuan2. Hebei University of Engineering, Handan 056038, ChinAbstract: In response to the coal-water mixture boilers characteristics of nonlinear, strong coupling and large deadtime, a neural model predictive control method has been designed. The model is built by bP neural network, whichis obtained by the research of combustion system of coal-water mixture boiler. The network meets the requirementafter being trained by optimized data. Rolling optimization arithmetic adopts one step prediction. Simulation resultsshow that the designed control system can meet the requirement of real running and be an effective control method.Keywords: coal-water mixture boiler; model, neural network predictive control上接第66頁(yè))Characteristics of CFB boiler ignition coalREN Yue-ping, ZHAO Peng-bo, GAO Hong-pei(1. Shanxi International Hongguang Energy Limited, Liulin, China;2. Xi'an Institute of Thermal Engineering Co., Ltd., Xian 710032, China)Abstract: Compared the results of five kinds of coal TGA with the lgnition characteristic parameters obtained in theIMW. circulating fluidized bed combustion test rig, got the ignition point of different types of coal, and analysed thelevel of difficulty of them, analysed the relationship between the ignition point and its volatile. The results can beKeywords: TGA; ignition temperature i volatile e ceb boilers and combustion apparatus.used to guide the uesign and operation of large-sca了。信息檢素中國擬建工業(yè)節能減排技術(shù)改造項目?jì)鋷鞊I(yè)和信息化部透露,中國擬建立工業(yè)節能減排技術(shù)改造項目?jì)鋷?目前正進(jìn)行節能減排技術(shù)改造儲備項目征集工作工業(yè)和信息化部有關(guān)負責人表示為優(yōu)化產(chǎn)業(yè)結構,轉變V凵中國煤化工經(jīng)濟平穩較快增長(cháng)國家將加大對企業(yè)技術(shù)改造投資力度。此次節能減排技CNMHG包括重點(diǎn)節能技術(shù)改造專(zhuān)項、工業(yè)節水技術(shù)改造專(zhuān)項、工業(yè)“三廢”綜合利用技術(shù)改造專(zhuān)項,以及重點(diǎn)打業(yè)的污染治理、清潔生產(chǎn)專(zhuān)項等?！稘崈裘杭夹g(shù)》200年第16卷第2期