基于神经网络逆模型的过热汽温补偿控制研究

2023年12月19日发(作者：)

基于神经网络逆模型的过热汽温补偿控制研究

马良玉;史振兴

【摘 要】In order to improve the control effect of the superheated steam

temperature for a large-scale boiler unit, this paper presents a

compensation control scheme based on artificial neural network ( ANN)

extended inverse process models. With deep understanding of the boiler

structure and operating characteristics, the main influence factors of the

superheated steam temperature are analyzed, and the input and output

variables of the neural network extended inverse process models for the

superheater system are determined. Two inverse process models are

established with MATLAB neural network toolbox and trained with enough

historical operating data. To improve the control effect of the superheated

steam temperature, two NN inverse controllers are constructed based on

the trained models and used as on-line output compensators for the

original cascade PID controllers by providing supplementary signals.

Detailed simulation tests are carried out on the full-scope simulator for the

given 300 MW power generating unit. It is shown by the tests that the

control effect of the superheated steam temperature with NN inverse

compensation controllers are significantly improved compared with

original cascade PID control scheme.%为改善大型电站锅炉的过热汽温控制效果,提出一种基于人工神经网络扩展逆系统模型的过热汽温补偿控制方案.首先结合锅炉的结构和运行特性,分析影响过热汽温的主要因素,确定神经网络逆系统扩展模型的输入和输出参数.借助MATLAB神经网络工具箱建立过热汽温系统的动态逆过

程模型(IDPM),运用历史运行数据完成神经网络模型的训练.以训练好的逆过程模型为基础,构建2个神经网络逆控制器,分别作为过热器一、二级喷水减温系统原串级PID控制器的输出补偿环节,提供附加控制信号以改善汽温控制效果.上述方案在300 MW燃煤机组全范围仿真系统进行详细的控制仿真试验,结果表明与原串级PID控制系统相比,增加神经网络逆控制器补偿环节后,过热汽温的控制品质得到显著改善.

【期刊名称】《华北电力大学学报(自然科学版)》

【年(卷),期】2011(038)005

【总页数】6页(P70-75)

【关键词】人工神经网络;逆过程模型;过热汽温控制;PID补偿

【作 者】马良玉;史振兴

【作者单位】

【正文语种】中 文

【中图分类】TP273

0 引言

过热蒸汽温度是电厂锅炉运行中需严格控制的关键参数，过高或过低都会显著地影响锅炉机组的安全或经济性。实际运行中过热汽温的波动必须限定在一定范围内

(±5℃)，当负荷变动和受到其他参数影响时，控制系统要迅速地抑制汽温偏差，使之回到设定值，保证汽温响应具有快速性和较小超调量。由于锅炉过热汽温影响因素多，且具有较大的惯性和迟延，为得到较好的控制效果，大型锅炉过热汽温普遍

采用串级PID控制器。串级控制系统可有效改善过热蒸汽温度控制品质，但由于锅炉汽温特性在不同负荷下具有很强的非线性特征，当工况大幅变动时，原先整定好的串级PID控制器参数往往不再合适，需重新整定，这要耗费大量的时间和精力。因此研究更为有效的过热汽温控制方法一直是电站汽温控制领域的重要课题。

逆系统方法作为非线性系统控制理论中一种有效的方法，其基本思想是通过建立被控对象的逆系统 (通常用反馈方法来实现)，将被控对象补偿为具有线性传递关系的系统，再用线性系统的理论完成系统的综合［1］。该方法物理概念清晰、直观且易于理解，但实际工程中由于被控对象复杂，往往难于或无法精确建模，逆系统的求解存在很大的困难，带来严重的应用瓶颈［2］。近年来，随着智能控制的发展，人工神经网络由于对复杂非线性系统具有出色的逼近与学习功能，在工业过程性能预测、建模和控制中取得了广泛地应用。神经网络应用于电站汽温控制也取得了许多研究成果［3～13］。将可实现系统线性化和解耦的逆系统方法与具有对未知非线性系统逼近能力的神经网络结合，构建适合工程应用的神经网络逆系统，可充分发挥二者之长，具有良好的应用前景。

基于神经网络逆系统的基本原理，提出一种基于神经网络逆过程模型的过热汽温补偿控制方案。针对某300 MW燃煤机组过热蒸汽系统，建立其二级喷水减温系统的神经网络逆过程模型，构建神经网络逆控制器实现过热汽温补偿控制，改善控制效果。

1 神经网络逆系统原理

1.1 神经网络简介

人工神经网络 (Artificial Neural Networks，ANN)的基本组成单位为神经元，通过神经元间广泛互联，实现信息的并行分布式处理。人工神经网络具有很强的自适应能力和学习能力，可充分逼近任意复杂的非线性系统，具有很强的鲁棒性和容错性。这些特点使神经网络在复杂系统建模和控制中得以有效应用。

神经网络按结构划分，可分为静态网络和动态网络。静态网络的神经元之间没有反馈，信息由输入层到输出层单向传递 (如BP网络、RBF网络等)，动态网络则存在不同层神经元间的反馈链接 (如hopfield网络、Elman历史数据网络等)。从结构考虑，动态网络更适合于动态过程建模，但静态网络通过在输入层引入时序数据，也可很好实现动态系统建模。本文即采用静态神经网络中最典型的多层前向网络，通过在输入中增加时序输入系列来实现动态逆系统建模。

多层前向网络由于结构简单和学习算法有效，已成为控制领域应用最成熟和普遍的一种网络结构。由于网络训练时连接权系数调整常采用误差反向传播 (Back

Propagation)算法，因此也称为BP网络。BP网络包括输入层 (input layer)、若干隐层 (hide layer)和输出层 (output layer)，其基本组成单位——神经元的模型及典型3层BP网络结构如图1所示［20］。

图1 神经元及三层BP神经网络Fig.1 Neurons and 3－layer BP neural

network

1.2 神经网络逆系统结构

根据神经网络逆系统的有关原理，对典型的单输入单输出 (SISO)非线性系统y=f(u)，通过在原系统前串联由神经网络表达的基本逆系统模型u=f－1(y*)，可实现系统的线性化处理，如图2所示。

图2 基本结构神经网络逆系统Fig.2 Basic structure NN inverse system

为充分利用原系统的可用信息，增强逆系统的适应能力与抗干扰能力，拓宽其适用范围，对图2所示基本逆系统模型，可进一步将原系统中的重要变化参数及干扰测量值等引入神经网络输入端，构建扩展结构的神经网络逆系统模型［9］，如图3所示。

运用上述方法建立具有较高精度的对象逆过程模型后，该模型可即作为预测控制器施加于被控对象，达到改善控制效果的目的。

图3 扩展结构神经网络逆系统Fig.3 Extended structure NN inverse system

2 被控对象简介

本文研究对象为某300 MW燃煤锅炉汽轮发电机组。该机组锅炉为哈尔滨锅炉厂制造的HG1025/18.2－YM6型亚临界、一次中间再热、控制循环、单炉膛、固态排渣煤粉炉。其结构如图4所示。

图4 锅炉过、再热器系统示意图Fig.4 Boiler superheater and reheater system

其中，过热器采用辐射、对流组合形式，由5个主要部分组成: (1)水平低温过热器、后烟道包墙和顶棚过热器; (2)立式低温过热器;(3)分隔屏过热;(4)后屏过热器;(5)末级过热器。过热蒸汽在汽轮机高压缸做功后，经冷端再热管道引回锅炉，进入再热器系统。再热器由3个主要部分组成: (1)墙式辐射再热器; (2)后屏再热器;(3)末级再热器。在墙式再热器入口左右两侧分别布置两只雾化喷咀式喷水减温器，主要作事故喷水使用。再热器正常过程主要靠摆动式燃烧器，改变炉膛内火焰中心的高度进行调节。由于再热汽温调节延迟较大，当燃烧器摆角调整不过来时，采用事故喷水进行再热汽温调整。

对过热器系统，为达到汽温控制的目的，该锅炉采用二级喷水，如图5所示。其中第一级喷水减温器设在低温过热器到分隔屏过热器之间的大直径连接管上，用于控制分割屏过热器出口汽温 (470℃)。第二级喷水减温器设于后屏过热器到末级过热器的大直径连接管上，用于精确控制末级过热级出口汽温 (540℃)。实际机组控制逻辑中，两级喷水均采用串级PID控制器。

图5 过热器系统喷水减温器布置Fig.5 Water－spray desuperheaters layout

3 汽温特性神经网络逆模型建立

3.1 汽温影响因素分析与模型参数选取

对图4、5所示锅炉系统，根据锅炉结构及运行原理，对运行中影响过热汽温变化的主要因素分析如下。

(1)燃煤量:实际运行中锅炉负荷经常发生变化，不同过热器随锅炉负荷变化其特性也会改变。燃煤量是反映锅炉负荷变化的直接因素，因此燃煤量是影响汽温的重要因素。

(2)总风量:当风量增加导致炉内过剩空气系数增加时，由于低温空气吸热，将使炉膛温度降低，辐射传热减弱;同时过剩空气量增加，使流经对流过热器的烟气量增加，烟气流速增大，对流传热增强，引起对流过热器的气温升高和辐射过热器的汽温降低。反之，风量不足会使炉膛燃烧不充分，从而影响过热气温。

(3)燃烧器摆角的改变:运行中通过调节燃烧器摆角来调整再热汽温，而燃烧器摆角改变导致燃烧室火焰中心位置变化，必然会对过热汽温同时产生影响。

(4)给水温度及压力的变化:给水温度变化时，给水变为饱和蒸汽所需热量也要变化，燃料量不变时，必然导致过热汽温发生变化;另外，由于过热器减温水来自给水泵出口，给水压力变化将影响各级过热器喷水量，导致过热汽温发生变化。

(5)主蒸汽压力:主蒸汽压力作为锅炉重要参数之一，其变化直接反映了锅炉蒸汽供给和汽轮机用汽量间的动态关系，会对汽温产生一定影响，而主汽压力变化也会导致各级减温水流量变化，影响过热汽温。

(6)各级喷水减温器前的过热器出口汽温:作为减温器入口蒸汽参数，对喷水量、后面各级过热气温有直接影响。

(7)喷水调门开度:在采用减温器的过热器系统中，喷水调节阀开度为直接可控输入，通过改变减温水量，达到调整各级过热汽温的目的。

综合考虑上述因素，对第一级和第二级喷水减温器系统，按照图3所示扩展结构神经网络逆系统模型建立方法，分别选定8个参数做为神经网络逆过程模型的输入 (其中1～7为干扰量或可测参数，8为被控参数)，1个参数作为逆模型输出 (主控输入变量)，如表1所示。

表1 过热器系统扩展神经网络逆模型变量选取Tab.1 Variables selection for the

inverse model输入变量(1)给煤量 (1)给煤量(2)总风量 (2)总风量(3)给水压力 (3)给水压力(4)给水温度 (4)给水温度(5)燃烧器摆角 (5)燃烧器摆角(6)主汽压力 (6)主汽压力(7)低过出口汽温(一级减温器入口汽温)(7)后屏过热器出口汽温(二级减温器入口汽温)(8)分隔屏过热器出口汽温(被控参数)(8)末级过热器出口汽温(被控参数)输出变量(1)一级喷水减温阀开度(主控输入变量)(1)二级喷水减温阀开度(主控输入变量)

3.2 逆过程神经网络模型结构

为准确模拟过热汽温系统的动态特性，本文取表1所示8个输入变量当前时刻及前一时刻的历史值分别作为神经网络输入项，输出变量当前值作为神经网络输出项，构建一个包含16个输入和1个输出的动态BP网络。网络采用三层结构，隐层和输出层的激活函数分别选用tansig和purelin函数。训练中经反复试验，隐层取15个神经元，网络训练完成后可达到较高的精度。网络训练采用改进的

Levenberg－Marquardt算法 (trainlm)。过热器系统的动态BP神经网络扩展逆系统模型如图6所示。

图6 过热器系统BP网络扩展逆模型结构Fig.6 Structure of the BP network

extended inverse model

3.3 逆过程模型的训练与校验

神经网络输入输出、隐层神经元个数及网络结构确定后，接下来要进行网络的训练与检验。为使逆过程模型全面反映对象的动、静态特性，网络训练数据所涉及的工况要尽量广，应包括不同负荷稳态工况数据和变负荷过程动态数据。本文共采集19 883组数据 (采样时间1s)，包含负荷为300 MW、270 MW、240 MW、210

MW时的稳态数据，以及四种工况之间以5 MW/min的速率升、降负荷的动态数据。实际训练时，对所采数据每10组均匀抽取一个样本点 (间隔10 s)，通过MATLAB神经网络工具箱函数构建网络模型完成训练［14］，训练过程如图7。

图7 逆模型的训练过程Fig.7 Inverse model training

训练好的网络实际输出与原训练数据对照，结果图8、9所示。由此看出本文构建的神经网络逆模型能很好地逼近过热蒸汽系统的汽温控制特性。

图8 第一级喷水减温系统网络训练结果Fig.8 1st－stage inverse model training

results

图9 二级喷水减温系统神经网络训练结果Fig.9 2nd－stage inverse model

training results

4 神经网络逆控制具体实现方案

4.1 控制方案简介

过热汽温1级、2级喷水减温系统动态逆过程模型训练完成后，基于上述模型可直接构建2个神经网络逆控制器，替代原串级控制器实现各级过热汽温控制。其基本思想是:根据其他影响因素当前时刻及上一时刻的值，以及被控变量当前设定值来预测下一时刻的控制输出指令，直接对减温水调门施加控制，其原理如图10所示。

图10 过热汽温直接逆控制原理图Fig.10 Direct inverse control schematic

实际工程应用中，为确保控制可靠性，往往要求保留原过热汽温串级控制逻辑，为此在原串级控制器输出叠加一个来自逆控制器补偿信号，实现过热汽温的逆控制。补偿信号取神经网络逆控制器的输出与串级PID控制器上一时刻输出值的差值。本文即采用这种逆控制器补偿方案。如图11所示。

4.2 仿真试验结果

基于图11所示逆补偿控制方案，以300 MW燃煤机组全范围仿真系统为平台，进行详细的控制仿真试验。

机组从300 MW额定负荷每次以10%的幅度滑压降负荷至210 MW，降负荷速率为5 MW/min，负荷变化过程如图12(a)所示。动态BP神经网络逆补偿控制和

原串级PID末级过热汽温控制效果对比见图12(b)。

机组从210 MW每次以10%的幅度升至300 MW，升负荷速率为5 MW/min，负荷变化如图13(a)所示。动态BP神经网络逆补偿控制和原串级PID最终的末级过热汽温控制效果对比见图13(b)。

图13 升负荷过程两种控制器控制效果比较Fig.13 Control results in loading－up process

由图12、图13看出，过热汽温采用基于神经网络逆系统扩展模型的补偿控制之后，升降负荷过程中，过热汽温控制品质无论从超调量和调节快速性方面都比原串级PID控制器有很大改善，表明了逆补偿控制方案的良好效果。

值得指出的是，本文神经网络逆过程模型的训练数据是在采用原汽温串级PID控制器条件下通过改变机组负荷得到的。而训练好的模型用于汽温实时控制时，其控制效果却明显优于原串级PID控制器。

5 结论

以改善过热汽温控制为目的，本文针对过热汽温系统建立了一种基于BP神经网络的扩展逆过程模型，并且作为补偿控制器用于300 MW锅炉机组过热汽温实时控制。仿真系统试验表明，本文提出的汽温控制算法与原串级控制器相比，在控制的快速性、超调量等方面有很大改善，验证了逆补偿控制的良好效果。

需指出，大型锅炉的过热器是一个非常复杂的非线性系统，而且过热蒸汽温度影响因素甚多，因此扩展逆系统神经网络模型的输入变量选取、网络结构、以及训练数据的选择对控制效果都会产生影响，需要结合对象特性合理确定。此外，煤质改变等因素对锅炉特性的影响带来的逆过程模型在线实时校正问题也需进一步深入研究。

参考文献

【相关文献】

［1］刘树棠，韩崇昭.自适应逆控制 ［M］.西安:西安交通大学出版社，2000.

［2］戴先中.多变量非线性系统的神经网络逆控制方法［M］.北京:科学出版社，2005.

［3］韩璞，张海琳，张丽静.神经网络自适应逆控制的仿真研究 ［J］.华北电力大学学报，2001，28(3):26－30.

［4］董泽，周黎辉.基于VPBF网络的直接自适应逆控制方法 ［J］.华北电力大学学报，2008，35(1):41－47.

［5］韩璞，于萍，王东风.基于支持向量回归的自适应逆控制方法［J］.华北电力大学学报，2006，33(3):31－35.

［6］Widrow B，McCool J，Medoff ve control by inverse modelling

［C］.12thSimolar conference on Circuits，Systems and Computers，1978.

［7］Widrow B，Plett G ear adaptive inverse control［C］.Proceedings of the

36th Conference on Decision ＆control. San Diego， California USA， pp. 1032－1037，1997.

［8］Gencay R，Liu ear modelling and prediction with feed forword and

recurrent networks ［J］.1997，Physical D 108:119－134.

［9］Kwang Y Lee，Ma L Y，Boo C J，et e dynamic neuro－controller for

superheater steam temperature control of a large－scale ultra－supercritical(USC)boiler

unit［C］. the IFAC Symposium on Power Plants and Power Systems Control，in

tampere，Finland，July 5－8，2009.

［10］Chi－Li－Ma Harnold，Kwang Y －model based adaptive Inverse Neuro－Controller for Dynamic systems［C］.Proceedings of the 37th IEEE Conference on

Decision ＆ Control，Tampa，Florida，USA，507－512，December 1998.

［11］Kambhampati C，Craddock R J，Tham M，et e model control using

recurrent networks ［J］.Mathematics and Computer Simulation，51，2000:181－199.

［12］Yuan Zeng－Ren，Guo Xin－－propagation neural networks for the

inverse control of discrete－time nonlinear plant［C］.Proceedings of the American

Control ore，Maryland，June 1994.

［13］Malinowski A，Zurada J M，Lilly J e control of nonlinear systems using

neural network observer and inverse mapping approach ［C］. IEEE International

Conference on Neural Networks，Perth，Western Australia，1995，vol.5，pp.2513－2518.

［14］Demuth H，Beale M，Hagan Network ToolboxTM6 User's

Mathworks，Inc.，1997.