水煤浆锅炉的神经网络预测控制

煤炭燃烧全国中文核心期刊矿业类核心期刊《cAcD规范)执行优秀期刊水媒浆锅的神经网络预测控制李毅1,张萱2(1.上海工程技术大学工程实训中心,上海201620;2.河北工程大学信息与电气工程学院,河北邯郫056038)摘要:针对水煤浆锅炉控制系統的非线性、强耦合、大时滞的特点,设计了一种神经网络预测控制方法。模型采用BP神经网络实现建模,其中网络结构在对水煤浆锅炉燃烧系统分析研究的基础上获得,并经优化数据训练后达到预期结果;预测控制算法采用一步预测滚动优化算法。仿真结果显示该方法控制效果良好,适合水煤浆锅炉的实时控制。关键词:水煤浆锅炉;建模;神经网络;预测控制中图分类号:TP273.2文献标识码:A文章编号:1006712(2009)020075404随着石油资源的匮乏和环境污染的日益恶化k水煤浆产业越来越受到人们的重视。作为燃烧水煤浆最多的热能设备,水煤浆锅炉的性能却一直设定值考轨迹非线性优化](k)受控对象停留在较低的水平上,存在的问题也较多例如:锅y,(k+j)炉负荷不易调节;运行稳定性差易熄火;燃烧效率较预测模型低;运行过程中易结焦和积灰;设备磨损烟道烟温偏y(k)波器卜差、过热蒸汽温度偏高等,这些都成为严重制约水煤浆发展的瓶颈。在影响水煤浆锅炉运行性能的众多图1神经网络预测控制结构因素当中,水煤浆锅炉难于建模、控制水平较低是其中一个非常重要的因素。笔者正是在这种背景下将图1中,预测模型采用神经网络来代替实现了神经网络及预测控制引入水煤浆锅炉,以提高水煤浆神经元网络理论与预测控制算法相结合,在复杂控制系统中应用.形成了一类神经元网络预测控锅炉的运行水平为水煤浆产业的发展拓宽道路。制2。神经网络与预测控制相结合是基于神经元水煤浆锅炉难于控制就在于它的燃烧过程是一网络能对任意复杂非线性函数充分逼近,能够学习个复杂的非线性过程,无法找到其精确的数学模型,因此无法用传统的控制方法进行分析和设计。而神和适应不确定系统的动态特性,能采用并行分布处理算法快速进行实时运算的特殊能力*3。这里被经网络控制方法不需要知道被控系统的数学模型经过训练的神经网络将数学模型隐藏在网络及其权广泛采用的有BP网络、 Hopfield网络以及基于径向基函数的RBF网络( RBFNN- -radial basis function系当中,因而使得控制趋于简洁和有效。神经网络neural network)的辨识建模。以神经网络作为非线的这一特点吸引了许多学者对其进行研究并在锅炉控制方面进行了大量有益的尝试。性估计器已成功地应用于非线性系统的辨识建模,并在此基础上将神经网络模型应用于模型预测控1神经网络预测控制制。神经网络预测控制结构如图1图所示。对于采用BP网络的预测模型,其网络结构多采用图2的形式收稿日期:2008-11-28作者简介:李(1974-),男河北安平人,讲师博士主要从事控制理论、控制工程和工业自动化等方面的教学和科研工作。y(k-)全部作为神经网络的输入,则导致网络结构过于庞y(k-j)OK大,计算机运算缓慢,而无法实施实际有效的控制。由于这些特性随生产厂家的不同而不同,因此将水y(k-n)oy(k煤浆来源(即浆种)作为水煤浆各种特性的集合则u(k-1)○是切实可行的。在大多数时间内浆种不变化,当水煤浆的来源变化时,以手动方式将浆种的输入做相应的调整。因此作为神经网络要模拟的水煤浆锅炉燃烧黑箱模型如图3所示。图2三层的前向神经网络模型送浆量水蒸汽压力图中输入层S有n,=n+n,个节点隐含层A引风罩有p个节点输出层R为单个节点;n。和n,分别是蒸汽温度浆种输出和输入量的阶次;y(k),u(k)分别为k时刻系统的输出和输入。由上可知图3水煤浆锅炉的输入输出简化框图(1)上图是对于单个输出受控对象若对象有对于图2中输入、输出量的阶次,若取得太小m个输出节点只要把y(k)写成矢量形式Y(k)=会影响建模精度取得太大则网络结构复杂,对系[y1(k)y2(k)Lyn(k)],W为权阵∈Rm。统的适应性下降,并且训练计算量大,因此系统均定(2)BP网络只能实现一步预测,至于系统多步义为3。再根据图3的黑箱模型,定义网络结构为预测,可以通过反复迭代来获得。输入层18个输出层2个,隐层数根据经验并经多2水煤浆锅炉预测模型构造方法次比较测试后确定为30个。22网络的训练水煤浆锅炉的燃烧系统可以说是整个水煤浆系训练数据采自水煤浆锅炉实际现场的10h运行统中最复杂的部分,其运行过程涉及到水煤浆中的数据,包括负荷的变化和浆种的改变,采样间隔水分汽化、煤粉的多相燃烧、固体与气体在炉膛内的30s,共1200组数据经优化后构成训练样本。将数多相流动以及炉朦内高温烟气的传热过程这些过据分成两组,一组用来对BP神经网络进行训练以程冋时发生且相互影响,具有强藕合性对这样一个实现水煤浆锅炉的动态建模,另一组用来检验神经复杂的燃烧系统要想建立精确的机理模型是相当困网络模型的有效性和泛化能力。采用正交最小二乘难的,因此采用神经网络建模恰恰利用了神经网络法离线训练,取训练允许误差为0.1%,得到一个含对任意非线性系统的逼近能力°。有30个隐节点的BP网络。其中蒸汽压力训练结2.1网络结构设计果如图4所示,图中虚线表示训练好的BP网络输经过对水煤浆锅炉燃烧系统的深人研究,发出,实线表示实际蒸汽压力的响应输出,可以看出现对水煤浆锅炉燃烧影响较大的因素除送浆量、送BP网络能够较好的拟合实际莠汽压力的变化,说明风量以及送风温度几个因素外,还包括水煤浆的自B网络对水煤浆锅炉的建模较为准确。身特性包括水分、粒度煤质等但如果将这些因素实际输出预测输出时向/h图4蒸汽压力预测输出与实际输出比较煤炭燃烧全国中文核心期刊矿业类核心期刊《CAcD规范》行优秀期刊3水煤浆锅炉滚动优化控制实现e(k+)可(k+),、;e(k+)=y(k+)-y、k鉴于水煤浆锅炉的复杂性和时滞性,若预测步+j),L为控制时城长度,=1,2,A,M。由上可知,数较多,则会产生较大误差,对控制的精度和稳定性神经网络预测控制算法步骤可归纳为:的影响较大,因此只对水煤浆锅炉进行一步预测控1)由式(1)计算期望输入参考轨迹:(k+);(2)由神经网络预测模型输出y(k),经滤波器在模型预测控制中设输入参考轨迹生成预测输出:y(k+);y(k+j)=c(k+j-1)+(1-c)s(3)计算预测误差:(k+)=y4(k+)-y(k+)(=1,2,L,M)(4)求二次型性能函数minJ(M,L,r);获得最式中:c为柔化系数,为给定值,M为优化域长度,优控制解△(k+j-1)。希望受控对象实际输出能跟踪它,即y(k)=y(k)。4仿真取二次型性能函数在网络满足训练数据的基础上,采用水煤浆锅J=mn{∑e(k+j)+∑rA2(K+j+1)}炉负荷改变时的实时数据来验证该系统的可靠性和式中:为控制权系数(k+j-1)=:、(2)称定性。水煤浆锅炉的实时数据是在外界的负荷具脉冲变化性质时取得的,对比系统的预测控制效u(k+-2),可以由边=0,求得△n(k+j-1)=果与j实际输出数据如图5、图6所示。一实际数据实际数据测数据-测量数据时间/min时间/min图5蒸汽压力预测值与实际值对比曲线图6蒸汽温度预测值与实际值对比曲线从图中可看出,在负荷升高后,实际的蒸汽压制。仿真结果显示该方法控制效果良好,适合水煤力蒸汽温度都产生扰动变化,曲线快速、平稳的重浆锅炉的实时控制。新达到稳定值,这说明实际系统很好的完成∫变负荷调整,具有神经网络模型的预测控制系统同样产参考文献:生脉冲响应预测数据与实际数据虽有一定的差别,[1]李毅杨公训,高松.水煤浆锅炉的发展及现状[刀但与实际数据的变换基本一致,并且也是逐渐趋于热能动力工程,2007,22(6):583平稳,这说明仿真系统同样较好的实现了变负荷调2]何玉彬李新忠神经网络控制技术及其应用M整,且平均误差量低于5%,仿真结果表明系统对非北京:科学出版社,2000线性复杂系统的建模能力和稳定控制能力均较强。[3]诸静.智能预测控制及其应用[M].杭州:浙江大学出版社,20025结语[4 Donat J. S, Bhat N, Mcavoy T. Neural net basedmodel predictive control[ J]. Int JControl, 1991, 64(6)水煤浆锅炉是一种非线性强耦合,大时滞的系统,并且被控对象没有精确的数学模型,采用传统的[5] Sorensen p.H., Norgaard M.,Rawn0.,eal, Imple-控制方法效果很不理想。笔者采用BP神经网络对mentation of neural network based non-linear predictive水煤浆锅炉进行建模作为预测控制中的预测模型ontrol[ J]. Neurocomputing, 1999, 28: 37-51将神经网络和预测控制结合起来以实现复杂系统控6]shn, S.A. Billings,PM.cm. Nonlinear SystemIdentification Using Neural Networks. Int. J. Control1990,151(6):191-124[9] Romeo L M, Gareta R. Neural network for evaluating[7]马翔,陈新楚,王劭伯.基于RBF神经网络的电站锅boiler behavior[ J]. Applied Thermal Engineering, 2006炉燃烧系统非线性建模[J].福州大学学报(自然科26:1530-6.学版),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 net-using sparse neural networks[ J]. ASME Dyn Syst Controlworks[J]. Int. J System Science, 1997, 28(2):Div Publ DSC. 1993. 53: 103-1111211-1226Neural model predictive control of coal- water mixture boilerLI Yi'. ZHANG Xuan(1. Shanghai University of Engineering Science, Shanghai 201620,China2. Hebei University of Engineering, Handan 056038, China)Abstract: 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 methodKeywords: coal-water mixture boiler; model, neural network; predictive controlMwwwwwwwwwwwwwwwwwwwwwwwwwwwwwwwwww上接第66页Characteristics of CFB boiler ignition coalREN Yue-ping, ZHAO Peng-bo, GAO Hong-pei2. Xi'an institute of Thermal Engineering Co., Ld., Xian 710032, China)Abstract: Compared the results of five kinds of coal TGA with the Ignition 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 bee design and operatonscale cFb boilers and combustion apparatuswords: TGA; ignition temperatureAAA995999555g信检素中国拟建工业节能减排技术改造项目储备库据工业和信息化部透露,中国拟建立工业节能减排技术改造项目储备库,目前正进行节能减排技术改造储备项目征集工作工业和信息化部有关负责人表示,为优化产业结构转变经济发展方式,扩大内需促进经济平稳较快增长,国家将加大对企业技术改造投资力度。此次节能减排技术改造储备项目征集范围主要包括重点节能技术改造专项、工业节水技术改造专项、工业“三废”综合利用技术改造专项,以及重点行业的污染治理、清洁生产专项等。