劉 晴 張正剛 丁維明

(東南大學(xué)能源與環(huán)境學(xué)院1，江蘇 南京 210096;蘇州紫興紙業(yè)有限公司2，江蘇 蘇州 215011)

0 引言

整體煤氣化聯(lián)合循環(huán)(integrated gasification combined cycle，IGCC)是一種高效、清潔的能源利用方式［1］。氣化爐系統(tǒng)是IGCC電站的核心部分，煤、氧氣(或空氣)和水蒸氣在氣化爐中經(jīng)過一系列復(fù)雜的化學(xué)反應(yīng)，轉(zhuǎn)化成具有一定參數(shù)的煤氣。煤氣化過程具有高耦合、大滯后、非線性等特性［2］，對(duì)這一過程進(jìn)行有效控制一直是IGCC電站自動(dòng)控制技術(shù)研究的核心和難點(diǎn)。

在有關(guān)氣化爐控制技術(shù)的研究中，文獻(xiàn)［3］提出的預(yù)測(cè)型PID控制方案結(jié)合了模型預(yù)測(cè)控制與PID控制的優(yōu)點(diǎn)，以模型輸出的預(yù)測(cè)偏差代替實(shí)際偏差，使PID控制器提前動(dòng)作。該方案適用于具有大滯后特性的氣化爐系統(tǒng)，且便于在現(xiàn)有的軟硬件平臺(tái)上實(shí)施。但該方案的預(yù)測(cè)輸出依賴于系統(tǒng)的近似傳遞函數(shù)模型，降低了控制的精度，且不利于實(shí)際應(yīng)用。針對(duì)這一問題，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)型PID控制。

1 預(yù)測(cè)模型與控制方案

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，NN)能夠以任意精度逼近任意實(shí)際系統(tǒng)［4］，且預(yù)測(cè)模型的建立不依賴對(duì)象的數(shù)學(xué)模型，可以直接對(duì)機(jī)組的運(yùn)行數(shù)據(jù)進(jìn)行采樣和辨識(shí)。對(duì)于氣化爐等機(jī)理建模非常復(fù)雜的對(duì)象，NN具有更高的實(shí)用性。本文欲建立氣化爐對(duì)象的“預(yù)測(cè)模型”，即首先將被控對(duì)象看作黑箱，對(duì)系統(tǒng)的輸入輸出參數(shù)進(jìn)行采樣，用采樣獲得的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使網(wǎng)絡(luò)能夠根據(jù)k時(shí)刻之前的信息直接計(jì)算出氣化爐在未來m時(shí)刻的輸出y^(k+m|k)。

人工神經(jīng)網(wǎng)絡(luò)可以按結(jié)構(gòu)劃分為前向網(wǎng)絡(luò)和遞歸網(wǎng)絡(luò)。前向網(wǎng)絡(luò)可以直接實(shí)現(xiàn)熱工系統(tǒng)的靜態(tài)建模。遞歸型神經(jīng)網(wǎng)絡(luò)通過內(nèi)部的反饋結(jié)構(gòu)保留以前時(shí)刻的輸入信息，可以直接實(shí)現(xiàn)動(dòng)態(tài)建模，但網(wǎng)絡(luò)學(xué)習(xí)時(shí)間長，對(duì)訓(xùn)練樣本的要求高。本文采用一種帶外部時(shí)延結(jié)構(gòu)的BP網(wǎng)絡(luò)建立對(duì)象的預(yù)測(cè)模型，通過獨(dú)立的時(shí)延模塊存儲(chǔ)過去時(shí)刻的輸入量和輸出量，并傳遞給神經(jīng)網(wǎng)絡(luò)的輸入層［5］。

以單輸入單輸出系統(tǒng)為例，被控對(duì)象在k時(shí)刻的i步預(yù)測(cè)輸出y^(k+i|k)不僅依賴于輸入量，也依賴于(k+i)時(shí)刻之前的預(yù)測(cè)輸出。這些預(yù)測(cè)輸出本身是由輸出量過去的測(cè)量值遞歸得到，因此可以找到一個(gè)輸出量的表達(dá)式，它僅依賴于輸出的測(cè)量值y(k)，y(k－1)，y(k－2)，…，以及(k+i)時(shí)刻之前的輸入值。因此，任意一個(gè)n階系統(tǒng)的m步預(yù)測(cè)模型可以由一個(gè)多層前向網(wǎng)絡(luò)實(shí)現(xiàn)，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型拓?fù)浣Y(jié)構(gòu)Fig.1 The topology of the neural network predictive model

首先假設(shè)控制作用不變，即在未來m個(gè)采樣時(shí)間內(nèi)，u(k+i)=u(k)，i=1，2，…，m，從而得到 k時(shí)刻時(shí)神經(jīng)網(wǎng)絡(luò)的輸入向量，計(jì)算出對(duì)象的預(yù)測(cè)輸出;然后根據(jù)設(shè)定值與預(yù)測(cè)輸出的差，即預(yù)測(cè)偏差，作為主控制器的入口偏差。主控制器采用增量式PID結(jié)構(gòu)，計(jì)算出下一時(shí)刻輸入的變化量Δu(k+1)，送入神經(jīng)網(wǎng)絡(luò)模型的輸入端，進(jìn)行下一輪運(yùn)算，由此實(shí)現(xiàn)預(yù)測(cè)型PID控制。

與模型預(yù)測(cè)控制相同，控制回路應(yīng)引入反饋校正環(huán)節(jié)，以防止模型失配［6］。本文使用兩個(gè)神經(jīng)網(wǎng)絡(luò)同步工作，一個(gè)作為預(yù)測(cè)模型，如圖1所示;另一個(gè)作為校正模型，輸入向量為［u(k－1)，u(k－2)，…，u(k－n－m)，y(k－m －1)，…，y(k－m －n)］，輸出為y^(k)。以被控對(duì)象的輸出y(k)與校正模型輸出y^(k)的差，作為預(yù)測(cè)模型的預(yù)測(cè)偏差。校正模型與預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)完全相同，二者的不同功能由時(shí)延(time delay，TDL)模塊實(shí)現(xiàn)。預(yù)測(cè)型PID控制系統(tǒng)方框圖如圖2所示。

圖2 預(yù)測(cè)型PID控制系統(tǒng)方框圖Fig.2 Block diagram of predictive-PID control system

2 輸運(yùn)床氣化爐預(yù)測(cè)模型的建立

增壓密相輸運(yùn)床氣化爐實(shí)質(zhì)上是一種快速循環(huán)流化床反應(yīng)器，在高溫高壓條件下煤粉顆粒不完全燃燒產(chǎn)生滿足一定參數(shù)條件的煤氣。輸運(yùn)床氣化爐的三個(gè)主要輸入量為空氣量、給煤量、水蒸氣量;三個(gè)被控量為煤氣熱值、煤氣壓力和煤氣溫度。在某一工況(設(shè)為工況A)下，美國北達(dá)科他大學(xué)的試驗(yàn)用輸運(yùn)床氣化爐對(duì)象的近似二階傳遞函數(shù)模型如表1所示［7］。

采用神經(jīng)網(wǎng)絡(luò)對(duì)多輸入各輸出(MIMO)對(duì)象建模時(shí)，可將MIMO系統(tǒng)看作多個(gè)MISO系統(tǒng)分別建模。綜合考慮建模的精度、神經(jīng)網(wǎng)絡(luò)的規(guī)模以及合理的預(yù)測(cè)時(shí)域，神經(jīng)網(wǎng)絡(luò)的采樣時(shí)間取為30 s，壓力及熱值預(yù)測(cè)器取預(yù)測(cè)步長L=3，溫度通道取L=4。

在額定工況點(diǎn)附近加入15%幅值的白噪聲激勵(lì)信號(hào)，取450組數(shù)據(jù)用于BP網(wǎng)絡(luò)的學(xué)習(xí)，得到神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣;然后并聯(lián)神經(jīng)網(wǎng)絡(luò)校正模型與氣化爐模型，在線檢測(cè)神經(jīng)網(wǎng)絡(luò)的泛化性能。

由于BP網(wǎng)絡(luò)易陷入局部最小點(diǎn)，本文在網(wǎng)絡(luò)學(xué)習(xí)過程中引入隱節(jié)點(diǎn)競(jìng)爭算法［4］。算法原理是:計(jì)算出各隱層單元的誤差后進(jìn)行比較，具有最大δ值的神經(jīng)元對(duì)應(yīng)權(quán)矢量進(jìn)行正常修正，其他神經(jīng)元的權(quán)值都向最大單元的反方向修正，即各隱層單元的誤差δj采用如下εj誤差信號(hào)取代:

設(shè)定學(xué)習(xí)目標(biāo)為樣本的平方和誤差小于0.2，獲得滿意的訓(xùn)練效果如圖3所示。

圖3 溫度預(yù)測(cè)模型的學(xué)習(xí)結(jié)果Fig.3 The learning results of temperature predicting model

3 仿真試驗(yàn)

在Simulink平臺(tái)上搭建模型，分別整定傳統(tǒng)控制方案和預(yù)測(cè)型控制方案的PID參數(shù)。閉環(huán)響應(yīng)曲線如圖4所示，控制器參考結(jié)果如表2、表3所示。

圖4 仿真結(jié)果對(duì)比Fig.4 Comparison of the simulation results

表2 分散PID控制方案的控制器參數(shù)Tab.2 Parameters of distributed PID controller

表3 預(yù)測(cè)型PID控制方案的控制器參數(shù)Tab.3 Parameters of predictive PID controller

4 結(jié)束語

本文以IGCC輸運(yùn)床氣化爐為對(duì)象，以外置時(shí)延模塊的BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型，提出了一種基于神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)型 PID控制方案［8－11］。首先通過相對(duì)增益矩陣分析得到輸入量與輸出量的匹配關(guān)系，得到分散PID控制系統(tǒng);然后將氣化爐系統(tǒng)看作三個(gè)MISO系統(tǒng)，分別進(jìn)行辨識(shí)建模，將預(yù)測(cè)模型串聯(lián)至相應(yīng)的 PID控制回路，重新整定 PID參數(shù)?；赟mulink平臺(tái)的仿真表明，預(yù)測(cè)型PID控制響應(yīng)速度快，超調(diào)量小，穩(wěn)定時(shí)間短，具有良好的控制效果。

［1］林汝謀，金紅光，蔡睿賢，等.整體煤氣化聯(lián)合循環(huán)系統(tǒng)研究方向與進(jìn)展［J］.燃?xì)廨啓C(jī)技術(shù)，2002，15(2):15 －22.

［2］倪維斗，李政.煤的超清潔利用-多聯(lián)產(chǎn)系統(tǒng)［J］.節(jié)能與環(huán)保，2001(5):16－21.

［3］呂劍虹，吳科，趙亮，等.氣化爐的預(yù)測(cè)型比例積分微分控制方法:中國，CN101329553［P］.2008－12－24.

［4］魏海坤.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的理論與方法［M］.北京:國防工業(yè)出版社，2005.

［5］康支霞，張憲，馬永光，等.循環(huán)流化床鍋爐床溫控制神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)建模［J］.鍋爐技術(shù)，2006，37(S1):32 －35.

［6］王偉.廣義預(yù)測(cè)控制理論及其應(yīng)用［M］.北京:科學(xué)出版社，1998.

［7］王新，呂劍虹，向文國.一種改進(jìn)的子空間辨識(shí)方法在熱工過程中的應(yīng)用［J］.中國電機(jī)工程學(xué)報(bào)，2010，30(32):96 －102.

［8］李佳.模糊自整定PID控制在過熱氣溫控制系統(tǒng)中的研究與應(yīng)用［D］.哈爾濱:哈爾濱理工大學(xué)，2012.

［9］李曉丹.模糊 PID控制器的設(shè)計(jì)研究［D］.天津:天津大學(xué).2005.

［10］張魏.在線自調(diào)整模糊PID控制器的設(shè)計(jì)［J］.自動(dòng)化儀表，2000，21(3):12 －14.

［11］謝克明，牟昌華，謝剛.采用模糊PID控制的火電廠過熱汽溫串級(jí)控制［C］//第19屆中國控制會(huì)議，2000:800－803.