孫宇貞　高　將　彭道剛

(上海電力學(xué)院自動(dòng)化工程學(xué)院1，上?！?00090；上海發(fā)電過(guò)程智能管控工程技術(shù)研究中心2，上海　200090)

?

主汽溫的改進(jìn)型神經(jīng)網(wǎng)絡(luò)辨識(shí)Smith預(yù)估器

孫宇貞1,2高將1彭道剛1,2

(上海電力學(xué)院自動(dòng)化工程學(xué)院1，上海200090；上海發(fā)電過(guò)程智能管控工程技術(shù)研究中心2，上海200090)

摘要：針對(duì)超臨界機(jī)組主汽溫對(duì)象具有的大慣性、大滯后和非線性等特點(diǎn)，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)辨識(shí)的改進(jìn)型Smith預(yù)估方案。采用改進(jìn)的Smith預(yù)估器克服主汽溫對(duì)象的大滯后特性，并通過(guò)神經(jīng)網(wǎng)絡(luò)辨識(shí)來(lái)改善Smith預(yù)估控制器對(duì)模型精度的依賴(lài)，提高其抗干擾能力。通過(guò)對(duì)超臨界機(jī)組主汽溫對(duì)象在不同工況下的仿真，表明該系統(tǒng)對(duì)于對(duì)象特性變化有較好的適應(yīng)能力，在動(dòng)態(tài)品質(zhì)、魯棒性等方面都明顯優(yōu)于常規(guī)Smith控制方案。

關(guān)鍵詞：模糊控制器Smith預(yù)估器超臨界機(jī)組BP神經(jīng)網(wǎng)絡(luò)大滯后主汽溫控制辨識(shí)魯棒性

0引言

超臨界技術(shù)作為成熟、高效、節(jié)能、環(huán)保的潔凈煤發(fā)電技術(shù)，已在我國(guó)得到了廣泛應(yīng)用。由于超臨界機(jī)組的運(yùn)行參數(shù)值與金屬材料極限參數(shù)值間的余地很小，且系統(tǒng)各參數(shù)間耦合嚴(yán)重，因此維持主汽溫的穩(wěn)定，對(duì)超臨界機(jī)組的安全穩(wěn)定運(yùn)行尤為重要[1]。

對(duì)于主汽溫控制對(duì)象存在的大滯后，常規(guī)PID控制不能及時(shí)反映系統(tǒng)中存在的擾動(dòng)問(wèn)題，工業(yè)上廣泛采用Smith預(yù)估器進(jìn)行滯后補(bǔ)償。Smith預(yù)估器從理論上能夠消除滯后因素的影響，但要有精確和穩(wěn)定的數(shù)學(xué)模型；而在機(jī)組工況時(shí)刻變化的條件下，其模型參數(shù)也會(huì)時(shí)刻變化，因此Smith預(yù)估控制在工程應(yīng)用中還存在一定的局限性。針對(duì)這個(gè)問(wèn)題，一些學(xué)者從多個(gè)角度提出了諸如增加低通濾波器[2]、采用改進(jìn)的最小二乘法辨識(shí)[3]、與模糊控制器[4]或神經(jīng)網(wǎng)絡(luò)[5]控制相結(jié)合、利用控制器反饋修正[6]等改進(jìn)方案，以提高Smith預(yù)估控制的性能。

BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射能力和在線學(xué)習(xí)能力，使其能在線逼近任意非線性函數(shù)，實(shí)時(shí)調(diào)整模型參數(shù)，克服Smith預(yù)估控制在模型不匹配時(shí)的局限性[7]?；谏鲜鲅芯砍晒?，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)在線辨識(shí)的改進(jìn)Smith預(yù)估器。

1BP神經(jīng)網(wǎng)絡(luò)辨識(shí)

在控制系統(tǒng)方案中，被控對(duì)象的數(shù)學(xué)模型由下列方程描述[8]：

y(k)=f [y(k-1),...,y(k-n),u(k-d),...,

u(k-d-m)]

(1)

式中：n和m分別為y(t)和u(t)的階次，y(t)和u(t)分別為被控對(duì)象的輸出和輸入；f(·)是一個(gè)逼近的非線性函數(shù)。

神經(jīng)網(wǎng)絡(luò)模型采用單隱層BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)表達(dá)式如下：

(2)

(3)

2改進(jìn)型的Smith預(yù)估器

傳統(tǒng)Smith預(yù)估器是在預(yù)先估計(jì)出系統(tǒng)在擾動(dòng)時(shí)的動(dòng)態(tài)特性的前提下，引入預(yù)估補(bǔ)償環(huán)節(jié)，使閉環(huán)特征方程不含滯后項(xiàng)，并將被延遲了的控制作用超前反映到調(diào)節(jié)器，從而減少超調(diào)量并加速調(diào)節(jié)過(guò)程[9]。其結(jié)構(gòu)如圖1所示。Gm(s)e-τs為被控對(duì)象傳遞函數(shù)，Gc(s)為控制器的傳遞函數(shù)，Gm(s)為Smith預(yù)估器的傳遞函數(shù)。

圖1　傳統(tǒng)Smith預(yù)估器結(jié)構(gòu)框圖Fig.1　Structure of the traditional Smith predictor

用BP神經(jīng)網(wǎng)絡(luò)作為辨識(shí)器來(lái)構(gòu)造Smith預(yù)估器，結(jié)構(gòu)如圖2所示。常規(guī)Smith預(yù)估控制中的預(yù)估器Gm(s)和Gm(s)e-τs分別由神經(jīng)網(wǎng)絡(luò)模塊NN1和NN2代替。

圖2　基于BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)Smith預(yù)估控制示意圖Fig.2　Improved Smith predictive control based on BPneural network

圖2中：NN1和NN2的網(wǎng)絡(luò)結(jié)構(gòu)相似。其中：NN1神經(jīng)網(wǎng)絡(luò)是對(duì)被控對(duì)象非滯后部分輸出的辨識(shí)，NN2是對(duì)被控對(duì)象輸出的辨識(shí)。

辨識(shí)過(guò)程的訓(xùn)練誤差為：

對(duì)于BP神經(jīng)網(wǎng)絡(luò)NN1，采用三層前向神經(jīng)網(wǎng)絡(luò)模型，通過(guò)離線學(xué)習(xí)的方法進(jìn)行訓(xùn)練，根據(jù)u(k)～y(k)的批量隨機(jī)測(cè)量樣本學(xué)習(xí)得到網(wǎng)絡(luò)的初始權(quán)值，同時(shí)采用學(xué)習(xí)率自適應(yīng)調(diào)整的策略得到學(xué)習(xí)率。離線辨識(shí)的輸入為：[y(k+d-1),...,y(k+d-n),u(k-d),...,u(k-d-m)]，使f1(·)充分逼近被控對(duì)象非時(shí)滯部分的輸出。保持神經(jīng)網(wǎng)絡(luò)不變，改變輸入：[y1(k-1),...,y1(k-n),u(k-d),...,u(k-d-m)],從而可得神經(jīng)網(wǎng)絡(luò)NN1的輸出y1(k)=y(k+d)。

學(xué)習(xí)的誤差指標(biāo)為:

(5)

神經(jīng)網(wǎng)絡(luò)NN2與NN1結(jié)構(gòu)及算法類(lèi)似，不同之處在于其辨識(shí)后的輸出y2(k)=y(k)。

反饋回路的輸出為：

ym(k)=y1(k)+y(k)-y2(k)=

y(k+d)+y(k)-y(k)=

y(k+d)

(6)

Smith預(yù)估器在k時(shí)刻的輸出等于系統(tǒng)在(k+d)時(shí)刻的輸出，因此送入控制器的偏差就是不含滯后環(huán)節(jié)影響的偏差，即控制系統(tǒng)的閉環(huán)特征方程中不含滯后環(huán)節(jié)。

3系統(tǒng)仿真及試驗(yàn)結(jié)果

某超臨界600 MW直流鍋爐汽溫系統(tǒng)的動(dòng)態(tài)特性數(shù)據(jù)如表1所示。表1中：D表示蒸汽流量；導(dǎo)前區(qū)和惰性區(qū)分別是作為串級(jí)控制中的副回路和主回路的被控對(duì)象。在仿真中，將二者作為一個(gè)廣義被控主汽溫對(duì)象進(jìn)行研究[10-11]。

表1　某600 MW直流爐主汽溫對(duì)象動(dòng)態(tài)特性Tab.1　Dynamic characteristics of the main steam temperature object in a 600 MW once through boiler

按100%負(fù)荷工況下整定參數(shù)后，當(dāng)被控對(duì)象在該工況下小范圍變化時(shí)，由于控制系統(tǒng)的設(shè)定值為常數(shù)，控制算法具有的魯棒性能夠被動(dòng)地適應(yīng)對(duì)象結(jié)構(gòu)的緩慢變化，因此在工業(yè)環(huán)境中，一般并不需要進(jìn)行連續(xù)辨識(shí)。測(cè)試結(jié)果表明[11]，當(dāng)工況變化幅度增大時(shí)，滯后時(shí)間是隨著機(jī)組負(fù)荷的變化呈反方向變化的，如果采樣周期也作相應(yīng)的調(diào)整，那么模型參數(shù)的變化就主要考慮增益的變化。當(dāng)模型增益發(fā)生±50%變化時(shí)，階躍響應(yīng)曲線如圖3所示。其中圖3(a)為對(duì)象增益增加50%，圖3(b)為對(duì)象增益減小50%。

由圖3可見(jiàn)，當(dāng)模型增益變化時(shí)，基于神經(jīng)網(wǎng)絡(luò)在線辨識(shí)的Smith預(yù)估器能及時(shí)調(diào)整權(quán)值，跟蹤模型輸出，最終使控制系統(tǒng)輸出達(dá)到穩(wěn)定。改進(jìn)后的Smith預(yù)估器穩(wěn)定性更佳。

圖3　模型增益變化階躍響應(yīng)曲線對(duì)比圖Fig.3　Comparison of the step response curve under model gain changes

主汽溫對(duì)象特性的增益、時(shí)間常數(shù)等方面都會(huì)發(fā)生較大變化。針對(duì)超臨界機(jī)組主汽溫對(duì)象，進(jìn)行了給定輸入單位階躍仿真測(cè)試。測(cè)試結(jié)果如圖4所示。由圖4(a)可以看出，由于系統(tǒng)中控制器參數(shù)是按常規(guī)的100%負(fù)荷下整定的，因而改進(jìn)型Smith預(yù)估器與傳統(tǒng)Smith預(yù)估器在100%負(fù)荷下有著相近的響應(yīng)特性，但是改進(jìn)型Smith預(yù)估器較傳統(tǒng)Smith預(yù)估器上升時(shí)間縮短了75 s。而隨著負(fù)荷的降低，對(duì)象的慣性和滯后都增加，且增益也會(huì)放大，傳統(tǒng)Smith預(yù)估器在75%負(fù)荷下動(dòng)態(tài)特性已明顯變差，而改進(jìn)型Smith預(yù)估器還有著較好的響應(yīng)性能，如圖4(b)所示。當(dāng)負(fù)荷降低至50%時(shí)，傳統(tǒng)Smith預(yù)估器的系統(tǒng)穩(wěn)定已經(jīng)接近臨界，而改進(jìn)型Smith預(yù)估器依然有著較好的穩(wěn)定性和快速性，如圖4(c)所示。當(dāng)負(fù)荷隨著工況大范圍變化至37%時(shí)，如圖4(d)所示，傳統(tǒng)Smith預(yù)估器已經(jīng)不穩(wěn)定，而改進(jìn)后的Smith預(yù)估器仍能保持系統(tǒng)穩(wěn)定，并且超調(diào)量小，響應(yīng)時(shí)間也比較快，動(dòng)態(tài)性能能夠滿(mǎn)足系統(tǒng)要求。

圖4　負(fù)荷變化階躍響應(yīng)曲線對(duì)比圖Fig.4　Comparison of the step response curve under load changes

從仿真結(jié)果可以看出，在模型參數(shù)發(fā)生小幅度的變化時(shí)，改進(jìn)的Smith預(yù)估控制和傳統(tǒng)Smith預(yù)估控制均能使系統(tǒng)穩(wěn)定。但是從超調(diào)量和調(diào)節(jié)時(shí)間上來(lái)看，改進(jìn)的Smith預(yù)估控制優(yōu)勢(shì)明顯；在模型參數(shù)隨著工況變化而發(fā)生大幅度改變時(shí)，傳統(tǒng)Smith預(yù)估控制的超調(diào)量逐漸增大，直至系統(tǒng)震蕩，而基于神經(jīng)網(wǎng)絡(luò)的改進(jìn)Smith預(yù)估控制能夠一直保持系統(tǒng)穩(wěn)定的狀態(tài)，超

調(diào)量和調(diào)節(jié)時(shí)間等控制參數(shù)也處于合理區(qū)間。由此可以看出，基于神經(jīng)網(wǎng)絡(luò)的改進(jìn)Smith預(yù)估控制能夠應(yīng)用在超臨界機(jī)組的主汽溫控制中，并且能在變工況的條件下將主汽溫穩(wěn)定在額定值，控制效果比較理想。

4結(jié)束語(yǔ)

針對(duì)超臨界機(jī)組主汽溫對(duì)象存在的大慣性、大滯后的問(wèn)題和Smith預(yù)估控制在模型失配時(shí)出現(xiàn)的補(bǔ)償效果下降的問(wèn)題，本文采用基于BP神經(jīng)網(wǎng)絡(luò)辨識(shí)的改進(jìn)Smith預(yù)估控制方法，對(duì)某超臨界600 MW直流鍋爐主汽溫系統(tǒng)進(jìn)行了多種工況下單位階躍響應(yīng)試驗(yàn)的仿真研究。對(duì)系統(tǒng)的仿真研究結(jié)果表明，將神經(jīng)網(wǎng)絡(luò)的自適應(yīng)和自組織的學(xué)習(xí)能力與Smith預(yù)估控制相結(jié)合，并借鑒改進(jìn)的Smith預(yù)估器，將其應(yīng)用在超臨界機(jī)組的主汽溫控制中，能夠?qū)崟r(shí)跟蹤主汽溫被控對(duì)象參數(shù)的變化。同時(shí)，該控制方法能有效消除擾動(dòng)對(duì)系統(tǒng)造成的影響，最終使主汽溫輸出更快、更好地跟隨給定值。

參考文獻(xiàn)：

[1] 于達(dá)仁， 徐志強(qiáng).超臨界機(jī)組控制技術(shù)及發(fā)展[J].熱能動(dòng)力工程,2001,16(92)115-121.

[2] 杜安靜，朱學(xué)峰.一類(lèi)改進(jìn)的模糊Smith預(yù)估控制系統(tǒng)[J].模糊系統(tǒng)與數(shù)學(xué),2001,15(1): 97-102.

[3] 白雄懷，王文蘭.新型Smith預(yù)估控制算法在主汽溫控制系統(tǒng)中的應(yīng)用研究[J].工礦自動(dòng)化，2010,2010(1): 58-60.

[4] 安連祥，馬華民，劉永剛等.基于改進(jìn)Smith預(yù)估器的二階時(shí)滯系統(tǒng)[J].計(jì)算機(jī)仿真，2011,28(1): 198-232.

[5] 王菲菲，陳瑋.基于RBF神經(jīng)網(wǎng)絡(luò)與Smith預(yù)估補(bǔ)償?shù)闹悄躊ID控制[J].計(jì)算機(jī)工程與應(yīng)用,2012,45(16): 233-235.

[6] 宋仁杰，王云寬，范國(guó)梁.一種改進(jìn)的Smith預(yù)估控制器[J].控制工程,2007,14(S1): 88-90.

[7] 黃越洋，石元博，張茜.基于神經(jīng)網(wǎng)絡(luò)Smith預(yù)估器的預(yù)測(cè)控制[J].計(jì)算機(jī)仿真,2009,26(2): 187-190.

[8] 韓璞.智能控制理論及應(yīng)用[M].北京：中國(guó)電力出版社,2013: 176-185.

[9] 杜鋒，杜文才.基于新型Smith預(yù)估補(bǔ)償?shù)木W(wǎng)絡(luò)控制系統(tǒng)[M].北京：科學(xué)出版社,2012: 21-25.

[10]范永勝，徐志皋，陳來(lái)九.基于動(dòng)態(tài)特性機(jī)理分析的鍋爐過(guò)熱汽溫自適應(yīng)模糊控制系統(tǒng)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，1997,17(4): 23-28.

[11]席裕庚.預(yù)測(cè)控制[M].2版.北京：國(guó)防工業(yè)出版社,2013:193-195.

重大科學(xué)儀器設(shè)備開(kāi)發(fā)專(zhuān)項(xiàng)基金資助項(xiàng)目(編號(hào)：2011YQ15004013)。

中圖分類(lèi)號(hào)：TH39;TP2

文獻(xiàn)標(biāo)志碼：A

DOI:10.16086/j.cnki.issn1000-0380.201607022

Smith Predictor Improved by BP Neural Network Recognition for Main Steam Temperature Control

Abstract：Aiming at the characteristics of large inertia,large time delay and nonlinearity of the controlled object of main steam temperature,an improved scheme of Smith predictor which is based on BP neural network recognition is proposed.The shortcoming of large time delay of main steam temperature object is overcome by improved Smith predictor,the dependency on model precision of Smith predictor is improved by BP neural network recognition,and the ability of anti-disturbance is enhanced at the same time.The result of simulation for the main steam temperature under different operating conditions in supercritical power plant shows that the control system has good ability to adapt to the variation of object characteristics; it is obviously superior to the traditional Smith predictor control scheme in dynamic quality and robustness.

Keywords:Fuzzy controllerSmith predictorSupercritical unitBP neural networkLarge delayMain steam temperature controlRecognitionRobustness

修改稿收到日期：2015-10-20。

第一作者孫宇貞(1975—)，女，1999年畢業(yè)于上海交通大學(xué)熱能工程專(zhuān)業(yè)，獲碩士學(xué)位，副教授；主要從事電廠過(guò)程控制方向的研究。