蔣靜江

（廣東省能源集團有限公司珠海發(fā)電廠，廣東 珠海519000）

1 引言

在日常生活中，有很多的時變系統(tǒng)，并且需要研究的對象比想象中復雜很多。現(xiàn)場實際因素的影響使得并不容易將應用理論和實驗應用在研究對象上，對此，最常用的方法就是建模。在數(shù)學領域建模并不能夠達到具體化，轉換為借助于一個系統(tǒng)以及處于過程中的相關變量之間的某種關系來反映實現(xiàn)的數(shù)學結構[1-2]。脫硫系統(tǒng)能夠正常運行，其中pH是最重要的控制參數(shù)之一，直接關系到脫硫效率和脫硫效果。針對珠海發(fā)電廠FGD系統(tǒng)的運行情況，其值在5.5～6.0是最佳范圍，整個控制目的在于保證pH穩(wěn)定[3-4]?；诳刂艶GD系統(tǒng)pH值的非線性、多時變、強耦合的特點，用T-S模糊模型對特定值進行數(shù)學建模來進行分析及優(yōu)化[5]。

2 模型概況

面對多維模糊推理中的推理規(guī)則龐大的問題，由Takagi和Sugeno提出了一種新的模糊推理模型，稱為Takagi-Sugeno（T-S）模糊模型。模型的輸入函數(shù)是規(guī)則后件：

這種語言規(guī)則描述的模型展開第i條規(guī)則可寫為：

這里，Air在模糊系統(tǒng)中是第i條規(guī)則前件的模糊集合；Pim（m=1,2，……，k）是系統(tǒng)參數(shù)；x=[x1，x2，……，xr]是輸入變量；yi是輸出變量，輸入模糊，輸出確定，整個模糊推理過程的輸入與輸出的關系呈線性。

對輸入變量x來說，應用模糊規(guī)則來計算每個輸入變量的隸屬度：

通過計算得到輸出值yi。

式中，k是輸入?yún)?shù)；n是子集數(shù)。

3 網(wǎng)絡辨識

圖1 T-S模糊神經網(wǎng)絡結構

由圖1可以看出，T-S模糊神經網(wǎng)絡是由五層從左向右的網(wǎng)絡組成：前為輸入層，中間區(qū)域為輸出層、模糊化層和模糊條件層，后端為輸出層；與輸入層連接的是輸入向量x；模糊隸屬度值μ是模糊化層將隸屬度函數(shù)公式（3）對輸入值進行模糊化得到的。模糊連乘公式（4）用于模糊條件層，而輸出則是通過模糊決策層采用公式（5）計算得出。

學習算法如下：

①誤差的計算

這里，yd是期望輸出；yc是實際輸出；e是期望輸出和實際輸出的誤差。

②系數(shù)的修正

③參數(shù)的修正

4 建模與仿真

負荷、石灰石供漿、石膏漿液脫水和脫硫效率等條件直接影響pH值。本次建模，是機組負荷在700MW、石膏漿液脫水沒有運行的情況下進行，對珠海發(fā)電廠#1機組FGD系統(tǒng)PH值每隔5min測取數(shù)據(jù)，最終的控制范圍為5.5～6.0，根據(jù)72個小時整3天測量的數(shù)據(jù)應用T-S模糊模型建立系統(tǒng)模型[6-7]。系統(tǒng)算法流程如圖2所示，實測數(shù)據(jù)曲線與模型預測曲線對比如圖3所示，可以清晰地看到實測值與預測值的對比關系。

圖2 模糊神經網(wǎng)絡FGD系統(tǒng)PH建模算法流程圖

圖3 實測數(shù)據(jù)曲線與模型預測曲線對比圖

5 結論

本文是建立在T-S模糊神經網(wǎng)絡算法上，針對脫硫吸收塔pH值這一參數(shù)進行數(shù)學建模，采取現(xiàn)場樣本數(shù)據(jù)，進行實測曲線擬合，然后將其與預測模型輸出曲線對比，通過仿真實驗可見，預測曲線在相同負荷等情況下能夠將pH值穩(wěn)定在目標值范圍內，表明本文中建立的數(shù)學模型，能夠與實際情況相吻合，且真實地反映了珠海發(fā)電廠1號機組在負荷700MW時脫硫吸收塔pH值情況，對以后分析研究和控制系統(tǒng)的優(yōu)化有積極方面的作用，為機組達到更優(yōu)工況和提高經濟效益也有很大幫助。