王天曉

（國家能源集團國源電力有限公司，北京 100033）

對鍋爐主蒸汽溫度進行精確、快速、穩(wěn)定控制是火電廠正常運行的關鍵。然而，傳統(tǒng)火電廠鍋爐主蒸汽溫度控制方法存在一些問題。例如，一些基于規(guī)則的控制器速度雖然較快，但它們通常是固定的，不能適應復雜的工況變化。另外，一些基于模型的控制器雖然能夠實現精確控制，但它們通常需要精確的模型，實際應用中通常難以得到。因此，尋找一種新型的火電廠鍋爐主蒸汽溫度控制方法對提高火電廠的運行效率和安全性具有重要的實際意義。目前，作為一種新型的智能控制方法，模糊神經網絡在許多領域中得到了廣泛應用。模糊神經網絡結合了模糊邏輯和神經網絡的優(yōu)點，既具有模糊邏輯的魯棒性和自適應性，又具有神經網絡的自學習和自適應性。因此，模糊神經網絡在處理具有不確定性和非線性的復雜系統(tǒng)時具有較大優(yōu)勢。為此本文提出基于模糊神經網絡的火電廠鍋爐主蒸汽溫度控制方法，為火電廠鍋爐主蒸汽溫度控制提供借鑒和參考。

1 建立火電廠鍋爐數學模型

火電廠鍋爐主蒸汽的溫度主要受鍋爐擾動因素，如保留尾部煙道的煙氣溫度擾動、鍋爐負荷擾動以及過熱器減溫水側擾動等的影響，可隨工況的變化，利用線性化分布參數建模方法建立火電廠鍋爐主蒸汽溫度參數數學模型，并利用傳遞函數（傳遞函數是一種表示系統(tǒng)輸入和輸出間關系的數學模型）對系統(tǒng)進行線性、時不變的描述。由于傳遞函數可描述系統(tǒng)的動態(tài)響應，因此在控制理論中是一種常見的做法?；痣姀S鍋爐主蒸汽溫度參數數學模型如公式（1）所示。

式中：T表示火電廠鍋爐主蒸汽溫度；Dsp表示火電廠鍋爐減溫水流量；KDT表示火電廠鍋爐負荷；e表示火電廠鍋爐尾部煙道的煙氣溫度；ε表示工質流過整個受熱管的平均時間；α表示動態(tài)參數；Tm表示金屬蓄熱時間常數[1]。

公式（1）中，工質流過整個受熱管的平均時間如公式（2）所示。

式中：V表示火電廠鍋爐環(huán)節(jié)容積；ρ表示鍋爐環(huán)節(jié)內工質的平均密度；D表示火電廠鍋爐主蒸汽流量[2]。

根據鍋爐對流放熱系數確定模型中動態(tài)參數，如公式（3）所示。

式中：β表示鍋爐對流放熱系數；A表示鍋爐環(huán)節(jié)內表面積；C表示鍋爐環(huán)節(jié)內工質的平均定壓比熱[3]。

公式（3）中鍋爐對流放熱系數計算過程如公式（4）所示。

式中：B表示一常數；δ表示鍋爐流體熱導率；η表示鍋爐流體的動力黏度[4]。

根據鍋爐管壁金屬的質量和比熱，計算出鍋爐金屬蓄熱時間常數，其計算過程如公式（5）所示。

式中：M表示鍋爐管壁金屬的質量；S表示鍋爐管壁金屬的比熱[5]。

再根據鍋爐噴水處蒸汽焓和減溫水焓確定火電廠鍋爐負荷，原因是鍋爐的負荷會直接影響鍋爐的運行狀態(tài)，而噴水處蒸汽焓和減溫水焓則是與鍋爐蒸汽質量、溫度相關的物理量。鍋爐噴水處蒸汽焓是指噴入鍋爐的水蒸氣的比內能，而減溫水焓則是指降溫水的比內能。這些參數的變化與鍋爐負荷密切相關，通過計算和監(jiān)測這些物理量的變化，可以確定鍋爐的負荷情況，并對鍋爐運行狀態(tài)進行調節(jié)和控制，其計算過程如公式（6）所示。

式中：I表示鍋爐噴水處蒸汽焓；Isp表示鍋爐減溫水焓；F表示鍋爐環(huán)節(jié)出口工質的定壓比熱。

通過上述對火電廠鍋爐主蒸汽的溫度特性分析，建立火電廠鍋爐溫度參數數學模型。該模型旨在分析鍋爐主蒸汽的溫度特性，以便更好地理解和描述鍋爐主蒸汽溫度的變化規(guī)律，并為后續(xù)的溫度控制和系統(tǒng)優(yōu)化提供理論支持和技術依據。

2 基于模糊神經網絡的溫度誤差補償控制

根據上文建立的鍋爐主蒸汽溫度參數數學模型，利用無線傳感器采集模型中各參量數據信息。參量包括在鍋爐主蒸汽溫度、鍋爐尾部煙道的煙氣溫度、鍋爐減溫水流量、鍋爐負荷、鍋爐噴水處蒸汽焓、過熱器減溫水側擾動、火電廠鍋爐環(huán)節(jié)容積、鍋爐環(huán)節(jié)內工質的平均密度、鍋爐環(huán)節(jié)出口工質的定壓比熱、鍋爐管壁金屬的質量和比熱以及其他影響鍋爐主蒸汽溫度的因素，如環(huán)境溫度、濕度等。上述參數信息可以幫助監(jiān)測和分析鍋爐主蒸汽溫度的變化情況，從而進行溫度誤差的預測和補償控制。采集模型中各參量數據信息后，利用模糊神經網絡對參量信息融合分析，對鍋爐主蒸汽溫度誤差預測并確定溫度誤差補償量，由控制器對溫度補償量執(zhí)行，實現對鍋爐主蒸汽溫度的控制[6]。模糊神經網絡是模糊理論與神經網絡的融合，主要由輸入層、模糊化層、模糊推理層和輸出層4個部分組成，將采集的參量輸入模糊神經網絡的輸入層中，輸入層中各節(jié)點的輸入為鍋爐主蒸汽溫度數學模型中的各參量。引入模糊神經網絡的原因包括6個方面。1）適應性強。模糊神經網絡能夠處理模糊不確定的信息，對某些復雜、不確定的系統(tǒng)具有較強的適應能力。2）非線性映射能力強。模糊神經網絡能夠對非線性問題進行有效建模和處理，適用于各種實際場景中的非線性關系。3）良好的魯棒性。模糊神經網絡對輸入數據的擾動和噪聲有一定程度的魯棒性，能夠保持較好的穩(wěn)定性。4）推理能力強。模糊神經網絡采用模糊推理，可以進行靈活的推理和決策，能夠應對常規(guī)神經網絡難以解決的問題。5）適用于數據不完整的情況。模糊神經網絡在數據不完整或存在缺失的情況下依然能夠進行有效的建模和分析。6）易于與專家知識結合。模糊神經網絡利用模糊集合理論，可以較好地集成專家經驗和知識，從而提高系統(tǒng)的智能化水平。因此模糊神經網絡在處理模糊、不確定和非線性問題方面具有一定的優(yōu)勢，適用于火電廠鍋爐主蒸汽溫度控制。根據上文建立的主蒸汽溫度參數數學模型中變量的數量，并結合模糊神經網絡，確定輸入層節(jié)點數量。輸入層輸入向量如公式（7）所示。

式中：f1表示輸入層節(jié)點1輸入向量；X表示鍋爐主蒸汽溫度控制變量；xn表示第n個控制變量數值。

在模糊神經網絡的控制過程中，如果不同輸入變量的量綱相差較大，可能會影響學習過程，甚至出現梯度爆炸或梯度消失等問題。通過歸一化處理，可以降低這些問題發(fā)生的可能性，提高神經網絡的穩(wěn)定性和魯棒性，幫助模型更好地學習數據的特征，并提高訓練的效率和精度。因此，將控制變量進行歸一化處理還可以使不同量綱的變量具有統(tǒng)一的量綱和數值范圍，這對模型的收斂速度和穩(wěn)定性有利。因此，在輸入層中對所有控制變量進行歸一化，將控制變量數值規(guī)范到區(qū)間0～1，消除變量量綱[7]。將歸一化后的變量輸入模糊化層，在模糊化層預估主蒸汽溫度誤差和誤差變化率，如公式（8）所示。

式中：σ表示鍋爐主蒸汽溫度誤差；Trey表示當前鍋爐主蒸汽溫度；?表示鍋爐主蒸汽溫度誤差變化率[8]。

對以上2個參量進行模糊化處理，如公式（9）所示。

式中：g（σ，?）表示模糊化后的鍋爐主蒸汽溫度控制向量；exp表示高斯函數；cij表示第i個信號與第j個模糊集合隸屬函數的均值；bj表示第j個模糊集合隸屬函數的標準差。將得到的溫度控制向量輸入模糊推理層，根據模糊規(guī)則對溫度控制向量進行模糊運算，其輸出為該層節(jié)點所有輸入的乘積，如公式（10）所示。

式中：f表示模糊推理層輸出向量；N表示隸屬度函數節(jié)點數量。

將其輸入輸出層，在輸出層對模糊運算結果進行加權計算，得到鍋爐溫度誤差補償量，如公式（11）所示。

式中：Z表示鍋爐主蒸汽溫度補償量；w表示模糊神經網絡權值。

將模糊神經網絡分析得到的溫度補償量輸入上文建立的參數模型中，對其進行補償，如公式（12）所示。

通過鍋爐主蒸汽溫度誤差補償，將溫度調整到初始設置值，以此完成基于模糊神經網絡的火電廠鍋爐主蒸汽溫度控制。

3 試驗論證

3.1 試驗準備與設計

某火電廠鍋爐型號為KHJFA-A4F8，鍋爐電壓為380V，阻力損失為1300Pa，脫硫率為98%，鍋爐速度為1.46m/min，處理濃度為10000mg/m3，出口含塵濃度為15.45g/Nm3，處理風量為1500m3/h～40000m3/h。對該鍋爐主蒸汽溫度控制試驗，試驗時間為10:30～17:30。在試驗時間內采集KYFAEFGAS、OFJWAJGWI共2個數據包，通過對數據處理和分析，確定鍋爐主蒸汽溫度誤差，得到溫度補償量，由IHFAS-4G7SA控制器對主蒸汽溫度進行控制，具體控制情況見表1。

表1 火電廠鍋爐主蒸汽溫度控制

3.2 試驗結果與討論

試驗利用KYFAEFGAS數據包對鍋爐主蒸汽溫度控制的階躍響應性能進行檢驗，利用OFJWAJGWI數據包對鍋爐主蒸汽溫度超調量進行檢驗。在工業(yè)控制理論中，階躍響應曲線能夠反短時間內，控制主體輸出在輸入量從零變成1后的狀況，能夠有效、直觀地描述控制方法的動態(tài)性響應與激勵。試驗在火電廠鍋爐運行過程中加入蒸汽流量擾動，使鍋爐主蒸汽溫度波動，根據記錄3種方法控制下10s～60s的火電廠鍋爐主蒸汽溫度變化情況，繪制鍋爐主蒸汽溫度控制階躍響應曲線圖（如圖1所示）。在工業(yè)控制理論中，超調量能夠反映出控制精度。超調量是指控制值與預期值的差值，超調量越大，說明控制精度越低。對該指標設計8組試驗，記錄3種方法超調量（見表2）。本次試驗將本文方法與基于神經網絡的方法、基于模糊PID的方法進行比較，完成上述2個指標的對比試驗。

圖1 火電廠鍋爐主蒸汽溫度控制階躍響應曲線

表2 火電廠鍋爐主蒸汽溫度超調量/℃

從圖1可以看出，3種方法的階躍響應曲線存在差異，在鍋爐蒸汽流量擾動工況下，基于模糊PID的方法在0s～20s溫度波動比較大，到23.14s時鍋爐主蒸汽溫度才穩(wěn)定；基于神經網絡的方法在0s～15s出現鍋爐主蒸汽溫度波動，到第15.68s時鍋爐主蒸汽溫度才穩(wěn)定；基于本文方法的鍋爐主蒸汽溫度在5.62s就恢復到穩(wěn)定狀態(tài)，階躍響應性能最優(yōu)。從表2數據可以看出，本文方法超調量為0.01℃～0.31℃，平均超調量為0.18℃，基于神經網絡的方法超調量平均值為27.15℃，基于模糊PID的方法超調量平均值為18.24℃。從超調量方面來看，本文方法表現最佳。通過上述試驗對比，本文方法能夠實現對火電廠鍋爐主蒸汽溫度的有效控制。

4 結語

本文提出了一種基于模糊神經網絡的火電廠鍋爐主蒸汽溫度控制方法。通過將模糊邏輯和神經網絡的優(yōu)點相結合，該方法能夠實現更精確、更快速、更穩(wěn)定的溫度控制。試驗結果表明，本文提出的基于模糊神經網絡的火電廠鍋爐主蒸汽溫度控制方法的優(yōu)點如下：可提高溫度控制的精度和穩(wěn)定性，降低溫度偏差和波動；縮短溫度達到設定值所需時間，提高控制速度。展望未來，可以進一步探索和研究如下問題：優(yōu)化模糊神經網絡的架構和參數，以進一步提高溫度控制的性能；將模糊神經網絡與其他先進控制方法相結合，以實現更高效、更智能的溫度控制。綜上所述，本文提出的基于模糊神經網絡的火電廠鍋爐主蒸汽溫度控制方法為工業(yè)過程控制領域提供了一種新的有效工具，具有廣泛的應用前景和重要的實際意義。