孫宇貞　高　將　彭道剛

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

?

主汽溫的改進型神經(jīng)網(wǎng)絡(luò)辨識Smith預估器

孫宇貞1,2高將1彭道剛1,2

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

摘要：針對超臨界機組主汽溫對象具有的大慣性、大滯后和非線性等特點，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)辨識的改進型Smith預估方案。采用改進的Smith預估器克服主汽溫對象的大滯后特性，并通過神經(jīng)網(wǎng)絡(luò)辨識來改善Smith預估控制器對模型精度的依賴，提高其抗干擾能力。通過對超臨界機組主汽溫對象在不同工況下的仿真，表明該系統(tǒng)對于對象特性變化有較好的適應(yīng)能力，在動態(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預估器超臨界機組BP神經(jīng)網(wǎng)絡(luò)大滯后主汽溫控制辨識魯棒性

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)，已在我國得到了廣泛應(yīng)用。由于超臨界機組的運行參數(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)間耦合嚴重，因此維持主汽溫的穩(wěn)定，對超臨界機組的安全穩(wěn)定運行尤為重要[1]。

對于主汽溫控制對象存在的大滯后，常規(guī)PID控制不能及時反映系統(tǒng)中存在的擾動問題，工業(yè)上廣泛采用Smith預估器進行滯后補償。Smith預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)學模型；而在機組工況時刻變化的條件下，其模型參數(shù)也會時刻變化，因此Smith預估控制在工程應(yīng)用中還存在一定的局限性。針對這個問題，一些學者從多個角度提出了諸如增加低通濾波器[2]、采用改進的最小二乘法辨識[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]等改進方案，以提高Smith預估控制的性能。

BP神經(jīng)網(wǎng)絡(luò)強大的非線性映射能力和在線學習能力，使其能在線逼近任意非線性函數(shù)，實時調(diào)整模型參數(shù)，克服Smith預估控制在模型不匹配時的局限性[7]。基于上述研究成果，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)在線辨識的改進Smith預估器。

1BP神經(jīng)網(wǎng)絡(luò)辨識

在控制系統(tǒng)方案中，被控對象的數(shù)學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)分別為被控對象的輸出和輸入；f(·)是一個逼近的非線性函數(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)表達式如下：

(2)

(3)

2改進型的Smith預估器

傳統(tǒng)Smith預估器是在預先估計出系統(tǒng)在擾動時的動態(tài)特性的前提下，引入預估補償環(huán)節(jié)，使閉環(huán)特征方程不含滯后項，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)過程[9]。其結(jié)構(gòu)如圖1所示。Gm(s)e-τs為被控對象傳遞函數(shù)，Gc(s)為控制器的傳遞函數(shù)，Gm(s)為Smith預估器的傳遞函數(shù)。

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

用BP神經(jīng)網(wǎng)絡(luò)作為辨識器來構(gòu)造Smith預估器，結(jié)構(gòu)如圖2所示。常規(guī)Smith預估控制中的預估器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Smith預估控制示意圖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)是對被控對象非滯后部分輸出的辨識，NN2是對被控對象輸出的辨識。

辨識過程的訓練誤差為：

對于BP神經(jīng)網(wǎng)絡(luò)NN1，采用三層前向神經(jīng)網(wǎng)絡(luò)模型，通過離線學習的方法進行訓練，根據(jù)u(k)～y(k)的批量隨機測量樣本學習得到網(wǎng)絡(luò)的初始權(quán)值，同時采用學習率自適應(yīng)調(diào)整的策略得到學習率。離線辨識的輸入為：[y(k+d-1),...,y(k+d-n),u(k-d),...,u(k-d-m)]，使f1(·)充分逼近被控對象非時滯部分的輸出。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)。

學習的誤差指標為:

(5)

神經(jīng)網(wǎng)絡(luò)NN2與NN1結(jié)構(gòu)及算法類似，不同之處在于其辨識后的輸出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預估器在k時刻的輸出等于系統(tǒng)在(k+d)時刻的輸出，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)仿真及試驗結(jié)果

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

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

按100%負荷工況下整定參數(shù)后，當被控對象在該工況下小范圍變化時，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地適應(yīng)對象結(jié)構(gòu)的緩慢變化，因此在工業(yè)環(huán)境中，一般并不需要進行連續(xù)辨識。測試結(jié)果表明[11]，當工況變化幅度增大時，滯后時間是隨著機組負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。當模型增益發(fā)生±50%變化時，階躍響應(yīng)曲線如圖3所示。其中圖3(a)為對象增益增加50%，圖3(b)為對象增益減小50%。

由圖3可見，當模型增益變化時，基于神經(jīng)網(wǎng)絡(luò)在線辨識的Smith預估器能及時調(diào)整權(quán)值，跟蹤模型輸出，最終使控制系統(tǒng)輸出達到穩(wěn)定。改進后的Smith預估器穩(wěn)定性更佳。

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

主汽溫對象特性的增益、時間常數(shù)等方面都會發(fā)生較大變化。針對超臨界機組主汽溫對象，進行了給定輸入單位階躍仿真測試。測試結(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%負荷下整定的，因而改進型Smith預估器與傳統(tǒng)Smith預估器在100%負荷下有著相近的響應(yīng)特性，但是改進型Smith預估器較傳統(tǒng)Smith預估器上升時間縮短了75 s。而隨著負荷的降低，對象的慣性和滯后都增加，且增益也會放大，傳統(tǒng)Smith預估器在75%負荷下動態(tài)特性已明顯變差，而改進型Smith預估器還有著較好的響應(yīng)性能，如圖4(b)所示。當負荷降低至50%時，傳統(tǒng)Smith預估器的系統(tǒng)穩(wěn)定已經(jīng)接近臨界，而改進型Smith預估器依然有著較好的穩(wěn)定性和快速性，如圖4(c)所示。當負荷隨著工況大范圍變化至37%時，如圖4(d)所示，傳統(tǒng)Smith預估器已經(jīng)不穩(wěn)定，而改進后的Smith預估器仍能保持系統(tǒng)穩(wěn)定，并且超調(diào)量小，響應(yīng)時間也比較快，動態(tài)性能能夠滿足系統(tǒng)要求。

圖4　負荷變化階躍響應(yīng)曲線對比圖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，改進的Smith預估控制和傳統(tǒng)Smith預估控制均能使系統(tǒng)穩(wěn)定。但是從超調(diào)量和調(diào)節(jié)時間上來看，改進的Smith預估控制優(yōu)勢明顯；在模型參數(shù)隨著工況變化而發(fā)生大幅度改變時，傳統(tǒng)Smith預估控制的超調(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Smith預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Smith預估控制能夠應(yīng)用在超臨界機組的主汽溫控制中，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

針對超臨界機組主汽溫對象存在的大慣性、大滯后的問題和Smith預估控制在模型失配時出現(xiàn)的補償效果下降的問題，本文采用基于BP神經(jīng)網(wǎng)絡(luò)辨識的改進Smith預估控制方法，對某超臨界600 MW直流鍋爐主汽溫系統(tǒng)進行了多種工況下單位階躍響應(yīng)試驗的仿真研究。對系統(tǒng)的仿真研究結(jié)果表明，將神經(jīng)網(wǎng)絡(luò)的自適應(yīng)和自組織的學習能力與Smith預估控制相結(jié)合，并借鑒改進的Smith預估器，將其應(yīng)用在超臨界機組的主汽溫控制中，能夠?qū)崟r跟蹤主汽溫被控對象參數(shù)的變化。同時，該控制方法能有效消除擾動對系統(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：

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

[2] 杜安靜，朱學峰.一類改進的模糊Smith預估控制系統(tǒng)[J].模糊系統(tǒng)與數(shù)學,2001,15(1): 97-102.

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

[4] 安連祥，馬華民，劉永剛等.基于改進Smith預估器的二階時滯系統(tǒng)[J].計算機仿真，2011,28(1): 198-232.

[5] 王菲菲，陳瑋.基于RBF神經(jīng)網(wǎng)絡(luò)與Smith預估補償?shù)闹悄躊ID控制[J].計算機工程與應(yīng)用,2012,45(16): 233-235.

[6] 宋仁杰，王云寬，范國梁.一種改進的Smith預估控制器[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預估器的預測控制[J].計算機仿真,2009,26(2): 187-190.

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

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

[10]范永勝，徐志皋，陳來九.基于動態(tài)特性機理分析的鍋爐過熱汽溫自適應(yīng)模糊控制系統(tǒng)研究[J].中國電機工程學報，1997,17(4): 23-28.

[11]席裕庚.預測控制[M].2版.北京：國防工業(yè)出版社,2013:193-195.

重大科學儀器設(shè)備開發(fā)專項基金資助項目(編號：2011YQ15004013)。

中圖分類號：TH39;TP2

文獻標志碼：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)于上海交通大學熱能工程專業(yè)，獲碩士學位，副教授；主要從事電廠過程控制方向的研究。