基于補償模糊神經網絡的灰循環系統控制研究

高明明，劉吉臻，高明帥，楊世明，吳玉平，張明勝

（1.華北電力大學 控制與計算機工程學院，北京102206；2.四川白馬循環流化床示范電站有限責任公司，內江641000）

循環流化床（CFB）鍋爐是具有發展前景的“潔凈”煤燃燒技術［1-2］，CFB 鍋爐獨特的結構和流體動力特性使其具有許多優點：燃料適應性廣、燃燒效率高、熱負荷強度高、爐膛截面積小.低溫燃燒有利于降低污染氣體排放量以及灰渣綜合利用性能好等優點.為維持經濟燃燒，CFB 鍋爐必須保持一定的床層高度和控制床溫在要求范圍內，床溫對CFB鍋爐的穩定運行具有極其重要的作用.回料量對床層高度和床溫有著重要影響，回料量增加會使爐膛溫度下降，特別是當循環灰溫度較低時爐膛溫度降幅更大.回料灰在CFB 鍋爐中是熱載體，它將燃燒室的熱量帶到爐膛上部，使爐膛內的溫度分布均勻，并與水冷壁進行熱量交換，相應降低了燃燒室的溫度，使脫硫、脫硝控制在最佳反應溫度，所以CFB 鍋爐可以通過改變回料量來控制床溫.同時影響CFB鍋爐床溫的因素還是多方面的，如負荷變化時，風煤未能及時調整，一、二次風配比不當，物料回料量過大或過小等都會使床溫發生變化.對于CFB 鍋爐，固體物料是循環燃燒的，風量、煤量主要由負荷指令決定.因此，由爐膛、分離器和回料裝置組成的灰循環系統內，在其他參數穩定時回料量對床溫有著最直接的影響［3］.

1 循環流化床灰循環系統

CFB鍋爐獨具的特點是物料循環燃燒，由布風裝置、爐膛、氣固分離器和回料器等構成了CFB鍋爐的顆粒循環燃燒回路，稱為灰循環系統［4］，見圖1.

圖1 灰循環系統示意圖Fig.1 Schematic diagram of the ash recycling system

回料閥布置在回料器中，以最常用的流動密封閥為例介紹其功能原理［5］.流動密封閥示意圖見圖2.

圖2 流動密封閥示意圖Fig.2 Schematic diagram of the loop seal

由圖2可見，物料經分離器分離后首先收集在立管中，然后送入支持室并向下移動.與爐膛相連接的是循環室，循環室為一鼓泡流化床，通過回料管與爐膛連接.物料在循環室中以流化狀態向上溢流進入爐膛.在支持室和循環室之間存在一個隘口，通過這個隘口，固體顆粒由支持室進入循環室.回料閥中兩室的底部裝有布風板，回料風由布風板進入兩室，維持著回料裝置的運行和調節［6-7］，可以通過調整回料風量來調節回料量.

2 補償模糊神經網絡模型

補償模糊神經網絡 （Compensatory Fuzzy Neural Network，CFNN）是結合了補償模糊邏輯的神經網絡系統，由面向控制和面向決策的模糊神經元組成.這些模糊神經元執行模糊化運算、模糊推理、補償模糊運算和反模糊化運算.由于補償模糊神經網絡引入了補償模糊神經元，綜合考慮消極、積極兩種模糊神經元，使網絡能夠從初始正確或者錯誤的模糊規則進行訓練，網絡容錯性較高.同時常規的模糊神經網絡中模糊運算往往采用靜態的、局部優化算法，而補償神經網絡中模糊運算采用了動態的、全局優化運算，并且在神經網絡的學習算法中又動態地優化了補償模糊運算，使網絡的適應性更強.網絡不僅能適當調整輸入、輸出模糊隸屬函數，也能借助于補償邏輯算法動態優化相應的模糊推理.

2.1 補償模糊神經網絡結構

補償模糊神經網絡結構見圖3，其結構分為五層：輸入層、模糊化層、模糊推理層、補償運算層和反模糊化層.層與層之間是依據模糊邏輯系統的語言變量、模糊if-then規則、最差-最好運算、模糊推理方法和反模糊函數構建的.

圖3 補償模糊神經網絡結構Fig.3 Structural diagram of the compensatory fuzzy neural network

2.2 補償模糊推理

對于N維輸入xp＝（xp1，…，xpn）和1維輸出yp的補償模糊邏輯系統，其中p＝1，2，…，N，M條ifthen規則表示為：Ifx1isAk1and…andxnisAkn，thenyisBk，其中Aki是輸入論域的模糊子集，Bk是輸出論域的模糊子集，xi和y是語言變量，i＝1，2，…，n，k＝1，2，…，m.輸入和輸出的模糊子集所用的模糊隸屬度函數為高斯隸屬度函數，表示如下：

式中：a與σ為輸入隸屬度函數的中心和寬度；b與δ為輸出隸屬度函數的中心和寬度.

補償模糊神經網絡中的模糊推理采用最大代數積合成運算，由模糊規則所導出的模糊集合為：

模糊蘊涵采用積運算Rp＝A→B，即為：

消極運算為：

積極運算為：

補償運算為：

采用單值模糊化μA（x）＝1、μBk（bk）＝1，可得：

反模糊化采用的是改進型重心反模糊化函數：

2.3 補償模糊神經網絡的學習算法

針對N輸入、單輸出的系統，依據上述補償模糊神經網絡算法，設計如下學習算法，可以最優調整模糊神經網絡系統的輸入、輸出隸屬度函數的中心和寬度.

所定義的目標函數為：

學習算法設計采用梯度下降法，過程如下：

（1）訓練輸出隸屬度函數的中心

（2）訓練輸出隸屬度函數的寬度

（3）訓練輸入隸屬度函數的中心

（4）訓練輸入隸屬度函數的寬度

（5）訓練補償度

可得：

式中：η為學習率，一般取值在0～1之間；t＝0，1….

3 基于補償模糊神經網絡的控制器

3.1 補償模糊神經網絡控制器結構

模糊神經網絡中神經元的作用函數的參數具有明確的物理意義，也就是說模糊神經網絡通過調整神經元的作用函數的參數，可以自動和及時修正模糊邏輯和調整隸屬度函數，控制系統中用模糊神經網絡構造控制器就比較容易理解.

在上述補償模糊神經網絡的基礎上，構造了基于具有補償算法的模糊神經網絡的控制系統.在實際系統中，控制器輸入為誤差e和誤差變化ec，即：

式中：yT和yi分別為被控對象的希望輸出值（即給定值）和實際輸出值.

采用歸一化方法將控制器的輸入轉化到-1～1之間，見圖4.

圖4 補償模糊神經網絡控制結構圖Fig.4 Control diagram of the compensatory fuzzy neural network

3.2 補償模糊神經網絡控制器

CFB鍋爐最重要的是維持床溫穩定，而回料量對床溫有重要影響.在灰循環系統中，回料風量調節著回料量的大小，對灰循環系統的穩定運行有重要的調節和控制作用.實際上回料量無法直接測得［8-9］，因此通過研究回料風對床溫的調節作用可以實現對灰循環系統控制的優化.補償模糊神經網絡能夠從初始正確定義的模糊規則或者初始錯誤定義的模糊規則進行訓練.從理論上講補償模糊神經網絡的初始參數，即初始輸入、輸出隸屬度函數都可以任意設置，經過足夠的時間控制器參數就可以調整到最優.將補償模糊神經網絡控制器應用于CFB鍋爐床溫控制時，其控制系統結構見圖5.

圖5 補償模糊神經網絡回料控制系統結構框圖Fig.5 Block diagram of the control system for return materials based on CFNN

在實際控制應用中，為了盡快實現最優控制可對模糊神經網絡進行離線訓練，即先進行有導師學習.訓練后的模糊神經網絡相當于一個有初始狀態和有自學習能力的靈活的模糊規則表，系統在運行中能夠不斷優化本身的參數，提高控制品質，當被控對象發生變化時也能很好地控制.

3.3 回料控制系統的仿真

確定了輸入、輸出空間模糊分割和隸屬度函數的中心和寬度的初始值后，可以通過Matlab來實現具有補償算法的模糊神經網絡控制器.采用Simulink構造出補償模糊神經網絡的仿真模型.回料風與床溫之間的傳遞函數是高階函數，而由文獻［10］可知，高階系統的動態特性可以近似認為是由一個慣性環節和一個純滯后環節構成的.因此，CFB 鍋爐灰循環系統的回料風與床溫之間的動態特性可以近似為［11］：

選取T＝48s，τ＝5s，將該傳遞函數應用到補償模糊神經網絡的simulink仿真模型中，采用常規控制器為PID 控制器，其控制器參數為：Kp＝0.125，Ki＝0.012 5，Kd＝0.575，補償模糊神經網絡與PID 控制的階躍響應仿真曲線見圖6（a）.

由圖6（a）可以得出：補償模糊神經網絡的超調量為2.1%，上升時間為128s，調節時間（5%）為177s；PID 控制的超調量為7.6%，上升時間為130 s，調節時間（5%）為346s.對于上述控制對象，補償模糊神經網絡控制系統的階躍響應效果比PID 控制系統優越.

在CFB 鍋爐控制中，影響床溫的因素很多，因此系統的特性不是一成不變的，會由于一次風、給煤量等的不同而發生一些變化，這就要求控制系統對時變的參數應具有一定的魯棒性.再選取了三組參數進行比較.

（1）T＝20s，τ＝5s時的情況，見圖6（b）.

由圖6（b）得出：兩種控制方案均無超調量，補償模糊神經網絡的上升時間為131s，調節時間（5%）為184s；PID 控制的上升時間為147s，調節時間（5%）為218s.

（2）T＝60s，τ＝5s時的情況，見圖6（c）.

由圖6（c）得出：補償模糊神經網絡的超調量為14.5%，上升時間為139s，調節時間（5%）為435s；PID 控制的超調量為20%，上升時間為150s，調節時間（5%）為506s.

（3）T＝80s，τ＝5s時的情況，見圖6（d）.

由圖6（d）得出：補償模糊神經網絡的超調量為12.1%，上升時間為155s，調節時間（5%）為503s；PID 控制的超調量為28%，上升時間為184s，調節時間（5%）為920s.

從圖6可知，對補償模糊神經網絡控制器來說，T＝48s的控制效果最佳.

圖6 補償模糊神經網絡與PID控制階躍響應曲線Fig.6 Step response curves of CFNN and PID control system

4 結 論

（1）補償模糊神經網絡模型綜合了消極運算和積極運算，制定了一個相對折中的決策，因此能夠從初始正確定義或者錯誤定義的模糊規則進行訓練.該模糊運算采用了動態的、全局優化運算，使網絡訓練速度快、具有更高的容錯性和穩定性，很適用于循環灰量難以準確測量條件下的回料控制系統.

（2）回料控制系統采用補償模糊神經網絡，選取鍋爐床溫變化及變化率作為輸入量，回料風量作為輸出量.采用實際數據對系統進行訓練，進而對模型進行仿真，并與常規控制進行對比得出：對于CFB鍋爐這種具有非線性、難以建立精確數學模型的控制對象，采用補償模糊神經網絡控制器可以取得比常規控制器更好的控制效果，且系統的魯棒性有所提高，達到了設計目的.

［1］岑可法，倪明江，駱仲泱.循環流化床鍋爐理論設計與運行［M］.北京：中國電力出版社，1997.

［2］蔣敏華，肖平.大型循環流化床鍋爐技術［M］.北京：中國電力出版社，2009.

［3］王擎，駱仲泱，岑可法.循環流化床鍋爐循環回料壓力平衡理論的分析［J］.動力工程，2001，21（2）：1022-1026.WANG Qing，LUO Zhongyang，CEN Kefa.Pressure balance theoretical analysis of circulation loop on CF-BB［J］.Journal of Power Engineering，2001，21（2）：1022-1026.

［4］劉武標，于海峰，張春林，等.循環流化床鍋爐流化密封返料輸送特性研究及運行故障分析［J］.鍋爐技術，2003，34（2）：49-53.LIU Wubiao，YU Haifeng，ZHANG Chunlin，etal.The research on characteristics of CFB fluoseal and analysis of operation failure［J］.Boiler Technology，2003，34（2）：49-53.

［5］朱國楨，徐洋.循環流化床鍋爐設計與計算［M］.北京：清華大學出版社，2004.

［6］劉景源.循環流化床鍋爐回料器的實驗研究［D］.西安：西安交通大學能源與動力工程學院，1988.

［7］王擎，孫健.循環流化床鍋爐Loop Seal型返料裝置的試驗研究［J］.化工機械，1999，26（4）：187-210. WANG Qing，SUN Jian.Study on experiment of CFB boiler loop seal［J］.Chemical Engineering ＆ Machnery，1999，26（4）：187-210.

［8］馬素霞，薛亞麗.循環流化床鍋爐燃燒系統的多變量控制［J］.動力工程，2007，27（4）：528-532. MA Suxia，XUE Yali.Multi-variable control of circulating fluidized boilers combustion systems［J］.Journal of Power Engineering，2007，27（4）：528-532.

［9］趙偉杰，張文震，馮曉露.循環流化床鍋爐床溫的控制特性［J］.動力工程，2007，27（4）：545-610. ZHAO Weijie，ZHANG Wenzhen，FENG Xiaolu.Bed temperature control characteristics of CFB boilers［J］.Journal of Power Engineering，2007，27（4）：545-610.

［10］牛培峰.大型國產循環流化床鍋爐燃燒過程智能控制系統應用研究［J］.中國電機工程學報，2000，20（12）：62-66.NIU Peifeng.An intelligence combustion process control system application and research for circulating fluidized bed boilers of giant domestic manufacture［J］.Proceedings of the CSEE，2000，20（12）：62-66.

［11］陳亮.循環流化床鍋爐建模及其智能控制系統的研究［D］.杭州：浙江大學能源工程系，2006.