采用神經網絡:模糊PID的換熱站控制器設計與仿真

徐澎波，王偉杰，黃曉童

(1.中國石油大慶石化公司 工程管理部，黑龍江 大慶163714;2.哈爾濱工業(yè)大學 機電工程學院機電控制及自動化系，黑龍江 哈爾濱150001)

0 引言

近年來，為滿足節(jié)能減排、提高熱用戶供熱質量以及提高供熱公司經濟效益的要求，換熱站的質量并調控制方式得到越來越多國內外學者的關注和重視［1］。質量并調是在換熱站中采用質調、量調兩種調節(jié)方式分別對溫度和流量進行調節(jié)。由于質調通道和量調通道之間存在著較強的耦合作用，因此必須對質調、量調通道進行解耦設計，消除或減小耦合作用。此外，供熱系統(tǒng)的控制模型具有時變的特性，這會顯著降低傳統(tǒng)PID控制的控制品質［2］。因此需要對傳統(tǒng)PID控制器進行相應改進，減小控制模型時變的影響。

傳統(tǒng)解耦方法以現(xiàn)代頻域法為代表，包括逆奈氏陣列法、特征軌跡法、奇異值分解法等［3］。主要適用于線性、定常MIMO系統(tǒng)，由于換熱站具有非線性、時變等特性，傳統(tǒng)解耦方法解耦效果并不理想。此外，國內外也對利用智能算法實現(xiàn)解耦進行了探索，并取得一定成果［4］。然而這些智能解耦方法還存在結構復雜，計算量大，需要建立精確的耦合模型等問題。消除換熱站控制模型時變影響的主要方法有自適應控制、自適應模糊控制、神經網絡自整定PID控制、多模型預測控制等［5－7］。這些控制方法在過程控制中應用較少，可靠性和穩(wěn)定性尚待驗證，在工程中難以實現(xiàn)，從而影響了實際應用效果。

本文提出一種神經網絡:模糊PID控制器。利用神經網絡所具有的學習能力、泛化能力和非線性映射能力，對質調、量調通道實施解耦;利用模糊控制對傳統(tǒng)PID控制中的比例常數(shù)、積分常數(shù)、微分常數(shù)進行適時整定，減小控制模型時變對控制效果的影響。文中給出的神經網絡:模糊PID控制器能夠滿足換熱站質量并調控制方式的需要，同時還具有結構簡單、易實現(xiàn)、實用性強等特點，具有重要的工程實際意義。

1 換熱站質調量調通道建模

在本文中，換熱站質調通道是以一次網供水閥門開度作為控制量，二次網供水溫度作為被控量。量調通道是以二次網循環(huán)水泵變頻器輸出頻率作為控制量，二次網循環(huán)水流量作為被控量。換熱站的質調、量調通道分別可以用二階加滯后環(huán)節(jié)和一階加滯后環(huán)節(jié)來描述［8－9］。

質調通道的模型表達式可寫為

量調通道的模型表達式可寫為

式中K、K1——放大系數(shù);

T1、T2、T——時間常數(shù);

τ1、τ——滯后時間。

在S市電業(yè)小區(qū)換熱站進行現(xiàn)場實驗，分別對質調、量調通道進行正反階躍響應，每30 s記錄一次數(shù)據(jù)，直至二次網供熱參數(shù)達到穩(wěn)定為止，對所得實驗數(shù)據(jù)進行處理得到換熱站質調、量調通道的脈沖響應、階躍響應、斜坡響應。利用現(xiàn)場實驗所得的實驗數(shù)據(jù)，采用換熱站最小二乘建模法［10］對質調、量調模型中的參數(shù)進行辨識。

可得質調通道具體模型為

量調通道模型為

圖1 質調通道階躍響應的比較

圖2 量調通道階躍響應的比較

比較辨識模型與實際質調、量調通道對階躍信號的響應，對所建模型進行評價。從實際系統(tǒng)和辨識模型對階躍信號響應的對比中可知，所建模型對階躍信號的響應與實際系統(tǒng)對階躍信號響應的擬合程度較好，經計算可得所建質調、量調通道模型辨識誤差均小于5%，說明該控制模型具有較高的辨識精度，完全能夠滿足換熱站質量并調控制方式仿真研究的需要。

2 神經網絡:模糊PID控制系統(tǒng)的設計

2.1 神經網絡:模糊PID控制系統(tǒng)結構

換熱站神經網絡:模糊PID控制系統(tǒng)如圖3所示，系統(tǒng)由模糊PID控制器、RBF神經網絡解耦器、被控對象三部分組成。其中，x1、x2分別是設定的溫度、流量;y1、y2分別是實際輸出的溫度和流量。

圖3 神經網絡:模糊PID控制系統(tǒng)結構圖

神經網絡解耦器對質調、量調通道進行解耦，同時保持質調、量調主通道特性，這樣就可將被控系統(tǒng)分為兩個獨立的單回路控制系統(tǒng)。

采用過程控制中廣泛應用的PID控制，對解耦后的質調、量調單回路系統(tǒng)進行控制。同時利用模糊控制器對傳統(tǒng)PID控制參數(shù)kp、ki、kd進行適時整定，消除控制模型時變對控制效果的影響。

2.2 神經網絡解耦器結構及訓練

在本文中，采用RBF神經網絡對質調、量調通道進行解耦，神經網絡解耦器如圖4所示。其中，z1、z1分別是質調、量調通道PID的輸出;y1、y2分別是實際系統(tǒng)輸出的溫度和流量。RBF神經網絡由輸入層、隱含層和輸出層組成，其可以根據(jù)輸入的訓練數(shù)據(jù)自動確定輸入層和輸出層神經元個數(shù)，并根據(jù)訓練數(shù)據(jù)規(guī)模自動優(yōu)化隱含層神經元的個數(shù)，改進了BP神經網絡需要依靠經驗公式和試湊法確定隱含層神經元個數(shù)的缺陷。

圖4 神經網絡解耦器結構

訓練數(shù)據(jù)的獲得通過以下方法:調節(jié)一次網閥門開度、二次網循環(huán)水泵變頻器輸出頻率的值，記錄供熱參數(shù)達到穩(wěn)定時二次網供水溫度和二次網循環(huán)水流量。重復進行多次，可獲得多組實驗數(shù)據(jù)。通過上一部分的建模已得到質調量調主通道模型，所以可以求出對應實際輸出不存在耦合時的理想輸入。以求出的理想輸入作為輸入，以記錄的實際輸入作為輸出，對神經網絡進行訓練。

2.3 模糊PID控制器結構

模糊PID控制器結構如圖5所示，以偏差e和偏差變化率ec作為模糊控制器的輸入，根據(jù)模糊控制規(guī)則對PID參數(shù)kp、ki、kd進行適時調整，以消除系統(tǒng)模型隨時間及外界環(huán)境變化而產生的影響。

圖5 模糊－PID控制結構圖

其中，x1、x2分別是設定的溫度和流量;z1、z1分別是質調、量調通道PID的輸出。

將模糊控制器輸入和輸出的模糊子集均設定為{NB，NM，NS，ZR，PS，PM，PB}，采用隸屬度函數(shù)對模糊控制器的輸入進行模糊化，輸入e和ec分別對應的隸屬度函數(shù)為:

根據(jù)經驗總結和相關文獻，歸納了針對不同的偏差和偏差的變化率，參數(shù)kp、ki、kd的整定原則，將這些知識轉變?yōu)槟：刂破髂茏R別的模糊控制規(guī)則:

3 仿真結果與分析

3.1 解耦效果仿真分析

分別以x1=x2=0.5和x1=0.7 x2=0.3作為輸入進行仿真實驗，分析RBF神經網絡解耦器的解耦效果。

圖6 輸入x1=x2=0.5時輸出y1的對比

圖7 輸入x1=x2=0.5時輸出y2的對比

圖8 輸入x1=0.7 x2=0.3時輸出y1的對比

圖9 輸入x1=0.7 x2=0.3時輸出y2的對比

表1 輸入x1=x2=0.5時解耦效果

由上述對比數(shù)據(jù)可知:未解耦時的穩(wěn)態(tài)誤差較大，說明質調、量調通道之間的耦合顯著降低了系統(tǒng)的控制效果，同時也驗證了對質調、量調通道進行解耦的必要性;RBF神經網絡解耦后，控制系統(tǒng)的穩(wěn)態(tài)誤差與動態(tài)特性與未解耦時相比得到明顯改善，說明RBF神經網絡解耦器具有較好的解耦效果。

3.2 消除時變效果仿真分析

通過二階工程設計法與試湊法，對質調通道PID控制參數(shù)進行人工整定:

當質調模型滯后環(huán)節(jié)τ由0.861 9變?yōu)?.161 9時，對比傳統(tǒng)PID與模糊PID的控制效果:

圖10 Fuzzy－PID和PID的控制效果對比

表2 Fuzzy－PID和PID的控制指標

從上述對比中可以發(fā)現(xiàn)，當質調通道模型滯后參數(shù)發(fā)生改變后，傳統(tǒng)PID控制超調量增大，穩(wěn)定時間加長，這在熱網控制系統(tǒng)中是需要盡量避免的;模糊PID控制可以有效地抑制參數(shù)時變產生的影響，具有較好的穩(wěn)定性和控制效果。

4 結論

本文將神經網絡、模糊控制、常規(guī)PID控制相結合，構成了具有解耦、PID參數(shù)適時自整定功能的換熱站智能控制器。對現(xiàn)場實測數(shù)據(jù)進行模型辨識，擬合出換熱站質調、量調通道的控制模型，并利用所得模型對建立的神經網絡解耦器、模糊PID控制器進行了仿真實驗，仿真結果表明該控制器具有良好的解耦效果，能夠有效減小控制模型時變產生的影響，對實現(xiàn)換熱站質量并調自動控制方式具有指導意義。

［1］陳烈，張永明，齊維貴，等.供熱過程時滯遞推神經網絡解耦器設計［J］.電機與控制學報，2009.11(13):78－81.

［2］范永勝，徐治皋，陳來九.基于動態(tài)特性機理分析的鍋爐過熱汽溫自適應模糊控制系統(tǒng)研究［J］.中國電機工程學報，1997，17(1):23－28.

［3］Dennis D.Sourlas.Optimization based decoupling controller design for discrete systems［J］.Chemical Engineering Science，2001，56:4695－4710.

［4］陳烈，朱學莉，齊維貴.RBF遞歸神經網絡在供熱解耦控制中的應用［J］.暖通空調，2010，40(2):128－132.

［5］Zhang Jian，Sun He－xu，Zhang Jiang－tao.Application of Adaptive Fuzzy Sliding－mode Controller for Heat Exchanger System in District Heating.2008 International Conference on Intelligent Computation Technology and Automation，2008:850－854.

［6］王東風，韓璞，郭啟剛.鍋爐過熱汽溫系統(tǒng)的DRNN網絡自整定PID控制［J］.中國電機工程學報，2004，24(8):196－200.

［7］韓璞，王東風，王國玉，等.多模型預測函數(shù)控制及其應用研究［J］.控制與決策，2003，18(3):375－377.

［8］QI Wei－gui，CHEN Lie，ZHU Xue－li.Study on Least square modeling of heat engineering object based on typical signal response［J］.Journal of Harbin Institute of Technology，2007，14(1):1－4.

［9］曾克娥，謝慶國，付予力，等.供熱網時滯過程中的一種自適應模糊控制器設計［J］.華中理工大學學報，2000，3(3):111－113.

［10］朱學莉，劉成剛，汪幫富，等.熱力站最小二乘建模法仿真研究［J］.系統(tǒng)仿真學報，2009，21(22):7073－7076.