基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在電站鍋爐主蒸汽溫度控制系統(tǒng)中的應(yīng)用研究

許 琴，顏海斌，楊建華，張潤盤

(1.中材節(jié)能股份有限公司技術(shù)部 天津 300400;2.浙能中煤舟山煤電有限責(zé)任公司發(fā)電部 浙江 舟山 316100;3.河北省電力勘測設(shè)計研究院 河北 石家莊 050031)

0 引言

在火電廠機組控制方面，鍋爐主蒸汽溫度是一個很重要的被控參數(shù)，能否對主蒸汽溫度進行有效的控制，對機組安全經(jīng)濟運行至關(guān)重要。目前，各類PID控制器因其參數(shù)物理意義明確、易于調(diào)整，在熱工控制系統(tǒng)中占據(jù)著主導(dǎo)地位。但是，常規(guī)PID控制器本身存在的一些缺陷使它在實際應(yīng)用中的控制效果不是很理想。因此，設(shè)計一種能夠適應(yīng)多種工況變化、具有較強魯棒性的鍋爐主汽溫控制系統(tǒng)尤為重要。

遺傳算法與人工神經(jīng)網(wǎng)絡(luò)都是在生物學(xué)原理基礎(chǔ)上的科研成果。將其結(jié)合研究，可以借鑒二者長處尋找求解復(fù)雜問題的有效途徑。將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合，可以使神經(jīng)網(wǎng)絡(luò)系統(tǒng)擴大搜索空間、提高計算效率以及增強神經(jīng)網(wǎng)絡(luò)建模的自動化程度。

1 優(yōu)化方案及算法實現(xiàn)

在實際應(yīng)用中，絕大部分神經(jīng)網(wǎng)絡(luò)模型都是采用BP神經(jīng)網(wǎng)絡(luò)及其變換形式，BP神經(jīng)網(wǎng)絡(luò)是前向網(wǎng)絡(luò)的核心部分，同時BP網(wǎng)絡(luò)也存在著學(xué)習(xí)收斂速度慢、不能保證收斂到全局最小點等缺陷，其權(quán)值通常由梯度法來確定，因此經(jīng)常經(jīng)過多次反復(fù)試驗卻很難找到最優(yōu)的權(quán)值。另外，實際問題的求解空間往往存在多個局部極值點，使得BP算法陷入局部極值點的可能性增大。在實際的應(yīng)用研究中，網(wǎng)絡(luò)結(jié)構(gòu)還沒有一種比較成熟的理論方法，往往采用遞增或遞減的試探方法來確定，其設(shè)計基本上依賴于經(jīng)驗［1－5］。利用遺傳算法全局搜索的特性優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)和網(wǎng)絡(luò)結(jié)構(gòu)，可以較好地克服這些問題和有效地提高神經(jīng)網(wǎng)絡(luò)的性能。

基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的基本思想［6－7］為:改變BP算法依賴梯度信息調(diào)整網(wǎng)絡(luò)權(quán)值，利用遺傳算法全局性搜索的特點，尋找最為合適的網(wǎng)絡(luò)連接權(quán)和網(wǎng)絡(luò)結(jié)構(gòu)。其結(jié)合算法的學(xué)習(xí)過程如圖1所示。

文中采用一種實數(shù)編碼方案，即將網(wǎng)絡(luò)的隱層數(shù)、節(jié)點數(shù)、隱層S型函數(shù)形狀參數(shù)和連接權(quán)值、閾值級聯(lián)成碼串，在滿足某一特定性能指標(biāo)的前提下，尋找全局最優(yōu)解，進而確定網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)和權(quán)值參數(shù)。這樣每一個染色體串就描述了一個神經(jīng)網(wǎng)絡(luò)。為了計算每一個個體的適應(yīng)值，我們將該個體串賦給網(wǎng)絡(luò)參數(shù)(解碼)。該網(wǎng)絡(luò)對訓(xùn)練輸入樣本進行運算，然后根據(jù)輸出樣本返回誤差平方和(適應(yīng)度)。在遺傳算法中，網(wǎng)絡(luò)起到計算函數(shù)的作用，即在遺傳算法全局尋優(yōu)的基礎(chǔ)上進行BP神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)，進而得到網(wǎng)絡(luò)的最優(yōu)解。

圖1 基基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程

2 遺傳算法優(yōu)化具體實現(xiàn)設(shè)定

2.1 編碼方式

采用實數(shù)編碼方案，由于碼串過長會造成計算量太大而影響收斂速度和訓(xùn)練的精度，所以這里設(shè)定網(wǎng)絡(luò)的結(jié)構(gòu)固定。系統(tǒng)中有8個參數(shù)需要優(yōu)化，即:

式中:p1～p6分別代表GA－BPNN的學(xué)習(xí)速率和慣性指數(shù) αp、ηp、αi、ηi、αd、ηd，p7和 p8代表辨識器的和。

2.2 初始群體

在Matlab環(huán)境下，隨機產(chǎn)生網(wǎng)絡(luò)的初始群體popn(N，L)，N為群體規(guī)模，L為碼串長度，一般群體規(guī)模取N=20·150，這里選擇初始種群為50，最大進化代數(shù)為100。在生產(chǎn)中要求8個向量均為0～1之間的隨機小數(shù)。因為在一般的控制過程中kp值相對于其他兩個參數(shù)要稍大些，所以為了加快遺傳算法的尋優(yōu)速度，可以使代表αp和ηp的向量p1和p2值稍大一些。

2.3 目標(biāo)函數(shù)的確定

根據(jù)衡量控制系統(tǒng)指標(biāo)的三個方面，即穩(wěn)定性、準(zhǔn)確性和快速性，選擇了控制量、上升時間和誤差作為遺傳算法尋優(yōu)的約束條件，目標(biāo)函數(shù)為:

式中:e(t)為系統(tǒng)誤差，u(t)為控制器輸出，tu為上升時間，w1、w2、w3為權(quán)值。為了避免超調(diào)，采用了懲罰功能，即一旦產(chǎn)生超調(diào)，將超調(diào)量作為最優(yōu)指標(biāo)的一項，此時最優(yōu)指標(biāo)為:

式中:w4為權(quán)值且w4·w1，y(t)為被控對象輸出。

3 仿真分析

電站鍋爐主汽溫控制系統(tǒng)大多采用串級控制系統(tǒng)，其中內(nèi)回路起粗調(diào)作用。文中采用基于改進遺傳算法的BP神經(jīng)網(wǎng)絡(luò)來建立參數(shù)kp、ki、kd自學(xué)習(xí)的PID控制系統(tǒng)，并采用帶有辨識的神經(jīng)元PID控制器，用以克服對象的遲延和模型的不確定［8］。具體方法是:在BP算法中增加慣性項，并利用改進的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值。設(shè)計系統(tǒng)如圖2所示。

圖2 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)PID控制示意圖

為驗證所設(shè)計的基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)對主蒸汽溫度對象的控制效果，本文采用文獻［9］中600 MW直流鍋爐過熱汽溫在不同負荷下的動態(tài)特性來進行仿真。按照隨動系統(tǒng)整定導(dǎo)前區(qū)對象和P控制器構(gòu)成的副回路系統(tǒng)，將整定好的副回路系統(tǒng)與惰性區(qū)對象共同形成廣義被控對象，經(jīng)擬合后表示成一階時滯對象，動態(tài)特性如表1所示。

表1 某600 MW直流鍋爐過熱汽溫對象動態(tài)特性

600 MW直流鍋爐主汽溫在負荷為50%時，在單位階躍信號作用下，其仿真結(jié)果如圖3所示:

圖3 階躍響應(yīng)曲線(50%負荷)

600 MW直流鍋爐主汽溫在負荷為100%時，在單位階躍信號作用下，其仿真結(jié)果如圖4所示:

圖4 階躍響應(yīng)曲線(100%負荷)

為了進一步說明該方法的有效性，某一時刻在控制器輸出端加上0.1的增值來模擬系統(tǒng)擾動的情況，仿真結(jié)果如圖5和圖6所示:

圖5 加入擾動后的階躍響應(yīng)曲線(50%負荷)

圖6 加入擾動后的階躍響應(yīng)曲線(100%負荷)

根據(jù)圖3至圖6，可以看出對于鍋爐過熱汽溫被控對象來說，基于遺傳算法－BP神經(jīng)網(wǎng)絡(luò)的控制與常規(guī)PID控制相比，在信號跟蹤和快速性上要好，即使是在系統(tǒng)有擾動的情況下，也能較快較平穩(wěn)的趨于穩(wěn)定。常規(guī)PID控制由于參數(shù)不能自動尋優(yōu)，從而使響應(yīng)曲線有較大的延遲、超調(diào)和振蕩，不利于系統(tǒng)的穩(wěn)定性。而在基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)作用下的PID控制有較好的自適應(yīng)性和自學(xué)習(xí)能力，能夠?qū)崿F(xiàn)參數(shù)在線調(diào)整，實現(xiàn)對被控對象實時控制。

4 結(jié)論

文中介紹了應(yīng)用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的具體實現(xiàn)過程，并根據(jù)電站鍋爐主蒸汽溫度被控對象的動態(tài)特性，利用Matlab軟件進行了計算機仿真。通過仿真試驗可知:本文采用遺傳算法根據(jù)辨識系統(tǒng)提供的學(xué)習(xí)信息對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，從而使PID控制參數(shù)有很強的自適應(yīng)和自學(xué)習(xí)能力，即使在被控對象的參數(shù)發(fā)生變化的情況下，仍能保證系統(tǒng)的動態(tài)和靜態(tài)特性。因此，對于電站鍋爐主蒸汽溫度被控對象來說，基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的PID控制要比常規(guī)PID控制效果要好一些。

［1］馬平，朱燕飛，牛征.基于神經(jīng)網(wǎng)絡(luò)的主汽溫控制系統(tǒng)［J］.華北電力大學(xué)學(xué)報，2001，28(2):52－55.

［2］吳建生，金龍 ，農(nóng)吉夫.遺傳算法BP神經(jīng)網(wǎng)絡(luò)的預(yù)報研究和應(yīng)用［J］.數(shù)學(xué)的實踐與認識，2005，35(l):83－88.

［3］高宏賓，焦東升，彭商濂.一種基于遺傳算法的改進BP算法［J］.計算機與現(xiàn)代化，2006，3:6－8.

［4］陳立君，王克奇，王輝.基于BP神經(jīng)網(wǎng)絡(luò)木材治理分類的研究［J］.森林工程，2007，23(1):40 －42.

［5］李曉娟，丁藝，岳小泉，等.基于BP神經(jīng)網(wǎng)絡(luò)的道路交通事故損失預(yù)測［J］.森林工程，2006，22(5):57－59.

［6］Wang Ruili，Wu Jiansheng，Kemp.A Genetic-Algorithm－based Neural Network Approach for Shortterm Traffic Flow Forecasting［C］.Second International Symposium on Neural Network Proseeedings，2005，3498(3):965－970.

［7］欒慶林，盧輝斌.改進遺傳算法在神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化中的應(yīng)用研究［J］.遙測遙控，2008，29(1):51－54.

［8］韓宇光，曹軍，朱良寬.刨花板熱壓控制系統(tǒng)模糊自適應(yīng) PID 控制［J］.森林工程，2011，27(4):30 －33.

［9］劉志遠，呂劍虹，陳來九.智能PID控制器在電廠熱工過程控制中的應(yīng)用前景［J］.中國電機工程學(xué)報，2002，22(8):128－134.