神經網絡預測PID控制在氣化爐中的應用

劉 晴 張正剛 丁維明

(東南大學能源與環境學院1，江蘇 南京 210096;蘇州紫興紙業有限公司2，江蘇 蘇州 215011)

0 引言

整體煤氣化聯合循環(integrated gasification combined cycle，IGCC)是一種高效、清潔的能源利用方式［1］。氣化爐系統是IGCC電站的核心部分，煤、氧氣(或空氣)和水蒸氣在氣化爐中經過一系列復雜的化學反應，轉化成具有一定參數的煤氣。煤氣化過程具有高耦合、大滯后、非線性等特性［2］，對這一過程進行有效控制一直是IGCC電站自動控制技術研究的核心和難點。

在有關氣化爐控制技術的研究中，文獻［3］提出的預測型PID控制方案結合了模型預測控制與PID控制的優點，以模型輸出的預測偏差代替實際偏差，使PID控制器提前動作。該方案適用于具有大滯后特性的氣化爐系統，且便于在現有的軟硬件平臺上實施。但該方案的預測輸出依賴于系統的近似傳遞函數模型，降低了控制的精度，且不利于實際應用。針對這一問題，本文提出了一種基于神經網絡的預測型PID控制。

1 預測模型與控制方案

人工神經網絡(artificial neural network，NN)能夠以任意精度逼近任意實際系統［4］，且預測模型的建立不依賴對象的數學模型，可以直接對機組的運行數據進行采樣和辨識。對于氣化爐等機理建模非常復雜的對象，NN具有更高的實用性。本文欲建立氣化爐對象的“預測模型”，即首先將被控對象看作黑箱，對系統的輸入輸出參數進行采樣，用采樣獲得的數據訓練神經網絡，使網絡能夠根據k時刻之前的信息直接計算出氣化爐在未來m時刻的輸出y^(k+m|k)。

人工神經網絡可以按結構劃分為前向網絡和遞歸網絡。前向網絡可以直接實現熱工系統的靜態建模。遞歸型神經網絡通過內部的反饋結構保留以前時刻的輸入信息，可以直接實現動態建模，但網絡學習時間長，對訓練樣本的要求高。本文采用一種帶外部時延結構的BP網絡建立對象的預測模型，通過獨立的時延模塊存儲過去時刻的輸入量和輸出量，并傳遞給神經網絡的輸入層［5］。

以單輸入單輸出系統為例，被控對象在k時刻的i步預測輸出y^(k+i|k)不僅依賴于輸入量，也依賴于(k+i)時刻之前的預測輸出。這些預測輸出本身是由輸出量過去的測量值遞歸得到，因此可以找到一個輸出量的表達式，它僅依賴于輸出的測量值y(k)，y(k－1)，y(k－2)，…，以及(k+i)時刻之前的輸入值。因此，任意一個n階系統的m步預測模型可以由一個多層前向網絡實現，神經網絡預測模型拓撲結構如圖1所示。

圖1 神經網絡預測模型拓撲結構Fig.1 The topology of the neural network predictive model

首先假設控制作用不變，即在未來m個采樣時間內，u(k+i)=u(k)，i=1，2，…，m，從而得到 k時刻時神經網絡的輸入向量，計算出對象的預測輸出;然后根據設定值與預測輸出的差，即預測偏差，作為主控制器的入口偏差。主控制器采用增量式PID結構，計算出下一時刻輸入的變化量Δu(k+1)，送入神經網絡模型的輸入端，進行下一輪運算，由此實現預測型PID控制。

與模型預測控制相同，控制回路應引入反饋校正環節，以防止模型失配［6］。本文使用兩個神經網絡同步工作，一個作為預測模型，如圖1所示;另一個作為校正模型，輸入向量為［u(k－1)，u(k－2)，…，u(k－n－m)，y(k－m －1)，…，y(k－m －n)］，輸出為y^(k)。以被控對象的輸出y(k)與校正模型輸出y^(k)的差，作為預測模型的預測偏差。校正模型與預測模型的網絡結構完全相同，二者的不同功能由時延(time delay，TDL)模塊實現。預測型PID控制系統方框圖如圖2所示。

圖2 預測型PID控制系統方框圖Fig.2 Block diagram of predictive-PID control system

2 輸運床氣化爐預測模型的建立

增壓密相輸運床氣化爐實質上是一種快速循環流化床反應器，在高溫高壓條件下煤粉顆粒不完全燃燒產生滿足一定參數條件的煤氣。輸運床氣化爐的三個主要輸入量為空氣量、給煤量、水蒸氣量;三個被控量為煤氣熱值、煤氣壓力和煤氣溫度。在某一工況(設為工況A)下，美國北達科他大學的試驗用輸運床氣化爐對象的近似二階傳遞函數模型如表1所示［7］。

采用神經網絡對多輸入各輸出(MIMO)對象建模時，可將MIMO系統看作多個MISO系統分別建模。綜合考慮建模的精度、神經網絡的規模以及合理的預測時域，神經網絡的采樣時間取為30 s，壓力及熱值預測器取預測步長L=3，溫度通道取L=4。

在額定工況點附近加入15%幅值的白噪聲激勵信號，取450組數據用于BP網絡的學習，得到神經網絡的權值矩陣;然后并聯神經網絡校正模型與氣化爐模型，在線檢測神經網絡的泛化性能。

由于BP網絡易陷入局部最小點，本文在網絡學習過程中引入隱節點競爭算法［4］。算法原理是:計算出各隱層單元的誤差后進行比較，具有最大δ值的神經元對應權矢量進行正常修正，其他神經元的權值都向最大單元的反方向修正，即各隱層單元的誤差δj采用如下εj誤差信號取代:

設定學習目標為樣本的平方和誤差小于0.2，獲得滿意的訓練效果如圖3所示。

圖3 溫度預測模型的學習結果Fig.3 The learning results of temperature predicting model

3 仿真試驗

在Simulink平臺上搭建模型，分別整定傳統控制方案和預測型控制方案的PID參數。閉環響應曲線如圖4所示，控制器參考結果如表2、表3所示。

圖4 仿真結果對比Fig.4 Comparison of the simulation results

表2 分散PID控制方案的控制器參數Tab.2 Parameters of distributed PID controller

表3 預測型PID控制方案的控制器參數Tab.3 Parameters of predictive PID controller

4 結束語

本文以IGCC輸運床氣化爐為對象，以外置時延模塊的BP神經網絡作為預測模型，提出了一種基于神經網絡模型的預測型 PID控制方案［8－11］。首先通過相對增益矩陣分析得到輸入量與輸出量的匹配關系，得到分散PID控制系統;然后將氣化爐系統看作三個MISO系統，分別進行辨識建模，將預測模型串聯至相應的 PID控制回路，重新整定 PID參數。基于Smulink平臺的仿真表明，預測型PID控制響應速度快，超調量小，穩定時間短，具有良好的控制效果。

［1］林汝謀，金紅光，蔡睿賢，等.整體煤氣化聯合循環系統研究方向與進展［J］.燃氣輪機技術，2002，15(2):15 －22.

［2］倪維斗，李政.煤的超清潔利用-多聯產系統［J］.節能與環保，2001(5):16－21.

［3］呂劍虹，吳科，趙亮，等.氣化爐的預測型比例積分微分控制方法:中國，CN101329553［P］.2008－12－24.

［4］魏海坤.神經網絡結構設計的理論與方法［M］.北京:國防工業出版社，2005.

［5］康支霞，張憲，馬永光，等.循環流化床鍋爐床溫控制神經網絡動態建模［J］.鍋爐技術，2006，37(S1):32 －35.

［6］王偉.廣義預測控制理論及其應用［M］.北京:科學出版社，1998.

［7］王新，呂劍虹，向文國.一種改進的子空間辨識方法在熱工過程中的應用［J］.中國電機工程學報，2010，30(32):96 －102.

［8］李佳.模糊自整定PID控制在過熱氣溫控制系統中的研究與應用［D］.哈爾濱:哈爾濱理工大學，2012.

［9］李曉丹.模糊 PID控制器的設計研究［D］.天津:天津大學.2005.

［10］張魏.在線自調整模糊PID控制器的設計［J］.自動化儀表，2000，21(3):12 －14.

［11］謝克明，牟昌華，謝剛.采用模糊PID控制的火電廠過熱汽溫串級控制［C］//第19屆中國控制會議，2000:800－803.