基于多水質參數融合的鍋爐連排復合控制

王 恭 周曉東 張騰宇 趙鑫巖 王冰礁 曹生現

(1.東北電力大學自動化工程學院，吉林 吉林 132012；2.山西新華化工有限責任公司，太原 030008； 3.華能羅源發電有限責任公司，福州 350026)

隨著火電機組容量的不斷增大，對鍋爐連續排污的控制要求也進一步提高。目前，鍋爐連排普遍采用以爐水電導率為被控量的PID反饋控制系統。隨著電廠控制技術的發展，鍋爐連排控制技術不斷改進，文獻[1，2]指出小容量鍋爐在工業生產的連排過程中，以排污率為標準，根據蒸汽量計算得到連排流量，對其進行有效控制，可取得較好的排污效果。文獻[3]基于鍋爐連排流量由多水質參數共同影響的特點，應用現場實驗數據，建立了爐水電導率和二氧化硅濃度與連排流量的函數關系。綜合比較這些控制策略在爐水連排中的控制效果，筆者根據爐水連排控制的實際情況和過程特點，建立了一種能夠應對連排過程中大遲延、多變量和強時變性的多水質參數連排復合控制系統，并進行了仿真驗證。

1.1 復合控制系統策略的確定

鍋爐連排控制存在多變量及大遲延等特點，而前饋-反饋控制策略在克服遲延和擾動方面具有一定的優勢[4,5]，為確保爐水pH值、電導率、磷酸根離子和二氧化硅4個水質參數指標適應鍋爐運行的要求，設計了鍋爐連排復合控制系統，系統結構如圖1所示。其中被控量為爐水電導率，執行器為連排流量閥，輸出為連排流量的調整值。在該控制系統設計中，前饋控制器采用數據融合算法[6～10]，實現多水質參數與連排流量的關聯，融合結果作為前饋控制量，而在反饋環節中采用了模糊自整定PID控制方式，既具備了模糊控制的魯棒性又兼顧了PID控制高精度的特點[11]，可根據排出爐水電導率實時值對PID的控制參數進行連續調整，以適應參數時變的控制過程。

圖1 鍋爐連排復合控制系統結構框圖

1.2 控制系統參數辨識

考慮到連排流量和爐水電導率之間的關系在電廠生產中難以確定，因此，筆者基于電廠鍋爐排污實際運行情況，設計了控制系統參數模擬實驗平臺，具體結構如圖2所示。實驗系統模擬了恒壓環境下影響爐水含鹽量的補給水、鍋爐連排及蒸發等環節的鍋爐水循環過程，然后根據實驗數據對系統被控對象進行參數辨識。實驗得到的階躍響應曲線如圖3所示，由曲線分析可知該系統具有明顯二階過阻尼特性，且為自平衡系統，參考文獻[12]系統辨識的算法，利用被控對象階躍響應多組實驗數據，辨識對象的傳遞函數，確定的系統傳遞函數如下：

(1)

圖2 模擬鍋爐連排系統結構

1.3 前饋控制器的設計

前饋控制器的設計采用數據融合算法，兩級融合模型采用局部并行總體串行的復合結構，然后通過BP神經網絡融合算法，預測鍋爐連排流量，并以此克服水質參數擾動對系統帶來的影響。

(2)

二級融合。二級融合采用BP神經網絡算法，建立各水質參數與連排流量的關聯，根據各水質參數數據實時、準確地完成鍋爐連排流量的預測。

設xk表示第k次迭代的權值和閾值所組成的向量，新的權值和閾值組成的向量xk+1可根據下式求得：

xk+1=xk+Δx

(3)

對于牛頓法，則有下式：

Δx=-′2E(x)J-1·′E(x)

(4)

式中 ′E(x)——梯度；

′2E(x)——誤差指標函數E(x)的Hessian矩陣。

確定誤差目標函數后，由Jacobian矩陣推導出的L-M表達式如下：

Δx=[JT(x)J(x)+μI]-1J(x)e(x)

(5)

式中I——單位矩陣；

μ——常數，μ>0。

μ作為調整因子用于控制L-M算法的迭代，通過自適應調整該值，L-M算法可以使梯度下降法與高斯牛頓法較好的結合。

二級融合的輸入為一級融合后的數據，輸出為連排流量。BP神經網絡采取單隱含層、四輸入、一輸出的三層網絡結構。將隱含層神經元個數設為7，相鄰層的傳遞函數依次選取“tansig”、“purelin”函數。訓練函數選取“trainlm”。設定的網絡參數為：學習速率0.05，動量因子0.9，訓練目標最小誤差0.001。

為實現連排流量的準確預測，二級融合網絡選用某火電廠600MW亞臨界機組110組樣本數據(表1)，對網絡進行訓練和驗證。

表1 樣本數據

(續表1)

1.4 反饋控制器設計

反饋控制器采用模糊自整定PID控制算法，實現對PID參數KP、KI、KD的在線調整。模糊控制器有兩個輸入，分別為設定的爐水電導率和出水電導率的偏差E和偏差變化率Ec，取其對應的基本論域為[-6,6]和[-5,5]，量化因子為5和2。輸出量為PID控制器的增量ΔKP、ΔKI、ΔKD，取其對應的基本論域為[-0.6,0.6]、[-0.012,0.012]和[-1.2,1.2]，比例因子為0.2、0.04和0.40。為提高系統的靈敏度，模糊子集選取{NB,NM,NS,ZO,PS,PM,PB}。為了便于算法實現，隸屬函數選取隸屬度幅值等于模糊論域步長的三角形隸屬度函數，建立模糊控制規則(表2)，利用重心法求解模糊控制量。

表2 三參數模糊控制規則表

通過上述步驟，計算模糊控制器的3個輸出值ΔKP、ΔKI、ΔKD，利用臨界比例帶法確定的式(1)所示控制對象的初始控制參數為KP=1.2，KI=0.031，KD=11.27。至此模糊自整定PID控制器的參數實時調整如下：

(6)

2 控制系統仿真分析

在一級融合過程中選取某火電廠600MW亞臨界機組爐水中磷酸根離子某一段時間的測量值進行處理，處理結果如圖4所示。由數據曲線可以看出，融合后數據曲線較為平滑，原始數據均方差為0.37，而融合后數據均方差為0.11。由此說明經數據融合算法處理的數據可提高測量數據的準確度。

圖4 一級融合數值與原始數值對比

二級融合處理結果如圖5所示，圖中實際值和預測值能基本吻合，只有少數預測值與實際值有所差別，經計算其平均絕對誤差為3.78%。因此設計的二級融合網絡能夠較為準確地實現連排流量的預測。

圖5 二級融合數值與實際值對比

選取30組測試數據分別采用兩級融合和BP神經網絡進行排污流量預測，計算結果如圖6所示，兩級融合算法平均誤差為2.92%，BP神經網絡平均誤差為5.76%。由此說明設計的兩級數據融合算法在滿足系統實時性的要求下，預測值更為準確。

圖6 兩級融合與BP神經網絡預測值對比

鑒于爐水加藥對連排流量影響較大，特別是爐水加磷對爐水電導率影響最為顯著，為此選取磷酸根濃度作為干擾量。采用了典型的一階慣性模型，比例系數設為1.5，慣性時間常數T設為20，基于Simulink分別對前饋-反饋控制器、傳統PID控制和筆者設計的復合控制進行仿真，仿真曲線如圖7所示。

仿真結果表明：前饋-反饋控制器相比傳統PID控制，超調量由34.0%下降到19.6%，調整時間由傳統PID的237s縮短到185s，且系統振蕩周期明顯縮短；當加入干擾量時，系統的爐水電導率波動較小，且能快速消除擾動帶來的影響。引入模糊自整定PID控制器后，系統超調量控制到10.5%，調整時間相比前饋-反饋控制縮短了27s，外界擾動的影響趨于平穩，表明建立的復合控制模型能更好地適應實際工況，與傳統控制系統對比，具有控制精度高、反應速度快、抗干擾能力強及動態性能穩定等特點。

圖7 復合控制系統仿真對比曲線

3 結束語

針對鍋爐連續排污過程的特點，利用數據融合算法建立了預測排污流量的前饋模型，結合模糊PID控制器作為反饋校正，設計了鍋爐連排復合控制系統，實現了對連排流量的實時調整和爐水電導率的有效控制。控制系統仿真結果表明：該系統具有較好的動、靜態性能，當引入較大的外部擾動時，系統表現出較好的魯棒性。

[1] 徐慶新.完善鍋爐連續排污控制與節能增效[J].工業鍋爐，2007，(2)：48～51．

[2] Li M，Zhang H B，Zhang W，et al．Optimal Energy-saving Control of the Steam Boiler Blowdown[J]．Industrial Instrumentation & Automation,2011,(6):77～79．

[3] 郭鵬.模糊前饋與模糊PID結合的風力發電機組變槳距控制[J]．中國電機工程學報，2010，30(8)：123～128.

[4] 韓廣，喬俊飛，薄迎春.溶解氧濃度的前饋神經網絡建模控制方法[J].控制理論與應用，2013，30(5)：585～591．

[5] 王德明，王莉，張廣明.基于遺傳BP神經網絡的短期風速預測模型[J].浙江大學學報(工學版)，2012，46(5)：837～841，904．

[6] 郭鵬程，羅興锜，王勇勁，等.基于粒子群算法與改進BP神經網絡的水電機組軸心軌跡識別[J].中國電機工程學報，2011，31(8)：93～97．

[7] 邵良衫，付貴祥.基于數據融合理論的煤礦瓦斯動態預測技術[J].煤炭學報，2008，33(5)：551～555.

[8] 王恒，賈民平，陳左亮.基于多傳感器信息融合技術的球磨機料位測控系統[J].電力自動化設備，2012，32(9)：138～141．

[9] 張雪，丁艷軍，鄭康捷，等.基于多信息融合的旋流燃燒器燃燒狀態評價[J].中國電機工程學報，2010，30(2)：23～28．

[10] 顧丹珍，艾芊，陳陳，等.自適應神經網絡在負荷動態建模中的應用[J].中國電機工程學報，2007，27(16)：31～36．

[11] 王華強，石亞娟，王健波.神經網絡模糊PID在水輪機調速系統中的應用[J].合肥工業大學學報(自然科學版)，2012，35(9)：1187～1191．

[12] 宋志安，王文馨.由階躍響應曲線辨識傳遞函數的圖解方法[J].山東科技大學學報(自然科學版)，2003，22(1)：61～63．