基于T—S模糊模型的鍋爐汽包水位模型研究

蔣靜江++李或++尹文佳

摘要 鍋爐汽包水位是一種多變量的非線性耦合系統。對此應用T-S模糊神經網絡模型以鍋爐汽包水位為對象進行數學建模，并且針對廣東粵電集團有限公司珠海發電廠裝機容量700WM的#1機組鍋爐汽包水位實時數據信號進行仿真處理，通過對該模型的參數的預測學習以及與實際輸出的對比，得到符合條件的鍋爐汽包水位的仿真模型。

關鍵詞 汽包水位；T-S模糊模型；神經網絡；仿真

中圖分類號 TK2

文獻標識碼 A

文章編號2095-6363（2015）10-0050-02

面對日常生活中的時變系統，研究對象非常復雜，我們應用理論和實驗對研究對象分析并不容易，這時最直接的解決方式就是建模。在數學領域建模并不能夠具體化，而是借助于一個系統和處于過程中的相關變量之間的某種關系來反映的數學結構。電廠正常運行，最重要的因素就是汽包水位，如果因素不穩定，最嚴重的結果就是導致鍋爐MFT。整個控制，目的在于保證汽水系統的穩定、安全及經濟運行。基于汽包控制系統的非線性、多時變、強耦合的特點，用T-S模糊模型對其進行數學建模來加以分析與優化。

1 模型描述

T-S模糊模型是基于Takagi-Sugeno模糊規則進行系統建模的一種模型辨識方法，簡稱T-S模型。模型的輸入函數是規則后件：

R_i：if x is A_i then y_i=f_i（x）

i=1，2，…，n

（1）

這種語言規則描述的模型展開第f條規則可寫為：

這里， 在模糊系統中是第i條規則前件的模糊集合；P_im（m=1，2，……，k）是系統參數；x=[x₁，x₂，……，x_r]是輸入變量；y_i是輸出變量，輸入模糊，輸出確定。整個模糊推理過程的輸入與輸出的關系呈線性。

對輸入變量x來說，應用模糊規則來計算每個輸入變量的隸屬度：

這里， 是隸屬度函數的中心和寬度；k是輸入參數；n是子集數。把隸屬度進行計算，應用連乘算子：

2 網絡辨識

T-S模糊神經網絡由5層前向網絡組成：分為輸入層、模糊化層、模糊條件層、模糊決策層和輸出層。輸入層與輸入向量x連接。模糊化層采用隸屬度函數（3）對輸入值進行模糊化得到模糊隸屬度值μ。模糊條件層采用模糊連乘公式（4），模糊決策層采用公式（5）計算模糊神經網絡的輸出。

模糊神經網絡的學習算法如下。

1）誤差計算。

這里，y_d是期望輸出；Y_e是實際輸出；e是期望輸出和實際輸出的誤差。

2）系數修正。

這里， 是神經網絡系數；a是學習效率； x_m是輸入參數； 是輸入參數隸屬度連乘積。

3）參數修正。

式中， ，分別為隸屬度函數的中心和寬度。

3 建模與仿真

鍋爐汽水系統的流質是由給水和蒸汽兩部分來構成，中間部分是鍋爐的汽包，如果給水量等于蒸汽量的時候，則汽包水位將不會變化。但鍋爐汽包水位不僅受到這兩部分的影響，還因為汽水混合物導致汽包中蓄水的體積不是實際體積，造成“虛假水位”。

汽包水位H體現不僅僅是汽包中的蓄水體積（包括汽水系統中的管道），也包括了汽水混合物中的汽泡，同時跟鍋爐負荷和蒸汽壓力有著直接關系。影響因素為：給水量；負荷；蒸汽壓力；燃料量。

汽包容積包括汽包內部的水、蒸汽和汽水混合物。燃料量從燃燒到使爐水加熱蒸發的這個過程有較長時間，對汽包水位的影響滯后，忽略不計。將鍋爐汽壓變化和負荷變化這兩者影響水位的變化看成是一項。真正實質上對汽包水位產生影響的因素則是機組給水量和鍋爐蒸汽量的階躍變化。

應用建模，當負荷在700MW工況下，針對珠海發電廠#1機組鍋爐左右兩側水位每隔5s測取數據，左、右側汽包水位取值范圍分別為-20mm～-70mm和-70mm～-120mm，最終的控制范圍為兩側水位和的平均值，變化范圍大概在-50mm～-80mm之間，根據測取的數據應用T-S模糊模型建立系統模型。系統的算法流程如圖2所示、樣本數據實際擬合曲線與T-S模型預測輸出曲線對比如圖1（a）所示、其誤差曲線如圖1（b）所示，可以清晰的看到汽包水位的實際曲線與預測曲線的對比關系。

4 結論

本文應用T-S模糊神經網絡算法針對鍋爐汽包水位這一多變量非線性系統進行建模，通過樣本數據的實測擬合曲線與預測模型輸出曲線對比仿真實驗可見，誤差在零點附近較小范圍內波動，說明在本文中建立的模型，與珠海電廠內實際情況相吻合，真實地反映了珠海發電廠裝機容量700WM的#1機組鍋爐汽包水位情況。對于今后的分析與控制起到了積極作用，對今后的研究和深入探討以及工程方面具有重大意義。