基于動(dòng)態(tài)RBF網(wǎng)絡(luò)的預(yù)測控制在中速磨煤機(jī)優(yōu)化控制的應(yīng)用

張 柯 韋光輝 盧佳樂 王言偉

(1.煙臺(tái)龍?jiān)措娏夹g(shù)股份有限公司，山東 煙臺(tái) 264006；2.煙臺(tái)國冶冶金水冷設(shè)備有限公司，山東 煙臺(tái) 265500)

基于動(dòng)態(tài)RBF網(wǎng)絡(luò)的預(yù)測控制在中速磨煤機(jī)優(yōu)化控制的應(yīng)用

張 柯1韋光輝1盧佳樂1王言偉2

(1.煙臺(tái)龍?jiān)措娏夹g(shù)股份有限公司，山東 煙臺(tái) 264006；2.煙臺(tái)國冶冶金水冷設(shè)備有限公司，山東 煙臺(tái) 265500)

針對大型火電廠直吹式制粉系統(tǒng)的時(shí)滯和非線性特點(diǎn)，將基于動(dòng)態(tài)RBF網(wǎng)絡(luò)模型的預(yù)測控制應(yīng)用于MPS中速磨煤機(jī)的優(yōu)化控制中。通過對M-RAN算法的改進(jìn)，加快了對非線性系統(tǒng)的辨識(shí)速度。建模仿真證明了改進(jìn)M-RAN算法的有效性和實(shí)時(shí)性，并結(jié)合預(yù)測控制解決了系統(tǒng)的時(shí)滯問題；應(yīng)用結(jié)果也表明該方法具有良好的動(dòng)態(tài)響應(yīng)和較強(qiáng)的魯棒性。

預(yù)測控制 中速磨煤機(jī) 改進(jìn)M-RAN算法 動(dòng)態(tài)RBF網(wǎng)絡(luò) 建模

制粉系統(tǒng)是電站煤粉鍋爐的重要組成，直接影響鍋爐機(jī)組的安全、可靠和運(yùn)行經(jīng)濟(jì)性。隨著煤粉鍋爐出力和參數(shù)的不斷提高，燃煤電廠普遍采用直吹式制粉系統(tǒng)配合中速磨煤機(jī)。該磨煤機(jī)是高度關(guān)聯(lián)、大滯后、多輸入多輸出非線性系統(tǒng)，其動(dòng)態(tài)特性隨運(yùn)行工況的變化有較大變化。采用PID調(diào)節(jié)器的傳統(tǒng)控制系統(tǒng)方案只能實(shí)現(xiàn)部分自控功能，無法解決磨煤機(jī)的多變量耦合問題。而將先進(jìn)控制策略應(yīng)用于磨煤機(jī)控制，提高其控制系統(tǒng)的自動(dòng)化水平和性能，是控制環(huán)節(jié)的發(fā)展趨勢。

筆者采用動(dòng)態(tài)RBF神經(jīng)網(wǎng)絡(luò)對某廠MPS中速磨煤機(jī)系統(tǒng)進(jìn)行辨識(shí)，然后將其作為預(yù)測模型，簡化預(yù)測控制算法在該磨煤機(jī)控制上的應(yīng)用，并設(shè)計(jì)其控制調(diào)節(jié)器，最后通過仿真進(jìn)一步證實(shí)算法的優(yōu)越性。

1.1 預(yù)測模型

RBF網(wǎng)絡(luò)是一種單隱層三層前饋神經(jīng)網(wǎng)絡(luò)，而動(dòng)態(tài)RBF網(wǎng)絡(luò)是隱節(jié)點(diǎn)數(shù)目在學(xué)習(xí)過程中不斷改變的網(wǎng)絡(luò)，其主要思想由Platt J C提出，通過采用資源分配網(wǎng)絡(luò)(RAN)用于函數(shù)擬合[1]，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其后，Kadirkamanathan V和Niranjan M采用擴(kuò)展卡爾曼濾波器算法改進(jìn)了RAN網(wǎng)絡(luò)的收斂速度[2]；Lu Y W等引入刪除算法，刪除幾乎不做貢獻(xiàn)的隱節(jié)點(diǎn)，形成了M-RAN(Minimal RAN)算法[3]。

圖1 RAN網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)隱節(jié)點(diǎn)的輸出為：

(1)

網(wǎng)絡(luò)第k個(gè)輸出yi為：

(2)

其中，ci=[c1i,c2i,…,cni]T為第i個(gè)隱節(jié)點(diǎn)的數(shù)據(jù)中心；‖·‖為歐幾里德范數(shù)；b0為偏置項(xiàng)；h為隱節(jié)點(diǎn)的數(shù)目；wi為第i個(gè)隱節(jié)點(diǎn)的輸出與輸出節(jié)點(diǎn)的連結(jié)權(quán)值。

在M-RAN算法中，RAN網(wǎng)絡(luò)剛開始無隱節(jié)點(diǎn)，隨著輸入輸出數(shù)據(jù)的增加，網(wǎng)絡(luò)根據(jù)新穎性條件選擇某些輸入數(shù)據(jù)作為隱節(jié)點(diǎn)，組成網(wǎng)絡(luò)。

筆者在M-RAN算法的基礎(chǔ)上，提出優(yōu)勝者神經(jīng)元策略，即只調(diào)整優(yōu)勝隱節(jié)點(diǎn)的網(wǎng)絡(luò)參數(shù)；在執(zhí)行刪除策略的同時(shí)增加合并操作，即如果兩個(gè)或多個(gè)隱節(jié)點(diǎn)的數(shù)據(jù)中心比較接近，擴(kuò)展常數(shù)值也基本相等，可將這些隱節(jié)點(diǎn)合并。這樣，就能進(jìn)一步減少計(jì)算量，增加非線性對象的辨識(shí)速度。

系統(tǒng)開環(huán)輸出的多步預(yù)測模型表示為：

Y(k-1+j),…,Y(k-1-ny+j)],

j=1,2,…,N

(3)

1.2反饋校正

系統(tǒng)的預(yù)測校正誤差為：

(4)

系統(tǒng)的閉環(huán)預(yù)測輸出為：

(5)

1.3滾動(dòng)優(yōu)化

系統(tǒng)目標(biāo)函數(shù)為：

[ΔU(k+j-1)]2}

(6)

為獲得最優(yōu)控制律，必須使式(6)的目標(biāo)函數(shù)值最小，即?J/?U=0。

(7)

基于上述分析，繪制如圖2所示的控制流程。

圖2 控制流程

2 建模與應(yīng)用

2.1MPS中速磨煤機(jī)的動(dòng)態(tài)RBF建模

直吹式中速磨煤機(jī)系統(tǒng)的輸入輸出關(guān)系為[7]：

(8)

式中B——給煤量；

T——磨煤機(jī)出口風(fēng)粉混合物溫度；

V——磨煤機(jī)入口一次風(fēng)流量；

W(s)——系統(tǒng)的傳遞函數(shù)；

μl——冷風(fēng)調(diào)節(jié)門開度；

μr——熱風(fēng)調(diào)節(jié)門開度。

為了驗(yàn)證動(dòng)態(tài)RBF改進(jìn)算法的有效性，用改進(jìn)的M-RAN網(wǎng)絡(luò)辨識(shí)某電廠MPS中速磨煤機(jī)在負(fù)荷60%～85%運(yùn)行的模型。

圖3 對象實(shí)際輸出與動(dòng)態(tài)RBF網(wǎng)絡(luò)模型輸出比較

可以看出，改進(jìn)的動(dòng)態(tài)RBF網(wǎng)絡(luò)模型具有較好的適應(yīng)性，比較真實(shí)地反映了MPS中速磨煤機(jī)的運(yùn)行狀況，可以作為控制系統(tǒng)的預(yù)測模型。

隱節(jié)點(diǎn)數(shù)目分別為30、40、50、60、70時(shí)，動(dòng)態(tài)RBF網(wǎng)絡(luò)模型的在線辨識(shí)時(shí)間對應(yīng)為140、188、297、469、610ms，每次模型辨識(shí)的時(shí)間都遠(yuǎn)小于5s的采樣周期，故改進(jìn)的M-RAN算法適合熱工對象的在線辨識(shí)。

2.2MPS中速磨煤機(jī)的預(yù)測控制

實(shí)際應(yīng)用中，直吹式制粉系統(tǒng)給煤量要根據(jù)鍋爐負(fù)荷的變化進(jìn)行調(diào)整，為了保證爐內(nèi)高效穩(wěn)定的燃燒，需要相應(yīng)地調(diào)整磨煤機(jī)入口一次風(fēng)流量，同時(shí)保證磨煤機(jī)出口風(fēng)粉混合物溫度盡可能保持不變。

中速磨煤機(jī)的傳統(tǒng)控制方案多采用PID調(diào)節(jié)器與多個(gè)回路組合控制，無法解決多變量耦合問題，實(shí)際運(yùn)行中需要運(yùn)行人員參與調(diào)整。因此，對于中速磨煤機(jī)這種多變量、非線性、大時(shí)滯系統(tǒng)，一般控制算法無法實(shí)現(xiàn)自動(dòng)控制。

筆者利用動(dòng)態(tài)RBF神經(jīng)網(wǎng)絡(luò)解決中速磨煤機(jī)控制系統(tǒng)的多變量和非線性問題，用廣義預(yù)測控制解決時(shí)滯問題，將上述訓(xùn)練好的在線辨識(shí)模型應(yīng)用于磨煤機(jī)系統(tǒng)的多步預(yù)測控制環(huán)節(jié)，多步預(yù)測的預(yù)測時(shí)域N取10，控制增量時(shí)域Nu取1，控制增量加權(quán)系數(shù)λ取0.1，柔化因子α取0.1，純延遲d取6，采樣時(shí)間取5s。給煤量變化10%后，系統(tǒng)響應(yīng)曲線如圖4所示，控制算法的響應(yīng)速度和抗干擾性能比較顯著，完全滿足現(xiàn)場的應(yīng)用需要。

圖4 給煤量變化10%的輸出響應(yīng)曲線

3 結(jié)束語

筆者在M-RAN算法的基礎(chǔ)上，提出優(yōu)勝者神經(jīng)元策略，在不影響動(dòng)態(tài)RBF網(wǎng)絡(luò)模型辨識(shí)精度的前提下，提高了模型的辨識(shí)速度；將該模型用作廣義預(yù)測控制算法的預(yù)測模型，簡化了算法的矩陣計(jì)算，使控制量給出迅速。仿真和實(shí)際應(yīng)用結(jié)果都表明，該方法可以有效克服傳統(tǒng)PID控制帶來的各回路間的相互干擾及解耦困難等問題，并有效解決了直吹式制粉系統(tǒng)中速磨煤機(jī)出口風(fēng)粉溫度控制的大時(shí)滯問題。

[1] Platt J C.A Resource Allocation Network for Function Interpolation[J].Neural Computation,1991,3(2):213～225.

[2] Kadirkamanathan V,Niranjan M.A Function Estimation Approach to Sequential Learning with Neural Networks[J].Neural Computation,1993,5(6):954～975.

[3] Lu Y W,Sunderararajan N,Saratchandran P.A Sequential Learning Scheme for Function Approximation Using Minimal Radial Basis Function Networks[J].Neural Computation,1997,9(3):461～478.

[4] 宮赤坤,閆雪.基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測控制[J].上海理工大學(xué)學(xué)報(bào),2005,27(5):421～424.

[5] Clarke D W.Mohtadic TPS Generalized Predictive Control Part I and Part II[J].Automatica,1987,23(1):137～160.

[6] 劉寶坤,王慧,曹明,等.基于神經(jīng)網(wǎng)絡(luò)模型的直接優(yōu)化預(yù)測控制[J].信息與控制,1998,27(5):386～390.

[7] 張小桃,倪維斗,李政,等.基于現(xiàn)場數(shù)據(jù)的中速磨煤機(jī)動(dòng)態(tài)建模研究[J].熱能動(dòng)力工程,2004,19(6):614～616.

ApplicationofDynamicRBFNeuralNetwork-basedPredictiveControlinOptimizingControloverMediumSpeedMill

ZHANG Ke1,WEI Guang-hui1,LU Jia-le1,WANG Yan-wei2

(1.YantaiLongyuanPowerTechnologyCo.,Ltd.,Yantai264006,China; 2.YantaiGuoyeMetallurgicalWaterCooledEquipmentCo.,Ltd.,Yantai265500,China)

Considering the lag time and nonlinearity of the direct-fired pulverizing system in large coal-fired power plants, the dynamic RBF network model-based predictive control was applied to the optimizing control of the medium speed mill. MATLAB simulation proves both effectiveness and real-time of the improved M-RAN algorithm which can speed up identification of the non-linear system and can solve the dead-time through combing with the predictive control. Application results prove better dynamic response and robustness of this method.

predictive control, medium speed mill, improved M-RAN algorithm, dynamic RBF network, modeling

TH862+.6

B

1000-3932(2016)01-0058-04

2015-11-05(修改稿)