模糊神經網絡在電廠給水加藥系統中的應用

吳振興，李朋軒

（1.西安建筑科技大學 信息與控制工程學院，陜西 西安 710055；2.防災科技學院 防災儀器系，河北 廊坊 065201）

模糊神經網絡在電廠給水加藥系統中的應用

吳振興，李朋軒

（1.西安建筑科技大學 信息與控制工程學院，陜西 西安 710055；2.防災科技學院 防災儀器系，河北 廊坊 065201）

火電廠的給水加藥系統具有時滯、非線性等特點，并且難以建立數學模型。模糊控制對非線性、時滯、難以建立數學模型等系統有較好的控制效果和魯棒性。神經網絡在自學習、自適應和容錯性方面表現出了良好的效果。將這兩種智能算法融合，使系統在更好利用經驗規則實現較好控制效果的同時能根據環境的變化不斷地學習，提高系統的自適應能力和魯棒性。文章設計了基于T-S模糊神經網絡的加藥控制器，并通過仿真對比檢驗了T-S模糊神經網絡靜態性能和動態性能以及對于非線性和時滯的控制效果。

火電廠；化學水處理；模糊神經網絡控制

1 相關概念介紹

1.1 給水加藥系統簡介

在火力發電廠化學水處理經過預處理和除鹽之后水質較好，但是還是會發生金屬的電化學腐蝕問題。這種腐蝕不僅會損壞給水管道和相關的設備，嚴重時還會損壞鍋爐[1]。給水的自動加藥系統由PH表、控制器、變頻器、加藥泵等組成。PH值的采樣點在給水泵后面。氨的加藥點在除氧器的后面，在給水泵的前面。系統在給水泵后面采樣PH值后根據PH值來決定加藥量，然后通過控制變頻器來控制加藥泵的頻率，從而控制加藥量的多少。通過對加藥控制過程的分析，可以得出加藥控制系統具有時滯、非線性的特點。

1.2 T-S模糊神經網絡介紹

1985年Takagi等[2]提出了T-S模糊邏輯系統，其由前件和后件部分組成。前件部分主要是對輸入量進行模糊化并利用模糊規則對模糊變量進行表達。T-S模糊神經網絡有前件網絡和后件網絡兩個子網絡組成，其中前件網絡包括輸入層、隸屬度層、模糊規則層和前件輸出層4層神經元。后件網絡包括輸入層、隱含層，模糊神經輸出層3層神經元組成[3]。前件網絡主要負責的是對輸入向量進行模糊化和對模糊規則進行推理。后件網絡主要負責將模糊規則進行線性組合并匯總輸出。

1.3 基于T-SFNN的加藥控制系統

基于T-SFNN的加藥控制系統的結構如圖1所示。其中T-S模糊神經網絡的輸入量為PH實際值與期望值的誤差e（k）和誤差的變化量ec（k）[4]。輸出量為控制量的變化量Δu（k）（加藥泵頻率的變化值）。學習和訓練的方式采用的是正向傳播法和反向誤差傳播法，學習和訓練調整的參數為前件隸屬函數的中心值和寬度值cij和σij，還有后件網絡輸入層和隱層之間的權值wij，通過對這些參數的調整來實現模糊規則的實時跟新，使系統能更好地適應環境，從而達到控制要求[5]。

圖1 基于T-S模糊神經網絡加藥控制結構

1.4 加藥控制系統的訓練過程

開始我們定義一個目標函數：

其中，MSE為均方誤差，EI（k）表示的是在k時刻的瞬時平方差，N為樣本數，rink（k）和yout（k）分別為k時刻PH值的期望輸出值和采樣輸出值，e（k）為k時刻系統的誤差值。

在真實的加藥系統控制過程中，每當采樣一次后，T-SFNN就會通過正向傳播和反向誤差傳播的方式進行學習和訓練，通過更新前件網絡隸屬度函數的中心值cij和寬度值σij其更新的推導公式為：

式中cij（k）和cij（k+1）分別為k和k+1時刻的中心值，σij（k）和σij（k+1）分別為k時刻和k+1時刻的寬度值，η為學習率的值。在前件網絡進行學習訓練更新隸屬度函數的中心值和寬度值的同時后件網絡也通過正向傳播和反向誤差傳播的學習和訓練來更新后輸入層和隱藏層之間的連接權值。其更新的推導公式為：

其中，wij（k）和wij（k+1）分別表示k和k+1時刻后，在網絡中輸入層與隱層之間的權值。

2 系統的仿真研究

本文主要采用MATLAB對T-S模糊神經網絡控制器和PID控制器來進行仿真，通過對其靜態性能和動態性能進行仿真測試系統的靜態性能和動態性能。其中PH的設定值為9，學習率選取為0.7，前件網絡隸屬度函數高斯函數的中心值，寬度值以及后件網絡的權值皆隨機進行初始化。

圖2中的是T-S模糊神經網絡階躍響應曲線，是PID階躍響應曲線。由圖2可得普通的PID的響應速度快，但是過度時間較長且有超調和輕微振蕩。而T-S模糊神經網絡雖然響應速度比PID稍慢，但過度時間短，整體的穩定性和魯棒性T-S模糊神經網絡要好于PID。

圖2 PID和T-S模糊神經網絡階躍響應

3 結語

首先文章對加藥過程和自動加藥系統進行了分析，并基于自動加藥系統非線性，時滯的特點對相應的控制算法模糊控制和神經網絡進行了介紹。接著根據模糊控制能利用專家經驗不能自學習和神經網絡自學習能力較強不能利用專家經驗特點，將兩種算法融合進行優勢互補得到模糊神經網絡。最后設計了基于T-S模糊神經網絡的加藥控制系統并對相應的控制算法和PID控制算法在MATLAB上進行了仿真比較，得出基于T-S模糊神經網絡的自動加藥控制系統具有良好的靜態特性和動態性。

[1]CHEN C S.Robust self-organizing neural-fuzzy control with uncertainty observer for mimo nonlinear systems[J].Fuzzy Systems Transactions on Institute of Electrical and Electronic Engineers, 2011（4）：694-706.

[2]WAEWSAK C, NOPHARATANA A, CHAIPRASERT P. Neural-fuzzy control system application for monitoring process response and control of anaerobic hybrid reactor in wastewater treatment and biogas production[J].Journal of Environmental Science, 2010（12）：1883.

[3]侯越.基于改進T-S模糊神經網絡的交通流量預測[J].計算機科學與探索，2014（1）：121-126.

[4]張宇，盧文喜，陳社明，等. 基于T-S模糊神經網絡的地下水水質評價[J].節水灌溉，2012（7）：35-38.

Application of fuzzy neural network in feed water dosing system of power plant

Wu Zhenxing, Li Pengxuan
（1.Information and Control Engineering School of Xi’an University of Architecture and Technology, Xi’an 710055, China; 2.Disaster Prevention Instrument Department of Institute of Disaster Prevention, Langfang 065201, China）

The feed water dosing system in thermal power plant has the characteristics of time delay and nonlinearity, and it is dif fi cult to establish the mathematical model. The fuzzy control has better control effect and robustness for solving these problems of modeling system. Neural networks show good results in self-learning, adaptive and fault tolerance. The two intelligent algorithms are integrated so that the system can better use the empirical rules to achieve better control effect, and can learn constantly according to the change of environment to improve the system robustness and adaptability. This paper designs a dosing controller based on T-S fuzzy neural network, then compares and veri fi es the static performance and dynamic performance of T-S fuzzy neural network, as well as nonlinear and time-delay control effects by simulation.

heat-engine plant; chemical water treatment; fuzzy neural network control

吳振興（1992— ），男，湖北天門。