基于PID神經元網絡的單抽汽輪機解耦分析

李明輝， 云衛濤， 張孝杰

(1.陜西科技大學 機電工程學院， 陜西 西安 710021； 2.濮陽市自來水公司， 河南 濮陽 457000)

基于PID神經元網絡的單抽汽輪機解耦分析

李明輝1， 云衛濤1， 張孝杰2

(1.陜西科技大學 機電工程學院， 陜西 西安 710021； 2.濮陽市自來水公司， 河南 濮陽 457000)

汽輪機在工作過程中，機組功率與熱網抽汽壓力存在著強烈的耦合關系，使得系統控制性能大大降低，一般的控制方法難以得到滿意的控制效果.為了解決上述問題.將多變量串級解耦技術應用到控制系統中，提出一種PID神經元網絡與串聯前饋補償相結合的雙變量解耦控制方案，前饋補償實現系統動靜態解耦，設計PID神經元網絡控制器可以使系統很好地適應機組負荷的變化，從而提高系統的控制效果和自適應能力.MATLAB仿真結果表明，該解耦控制方案使負荷之間的擾動大大降級，使得汽輪機控制中的熱電耦合問題得到了有效的解決，具有很好地應用前景.

汽輪機; 前饋補償; 動靜態解耦; PID神經元網絡; 熱電負荷強耦合

Abstract:Steam turbine in the process of work,the unit power and heat supply network and there is a strong coupling relationship extraction steam pressure,greatly reduce system control performance,general control method is difficult to get satisfactory control effect.In order to solve the above problems.The multivariate cascade decoupling technology is applied to the control system,puts forward a kind of PID neural network combined with a series of feedforward compensation of double variable decoupling control scheme,feedforward compensation to realize the dynamic and static decoupling system,design of PID neural network controller can make the system very well adapt to the change of the load,so as to improve the control effect of the system and adaptive ability.The MATLAB simulation results show that the decoupling control scheme between the load disturbance greatly degraded,make the thermoelectric coupling problem in the turbine control has been effectively resolved,has a good application prospect.

Keywords:steam turbine; feedforward compensation; dynamic and static decoupling; PID neural network; thermal load is strong coupling

0 引言

單抽汽輪機除了應用于電廠發電外，在大型紙廠自備電廠中，機組產生的熱負荷均可并入供熱母管或者分汽缸，是熱電聯產的主要形式，熱循環效率高，能量利用率大.為了保證供電的品質和供汽參數的穩定，汽輪機熱、電負荷是汽輪機發電與供熱過程中的主要研究對象，二者之間存在著非常密切的關系[1].

目前最為廣泛的傳統控制仍舊為PID控制，傳統PID以其結構簡單，控制參數大多取決于硬件參數，實現方便占據著主要地位[2].但隨著企業的生產運作，系統遭受擾動時，難以保證良好的控制性能，在汽輪機的耦合性問題上傳統PID控制對象必須用精確的數學模型來描述，然而抽汽式汽輪機系統參數難以保證準確的測量，對于實際生產過程中模型建立比較困難，因此無法實現對單抽汽輪機熱電負荷進行全部解耦.

隨著研究工作的繼續，進一步提出了通過系統整體性的傳遞函數矩陣考慮，使系統的閉環傳遞函數矩陣變為對角形.該方法簡單便于分析，但此方法導致系統狀態變量增加，空間維度增加，同時原系統的傳遞函數制約了解耦實現的可行性[3].也有通過對高中低壓調節閥開度的控制和對解耦系數的調整來實現熱電負荷解耦[4]，該方法只實現了熱電負荷的靜態解耦，并且解耦效果依賴于解耦系數的匹配.因此更多的學者研究傳統解耦.從而為尋找一種合適的控制規律以及算法來解決各回路變量之間的耦合性.為了解決上述問題，本文提出將串聯前饋補償與PID神經元網絡相結合的雙變量解耦控制方案.處理控制系統中存在的強耦合性.而且，PID神經元網絡擁有自學習能力，使控制系統可以適應機組負荷的變化，實時地進行調整、實現最優.

1 單抽汽輪機工作原理及熱電負荷解耦控制策略

1.1 單抽汽輪機工作原理

如哈爾濱汽輪機有限責任公司生產的 N200-CC140-535/535C 單抽汽輪機組，完成發電的同時，肩負著供熱.單抽汽輪機組布置圖如圖1所示.高壓調門至抽汽調門為高壓缸，抽汽調門至凝汽器為低壓缸.主蒸汽經過主汽閥門和高壓調節閥門，進入汽輪機高壓缸，膨脹做工進入抽汽室，一部分蒸汽經抽汽調門進入汽輪機低壓缸，繼續進行膨脹做工直至凝汽器，另一部分由抽汽口引出送至供熱管[5].當需求電負荷增加時，通過調節主汽閥門和高壓調節的開度加快進汽量，使電負荷增加.進汽量增大會引起壓力的升高，熱負荷也隨之升高.當需要的熱負荷增大時，則需要減少抽汽調門開度，使低壓缸進汽減少，而抽氣壓力則會增大.低壓缸進汽量減少，會引起電負荷的降低.一般在于單抽汽汽輪機當中，抽氣工況未投入時，抽汽調節閥門不參與調節為全開狀態，主要由高壓調節閥門閥位來實現對負荷的控制，在投入抽汽工況時，參與調節，由抽汽調節閥門的開關來調節抽汽壓力和流量.

圖1 單抽汽輪機組布置圖

1.2 系統數學模型

為了后續控制器設計，建立較精確的數學模型，經查閱相關文獻[6,7]，推導描述系統運動特性的數學模型為：

①轉子方程：

(1)

②高壓容積：

(2)

③低壓容積：

(3)

④抽汽容積：

(4)

⑤高壓油動機：

(5)

⑥低壓油動機：

(6)

式(6)中：h、de-轉速、抽汽壓力相對變化量;L1-電負荷擾動;L2-熱負荷擾動;T-各環節時間常數(s);d-壓力變化相對值;_-油動機活塞相對行程;e-滑閥位移相對值;CH-高壓缸功率比;CL-低壓缸功率比;QE-抽汽流量比(相對高壓缸);QL-低壓缸流量比(相對高壓缸).

1.3 汽輪機熱、電負荷耦合關系的判定

汽輪機熱、電負荷之間是否存在耦合性，可以將二者之間的關系用圖2表示.用汽輪機轉子轉速以及熱網壓力來表示電負荷和熱負荷.分別用r1、r2表示汽輪機工作時輸入的轉速和熱網壓力設定值；用y1、y2分別表示汽輪機工作輸出時的轉速和熱網壓力.

圖2 熱、電耦合關系示意圖

可知輸入輸出兩者之間存在以下關系

y1=K11r1+K12r2

y2=K21r1+K22r2，其中第一放大系數

(7)

1.4 熱電負荷解耦協調控制策略

針對單抽汽輪機組工作過程中存在熱電負荷問題提出如圖3所示的解耦協調控制策略.采用簡單的前饋補償方式實現解耦，然后與PID神經元網絡相結合作為補償控制器來彌補模型精度的問題.進一步實現完全解耦，其中GC1(s)、GC2(s)表示PID神經元控制器.

圖3 單抽汽輪機熱電負荷解耦 協調控制策略概圖

2 PID神經元網絡控制器設計

2.1 串級前饋補償解耦補償設計

前饋補償如圖3的中間虛線框所示，思路為將熱網壓力對轉速的影響當作擾動值，并按前饋補償的辦法消除擾動影響[8],針對CC140單抽汽式汽輪機根據不變性原理(即前饋控制擾動原理)得到解耦環節的模型為：

ghG21+F21glG22

(8)

2.2 PID神經元網絡控制器設計

對PID神經元網絡進行解耦補償環節設計時，采用的是含有一個隱含層的神經網絡，其中各子網絡的輸出層至隱含層相互獨立，輸入層的神經元分別受需要控制變量的給定值與現場所測的實際值，而隱含層的三個神經元分別為比例、積分以及微分元控制結構形式如圖4所示.

圖4 PIDNN控制結構形式

2.2.1 輸入層的計算

輸入層有兩個神經元，其輸入輸出函數為:

xi(k)=neti(k)

(9)

輸入層神經元輸入值為neti，xi為輸入層神經元的輸出值，k為采樣時刻，i為輸入層神經元序號i=1,2.

2.2.2 隱含層的計算

隱含層有3個神經元，分別為比例、積分、微分神經元.

(10)

2.2.3 輸出層的計算

輸出層有一個神經元，輸出神經元的輸入為隱含層所有神經元輸出值的加權和，計算公式為：

(11)

輸出層的輸出為U(k)=I(k)，式中uj為隱含層各神經元的輸出值；wj為隱含層與輸出層之間的連接權值.

2.2.4 權值修正

對于圖2假定上述對象是可解耦的，利用BP神經網絡學習算法訓練時間短、結構簡單、能以任意精度逼近任意有理函數的特點，可將解耦控制系統所設訓練目標數學表達式定義為：

(12)

并使該式最小，其中m為每批采樣點數，p為控制變量的個數，rp為系統給定值，yp為系統輸出值.PID神經元網絡根據控制量的誤差，對解耦補償環節采用一種較為可靠的梯度下降法來實現權值的調整，即：權值迭代函數表達式為：

(13)

可得由隱含層至輸出層的權值迭代公式為：

(14)

(15)

式(15)中：

3 單抽汽輪機前饋補償PID神經元網絡解耦仿真結果

為了驗證所設計的PID神經元網絡(PIDNN)控制器的實際控制效果，采取MATLAB R2014a的Simulink工具箱，對單抽汽輪機熱電負荷控制系統進行仿真研究.控制器模型如圖5所示.

圖5 雙變量PID神經元網絡控制器仿真模型

在圖5所示參數中，油動機常數為TS=0.2 s，蒸汽容積和各個變量之間具有耦合關系的系數范圍為：0.1～0.3 s[9]，其中PID神經元模塊是由gensim函數生成的已經訓練好的網絡.在此過程中需要用MATLAB語言將編寫好的S函數模塊嵌入到仿真系統中，就可以進行仿真.仿真時首先對網絡進行訓練，訓練到第325步時精度達到設定值，如圖6所示.為了模擬現場的擾動，在仿真時分別為設定：電負荷信號為0時刻、幅值為1的階躍信號，熱負荷為30 s時刻，幅值為1.5的階躍信號，仿真時間設定為60 s，PID的比例、積分、微分參數初始設為2、12、0.5.運行仿真結果如圖7～9所示.

圖6 網絡訓練誤差曲線圖

圖7 未解耦仿真結果曲線

由仿真圖7結果分析可得，系統未解耦狀態下，穩態值偏差極大，參考圖8采用PID控制解耦，當熱網壓力在30 s處出現幅值為1.5的階躍擾動時，電負荷干擾急劇上升超調約55%，曲線震蕩約5 s趨于穩定，耦合影響嚴重.由圖9可知，熱網壓力在30 s處發生幅值為1.5的階躍擾動時，采用串聯前饋補償的PID神經元網絡控制器，電負荷超調約為5%左右，且在1 s內趨于穩定，表明汽輪機PID神經元網絡解耦控制消除了汽輪機熱負荷控制回路與電負荷控制回路之間的耦合.對比圖8和圖9，PID神經元網絡與傳統PID相比較，超調量明顯減少，響應速度變快，控制效果更佳.

4 結論

PID神經元網絡參照PID的控制規律要求構成，結構簡單、規范[10-13].加快了收斂速度，具有不易陷入極小值；與BP神經網絡學習算法結合使控制系統保持初始穩定，使系統的全局穩定得到可能.避免對系統參數盲目的調節，對系統優化運行中參數的整定、修改.起到預測和指導作用[14-16].串聯前饋從根本上實現了動靜態解耦,使得到在不同工況下對系統進行動態調整，以提高系統的控制品質.MATLAB仿真結果表明，本文針對汽輪機提出的熱、電協調控制解耦得到了很好地實現，系統自適應能力大大提高.為單抽汽輪機組的熱電協調控制提供了一種很好地控制策略.

參考文獻

[1] 李 艷,張曉婕,李可可.雙抽汽輪機熱電負荷解耦協調控制研究[J].陜西科技大學學報(自然科學版),2017,35(1):158-165.

[2] 舒懷林.PID 神經元網絡及其控制系統[M].北京: 國防工業出版社，2006.

[3] 王 迅.50MW雙抽機組解耦策略及調試方案[J].中國高新技術企業,2010(22):39-41.

[4] 唐 麗.抽汽式汽輪機熱電牽連解耦控制的研究與應用[J].電站系統工程,2009,25(1):61-63.

[5] 劉 欣,于 彤,袁景淇,等.300MW汽輪機主汽調門組模型的建立與應用[J].控制工程,2012,19(6)：1 183-1 186.

[6] 戴義平,俞茂錚,韓增才.一次調節抽汽式汽輪機調節系統的穩定性分析[J].汽輪機技術,1996,38(1):5-10.

[7] 李 寧,李崇祥,戴義平,等.一次調節抽汽透平數字電液控制系統的設計及特性研究[J].汽輪機技術,1997,39(4):23-28.

[8] 楊林璐,蔣小平,彭朝陽.基于雙變量系統的解耦方法的研究[J].科技視界,2015(36):13-16.

[9] 鐘艷春.3 000 KW工業汽輪機數字式電液控制系統研究[D].哈爾濱：哈爾濱理工大學,2007.

[10] 程啟明,鄭 勇.球磨機多模型PID型神經元網絡控制系統[J].中國電機工程學報,2008,28(2):103-109.

[11] 王 鵬,張 偉,戴日輝,等.基于PID型神經網絡的除氧器壓力和水位解耦控制研究[J].熱能動力工程,2015,30(6):926-931,976.

[12] 鄧 肖,胡慕伊.PID神經網絡在卷紙輥張力控制中的應用[J].中國造紙學報,2014,29(1):44-48.

[13] 朱 林,吳冬雪,柴 玲,等.神經元網絡控制器在熱網中的應用研究[J].自動化儀表,2014,35(12):71-74.

[14] 歐艷華.基于神經網絡的自適應PID控制器設計[J].機械設計與制造,2014(6):263-265.

[15] 朱 林,吳冬雪,柴 玲.神經元網絡控制器在熱網中的應用研究[J].自動化儀表,2014,35(12):71-74.

[16] 郭德彪,陳衛兵,王金燕,等.基于非線性類PID算法的控制器優化過程仿真[J].計算機仿真,2013,30(5):341-344,365.

【責任編輯：陳佳】

SingleextractionsteamturbinebasedonPIDneuralnetworkdecouplinganalysis

LI Ming-hui1， YUN Wei-tao1， ZHANG Xiao-jie2

(1.College of Mechanical and Electrical Engineering, Shaanxi University of Science & Technology, Xi′an 710021, China； 2.Puyang Water Supply Company, Puyang 457000, China)

2017-05-22

陜西省科技廳科學技術研究發展計劃項目(2013K07-28)； 陜西省教育廳專項科研計劃項目(14JK1094)

李明輝(1972-)，男，河南信陽人，教授，博士，研究方向：機電系統控制與設計、高級過程控制

2096-398X(2017)05-0168-05

TP3

A