神經網絡解耦控制策略及在鍋爐燃燒系統(tǒng)中的應用

1、神經網絡解耦控制策略及在鍋爐燃燒系統(tǒng)中的應用 神經網絡解耦控制策略及在鍋爐燃燒系統(tǒng)中的應用胡益民 張國忠 陳宇峰 廣東深圳清華大學研究院(廣東深圳 518057)摘 要 針對循環(huán)流化床鍋爐燃燒被控對象的非線性、時變及多變量強耦合的特點，將基于人工神經網絡的解耦控制策略應用于該系統(tǒng)中。仿真結果證明，該策略能收到良好的控制效果。關鍵詞 神經網絡 解耦 流化床鍋爐 燃燒控制0 引言 循環(huán)流化床鍋爐(Circulating Fluidized Bed Boiler,CFB鍋爐)作為近年來國際上發(fā)展起來的新一代燃燒鍋爐，具有燃燒效率高、燃料適應性廣、負荷調節(jié)性能好、低污染、灰渣可綜合利用等眾多獨特優(yōu)點而

2、受到越來越廣泛的重視，在電力、供熱、工廠蒸汽生產中得到越來越廣泛的應用。 盡管如此，當今大多數CFB鍋爐的熱工自動化水平不高，有的至今仍采用手動操作。尤其是其燃燒過程是一個多參數、非線性、時變及多變量強耦合的復雜系統(tǒng)，很難建立精確的數學模型，從而使得單純用常規(guī)的控制理論解決這一自動控制問題變得非常困難。 CFB鍋爐燃燒控制系統(tǒng)包括主汽壓力控制、床層溫度控制、送風控制及爐膛負壓控制，其中送風控制分為一次風控制和二次風控制。CFB鍋爐的主汽壓力和床層溫度均是通過調節(jié)燃料量和一次送風量來實現控制的，因而主汽壓力和床層溫度是具有緊密關系的強耦合變量，這給燃燒系統(tǒng)實現自動控制帶來較大困難，要使2個變量都

3、得到精確控制幾乎是不可能的。目前國內外常見的方法一般是以主汽壓力控制為主，按最佳風煤比的原則來調節(jié)一次風量，同時控制床層溫度在所要求的范圍內。為保證CFB鍋爐的安全燃燒，其床層溫度有嚴格的限制，一般在900950之間運行,過低不但使鍋爐熱效率下降,而且使鍋爐運行不穩(wěn)定，容易滅火；過高則會使爐內脫硫效率下降，NOX的產生量大大增加，同時容易導致結焦，從而破壞循環(huán)流化床的運行狀態(tài)，造成停爐故障。眾多實踐表明，利用這種控制方案在保證主汽壓力的同時很難將床層溫度控制在最優(yōu)范圍內。 眾所周知，人工神經元網絡具有學習、泛化、容錯和非線性映射等多種能力。因此，它可以彌補常規(guī)方法的局限性，使得非線性、時變性和

4、不確定性多變量系統(tǒng)的解耦控制成為可能。鑒于此，我們力求用人工神經網絡來實現CFB鍋爐的主汽壓力床層溫度的解耦控制。1基于BP算法的神經網絡解耦控制策略 為討論方便，且不失一般性，這里假設有一個22的耦合系統(tǒng)，神經網絡解耦補償環(huán)節(jié)采用具有一個隱含層的雙輸入雙輸出前饋網絡，其基于BP算法的神經網絡解耦控制系統(tǒng)框圖如圖1所示：神經元活化函數取為：式中，為學習率。 為了敘述方便，作如下約定： 以輸出層加權系數的修正為例，有： 從式(7)可以看出，如果能夠求出變量：結合式(3)、(7)、(12)和式(13)可以得出，解耦神經網絡輸出層的加權系數按下式進行修正：2仿真分析 借助Matlab的Simulin

5、k工具箱，對循環(huán)流化床鍋爐燃燒系統(tǒng)進行3層BP神經網絡解耦控制仿真。仿真原理圖如圖2所示。在Matlab命令空間初始化相關參數之后，點擊圖2中的解耦網絡訓練按鈕。功能塊DNN利用返回的各層神經元的連接權系數，即可完成解耦功能。以燃料量為例，解耦前、后的仿真曲線如圖3所示。 從圖3可以看出，基于BP算法的三層神經網絡能很好地實現循環(huán)流化床鍋爐燃燒系統(tǒng)的解耦控制。3結束語循環(huán)流化床鍋爐是近些年來在國際上發(fā)展起來的一項新技術，特別是在國際能源短缺的情況下，對循環(huán)流化床鍋爐的需求量越來越大。但是，由于其復雜的燃燒特性，自動控制問題一直沒有很好地解決，將人工神經網絡應用于循環(huán)流化床鍋爐的控制系統(tǒng)還是一種嘗試，從仿真結果來看，這將是提高循環(huán)流化床鍋爐燃燒自動化水平的有效途徑。參考文獻1陳惠等.循環(huán)流化床鍋爐控制技術進展J.