基于補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的灰循環(huán)系統(tǒng)控制研究

高明明，劉吉臻，高明帥，楊世明，吳玉平，張明勝

（1.華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京102206；2.四川白馬循環(huán)流化床示范電站有限責(zé)任公司，內(nèi)江641000）

循環(huán)流化床（CFB）鍋爐是具有發(fā)展前景的“潔凈”煤燃燒技術(shù)［1-2］，CFB 鍋爐獨(dú)特的結(jié)構(gòu)和流體動(dòng)力特性使其具有許多優(yōu)點(diǎn)：燃料適應(yīng)性廣、燃燒效率高、熱負(fù)荷強(qiáng)度高、爐膛截面積小.低溫燃燒有利于降低污染氣體排放量以及灰渣綜合利用性能好等優(yōu)點(diǎn).為維持經(jīng)濟(jì)燃燒，CFB 鍋爐必須保持一定的床層高度和控制床溫在要求范圍內(nèi)，床溫對(duì)CFB鍋爐的穩(wěn)定運(yùn)行具有極其重要的作用.回料量對(duì)床層高度和床溫有著重要影響，回料量增加會(huì)使?fàn)t膛溫度下降，特別是當(dāng)循環(huán)灰溫度較低時(shí)爐膛溫度降幅更大.回料灰在CFB 鍋爐中是熱載體，它將燃燒室的熱量帶到爐膛上部，使?fàn)t膛內(nèi)的溫度分布均勻，并與水冷壁進(jìn)行熱量交換，相應(yīng)降低了燃燒室的溫度，使脫硫、脫硝控制在最佳反應(yīng)溫度，所以CFB 鍋爐可以通過改變回料量來控制床溫.同時(shí)影響CFB鍋爐床溫的因素還是多方面的，如負(fù)荷變化時(shí)，風(fēng)煤未能及時(shí)調(diào)整，一、二次風(fēng)配比不當(dāng)，物料回料量過大或過小等都會(huì)使床溫發(fā)生變化.對(duì)于CFB 鍋爐，固體物料是循環(huán)燃燒的，風(fēng)量、煤量主要由負(fù)荷指令決定.因此，由爐膛、分離器和回料裝置組成的灰循環(huán)系統(tǒng)內(nèi)，在其他參數(shù)穩(wěn)定時(shí)回料量對(duì)床溫有著最直接的影響［3］.

1 循環(huán)流化床灰循環(huán)系統(tǒng)

CFB鍋爐獨(dú)具的特點(diǎn)是物料循環(huán)燃燒，由布風(fēng)裝置、爐膛、氣固分離器和回料器等構(gòu)成了CFB鍋爐的顆粒循環(huán)燃燒回路，稱為灰循環(huán)系統(tǒng)［4］，見圖1.

圖1 灰循環(huán)系統(tǒng)示意圖Fig.1 Schematic diagram of the ash recycling system

回料閥布置在回料器中，以最常用的流動(dòng)密封閥為例介紹其功能原理［5］.流動(dòng)密封閥示意圖見圖2.

圖2 流動(dòng)密封閥示意圖Fig.2 Schematic diagram of the loop seal

由圖2可見，物料經(jīng)分離器分離后首先收集在立管中，然后送入支持室并向下移動(dòng).與爐膛相連接的是循環(huán)室，循環(huán)室為一鼓泡流化床，通過回料管與爐膛連接.物料在循環(huán)室中以流化狀態(tài)向上溢流進(jìn)入爐膛.在支持室和循環(huán)室之間存在一個(gè)隘口，通過這個(gè)隘口，固體顆粒由支持室進(jìn)入循環(huán)室.回料閥中兩室的底部裝有布風(fēng)板，回料風(fēng)由布風(fēng)板進(jìn)入兩室，維持著回料裝置的運(yùn)行和調(diào)節(jié)［6-7］，可以通過調(diào)整回料風(fēng)量來調(diào)節(jié)回料量.

2 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)模型

補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò) （Compensatory Fuzzy Neural Network，CFNN）是結(jié)合了補(bǔ)償模糊邏輯的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，由面向控制和面向決策的模糊神經(jīng)元組成.這些模糊神經(jīng)元執(zhí)行模糊化運(yùn)算、模糊推理、補(bǔ)償模糊運(yùn)算和反模糊化運(yùn)算.由于補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)引入了補(bǔ)償模糊神經(jīng)元，綜合考慮消極、積極兩種模糊神經(jīng)元，使網(wǎng)絡(luò)能夠從初始正確或者錯(cuò)誤的模糊規(guī)則進(jìn)行訓(xùn)練，網(wǎng)絡(luò)容錯(cuò)性較高.同時(shí)常規(guī)的模糊神經(jīng)網(wǎng)絡(luò)中模糊運(yùn)算往往采用靜態(tài)的、局部?jī)?yōu)化算法，而補(bǔ)償神經(jīng)網(wǎng)絡(luò)中模糊運(yùn)算采用了動(dòng)態(tài)的、全局優(yōu)化運(yùn)算，并且在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法中又動(dòng)態(tài)地優(yōu)化了補(bǔ)償模糊運(yùn)算，使網(wǎng)絡(luò)的適應(yīng)性更強(qiáng).網(wǎng)絡(luò)不僅能適當(dāng)調(diào)整輸入、輸出模糊隸屬函數(shù)，也能借助于補(bǔ)償邏輯算法動(dòng)態(tài)優(yōu)化相應(yīng)的模糊推理.

2.1 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖3，其結(jié)構(gòu)分為五層：輸入層、模糊化層、模糊推理層、補(bǔ)償運(yùn)算層和反模糊化層.層與層之間是依據(jù)模糊邏輯系統(tǒng)的語(yǔ)言變量、模糊if-then規(guī)則、最差-最好運(yùn)算、模糊推理方法和反模糊函數(shù)構(gòu)建的.

圖3 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structural diagram of the compensatory fuzzy neural network

2.2 補(bǔ)償模糊推理

對(duì)于N維輸入xp＝（xp1，…，xpn）和1維輸出yp的補(bǔ)償模糊邏輯系統(tǒng)，其中p＝1，2，…，N，M條ifthen規(guī)則表示為：Ifx1isAk1and…andxnisAkn，thenyisBk，其中Aki是輸入論域的模糊子集，Bk是輸出論域的模糊子集，xi和y是語(yǔ)言變量，i＝1，2，…，n，k＝1，2，…，m.輸入和輸出的模糊子集所用的模糊隸屬度函數(shù)為高斯隸屬度函數(shù)，表示如下：

式中：a與σ為輸入隸屬度函數(shù)的中心和寬度；b與δ為輸出隸屬度函數(shù)的中心和寬度.

補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)中的模糊推理采用最大代數(shù)積合成運(yùn)算，由模糊規(guī)則所導(dǎo)出的模糊集合為：

模糊蘊(yùn)涵采用積運(yùn)算Rp＝A→B，即為：

消極運(yùn)算為：

積極運(yùn)算為：

補(bǔ)償運(yùn)算為：

采用單值模糊化μA（x）＝1、μBk（bk）＝1，可得：

反模糊化采用的是改進(jìn)型重心反模糊化函數(shù)：

2.3 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

針對(duì)N輸入、單輸出的系統(tǒng)，依據(jù)上述補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)算法，設(shè)計(jì)如下學(xué)習(xí)算法，可以最優(yōu)調(diào)整模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸入、輸出隸屬度函數(shù)的中心和寬度.

所定義的目標(biāo)函數(shù)為：

學(xué)習(xí)算法設(shè)計(jì)采用梯度下降法，過程如下：

（1）訓(xùn)練輸出隸屬度函數(shù)的中心

（2）訓(xùn)練輸出隸屬度函數(shù)的寬度

（3）訓(xùn)練輸入隸屬度函數(shù)的中心

（4）訓(xùn)練輸入隸屬度函數(shù)的寬度

（5）訓(xùn)練補(bǔ)償度

可得：

式中：η為學(xué)習(xí)率，一般取值在0～1之間；t＝0，1….

3 基于補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的控制器

3.1 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的作用函數(shù)的參數(shù)具有明確的物理意義，也就是說模糊神經(jīng)網(wǎng)絡(luò)通過調(diào)整神經(jīng)元的作用函數(shù)的參數(shù)，可以自動(dòng)和及時(shí)修正模糊邏輯和調(diào)整隸屬度函數(shù)，控制系統(tǒng)中用模糊神經(jīng)網(wǎng)絡(luò)構(gòu)造控制器就比較容易理解.

在上述補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，構(gòu)造了基于具有補(bǔ)償算法的模糊神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng).在實(shí)際系統(tǒng)中，控制器輸入為誤差e和誤差變化ec，即：

式中：yT和yi分別為被控對(duì)象的希望輸出值（即給定值）和實(shí)際輸出值.

采用歸一化方法將控制器的輸入轉(zhuǎn)化到-1～1之間，見圖4.

圖4 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)圖Fig.4 Control diagram of the compensatory fuzzy neural network

3.2 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)控制器

CFB鍋爐最重要的是維持床溫穩(wěn)定，而回料量對(duì)床溫有重要影響.在灰循環(huán)系統(tǒng)中，回料風(fēng)量調(diào)節(jié)著回料量的大小，對(duì)灰循環(huán)系統(tǒng)的穩(wěn)定運(yùn)行有重要的調(diào)節(jié)和控制作用.實(shí)際上回料量無法直接測(cè)得［8-9］，因此通過研究回料風(fēng)對(duì)床溫的調(diào)節(jié)作用可以實(shí)現(xiàn)對(duì)灰循環(huán)系統(tǒng)控制的優(yōu)化.補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)能夠從初始正確定義的模糊規(guī)則或者初始錯(cuò)誤定義的模糊規(guī)則進(jìn)行訓(xùn)練.從理論上講補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，即初始輸入、輸出隸屬度函數(shù)都可以任意設(shè)置，經(jīng)過足夠的時(shí)間控制器參數(shù)就可以調(diào)整到最優(yōu).將補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)控制器應(yīng)用于CFB鍋爐床溫控制時(shí)，其控制系統(tǒng)結(jié)構(gòu)見圖5.

圖5 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)回料控制系統(tǒng)結(jié)構(gòu)框圖Fig.5 Block diagram of the control system for return materials based on CFNN

在實(shí)際控制應(yīng)用中，為了盡快實(shí)現(xiàn)最優(yōu)控制可對(duì)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，即先進(jìn)行有導(dǎo)師學(xué)習(xí).訓(xùn)練后的模糊神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個(gè)有初始狀態(tài)和有自學(xué)習(xí)能力的靈活的模糊規(guī)則表，系統(tǒng)在運(yùn)行中能夠不斷優(yōu)化本身的參數(shù)，提高控制品質(zhì)，當(dāng)被控對(duì)象發(fā)生變化時(shí)也能很好地控制.

3.3 回料控制系統(tǒng)的仿真

確定了輸入、輸出空間模糊分割和隸屬度函數(shù)的中心和寬度的初始值后，可以通過Matlab來實(shí)現(xiàn)具有補(bǔ)償算法的模糊神經(jīng)網(wǎng)絡(luò)控制器.采用Simulink構(gòu)造出補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的仿真模型.回料風(fēng)與床溫之間的傳遞函數(shù)是高階函數(shù)，而由文獻(xiàn)［10］可知，高階系統(tǒng)的動(dòng)態(tài)特性可以近似認(rèn)為是由一個(gè)慣性環(huán)節(jié)和一個(gè)純滯后環(huán)節(jié)構(gòu)成的.因此，CFB 鍋爐灰循環(huán)系統(tǒng)的回料風(fēng)與床溫之間的動(dòng)態(tài)特性可以近似為［11］：

選取T＝48s，τ＝5s，將該傳遞函數(shù)應(yīng)用到補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的simulink仿真模型中，采用常規(guī)控制器為PID 控制器，其控制器參數(shù)為：Kp＝0.125，Ki＝0.012 5，Kd＝0.575，補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)與PID 控制的階躍響應(yīng)仿真曲線見圖6（a）.

由圖6（a）可以得出：補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的超調(diào)量為2.1%，上升時(shí)間為128s，調(diào)節(jié)時(shí)間（5%）為177s；PID 控制的超調(diào)量為7.6%，上升時(shí)間為130 s，調(diào)節(jié)時(shí)間（5%）為346s.對(duì)于上述控制對(duì)象，補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的階躍響應(yīng)效果比PID 控制系統(tǒng)優(yōu)越.

在CFB 鍋爐控制中，影響床溫的因素很多，因此系統(tǒng)的特性不是一成不變的，會(huì)由于一次風(fēng)、給煤量等的不同而發(fā)生一些變化，這就要求控制系統(tǒng)對(duì)時(shí)變的參數(shù)應(yīng)具有一定的魯棒性.再選取了三組參數(shù)進(jìn)行比較.

（1）T＝20s，τ＝5s時(shí)的情況，見圖6（b）.

由圖6（b）得出：兩種控制方案均無超調(diào)量，補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的上升時(shí)間為131s，調(diào)節(jié)時(shí)間（5%）為184s；PID 控制的上升時(shí)間為147s，調(diào)節(jié)時(shí)間（5%）為218s.

（2）T＝60s，τ＝5s時(shí)的情況，見圖6（c）.

由圖6（c）得出：補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的超調(diào)量為14.5%，上升時(shí)間為139s，調(diào)節(jié)時(shí)間（5%）為435s；PID 控制的超調(diào)量為20%，上升時(shí)間為150s，調(diào)節(jié)時(shí)間（5%）為506s.

（3）T＝80s，τ＝5s時(shí)的情況，見圖6（d）.

由圖6（d）得出：補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的超調(diào)量為12.1%，上升時(shí)間為155s，調(diào)節(jié)時(shí)間（5%）為503s；PID 控制的超調(diào)量為28%，上升時(shí)間為184s，調(diào)節(jié)時(shí)間（5%）為920s.

從圖6可知，對(duì)補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)控制器來說，T＝48s的控制效果最佳.

圖6 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)與PID控制階躍響應(yīng)曲線Fig.6 Step response curves of CFNN and PID control system

4 結(jié) 論

（1）補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)模型綜合了消極運(yùn)算和積極運(yùn)算，制定了一個(gè)相對(duì)折中的決策，因此能夠從初始正確定義或者錯(cuò)誤定義的模糊規(guī)則進(jìn)行訓(xùn)練.該模糊運(yùn)算采用了動(dòng)態(tài)的、全局優(yōu)化運(yùn)算，使網(wǎng)絡(luò)訓(xùn)練速度快、具有更高的容錯(cuò)性和穩(wěn)定性，很適用于循環(huán)灰量難以準(zhǔn)確測(cè)量條件下的回料控制系統(tǒng).

（2）回料控制系統(tǒng)采用補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)，選取鍋爐床溫變化及變化率作為輸入量，回料風(fēng)量作為輸出量.采用實(shí)際數(shù)據(jù)對(duì)系統(tǒng)進(jìn)行訓(xùn)練，進(jìn)而對(duì)模型進(jìn)行仿真，并與常規(guī)控制進(jìn)行對(duì)比得出：對(duì)于CFB鍋爐這種具有非線性、難以建立精確數(shù)學(xué)模型的控制對(duì)象，采用補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)控制器可以取得比常規(guī)控制器更好的控制效果，且系統(tǒng)的魯棒性有所提高，達(dá)到了設(shè)計(jì)目的.

［1］岑可法，倪明江，駱仲泱.循環(huán)流化床鍋爐理論設(shè)計(jì)與運(yùn)行［M］.北京：中國(guó)電力出版社，1997.

［2］蔣敏華，肖平.大型循環(huán)流化床鍋爐技術(shù)［M］.北京：中國(guó)電力出版社，2009.

［3］王擎，駱仲泱，岑可法.循環(huán)流化床鍋爐循環(huán)回料壓力平衡理論的分析［J］.動(dòng)力工程，2001，21（2）：1022-1026.WANG Qing，LUO Zhongyang，CEN Kefa.Pressure balance theoretical analysis of circulation loop on CF-BB［J］.Journal of Power Engineering，2001，21（2）：1022-1026.

［4］劉武標(biāo)，于海峰，張春林，等.循環(huán)流化床鍋爐流化密封返料輸送特性研究及運(yùn)行故障分析［J］.鍋爐技術(shù)，2003，34（2）：49-53.LIU Wubiao，YU Haifeng，ZHANG Chunlin，etal.The research on characteristics of CFB fluoseal and analysis of operation failure［J］.Boiler Technology，2003，34（2）：49-53.

［5］朱國(guó)楨，徐洋.循環(huán)流化床鍋爐設(shè)計(jì)與計(jì)算［M］.北京：清華大學(xué)出版社，2004.

［6］劉景源.循環(huán)流化床鍋爐回料器的實(shí)驗(yàn)研究［D］.西安：西安交通大學(xué)能源與動(dòng)力工程學(xué)院，1988.

［7］王擎，孫健.循環(huán)流化床鍋爐Loop Seal型返料裝置的試驗(yàn)研究［J］.化工機(jī)械，1999，26（4）：187-210. WANG Qing，SUN Jian.Study on experiment of CFB boiler loop seal［J］.Chemical Engineering ＆ Machnery，1999，26（4）：187-210.

［8］馬素霞，薛亞麗.循環(huán)流化床鍋爐燃燒系統(tǒng)的多變量控制［J］.動(dòng)力工程，2007，27（4）：528-532. MA Suxia，XUE Yali.Multi-variable control of circulating fluidized boilers combustion systems［J］.Journal of Power Engineering，2007，27（4）：528-532.

［9］趙偉杰，張文震，馮曉露.循環(huán)流化床鍋爐床溫的控制特性［J］.動(dòng)力工程，2007，27（4）：545-610. ZHAO Weijie，ZHANG Wenzhen，F(xiàn)ENG Xiaolu.Bed temperature control characteristics of CFB boilers［J］.Journal of Power Engineering，2007，27（4）：545-610.

［10］牛培峰.大型國(guó)產(chǎn)循環(huán)流化床鍋爐燃燒過程智能控制系統(tǒng)應(yīng)用研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2000，20（12）：62-66.NIU Peifeng.An intelligence combustion process control system application and research for circulating fluidized bed boilers of giant domestic manufacture［J］.Proceedings of the CSEE，2000，20（12）：62-66.

［11］陳亮.循環(huán)流化床鍋爐建模及其智能控制系統(tǒng)的研究［D］.杭州：浙江大學(xué)能源工程系，2006.