雙抽汽輪機熱電負荷解耦協調控制研究

李 艷， 張曉婕， 李可可

(1.陜西科技大學 電氣與信息工程學院， 陜西 西安 710021; 2.陜西農產品加工技術研究院, 陜西 西安 710021)

雙抽汽輪機熱電負荷解耦協調控制研究

李 艷1,2， 張曉婕1， 李可可1

(1.陜西科技大學 電氣與信息工程學院， 陜西 西安 710021; 2.陜西農產品加工技術研究院, 陜西 西安 710021)

在雙抽汽輪機熱電負荷協調控制問題的研究中，輸出電負荷、抽汽高壓熱負荷和低壓熱負荷之間存在著嚴重的耦合關系，每個負荷的變化都會對其他負荷產生不同程度的影響，引起熱、電負荷的頻繁波動，從而影響到整個系統的控制性能.為了解決上述問題，提出了一種將簡單的前饋補償解耦和模糊神經網絡相結合的改進多變量解耦控制方案.前饋補償實現動靜態解耦，神經網絡實時調整模糊控制規則，從而提高了系統的控制效果和自適應能力.MATLAB仿真結果表明，改進的解耦控制方案解決了熱電負荷的強耦合問題，提高了系統的魯棒性和自適應能力，具有較強的實用價值.

汽輪機； 熱電負荷耦合； 數學模型； 前饋補償； 模糊神經網絡

0 引言

雙抽式汽輪機廣泛應用于中小型熱電站，以及各工業部門的企業自備電站、區域性熱電聯產、燃氣-蒸汽汽輪機聯合循環電站、城市垃圾電站等領域，是目前工業熱電聯產的主要形式.其能源利用合理，循環熱效率高，受到廣泛的應用和重視，具有十分良好的應用前景.雙抽式汽輪機結構復雜，影響因素眾多，熱負荷和電負荷之間存在強耦合特性，因此，尋找合適的解耦控制方法是現階段的研究重點[1].

目前，工業上很多地方仍采用PID單回路控制方式對雙抽汽輪機進行控制，由于熱、電負荷的強耦合問題造成了熱、電負荷的頻繁波動，從而影響整個系統的控制性能.針對此問題，已有一些學者對雙抽汽輪機熱電負荷耦合問題進行了研究[2-5].文獻[2]采用對高中低壓調節閥開度的匹配和對解耦系數的調整來實現熱電負荷解耦，但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.文獻[3]采用對角線矩陣綜合法實現熱電負荷解耦控制，但該方法嚴重依賴數學模型.文獻[4]利用電液控制電信號處理方便的優點，采用DDV電液伺服閥控制技術實現汽輪機電負荷與熱負荷之間的解耦控制，但也以精準的模型作為前提.文獻[5]采用神經網絡的任意曲線逼近能力實現了良好的雙抽汽輪機解耦效果，然而網絡結構難確定，計算量大.

上述文獻雖為雙抽汽輪機熱電負荷解耦協調控制研究做出了很大貢獻，但由于傳統解耦控制大多數是建立在精確完整的模型基礎上，而雙抽式汽輪機系統參數不好精確測量，很難對實際生產過程建立精準的數學模型，因此無法實現對雙抽汽輪機熱電負荷的全部解耦.

為了解決上述問題，本文提出了一種將簡單的前饋補償解耦和模糊神經網絡相結合的改進多變量解耦控制方法.模糊控制和神經網絡控制均不依賴控制對象精確的數學模型，是處理控制系統中不確定性、非線性和強耦合性的一種有效方法.串聯前饋補償解耦是一種簡單、方便和實用的解耦方法.因此將模糊神經網絡作為控制器，結合串聯前饋補償實現整個系統的解耦控制，可以在實現全部解耦的基礎之上，發揮模糊控制的快速調節性能和強魯棒性以及神經網絡的自學習能力、泛化能力和非線性映射能力的優點.以某造紙廠熱電廠#1機組為例，汽輪機是青島捷能汽輪機集團股份有限公司生產的CC12-4.90/11.27/0.686雙抽凝汽式汽輪機組，通過數字仿真對解耦控制性能進行了比較研究.

1 雙抽汽輪機工作原理及熱電負荷解耦協調控制模型

1.1 雙抽汽輪機工作原理

圖1是12 MW雙抽式汽輪機結構示意圖.該汽輪機組采用噴嘴調節方式，從鍋爐來的主蒸汽經自動主汽門和高壓調節閥進入高壓缸，在其中膨脹做功，然后分成兩部分，一部分供給高壓抽汽，另一部分通過中壓調節閥進入中壓缸；中壓缸的排汽也分成兩部分，一部分供給低壓抽汽，另一部分通過低壓旋轉隔板進入低壓缸，低壓缸的排汽到冷凝器[6].工程上通常采用單回路控制方式來分別控制熱、電負荷，即通過改變閥門1的開度來控制電負荷，通過改變閥門2和閥門3的開度來分別控制高壓熱負荷和低壓熱負荷.從圖1可見，改變其中任何一個閥門的開度除了能引起本回路的負荷變化以外，還會引起其它兩個回路負荷的變化.因此，三個變量之間存在嚴重的耦合.

目前，國內外許多研究學者對耦合問題進行了廣泛深入的研究[7-10]，但大部分是針對雙入雙出耦合系統來進行研究的，對3入3出的耦合系統研究較少.對雙抽汽輪機耦合控制仍存在亟待解決的問題：首先，在已有文獻研究中，針對雙抽汽輪機熱電負荷解耦協調控制的研究較少，對雙抽汽輪機數學模型的討論也較少，未得出相對精確的數學模型.其次，雙抽汽輪機熱電負荷解耦協調控制為3入3出控制系統，耦合關系復雜.

圖1 12 MW雙抽式汽輪機結構示意圖

1.2 熱電負荷解耦協調控制模型

針對上述問題，本文提出的雙抽汽輪機電、熱負荷解耦協調控制策略概圖如圖2所示.圖2中分別用汽輪機的轉子轉速、高壓熱網的壓力和低壓熱網的壓力來表示電負荷、高壓熱負荷和低壓熱負荷.控制原理是首先采用簡單的前饋補償方法實現系統的動靜態解耦，然后將模糊控制和神經網絡控制相結合作為補償控制器來彌補模型精度的不足，從而實現全部解耦控制.

圖2 雙抽汽輪機熱電負荷解耦 協調控制策略概圖

2 控制系統對象模型的建立

為了在后續的前饋補償解耦模塊和控制器設計工作中，能夠方便的使用已經建立好的較精確的模型，在建立雙抽汽輪機熱電負荷耦合控制模型時，根據系統工藝結構示意圖將系統分解為三個子系統模塊,即轉子模塊、蒸汽容積模塊和抽汽容積模塊.

2.1 轉子模塊

根據能量平衡原理[11]，得相應轉子功率平衡方程為：

(1)

NT=N1+N2+N3

(2)

式(1)～(2)中：N1、N2、N3-高、中、低壓缸功率；Ne-電功率；Nf-額外功耗(包括摩擦、鼓風損及主油泵功耗等)，是一個與ω有關的非線性量.

功率方程為：

N1=ΔHHD1ηH

(3)

N2=ΔHID2ηI

(4)

N3=ΔHLD3ηL

(5)

式(3)～(5)中：ΔHH、ΔHI、ΔHL-高、中、低壓缸的焓降；D1、D2、D3-高、中、低壓缸流量；ηH、ηI、ηL-高、中、低壓缸效率.

將非線性函數Nf在工作點附近(ω0,NT0,Nf0,Ne0)用Taylor級數展開，忽略高階導數項，則得式(1)的增量線性化方程：

(6)

(7)

式(7)中:Ta為轉子時間常數.

2.2 蒸汽容積模塊

雙抽式汽輪機的蒸汽容積包括：高壓容積、中壓容積、低壓容積.首先建立高壓蒸汽容積方程.

根據氣體流動的連續性，流入容器與流出容器的蒸汽流量之差應該等于該容器內氣體密度ρ的變化率與其體積V的乘積[12]，即動態方程為：

(8)

式(8)中:Qh1(p0,sz1,p1)-高壓容積進汽流量,是主蒸汽進氣管道壓力P0、高壓缸蒸汽壓力P1和高壓進氣閥閥門開度Sz1的非線性函數；Qh2(p1)-高壓容積出汽流量, 是高壓缸蒸汽壓力P1的非線性函數.

將非線性函數Qh1，Qh2在工作點附近用Taylor級數展開，然后忽略高階導數項得：

(9)

(10)

(11)

式(11)中：V1-高壓容積體積，ρ1-高壓蒸汽容積密度.

(12)

式(12)中：n-絕熱指數.

(13)

如果將系統的工作點作為起始點，則(13)式可寫為：

(14)

同理得中壓蒸汽容積運動方程為：

(15)

低壓蒸汽容積運動方程為

(16)

2.3 抽汽容積模塊

抽汽容積模塊包括高壓抽汽容積和低壓抽汽容積兩部分，首先建立高壓抽汽容積模型.

根據流量平衡關系，得動態方程為：

(17)

式(17)中：QI1(p1,sz2,p2)-中壓容積進汽流量，是關于中壓缸進氣管道壓力P1、中壓缸壓力P2和中壓進氣閥閥門開度Sz2的非線性函數；Qc1(pc1,t)-高壓抽汽蒸汽流量，是關于抽汽壓力Pc1和時間t的非線性函數.

同1.2得高壓抽汽增量線性方程為：

k13Δsz2-k14Δp2-k15Δpc1-k16Δt

(18)

式(18)中：Vc1-高壓抽汽容積體積，ρc1-高壓抽汽容積密度.

假定容積中的過程為指數為n的多變過程[13]，則式(18)變為：

k14Δp2+k15Δpc1+k16Δt

(19)

如果將系統的工作點作為起始點，則(19)式可寫為：

k15pc1+k16Δt

(20)

k20pc2+k21Δt

(21)

根據轉子運動方程(7)、蒸汽容積方程(14)、(15)、(16)以及抽汽蒸汽容積方程(20)、(21)，得出雙抽式汽輪機熱電負荷耦合控制結構框圖如圖3所示.

圖3 雙抽式汽輪機熱電負荷耦合 控制結構框圖

3 改進的多變量模糊神經網絡控制器設計

3.1 前饋補償解耦控制

前饋補償解耦控制器結構如圖3中間的虛線框所示，其基本思想是將另外兩個變量對單個變量產生的影響視為擾動，并按前饋補償的方法消除擾動影響[14].根據前饋控制的擾動補償原理(不變性原理)，得解耦環節的數學模型為：

GgaoG21+P21GdiG22=0

(22)

假設高中壓油動機相同，整理得：

G21+P21G22=0

(23)

針對CC12雙抽式汽輪機，根據前面理論及參考相關文獻得：

3.2 模糊神經網絡控制器

模糊控制因其不依賴于數學模型，具有較強的魯棒性而被廣泛運用，其控制性能的好壞很大程度上依賴于模糊規則，而模糊規則是依據專家經驗編寫的，如果環境條件或者工況發生變化，或經驗有誤將很難獲得良好的控制性能.本文將神經網絡與模糊控制相結合，運用神經網絡的強大推理能力給出模糊規則，此時模糊規則的給出只依賴于系統運行的實際輸入輸出數據，避免了因模糊規則編寫不當或環境因素發生變化使得控制效果變差的現象.其控制框圖如圖4所示[15].

圖4 模糊神經網絡控制器系統結構框圖

3.2.1 模糊控制器的設計

本文采用Mamdani二維模糊控制器，控制器輸入量分別為偏差信號E和偏差變化率Ec，輸出則用u表示.本文將E、Ec和u的模糊論域統一設定為[-6，6]，模糊集合的語言值定為7個，即負大、負中、負小、零、正小、正中和正大.由于三角形形狀的隸屬度函數曲線形狀較尖，模糊子集分辨率高，控制靈敏度高，所以當誤差較小時選用三角形隸屬度函數(trimf)，S型函數和Z型函數曲線形狀較緩，控制穩定性較好，所以在偏差較大的區域選擇S型函數和Z型函數，模糊變量的隸屬度函數如圖5所示.

圖5 隸屬度函數圖

3.2.2 神經網絡控制器的設計

由于單隱層BP神經網絡具有結構簡單、訓練時間短、能以任意精度逼近任意有理函數的特點，所以采用單隱層BP神經網絡和模糊控制相結合，控制結構如圖6所示.

圖6 模糊神經網絡控制結構

(1)輸入層

輸入層神經元14個，分別為偏差E和偏差變化率Ec的模糊語言變量，記為xab(a=1,2；b=1，2，3，4，5，6，7)，定義樣本數據個數k=1,2,…,m，輸入為：

xn(k)=xab(k)

(24)

(n=1,2,…,14；用n代表a，b組合)

(2)隱含層

根據經驗公式p=2n+1(p為隱含層節點數，n為輸入節點數)及特性因素考慮，選取隱含層神經元為30個，輸入和輸出計算式分別為：

(25)

hoh(k)=f(hih(k))h=1,2,…,30

(26)

(3)輸出層

設輸出層神經元7個，為控制變量u的7個模糊語言變量，輸入和輸出計算式分別為：

(27)

yoo(k)=f(yio(k))o=1,2,…,7

(28)

(4)權值修正

本文采用BP神經網絡學習算法，定義誤差函數為：

(29)

其中d0(k)表示期望的輸出模式，yoo(k)為模糊神經網絡實際輸出.偏差e對ωho求偏導得：

(30)

-(do(k)-yoo(k))f′(yio(k))-δo(k)

(31)

(32)

(33)

得隱含層到輸出層的權值調整公式為：

ωhoN+1=ωhoN+μδo(k)hoh(k)

(34)

偏差e對ωih求偏導得：

(35)

(36)

(37)

δh(k)xi(k)

(38)

得隱含層到輸出層的權值調整公式為：

ωihN+1=ωihN+μδh(k)xi(k)

(39)

(5)網絡訓練

對模糊神經網絡輸入表1所示模糊控制規則樣本作為教師信號，通過網絡訓練，調整ωih,ωho，使輸入輸出達到期望的映射關系.

表1 模糊控制規則表

對于雙抽式汽輪機，將其每個控制規則看成一個輸入輸出對，即一個樣本數據，輸入為偏差E和偏差變化率Ec，經過模糊化之后得模糊矢量A和B組成的矢量，輸出為控制器的輸出u，它們對應的模糊矢量如表2所示.可以看出共有49個這樣的輸入輸出對，即49個樣本數據，然后送入BP神經網絡進行網絡訓練.例如：當E對應NB，Ec對應Zero時，輸出u應該為PB，則這個樣本可表示為：

x=[1,0.5,0,0,0,0,0,0,0,0.5,1,0.5,0,0]T

y=[0,0,0,0,0,0.5,1]T

表2 E、Ec和u對應的模糊矢量表

3.2.3 清晰化

本文采用加權平均法對該網絡輸出進行解模糊化，相應的公式為：

(40)

式(40)中:μx表示隸屬度;uj表示控制矢量u中第j個分量.

4 雙抽式汽輪機前饋補償模糊神經網絡解耦仿真結果

4.1 前饋補償模糊神經網絡解耦

為了驗證前饋補償的多變量模糊神經網絡控制器的控制效果，本文借助MATLAB R2013a的Simulink工具箱，對雙抽式汽輪機熱電負荷協調控制系統進行仿真研究.控制器仿真模型如圖7所示，圖中模糊神經控制器的仿真模型如圖8所示.

圖7 多變量模糊神經網絡控制器仿真模型

參考相關文獻[16]，圖7中各參數取值分別為：油動機時間常數 ，蒸汽容積和各個變量之間的耦合關系的時間常數為：0.1～0.3 s.圖8中fuzzification塊是用于對偏差E和偏差變化率Ec進行模糊化，得到的模糊集合作為神經網絡的輸入.Neural Network塊是由gensim函數生成的已經訓練好的網絡，其輸入為14維的向量，輸出為7維的向量.distinct塊是利用加權平均法將神經網絡輸出的模糊集合解模糊化后得到一個輸出作為被控對象的輸入.

仿真時首先對網絡進行訓練，訓練到第413步時精度達到設定值，如圖9所示.為了更好地模擬現場擾動的情況，仿真時輸入設定值為：電負荷信號為0時刻、幅值為1的階躍信號，高壓熱負荷信號為30 s時刻、幅值為1.5的階躍信號，低壓熱負荷信號為60 s時刻、幅值為2的階躍信號，將仿真時間設定為150 s，運行仿真結果如圖10～12所示.

圖9 網絡訓練誤差曲線圖

圖10 未解耦仿真結果曲線圖

圖11 PID解耦仿真結果曲線圖

圖12 多變量模糊神經網絡控制 仿真結果曲線

由圖10可以看出，系統未解耦時，穩態值偏差極大，熱負荷信號出現(中低壓缸進氣閥開度增大)時，對電負荷干擾極大.圖11～12當高壓熱負荷和低壓熱負荷分別在30 s和60 s處階躍擾動時，采用前饋補償的多變量模糊神經網絡控制器，電負荷變化幾乎為零，僅有不到5%的小波動，而且很快就趨于穩定值，即消除了高壓熱負荷和低壓熱負荷對電負荷的影響，同理，也消除了電負荷對熱負荷的影響.不但實現了熱電負荷之間解耦控制，其響應速度也變快，超調量明顯減小，控制效果更好.由圖12與圖11對比，可以看出前饋補償的多變量模糊神經網絡控制在響應速度、超調量、穩態值方面均優于傳統的PID控制.

4.2 魯棒性仿真分析

當油動機時間常數Ta改變25%時，仿真曲線如圖13所示.當被控對象中任意一個蒸汽時間常數Ts發生變化25%時，仿真曲線如圖14所示.

圖13 改變25%時控制仿真曲線圖

圖14 改變25%時控制仿真曲線圖

從圖13～14可以看出，當控制對象模型和參數發生變化時，系統仍然具有良好的魯棒性，在控制系統的響應速度、超調量、穩態精度等方面均有良好的控制品質.從而看出前饋補償的多變量模糊神經網絡解耦控制較傳統解耦控制的魯棒性更優，具有良好的整體控制性能.

5 結論

針對雙抽式汽輪機熱電負荷協調控制這樣一個多變量強耦合的復雜被控對象，應用常規解耦控制方法基本上不可能實現完全解耦控制.本文在建立雙抽式汽輪機數學模型的基礎上，首先利用串聯前饋補償解耦，從原理上實現了系統的動靜態解耦，再根據對象參數很難精確測量的問題，將模糊神經網絡控制運用到雙抽式汽輪機的熱電負荷解耦控制中，利用神經網絡強大的推理能力，根據實際工況和現場數據實時地調整模糊規則，以提高系統的自適應能力.MATLAB仿真結果表明，本文提出的改進的熱、電負荷協調控制方案即實現了系統的動靜態解耦，又提高了系統的魯棒性和自適應能力，為雙抽式汽輪機的熱電負荷協調控制提供了一種有效的方法.

[1] 黎子鋒.淺談抽汽式汽輪機電液調節系統的解耦關系與應用[J].廣西電力,2006,29(4):39-41.

[2] 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,2009,35(1):641-63.

[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] 紀云鋒.抽汽汽輪機組DEH系統的解耦控制[J].液壓與氣動,2007(5):49-50.

[5] 吳優福,裘潯雋.用神經網絡實現雙抽汽輪機的負荷解耦控制及仿真[J].能源研究與利用,2003(1):29-32，40.

[6] 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.

[7] 張 玲,張文苑,鄭恩讓.一種模糊解耦控制系統的設計與仿真研究[J].計算機仿真,2010,27(8):118-121.

[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):16，13.

[9] 李伯群,富劍華,李濟翰,等.活套多變量系統建模與智能解耦控制研究[J].控制工程,2015,22(1):102-107.

[10] 張 會,付東翔,王亞剛.變風量空調系統恒溫解耦控制優化[J].計算機仿真,2014,31(10):255-258，432.

[11] 張 曦,黃衛劍,朱亞清.汽輪發電機組流量特性試驗分析與研究[J].控制工程,2013,20(3):461-465.

[12] Venanzi S.New technique for clearance influence analysis in spatial mechaism [J].ASME Journal of Mechanical Design，2005，127(3):446-455.

[13] 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.

[14] 陳子珍,閻威武.多變量解耦控制系統設計與仿真[J].控制工程,2014,21(5):93-95，99.

[15] 徐文力,李明輝,張洪興.基于模糊神經網絡的造紙配漿控制及仿真[J].紙和造紙,2015,34(10):11-14.

[16] 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.

【責任編輯：蔣亞儒】

Research on the thermo-electric load decoupling and coordination control of double exhaust steam turbine

LI Yan1，2, ZHANG Xiao-jie1, LI ke-ke1

(1.College of Electrical and Information Engineering, Shaanxi University of Science & Technology, Xi′an 710021, China； 2.Shaanxi Resarch Institute of Agricultural Products Processing Technology, Xi′an 710021, China)

In the research of control of double extraction steam turbine thermal-electric load coordinated,serious coupling relationship exists among the output of power load,pumping the high pressure heat load and low heat load,change of any load will have different degrees of impact on other loads,due to the frequent fluctuation of heat and electricity load,thus affecting the control performance of the whole system.In order to solve the above problems,this paper proposed a multi variable decoupling control scheme which combines the feed-forward decoupling and simple fuzzy neural network.The system dynamic and static decoupling is achieved through feed-forward compensation.The fuzzy control rules is adjusted in real time by neural network.Consequently,the control effect and adaptive ability of the system are improved.Matlab simulation results show that the improved control method solvest he strong coupling problem of the power load,improves the robustness and adaptability of the system and has great practical value.

turbine; thermoelectric coupling load; mathematical model; feed-forward compensation; fuzzy neural network

2016-09-08

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 艷(1972-)，女，四川仁壽人，副教授，碩士生導師，研究方向:工業自動化、智能檢測與智能控制

1000-5811(2017)01-0158-08

TP273+.4

A