基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的機(jī)爐協(xié)調(diào)系統(tǒng)建模

楊優(yōu)生，王東風(fēng)，智丹

(華北電力大學(xué)a．控制與計(jì)算機(jī)工程學(xué)院;b．河北省發(fā)電過(guò)程仿真與優(yōu)化控制工程技術(shù)研究中心，河北保定071003)

基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的機(jī)爐協(xié)調(diào)系統(tǒng)建模

楊優(yōu)生a，b，王東風(fēng)a，智丹a

(華北電力大學(xué)a．控制與計(jì)算機(jī)工程學(xué)院;b．河北省發(fā)電過(guò)程仿真與優(yōu)化控制工程技術(shù)研究中心，河北保定071003)

火電廠機(jī)爐協(xié)調(diào)控制系統(tǒng)是一個(gè)復(fù)雜的多變量系統(tǒng)，針對(duì)其強(qiáng)耦合的動(dòng)態(tài)特性和難以建模的特點(diǎn)，提出一種網(wǎng)絡(luò)結(jié)構(gòu)動(dòng)態(tài)變化的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)算法對(duì)超臨界機(jī)組機(jī)爐協(xié)調(diào)系統(tǒng)進(jìn)行建模。該算法具有模糊推理能力和學(xué)習(xí)功能等優(yōu)點(diǎn)，并且模糊規(guī)則是在訓(xùn)練的時(shí)候依據(jù)系統(tǒng)誤差和可容納邊界來(lái)逐條產(chǎn)生的，同時(shí)也采用了分級(jí)學(xué)習(xí)的方法來(lái)提高了網(wǎng)絡(luò)的學(xué)習(xí)速度。在分析了機(jī)爐協(xié)調(diào)系統(tǒng)的特性以后，對(duì)某電廠超臨界機(jī)組協(xié)調(diào)系統(tǒng)現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行預(yù)處理，應(yīng)用該算法進(jìn)行模型的訓(xùn)練和測(cè)試。經(jīng)過(guò)MATLAB仿真驗(yàn)證表明，動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)有很好的泛化能力，且建立的協(xié)調(diào)系統(tǒng)無(wú)參數(shù)模型具有很高的精度，該模型可以用于協(xié)調(diào)系統(tǒng)控制算法的設(shè)計(jì)。

機(jī)爐協(xié)調(diào)系統(tǒng);建模;動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò);無(wú)參數(shù)模型

0 引言

在火電廠控制系統(tǒng)中，建立生產(chǎn)設(shè)備或過(guò)程的數(shù)學(xué)模型對(duì)控制理論的研究起到至關(guān)重要的作用。近年來(lái)，電力行業(yè)發(fā)展迅速，火電廠逐漸向著超臨界和超超臨界機(jī)組發(fā)展。同時(shí)，控制系統(tǒng)的算法設(shè)計(jì)和性能研究離不開超臨界機(jī)組的動(dòng)態(tài)模型。因此，對(duì)于大型機(jī)組的建模研究十分迫切。

在建模方面，許多國(guó)內(nèi)外的研究學(xué)者對(duì)單元機(jī)組協(xié)調(diào)控制系統(tǒng)的建模進(jìn)行了研究。一般對(duì)協(xié)調(diào)系統(tǒng)建模采用機(jī)理分析的方法將鍋爐部分簡(jiǎn)化為省煤器、水冷壁、汽水分離器和過(guò)熱器4個(gè)部分，分別對(duì)鍋爐部分和汽機(jī)部分進(jìn)行模型建立［1］。并且以此方法為基礎(chǔ)，提出了一種壓力節(jié)點(diǎn)的方法建立了超臨界機(jī)組CCS的動(dòng)態(tài)模型［2－3］。也可以直接根據(jù)輸入輸出數(shù)據(jù)采用基于序列最小優(yōu)化算法的支持向量機(jī)實(shí)現(xiàn)對(duì)協(xié)調(diào)系統(tǒng)的建模，并根據(jù)預(yù)測(cè)誤差證明模型的有效性［4］。不管是機(jī)理法還是實(shí)驗(yàn)法建模都有缺點(diǎn)，將兩者結(jié)合產(chǎn)生的“灰盒法”對(duì)機(jī)爐協(xié)調(diào)系統(tǒng)進(jìn)行建模，首先通過(guò)機(jī)理分析來(lái)確定協(xié)調(diào)系統(tǒng)對(duì)象的數(shù)學(xué)模型結(jié)構(gòu)，然后通過(guò)現(xiàn)場(chǎng)的歷史數(shù)據(jù)對(duì)該模型結(jié)構(gòu)進(jìn)行辨識(shí)［5］。對(duì)模型結(jié)構(gòu)的辨識(shí)也有很多方法，比如:改進(jìn)的螢火蟲算法［6］，引入模糊思想的改進(jìn)的T-S模糊辨識(shí)的算法［7］，對(duì)協(xié)調(diào)系統(tǒng)的結(jié)構(gòu)參數(shù)進(jìn)行辨識(shí)，還有從交叉和變異概率的自適應(yīng)角度，提出了改進(jìn)的遺傳算法，用于模型參數(shù)辨識(shí)，并得到了較為準(zhǔn)確的辨識(shí)模型［8］。隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，我們對(duì)熟悉的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了深入的研究，并且將其與模糊算法的思想相結(jié)合用于建立了某超臨界單元機(jī)組的數(shù)學(xué)模型，結(jié)合實(shí)際證明該數(shù)學(xué)模型是有效的［9］。文獻(xiàn)［10］采用一種改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)對(duì)一臺(tái)600 MW超臨界燃煤發(fā)電機(jī)組建立了負(fù)荷和主蒸汽壓力特性的非線性數(shù)學(xué)模型，改進(jìn)的Elman模型具有時(shí)滯的輸入時(shí)滯輸出反饋。測(cè)試結(jié)果表明，改進(jìn)具有時(shí)滯的輸入和輸出反饋Elman模型適應(yīng)復(fù)雜的非線性，并且精度高，泛化能力強(qiáng)。

目前，模糊理論和神經(jīng)網(wǎng)絡(luò)發(fā)展迅速，將二者結(jié)合產(chǎn)生的模糊神經(jīng)網(wǎng)絡(luò)同時(shí)具備學(xué)習(xí)功能和自適應(yīng)能力，許多學(xué)者將其應(yīng)用到了超臨界機(jī)組機(jī)爐協(xié)調(diào)系統(tǒng)的建模中去。但是，他們對(duì)模糊神經(jīng)網(wǎng)絡(luò)的研究主要體現(xiàn)在表達(dá)方式和參數(shù)確定這兩個(gè)方面，而對(duì)其結(jié)構(gòu)的辨識(shí)問(wèn)題上沒(méi)有找到合適的方法。若神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(節(jié)點(diǎn)數(shù))設(shè)定的不合適，會(huì)出現(xiàn)過(guò)擬合和過(guò)訓(xùn)練的現(xiàn)象，會(huì)使學(xué)習(xí)誤差增大，學(xué)習(xí)時(shí)間加長(zhǎng)，最終會(huì)降低網(wǎng)絡(luò)的泛化能力。另外，大部分模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法存在很多缺點(diǎn)，例如學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，不能全局搜索等。這時(shí)，我們需要研究一種新的算法來(lái)彌補(bǔ)原算法的不足。

在這樣的背景下，動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)產(chǎn)生了。動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)動(dòng)態(tài)變化，具有簡(jiǎn)單、快速、有效的學(xué)習(xí)算法，并且能夠在線處理非線性、時(shí)變的系統(tǒng)，其結(jié)果明顯優(yōu)于其它的神經(jīng)網(wǎng)絡(luò)。

1 機(jī)爐協(xié)調(diào)控制系統(tǒng)對(duì)象特性

本文主要研究超臨界機(jī)組直流爐的協(xié)調(diào)系統(tǒng)，與亞臨界汽包爐相比主要不同體現(xiàn)在給水系統(tǒng)與蒸汽系統(tǒng)直接相關(guān)聯(lián)，如果給水流量發(fā)生變化會(huì)直接導(dǎo)致蒸汽流量跟著變化進(jìn)而影響蒸汽的壓力，最終影響汽輪機(jī)的運(yùn)行狀態(tài)。這兩者之間存在強(qiáng)烈的耦合，與此同時(shí)分離器出口蒸汽溫度(中間點(diǎn)溫度)的穩(wěn)定可以反映超臨界機(jī)組汽水平衡的動(dòng)態(tài)特性。因此超臨界機(jī)組協(xié)調(diào)系統(tǒng)是一個(gè)以燃料量B、汽輪機(jī)調(diào)門開度μ、給水流量W為輸入量;以機(jī)組負(fù)荷N、主蒸汽壓力P、中間點(diǎn)溫度T為輸出量的三輸入三輸出的多變量系統(tǒng)［11－13］。其結(jié)構(gòu)如圖1所示。

圖1 協(xié)調(diào)系統(tǒng)的結(jié)構(gòu)圖

2 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)

動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)是動(dòng)態(tài)變化的，解決了因結(jié)構(gòu)不確定帶來(lái)的過(guò)擬合和過(guò)訓(xùn)練的問(wèn)題，并且同時(shí)具備模糊系統(tǒng)的學(xué)習(xí)能力和神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力，具有建模容易、學(xué)習(xí)速度快、泛化能力強(qiáng)等優(yōu)點(diǎn)。

2.1 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上等同于一個(gè)擴(kuò)展的RBF神經(jīng)網(wǎng)絡(luò)，在功能上等價(jià)于TSK模糊系統(tǒng)［14］，具有5層網(wǎng)絡(luò)結(jié)構(gòu)［15］，如圖2所示。

(1)第1層:輸入層。x1，x2，…，xr是輸入的語(yǔ)言變量。

(2)第2層:隸屬度函數(shù)層。每個(gè)節(jié)點(diǎn)分別代表一個(gè)隸屬度函數(shù)，隸屬度函數(shù)選取我們熟悉的高斯函數(shù)，表達(dá)式如下:

圖2 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖

式中:μij是xi的第j個(gè)隸屬函數(shù);cij是該隸屬函數(shù)的中心;σj是該隸屬函數(shù)的寬度;r是輸入變量數(shù);u是隸屬函數(shù)的個(gè)數(shù)或模糊規(guī)則數(shù)。

(3)第3層:稱為T－范數(shù)層。每個(gè)節(jié)點(diǎn)分別代表一個(gè)模糊規(guī)則中的IF－部分。所以，在這一層節(jié)點(diǎn)數(shù)在數(shù)值上等同于模糊規(guī)則數(shù)。第j個(gè)規(guī)則Rj的輸出為:

式中:X=(x1，x2，…，xr)∈Rr;Cj=(c1j，c2j，…，crj)∈Rr是第j個(gè)RBF單元的中心。由以上公式可以看出，在這一層一個(gè)節(jié)點(diǎn)代表一個(gè)RBF單元也代表一個(gè)模糊規(guī)則數(shù)。

(4)第4層:稱為歸一化層。稱這些節(jié)點(diǎn)為N節(jié)點(diǎn)。很明顯，N節(jié)點(diǎn)數(shù)與模糊規(guī)則節(jié)點(diǎn)數(shù)相等。第j個(gè)節(jié)點(diǎn)Nj的輸出為:

(5)第5層:輸出層。每一個(gè)節(jié)點(diǎn)代表一個(gè)輸出變量，將所有的輸入進(jìn)行求和得到網(wǎng)絡(luò)的輸出:

式中:y是輸出變量;ωk是第k條規(guī)則的連接權(quán)。

2.2 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

前面提到，動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是動(dòng)態(tài)變化的，并且模糊規(guī)則數(shù)是在訓(xùn)練的過(guò)程中不斷產(chǎn)生的，所以以前的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法不能滿足現(xiàn)在的要求。這時(shí)，我們針對(duì)D-FNN提出了一種新的學(xué)習(xí)算法。

(1)規(guī)則產(chǎn)生準(zhǔn)則［16］:一條新的規(guī)則產(chǎn)生或者一條舊規(guī)則的取消都有依據(jù)，規(guī)則數(shù)太多或者太少都不能滿足系統(tǒng)的要求。如果規(guī)則數(shù)過(guò)少，系統(tǒng)將不能完全包含輸入－輸出狀態(tài)空間，這樣直接造成D-FNN的性能下降。若規(guī)則數(shù)過(guò)多，會(huì)使系統(tǒng)變得復(fù)雜化，使得學(xué)習(xí)的時(shí)間大大延長(zhǎng)，最終降低了動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的泛化能力。所以，新規(guī)則的產(chǎn)生必須遵循一定的依據(jù)，這種依據(jù)對(duì)網(wǎng)絡(luò)的泛化能力是重要的。經(jīng)過(guò)研究發(fā)現(xiàn)，這種依據(jù)包括系統(tǒng)輸出誤差和高斯函數(shù)覆蓋范圍兩個(gè)重要方面。

誤差判據(jù)可以描述如下:對(duì)于第i個(gè)觀測(cè)數(shù)據(jù)(Xi，ti)，其中Xi輸入向量，ti是期望輸出，yi是動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)現(xiàn)有結(jié)構(gòu)的實(shí)際輸出。誤差是期望輸出與實(shí)際輸出相減，定義:

設(shè)網(wǎng)絡(luò)的期望誤差是ke，是根據(jù)實(shí)際要求人為設(shè)定的，如果‖ei‖＞ke，說(shuō)明不能滿足期望的誤差精度，這時(shí)，需要考慮添加一條新規(guī)則。

動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的隸屬函數(shù)采用的是滿足正態(tài)分布的高斯函數(shù)，從高斯函數(shù)的曲線可以看出，以期望值為中心，輸出隨著與期望值距離的增加而遞減。所有的高斯函數(shù)組成D-FNN的輸入空間，當(dāng)一個(gè)新的數(shù)據(jù)被讀取進(jìn)來(lái)時(shí)，如果當(dāng)前高斯函數(shù)可以包含該數(shù)據(jù)，則D-FNN不需要增加新的高斯函數(shù)，就可以用當(dāng)前的高斯函數(shù)表示。

可容納邊界判據(jù)可以這樣描述:首先計(jì)算di(j)，它表示輸入數(shù)據(jù)Xi與RBF單元的中心Cj之間的距離，即

式中:u是現(xiàn)有的模糊規(guī)則數(shù)(RBF單元的數(shù)量)。然后設(shè)定一個(gè)可容納邊界的有效半徑kd，取dmin=argmin(di(j))，若dmin＞kd，說(shuō)明新的數(shù)據(jù)Xi不在當(dāng)前高斯函數(shù)的覆蓋范圍內(nèi)，這時(shí)，我們需要考慮添加一條新規(guī)則。

(2)分級(jí)學(xué)習(xí)思想。可容納邊界是在網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程中不斷變化的，分級(jí)學(xué)習(xí)主要是指動(dòng)態(tài)調(diào)節(jié)RBF單元的可容納邊界。一開始可以把可容納邊界設(shè)置的大一點(diǎn)，后面可以逐漸的減小，這就實(shí)現(xiàn)了從全局搜索到局部搜索。上面提到的提前設(shè)定的ke，kd由下式的關(guān)系確定的:

式中:emax為預(yù)先定義的最大誤差;emin為期望的D-FNN的精度;β(0＜β＜1)是收斂常數(shù);dmax，dmin分別為輸入空間的最大和最小長(zhǎng)度;γ(0＜γ＜1)是衰減系數(shù)。

分級(jí)學(xué)習(xí)的過(guò)程就是粗學(xué)習(xí)和細(xì)學(xué)習(xí)的過(guò)程，所謂粗學(xué)習(xí)指的是確定產(chǎn)生輸出誤差大而沒(méi)有被現(xiàn)有模糊規(guī)則覆蓋的位置，當(dāng)ke，kd分別達(dá)到emin，dmin時(shí)，這個(gè)階段的學(xué)習(xí)稱為細(xì)學(xué)習(xí)。

(3)前提參數(shù)分配。模糊規(guī)則是在訓(xùn)練過(guò)程中不斷產(chǎn)生的，每條模糊規(guī)則都對(duì)應(yīng)不同的參數(shù)。同時(shí)仿真研究表明，RBF單元的寬度無(wú)論過(guò)大或者過(guò)小都將直接導(dǎo)致系統(tǒng)的泛化能力下降，從而使得系統(tǒng)的輸出比較大的偏離實(shí)際的輸出。所以，重新產(chǎn)生的新規(guī)則分配參數(shù)時(shí)要按照如下的依據(jù):

式中:k(k＞1)是重疊因子。

開始i=1時(shí)，C1=X1，σ1=σ0此時(shí)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)還沒(méi)有建立起來(lái)，第一個(gè)讀入的數(shù)據(jù)就成為了第一條模糊規(guī)則。式中:σ0為預(yù)先設(shè)定的常數(shù)。

前面討論了新規(guī)則的產(chǎn)生依據(jù)，當(dāng)‖ei‖＞ke，dmin＞kd同時(shí)滿足時(shí)，這時(shí)需要增加一條新規(guī)則來(lái)滿足系統(tǒng)要求。如果兩個(gè)條件不能同時(shí)滿足或者都不滿足，有如下三種情況進(jìn)行算法討論:

第一種:當(dāng)‖ei‖≤ke，dmin≤kd時(shí)，這種情況說(shuō)明動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的算法在預(yù)定精度的要求范圍內(nèi)，我們不需要改變?nèi)魏蔚膮?shù)，讓其網(wǎng)絡(luò)繼續(xù)訓(xùn)練下去即可。

第二種:當(dāng)‖ei‖≤ke，dmin＞kd時(shí)，說(shuō)明建立的D-FNN滿足系統(tǒng)的精度要求，具有較強(qiáng)的泛化能力，但是結(jié)果參數(shù)需要調(diào)整。

第三種:當(dāng)‖ei‖＞ke，dmin≤kd時(shí)，這時(shí)雖然RBF單元包含了Xi，但是不能滿足系統(tǒng)要求精度，說(shuō)明這個(gè)單元的泛化能力低，需要產(chǎn)生新的新的RBF單元。因此，該RBF節(jié)點(diǎn)以及結(jié)果參數(shù)會(huì)同時(shí)被更新。對(duì)于最接近Xi的第k個(gè)RBF單元按下式調(diào)整:

式中:kw(kw＞1)為預(yù)先設(shè)定的常數(shù)。

3 基于現(xiàn)場(chǎng)數(shù)據(jù)的協(xié)調(diào)系統(tǒng)建模

3.1 數(shù)據(jù)獲取

實(shí)驗(yàn)建模與現(xiàn)場(chǎng)的配合密不可分。目前，國(guó)內(nèi)大部分電廠都使用DCS系統(tǒng)，使得熱工過(guò)程運(yùn)行數(shù)據(jù)可以方便的保存。本文的數(shù)據(jù)選自安徽某電廠600 MW超臨界機(jī)組的歷史數(shù)據(jù)。

3.2 數(shù)據(jù)處理

數(shù)據(jù)濾波:基于試驗(yàn)法建模所采集的工業(yè)數(shù)據(jù)會(huì)有漂移和緩慢變化的現(xiàn)象，建模過(guò)程中，這些數(shù)據(jù)的低頻特性會(huì)使系統(tǒng)不能穩(wěn)定，從而使得建模精度下降。所以，要對(duì)工業(yè)數(shù)據(jù)進(jìn)行高通濾波處理，剔除這類數(shù)據(jù)。同時(shí)，如果采集數(shù)據(jù)時(shí)有高頻的干擾噪聲影響，就會(huì)使數(shù)據(jù)曲線出現(xiàn)“毛刺”，這時(shí)，就要串入低通濾波器進(jìn)行數(shù)據(jù)平滑處理。

壞值剔除:在實(shí)際現(xiàn)場(chǎng)中，由于某種原因(采集數(shù)據(jù)裝置失靈)使的數(shù)值幅值遠(yuǎn)遠(yuǎn)超過(guò)實(shí)際信號(hào)的正常范圍，這些數(shù)據(jù)稱為壞值，直接影響建模的精度，必須剔除。本文采用低階差分法剔除壞值。

數(shù)據(jù)歸一化:歸一化是把數(shù)變成(0，1)之間的小數(shù)，這樣做可以為后面數(shù)據(jù)處理提供方便，加快網(wǎng)絡(luò)的學(xué)習(xí)速度。

3.3 基于工業(yè)測(cè)量的現(xiàn)場(chǎng)數(shù)據(jù)建模

動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的初始參數(shù)設(shè)置見(jiàn)表1。

表1 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的初始參數(shù)

設(shè)定好初始參數(shù)以后，選取燃料量、汽輪機(jī)調(diào)門開度、給水流量為輸入數(shù)據(jù);選取機(jī)組負(fù)荷，主蒸汽壓力、中間點(diǎn)溫度為輸出數(shù)據(jù)，首先對(duì)數(shù)據(jù)進(jìn)行濾波及壞值剔除等處理，然后從中選取100組數(shù)據(jù)作為模型的訓(xùn)練樣本，采用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)建立協(xié)調(diào)系統(tǒng)的模型;選取20組數(shù)據(jù)作為測(cè)試樣本來(lái)對(duì)模型進(jìn)行驗(yàn)證。模型訓(xùn)練過(guò)程中模糊規(guī)則的產(chǎn)生、均方誤差的變化以及模型的仿真結(jié)果如圖3～7所示。

圖3 模型訓(xùn)練時(shí)模糊規(guī)則的變化

圖5 機(jī)組負(fù)荷模型訓(xùn)練輸出與真實(shí)輸出比較

圖4模型訓(xùn)練的均方誤差

訓(xùn)練結(jié)果分析:隨著每一個(gè)新的數(shù)據(jù)進(jìn)入訓(xùn)練，模糊規(guī)則數(shù)在不斷的增加，前提參數(shù)和結(jié)論參數(shù)一直在保持更新。當(dāng)均方誤差不在變化時(shí)，規(guī)則數(shù)還在增加，因?yàn)橐?guī)則的產(chǎn)生依據(jù)系統(tǒng)誤差和可容納邊界，此時(shí)的高斯函數(shù)不能覆蓋該數(shù)據(jù)。最后得到模型訓(xùn)練的均方誤差為:E=3．281 9× 10－14，表明對(duì)訓(xùn)練樣本的數(shù)據(jù)擬合很好。

圖6 主蒸汽壓力模型訓(xùn)練與真實(shí)輸出比較

圖7 中間點(diǎn)溫度模型訓(xùn)練與真實(shí)輸出比較

對(duì)建立的非線性模型進(jìn)行測(cè)試，測(cè)試輸出與實(shí)際輸出的對(duì)比如圖8～10所示。

圖8 機(jī)組負(fù)荷模型測(cè)試與真實(shí)輸出比較

結(jié)果分析:機(jī)組負(fù)荷測(cè)試的絕對(duì)誤差為:error1=1．227 4;主蒸汽壓力測(cè)試的絕對(duì)誤差為:error2=0．129 7;中間點(diǎn)溫度測(cè)試的絕對(duì)誤差為:error3=0．586 6;根據(jù)測(cè)試樣本的誤差說(shuō)明該模型的預(yù)測(cè)精度可以滿足應(yīng)用條件。

圖9 主蒸汽壓力模型測(cè)試與真實(shí)輸出比較

圖10 中間點(diǎn)溫度模型測(cè)試與真實(shí)輸出比較

4 結(jié)論

本文提出的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)對(duì)超臨界機(jī)組機(jī)爐協(xié)調(diào)系統(tǒng)進(jìn)行建模，由于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)具有很好的逼近能力和泛化能力，并且不需要對(duì)系統(tǒng)的內(nèi)部結(jié)構(gòu)進(jìn)行分析，只需根據(jù)輸入輸出數(shù)據(jù)就可以建立機(jī)爐協(xié)調(diào)系統(tǒng)的無(wú)參數(shù)模型，同時(shí)其網(wǎng)絡(luò)的結(jié)構(gòu)隨著參數(shù)的調(diào)整在動(dòng)態(tài)變化，這樣不僅提高了網(wǎng)絡(luò)的學(xué)習(xí)速率，而且也保證了建模的精度。根據(jù)MATLAB仿真結(jié)果驗(yàn)證，建立的模型擬合精度高，且滿足工程實(shí)際要求，為基于神經(jīng)網(wǎng)絡(luò)的控制算法的研究提供了依據(jù)。

［1］黃芙蓉．超臨界單元機(jī)組協(xié)調(diào)控制系統(tǒng)的建模與控制［D］．保定:華北電力大學(xué)，2014．

［2］李家川，谷俊杰．超臨界機(jī)組協(xié)調(diào)控制系統(tǒng)數(shù)學(xué)模型及應(yīng)用［C］//第19屆中國(guó)過(guò)程控制會(huì)議，2008年7月22日，北京:2009．

［3］JUN-JIE GU，ZHANG L Y，LI J Q．Study on mathematical model of coordinated control system for supercritical units［C］//2009 International Conference on Machine Learning and Cybernetics，July 12－15， 2009，HebeiChina．Piscatauly:IEEE，2009: 2158－2163．

［4］宋豪杰，韓璞，李海麗．基于支持向量回歸的協(xié)調(diào)系統(tǒng)建模［J］．山西電力，2008(4):11－13．

［5］羅鵬．火電廠協(xié)調(diào)控制系統(tǒng)建模及控制方法的研究［D］．保定:華北電力大學(xué)，2016．

［6］SONG M J．Coordinated control system modeling of supercritical unitbasedonimprovedfireflyalgorithm［C］//2016 2nd International Conference on Control Science and Systems Engineering，July 27－29，Singapore．Piscataway:IEEE，2016．

［7］劉駿，殷曉明，顧幸生．一種改進(jìn)的T-S模糊模型建模及優(yōu)化方法［J］．華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，42(2):233－239．

［8］梁楊，谷俊杰．基于遺傳算法的超臨界機(jī)組模型的參數(shù)辨識(shí)［J］．電力科學(xué)與工程，2010，26(7): 38－41．

［9］馬良玉，高志元．基于神經(jīng)網(wǎng)絡(luò)的超臨界機(jī)組數(shù)學(xué)模型［J］．動(dòng)力工程學(xué)報(bào)，2013，33(7):517－522．

［10］XI Y N，WANG Y S，SONG K B．Improved neural network models for coordinated controller design of supercritical coal-fired power generating unit［C］．12th World Congress on Intelligent Control and Automation (WCICA)，2016:1274－1279．

［11］秦志明，張欒英，谷俊杰．直流鍋爐單元機(jī)組協(xié)調(diào)控制系統(tǒng)的研究與設(shè)計(jì)［J］．動(dòng)力工程學(xué)報(bào)，2016，36(1):16－21．

［12］袁世通，韓璞，劉千．超超臨界機(jī)組主汽壓控制系統(tǒng)的辨識(shí)研究［J］．計(jì)算機(jī)仿真，2014，31(3): 151－154．

［13］KOTOTICZ J，LUKOWICZ H，BARTELA L，et al．Validation of a program for supercritical power plant calculations［J］．Archives of Thermodynamics，2011，32 (4):81－89．

［14］伍世虔，徐軍．動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò):設(shè)計(jì)與應(yīng)用［M］．北京:清華大學(xué)出版社，2008．

［15］任金霞，游鑫，余志武．基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)［J］．江西理工大學(xué)學(xué)報(bào)，2015，36(3):69－73．

［16］左軍，周靈，李曉東．基于規(guī)則產(chǎn)生準(zhǔn)則與修剪策略的D-FNN算法研究［J］．中山大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，54(5): 43－48．

Modeling of Boiler Turbine Coordination System Based on Dynamic Fuzzy Neural Network

YANG Youshenga，b，WANG Dongfenga，ZHI Dana
(a．School of Control and Computer Engineering;b．Hebei power generation process simulation and Optimization Control Engineering Technology Research Center，North China Electric Power University，Baoding 071003，China)

Thermal power plant boiler turbine coordinated control system is a complex multivariable system．According to problem of the strong coupling dynamic characteristics and difficulty in modeling them，this paper proposed an algorithm which is based on the dynamic network structure changes of the fuzzy neural network to model the supercritical boiler turbine coordinated system．The proposed method has the advantages of fuzzy reasoning and learning function etc．，and the fuzzy rules are produced during the training according to the system error and can accommodate one by one to the border．The method of classification learning to improve the learning speed of the network is also utilized．After analyzing the characteristics of the coordinated system of boiler，the field data of a supercritical unit coordination system of a power plant is pretreated，and the algorithm is used for training and testing the model．The MATLAB simulation shows that the dynamic fuzzy neural network has good generalization ability;the established non-parametric model of the coordination system has a high accuracy，which can be used to design the control algorithm to coordinate system．Key words:boiler turbine coordinated system;modeling;dynamic fuzzy neural network; nonparametric model

TP183;TP202

A

1672－0792(2017)07－0058－06

楊優(yōu)生(1993－)，男，碩士研究生，研究方向?yàn)榛痣姍C(jī)組建模與仿真。

10.3969/j.ISSN.1672－0792.2017.07.010

2017－05－16。

河北省自然科學(xué)基金資助項(xiàng)目(F2014502059)。