（控制理论与控制工程专业论文）基于煤粉浓度的锅炉燃烧智能控制方法研究.pdf

基于煤粉浓度的锅炉燃烧智能控制方法研究 摘要 电站锅炉是工业生产和生活中重要的动力源，在整个能源消耗中占相当大的 比重。提高锅炉的运行热效率、降低能耗是多年来技术改造和节能工作中意义深 远的课题。目前锅炉控制的核心问题就是对燃烧过程进行最有效的控制。如何使 主蒸汽压力既具有良好的动态特性，又能使入炉燃料得以充分燃烧，是燃烧过程 控制的关键。 锅炉燃烧控制系统是典型的多变量、非线性、时变、存在大时滞的复杂系统， 对象模型难以建立，采用传统的控制方法，很难达到理想的控制效果，因此有必 要研究新的智能控制策略。目前，模糊控制、神经网络正在控制领域显示出巨大 的潜力，预测控制在实际工业生产过程中也得到了一定的应用。本文在对上述三 种方法分析研究的基础上，综合利用三种方法，提出了一种基于神经网络模型的 模糊预测控制方法。首先，针对广义预测控制中滚动优化过程存在的问题，研究 利用模糊控制实现传统的滚动优化；然后，针对基本预测控制都是基于线性模型 的局限性，研究将神经网络引入模糊预测控制，用神经网络模型实现模型预测； 最后，研究该算法在锅炉燃烧控制系统中的应用，并用m a t l a b 编制了算法程序，通 过仿真研究，证明了该算法对锅炉燃烧系统能进行有效的控制，也可以推广应用 到其他非线性、大时滞系统的控制中。 本课题的主要工作和研究内容如下： ( 1 ) 分析了锅炉燃烧控制系统及与本课题相关的智能控制方法的发展现状。 ( 2 ) 研究了广义预测控制和模糊控制的基本原理，针对广义预测控制中滚动优化 过程运算量过大、采样周期不能太小而导致的抗干扰性差的问题，将模糊控制 与广义预测控制结合起来，用模糊控制器实现预测控制的优化求解。 ( 3 ) 研究了径向基函数神经网络的非线性建模能力，用神经网络模型代替传统的 预测模型实现未来信息的预测。并将神经网络、模糊控制、广义预测控制结合 起来，设计了一种新的智能控制器：基于神经网络模型的模糊预测控制器。 ( 4 ) 分析了煤粉浓度在线监测的必要性，设计了一种实用的煤粉浓度监测方法。 ( 5 ) 分析了电站锅炉燃烧控制系统的特性，对主蒸汽压力和烟气含氧量分别设计 了相应的智能控制策略，并进行了仿真实验。 关键词：模糊控制预测控制神经网络煤粉浓度燃烧控制 a b s t r a c t s t a t i o nb o i l e r1 sm l p o n 瓤l t 曲v ef o n a mmm d 、l s t r i a lp r o d l l c t l o na n dh u m a n sh i e nc o n s u m e ds i z e a b l ep r o p o r t i o ni ne n e r g ys o u r c e s nw a sas i g n i f i c a n tq u e s t i o nf o r d i s c u s s i o ni 1 1t e c m c “a l t e r 砒i o na i l dr e 帆l c h i n ge n c 理；ys o u r c e s 也a ti i i l p r o v i n gt h e r h l a l e 伍c i e n c yo fb o i l c rb 1 删i i 】g ，r e d u c i n gc o i l s 咖叩t i o no fe r l e r g y t h ek e yp m b l 锄o f b o i l e rc o n 订o “st oi m p l e m e n te f 传c t i v ec o n t r o lo nc o m h l s 虹o np r o c e s s h o wt ok e e p 也e m a i ns t e 锄p r e s s u r eh a 啊n gb e t t e rd ”a m i cc h a r a c t 耐s t i ca i l dk e 印t h ef l l e le n t e r e dt h e b o i l e rb 啪i n gt 1 1 0 r o u g h l yi sm o s ti n l p o r t a n tt oc o m b u s t i o np r o c e s sc o n t r 0 1 b o i l e rc o m b u s t i o c o n t r 0 1s y s t e mi sat y p i c a lc o m p l e xs y s t e m 诵mc h a r a c t e r i s t i c o fn o n l i n e 抓t y ，1 a 唱et i 玎】el a g ，t i i n ev a i i a t i o n ，趾de t c i ti sd i 伍c u l tt oi n o d e l t h cp l a i l t a n di sh a r d l yt oo b t a i np e r f e c tc o n 扛o lp e r f o m a n c ew i mc o n v e n t i o n a lc o n 仃o lm e t h o d ； h e n c ew es h o u l df m dn e wi n t c l l i g e n tc o n t r 0 1s 订a t e g ya tp r c s e n t ，血z z yt 1 1 e o r ya n d n e u m ln e t w o r ki s 孕a d u a l l ys h o w 证ge n o m o u s1 a t e n tc a p a c i t yi nt h ec o n 廿0 1f i e l d ，a n d g e n e r a l i z e dp r e d i c t i v ec o n t r o lh a sh a v em o r ca n di r l o r ea p p h c 砒i o n 血1 ep m c e s so f p r o d u c t i o n b a s e do nn l ea n a l y s i sa n dr e s e a r c ho f l ep r e v i o u st h r c e 虹n d so fc o n t r 0 1 t e c h n o l o g ya n dm a d eu s eo fm et h r e es y n m e t i c a l l y ，an e wi n t e l l i g e n tc o n 订0 1s 心a t e 跏 t 1 1 a ti sf u z z yp r e d i c t i v ec o m r 0 1b 硒e do nn e u r a ln e t w o r k ，i sb r o u g h tf o r w a r d f i r s t l y ， a i m e da tt h er 0 1 l i n go p t i m i z a t i o np r o b l e mi np r c d i c t i v ec o n t r o l ，s t u d yh o w l er o l l i n g o p t i m i z a t i o nb er e a l i z c db yf h z z yc o n 打0 1 1 e r ；s e c o n d l y ，a g a i n s t l el i m i t a t i o no f c o n v e m i o n a lp r e d i c t i v ec o n 的lt h a tb a s e do nl i n e a rm o d e l ，t 1 1 ep r e d i c t i v em o d e l i sb u i l t w i mn e u r a ln e t w o f kt of o r e c a s t 也e 如加r eo u t p u t ；f i n a l l ms t u d yt i l i sa l g o r i 衄a p p l i e d f o rt h eb o i l e rc o m b u s t i o ns y s t e m ，柚d 也ec o n t r o la l g o r i 也mp r o g r 锄si sw o r k e do u t w i mm a t l a b ，t h es i m u l a t i o ne x p e r i m c n t a lc u n 峙ss h o wt l l a tl l l ec o n 仃o le 行e c ti se 舳c t i v e ， a n dt h ec o n 订0 1s 打a t e g yc a nb ea p p l i e df o ro t l l c rs y s t e m s 血a tc h a r a c t e r i z e db y n o n l i n e 撕t ya 王1 dl a r g e 虹m el a g t h em a i nc o n t e n t sa r ea sf - 0 u o w ( 1 ) a n a l y z ec u r r e ms i t l l a t i o no fb o i l e rc o 玎曲u s d o nc o n t r o ls y s t e ma n di n t e l l 远e 1 1 t c o n t r 0 1c o r r e l a t e dw i t l lt i l i sp r o b l e m ( 2 ) r e s e a r c ht h ep r i n c i p l eo fg c n e m l i z e dp r e d i c t i v ec o n 止r o la n df i l z z yc o n t r 0 1 a j m e d a tt h ep r o b l 锄m a tt h ea m o u n to fc a l c u l a t i o ni s l a r g ea 1 1 d a n t i i n t e r f e r e n c e c a p a b i l i t i e si sn o tg o o d ，w l l i c he x i s t si nm l l i n go p t i m i z a t i o no fp r e d i c t i v ec o n 仃o l ， u 基于煤粉浓度的锅炉燃烧智能控制方法研究 m z z yc o n 订0 1i su s e dt oo p t i n l i z ec o m p u t a t i a na 1 1 d s e e k 1 ec o n t r 0 1v 撕d b l eb y c o m b i n a t i o no f 血z z yc o n t r 0 1a n d p r e d i c t i v e ( 3 ) r e s e a r c ht h en o n - 1 i n e a rm o d e l i n gc a p a b i l i t ) ro fr a m a lb a s i sf l h l c t i o nn e l l r a l 玎e t w o r ka 1 1 du s et h en e 啪ln e 愀p r e d i c t i v em o d e lt of e a l i z et h ep r e d i c t i o no ft h e f i l t u r eo u t p m b a s e do nt l l ec o m b i n a t i o na n di m p r o v e m c n to ft 1 1 ep r e v i o u st h r e e k i n d so fc o n 廿o lt e c h n 0 1 0 9 y an c w i n t e u i g e n tc o n 廿0 1 l e r ，f i l z z yp r c d i c t i v ec o n 们1 1 e r b a s e do nn e u r a ln e t w o r kp r e d i c t i v em o d e l ，i sd e s i g n e d ( 4 ) a n a l y z et h en e c e s s i t yo fc o a l c o n c e r 虹a d o n so n h n em e a s i l r i n ga n dd e s i g na p r a c t i c a lm e a s u d n gm e m o d ( 5 ) a n a l y z et h ec h a r a c t e r i s t i co fp l a n tb o i l e rb u r n i n gc o n 订o ls ”t e m ，d e c i d et h e c o r r e s p o n d i n gc o n t r o ls c h e m ef o rm a i ns t e 锄p r c s s u r ca n dt l l eo x y g e nc o n t e n to f g a s ，a l l dd os i m u l a t i o ne x p 豳e n t k e yw o r d s ：f 1 1 z z yc o n 仃o l ，p r e d i c t i v ec o n 打0 1 ，n 肌r a ln e t w o r k ，c o a lc o n c e n t r a t i o n ， c o m b u s t i o nc o n 缸- 0 1 i 基于煤粉浓度的锅炉燃烧智能控制方法研究 1 1 课题背景 1 绪论 随着现代工业生产的快速发展，电力工业进入了大电网、大机组、高度自动 化的时代。我国的能源结构决定了在今后相当长的时期内，一次能源仍将以煤炭 为主，燃煤发电在我国电力工业中占主导地位，是我国重点能源工业之一【l 】。近年 来，发电机组也逐步由过去的中小容量发展成为大容量、高参数的单元机组。 单元发电机组是由锅炉、汽轮发电机和辅助设备组成的庞大的设备群，其间 存在严重耦台，是一具有多干扰和不确定性，且具有强烈交叉影响的复杂多变量 系统，负荷和主蒸汽压力控制相互依赖、相互制约。发电机组的动态性能从本质 上说是非线性和时变的，而且锅炉侧存在很大的延迟，所以负荷适应能力和主蒸 汽压力稳定的矛盾一直是热工控制中有待于进一步解决的问题。其中燃烧控制系 统是热工控制系统的重要组成部分，而且它不同于其他大多数生产过程控制系统， 不仅存在动态品质调节的问题还要考虑到燃烧的经济性。如何使主蒸汽压力既具 有良好的动态特性，又能使入炉燃料得以充分燃烧，是燃烧控制的真正内涵，也 是燃烧过程控制的关键【2 】。 目前，我国燃煤电站锅炉燃烧控制系统的控制器以常规的基于数学模型的p d 控制为多。但主蒸汽压力p d 调节响应速度慢，适应机组负荷能力差，调节品质差 口l 。为了实现入炉燃料的充分燃烧，大机组普遍采用的燃烧控制方案是以氧量为被 调量的间接比值控制。该方法通过监测过量空气系数来维持锅炉运行的经济性。 但空燃比不能反映锅炉运行丰富的内涵，也不能保证最优 4 1 。所以我国的燃煤锅炉 普遍存在着自动化水平不高、运行效率低的现状，导致能源利用率低。 我国正处在经济迅速发展的阶段，据各种预测显示，在2 1 世纪，我国对能源 的需求将达4 0 5 0 亿吨标准煤，而且将以2 0 年增加一倍的速度递增【1 ，这必然要求 我们提高能源的利用率。因此，提高燃烧控制过程的自动化水平以提高发电机组 的热效率，节省有限的煤炭资源，是我国能源实现可持续发展的一项重要而紧追 的课题。 另外，我国燃煤锅炉正面临着：( 1 ) 锅炉用煤的煤质趋于下降，受国家能源政 策的限制，燃煤锅炉承担着使用劣质煤的任务。( 2 ) 煤质多变，实际燃用煤种与设 计煤种相差较大。( 3 ) 电网的峰谷差日益增大，大型机组要参加调峰，在低负荷运 郑州大学工学硕士论文 行时只能考虑稳定燃烧而无法兼顾锅炉运行的经济性。 要从根本上改变这种现状，在现有设备不能更新的情况下，只有对锅炉燃烧 控制技术进行改进，对燃烧过程进行优化组织，提高燃烧的经济性和安全性。 本文就是在这样的背景下产生的，希望寻求一种新的智能控制方法用于锅炉 燃烧过程的控制，以提高锅炉燃烧控制的自动化程度，并保证燃烧的经济性和安 全性。 1 2 燃煤电站锅炉燃烧控制系统的研究现状 电站燃烧控制系统的基本任务是使燃料燃烧所产生的热量能够适应负荷的需 要，同时还要保证锅炉运行的经济性和安全性。燃烧控制的具体内容及控制系统 的设计因燃料种类、制粉系统、燃烧方式以及锅炉的运行方式的不同而有所区别， 其任务有以下几个方面【5 】： ( 1 ) 调节燃料量来保持蒸汽压力稳定，这是燃烧控制的主要目标； ( 2 ) 随着送入炉内燃料量的变化，主汽流量和烟气含氧量发生变化，必须根 据烟气含氧量的变化相应地调节送风量，以保证燃烧过程的经济性； ( 3 ) 炉膛压力的高低关系着锅炉的安全运行。随着燃烧生成的烟气量的变化， 燃烧控制系统必须调整引风量使之与送风量相配合，以维持一定的炉膛压力。 上述三项控制任务是密切相关的，通常用三个子控制系统：燃料量调节系统、 送风量调节系统和引风量调节系统，分别调节燃料量、送风量和引风量，以维持 三个被调量( 主蒸汽压力、过剩空气系数或最佳含氧量、炉膛负压) 的稳定。三个 子控制系统相互联系、不可分割，是一个强耦合、多变量的复杂控制系统。 1 2 1 主蒸汽压力调节系统 主蒸汽压力是衡量锅炉燃烧供应的热量与外界负荷需要的能量是否相适应的 一个标志，调节的基本任务是使燃料燃烧提供的热流量适应负荷对锅炉供汽量的 要求，并尽量保持主蒸汽压力的稳定，主蒸汽压力稳定是机组一切关键参数( 包 括主汽温度、汽包水位、烟气含氧量等) 稳定的基础。因而，燃烧控制系统最主 要的任务是维持主蒸汽压力的稳定。 从控制策略上看，目前主蒸汽压力的控制方案主要有两类：一类是单回路控 制方案，其设计简洁，调节过程中参数整定方便，但控制响应速度相对较慢：一 类是串级控制方案，串级系统由于内回路的存在，不仅较好的克服了燃料侧的扰 动，而且改善了导前对象的特性，从而也改善了系统的稳定性，使主蒸汽压力波 动较小。因而串级系统的控制品质优于常规单回路系统，得到了较广泛的应用。 基于煤粉浓度的锅炉燃烧智能控制方法研究 由于常规p m 串级系统用于控制惯性时间较长的被控对象时，品质的改善程度总是 有限的，因而必须采用先进的控制方法改善等效被控对象的特性，提高控制的品 质【】。 从控制信号上看，主蒸汽压力控制信号主要有两种：主蒸汽压力偏差和直接 能量平衡。目前，在实际应用中以直接能量平衡法为绝大多数，它是一种以汽轮 机能量需求信号直接对锅炉输入能量进行控制的协调控制系统 8 1 。采用热量信号作 为控制信号( 即中间被调量) 来改善调节对象特性的串级控制方案是基于直接能量 平衡的方案，它能根据能量偏差的变化情况及时去控制燃料和送风系统，满足负 荷变化的需求。然而以热量信号作为导前信号，系统的大滞后特性并没有明显改 善。因而有学者提出了能够快速反映入炉燃料量变化的新物理量：由火焰图像处 理技术得到的炉膛辐射能信号。采用炉膛辐射能信号对入炉燃料进行反馈控制， 有效地克服了燃料侧内扰和负荷外扰对主蒸汽压力的影响，维持了主蒸汽压力的 稳定，改善了锅炉燃烧控制的品质陟m 。 从控制规律上看，实际生产中主蒸汽压力调节系统的控制器采用的控制规律 以常规的基于数学模型的p d 控制为多。由于不同负荷下对象的动态特性不断变 化，控制器参数难以整定，即使整定好，随着工况的不断变化，控制参数也会偏 离最优点。自7 0 年代以来，很多学者在主蒸汽压力调节系统的建模和控制方面， 从理论和实际应用上进行了深入的探索，包括线性和非线性模型的建立及各种控 制方法，如改进的p d 控制、自整定控制、模糊控制、神经网络控制、最优控制、 预测控制、预见控制、鲁棒控制、容错控制、反馈线性化控制、多变量频域控制， 以及主蒸汽压力回路的均衡燃烧控制、采用炉膛温度信号和炉膛辐射能信号为中 间被调量的串级控制方法等 1 l 叫6 】。 1 2 2 送风调节回路 送风调节回路的任务是保证进入炉膛的燃料充分燃烧，目前大机组普遍采用 的是氧量一空燃比系统，即以氧量为被调量的间接比值控制。该方法通过监测过量 空气系数( 即空燃比) 来维持锅炉运行的经济性。但它不能反映锅炉运行丰富的内 涵，也不能保证最优。而且运行中片面追求锅炉热效率最高，使得氮氧化物及氧 化硫排放量增加，造成环境污染加重，因此，在保证经济燃烧的前提下，控制煤 燃烧过程氮氧化物的生成，降低其放排量，即高效低污染燃烧是电站锅炉燃烧的 重要研究方向。 模糊控制和神经网络的出现较好的解决了这个问题。对送风系统控制策略的 研究，主要是引进智能控制方法对原有间接比值控制系统进行改进。文【1 7 应用模 糊自寻优控制器搜索最佳风煤比，用模糊神经网络控制器调整送风量，实现对风 煤比进行在线调整。文【1 8 】建立了飞灰含碳量的人工神经网络模型，对锅炉的燃烧 经济性进行预报，仿真研究表明了其有效性。 1 3 与本课题相关的智能控制方法研究现状 1 3 1 模糊控制 模糊逻辑控制( f u z z yl o g i cc o n 仃0 1 ) 简称模糊控制( f u z z yc o n 的1 ) 是以模糊集 合理论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。它是 模糊系统理论、模糊技术与自动控制技术相结合的产物。 “模糊集合”的概念是由美国的控制论专家l a z a d c h 教授1 9 6 5 年首次提出 的。1 9 7 3 年，他又给出了模糊逻辑推理的理论基础。1 9 7 4 年，英国的e h m 砌d a i l i 教授提出了模糊控制，并首次成功地将模糊控制技术应用于蒸汽机控制。1 9 8 5 年， t a l 【a g i 和s u g e n o 提出一种模糊规则的结论部分为输入变量线性函数的t s 模糊模型， 它和m a m d a l l i 型模糊模型一道成为模糊系统中最重要的两种模型形式 ”】。特别是 2 0 世纪9 0 年代以后，一些学者从数学的角度证明了模糊系统是一种万能非线性逼 近器【2 0 】，这就为模糊系统的普遍适用性提供了必要的理论依据。 模糊控制研究的早期，模糊控制研究者探讨如何用简单的经验规则来实现过 程的模糊控制，即通过试试看的方法总结控制规律。7 0 年代末人们开始注意模糊 控制规则自动提取的问题，以提高控制器的性能和动态适应能力。1 9 7 9 年p r o c v k 和m 锄d a l l i 首先提出语言自组织模糊控制器，该控制器由控制规则表、校正规则集 和性能测量环节构成，模拟人类的学习能力，以获得和修正控制规则。随后l i n k c n e s 等人对此作了修正和改进，增强了实用性，使模糊控制越来越多的应用于工程实 践中。近年来，为进一步解决模糊规则的获取修正和隶属函数的调节问题，研究 较多的是传统模糊控制与神经网络、遗传算法等软计算技术的结合，开创出了一 片新的研究领域【2 ”。 模糊控制的广泛应用得益于它的三个特点：( 1 ) 用模糊集来描述实际不确定的 运行工况，比用精确数字代表常变工况数据进行计算更接近实际，而且计算处理 十分简单而迅速。( 2 ) 按专家经验进行推理，不需要繁杂的数学模型，列一张二维 的简单的查询表，即可以模拟专家操作，简单、迅速而高效。( 3 ) 用平行的多条推 理规则处理多变量复杂的运行条件，不同的条件给以不同的权重，控制更简单、 迅速而高效。 为适应现代工业控制的要求，模糊控制器正朝着自适应、自组织、自学习的 方向发展，使其能真正达到仿人智能控制的目的。研究模糊控制与其他控制方法 的融合，可以克服模糊控制器设计过程中系统性的不足，使这种控制过程更加符 基于爆粉浓度的锅炉燃缱智能拄制万= 去研冗 合人们在控制决策过程中的思维特点，充分发挥其描述不精确控制行为及不受数 学模型限制的特长；改变模糊控制理论相对落后于应用的局面，提高过程控制中 状态发生大幅度变化时的鲁棒性，扩大其应用范围，从而使模糊控制对复杂系统 能进行更为有效的控制。 1 3 2 神经网络控制 神经网络控制系统是利用工程技术手段模拟人脑神经网络的结构和功能的一 种技术系统，它是一种大规模并行的非线性动力学系统。其主要特点在于对信息 的分布式存储、并行协同处理以及自组织和自学习等。它具有模拟人的形象思维 的能力，反映了人脑功能的若干基本特征，但它并不是人脑的逼真描述，而只是 它的某种抽象、简化和模拟。人工神经网络的模型多种多样，迄今己有5 0 多种神 经网络模型发表在各类文献中【2 2 1 。神经网络从结构上可分为前馈网络和动态网络。 这些网络模型己被广泛用于复杂非线性系统的控制和辨识中1 2 3 喇】。 神经网络用于控制领域的时间虽然不长，但却建立了许多有效的控制方法， 神经网络在控制系统中所起的作用来分主要有以下几种类型：第一类是充当控制 控制器；第二类是在控制系统中起优化计算作用；第三类是与其他控制方法( 如 专家系统、模糊控制等) 相融合，为其提供非参数化对象模型、推理模型等；第 四类是在基于模型的各种控制系统中充当对象的模型 2 m 7 1 。特别是在系统辨识、 非线性系统控制、智能控制、优化计算及故障诊断与容错控制方面都已经有成功 应用的范例。 神经网络的以下几个突出优点是使神经网络控制成为智能控制的一个重要分 支的原因： ( 1 ) 可以充分逼近任意复杂的非线性映射关系： ( 2 ) 所有定量或定性的信息都等势分布存储于网络内的各神经元，故有很强的鲁棒 性和容错性； ( 3 ) 采用并行分布处理方法，使得快速进行大量运算成为可能； ( 4 ) 可学习和自适应不知道或不确定的系统； ( 5 ) 能够同时处理定量和定性知识。 神经网络研究的兴起给遇到挑战的自动控制注入了新鲜的血液，并提供了新 颖的信息处理技术。在控制领域内神经网络正在稳步地发展。 1 3 3 预测控制 预测控制是从2 0 世纪7 0 年代末发展起来的一类计算机控制算法。在控制实践 郑卅l 大学工学硕士论文 中，许多复杂工业系统的数学模型很难建立，而且对象的结构和参数往往具有一 定的不确定性：从工程应用的角度来说，希望对象的模型尽量简化，系统在不确 定性因素的影响下能保持良好的鲁棒性，且控制算法简单，易于实现，从而促使 研究人员寻求对模型要求低、控制质量好、在线实现方便的控制算法。同时，计 算机计算能力的不断提高为这一研究提供了有力的支持，预测控制就是在这一背 景下产生的，并在与工业应用的紧密结合中逐步改进和发展。 目前，预测控制算法种类很多，按照所采用的模型不同可以分为基于参数模 型和非参数模型两种。基于非参数模型的预测控制有砒c h a l e t 、m i h r a 等提出的建 立在脉冲响应基础上的模型预测启发控制和模型算法控制，以及c u t l e r 等提出的建 立在阶跃响应基础上的动态矩阵控制。这种控制方法汲取了优化控制的思想，用 在线的滚动优化调节控制量取代了传统最优控制中全局最优的方法，并利用反馈 信息进行校正，在一定程度上避免了系统中不确定因素带来的影响，增强了系统 控制的鲁棒性，并且控制器形式简单，适合工业实时控制的需要。 另一类预测控制是基于参数模型的。8 0 年代初期，研究人员在自适应控制的 研究中发现，为了增加自适应控制系统的鲁棒性，在广义最小方差控制的基础上， 汲取预测控制中的多步优化策略，获得了基于辨识被控过程参数模型且带有自适 应预测的控制算法，其中最具代表性的是c l a r k e 等人提出的广义预测控制【2 ”。 它仍然保留了基于非参数模型的预测控制算法的基本特征，不过这里的被控对象 模型采用的是受控自回归积分滑动平均模型。由于参数模型是最小化模型，需要 已知模型结构，但模型参数远比非参数模型要少，减少了预测控制算法的计算量。 为了克服模型参数失配对输出预测误差的影响，引进了自适应控制的在线递推法 估计模型参数，并用估计的参数取代原模型参数，从而可进行预测控制算法的计 算。由于将自适应控制与预测控制相结合，因而由过程参数模型慢时变所引起预 测模型输出误差得以及时的修正，从而改善了系统的动态性能。基于参数模型的 预测控制算法还有广义预测极点配置自校正控制，这是l e l i c 和t a 玳) p 结合极点配置 算法和广义预测控制算法提出的。 预测控制具有如下基本特征【3 0 ： ( 1 ) 对模型要求低。现代控制理论之所以在实际工业过程中难以大规模应用，最重 要的原因之一就是对模型精度要求太高，而预测控制成功地克服了这一点； ( 2 ) 预测控制算法用滚动优化取代全局一次优化的局限，不仅在时间上满足了实时 性的要求，而且突破了传统全局优化的局限，把稳态优化与动态优化结合起来； ( 3 ) 用多变量的思想取代传统控制手段的单变量控制。因此，在应用于多变量问题 时，预测控制也常常称为多变量的预测控制； ( 4 ) 能有效处理约束问题。因为实际工业过程中的物理量受到形式多样的约束，使 其输入输出需要满足一定的上下界要求。预测控制能够很好地处理多目标和约束 基于煤粉浓度的锅炉燃烧智能控制方法研究 系统。 近年来，国内外预测控制的理论和应用研究日趋广泛，研究范围已经涉及到 预测模型类型、优化目标函数种类、约束条件种类、控制算法以及稳定性、鲁棒 性等方面，也包括多变量系统、非线性系统以及其他控制方法与预测控制的结合， 如：自适应预测控制、模糊预测控制、鲁棒预测控制、灰色预测控制、神经网络 预测控制等【”。5 1 。神经网络预测控制是在传统预测控制的基础上，利用神经网络 的非线性建模能力建立系统的预测模型，即用神经网络预测模型对系统的输出进 行预测，然后利用已有的控制算法得到控制律 3 6 】。模糊控制和预测控制都是对不 确定性系统进行控制的有效方法，预测和模糊相结合会进一步提高控制效果。模 糊预测控制的具体形式多种多样，大致可分为两类【3 7 q 9 】：( 1 ) 基于模糊模型的预测 控制。这种方法是在传统预铡控制的基础上，根据模糊推理建立系统的模型，并 根据这一模型对系统的输出进行预测，然后利用已有的控制算法得到控制律，因 此其核心问题就是模糊建模；( 2 ) 基于模糊决策的预测控制。模糊控制从某种角度 来讲，就是选择一组控制器参数使控制器输出接近最优控制律，因此可将模糊决 策引入预测控制算法，得到基于模糊决策优化的模糊预测控制算法。 目前预测控制研究的热点问题主要有 钺h 2 】： 进一步开展对预测控制的理论研究，探讨算法中主要设计参数对稳定性、鲁棒 性及其他控制性能的影响，给出参数选择的定量结果； 研究存在建模误差及干扰时预测控制的鲁棒性，并给出定量分析结果； 建立高精度的信息预测模型； 研究新的滚动优化策略： 研究非线性系统的预测控制。 1 4 本文的主要工作 本文通过研究中间储仓式、带变动负荷的燃烧控制系统存在的主蒸汽压力调 节品质和经济燃烧问题，提出了一种基于神经网络模型的模糊预测控制算法，并 设计了一种经济实用的煤粉浓度在线监测装置。针对主蒸汽压力调节系统存在较 大的滞后、燃料侧存在较大的扰动，以煤粉浓度这一能快速反映入炉燃料量变化 的参数为中间被调量设计了神经网络模糊预测串级控制算法，不仅能提高主蒸汽 压力的调节品质，同时能有效克服燃料侧扰动的影响，维持主蒸汽压力波动较小 的幅度，提高机组运行的经济性。并且用本文的控制方法改进常规的间接比值控 制调节氧量，从主蒸汽压力的动态品质和燃料的高效燃烧两个方面改进现有的燃 烧控制系统，以实现燃烧过程的智能控制。 基于煤粉浓度的神经网络预模糊预测串级控制系统结构明确、算法简单、参 郑州大学工学硕士论文 数易于整定。主要内容如下： ( 1 1 针对广义预测控制中运算量过大，采样周期不能太小而导致的抗干扰性差的问 题，将模糊控制技术引入预测控制，提出了一种新的模糊预测控制方法，用模 糊控制器实现预测控制的优化求解，以进一步提高系统的控制性能； ( 2 ) 用神经网络模型实现传统预测控制中的模型预测，设计出基于r b f 神经网络预 测模型的模糊预测控制。 ( 3 、设计了一种经济实用的煤粉浓度在线监测方法，实现燃烧过程中送粉管内煤粉 浓度的实时显示，为运行人员进行优化燃烧提供可靠的依据。 ( 4 ) 以煤粉浓度监测为基础，将基于神经网络模型的模糊预测控制与串级控制结合 起来，设计出以煤粉浓度为中间被调量的神经网络模糊预测串级控制系统，将 其用于主蒸汽压力的控制。并且进行了仿真试验，结果证明该方法是有效的。 ( 5 1 以煤粉浓度的监测结果为基础，将本文的控制方法与间接比值控制结合起来调 整送风量，保证燃烧的经济性。 基于煤粉浓度的锅炉燃烧智能控制方法研究 2 1 引言 2 模糊预测控制 模型预测控制算法( m o d e lp r e d i c t i v ec 0 n 仃0 l ，m p c ) 是在2 0 世纪7 0 年代末出现 的一种基于模型的计算机控制算法，它是在面对工业过程的特点，寻找对模型要 求低、综合控制质量好、在线计算方便的方法中发展起来的，是控制界和理论界 协作的产物。模型预测控制通常被简称为预测控制，经历了模型算法控制、动态 矩阵控制、广义预测控制、函数预测控制等控制算法【4 ”。 预测控制是以各种不同的预测模型为基础，采用在线滚动优化指标和反馈校 正的策略力求有效地克服被控对象的不确定性、迟滞和时变等因素的影响，从而 达到预期的控制目标，并使系统具有良好的鲁棒性和稳定性。因此，各种预测控 制尽管在表现形式、控制方案上各不相同，但其系统组成均大致包括：预测模型、 滚动优化、反馈校正三个要素。这三要素是预测控制区别于其它控制方法的基本 特征，同时也是预测控制在工程应用中取得成功的关键。 广义预测控制同其它预测控制一样，是基于预测模型、滚动优化和反馈校正 的优化控制算法。其核心是利用预测输出与给定值的偏差通过滚动优化求取最优 控制律。它汲取了优化控制的思想，利用滚动的有限时段优化代替全局优化，具 有较强的跟踪性能并能直接应用于时滞对象。滚动优化方法选择得当与否是确定 该算法是否实用的关键所在。 目前，工业过程的规模日益庞大，控制系统也越来越复杂，预测控制之所以 能在工业过程控制中显示出巨大的生命力，应归功于其基本原理对于复杂系统的 不确定环境的适应性。通常情况下，由于机构、能量、工艺条件以及安全性等方 面的考虑，工业过程中的物理量往往受到形式多样的约束，使得控制器的控制动 作受到限制，因此对于复杂控制系统而言，控制的目标是在满足控制约束的前提 下，使得控制目标尽量满足，并保持系统的稳定和性能的优化，所以优化控制目 标和约束条件之间常存在不同程度的模糊性和矛盾性。而且滚动优化过程中运算 量非常大，所以在实际运行中，很难找到最优解。另外，传统预测控制甚至不能 采用p d 控制那样小的采样周期，周期太小，会导致运算量过大，但如果周期太大， 将会丢失一些有用的高频信息，无法重构出连续时间信号，使控制质量下降，对 过程中突发性的干扰不如p d 控制有效【们。所以，传统预测控制在现代复杂工业生 ， 邦州大学工学硕士论文 产中很难取得满意的控制性能。 模糊控制依据熟练操作人员的经验或相关领域的专家知识，模拟人的思维特 点、利用控制规则通过推理、决策对系统进行控制，不需要预知被控对象的精确 模型，特别适用于数学模型未知或者难以建立的系统，实用性较强。但模糊控制 利用的是过程当前和过去的信息，无法对系统的变化趋势进行预测或估计，所以 不能很好地处理时滞过程。而预测控制利用预测模型，同时利用系统过去和未来 的信息，对于解决有滞后特性的控制对象有优势。虽然模糊控制和预测控制是各 自独立发展起来的两类控制算法，但将其二者进行结合具有以下合理性1 4 4 “】： 1 ) 预测控制和模糊控制都是对不确定系统进行有效控制的方法，而且各有优势， 将其结合起来会进一步提高控制特性； 2 ) 模糊控制的发展趋势是由规则型向模糊模型方面转化，而预测控制是一种基于 模型的控制方法，模型可以成为二者沟通的桥梁； 3 ) 研究模糊环境下的预测控制可以拓宽预测控制的范围。 所以，可以将模糊控制与预测控制结合起来，使他们相互弥补各自的不足。 目前模糊预测的发展大致可分为两类，一种是将模糊控制的特点和预测控制的长 处结合起来的一类算法，一种是将模糊模型作为预测模型的一类算法。 本章针对传统广义预测控制中滚动优化过程运算量过大，抗干扰性差的缺点 提出一种新的模糊预测控制算法，用模糊控制器实现传统广义预测控制中的滚动 优化计算，模糊控制器就能够根据预测模型输出的预测信息更好地处理具有滞后 的过程，也能采用比传统预测控制较小的采样周期，这样，解决了广义预测控制 中滚动优化时运算量过大的问题，响应速度加快，抗干扰性也能得到提高。 2 2 广义预测控制的基本算法 广义预测控制是随着自适应控制的研究而发展起来的一种预测控制算法，由 于各类最小方差控制器一般要求已知对象的滞后时间，如果滞后时间估计不准确， 则控制精度将大大降低。极点配置自校正控制器则对系统的阶次十分敏感。这些 控制器对模型精度要求高，束缚了其在复杂工业过程控制中的应用，寻找一种对 数学模型要求低、鲁棒性强的自适应控制算法就成为研究的重点问题。 1 9 8 7 年c l a r k e 等人在保持最小方差自校正控制的在线辨识、输出预测、最小方 差控制的基础上，吸取了模型算法控制和动态矩阵控制中滚动优化的策略，提出 了广义预测控制算法( g e n e r a l i z e dp r c d i c t i v ec o n 们l ，g p c ) 。g p c 基于参数模型， 引入了预测时域和控制时域的概念，系统设计灵活方便，具有预测模型、滚动优 化和在线反馈校正等特征，呈现出优良的控制性能和鲁棒性，被广泛地应用于工 业过程控制中。广义预测控制的基本结构如图2 1 所示。 1 0 基于煤粉浓度的锅炉燃烧智能控制方法研究 灭黜：! 高b l 反馈校正卜叫预测模型卜_ j 2 2 1 预测模裂 图2 1 广义预测控制系统的基本结构 f i g 2 1b a s i cs 帆n l r co f g e 衄l i z e dp 船血c n v ec o n 仃o ls y s t e m 预测控制是一种基于模型的控制算法，这一模型称为预测模型。预测模型根 据对象的历史信息和未来输入预测其未来的输出。预测模型的概念具有广泛的外 延，只强调模型的功能而不强调其结构形式，只要能够预测对象未来的输出即可。 系统状态方程、传递函数这类传统的模型都可以作为预测模型。对于线性稳定对 象，也可以使用系统的阶跃响应、脉冲响应这类非参数模型作为预测模型。而对 非线性系统，只要能够描述系统特性的模型都可以作为预测模型。 在广义预测控制算法中，采用了最小方差控制中所用的受控自回归积分滑动 平均( c o n t m l l e da u t o r e 孽e s s i v eh 1 i e 争a t e dm 0 v i n ga v e r a g e ，c 删a ) 模型来描 述一个受到随机干扰的对象， 爿( z 1 ) y ( 七) = 占( z - 1 ) “( _ j 一1 ) + c ( z _ ) 善( 岸) ( 2 ，1 ) 其中，a ( z 一1 ) = l + 口1 z 一1 + + 口。z ， b ( z q ) = 6 0 + 6 1 z q + + 6 。z 一“， c ( z 一1 ) = c o + c l z 一1 + + c z ， 式中，z 。1 是后移算子，表示后退一个采样周期的相应的量；4 ，口，c 分别是n ，m 和n 阶的z 。的多项式，其中多项式占( z “) 的若干首项元素可以是零，以表示对象相应 的时滞数，= 1 一z “为差分算子，y ，“，善分别表示系统输出、输入和均值为零的 臼噪声序列。这里考虑s i s o 系统，并假设c ( z - 1 ) = 1 。 2 2 2 滚动优化 预测控制是一种优化控制算法，它是通过某一性能指标的最优来确定未来的 控制作用。性能指标通常可取系统输出在未来的采样时刻跟踪某一期望轨迹的均 郑卅l 大学工学硕士论文 方差为最小，其中涉及到系统未来的行为，是根据预测模型由未来的控制策略决 定的。预测控制中的优化与传统意义下的离散最优控制不同，它是一种有限时段 的滚动优化。在每一采样时刻，优化性能指标只涉及到从该时刻起到未来有限的 时间，而到下一采样时刻，这一优化时段同时向前推移。因此，在每一时刻有一 个相对于该时刻的优化性能指标，不同时刻的优化性能指标的表达形式相同，但 所包含的时间区域是不同的。 ( 1 ) 目标函数 预测控制的优化性能指标涉及到系统未来的行为，可采用不同的性能指标来 获取控制量。一般由性能指标确定对象的当前及未来控制作用的大小，这些控制 作用将使对象的预测输出沿着某个期望的轨迹( 参考轨迹) 较优地达到系统的设定 值。为增强系统的鲁棒性，在目标函数中考虑了现在时刻的控制量对系统未来时 刻的影响，故采用下列目标函数： n 。n ，= 觑g ( j ) 陟( 七+ ，) 一啡+ 州2 + 艺a ( 烈“( 七+ j 1 ) ) 2 ( 2 2 ) 户0，z 1 其中，e 代表数学期望，是最小预测时域，1 是最大预测时域，则预测长度为 n i m m ，w 为对象输出的期望值，g ( _ ，) ，五( ，) 为大于零的加权系数序列，一般取 g ( j ) = 1 ，眠为控制时域，则在地步后控制量不再变化，即： “( + j 1 ) = ”( 七+ 。一1 ) ，j j( 2 3 ) 性能指标中采用了长时段预测的概念，把所要优