（信号与信息处理专业论文）基于模糊技术的小区供热站运行参数预测及燃烧控制研究.pdf

基于模糊技术的小区供热站运行参数 预测及燃烧控制研究 捅要 本文根据模糊神经网络和模糊智能控制技术理论，通过对小区供热站实际运 行工况的分析，对这种低温大流量、非线性大时滞系统的控制，提出了采用模糊 神经网络进行参数预测和采用模糊控制器进行智能控制相结合的新型“双模糊” 控制方法，并以青岛市春江小区供热站的锅炉采暖系统为研究对象，通过现场实 验和计算枫应用仿真，对这种解决小区供热站控制的关键技术进行了研究，取得 了良好的效果。 通过对小区供热站的结构和运行特点分析，将其化分为两个子系统：燃烧换 能子系统和热网负荷子系统。在这种动态双子系统模型的基础上，利用采集到的 多气象参数和锅炉实际运彳亍数据，进行了样本制备，并且对同一组样本数据。分 别采用改进的孙琳网络模型和n n f r 网络模型，对热网负荷子系统的关键控制 参数出、回水口水温进行了预测。并将预测结果与燃烧换能子系统的运行参 数相结合进行了再预测，最终预测结果与实验运行数据相符，从而证明了本方法 的可行性，实现了“双模糊”控制系统的第一步。 对于“双模糊”控制系统的第二步模糊控制器智能控制，本文将锅炉燃 烧系统的控制分成三个调节子系统：给煤量调节子系统、送风量调节子系统和引 风量调节子系统。利用第一步预测的关键控制参数，根据供热站实际运行的专家 经验数据，提取了模糊控制规则，实现了各调节子系统模糊控制器的设计，并用 软件实现了控制器工作过程的仿真，为小区供热站“双模糊”控制系统的实现奠 定了基础。 总之，本文所提出的解决我国小区供热站水暖锅炉控制问题的“双模糊”控 制方法，通过与实验数据和计算机仿真模拟结果的对比，证明具有良好的控制精 度和实用性，特别是该方法在模糊神经网络关键参数预测方面，较好的解决了风 向、风力、云量等模糊气象参数的建模问题。与目前采用的热网静态模型仅考虑 室外温度的方法相比，具有明显的优点。相信本方法通过在我国小区供热站迸一 步的实验完善，将有良好的推广应用前景。 关键词：模糊神经网络模糊智能控制锅炉双子系统“双模糊”控制系统 p a r a m e t e rp r e dic tio na n dc o m b u s tio no o n t r oif o rr e g io n h e a tin gs t a rio nb a s e do nf u z z yt h e o r y a b s t r a c t b a s e do nt h et h e o r yo f f u z z yn e u r a ln e t w o r ka n df u z z yi n t e l l i g e n tc o n t r o la n d a c c o r d i n gt ot h ea n a l y s i so fp r a c t i c a lo p e r a t i o nf o rr e g i o nh e a t i n gs t a t i o n ，t h ep a p e r p r e s e n t san e w c o n t r o lm e t h o do f d o u b l ef u z z y c o n t r o ls y s t e mf o rt h i sc o m p l i c a t e d n o n l i n e a rs y s t e m ：p a r a m e t e rp r e d i c t i o nb yf i t z z yn e u r a ln e t w o r ka n d i n t e l l i g e n t c o n t r o lb yf u z z yc o n t r o l l e r c h u nj i a n gr e g i o nh e a t i n gs t a t i o na tq i n g d a oi sr e g a r d e d a ss t u d y o b j e c t t h i sk e yt e c h n o l o g y t oc o n t r o lr e g i o nh e a t i n gs t a t i o ni sp e r f o r m e dt o s t u d yw i t hg o o d e f f e c ti nt e r m so f f i e l de x p e r i m e n ta n d c o m p u t e r s i m u l a t i o n a c c o r d i n g t ot h ea n a l y s i st ot h es t r u c t u r ea n dc h a r a c t e ro f r e g i o nh e a t i n gs t a t i o n ， t w o s u b s y s t e m s a r e p r e s e n t e d ：c o m b u s t i o nc a p a c i t y - e x c h a n g e ds u b s y s t e m a n d h e a t - n e tb u r d e n e ds u b s y s t e m b a s e do nt h i sd o u b l es u b s y s t e mo fb o i l e r , t h ec o l l e c t e d m u l t i - p a r a m e t e ro fw e a t h e r a n dp r a c t i c a lo p e r a t i o n a ld a t aa r eu s e dt ob u i l ds a m p l e d a t a m o d i f i e d f u z z y n e u r a ln e t w o r k ( f n n ) a n dn e u r a ln e t w o r k d r i v e n f u z z y r e a s o n i n g ( n n f r ) a r e b u i l tt op r e d i c tw a t e r t e m p e r a t u r eo f e x p o r t a t i o na n di n l e 卜出e k e yp a r a m e t e r s o fh e a t - n e tb u r d e n e ds u b s y s t e ma n dt o r e p r e d i c t t h eo p e r a t i o n a l p a r a m e t e r so f c o m b u s t i o nc a p a c i t y e x c h a n g e ds u b s y s t e mw i 也u p p e rp r e d i c t e dr e s u l t s t h eu l t i m a t ep r e d i c t e dr e s u l t sa r ec o r r e s p o n d i n gt op r a c t i c a lo p e r a t i o n a ld a t ao f b o i l e r a n dt h ef e a s i b i l i t yo ft h i sm e t h o di sp r o v e d t h ef i r s ts t e po f d o u b l ef u z z y c o n t r o l s y s t e m i si m p l e m e n t e d t o w a r dt h es e c o n d s t e po f d o u b l ef u z z y c o n t r o ls y s t e m - - i n t e l l i g e n tc o n t r o lb y f u z z yc o n t r o l l e r , t h ep a p e rd e c o m p o s e st h e c o m b u s t i o ns y s t e mo fb o i l e rt ot h r e e s u b s y s t e m ：g i v e c o a ls u b s y s t e m ，b l o w - a i rs u b s y s t e m ，t o w - a i rs u b s y s t e m a c c o r d i n g t ot h ep r a c t i c a lo p e r a t i o n a ld a t aa n ds p e c i a l i z e de x p e r i e n c ef u z z yc o n t r o lr u l e sa r e r e q u i r e d e v e r ys u b s y s t e m sf u z z y c o n t r o l l e ri s d e s i g n e d a n ds i m u l a t i o ni sa l s o p e r f o r m e dt os t u d yt h ec o n t r o l l e r s p r o p e r t yb ys o f t w a r e d o u b l ef u z z y c o n t r o l s y s t e m f o r r e g i o nh e a t i n g s t a t i o ni si m p l e m e n t e d t os u mu pt h em e t h o do f d o u b l ef u z z y c o n t r o ls y s t e mp r e s e n t e df o rr e g i o n h e a t i n g s t a t i o ni sp r o v e dt oh a v eg o o d p r e c i s i o na n dp r a c t i c a b l ev a l u ea c c o r d i n g t ot h e d a t a c o m p a r i s o n e s p e c i a l l y t h i sm e t h o ds o l v e st h em o d e l b u i l d i n g w i t h m u l t i p a r a m e t e ro fw e a t h e ri n c l u d i n gt h ed i r e c t i o no fw i n d ，t h em a g n i t u d eo fw i n d a n dt h e m a g n i t u d eo fc l o u db yf u z z y n e u r a ln e t w o r ki n p a r a m e t e rp r e d i c t i o n c o m p a r i s o nt o t h es t a t i cm o d e lo fh e a t - n e t ，t h i sm e t h o dh a so b v i o u s a d v a n t a g e b e l i e v a b l yt h r o u g hm o r ee x p e r i m e n t si nm o r er e g i o nh e a t i n gs t a t i o n st h i sm e t h o dw i l l h a v ea w i d e l yp r o s p e c t k e y w o r d s ：f u z z yn e u r a ln e t w o r k d o u b l e s u b s y s t e m o fb o i l e r f u z z yi n t e l l i g e n tc o n t r o l d o u b l ef u z z y c o n t r o ls y s t e m 基于模期技术的小区供热站运行参数颅测燃烧控制研究 o 前言 模襁技术鲁上世纪六十年代诞生以来，撂到了飞速趵发展，模糊数学和模糊 集合理论是模糊控制技术和模糊系统理论的基础。模糊神经网络是模糊逻辑推理 与人工神经网络相结合而形成的一种新型的智能计算方法，它充分发挥了模糊思 维和神经系统的优点，将二者有机的融合起来。目前，模糊神经网络的应用已经 取得了显著的成果，将模糊神经网络应用于控制系统当中，为智能控制的发展开 辟了广阔的道路。模糊神经网络被认为是2 l 世纪初人工智能界最具发展前途的 三大领域之一，作为人工智能领域的一种新技术，正向着更高层次的研究与应用 方面发展”j 。 智能控制是控制理论发展的高级阶段，也是智能信息技术的一个重要应用 点，主要用来解决那些用传统方法难以解决的复杂系统的控制问题，其中包括机 器人系统、计算机集成制造系统、复杂的工业过程控制、航空航天控制系统、社 会经济管理系统、交通运输系统等。具体来说，智能控制的研究对象具有不确定 的模型、高度的非线性和复杂的任务要求，其目的是提高系统的鲁棒性、容错性 和解决具有严重的非线性和不确定系统的控制问题【2 1 。本文研究的小区供热站采 暖锅炉控制系统也属于这一应用范畴。 进入2 l 世纪后，随着我国城市化过程的加速。我国小区供热站的建设得到 了飞速的发展，这些小区供热站都配以1 0 2 0 吨往复链条炉排式水暖锅炉，如何 采用现代控制技术对这些锅炉系统进行有效的控制，不仅具有重要的理论研究价 值，而且具有显著的节能、环保方面的现实意义。 本文在模糊神经网络和模糊智能控制技术理论研究的基础上，通过对小区供 热站实际运行工况的分析，对这种低温大流量、非线性大时滞系统的控制，提出 了采用模糊神经网络进行参数预测和采用模糊控制器进行智能控案9 相结台的新 型“双模糊”控制方法并以青岛市春江小区供热站的锅炉采暖系统为研究对 象，通过现场实验和计算机应用仿真，对这种解决小区供热站控制的关键技术进 行了研究，取得了良好的效果。 本文主要由四部分组成：第一部分是模糊智能技术的理论研究；第二部分着 重介绍了实验小区供热站的实际工况以及参数优化问题，通过对小区供热站的结 构和运行特点分析。将其化分为两个子系统：燃烧换能子系统和热网负荷子系统， 并进一步提出了小区供热站“双模糊”控制系统的方法：模糊神经网络的关疆控 制参数预测和模糊控制器的模糊智能控制；第三部分结合“双模糊”控制系统的 思想，利用采集到的多气象参数和锅炉实际运行数据，进行了样本制备，对锅炉 双子系统的关键控制参数出、回水温度进行了模糊神经网络预测，分别建立 了改进的f n n 以及n n f r 预测模型，完成了“双模糊”控制系统的第一步：第 基于模糊技术的小区供热站运行参数预测发燃烧控制研究 四部分则在锅炉关键控制参数预测的基础上，根据供热站实际运行的专家经验数 据，提取了模糊控制规则，实现了各调节子系统模糊控制器的设计，并用软件进 行了控制器工作过程的仿真，实现了对小区供热站的“双模糊”控制系统。 本文所提出的解决我国小区供热站水暖锅炉控制问题的“双模糊”控制方法， 通过与实验数据和计算机仿真模拟结果的对比，证明具有良好的控制糖度和实用 性。相信本方法通过在我国小区供热站进一步的实验完善，将有良好的推广应用 前景。 基于模糊技术的小区供热站运行参数预测投燃烧控制研究 1 模糊技术理论 模糊理论是在美国柏克莱加州大学电器工程系l a z a d e h 教授于1 9 6 5 年创 立的模糊集合理论的数学基础上发展起来的，主要包括模糊集合理论、模糊逻辑、 模糊推理和模糊控制等方面的内容。 模糊概念和模糊现象是客观世界中普遍存在的，隶属函数是描述事物模糊性 的重要概念，模糊技术从一定意义上说是对模糊信息处理技术的一种简称。例如 “个子不高”、“温度偏低”、“岁数不大”等就是典型的模糊术语，虽然这些描述 系统的语言信息不一定十分精确，但是却能提供系统的重要信息，有时甚至是了 解系统的唯一信息来源。模糊集理论为人类提供了能充分利用语言信息和数据信 息的有效工具。语言信息通常呈现经验性，是模糊的，其原因大致有三个： ( 1 ) 人们发现用模糊术语交流和表达知识既方便又有效； ( 2 ) 人们对许多问题的认识在本质上是模糊的； ( 3 ) 许多实际的应用系统通常很难用准确的术语进行描述。 模糊技术发展至今，在信息处理、故障诊断、环境预测、楼宇自控，特别是 空调、冰箱、洗衣机等家电领域己取得了广阔的应用前景。近年来，模糊逻辑、 神经网络和遗传算法一起成为了计算智能这一新兴学科的三大组成部分，模糊逻 辑理论以及神经模糊系统的应用将会极大推动人类社会的智能化进程。 1 1 模糊技术、智能控制的发展概述 模糊技术自上世纪六十年代诞生以来，得到了飞速的发展，模糊数学和模糊 集合理论是模糊控制技术和模糊系统理论的基础。最早利用模糊技术取得应用成 果的是英国伦敦大学教授e h m a m d a n i ，1 9 7 4 年他利用模糊控制语句构成模糊 控制器，首次将模糊控制理论应用于蒸汽机及锅炉的控制，取得了优于常规调节 器的控制品质。随后，丹麦、美国与日本的学者相继将模糊技术成功应用在温度、 热水装置、压力与液面、十字路口交通枢纽指挥、水泥窑生产过程与汽车速度等 自动控制中。 1 9 8 4 年，美国推出“模糊推理决策支持系统”。8 0 年代末，在日本兴起的模 糊控制技术是高科技领域的一次革命，其成果已被广泛应用于各个领域，使得日 本韵模糊控制理论研究和应用水平处于世界领先地位。目前，美国国家航天局 ( n a s a ) 正在考虑将模糊技术、模糊系统理论用于太空和航空系统。国家原子 能机构( i a e a ) 和国际工业应用系统机构( i i a s a ) 也准备在大型系统高速推理 上应用模糊系统理论。在航天器空间对接的研究中，国外己经将模糊技术应用于 绕飞和最后逼近阶段的控制，克服了难以建立精确数学模型的困难【3 j 。在硬件方 面，模糊推理集成模块以及模糊控制器的研究都取得了相当的进展，并向着体积 基于模糊技术的小区供热站运行参数预测驶燃烧挣制研究 小、速度快、应用广、适用性强的方向发展。 智能控制是自动控制理论与人工智能结合的产物，简单地说，智能控制所要 解决的问题是：如何将人工智能技术中较少依赖模型的问题求解方法与常规的控 制方法相结合。智能控制的理论包括以下几种：自适应、自组织和自学习控制、 知识工程、信息熵、p e t i t 网、人机系统理论、大系统理论、神经网络理论、模 糊集合理论以及形式语言与自动机等。其中，模糊控制理论和神经网络理论在智 能控制中已有较多应用【4 j 。 1 2 模糊理论的基础知识 模糊集合理论是模糊逻辑的基础，隶属函数是描述模糊性的重要概念，事物 之间的模糊关系用模糊矩阵来描述，模糊推理是运用模猢理论的主要依据，这些 概念术语以及它们间的集合运算构成了模糊理论的体系基础。 模糊理论中采用“隶属度”的概念来定量描述元素与模糊集合之间的隶属关 系，它是一个0 到l 之间的实数，这样，模糊概念就可以在模糊集合中得到有效 的描述。隶属函数u 。b ) 的大小反映了工对模糊子集爿的隶属程度，。g ) 的值 越接近1 ，表示x 隶属于a 的程度越高。隶属函数的确定是应用模糊理论研究模 糊问题的基础，其具体确定要有一定的科学性。常用的隶属函数有：偏小型函数、 偏大型函数、中间型函数、三角形函数、梯形函数、正态形函数等。 在模糊集合论中。模糊关系占有重要的地位。模糊关系可以看成是普通关系 的推广，普通关系是描述元素之间是否有关联，而模糊关系则是描述元素之间关 联程度的多少。设置y 是两个非空集合，则直积x y = ( 而y x x ，y y 中的 一个模糊子集月称为从j 到y 的一个模糊关系，记作x j ，。 模糊关系r 由其隶属函数。：x y _ l o ，1 l 完全刻画，序偶( x ，y ) 的隶属函数 为j 。g ，j ，) ，它表明了( t y ) 具有关系r 的程度。模糊关系由于是定义在直积空间 上的模糊集合，所以它也遵循一般模糊集合的运算规则。当论域为有限时，可以 用模糊矩阵来表示模糊关系，模糊矩阵也可以看成是普通矩阵的推广。模糊关系 和模糊矩阵的合成及运算，在模糊控制中有着重要的应用。 1 3 模糊聚类与模糊模式识别 聚类分析是近几年发展很快的一种数学分析方法，其目的是对已有样本进行 合理分类，从而达到对样本进行辨别、分析及预测的目的。模糊聚类分析是根据 事物特性指标的模糊性，应用模糊数学方法确定样本的亲疏程度而实现的分类方 法。模糊模式识别是模糊理论的一个重要分支，它与模糊聚类有着许多相通之处， 许多实际工程问题虽终都可以归结到模糊模式识别及聚类上来。 模糊聚类的基本原则有“贴近度择近法”和“最大隶属度法”等h j 。目前， 模糊分类的方法繁杂多样，就一般而言，大致可将其分为两类：基于模糊等价关 基于模糊技术的小区供热站运行参数预测及燃烧控制研究 系与模糊相似矩阵的动态聚类算法和基于模糊划分的动态聚类算法【叫。其中， k ，m e a n s 聚类法是模糊聚类中最著名也是最为常用的方法之一。 k m e a n s 聚类法的原理是首先初始化聚类中心，然后将样本按最临近规则分 组，以获得最小的总体样本与聚类中心之间的距离为准，反复调整聚类中心的值， 最终确定样本模糊聚类的模式种类和中心【7 】。其实现过程如下： ( 1 ) 在样本数据集d 中选择k 个样本点，将k 个样本点值分别赋给瓦： ( 2 ) 对样本数据集d 中的样本点p ，依次计算到各族中心瓦的距离d ( j ，) ： ( 3 ) 找出p ，关于瓦的最小距离d ( f ，) ，则p ，c ，c ，表示聚类族； 1n ( 4 ) 计算各族中样本点的平均值_ f = p ，其中p c ； “l 一 ( 5 ) 计算数据集d 中所有点的平方误差的总和e ( f ) ，并与前一次误差 e ( t 1 ) 比较： ( 6 ) 若e ( r ) 一e ( f 一1 ) 0 ，一定 存在高斯型模糊逻辑系统厂。使得 v l i ( x ) 一g ( 工) i 0 ，一定存在高斯型模糊逻辑 系统厂，使得 r ，1 l ，2 l f ，l ，( x ) 一g ( ：) d xi # ( 1 - 2 ) 其中u c r ”为致密集，l 2 p ) = 留：u 专r k g 】2 d x 图3 2 青岛市区2 0 0 4 年一到二月份的气温变化曲线图 一p一划孵螺髀昧彘 基十模糊技术的小区供热站运行参数颈翊4 发燃烧拄制研究 温度值是个特别重要的参数，它关系到双子系统的稳态平衡。影响出、回水温度 的主要气象参数有：当天的最高最低气温、风向及风的等级、天气的阴睛状况等， 其中气温的影响是最大的。图3 2 绘出的是青岛市市区2 0 0 4 年到二月份的最 高、最低气温变化图。由图可见，此段时期内的大气温度有着较强的典型性，温 度变化呈明显的升降规律，而且每天的温差比较恒定，一般都稳定在6 7 。c 左 右。 进行预测的一个重要标准就是室内温度的控制效果。因此组建预测网络模型 进行样本制备时，必须选取室内温度控制较好时段的锅炉运行数据。下图给出了 一个有代表性的连续三天内( 2 0 0 4 年2 月8 日、9 日、l o 日) 每小时的室内外 温度变化监测数据，可以看到室内温度的控制效果基本符合供暖鼢适度的要求。 供暖室内外温度曲线图 窑 釜 釜 倒 ： ，、，p 。一、p “ 臣 瀛 磊 妒。q 疑酝 fk 岫 西 1 a 吣 渤 一 2 1 9 0 4 年二月份内连续兰天( 小时) 图3 _ 3 供暖室内外温度变化曲线图 由于预测所需的气象参数带有明显的模糊概念，非常适合从模糊的角度对其 进行研究，因此在建立出、回水温度预测的网络对，首先要将使用的气象参数进 行模糊化预处理。与模型有关的输入气象参数有：当天的最高、最低气温、当天 的风向、当天的风力以及当天的阴晴状况。对于气温和风力，由于有确切的数值 表示，可以直接输入网络，也可将其模糊化后分成几个等级后，再将模糊分量的 数值输入。本文采用线性函数将其归化后，输入网络。而对于风向和阴晴状况， 则没有确切的数值表示，而是用类似“东南风”、“晴转多云”等模糊术语表示。 根据青岛的地理位置以及海洋性气候的影响，按照偏北的风和偏南的风区分风 向，假若风向有变化，则取其平均值。设定： 北风：1 o o ；东北方和西北风：0 7 5 ；东风和西风：0 5 0 ：东南风和西南风： 0 2 5 ：南风；0 0 0 。 阴晴状况按以下规律设定： 晴：1 0 0 ；有云：0 7 5 ；阴：0 5 0 ：雨：o 2 5 ：雪：o 0 0 。 基于模糊技术的, - j , 谜l 9 v , 热站运行参数颅测及燃烧控制_ | 】f 究 例如：2 0 0 4 年1 月2 0 日白天的气象预报为：晴转多云，北风5 6 级，最高气 温一l 。转化为模糊神经网络模型的输入量为：环境温度，1 0 0 ；风的方向，1 0 0 ： 风的级别，5 5 0 ：阴晴状况，0 8 1 5 。 3 3 2 出、回水温度预测模型及算法 在小区供热站关键控制参数出、回水温度预测时，应先预测出当天锅炉 出水和回水的最高、最低设定值。根据气象条件，白天和夜晚将分别出现气温的 最高、最低值，而且由于光照的差异，白天和晚间的控制方案也有所差别，所以 预测模型也就这两个时间段分别建立，但两个模型的结构和原理却是完全相同 的。下面以白天时间段的出、回水温度预测模型为例，阐述模型建立的过程，夜 晚时间段的预测模型与此相同。 在对预测数据进行完预处理后，可按照第一章所讨论的常规f n n 结构和原 理，建立白天最低出、回水温度的预测网络模型。上述m i m o 模糊神经网络虽 然也能取得一定的预测效果，但在设计上往往存在一定的缺陷和技术上的难点。 例如，模糊化和反模糊化隶属函数的选取、模糊逻辑推理及最优模糊运算的选取、 网络的学习算法选取等。虽然实际应用中可以通过采用多参数的隶属函数和模糊 算子，优化网络学习算法加以改进，但是这样一来，势必加剧网络的复杂程度， 影响其灵活性和收敛速度。本文从网络结构和算法上对预测模型进行了一定的调 整，建立一种结构简洁、具有快速学习算法、改进型的锅炉运行参数预测的模糊 神经网络模型。 改进的f n n 是一个四层结构，其出、回水温度预测模型下图所示。 图3 4 改进的f n n 出、回水温度预测模型 基十模糊技术的小区供热站运行参数顶测披燃烧控制 i ；l f 究 此网络由四个输入变量和两个输出变量组成，输入量为白天的最高气温、白 天的风向、白天的风级以及白天的阴晴状况输出量为白天出水温度及回水温度 的最低值。从图中可以看到，改进的网络模型与常规的f n n 相比有很大的不同， 该网络的结构相对简单一些，仅由四层组成【1 9 】：输入层、隶属函数层、模糊规则 推理层、反模糊化输出层。 输入层和隶属函数层与常规网络的结构相同，隶属度生成函数依然采用较为 常见的正态型函数： u 。o 沪e x p | _ 掣1 ( 3 _ ，) l u ” 其中，1 i n ，n = 3 ，表示输入变量的数目：i j m ，m 表示隶属函数层的各 个输入变量的模糊分量数。模糊规则推理层的模糊神经元数目与隶属函数层的各 个输入变量的模糊分量数m 相同，m 的确定是根据k m e a n s 方法对训练样本模 糊聚类后而得到的，并可依实际需要调整此参数的值 2 0 1 。k - m e a n s 模糊聚类方法 对样本聚类的具体实现可参考第一章的祥述。 规则层与常规模糊神经网络则有很大不同，可以看到隶属函数层到模糊规则 推理层的联接并不是全联接，而是有规律的部分联接，规则层的输出为： r = u t u 2 u = ij ( 1 j m ) ( 3 - 2 ) 而反模糊化的输出层为： 旦 只= r j ( 1 h r ，r - - 4 ，表示输出变量的数目) ( 3 3 ) j = 1 ，仍是模糊规则推理层到反模糊化输出层的联接权重，即相当于输出量e 的第 j 个语言节点的隶属函数中心值【2 “。 依照误差反传的梯度下降法，误差函数取为e = 寺( 房一只) 2 。其中，危 为样本输出值，r 为实际输出值。另外，为了加速网络的收敛速度，找到全局 极小解，又引入动量因子a ，从而得到该网络训练的调整公式为： 岛p + 1 ) 一岛一q o e 瞩+ 五_ 岛 ( 3 - 4 ) = 锋c 椭吩，黔慨x p f 一半 掣饥a f l , j ( d ) 7 艄 ，= j ，lu “ju “ p + 1 ) 一0 ) = 叩+ a p ) ( 3 5 ) 基于模糊技术的小谜供热站运 亍参数预测及燃烧控制研究 = 终c 或堋，黔n 班坤( 一半i i3 譬协删 ，= 1 ，r l ， ，v “ p + 1 ) 一0 ) = 一叩o f a + 五( 3 - 6 ) = 罟( 最一露) 卉【，+ t - 0 ) 以上公式中，田然是学习率；兀u “表示n - 1 个u 的连乘，其中不含有l = i 的 ，= i 那个u ：崛、记忆了上一次参数调整的大小和方向，动量因子a 取 值范围为( o ，1 ) ，它的选取对网络学习的收敛速度有着重要的调节作用。 3 3 3 出、回水温度预测的样本训练及结果 网络的样本数据，是在实验数据采集的基础上，并结合监测结果及专家经验， 从该供热站大量的锅炉设备运行数据中抽取出来的。在样本制备过程中，我们尽 量选取了锅炉供暖系统中运行较好数据，样本中的环境温度基本覆盖了青岛市整 个冬季气温的浮动范围。部分样本数据如下表所示： 日期环境温度风的方向风的等级阴赜状况出水温度回水温度 1 38 o o0 3 7 53 5 00 8 7 55 8 0 05 0 0 0 1 69 0 01 o o 3 5 00 6 2 55 8 0 04 9 0 0 1 95 0 00 0 0 3 5 00 8 7 56 0 0 05 l ，0 0 1 1 2o 0 01 0 06 0 00 4 1 76 6 0 05 3 ，0 0 1 1 55 0 0o 2 5 3 5 0 0 3 7 56 1 0 05 1 0 0 1 1 80 0 01 0 0 5 5 00 4 1 76 6 0 05 3 0 0 1 - 2 12 o o 1 0 05 5 0o 6 2 56 9 5 5 o o 1 3 07 0 01 0 04 5 00 8 7 55 9 0 05 0 0 0 2 31 o o1 o o5 0 00 8 7 56 4 0 05 3 0 0 2 62 o o0 8 7 55 5 00 8 7 56 3 o o5 3 0 0 2 97 o oo 5 0 3 5 00 8 7 55 9 0 05 0 0 0 2 1 51 0 0 0o 0 03 5 00 8 7 55 5 0 04 7 0 0 2 1 81 1 0 0 o o o4 5 00 8 7 55 5 0 04 7 ，0 0 2 2 19 0 00 5 05 5 003 7 55 8 ，d o4 8 0 0 表3 1 水温预测的部分样本数据 基于模糊技术的小区供热站运行参数预测及燃烧控制研究 我们将大部分样本数据用于网络训练，而将剩余部分数据用于检验网络的性 能。在训练样本确定以后，首先利用模糊k - m e a n s 法对其数据进行聚类，得到的 模糊规则数为2 ，为了提高精度，根据实际需要选择m = 3 。这样一来，实际上我 们把锅炉的运行状态按气象条件分成了三类，即“暖冬”、“正冬”和“寒冬”。 用c c 抖语言实现以上f n n 预测模型的算法程序，并在对训练样本的反复学习 中，不断调整学习率玎和动量因子五，使其达到满足网络收敛和精度的要求。最 终，行= o 0 0 3 ，五= o 9 5 ，改进的f n n 的各个参数：输入变量各模糊分量的隶属 函数的参数、模糊规则推理层到输出层间的权重也都确定下来。 图3 5 出水口水温的实际和预测数据 图3 6 回水口水温的实际和预测数掘 基于模糊技术的小区供热站运行参数预测及燃烧控制研究 用上述训练好的网络，我们又对另外一组测试样本数据进行了水温预测。结 果显示，测试样本的均方误差：出水口水温0 2 7 ，回水口水温o t 3 3 ，略高于l i 练 样本的误差o 1 0 ，但对于锅炉这种大时滞系统，这样的精度已经足够满足预测控 制的需要。部分样本数据和测试数据的实际值与预测值的比较图如上所示。 用同样的方法对夜晚时间段的样本数据进行预测，可得到出水口及回水口的 最高温度值。由于气象条件具有自相似性，进一步细化时间段的水温预测与此方 法相同，从而得到模糊控制器所需的出、回水温度的设定值。 3 3 4 燃烧换能子系统运行参数的改进的f n n 预测 在得到锅炉出水和回水温度的预测值以后，用同样类型的网络模型将预测结 果与燃烧换能子系统的运行参数相结合进行了再预测，以验证此f n n 水温预测 模型的准确性和可靠性。在此预测模型中，仅将出水温度、回水温度以及外界的 环境温度作为模糊神经网络的输入变量，而将锅炉的炉排速度、煤层厚度、弓l 风 机频率、鼓风机频率作为网络的输出量。 燃烧换能子系统运行参数预测模型的结构如下： 图3 7 改进的f n n 燃烧换能子系统运行参数预测模型 我们用两个月来每天2 4 小时的监测数据，根据用户终端室内温度的监测值， 结合锅炉运行系统2 3 小时滞后的特点，得到该网络预测模型的样本数据。部分 样本数据如下表所示： 摹于模糊技术的小区供热站运行参数预测搜燃烧丰宅制研究 室外出水回水炉排煤层引风鼓风 同期时间 温度温度温度速度厚度频率频率 1 ，1 51 5 ：0 07 2 05 7 0 04 7 0 03 6 0 o o8 0 ，o o3 7 0 03 8 o o 1 2 11 3 ：0 04 7 07 0 0 05 6 ，0 04 3 0 0 01 0 0 o o 4 5 0 0 4 3 0 0 1 2 62 3 ：0 02 6 06 8 0 05 5 0 04 1 0 o ol o o 0 0 4 5 0 04 4 0 0 1 2 71 9 ：0 01 8 06 8 0 0 5 6 0 04 0 0 o ol o o ，0 04 4 0 04 3 o o 2 ，11 9 ：0 0o 4 06 5 o o 5 4 0 04 2 0 0 09 0 0 04 2 0 04 1 0 0 2 21 7 ：0 00 6 06 5 0 05 4 o o3 6 0 ，0 01 0 0 0 04 3 0 04 2 o o 2 - 32 3 ：0 0一1 7 06 8 o o5 6 o o4 0 0 0 01 0 0 0 04 4 0 04 3 0 0 2 41 3 ：0 04 2 06 0 。0 05 0 0 03 6 0 o o9 0 0 03 9 0 03 9 0 0 2 41 5 ：0 03 3 06 1 0 05 0 o o3 8 0 0 09 0 0 04 0 0 04 0 0 0 2 51 5 ：0 01 5 06 4 0 05 4 0 04 l o o o9 0 o o4 2 0 04 1 0 0 2 81 2 ：0 06 5 05 9 0 04 8 0 03 8 0 0 08 0 0 03 8 0 03 9 0 0 2 1 07 ：0 02 7 06 2 0 05 i ，0 03 9 0 0 09 0 o o4 1 0 04 1 0 0 2 1 31 5 ：0 09 5 05 5 0 04 6 0 03 4 0 0 08 0 o o3 7 o o3 9 0 0 2 1 59 ：0 05 4 05 9 ，o o4 9 0 03 9 0 + 0 08 0 o o 3 8 0 0 3 9 0 0 表3 2 燃烧换能子系统运行参数预测的部分样本数据 在给煤量的参数设定上。由于煤层厚度是一个不连续的调节量，最佳的煤层 厚度应保证在8 0 m m 1 0 0 m m ，只能通过调节煤闸板的开度实现三个档位的粗调。 因此在设计网络预测模型时，结合实际情况，将预测模型的模糊分量数选择为三。 此模型的建立与水温预测完全相同，各运行参数的部分预测结果如下图所示： 目寸间( 小时) 图3 8 炉排速度实际和预测数据 仨一橱世性蠖n露 基于模糊技术的小区供热站运行参数预测放燃烧控制研究 图3 9 引风机频率实际和预测数据 图3 1 0 鼓风机频率实际和预测数据 图3 ，1 1 炉排速度实际和预测数据 一zh一摸辖区而 zh一褂曝辖区撷 毛_)螂倒爨器袅躁 基于模糊拄术的小区供觏站运行参数预测段燃烧控制研究 以上四个运行参数的预测误差分别为：引风机频率o 1 9 ，鼓风机频率o 2 4 ， 煤层厚度0 、1 l ，炉排速度1 0 7 l 。可以看到，引风机和鼓风机频率及煤层厚度预 测的均方误差较小，可满足锅炉实际运行的需要，而炉排速度预测的均方误差较 大，考虑到炉排速度基数也较大，并且炉排速度与煤层厚度有着直接的关系，应 将煤层厚度也作为炉排速度的直接输入量，对网络模型进行一定的修正。 经过修正后的炉排速度实际和预测数据如下图所示，此时测试数据的均方误 差下降为4 2 4 ，效果己明显改善。考虑到炉排速度在控制要求上以1 0 m h 单位量 为调节标准，亦可满足小区供热站实际运行的需要。 时间( 一j 、时) 图3 1 2 修正后的炉排速度实际和预测数据 实验证明，改进的f n n 应用于小区供热站关键控制参数预测中，有效的引 入了多气象参数为网络输入量，使得网络预测的精度较高、效果较好，与热网静 态模型相比，有着很大的改善。根据著名的s t o n e w e i r s t r a s s 定理，可以证明该 改进型的f n n 具有全局逼近性质【9 】，从而为网络的理论研究及应用推广奠定了 坚实的基础。 3 4 基于n n f r 的关键控制参数预测 以上所讨论的f n n 预测模型，是从网络输入量的模糊化角度入手，将输入 量分为几个相关的模糊分量，再按照网络的模糊规则进行学习和预测，其特点是 预测模型的结构相对较为独立。为了进一步说明模糊神经网络模型对关键控制参 数预测的可行性，我们又利用神经网络驱动型模糊推理系统( n n f r ) ，对上述 同一组样本数据，从整体上对预测模型迸行模撷亿处理，实现参数预测。 3 4 1 神经网络驱动型模糊推理系统 模糊逻辑系统中，取得众多领域应用的高木关野( t a k a g i s u g e n o ) 模型是 模糊系统成功的典范在高木一关野模颧系统中，模糊规耍g 有着以下特殊形式： 2 9 一鼍一驾殿薹象 基于模糊技术的小区供热站运行参数预测及燃烧控制研究 月( 。) ：i f i s 曩a n d - 锄dki s 碍t h e n 矿= g + g 玉+ + c 模糊系统的输出y 可表示为： y n 卢g ，) y = 点 生一( 3 。7 ) n 芦g ，) 女= i ，。t 与常舰的模糊系统相比，t s 模型具有更强的表达力它在结论部分用函数的形 式代替了模糊集，而且其输出部分可由规则库中变量的诸隶属函数以及规则的输 出精确确定。 受上述模糊系统模型的启发，结合神经网络理论，人们提出了神经网络驱动 型模糊推理系统( n e u r a l n e t w o r k - d r i v e nf u z z yr e a s o n i n g ) ，此模型可以看成是t s 系统的扩展，n 输入单输出的系统结构下图所示【2 2 】m 】。 图3 1 3 神经网络驱动型模糊推理系统模型 在图中所示的模糊系统中，共有m + 1 个神经网络，其中加也。分别用 于表示m 类规则的结论部分中的函数y ，而。则是给出每条规则对于输入x 的适用度，即用神经网络的方法来求得条件部分输入变量联合隶属函数。模糊系 统的输出由下式决定： 晶 y 2 己强。m( 3 - 8 ) 捧l 这样一来，基于神经网络的模糊推理系统的建立，主要完成以下三大任务： ( 1 ) 以模糊聚类的方法决定模糊规则数m ，获得神经网络的总个数m + l ； 基于模糊技术的小区供热站运行参数预测及燃烧控制研究 ( 2 ) 获取计算规则适用度的神经网络n n 。可以通过对相应训练样本的0 、 1 = 进制学习样本的训练得到； ( 3 ) 分别对不同规则的训练样本进行学习，以获取生成结论部分非线性函 数的神经网络n n ，( i = l ，2 ，m ) 。 上述网络模型充分体现了模糊推理系统与神经网络融合的思想，将神经网络 巧妙的嵌入模糊推理系统中，属于网络学习型的结合，使网络结构更加严谨并具 有针对性，物理意义明显。 3 4 2 出、回水温度的n n f r 预测 在建立出、回水温度的n n f r 预测模型时，首要的任务就是从输入、输出 样本中自动提取模糊规则，以确定最佳输入空间的分割，因此模糊分割聚类的方 法就显得格外重要。本文在对此模型的样本数据进行聚类时，综合考虑了多种聚 类方法，并采用模糊c 一均值法对系统模型进行了一定程度的改进。 模