（动力机械及工程专业论文）锅炉典型非线性过程的神经网络建模和控制研究.pdf

东南大学博士学位论文 摘要 热工过程的建模与控制是保证热力设备安全、经济、环保运行的必要措施和手段。随着 我国电力工业对环境保护的日益重视，电站锅炉污染物排放控制问题也越来越受到人们的关 注。锅炉特性往往具有典型的非线性和不确定性等特点，常规的线性建模方法无法准确描述 锅炉典型非线性过程的整体特性，难于实施理想的优化控制。人工神经网络具有较强的逼近 非线性函数的能力，并具有自适应学习、并行分布处理和较强的鲁棒性及容错性等优点，为 未知不确定非线性系统的建模和控制提供了一种有效的解决途径。 针对电站锅炉n o x 排放过程和过热汽温的非线性和不确定性，本文着重研究了这两个典 型非线性过程的神经网络建模和控制方法。 电站锅炉n o x 排放量的模型分为三类：基于化学反应动力学的c f i ) 模型、人工神经网 络模型、集总参数模型。不少学者分别对这三类模型进行过研究，但还没有把这三类模型结 合起来进行研究的报道。本文首先对多层前向神经网络b p 的基本构成、常用及改进的学习 算法作了简要的介绍，对燃煤过程中的n o x 生成机理进行了详细分析，通过将b p 神经网络 建模方法与n o x 生成机理的有机结合，提出了基于n o x 生成机理的非线性神经网络模型。在 此基础上，利用所建立的非线性n o x 排放神经网络模型对某电厂锅炉n o x 的排放特性进行了 预测，算法不仅可预测锅炉总的n o x 排放量，还可预测各层一次风粉单元的n o x 排放量，通 过预测计算可以定量地获得如下结论：锅炉各层一次风粉单元生成的氮氧化物量是不相 同的，中间几组一次风粉单元生成的氮氧化物量很少，最底层和最上层一次风粉单元所生成 的氮氧化物较多；在保证空气过量系数的前提下，采用过燃风及减少对燃烧区的供氧， 是降低n o x 排放量的有效措施。显然，这些结论对于有效抑制锅炉n o x 的生成及排放具有非 常重要的指导意义。另外，由于该n o x 神经网络模型具有隐节点数少、泛化能力强及学习速 度快的优点，可以有效地对锅炉n o x 排放特性进行在线预测和控制。 在r b f 网络中，隐层节点的数目和中心分布将直接影响到r b f 网络的函数逼近和泛化 能力，r b f 网络的隐层节点数和中心位置的动态调整已越来越受到人们的重视。本文在对r b f 网络的结构、构建和训练算法作了简要的介绍后，从提高网络泛化能力出发，分析了资源分 配网络( r a n ) 和最小资源分配网络( m r a n ) 的基本算法，通过加入惩罚策略和合并策略，对最 小资源分配网络算法的隐节点删减策略进行了有效改进，使改进的m r a n 网络具有学习速度 快、泛化能力强、计算精度高且具有更加紧凑的结构，十分适合于网络的在线实时调整。在 此基础上，本文进一步采用改进的l l a n 网络，并结合某3 0 0 h 阿燃煤锅炉n o x 排放和效率试 验数据，建立了电站锅炉n o x 排放与效率的非线性神经网络模型，通过计算比较，验证了采 用改进m r a n 网络所建立的锅炉n o x 排放与效率模型具有较高的精度，能满足锅炉n o x 排放 过程非线性、时变性和不确定性的要求。 影响电站锅炉n o x 排放和燃烧效率的因素基本相同，但效果往往相反，如何实现锅炉高 效率低n o x 排放是人们关注的重要问题。为了实现这一目的，本文在对现有锅炉高效低n o x 排放措施进行总结后，对前面所提出的改进腿a n 网络学习算法作了进一步的改进，即在每 一采样点对过去若干样本点进行反复的e k f 学习，使改进的豫a n 网络能对在样本点附近区 域的样本有较高的预测精度。另外，论文还进一步提出了基于实数编码的遗传算法和改进的 模拟退火算法，并把这两种优化方法分别应用于对电站锅炉高效率低n o x 排放燃烧的优化调 整上，计算结果表明：采用这两种优化调整方法后，锅炉可以在高效率低n o x 排放量的优化 工况下运行。 东南大学博士学位论文 电站锅炉过热汽温被控过程具有大惯性、时变、非线性等难于控制的特点。本文在分析 神经网络与自适应控制方法相结合的基础上，利用改进的脓a n 网络，提出了三种动态神经 网络自适应控制算法：神经p i d 控制( n n p i d ) 策略、神经内模控制( n n i m c ) 策略和神经p i d 协调控制( n n p i dc o o r d i n a t o r ) 策略。并以某电厂过热汽温控制为研究对象，进行了仿真比 较研究，结果表明：这三种基于动态神经网络的汽温自适应控制系统均比常规的p i d 控制系 统具有更好的控制品质。三种非线性汽温控制方案中，n n p i d 系统调节时间最短，但超调量 较大；n n i m c 和n n - p i dc o o r d i n a t o r 的调节时间和超调量基本相同，控制过程相对较平稳。 关键词：热工过程，锅炉排污控制，燃烧优化调整，非线性建模，非线性优化，径向基神经 网络，最小资源分配网络，遗传算法，神经网络自适应控制。 东南大学博士学位论文 a b s t r a c t t h e r m a lp r o c e s si d e n t i f i c a t i o na n dc o n t r o la r et h ee s s e n t i a lm e a n sa n dm e t h o d st oa s s u r et h e t h e r m a lf a c i l i t i e ss a f e e c o n o m i c a la n de n v i r o n m e n tp r o t e c t i n g a l o n gw i mt h ei n c r e a s i n g r e c o g n i t i o no fe n v i r o n m e n tp r o t e c t i n gi no u rn a t i o n a le l e c t r i ci n d u s t r y , t h ep o w e rs t a t i o nb o i l e r s p o l l u t a n te m i s s i o n sc o n t r o lp r o b l e mh a sa m a c t e dp e o p l e se x t e n s i v ea t t e n t i o n t h eb o i l e r so f t e n h a v et y p i c a lc h a r a c t e r i s t i c so f n o n - l i n e a d t ya n du n c e r t a i n t y t h et r a d i t i o n a ll i n e a r i t yi d e n t i f i c a t i o n m e t h o d sa r cn o ta b l et od e s c r i b et h eg l o b a lt r a i t so ft h eb o i l e r st y p i c a ln o n l i n e a r i t yp r o c e s s e s ， w h i c hi n c r e a s em a n yd i f f i c u l t i e st oi d e a lo p t i m a lc o n t r 0 1 d u et ot h e i rp o w e r f u la b i l i t yo f a p p r o x i m a t i n gn o n l i n e a rf u n c t i o n s ，a n dw i t ht h ec h a r a c t e r i s t i c so fa d a p t i v el e a r n i n g , p a r a l l e la n d d i s t r i b u t e dp r o c e s s i n g , s t r o n gr o b u s t n e s sa n df a u l tt o l e r a n c e ，n e u r a ln e t w o r k sh a v eb e e na n e f f e c t i v ea p p r o a c ht om o d e la n dc o n t r o lt h eu n k n o w na n du n c e r t a i nn o n l i n e a rs y s t e m s a i l l l i n ga tt h en o n 1 i n e a r i t ya n du n c e r t a i n t yo fp o w e rs t a t i o nb o i l e r sn o xe m i s s i o n sa n d s u p e r - h e a t e ds t e a mt e m p e r a t u r e ，t h i sp a p e rs p e c i a l l ys t u d i e sm o d e l l i n ga n dc o n t r o l l i n gm e t h o d so f t h et w ot y p i c a ln o n - l i n e a r i t yp r o c e s s e sb yn e u r a ln e t w o r k s t h e r ea r et h r e en o xe m i s s i o n sm o d e l so ft h ep o w e rs t a t i o nb o i l e r s ：c f dm o d e lo nc h e m i c a i k i n e t i c s ，a r t i f i c i a ln e u r a ln e t w o r k sm o d e la n dl u m p e dp a r a m e t e r sm o d e l m a n yr e s e a r c h e r sh a v e s t u d i e dt h et h r e em o d e l sr e s p e c t i v e l y , b u tf e ws t u d i e sa r er e p o r t e do nc o m b i n i n gt h e s et h r e e m o d e l s t h i sp a p e rm a k e sab r i e f i n t r o d u c t i o no f m u l t i - l a y e rf e e d f o r w a r dn e u r a ln e t w o r kb pb a s i c s t r u c t u r e , g e n e m la n di m p r o v i n gl e a r n i n ga l g o r i t h m a n dt h en o xg e n e r a t i o nm e c h a n i s m so f p u l v e r i z e d - c o a lb o i l e r sa r ea n a l y z e di nd e t a i l an o v e ln e u r a ln e t w o r km o d e lo ng e n e r a t i o n m e c h a n i s m si s p r o p o s e db yc o m b i n i n gn e u r a ln e t w o r k sm o d e lm e t h o d sw i t hn 0 xg e n e r a t i o n m e c h a n i s m sp e r f e c t l y b a s e do nt h ep r o p o s e dn o n - l i n e a r i t yn o xe m i s s i o n sn e u r a ln e t w o r k sm o d e l ， t h en o xe m i s s i o n st r a i t so fap o w e rs t a t i o nb o i l e ra r ep r e d i c t e d t h ea l g o r i t h mc a n to n l yp r e d i c t t h eg l o b a ln o xa n l i s s i o n so f ab o i l e r , b u ta l s ot h en o xe m i s s i o n so f e a c hp r i m a r ya i ra n dp u l v e r i z e d c o a lu n i t e b yp r e d i c t i n g , t h eq u a n t i f i c a t i o n a lr e s u l t ss h o w ：( ! ) n 0 xe m i s s i o n si ne a c hp r i m a r ya i r a n dp u l v e r i z e dc o a lu n i t ea r ed i f f e r e n t n 0 xe m i s s i o n so fi n t e r s p a c eu n i t ea r el i t t l e ，a n dn 0 x e m i s s i o n so fb o t t o ma n dt o pu n i t ea r em u c hm o r e o nt h ec o n d i t i o no fac e r t a i na i re x c e s s c o e f f i c i e n t s ，a d d i n ga o v e r f i r ea i ra n dr e d u c i n go x y g e nt oc o m b u s t i o nz o n ea r ee f f e c t i v em e a s u r e s t or e d u c en 0 xe m i s s i o n s o b v i o u s l y , t h ec o n c l u s i o n sh a v ek e yg u i d a n c es i g n i f i c a t i o n st or e d u c e n 0 xe m i s s i o n se f f e c t i v e l y i na d d i t i o n , t h em o d e lp o s s e s s e sm a n ya d v a n t a g e ss u c ha sf e wh i d d e n n o d e s ，s t r o n gg e n e r a l i z a t i o n , a n df a s tl e a r n i n g ，a ts a m et i m ec a nb eu s e dt op r e d i c ta n dc o n t r o ln 0 x e m i s s i o n se f f e c t i v e l yo nl i n e t h eq u a n t i t ya n dp o s i t i o no fr b fh i d d e nl a y e rn o d e sd i r e c t l ya f f e c t e d t h eg o o d n e s so f f u n c t i o na p p r o x i m a t i o na n dg e n e r a t i o nc a p a b i l i t i e s t h e r eh a v eb e e nc o n s i d e r a b l ei n t e r e s t si n t u n i n gr b fn e t w o r k sh i d d e nn o d e sq u a n t i t ya n dp o s i t i o nd y n a m i c l yt h e s ey e a r s a f t e rt r a d i t i o n a l r b fn e t w o r ks h l l c t u r e ，r e c o n s t r u c ta n dl e a r n i n ga l g o r i t h ma r ei n t r o d u c e db r i e f l y ，f r o mt h ep o i n t o fi m p r o v i n gt h er b fn e t w o r kg e n e r a t i o nc a p a c i t y , t h ep a p e ra n a l y s e st h eg e n e r a lr e s o u r c e a l l o c a t en e t w o r k ( r a n ) a n dm i n i m a lr e s o u r c ea l l o c a t en e t w o r k ( m r a n ) b a s i ca l g o r i t h m ，i m p r o v e s t h eh i d d e nn o d e sp r u n i n gs t r a t e g yo fm r a ne f f e c t i v e l yb ya d d i n gp u n i s h i n ga n di n c o r p o r a t i n g s t r m e g i e s t h ei m p r o v e dm o d e lh a sm o r ec o m p a c ts t r u c t u r et h a nm r a ne x c e p tt h ef a s tl e a r n i n g ， s t r o n gg e n e r a t i o n ，h i g ha c c u r a c y ，a n di sv e r ys u i t a b l ef o rn e t w o r k st u n i n go nl i n e o nt h eb a s i s ， t h ep a p e rp r o p o s e dn o n - l i n e a r i t yn e u r a ln e t w o r k sm o d e lo na p o w e rs t a t i o nb o i l e rn 0 xe m i s s i o n s h i 东南大学博士学位论文 a n de m c i e n c yb yc o m b i n i n gt h ei m p r o v e dm r a nm o d e lw i t ha3 0 0 i v l wp u l v e r i z e d - c o a lb o i l e r n o xe m i s s i o n sa n de f n c i e n c ye x p e r i m e n t sd a t a s i m u l a t i o n p r o v e st h ep r o p o s e db o i l e rn o x e m i s s i o n sa n de f f i c i e n c ym o d e lu s i n gt h ei m p r o v e dm r a ni sh i 9 1 la c c u r a c ya n ds a t i s f i e df o rt h e n o n 1 i n e a r i t y p a r a m e t e rv a r i a n c e a n du n c e r t a i nt r a i t so f t h eb o i l e rn o xe m i s s i o n sp r o c e s s f a c t o r sa f f e c t i n gn o xe m i s s i o n sa n dc o m b u s t i o ne 伍c i e n c yo ft h ep o w e ts t a t i o nb o i l e r sa r e g e n e r a l l ys a m e ，b u tt h e i re f f e c t sa r eu s u a l l yc o n t r a r y h o wt or e a c ht h eb o i l e rh i 【g he f f i c i e n c ya n d l o w n o xe m i s s i o n sh a sa t t r a c t e dt h ep e o p l e sa t t e n t i o n sw i d e l y t or e a l i z et h i sa i m a f t e r c o n c l u d i n gt h em e a s u r e so fh i g he f f i c i e n c ya n dl o wn o xe m i s s i o n s ，t h i sp a p e ri m p r o v e st h e i m p r o v e dm r a nm o d e l t h a ti sl e a r n i n gt h ep a s ts a m p l ep o i n t sr e p e a t e d l ya te v e r ys a m p l ep o i n t b ye x t e n d e dk a l m a nf i l t e ra l g o r i t h m m a k i n gt h ei m p r o v e dm r a n n e t w o r kh a v eh i g hp r e d i c t i o n a c c u r a c ya r o u n dt h es a m p l e s i na d d i t i o n ，t h eg e n e t i ca l g o r i t h mb a s e do nr e a lc o d i n ga n dt h e i m p r o v e ds i m u l a t e da n n e a l i n ga l g o r i t h ma r ep r o p o s e d t h e s et w oo p t i r e a ls t r a t e g i e sa r ea d o p t e d t o ap o w e rp l a n tb o i l e rh i g he f f i c i e n c ya n dl o wn o xe m i s s i o n sc o m b u s t i o no p t i m i z i n gr e g u l a t i o n r e s p e c t i v e l y s i m u l a t i o nr e s u l t ss h o wt h a tt h eb o i l e rc a l lr u no p t i m a l l yu n d e rh i g he f f i c i e n c ya n d l o wn o xe m i s s i o n ss t a t ea f t e rt h et w om e t h o d so p t i m i z i n g t h ep o w e rs t a t i o nb o i l e r s s u p e r - h e a t e ds t e a mt e m p e r a t u r e c o n t r o lp r o c e s sh a sm a n y c h a r a e t e d s t i c ss u c ha sb i gi n e r t i a , t i m ev a r i a n c e ，n o n l i n e a r i t y ，w h i c ha r ed i 位c u l tt oc o n t r 0 1 b a s e d o na n a l y z i n gc o m b i n i n gc o n v e n t i o n a ln e u r a ln e t w o r k sw i t ha d a p t i v ec o n t r o l ，t h ep a p e rp r o p o s e s t h r e ed y n a m i cn e u r a ln e t w o r k ss e l f - a d a p t i v ec o n t r o la l g o d t h m su s i n gt h ei m p r o v e dm r a n ： n e u r a ln e t w o r k sp i dc o n t r o ls t r a t e g y , n e u r a ln e t w o r k si n t e r n a lc o n t r o ls t r a t e g ya n dn e u r a l n e t w o r k sp i dc o o r d i n a t o rc o n t r o ls t r a t e g y s i m u l a t i o nc o m p a r i n gs t u d i e sf o rap o w e rs t a t i o n b o i l e rs u p e r - h e a t e ds t e a mt e m p e r a t u r ec o n t r o la r ec a r d e do u t t h et e s s i t ss h o wt h a tt h e s et h r e e a d a p t i v es t e a mt e m p e r a t u r ec o n t r o ls 3 7 s t e m sb a s e do nd y n a m i cn e u r a ln e t w o r k sa l lh a v eb e t t e r p e r f o r m a n c e st h a nt h ec o n v e n t i o n a lp i dc o n 仃o ls v s t e m i n 也e s et h r e ee o n t r o ln o n l i n e a r i t y s t r a t e 西e s n n 】i dc o n t r o ls y s t e mh a st h es h o r t e s tc o n t r o lt i m e ，b u tt h em o s te x c e s s i v eo v e r r u n q u a n t i t y c o n t r o lt i m ea n do v e q r u nq u a n t i t yo f n m ca n dn n - p i dc o o r d i n a t o rc o n t r o ls y s t e m s a r ec o n f o r m a b l e c o n t r o lc o u r s e sa r er e l a d v ec a l m k e y w o r d s ：t h e r m a lp r o c e s s , b o i l e rp o l l u t a n te m i s s i o n sc o n t r o l ，c o m b u s t i o no p t i m a lc o n t r o l ， n o n l i n e a ri d e n t i f i c a t i o n , n o n l i n e a ro p t i m i z a t i o n , r a d i a lb a s i cf u n c t i o nn e u r a ln e t w o r k s ，m i n i m a l r e s o u r c em l o c a t en e t w o r k s ，g e n e t i ca l g o r i t h m ，n e u r a ln e t w o r k sa d a p t i v ec o n t r o l i v 东南大学学位论文独创性声明 本人声明所星交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过的材料。与我 一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的复印 件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质 论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布( 包括 刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研究生院办理。 研究生签名：导师签名： 第一章绪论 1 1 选题背景及意义 第一章绪论 热工过程的建模与控制是保证热力设备安全、经济、环保运行的必要措施和手段。目前 随着国民经济的不断发展和能源的日益紧张，火电机组单机容量和参数不断增加，这使得热 力系统日趋复杂，表现出强的非线性和不确定性。与此同时，为了维持国民经济的高速可持 续发展，不仅对电站经济优化运行提出了更高的要求，而且对火电机组的烟气排污有严格的 要求。所有这些要求都对火电机组热工控制系统提出了更高的要求，即热工控制系统已从原 来只要维持好热工参数的品质要求，逐步向维持机组高效率和减少排污的方向发展。但目前 的热工控制系统仍然采用的是常规的线性p i d 控制方法，而锅炉的许多典型过程如燃烧过 程、热交换过程及烟气排污过程等具有强烈的非线性、时变性及不确定特性。线性p i d 控 制策略由于自身的局限性，对这些典型的非线性过程，难于达到满意的控制品质”j 。要提高 复杂热工过程控制系统的品质，必须研究新型的基于热工非线性模型的全局优化控制策略 m 。人工神经网络具有较强的逼近非线性函数的能力，并具有自适应学习、并行分布处理和 较强的鲁棒性及容错性等优点，为未知不确定非线性系统的建模和控制提供了一种有效的解 决途径。1 。因此，采用神经网络技术对火电机组特别是大型锅炉的典型非线性过程进行非线 性建模，然后研究全局的非线性优化调整和控制方法是一个可行的且有重要实用价值的研究 方向。 锅炉烟气排放的氮氧化物( n o x ) 是一种危害人体健康和破坏大气环境的剧毒污染物， 其排放量越来越受到环境保护部门的关注。燃煤电站锅炉是n 0 x 的主要排放来源之一，约占 n 0 x 总排放量的4 0 1 4 j 。我国火电厂大气污染物排放标准( g b l 3 2 2 3 9 6 ) 中明确规定， 3 0 0 m w 及以上机组固态排渣煤粉炉的n 0 x 排放量不得超过6 5 0 m g n m ，而在日本、美国和 欧洲各国的要求比这还要严格。火电厂燃煤锅炉n 0 x 的排放特性非常复杂，受到诸如煤种、 煤粉细度与均匀性、过量空气系数、配风方式、煤粉分配、空气预热温度、排烟温度、炉温 均匀性、燃烧器型式、锅炉负荷、炉体结构等多种因素的影响【4 _ ”。可以说锅炉氮氧化物( n 0 x ) 的生成和排放过程是一个非常典型的非线性过程i s - ”j ，为了尽可能的降低n 0 x 的排放量，必 须研究基于排放过程非线性模型的全局优化调整和控制方法。显然，基于神经网络的非线性 建模和控制是一种可行的技术手段。而对已建立的排放非线性模型，可以通过结合合理的非 线性优化算法来求解锅炉燃烧优化调整方法，其中遗传算法和模拟退火算法是典型的且都具 有一定智能性的非线性优化方法。 1 2 燃煤锅炉氮氧化物捧放控制的研究现状 由于当前我国对环境保护的重视，对电站锅炉燃烧提出了更高的要求，现代锅炉燃烧优 化调整和控制的概念包含两方面的内容：一方面是探索锅炉的高效燃烧、低负荷稳燃及降低 燃烧损失，尽可能提高锅炉的燃烧效率；另一方面是严格控制燃煤锅炉污染物的排放量，遵 守环境部门对电站制定的严格的污染物排放标准。 目前，燃煤锅炉低n 0 x 排放技术，主要是通过限制火焰温度峰值及反应区内的氧量来减 少n 0 x 的形成。由此而产生了很多低n o x 燃烧方式、低n 0 x 燃烧器和低n 0 x 炉膛等。其中， 东南大学博士学位论文 低n o x 燃烧方式有：燃料分级燃烧、排烟再循环、浓淡燃烧等；低n o x 燃烧器有：双调风燃 烧器、水平浓淡燃烧器等；低n o x 炉膛有：燃烧室大型化、分割燃烧室、切向燃烧室等“。 在实施低n o x 燃烧时，要针对主要影响因素和不同的具体情况，选用不同的方法。 一般来说，煤粉高效燃烧技术与低n o x 燃烧技术经常是互为矛盾的。降低n o x 生成与 排放根本在于控制燃烧区域的温度不能太高，但低温燃烧又会影响煤粉的燃烧效率，如何协 调好这两项技术使之达到最佳综合效果是燃烧优化控制的目标，这实际上要求对煤粉燃烧的 全过程加以控制，既能够保证煤粉着火的稳定性和煤粉的燃尽，又具有较低的燃烧温度，确 保有较低的n o x 排放量。因此，在燃烧设备已定型的条件下，如何自动调整风煤比及各层的 配煤、配风已成为高效率低n o x 燃烧技术的关键。目前，国内大型电站锅炉广泛采用的燃烧 控制方式是比值控制，这种方法是使燃料量随负荷变化，而空气量则通过风煤比随燃料量变 化。这种控制方式的优点是直观、简单，且控制系统的实现也较方便。但存在以下缺点：将 风煤比简单地看成负荷的单一函数并近似为比值关系，但实际上风煤比与负荷是一个复杂的 非线性关系，所以这种简单的处理关系并不能保证锅炉在任何工况下都能达到最佳燃烧状 态。而且目前几乎所有电站都是在机组调试时寻找锅炉燃烧的最佳风煤比，而随着机组设备 老化及烟道泄漏等情况的出现，锅炉的实际燃烧工况与调试工况有一定的差距，从而在一定 程度上也影响了锅炉的燃烧效率。另一方面，目前的锅炉燃烧控制系统根本没有考虑如何从 燃烧方式上降低n o x 的排放量，如：目前的锅炉燃烧控制系统几乎使各层的燃煤量和各层的 二次风风量相同，在机组加、减负荷过程中，各层的煤量和风量同时增、减，且增、减量基 本相同。而从降低锅炉n o x 排放量的角度出发，在保证总煤量和总风量一定的情况下，应根 据降低n o x 的要求分别调整各层的煤量和风量。因此，目前锅炉的燃烧控制系统实际上是无 法做到尽可能减少氮氧化物等污染物的排放量，要实现锅炉的高效率和低n o x 排放燃烧，必 须研究新的基于非线性燃烧和排放模型的锅炉燃烧优化调整方式及相关的控制系统。 为尽可能减少锅炉氮氧化物等污染物的排放量，目前建立锅炉n o x 排放量非线性模型已 成为各国学者的研究热点，主要建模方法有：基于计算流体力学的c f d 模型。1 、集总参数模 型“和人工神经网络”1 模型。运用c f d 来研究n o x 在锅炉内的生成与分布，可以详尽的得到 n o x 在锅炉炉膛内的生成量与分布状况，一般适合用于燃烧器及锅炉炉体结构的设计中，缺 点是模型的计算时间很长，难于用在在线优化调整和控制上；集总参数模型是在化学反应动 力学基础上，辅助于一些经验公式和现场测试而推导出来的，研究人员主要集中在建立燃油 和燃气炉的集总参数模型上，对于复杂的煤燃烧反应过程，很少研究集总参数模型；国外已 有一些学者正在研究将人工神经网络技术应用到电站燃煤锅炉高效低污染燃烧优化中来，已 取得了一定的研究成果。国内目前在这方面的研究还只是在起步阶段，还没有形成有实用性 研究成果，但应用人工神经网络技术对锅炉n o x 排放所建立的模型是一种较好的非线性黑箱 模型，利用该模型可以对燃煤锅炉氮氧化物排放量和锅炉燃烧效率进行预测。而当锅炉n o x 非线性排放模型建立后，可以通过结合非线性优化算法来求解锅炉燃烧优化调整方法，而遗 传算法和模拟退火算法是典型的且都具有一定智能性的非线性优化方法。因此，利用神经网 络和非线性优化技术来研究锅炉高效低排优化燃烧方法目前已受到国内该领域研究人员的 普遍重视。本文的研究工作正是在这样的背景下开展的，并取得了许多有实用性的研究成果。 1 3 神经网络技术在过程建模和控制中的研究现状 1 3 1 神经网络技术的发展 人类关于认知的探索由来己久。早在公元前4 0 0 年左右，希腊哲学家柏拉图( p l a t o ) 和亚里 2 第一章绪论 士多德( a s i d t o l e ) 等，就曾对人类认知的性质和起源进行过思考。并发表了有关记忆和思维 的论述。从此及以后很长的一段时间内，由于科学技术发展水平所限，人们对人脑的认识主 要停留在观察和猜测的基础之上，缺乏有关入脑内部结构及工作原理的了解，因而进展缓慢。 直n 2 0 世纪4 0 年代，随着神经解剖学、神经生理学以及神经元的电生理过程的研究取得突破 性进展。人们对人脑的结构、组成及最基本工作单元有了越来越充分的认识，在此基本认识 的基础上，综合数学、物理学以及信息处理等学科的方法对人脑神经网络进行抽象，并建立 简化的模型“，称为人工神经网络a n n ( a r t i f i c i a l n e u r a l n e t w o r k ) 。 人工神经网络创立至今已经历了6 0 多年漫长的历程，并且经历了从萧条到兴盛的曲折 发展道路。进入2 0 世纪9 0 年代以后，神经网络的研究进入了一个空前高涨的时期，多数研 究集中在网络结构、学习算法和实际应用三个方面 1 4 - 1 5 1 。目前人工神经网络的研究正处于快 速稳定发展阶段：在理论研究上进一步深入，并开发新的网络理论；在应用研究方面，进一 步进行其软件模拟和硬件实现的研究，并迅速扩展其应用领域。 作为一门活跃的边缘性交叉学科，人工神经网络的研究与应用是人工智能、认知科学、 神经生理学、非线性动力学等相关专业的热点，目前已提出了上百种的神经网络模型，涉及 模式识别、联想记忆、信号处理、自动控制、组合优化、故障诊断及计算机视觉等众多方面， 包括多层感知器模型、径向基函数r b f 网络、k o h o n e n 自组织映射理论、h o p f i e l d 网络、 自适应共振理论( a r t ) 、小脑模型关联控制器c m a c 网络、b o l t z m a n n 机模型、递归神经 网络( i 心附) ，以及近年出现的小波神经网络、概率神经网络等。在过程建模和控制中使用 较多的神经网络有多层前向b p 网络、径向基函数( 砌弹) 网络、h o p f i e l d 网络等“。从应 用的角度看，这些网络各有千秋。多层前向b p 网络有很强的生物背景，虽与函数逼近理论 略有差异，但是其卓越的输入输出映射特性在多变量函数逼近方面具有很强的优势。b p 网 络是目前应用最为广泛的一种神经网络模型，它是一种全局网络，要求使用全局信息。但 b p 神经网络往往计算量大、收敛速度慢，且容易陷入局部极小点。径向基函数( r b f ) 网络既 有生物背景，又与函数逼近理论相吻合，具有可以逼近任意非线性映射的能力，且网络结构 简单，其输出的连接权值与输出成线性关系，可以采用线性优化算法，大大改善了局部极小 点问题。近年来，径向基函数r b f 网络已成为人们的研究热点。建立径向基函数( r b f ) 网络的关键和难点在于隐层神经元位置和数量的选取和自动调整。另外，动态神经网络如 h o p f i e l d 网络、a r t 网络、动态递归神经网络等由于其内部的反馈作用，可以用较小的网络 结构来实现系统复杂的动态行为，所以也比较适合非线性动态系统的辨识和控制l l “。 l _ 3 2 神经网络在过程建模和控制中的应用 系统建模和辨识是控制理论的基本问题。在过去几十年中，人们对线性系统的建摸和辨 识进行了深入的研究，总结出了一整套成熟的辨识方法，可以建立具有较高可靠性的模型。 然而在现实世界中，非线性是普遍存在的，而线性模型只是对非线性对象的一种简化和近似。 因此，当系统非线性严重且我们期望得到高品质的控制效果时，建立性能良好的非线性模型 就显得至关重要。然而，利用传统的辨识方法要做到这一点，无论是理论研究还是工程实践 中都存在着极大的困难。 神经网络在非线性系统的建模上显示了明显的优越性。近年来，人们将神经网络模型引 入非线性系统建模和辨识中，利用神经网络所具有的对任意非线性映射的逼近能力，来模拟 实际系统的输入输出关系。而利用神经网络的自学习、自适应能力，可以方便地给出工程上 易于实现的学习算法，经过训练得到动态系统的正向或逆向模型【l ”。与传统非线性辨识方 法不同的是，神经网络辨识不受非线性模型的限制，它依靠被控系统的输入输出数据对，通 过学习得到一个描述系统输入输出关系的非线性映射，给定一个输入，即可得到一个输出， 东南大学博士学位论文 而不需要知道输入和输出之间存在怎样的数据关系，这是目前非线性系统辨识中一种引人注 目的新途径。由于多层前馈神经网络具有逼近任意非线性映射的能力，因此目前在系统辨识 和建模中应用最多的是多层前馈网络。n a r e n d r a 等人在其经典性文章中，阐明了多层前馈网 络用于非线性系统辨识的可能性，并提出了神经网络用于非线性系统辨识的一般性框架和方 法j ，这