基于神经网络建模和粒子群优化的_锅炉汽温控制研究毕业论文

基于神经网络建模和粒子群优化的锅炉汽温控制研究摘 要过热蒸汽温度是大型燃煤机组的主要控制参数，对机组的安全性和经济性影响很大，是锅炉安全、经济运行的重要参数之一。过热器出口温度是全厂工质温度的最高点，也是金属壁温度的最高处，在过热器正常运行时已接近材料允许的最高温度，如果过热蒸汽温度过高，会直接危及过热器及汽轮机等设备的安全，影响安全运行；而温度过低，又会降低全厂热效率，并增大汽轮机的排气湿度，进而影响汽轮机的安全。所以过热蒸汽温度过高、过低都会对机组的安全经济运行构成威胁，一般要求过热蒸汽温度维持额定值，偏差在-5+5范围。 锅炉运行过程中，影响蒸汽温度变化的因素很多，可分为两种：来自蒸汽侧和烟气侧。来自蒸汽侧影响因素的有：锅炉负荷、减温水量、给水温度等；来自烟气侧的影响因素有：燃料性质、 送风量、受热面清洁程度、燃烧器运行方式等。所以正常运行时，蒸汽温度也难免波动，必须采取非常有效的调温措施才能保证汽温符合要求。 喷水减温是过热汽温控制的常见手段。现有的过热汽温控制方法有两种，一种是传统串级PID控制的方法，另一种是智能控制方法。由于锅炉结构复杂，系统庞大，过热汽温系统是一个非线性、大迟延、大惯性、强耦合的复杂大系统。传统方法由于当负荷大范围变化时原先整定好的PID参数往往不适合新的工况，严重影响汽温控制品质，而PID参数的优化整定又耗时耗力。而智能控制非常适合于非线性、强耦合、多变量系统的建模与优化，因此得到了越来越多的重视。本文主要研究了基于神经网络的预测控制方法的过热汽温控制方案。文中采用BP网络和Elman网络完成了建模，并对这两种建模方法进行了分析。分析了锅炉过热器特性及过热汽温的影响因素。在此基础上，针对600MW超临界锅炉的过热汽温系统，借助MATLAB建立神经网络模型，确定控制方案并进行详尽的控制仿真试验。试验结果表明：与原串级PID控制系统相比，该预测控制方法明显减小了系统的超调量，大大缩短了系统的稳态时间，明显改善了过热汽温的控制品质。关键词：过热汽温，预测控制，粒子群算法，BP网络，Elman网络目录第一章绪论第二章第2章 人工神经网络的基本概念第三章第四章第6章 结论攻读硕士学位期间发表的论文及其它成果参考文献致 谢综上，研究一种智能的火电厂锅炉燃烧优化控制系统是电厂在当前的能源和环境形势下的需要，而建立快速、准确的锅炉蒸汽温度模型是优化控制系统的重要基础和必要前提。神经网络是一种按照人脑的组织和活动原理而构造的一种非线性映射模型, 可以实现任何复杂的因果关系映射,特别适用于处理复杂问题,在预测评估、智能控制、模式识别、信号处理、非线性优化、函数逼近、自适应控制和预测及管理工程等领域具有广泛的应用。近年来人们采用神经网络建立过程的非线性模型获得了满意的效果。粒子群优化(PSO)算法作为一种高效的并行搜索算法，非常适于对复杂环境中的优化问题求解，目前，粒子群优化算法已经成功地应用于系统辨识、神经网络训练、模糊系统控制、化工、医疗等各个研究和应用领域。智能控制理论是一门新兴的交叉学科，是控制理论发展的高级阶段。它是人工智能控制论、系统论和信息论等多种学科的高度综合与集成，是当今国内外自动化学科中一个十分活跃和具有挑战性的领域。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。具体说来，智能控制的研究对象具有不确定性的模型、高度的非线性和复杂的任务要求。智能控制是自动控制理论与人工智能相结合的产物。简单说来，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。智能控制理论包括下面几种:专家系统;遗传算法;Petri网;人机系统理论;大系统理论;神经网络理论;模糊集合论等。第1章 绪论1.1 课题背景能源是人类社会赖以生存和发展的重要物质基础。随着经济的发展，社会对能源的需求也在与日俱增。对全球未来七十年的能源需求及能量利用结构的预测表明，人类生产和生活对能量的需求为现在的三倍，而对电能的需求将增加到五倍，煤炭将作为发电的主要燃料以满足世界能源需求，预计其需求量将增加到目前的七倍。随着我国国民经济的迅速发展，我国电力设备装机容量以每年7%-8%的速率递增，其中燃煤机组占有很大比重2。为响应国家节能减排的号召，改善环境，电厂作为耗能大户，必须加大节能减排研究、提高锅炉机组的热效率，而加大单机容量是一种有效的手段。超临界机组作为世界上比较成熟的一项技术，具有热效率高、可靠性好、环保指标先进、可复合变压运行、调峰性能好等优势，所以运用高效、高参数、大容量的超临界机组建设燃煤电厂是我国本世纪初电力技术发展的必然趋势3,4。目前机组的蒸汽参数已由亚临界提高到超临界、超超临界水平，单机容量也已提升到1000MW级水平。这使得机组的系统越来越复杂，锅炉结构越来庞大。而作为影响锅炉安全经济运行的重要参数，锅炉过热汽温控制也一直是电厂运行中十分关注的重要课题。对于大型锅炉,主蒸汽温度、再热器蒸汽温度是两个最重要的变量，为了使机组安全、经济、稳定运行，必须将主蒸汽温度和过热蒸汽温度控制在给定值附近，不能过高或过低。原因可归结为以下三个方面：(1)因为过热蒸汽温度是锅炉汽水通道中温度最高的部分，过热器正常运行的温度一般接近于材料允许的最高温度。如果过热蒸汽温度过高，则过热器、蒸汽管道容易损坏，影响使用寿命，也会使汽轮机内部引起过度的热膨胀，造成汽轮机的高压部分金属损坏；(2)如果过热蒸汽温度过低，则会降低设备的热效率，煤耗增大。一般汽温每降低5-10，热效率约降低1%，而且温度降低会使汽轮机轴向推力增大而造成推力轴承过载，汽轮机最后几级的蒸汽湿度增加，易引起叶片磨损。(3)另外，汽温波动太大还会加速部件的疲劳损伤，引起汽轮机转子和汽缸间的胀差变化，甚至产生剧烈振动，危及机组安全运行。所以，锅炉制造厂对运行中汽温控制的质量要求是非常严格的，锅炉稳定运行时，过热汽温度必须控制在一定的范围内。一般要求过热汽温与规定值的暂时偏差值不超过士10，长期偏差不超过士5。但是，由于热工过程往往表现出非线性、慢时变、大迟延和不确定性，尤其是主蒸汽温度具有较大的惯性和迟延，同时由于负荷变化汽压波动、给水压力波动、燃烧工况变化等扰动因素多，对汽温的稳定产生不利影响，使其可控指数很低。此外，现代大型电厂对汽温变化的幅度限制很严，而参加调峰的负荷变化幅度越来越大，这使得汽温调节问题越发突出。对于大型机组，由于被控对象模型的复杂性以及控制器参数选取不合理，传统的PID控制有时已难以实现所需要的控制效果。智能控制的伺服系统应具备如下特征:具备自我学习能力，利用有限信息对被控对象进行识别、记忆、学习，在其基础上快速改善自身知识结构和控制策略；具备自适应能力，对认知对象的参数、运行环境和运行条件的变化具有适应性，使控制性能不依赖于控制对象的具体模型;具备鲁棒性，即使系统具有很强的抗干扰能力，对不确定因素的干扰不敏感;具备容错性，使系统具有故障自诊断、自屏蔽和自恢复的能力。具备自组织能力，使系统对复杂任务和分散的传感信息具有自主的协调组织功能;具备实时性强特征，使实时性控制系统具有快速的在线实时响应能力2因此，设计一种能适应多种工况变化、具有较强鲁棒性和稳定性的过热汽温控制系统非常重要，而智能控制策略在处理抗干扰方面和不确定性因素方面具备突出的优点，故研究基于智能控制理论的电站锅炉主汽温系统新型控制方法具有十分重要的意义。1.2 智能控制系统的发展及其在电厂中的应用随着人类所面临问题的日益复杂化和对控制系统性能要求的不断提高，自动控制理论和方法已从传统的采用传递函数、频率特性和根轨迹为基础的经典控制理论(频域分析法)逐渐发展到采用时域分析的现代控制理论阶段(状态空间分析法)。经过半个多世纪的发展，这些控制理论和方法己形成了比较完善的理论体系，并在许多领域都获得了成功的应用。然而它们大都是基于模型的控制，对于一些具有高度非线性的复杂控制系统，尤其是模型不确定的系统、控制对象或者过程，如一些热工对象(如工业锅炉)、机器人系统等等，虽然也能利用一些积累起来的实际经验进行分析，但总的说来，其理论和方法还很不十分成熟，很难取得令人满意的控制效果。为此，控制理论界又迈向了向更高水平的以控制理论、计算科学、人工智能和运筹学为基础的智能控制方向探索的阶段3。目前，国内外众多的专家和学者对智能控制理论和方法所做的大量工作主要集中在专家系统、模糊控制、神经网络和进化计算及其相关方面随着智能控制理论的深入研究，智能控制技术发展迅速，己提出了许多方法，如模糊控制、基于神经网络的控制系统、专家控制系统与专家控制器、遗传算法控制、组合智能控制等。其中模糊控制、神经网络控制和专家控制是目前智能控制中最为活跃的领域。在应用方面，其研究重点集中在智能控制元件、系统的智能控制方法和智能控制器的实时实现方面。 80年代以来，智能控制方法被越来越多地应用于复杂系统的控制中，其中模糊控制理论和神经网络理论在过程控制中己有了较多的应用,随着智能控制理论研究热潮的兴起，现代控制理论和智能控制理论的一些成果被学者和专家引进到火电厂热工自动化中，提出有别于传统单回路PID调节的大量先进控制策略，其中有些成功应用于火电厂实践中，诸如用于过热汽温控制的Smiht预估控制、预测智能控制、模糊控制，随着DCS和FCS的发展已有许多公司将先进控制技术的模块加入系统。英国伦敦大学教授EH.MAMDANI1974年在实验室研制成功锅炉和蒸汽机模糊控制系统，通常都以此作为模糊控制发展史上的第一里程碑1.3 本文的主要工作1、在对锅炉结构和燃烧工艺进行分析的基础上，把握蒸汽温度过程控制的关键因素及其对过热汽温的影响方式，确定了过热汽温系统模型的输入和输出；2、介绍了神经网络的基本原理和各种网络模型的工作方式，重点介绍了BP网络、Elman网络及其算法流程，然后利用BP网络和Elman网络对过热汽温系统建模并对仿真结果进行了分析和比较，总结了每个网络的特点和应用场合。在建立模型后利用粒子群算法对？进行优化，得到了；3、编写MATLAB控制程序，借助STAR-90仿真系统做了详尽的仿真实验，并与原PID串级过热汽温控制系统进行动态性能比较。最后对本文研究的不足之处做了总结并提出了展望。第二章 过热汽温系统神经网络建模2.1神经网络2.1.1神经网络简介人工神经网络(ArtlficialNeuralNetworkS，简称ANN)是模仿人脑功能的一种信息处理系统。具有通过学习获取知识并解决问题的能力，其知识存储在连接权中。它主要借鉴了人脑神经系统处理信息的过程，以数学网络拓扑为理论基础，以大规模并行性、高度的容错能力以及自适应、自学习、自组织等功能为特征，集信息加工与存储一体化，具有广泛的应用前景。它可用电子元件实现，也可用软件在计算机上实现。人工神经网络的研究涉及到计算机科学、控制论、信息科学、微电子学、心理学、认知科学、物理学、数学与力学等学科。作为智能控制的一个分支，以其独特的非传统表达方式和固有的学习能力，引起了控制界的广泛关注1。20世纪40年代初，W.McWulloch与Waiter Pitts提出了第一个神经网络模型-MP模型，为计算神经行为提供了可能性，从而开创了神经网络领域的研究。到目前为止大致经历了四个发展阶段。从1943年到60年代，在这一阶段提出了多种网络模型和相关算法,如1949年Hebb提出了Hebb算法、1958年Rosenblatt提出了感知器模型算法、1960年Widrow和Hoff提出了ADALINE网络模型，这些算法和模型都对手机网络的发展起到了重大的推动作用；60年代末至70年代，由于电子线路交叉极限的困难难以克服，使神经元的数量受到限制，导致神经网络的发展进入低潮，相关研究工作进展缓慢。80年代到90年代初期，由于物理学家J.Hopfield的Hopfield模型的提出开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络饿发展。另外，由于能量函数和稳定性等概念的产生使神经网络又获得了新的发展，相关的模型、算法和应用问题被提出。90年代以后，神经网络在经历了80年代末到90年代初的高潮后，硬件技术、应用范围与理论水平都有了很大的进展，开始进入了稳健发展时期。2.1.2神经网络的主要特性神经网络对控制领域有吸引力的特点包括1：非线性映射能力。神经网络能够充分逼近任意复杂的非线性关系，从而形成非线性动力学系统，以表示某些被控对象的模型或控制器模型。具有自适应功能。神经网络具有很强的自适应能力，它能不断地自适应修正网络权值，学习与适应不确定性系统的动态特性。具有泛化功能。能够处理那些未经训练过的数据，而获得相应于这些数据的合适解答，同样，它能够处理那些含有噪声的数据。所有定量或定性的信息都分布存储于网络内的各个神经元中，因而具有很强的容错性和鲁棒性。高度并行处理，具有很强的数据融合能力。自然地处理多输入信号，并有多个输出，适合于多变量系统。2.1.3神经网络模型神经网络是由大量神经元按一定的结构连接而成，来完成不同信息(包括智能信息)处理任务的非线性系统。不同神经元之间通过各自的突触权值来表示不同的连接关系。在学习的过程中不断调整突触权值，使网络实际输出不断逼近期望输出。图3.1是基本的神经元模型，其中xlxn是神经元的输入，wl巩是输入连接权值，夕是神经元的阂值(也称偏执量)。神经元由三个基本要素构成:图2-1 简化的神经元结构神经元的每一个输入连接都有突触连接强度，用一个连接权值来表示，即将产生的信号通过连接强度放大，每一个输入量（）都相应有一个相关联的权重（）。处理单元将经过权重的输入量化，然后相加求得其加权值之和，计算出唯一的输出量，这个输出量（）是权重和的函数。它是一个多输入、单输出的非线性元件，其输入、输出关系可描述为： (2-1)式中：y为神经元输出；f为输出变换函数，或激活函数，其非线性特征可用阈值型、分段线性型和连续型激发函数近似；是神经元第i个输入；为神经元的阈值；为权系数，表示连接的强度，说明突触的负载。为了方便，有时将也看成是对应恒等于1的输入的权值，这时式2-1的和式变成： （2-2）其中，。神经网络中常用的激发函数有阈值型函数、饱和型函数、双曲型函数、S型函数、高斯函数等，其具体表达式如表2-1所示.表2-1 神经网络常见激发函数函数形式函数表达式说明线性函数作用函数连续取值，随的增大而增大阈值型函数两种不同的表达形式，一种是对称硬限幅函数，一种是硬限幅函数。双曲型函数又称为对称的sigmoid函数S型函数又称之为sigmoid函数高斯函数式中，是高斯函数中心值，为0时函数以纵轴对称；是高斯函数的尺度因子，确定高斯函数的宽度。2.1.3神经网络结构神经网络结构划分最常用的是按照网络连接方式的划分，根据连接方式的不同，神经网络可以分成两种拓扑结构。1、前馈型神经网络神经元接受前层神经元的输出并输入到下一层，神经元之间的连接只存在入层一隐含层、隐含层一隐含层、隐含层一输出层之间，同一层神经元不存在互连每层神经元的输入仅来至于前一层神经元的输出，即层间的信号流是单向的。点分为三类:输入节点、输出节点和隐含节点，分别位于输入层、输出层和隐层，输入层和输出层与外界相连，中间层称为隐含层。前馈型网络结构如图所示。前馈型神经网络对非线性函数有很好的逼近能力。输入层隐含层输出层图3.3一层隐含层的前馈型网络2、反馈型神经网络反馈型网络模型是具有反馈功能的递归网络结构，网络中的任何两个神经均有可能互连，信号流可以是双向且反复往返传输，直到输入一输出信息趋于衡。整个网络中至少存在一个闭环回路。图3.4所示为一个完全连接的反馈型网络。反馈型网络由于对动态系统的模拟能力，对非线性和动态系统的建模与控制具有很好的前景。2.2BP神经网络BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，它可以实现从输入到输出的任意非线性映射。它的网络拓扑结构在20世纪80年代中期，由Rumelhart和McClelland为首提出的，并于1985年发展了BP网络学习算法，网络权值的调整采用误差的反向传播（Back Propagation）算法，这也是梯度下降法在多层前馈网络中的应用。BP网络结构如图2-5所示，网络由输入层、隐层和输出层节点组成，其中隐层可以是多层，隐层中的神经元均采用S型传递函数，它可以学习输入输出之间的线性和非线性关系，输出层的神经元采用线性传递函数，它能拓宽网络的输出。网络前层至后层节点通过权连接，即拓扑结构为有向无环图的前向网络6。2.3 Elman神经网络的结构动态递归网络是一种极具潜力的系统预测工具 ， 其中 Elman神经网络(图1 ) 就是一种较好的动态递归网络。Elman神经网络是Elman于1990年提出的，与 BP神经网络本质的区别是Elman神经网络既有前馈连接，又有反馈连接，克服了BP网络不具备动态特性的缺点，使训练好的网络具备非线性映射和动态特性，从而得到动态结构和系统的动力学模型。Elman神经网络的特点Elman网络是典型的局部递归内时延反馈型神经网络。较多的输入节点使系统对外部噪声特别敏感_ 4 。因此，引入Elman神经网络作为一种较好的动态递归网络是一种极具潜力的系统预测方法。与BP神经网络相比，Elman神经网络对系统预测具有训练速度快、结构简单、精度高的特点。 第四章过热汽温神经网络建模3.1基于前馈神经网络的过热汽温系统建模3.2基于反馈神经网络的过热汽温系统建模第三章 粒子群算法粒子群算法最早是在1995年由Eberhart和Kennedy共同提出的，其基本思想是受到他们早期对许多鸟类的群体行为进行建模与仿真研究结果的启发，他们的模型及仿真算法主要利用了生物学家Hepper的模型。在Hepper的仿真中，鸟在一块栖息地附近集聚，这块栖息地吸引着鸟，直到它们都落在这块地上。Hepper的模型中增加了一些内容：每个个体能够通过一定规则估计自身位置的适应值；每个个体能够记住自己当前的最好位置，称为“局部最优gbest”。这两个最优变量使得鸟在某种程度上朝着这些方向靠近。他们综合这一切内容，提出了实际鸟群的简化模型，即我们所说的粒子群算法。PSO 算法不像遗传算法那样对个体进行选择、交叉和变异操作，而是将群体中的每个个体视为多维搜索空间中一个没有质量和体积的粒子（点），这些粒子在搜索空间中以一定的速度飞行，并根据粒子本身的飞行经验以及同伴的飞行经验对自己的飞行速度进行动态调整，即每个粒子通过统计迭代过程中自身的最优值和群体的最优值来不断地修正自己的前进方向和速度大小，从而形成群体寻优的正反馈机制。PSO 算法就是这样依据每个粒子对环境的适应度将个体逐步移到较优的区域，并最终搜索、寻找到问题的最优解。起初 Kennedy 和 Eberhart 只是设想模拟鸟群觅食的过程，但后来发现 PSO 算法是一种很好的优化工具。与其他进化算法相类似，该算法模拟鸟集群飞行觅食的行为，通过鸟之间的集体协作与竞争使群体达到目的。PSO 算法和其他进化算法类似，也采用“群体”和“进化”的概念，通过个体间的协作与竞争，实现复杂空间中最优解的搜索。PSO 先生成初始种群，即在可行解空间中随机初始化一群粒子，每个粒子都为优化问题的一个可行解，并由目标函数为之确定一个适应值(fitness value)。PSO 不像其他进化算法那样对于个体使用进化算子，而是将每个个体看作是在 n 维搜索空间中的一个没有体积和重量的粒子，每个粒子将在解空间中运动，并由一个速度决定其方向和距离。通常粒子将追随当前的最优粒子而动，并经逐代搜索最后得到最优解。在每一代中，粒子将跟踪两个极值，一为粒子本身迄今找到的最优解pbest，另一为全种群迄今找到的最优解 gbest。粒子群算法是一个非常简单的算法，且能够有效地优化各种函数。从某种程度上说，此算法介于遗传算法和进化规划之间。此算法非常依赖于随机过程，这也是和进化规划相似之处。此算法中朝全局最优和局部最优靠近的调整非常类似以遗传算法中的交叉算子。此算法还使用了适应值的概念，这是所有进化计算方法所共同的特征。3.1基本算法的数学描述假设有由M个粒子组成的群体在一个D维的搜索空间一定的速度飞行。群体中粒子i在t时刻的位置表示为矢量xi=(xi1,xi2,xid)TXidLd,Ud,Ld,Ud分别为搜索空间的下限和上限；粒子的速度表示为矢量： 通过粒子群的目标函数对粒子的当前位置作出评价。第i个粒子在t时刻的个体极值，即粒子本身到目前为止搜索到的最优解可以表示为:pBest=(pi1,pid) ；全局最优值，即t时刻群体所有粒子目前找到的最优解可以表示为:gBest=( )。粒子通过跟踪这两个“极值”，进行迭代寻优。对于第k次迭代，PSO中的一个粒子速度、位置更新是按照下式进行变化的：其中t表示进化的当前代数，公式(2一1)和(2一2)中，v:为粒子个体i第t次迭代后的飞行速度;对为粒子个体i第t次迭代后的位置矢量;p、为个体粒子i的迄今为止找到的最好位置尸bes幼p;为整个种群迄今为止找到的最好位置几best;c1和c2为加速因子，c1，是用来调节粒子飞向自身最优位置的步长;c2则是调节粒子飞向全局最优位置的步长。一般c1=c2, 通常取值为2左右。rand，O和ran叭O是介于0，1之间相互独立均匀分布的随机函数;N为群体中粒子总数。在两维空间搜索时，粒子根据公式(2一1)和(2一2)从位置X到x+1移动的原理如图2.1所示。式 （）主要有三部分组成：第一部分是粒子先前速度的继承，它是由 Shi 和 Eberhart 最先提出。它表示了粒子对当前自身运动状态的信任，依据自身 速度进行惯性运动，惯性权重 w 控制着先前速度带来的影响；第二部分是“认知”部分(Cognition Modal)，表示粒子本身的思考，即综合考虑自身以