神经网络解耦控制策略及在锅炉燃烧系统中的应用

1、神经网络解耦控制策略及在锅炉燃烧系统中的应用 神经网络解耦控制策略及在锅炉燃烧系统中的应用胡益民 张国忠 陈宇峰 广东深圳清华大学研究院(广东深圳 518057)摘 要 针对循环流化床锅炉燃烧被控对象的非线性、时变及多变量强耦合的特点，将基于人工神经网络的解耦控制策略应用于该系统中。仿真结果证明，该策略能收到良好的控制效果。关键词 神经网络 解耦 流化床锅炉 燃烧控制0 引言 循环流化床锅炉(Circulating Fluidized Bed Boiler,CFB锅炉)作为近年来国际上发展起来的新一代燃烧锅炉，具有燃烧效率高、燃料适应性广、负荷调节性能好、低污染、灰渣可综合利用等众多独特优点而

2、受到越来越广泛的重视，在电力、供热、工厂蒸汽生产中得到越来越广泛的应用。 尽管如此，当今大多数CFB锅炉的热工自动化水平不高，有的至今仍采用手动操作。尤其是其燃烧过程是一个多参数、非线性、时变及多变量强耦合的复杂系统，很难建立精确的数学模型，从而使得单纯用常规的控制理论解决这一自动控制问题变得非常困难。 CFB锅炉燃烧控制系统包括主汽压力控制、床层温度控制、送风控制及炉膛负压控制，其中送风控制分为一次风控制和二次风控制。CFB锅炉的主汽压力和床层温度均是通过调节燃料量和一次送风量来实现控制的，因而主汽压力和床层温度是具有紧密关系的强耦合变量，这给燃烧系统实现自动控制带来较大困难，要使2个变量都

3、得到精确控制几乎是不可能的。目前国内外常见的方法一般是以主汽压力控制为主，按最佳风煤比的原则来调节一次风量，同时控制床层温度在所要求的范围内。为保证CFB锅炉的安全燃烧，其床层温度有严格的限制，一般在900950之间运行,过低不但使锅炉热效率下降,而且使锅炉运行不稳定，容易灭火；过高则会使炉内脱硫效率下降，NOX的产生量大大增加，同时容易导致结焦，从而破坏循环流化床的运行状态，造成停炉故障。众多实践表明，利用这种控制方案在保证主汽压力的同时很难将床层温度控制在最优范围内。 众所周知，人工神经元网络具有学习、泛化、容错和非线性映射等多种能力。因此，它可以弥补常规方法的局限性，使得非线性、时变性和

4、不确定性多变量系统的解耦控制成为可能。鉴于此，我们力求用人工神经网络来实现CFB锅炉的主汽压力床层温度的解耦控制。1基于BP算法的神经网络解耦控制策略 为讨论方便，且不失一般性，这里假设有一个22的耦合系统，神经网络解耦补偿环节采用具有一个隐含层的双输入双输出前馈网络，其基于BP算法的神经网络解耦控制系统框图如图1所示：神经元活化函数取为：式中，为学习率。 为了叙述方便，作如下约定： 以输出层加权系数的修正为例，有： 从式(7)可以看出，如果能够求出变量：结合式(3)、(7)、(12)和式(13)可以得出，解耦神经网络输出层的加权系数按下式进行修正：2仿真分析 借助Matlab的Simulin

5、k工具箱，对循环流化床锅炉燃烧系统进行3层BP神经网络解耦控制仿真。仿真原理图如图2所示。在Matlab命令空间初始化相关参数之后，点击图2中的解耦网络训练按钮。功能块DNN利用返回的各层神经元的连接权系数，即可完成解耦功能。以燃料量为例，解耦前、后的仿真曲线如图3所示。 从图3可以看出，基于BP算法的三层神经网络能很好地实现循环流化床锅炉燃烧系统的解耦控制。3结束语循环流化床锅炉是近些年来在国际上发展起来的一项新技术，特别是在国际能源短缺的情况下，对循环流化床锅炉的需求量越来越大。但是，由于其复杂的燃烧特性，自动控制问题一直没有很好地解决，将人工神经网络应用于循环流化床锅炉的控制系统还是一种尝试，从仿真结果来看，这将是提高循环流化床锅炉燃烧自动化水平的有效途径。参考文献1陈惠等.循环流化床锅炉控制技术进展J.