基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法.pdf

中国新技术新产品2024 NO.3（下）-44-工 业 技 术对锅炉主蒸汽温度进行精确、快速、稳定控制是火电厂正常运行的关键。然而，传统火电厂锅炉主蒸汽温度控制方法存在一些问题。例如，一些基于规则的控制器速度虽然较快，但它们通常是固定的，不能适应复杂的工况变化。另外，一些基于模型的控制器虽然能够实现精确控制，但它们通常需要精确的模型，实际应用中通常难以得到。因此，寻找一种新型的火电厂锅炉主蒸汽温度控制方法对提高火电厂的运行效率和安全性具有重要的实际意义。目前，作为一种新型的智能控制方法，模糊神经网络在许多领域中得到了广泛应用。模糊神经网络结合了模糊逻辑和神经网络的优点，既具有模糊逻辑的鲁棒性和自适应性，又具有神经网络的自学习和自适应性。因此，模糊神经网络在处理具有不确定性和非线性的复杂系统时具有较大优势。为此本文提出基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法，为火电厂锅炉主蒸汽温度控制提供借鉴和参考。1 建立火电厂锅炉数学模型火电厂锅炉主蒸汽的温度主要受锅炉扰动因素，如保留尾部烟道的烟气温度扰动、锅炉负荷扰动以及过热器减温水侧扰动等的影响，可随工况的变化，利用线性化分布参数建模方法建立火电厂锅炉主蒸汽温度参数数学模型，并利用传递函数（传递函数是一种表示系统输入和输出间关系的数学模型）对系统进行线性、时不变的描述。由于传递函数可描述系统的动态响应，因此在控制理论中是一种常见的做法。火电厂锅炉主蒸汽温度参数数学模型如公式（1）所示。1mmTTDTspTKeD+=（1）式中：T 表示火电厂锅炉主蒸汽温度；Dsp表示火电厂锅炉减温水流量；KDT表示火电厂锅炉负荷；e 表示火电厂锅炉尾部烟道的烟气温度；表示工质流过整个受热管的平均时间；表示动态参数；Tm表示金属蓄热时间常数1。公式（1）中，工质流过整个受热管的平均时间如公式（2）所示。VD=（2）式中：V 表示火电厂锅炉环节容积；表示锅炉环节内工质的平均密度；D 表示火电厂锅炉主蒸汽流量2。根据锅炉对流放热系数确定模型中动态参数，如公式（3）所示。=（A）/（DC）（3）式中：表示锅炉对流放热系数；A 表示锅炉环节内表面积；C 表示锅炉环节内工质的平均定压比热3。公式（3）中锅炉对流放热系数计算过程如公式（4）所示。0.60.80.4CBD=（4）式中：B 表示一常数；表示锅炉流体热导率；表示锅炉流体的动力黏度4。根据锅炉管壁金属的质量和比热，计算出锅炉金属蓄热时间常数，其计算过程如公式（5）所示。Tm=（MS）/（A）（5）式中：M 表示锅炉管壁金属的质量；S 表示锅炉管壁金属的比热5。再根据锅炉喷水处蒸汽焓和减温水焓确定火电厂锅炉负荷，原因是锅炉的负荷会直接影响锅炉的运行状态，而喷水处蒸汽焓和减温水焓则是与锅炉蒸汽质量、温度相关的物理量。锅炉喷水处蒸汽焓是指喷入锅炉的水蒸气的比内能，而减温水焓则是指降温水的比内能。这些参数的变化与锅炉负荷密切相关，通过计算和监测这些物理量的变化，可以确定锅炉的负荷情况，并对锅炉运行状态进行调节和控制，其计算过程如公式（6）所示。KDT=（I-Isp）/（DspF）（6）式中：I 表示锅炉喷水处蒸汽焓；Isp表示锅炉减温水焓；F表示锅炉环节出口工质的定压比热。通过上述对火电厂锅炉主蒸汽的温度特性分析，建立火电厂锅炉温度参数数学模型。该模型旨在分析锅炉主蒸汽的温度特性，以便更好地理解和描述锅炉主蒸汽温度的变化规律，并为后续的温度控制和系统优化提供理论支持和技术依据。2 基于模糊神经网络的温度误差补偿控制根据上文建立的锅炉主蒸汽温度参数数学模型，利用无线传感器采集模型中各参量数据信息。参量包括在锅炉基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法王天晓（国家能源集团国源电力有限公司，北京 100033）摘 要：现行方法在火电厂锅炉主蒸汽温度控制中应用效果不理想，阶跃响应性能较差，而且超调量较高，因此本文提出基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法。利用线性化分布参数建模方法建立火电厂锅炉主蒸汽温度参数数学模型，利用模糊神经网络进行锅炉主蒸汽温度误差补偿控制，实现基于模糊神经网络的火电厂锅炉主蒸汽温度控制。经试验证明，本文方法阶跃响应时间较短，超调量在1以内，在工业控制领域具有良好的应用前景。关键词：模糊神经网络；锅炉主蒸汽温度；线性化分布参数建模方法；数学模型；无线传感器中图分类号：TN976文献标志码：A中国新技术新产品2024 NO.3（下）-45-工 业 技 术主蒸汽温度、锅炉尾部烟道的烟气温度、锅炉减温水流量、锅炉负荷、锅炉喷水处蒸汽焓、过热器减温水侧扰动、火电厂锅炉环节容积、锅炉环节内工质的平均密度、锅炉环节出口工质的定压比热、锅炉管壁金属的质量和比热以及其他影响锅炉主蒸汽温度的因素，如环境温度、湿度等。上述参数信息可以帮助监测和分析锅炉主蒸汽温度的变化情况，从而进行温度误差的预测和补偿控制。采集模型中各参量数据信息后，利用模糊神经网络对参量信息融合分析，对锅炉主蒸汽温度误差预测并确定温度误差补偿量，由控制器对温度补偿量执行，实现对锅炉主蒸汽温度的控制6。模糊神经网络是模糊理论与神经网络的融合，主要由输入层、模糊化层、模糊推理层和输出层 4 个部分组成，将采集的参量输入模糊神经网络的输入层中，输入层中各节点的输入为锅炉主蒸汽温度数学模型中的各参量。引入模糊神经网络的原因包括 6个方面。1）适应性强。模糊神经网络能够处理模糊不确定的信息，对某些复杂、不确定的系统具有较强的适应能力。2）非线性映射能力强。模糊神经网络能够对非线性问题进行有效建模和处理，适用于各种实际场景中的非线性关系。3）良好的鲁棒性。模糊神经网络对输入数据的扰动和噪声有一定程度的鲁棒性，能够保持较好的稳定性。4）推理能力强。模糊神经网络采用模糊推理，可以进行灵活的推理和决策，能够应对常规神经网络难以解决的问题。5）适用于数据不完整的情况。模糊神经网络在数据不完整或存在缺失的情况下依然能够进行有效的建模和分析。6）易于与专家知识结合。模糊神经网络利用模糊集合理论，可以较好地集成专家经验和知识，从而提高系统的智能化水平。因此模糊神经网络在处理模糊、不确定和非线性问题方面具有一定的优势，适用于火电厂锅炉主蒸汽温度控制。根据上文建立的主蒸汽温度参数数学模型中变量的数量，并结合模糊神经网络，确定输入层节点数量。输入层输入向量如公式（7）所示。112,spTDnfXx xx=f1（7）式中：f1表示输入层节点 1 输入向量；X 表示锅炉主蒸汽温度控制变量；xn表示第 n 个控制变量数值。在模糊神经网络的控制过程中，如果不同输入变量的量纲相差较大，可能会影响学习过程，甚至出现梯度爆炸或梯度消失等问题。通过归一化处理，可以降低这些问题发生的可能性，提高神经网络的稳定性和鲁棒性，帮助模型更好地学习数据的特征，并提高训练的效率和精度。因此，将控制变量进行归一化处理还可以使不同量纲的变量具有统一的量纲和数值范围，这对模型的收敛速度和稳定性有利。因此，在输入层中对所有控制变量进行归一化，将控制变量数值规范到区间 01，消除变量量纲7。将归一化后的变量输入模糊化层，在模糊化层预估主蒸汽温度误差和误差变化率，如公式（8）所示。reyreyTTTT=（8）式中：表示锅炉主蒸汽温度误差；Trey表示当前锅炉主蒸汽温度；表示锅炉主蒸汽温度误差变化率8。对以上 2 个参量进行模糊化处理，如公式（9）所示。()2,exp2ijjXcgb=g （9）式中：g（，）表示模糊化后的锅炉主蒸汽温度控制向量；exp 表示高斯函数；cij表示第 i 个信号与第 j 个模糊集合隶属函数的均值；bj表示第 j 个模糊集合隶属函数的标准差。将得到的温度控制向量输入模糊推理层，根据模糊规则对温度控制向量进行模糊运算，其输出为该层节点所有输入的乘积，如公式（10）所示。()(),Nfgi j=f（10）式中：f 表示模糊推理层输出向量；N 表示隶属度函数节点数量。将其输入输出层，在输出层对模糊运算结果进行加权计算，得到锅炉温度误差补偿量，如公式（11）所示。1jZw f=（11）式中：Z 表示锅炉主蒸汽温度补偿量；w 表示模糊神经网络权值。将模糊神经网络分析得到的温度补偿量输入上文建立的参数模型中，对其进行补偿，如公式（12）所示。T=Trey+Z（12）通过锅炉主蒸汽温度误差补偿，将温度调整到初始设置值，以此完成基于模糊神经网络的火电厂锅炉主蒸汽温度控制。3 试验论证3.1 试验准备与设计某火电厂锅炉型号为 KHJFA-A4F8，锅炉电压为 380V，阻力损失为 1300Pa，脱硫率为 98%，锅炉速度为 1.46m/min，处理浓度为 10000mg/m，出口含尘浓度为 15.45g/Nm，处理风量为 1500m3/h40000m3/h。对该锅炉主蒸汽温度控制试验，试验时间为 10:3017:30。在试验时间内采集KYFAEFGAS、OFJWAJGWI 共 2 个数据包，通过对数据处理和分析，确定锅炉主蒸汽温度误差，得到温度补偿量，由IHFAS-4G7SA 控制器对主蒸汽温度进行控制，具体控制情况见表 1。表 1 火电厂锅炉主蒸汽温度控制时间温度设定值/控制前温度/补偿量/10:30550586.4236.4211:30550594.1544.1512:30550562.6512.6513:30550574.4824.4814:30550596.2546.2515:30550586.8636.8616:30550593.7443.7417:30550587.6337.633.2 试验结果与讨论试验利用 KYFAEFGAS 数据包对锅炉主蒸汽温度控制的阶跃响应性能进行检验，利用 OFJWAJGWI 数据包对锅炉主蒸汽温度超调量进行检验。在工业控制理论中，阶跃响应曲线能够反短时间内，控制主体输出在输入量从零变成 1 后的状况，能够有效、直观地描述控制方法的动态性响应与激励。试验在火电厂锅炉运行过程中加入蒸汽流量扰动，使锅炉主蒸汽温度波动，根据记录 3 种方法控制下 10s60s 的火电厂锅炉主蒸汽温度变化情况，绘制锅炉主蒸汽温度控制阶中国新技术新产品2024 NO.3（下）-46-工 业 技 术跃响应曲线图（如图 1 所示）。在工业控制理论中，超调量能够反映出控制精度。超调量是指控制值与预期值的差值，超调量越大，说明控制精度越低。对该指标设计 8 组试验，记录 3 种方法超调量（见表 2）。本次试验将本文方法与基于神经网络的方法、基于模糊 PID 的方法进行比较，完成上述 2 个指标的对比试验。表 2 火电厂锅炉主蒸汽温度超调量/试验组别本文方法基于神经网络的方法基于模糊PID的方法第一组0.2424.1515.62第二组0.3126.3518.42第三组0.1528.5215.62第四组0.0631.2411.42第五组0.1128.5614.26第六组0.1324.1616.31第七组0.0122.6815.24第八组0.1225.4117.42从图 1 可以看出，3 种方法的阶跃响应曲线存在差异，在锅炉蒸汽流量扰动工况下，基于模糊 PID 的方法在 0s20s温度波动比较大，到 23.14s 时锅炉主蒸汽温度才稳定；基于神经网络的方法在 0s15s 出现锅炉主蒸汽温度波动，到第15.68s 时锅炉主蒸汽温度才稳定；基于本文方法的锅炉主蒸汽温度在 5.62s 就恢复到稳定状态，阶跃响应性能最优。从表 2 数据可以看出，本文方法超调量为 0.01 0.31，平均超调量为 0.18，基于神经网络的方法超调量平均值为27.15，基于模糊 PID 的方法超调量平均值为 18.24。从超调量方面来看，本文方法表现最佳。通过上述试验对比，本文方法能够实现对火电厂锅炉主蒸汽温度的有效控制。4 结语本文提出了一种基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法。通过将模糊逻辑和神经网络的优点相结合，该方法能够实现更精确、更快速、更稳定的温度控制。试验结果表明，本文提出的基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法的优点如下：可提高温度控制的精度和稳定性，降低温度偏差和波动；缩短温度达到设定值所需时间，提高控制速度。展望未来，可以进一步探索和研究如下问题：优化模糊神经网络的架构和参数，以进一步提高温度控制的性能；将模糊神经网络与其他先进控制方法相结合，以实现更高效、更智能的温度控制。综上所述，本文提出的基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法为工业过程控制领域提供了一种新的有效工具，具有广泛的应用前景和重要的实际意义。参考文献1 马幼捷，杨清，周雪松，等.基于模糊神经网络的储能侧双向 DC-DC 变换器自抗扰控制策略 J.太阳能学报，2023，44（10）：488-495.2 王渡，魏佳倩，陈豪，等.基于 BEST 系统超超临界1000MW 二次再热蒸汽机组的参数选取 J.锅炉技术，2023，54（2）：21-25.3 王琦，张力文，王丽婕，等.基于 ISO-PSO 的350MW 超临界 CFB 锅炉主汽温建模研究 J.自动化仪表，2023，44（3）：20-25，33.4 叶青，王朝阳，易广宙，等.超超临界二次再热尾部三烟道锅炉汽温动态特性及协同优化控制 J.动力工程学报，2023，43（2）：117-125，184.5 孙波，薛广达，毛金伟.1000MW 塔式锅炉深度调峰下再热蒸汽温度与 NOx 运行特性优化研究 J.锅炉技术，2023，54（1）：55-58.6 杨春来，袁晓磊，殷喆，等.考虑时延特性优化的燃煤锅炉主蒸汽温度预测模型 J.热力发电，2022，51（8）：124-129.7 盛晓静，吴永明，李少波，等.基于生长神经气改进模糊神经网络的铝电解过程时序数据预测 J.计算机集成制造系统，2023，29（10）：3239-3248.8 赵静，张斌.加热炉自适应模糊神经网络智能温度控制系统设计 J.工业炉，2023，45（5）：65-68.图 1 火电厂锅炉主蒸汽温度控制阶跃响应曲线