摘    要：針對大型火電機(jī)組具有控制對象復(fù)雜、非線性、大滯后、模型難以建立等特點，設(shè)計協(xié)調(diào)控制系統(tǒng)的控制策略。小波神經(jīng)網(wǎng)絡(luò)具有良好的函數(shù)逼近能力和模式分類能力，廣義預(yù)測控制對比較復(fù)雜的工業(yè)生產(chǎn)過程呈現(xiàn)良好的控制性能和魯棒性：通過訓(xùn)練小波神經(jīng)網(wǎng)對大型火電機(jī)組建模得到預(yù)測模型，然后利用了模型辨識過程中已獲得的數(shù)據(jù)，計算廣義預(yù)測控制率，避免了廣義預(yù)測控制求解丟番圖方程帶來在線計算量較大的缺陷二仿真結(jié)果表明，該方法能保證功率、主蒸汽壓力快速平穩(wěn)地跟蹤其設(shè)定值，具有較好的魯棒性，為解決大型單元機(jī)組協(xié)調(diào)控制問題提供了一條有效的途徑

關(guān)鍵詞：單元機(jī)扭；小渡神經(jīng)網(wǎng)絡(luò)；廣義預(yù)測控制

中圖分類號：TP 273    文獻(xiàn)標(biāo)識碼：A

  火電廠大型單元機(jī)組控制對象具有非線性、強(qiáng)耦合、大滯后、模型難以準(zhǔn)確建立等特點，屬于復(fù)雜難控的大型生產(chǎn)過程。在常規(guī)局部控制系統(tǒng)基礎(chǔ)上發(fā)展起來的協(xié)調(diào)控制系統(tǒng)是解決這個問題的有效途徑。協(xié)調(diào)控制系統(tǒng)控制策略的設(shè)計直接決定了系統(tǒng)的控制品質(zhì)。因此，先進(jìn)控制技術(shù)在其中的應(yīng)用研究對提高資源利用率和保證電廠的安全穩(wěn)定運行具有重要的意義。目前，小波神經(jīng)網(wǎng)絡(luò)以其獨特的優(yōu)點引起了人們的極大關(guān)注，并成為非線性系統(tǒng)建模與控制的重要方法。預(yù)測控制是近年來發(fā)展起來的一種新型的計算機(jī)控制算法。由于其對模型的依賴性弱、易于實現(xiàn)、控制的綜合效果好等諸多優(yōu)點，在工業(yè)過程控制中得到了廣泛的應(yīng)用。

  本文利用小波神經(jīng)網(wǎng)絡(luò)對大型單元機(jī)組進(jìn)行辨識和預(yù)測，用廣義預(yù)測控制方法進(jìn)行控制，為解決大型單元機(jī)組防調(diào)控制問題提供一條有效的途徑。

    1)基于小波神經(jīng)網(wǎng)絡(luò)的預(yù)測模型  小波變換通過尺度的伸縮和平移對信號進(jìn)行多尺度分析，能有效提取信號的局部信息。神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)和容錯性等特點，是一類通用的函數(shù)逼近器。結(jié)合神經(jīng)網(wǎng)絡(luò)和小波分析的優(yōu)點，1992年，Zhang Qinghua和Benveniste茸先提出了小波神經(jīng)網(wǎng)絡(luò)( WNIY)的概念和算法口。小波神經(jīng)網(wǎng)絡(luò)的基本思想是用小波元代替神經(jīng)元，即用已定位的小波函數(shù)代替Sigmoid函數(shù)作激勵函數(shù)，通過仿射變換建立起小波變換與網(wǎng)絡(luò)參數(shù)之問的聯(lián)系。小波神經(jīng)網(wǎng)絡(luò)能夠通過訓(xùn)練自適應(yīng)地調(diào)整小波基的形狀實現(xiàn)小波變換，同時具有良好的函數(shù)逼近能力和模式分類能力j3j。多輸入多輸出小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，如圖1所示。

   

    圖中，Xk為輸入層的第k個輸入樣本，yj為輸出層的第j個輸出值，Vik為連接輸入層節(jié)點k和隱層節(jié)點i的權(quán)值，wij為連接隱層節(jié)點i和輸出層節(jié)點j的權(quán)值。

    若ai和bi分別為隱層第i個節(jié)點的伸縮平移系數(shù)，p為輸入樣本的模式個數(shù)，m為輸入層節(jié)點個數(shù)，n為隱層節(jié)點個數(shù)，N為輸出節(jié)點個數(shù)。

    則網(wǎng)絡(luò)隱層第i個節(jié)點輸入為

  

    隱層第i個輸出是由母小波函數(shù)經(jīng)過伸縮平移后產(chǎn)生一組小波基函數(shù)，數(shù)學(xué)表達(dá)式為

    輸出層第j個輸入為

    則小波神經(jīng)網(wǎng)絡(luò)的模型可以表示為

    本文中小波神經(jīng)網(wǎng)絡(luò)采用誤差反向傳遞算法進(jìn)行訓(xùn)練，自適應(yīng)地調(diào)整小波伸縮平移系數(shù)和網(wǎng)絡(luò)權(quán)值。若設(shè)x_b^p為第p個模式的第k個輸入，y_j^p為第p個模式的第j個網(wǎng)絡(luò)輸出，群為第p個模式的第j個期望輸出，定義誤差函數(shù)為

    利用式(4)計算誤差的偏導(dǎo)數(shù)：

    按梯度法修正權(quán)值，并引入學(xué)習(xí)率η和動量因子α，則

    考慮到Morlet小波的簡明表達(dá)方式，選擇Morlet小波作為網(wǎng)絡(luò)隱層的變換基函數(shù)：

  

    則式(6)中的ψa，b( netp)可由式(9)求得：

    2)參考軌跡為了進(jìn)行柔化控制，控制的目的不是使輸出直接跟蹤設(shè)定值，而是跟蹤參考軌跡，參考軌跡由式(10)產(chǎn)生：

  

    采用上述形式的參考軌跡，將減少過量的控制作用，使系統(tǒng)的輸出能平滑的到達(dá)設(shè)定值。

    3)滾動優(yōu)化為增強(qiáng)系統(tǒng)的魯棒性，在性能指標(biāo)函數(shù)中考慮了現(xiàn)在時刻的控制u(k)對系統(tǒng)未來時刻的影響，函數(shù)為

   

式中，N1為****預(yù)測時域；M為控制時域；λi為加權(quán)常數(shù)；△u為控制增量；yp(t+i)由小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型得出；yp(t)為設(shè)定值。

    4)反饋校正在小波神經(jīng)網(wǎng)絡(luò)預(yù)測控制算法中，每一步都要檢測實際輸出，并與模型輸出加以比較構(gòu)成誤差信息，然后以此誤差信息對小波神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)和修正。這一過程可以在線進(jìn)行，也可以離線進(jìn)行。為滿足控制系統(tǒng)實時性的要求通常采用在線學(xué)習(xí)和修正。設(shè)實際對象輸出與模犁輸出之間的誤差用式(12)表示：

 

    則得到反饋校正后模型的預(yù)測輸出為

  

式中，k為誤差修正系數(shù)。

5)小波神經(jīng)網(wǎng)絡(luò)廣義預(yù)測控制律優(yōu)化計算是建立在上述小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型的基礎(chǔ)上，要獲得****控制律，就要使式(11)所示的性能指標(biāo)函數(shù)，趨于最小。

則在每一采樣時刻，使用梯度下降法獲得控制律如下：

 

式中，p為采用梯度下降法求取A時的優(yōu)化步長。

  將式(15)代入式(14)可得：

    根據(jù)廣義預(yù)測的滾動優(yōu)化，控制律為

    由此可見，控制律的求解可借助建立小波神經(jīng)網(wǎng)絡(luò)模型時已得的數(shù)據(jù)，與采用丟番圖求解相比減少了計算量，加快了計算速度。

    小波神經(jīng)網(wǎng)絡(luò)廣義預(yù)測控制在線算法可歸結(jié)為如下步驟：

    Step l始化小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型及控制器參數(shù)。

    Step 2采樣被控對象輸入輸出數(shù)據(jù)，根據(jù)式(7)修改網(wǎng)絡(luò)權(quán)值。

    Step 3按式(17)求出控制律。

    Step 4返回Step2。

    如上所述，心波神經(jīng)網(wǎng)絡(luò)廣義預(yù)測控制( WNNGPC)由小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型、優(yōu)化控制器和反饋校正三部分構(gòu)成，其結(jié)構(gòu)，如圖2所示。

   

    火電廠鍋爐、汽機(jī)協(xié)調(diào)控制系統(tǒng)經(jīng)過合理簡化，可以看作雙輸入雙輸出系統(tǒng)。它的2個輸入量為汽輪機(jī)調(diào)節(jié)閥開度指令UT，鍋爐燃燒率指令UB。2個輸出量為機(jī)組實發(fā)功率PVE和主蒸汽壓力P=300 MW單元機(jī)組在傳遞函數(shù)表示如下：

  1)單元機(jī)組小波神經(jīng)網(wǎng)絡(luò)辨識仿真本文中的小波神經(jīng)網(wǎng)絡(luò)共分3層，輸入層有6個節(jié)點，分別為UB（k），UB（k-l），PT（k-l），UT(k)，UT（k-l），NE(k-l)；隱層經(jīng)反復(fù)試驗確定為15個節(jié)點，激勵函數(shù)采用式(8)的Morlet小波函數(shù)；輸出層有2個節(jié)點，分別為NE(k)相PT(k)。

    網(wǎng)絡(luò)初值的選取對網(wǎng)絡(luò)收斂速度有直接的影響，經(jīng)反復(fù)試驗，本文的網(wǎng)絡(luò)初值選取如下：

①     wij為0 5 -0 5之間的隨機(jī)值。②Vik為-0.5~0.5之間的隨機(jī)值。③ai為0 0~O l之間的隨機(jī)值。④bi為0 8~0.9之間的隨機(jī)值。

    采樣時間10 s，仿真時間1 000 s。小波神經(jīng)網(wǎng)絡(luò)在用樣本數(shù)據(jù)訓(xùn)練1 000次后，所建立的網(wǎng)絡(luò)模型輸出與實際系統(tǒng)的輸出曲線，如圖3，圖4所示。

   

    圖3為加入隨機(jī)信號時對Ⅳ，跟蹤曲線，圖4為加入隨機(jī)信號時對P，的跟蹤曲線。從圖3，圖4中可以看出，實際模型與小波神經(jīng)網(wǎng)絡(luò)在具有相同輸入時，兩者輸出之間差距很小，曲線幾乎重合，小波神經(jīng)網(wǎng)絡(luò)對單元機(jī)組模型進(jìn)行了精確逼近。

2)控制效果仿真在********負(fù)荷時取采樣周期T=10 s，仿真時間1 000 s，預(yù)測時域長度N，=10，控制時域長度M =3，控制權(quán)矩陣R=[0 80 2]，NE的約束值為0和330 MW，PT的約束值為0和20 MPa，取功率設(shè)定值N1=300 MW，壓力設(shè)定值P1= 18 MPa;

   在百分之70負(fù)荷時控制器參數(shù)保持不變觀察WNNCPC的魯棒性，P1的設(shè)定值和約束值也保持不變，的設(shè)定值取為210 MW。系統(tǒng)仿真結(jié)果，如圖5所示。

    為方便比較小波神經(jīng)網(wǎng)絡(luò)廣義預(yù)測控制的控制效果，下面采用常規(guī)PID策略對系統(tǒng)進(jìn)行控制仿真。當(dāng)工況處于********負(fù)荷時，設(shè)置PID控制器參數(shù)進(jìn)行仿真，當(dāng)變?yōu)榘俜种?0負(fù)荷工況時，使PID控制器參數(shù)值保持不變，以觀察PID控制的魯棒性，此時響應(yīng)曲線如圖6所示。

 

    圖5的仿真結(jié)果表明，把WNNCPC控制運用到單元機(jī)組協(xié)調(diào)控制系統(tǒng)中，該系統(tǒng)能保證功率、主蒸汽壓力快速平穩(wěn)地跟蹤其設(shè)定值，且對對象模型的不確定性具有很好的適應(yīng)性和魯棒性。而由圖6仿真結(jié)果可以看出，當(dāng)模型發(fā)生改變時，常規(guī)PID控制不能很好地適應(yīng)模型的變化，兩個輸出均出現(xiàn)了較大的超調(diào)量，同時調(diào)節(jié)時間也較長，不能迅速跟蹤功率設(shè)定值。

    本文針對大型單元機(jī)組協(xié)調(diào)控制運行中普遍存在的問題，提出了一種新型的協(xié)調(diào)控制系統(tǒng)的設(shè)計方法，即采用小波神經(jīng)網(wǎng)絡(luò)與廣義預(yù)測控制相結(jié)合的策略，該算法能有效地完成多變量非線性系統(tǒng)的數(shù)學(xué)模型辨識，同時在進(jìn)行控制器參數(shù)的求解中利用了模型辨識過程中已獲得的數(shù)據(jù)，使廣義預(yù)測控制在線計算量較大的缺陷得以改進(jìn)。仿真結(jié)果表明，該方法能保證功率、主蒸汽壓力快速平穩(wěn)地跟蹤其設(shè)定值，變工況時控制效果比傳統(tǒng)PID理想，具有較好的魯棒性和實用性。