基于BP神经网络的火电厂水质调节系统的SmithPID自适应控制.docVIP

　　基于BP神经网络的火电厂水质调节系统的SmithPID自适应控制|第1 lunithPID控制算法，仿真研究和实际应用表明，该控制算法具有良好的静态特性、动态品质和很强的鲁棒性；工程应用控制效果令人满意。 　　 0引言 　　火电厂水质调节系统主要包括凝结水加氨、给水加氨、给水加联氨和炉水加磷酸盐等加药处理。随着我国火电厂高参数大容量机组的投产，对水汽品质和水质工况控制的要求越来越严格。控制策略是决定水质调节效果的关键。国内现有的水质调节系统，大都是基于常规PID调节的算法控制，这在热力系统运行稳定时基本能满足要求，但在负荷波动较大，特别是机组调峰运行时，给水流量随负荷的波动变化较大，如果加药量不能与水量同步变化，将直接影响处理效果。药品浓度低，达不到水质调节的应有效果；药品浓度过大又有副作用［1，2］。能否准确有效的进行水质调节，直接关系到热力机组的稳定运行，是避免化学原因诱发设备故障和生产事故的重要途径，具有重要意义。 1控制对象描述 　　火电厂水质调节加药控制系统的原理如图1所示。系统的传递函数可用一阶惯性滞后环节来表 　500)this.style.ouseg(this) 500)this.style.ouseg(this) 　　由于在线监测仪表远离汽水系统的取样点，取样管道绵长，使得系统具有大时滞性。同时，当锅炉负荷波动较大、药箱中药剂浓度受人为因素的影响、现场干扰和环境条件变化时，被控对象又具有显著的非线性和时变特性。PID控制虽简单、可靠且有成熟的参数整定方法［3］，但要取得良好的控制效果，PID参数必须要随对象特性变化而调整；况且常规PID算法不适用于大时滞过程控制［4，5］。Smith预估补偿控制被认为是纯滞后对象简单有效的控制方案［6］，但Smith预估器对模型误差敏感 ，当对象特性变化较大时，系统控制品质变坏甚至失去稳定［7～9］。实质上，PID 算法的3种控制作用之间，既相互联系又相互制约，且并不是简单的线性组合，必须用非线性方法在线自适应调整PID参数，才能保证时变对象的控制效果。针对火电厂水质调节加药系统控制，文中提出了基于BP神经网络SmithPID控制算法，即在Smith控制系统中，用BP神经网络在线自学习整定PID参数，实现控制器参数跟踪对象特性的自适应调整，从而使系统具有很好的动态品质、静态特性和鲁棒性。 2基于BP神经网络的SmithPID 控制 2.1控制算法 500)this.style.ouseg(this) 　　该方法的基本原理是：在Smith预估补偿控制 　500)this.style.ouseg(this) 式(1)中，kp、ki、kd分别为比例、积分和微分系数，u(k)、u(k-1)分别为第k、k-1 采样时刻的控制器输出，而 　500)this.style.ouseg(this) 　　设被控对象为带纯滞后的一阶惯性环节Gp(s) 　500)this.style.ouseg(this) 式(4)中500)this.style.ouseg(this)为数字控制器采样周期，N≈τm／Ts为模型纯滞后时间相当的采样周期数。 2.2PID参数BP网络整定方法 500)this.style.ouseg(this) 　　选择如图3所示4—5—3结构的BP网络，在线自学习整定如图2所示Smith控制系 统中控制器Gc(s)的PID参数，以给定值r(t)、系统响应值y(t)、偏差 e(t)和常数1作为BP网络的输入，网络的输出为需要整定的PID参数kp、ki和kd。 　　对于BP网络输入层，第j个神经元的输入为 　500)this.style.ouseg(this) M、N分别为输入层和隐层神经元数；上角标 (1)、(2)、(3)分别代表输入层、隐层和输出层。ouseg(this)可以实现从输入到输出的任意非线性映射，且输出为连续量。 　　对于BP网络输出层 　　第p个神经元的状态为 　500)this.style.ouseg(this) 　500)this.style.ouseg(this) 　　性能指标取二次型函数500)this.style.ouseg(this)(k)］2，按E(k)对权值的负梯度方向搜索调整，并附加使学习速度足够快且不易产生振荡的动量项，即得到按梯度法修改网络的权值［10］ 　500)this.style.ouseg(this) 　　式(11)中，η为按梯度搜索的步长，亦即学习速率。α为动量因子，它决定过去权值的变化对目前权值变化的影响程度。而 　500)this.style.ouseg(this) 　500)this.style.ouseg(this) 　500)this.style.ouseg(this) 　500)this