26 超临界机组过热汽温系统的RBF神经网络控制[1].docVIP

2008年全国发电厂热工自动化专业会议论文集 PAGE PAGE 382 超临界机组过热汽温系统的RBF 神经网络控制 陈 起1 （内蒙古电力科学研究院热控所） 摘 要：针对超临界机组过热汽温系统具有较大的惯性、时滞和非线性，且动态特性随运行工况的变化而改变，其精确的数学模型难以建立的特点，采用基于GGAP算法的RBF神经网络直接构成神经网络控制器，将在线学习和控制相结合，这种方法不需要增加另一个神经网络对系统进行在线辨识，也不需要预先确定神经网络控制器的结构。仿真实验表明，该方法能对过热汽温系统实现有效的控制，性能较传统的PID控制有较大的提高。最后给出了在DCS系统实现的方案。 关键词：超临界机组 RBF GGAP 神经网络控制器 过热汽温 A RBF Neural Network for the Superheat System in Supercritical Units CHEN Qi1 Abstract: This paper presents a RBF neural network controller on superheat temperature system in supercritical units, a sequential algorithm for radial basis function (RBF) networks referred to as the generalized growing and pruning algorithm for RBF (GGAP-RBF) is introduced and then uses it in the learning algorithm to realize parsimonious networks. The structure of this controller makes no need to use another neural network for on-line system identification and determining the structure of neural network controller in advance．The simulation for Super Heat Temperature control system using presented method is take out．The results show that the control system performance is better than the conventional PID control system． Index Terms： supercritical units radial basis function GGAP neural network controller Superheat temperature system 1 引言 过热汽温的稳定对机组的安全经济运行有极大的作用，过高的汽温会使过热器和汽机高压缸热应力变形，过低则会使机组的热效率降低、影响经济运行。与亚临界机组相比，超临界机组运行在更高的参数，控制对象受烟气侧，蒸汽侧等多方面因素强耦合影响，具有较大的时滞，惯性和非线性，且动态特性随运行工况的变化而改变，其精确的数学模型难以建立。以往多采用串级汽温控制系统和具有导前汽温微分信号的双回路汽温控制系统，其中PID控制器是以控制对象的线性数学模型整定的，当对象特性发生变化或运行工况发生改变时，控制品质将会下降，甚至影响机组的正常运行。神经网络具有较强的逼近非线性函数的能力，并具有自适应学习、并行分布处理和较强的鲁棒性等特点，为解决未知不确定非线性系统的建模和控制问题提供了一种新的有效途径[1,2]。径向基函数(RBF-Radial Basis Function)神经网络具有直接可以从输入输出数据逼近任意非线性映射的能力，且网络结构简单，其隐层到输出的连接呈线性关系，可以采用保证全局最优的线性优化算法，近年来，已成为人们的研究热点。并在信号处理、系统建模、过程控制和故障诊断等领域得到了成功的应用。基于GGAP算法的RBF神经网络是一种具有在线学习和自我调整功能的动态网络[3] ，它引入隐层神经元重要性的概念，把需要的学习精度与神经网络的生长和修剪相联系，从而在保证逼近精度的前提下，建立精简的网络结构。本文采用基于GGAP算法的RBF神经网络直接构成神经网络控制器，该神经网络控制器在进行过程控制的同时，通过隐层神经元的变化和网络参数的调整进行在线学习，这种方法不需要增加另一个神经网络对系统进行在线辨识，也不需要预先确定神经网络控