高阻抗电弧炉智能控制的研究.docxVIP

高阻抗电弧炉智能控制的研究 1 “双向意识”的基础上提出了挑战 抗高压电弧炉是一种新型的高质量钢铁公司。通常由三个三相电源供电和调整。在已有的控制方案中,大多仅从单相出发而忽略其三相之间的耦合因素,因而控制效果不甚理想,对此,作者首先采用人工神经网络对电弧炉这一复杂的多输入、多输出对象建立预估模型,在基于“三相意识”的基础上(迄今为止,已有的文献所介绍的控制方法都是仅考虑单相,没有考虑它们之间的耦合因素,也没有用神经网络将三相信息作为一个整体来考虑。)利用神经网络电极调节器,使电弧炉冶炼达到有功功率最大化,并使电流波动达到极稳状态,从而极大地改善了控制性能。 此外,由于电弧炉炼钢过程具有高度的非线性、时变性、不确定性和相当的复杂性,单靠一种智能控制方式已无法满足控制要求,因此迫切需要设计某种综合的、集成的智能控制策略来解决越来越复杂的控制问题,从而弥补单一控制策略的不足。为此,作者首先采用了基于网络环境下的多种智能控制策略,即在现有专家经验的基础上采用神经网络预估电弧炉模型,以便预估出电弧炉的工作状态,再用遗传退火算法对神经网络进行优化,使电弧电流保持在相对稳定的状态,从而达到提高电弧炉生产率、降低能耗,减轻对电网危害的目的。 2 系统的工作过程 系统组成的原理结构如图1所示。其中,电极调节器控制系统由电炉、变压器、电抗器、工业控制计算机、液压驱动系统等组成。其硬件组成部分如下:工业控制计算机的主机选用研华PCA—6179主板,主频866MHz,内存为256MB,硬盘为30G。PCL720为开关量采集板卡,PCL1800为模拟量采集板卡,PCL726为模拟量输出板卡。系统的工作过程为:模拟信号(变压器二次电压、二次侧电流、一次侧电压、电流)通过交流变送器变换成-10V～+10V之间的交流信号, 经200kHz采样频率采集,工控机根据这些参数计算出变压器一次侧、 二次侧三相的电压、 电流、 有功功率、 无功功率、功率因数以及弧压、弧长等参数。工控机系统再根据这些参量,通过ANN(神经网络)和专家系统算法计算出控制电极调节的信号,该信号经D/A板卡转换成模拟量送给液压伺服放大器来驱动执行机构,完成电极的升降调节。 3 uh—综合智能控制方案 系统控制策略采用了专家控制、神经网络与遗传退火学习算法相结合的综合智能控制策略,以便在调节某相弧流时,同时修正另外两相弧流。这种学习及修正三相电流之间关系的功能,只有采用综合智能控制方案才能实现。 系统采集的瞬时值,反映出冶炼时期弧压、弧流的非正弦畸变波形及各主要谐波。根据瞬时值可计算出电压、电流、相角、有功功率、无功功率、弧压、弧长等参量。系统通过高速采集板卡采集一个周期内的电流、电压瞬时值,并利用如下公式分别计算出上述各参数,即 U=√1Ν-1Ν∑m=1u2mU=1N?1∑m=1Nu2m?????????ue001?ue000ue000(1) Ι=√1Ν-1Ν∑m=1i2mI=1N?1∑m=1Ni2m?????????ue001?ue000ue000(2) Ρ=1Ν-1Ν∑m=1imumP=1N?1∑m=1Nimum(3) Pr=I2·Rd(4) Ph=P-Pr(5) Uh=Ph/I(6) 式中N——20ms内采样点数 um——第m-1时刻的电压采集瞬时值 im——第m-1时刻的电流采集瞬时值 U——电压有效值 I——电流有效值 P——有功功率 Pr——相损耗 Ph——电弧功率 Uh——电弧电压 控制系统的核心采用了基于遗传退火算法的神经网络技术,将遗传退火算法与神经网络相融合,优化神经网络的权值,加快其收敛速度,增强学习性能。为了增强实时性,控制算法由VC++编程实现。系统的控制原理框图如图2所示。 图中,神经网络模型包括ANN控制器和ANN预估器。ANN控制器的作用是根据设定值和电弧炉的状态计算出系统调节的控制量;ANN预估器的作用是根据ANN控制器计算出的控制量结合电弧炉的运行状态,预估下一时刻电弧炉的状态。若发现短路、塌料等现象,提前给予调节。优化算法的目的是为了追求尽可能高的电弧功率,即在表观功率不超过变压器许用容量、工作电流不超过许用电流、电弧稳定燃烧、较好的电能利用状况等约束条件下,修正控制量,从而使系统性能达到最优。两个神经网络模型均采用3层BP网络实现,对预估模型,在电弧炉和神经网络的输入同时加上k、k-1、k-2时刻的电弧炉状态参量(电压、电流)和电极调节器的输出,将电弧炉k+1时刻的电参量作为指导信号,由电弧炉的实际输出和神经网络预估模型输出的偏差经过遗传退火优化算法,对模型的权值进行不断修正,由此建立的电弧炉预估模型作为ANN控制器的初始模型,用以预报电流短路。考虑到神经网络需要较长一段时间的学习过程,刚开始采用恒阻抗专家系统控制,待系统神经网络模型学习好后,再切