基于多水质参数融合的锅炉连排复合控制

王 恭 周晓东 张腾宇 赵鑫岩 王冰礁 曹生现

(1.东北电力大学自动化工程学院，吉林 吉林 132012；2.山西新华化工有限责任公司，太原 030008； 3.华能罗源发电有限责任公司，福州 350026)

随着火电机组容量的不断增大，对锅炉连续排污的控制要求也进一步提高。目前，锅炉连排普遍采用以炉水电导率为被控量的PID反馈控制系统。随着电厂控制技术的发展，锅炉连排控制技术不断改进，文献[1，2]指出小容量锅炉在工业生产的连排过程中，以排污率为标准，根据蒸汽量计算得到连排流量，对其进行有效控制，可取得较好的排污效果。文献[3]基于锅炉连排流量由多水质参数共同影响的特点，应用现场实验数据，建立了炉水电导率和二氧化硅浓度与连排流量的函数关系。综合比较这些控制策略在炉水连排中的控制效果，笔者根据炉水连排控制的实际情况和过程特点，建立了一种能够应对连排过程中大迟延、多变量和强时变性的多水质参数连排复合控制系统，并进行了仿真验证。

1.1 复合控制系统策略的确定

锅炉连排控制存在多变量及大迟延等特点，而前馈-反馈控制策略在克服迟延和扰动方面具有一定的优势[4,5]，为确保炉水pH值、电导率、磷酸根离子和二氧化硅4个水质参数指标适应锅炉运行的要求，设计了锅炉连排复合控制系统，系统结构如图1所示。其中被控量为炉水电导率，执行器为连排流量阀，输出为连排流量的调整值。在该控制系统设计中，前馈控制器采用数据融合算法[6～10]，实现多水质参数与连排流量的关联，融合结果作为前馈控制量，而在反馈环节中采用了模糊自整定PID控制方式，既具备了模糊控制的鲁棒性又兼顾了PID控制高精度的特点[11]，可根据排出炉水电导率实时值对PID的控制参数进行连续调整，以适应参数时变的控制过程。

图1 锅炉连排复合控制系统结构框图

1.2 控制系统参数辨识

考虑到连排流量和炉水电导率之间的关系在电厂生产中难以确定，因此，笔者基于电厂锅炉排污实际运行情况，设计了控制系统参数模拟实验平台，具体结构如图2所示。实验系统模拟了恒压环境下影响炉水含盐量的补给水、锅炉连排及蒸发等环节的锅炉水循环过程，然后根据实验数据对系统被控对象进行参数辨识。实验得到的阶跃响应曲线如图3所示，由曲线分析可知该系统具有明显二阶过阻尼特性，且为自平衡系统，参考文献[12]系统辨识的算法，利用被控对象阶跃响应多组实验数据，辨识对象的传递函数，确定的系统传递函数如下：

(1)

图2 模拟锅炉连排系统结构

1.3 前馈控制器的设计

前馈控制器的设计采用数据融合算法，两级融合模型采用局部并行总体串行的复合结构，然后通过BP神经网络融合算法，预测锅炉连排流量，并以此克服水质参数扰动对系统带来的影响。

(2)

二级融合。二级融合采用BP神经网络算法，建立各水质参数与连排流量的关联，根据各水质参数数据实时、准确地完成锅炉连排流量的预测。

设xk表示第k次迭代的权值和阈值所组成的向量，新的权值和阈值组成的向量xk+1可根据下式求得：

xk+1=xk+Δx

(3)

对于牛顿法，则有下式：

Δx=-′2E(x)J-1·′E(x)

(4)

式中 ′E(x)——梯度；

′2E(x)——误差指标函数E(x)的Hessian矩阵。

确定误差目标函数后，由Jacobian矩阵推导出的L-M表达式如下：

Δx=[JT(x)J(x)+μI]-1J(x)e(x)

(5)

式中I——单位矩阵；

μ——常数，μ>0。

μ作为调整因子用于控制L-M算法的迭代，通过自适应调整该值，L-M算法可以使梯度下降法与高斯牛顿法较好的结合。

二级融合的输入为一级融合后的数据，输出为连排流量。BP神经网络采取单隐含层、四输入、一输出的三层网络结构。将隐含层神经元个数设为7，相邻层的传递函数依次选取“tansig”、“purelin”函数。训练函数选取“trainlm”。设定的网络参数为：学习速率0.05，动量因子0.9，训练目标最小误差0.001。

为实现连排流量的准确预测，二级融合网络选用某火电厂600MW亚临界机组110组样本数据(表1)，对网络进行训练和验证。

表1 样本数据

(续表1)

1.4 反馈控制器设计

反馈控制器采用模糊自整定PID控制算法，实现对PID参数KP、KI、KD的在线调整。模糊控制器有两个输入，分别为设定的炉水电导率和出水电导率的偏差E和偏差变化率Ec，取其对应的基本论域为[-6,6]和[-5,5]，量化因子为5和2。输出量为PID控制器的增量ΔKP、ΔKI、ΔKD，取其对应的基本论域为[-0.6,0.6]、[-0.012,0.012]和[-1.2,1.2]，比例因子为0.2、0.04和0.40。为提高系统的灵敏度，模糊子集选取{NB,NM,NS,ZO,PS,PM,PB}。为了便于算法实现，隶属函数选取隶属度幅值等于模糊论域步长的三角形隶属度函数，建立模糊控制规则(表2)，利用重心法求解模糊控制量。

表2 三参数模糊控制规则表

通过上述步骤，计算模糊控制器的3个输出值ΔKP、ΔKI、ΔKD，利用临界比例带法确定的式(1)所示控制对象的初始控制参数为KP=1.2，KI=0.031，KD=11.27。至此模糊自整定PID控制器的参数实时调整如下：

(6)

2 控制系统仿真分析

在一级融合过程中选取某火电厂600MW亚临界机组炉水中磷酸根离子某一段时间的测量值进行处理，处理结果如图4所示。由数据曲线可以看出，融合后数据曲线较为平滑，原始数据均方差为0.37，而融合后数据均方差为0.11。由此说明经数据融合算法处理的数据可提高测量数据的准确度。

图4 一级融合数值与原始数值对比

二级融合处理结果如图5所示，图中实际值和预测值能基本吻合，只有少数预测值与实际值有所差别，经计算其平均绝对误差为3.78%。因此设计的二级融合网络能够较为准确地实现连排流量的预测。

图5 二级融合数值与实际值对比

选取30组测试数据分别采用两级融合和BP神经网络进行排污流量预测，计算结果如图6所示，两级融合算法平均误差为2.92%，BP神经网络平均误差为5.76%。由此说明设计的两级数据融合算法在满足系统实时性的要求下，预测值更为准确。

图6 两级融合与BP神经网络预测值对比

鉴于炉水加药对连排流量影响较大，特别是炉水加磷对炉水电导率影响最为显著，为此选取磷酸根浓度作为干扰量。采用了典型的一阶惯性模型，比例系数设为1.5，惯性时间常数T设为20，基于Simulink分别对前馈-反馈控制器、传统PID控制和笔者设计的复合控制进行仿真，仿真曲线如图7所示。

仿真结果表明：前馈-反馈控制器相比传统PID控制，超调量由34.0%下降到19.6%，调整时间由传统PID的237s缩短到185s，且系统振荡周期明显缩短；当加入干扰量时，系统的炉水电导率波动较小，且能快速消除扰动带来的影响。引入模糊自整定PID控制器后，系统超调量控制到10.5%，调整时间相比前馈-反馈控制缩短了27s，外界扰动的影响趋于平稳，表明建立的复合控制模型能更好地适应实际工况，与传统控制系统对比，具有控制精度高、反应速度快、抗干扰能力强及动态性能稳定等特点。

图7 复合控制系统仿真对比曲线

3 结束语

针对锅炉连续排污过程的特点，利用数据融合算法建立了预测排污流量的前馈模型，结合模糊PID控制器作为反馈校正，设计了锅炉连排复合控制系统，实现了对连排流量的实时调整和炉水电导率的有效控制。控制系统仿真结果表明：该系统具有较好的动、静态性能，当引入较大的外部扰动时，系统表现出较好的鲁棒性。

[1] 徐庆新.完善锅炉连续排污控制与节能增效[J].工业锅炉，2007，(2)：48～51．

[2] Li M，Zhang H B，Zhang W，et al．Optimal Energy-saving Control of the Steam Boiler Blowdown[J]．Industrial Instrumentation & Automation,2011,(6):77～79．

[3] 郭鹏.模糊前馈与模糊PID结合的风力发电机组变桨距控制[J]．中国电机工程学报，2010，30(8)：123～128.

[4] 韩广，乔俊飞，薄迎春.溶解氧浓度的前馈神经网络建模控制方法[J].控制理论与应用，2013，30(5)：585～591．

[5] 王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报(工学版)，2012，46(5)：837～841，904．

[6] 郭鹏程，罗兴锜，王勇劲，等.基于粒子群算法与改进BP神经网络的水电机组轴心轨迹识别[J].中国电机工程学报，2011，31(8)：93～97．

[7] 邵良衫，付贵祥.基于数据融合理论的煤矿瓦斯动态预测技术[J].煤炭学报，2008，33(5)：551～555.

[8] 王恒，贾民平，陈左亮.基于多传感器信息融合技术的球磨机料位测控系统[J].电力自动化设备，2012，32(9)：138～141．

[9] 张雪，丁艳军，郑康捷，等.基于多信息融合的旋流燃烧器燃烧状态评价[J].中国电机工程学报，2010，30(2)：23～28．

[10] 顾丹珍，艾芊，陈陈，等.自适应神经网络在负荷动态建模中的应用[J].中国电机工程学报，2007，27(16)：31～36．

[11] 王华强，石亚娟，王健波.神经网络模糊PID在水轮机调速系统中的应用[J].合肥工业大学学报(自然科学版)，2012，35(9)：1187～1191．

[12] 宋志安，王文馨.由阶跃响应曲线辨识传递函数的图解方法[J].山东科技大学学报(自然科学版)，2003，22(1)：61～63．