BP神经网络PID控制在主汽温控制系统中的应用

1BP神经网络PID控制在主汽温控制系统中的应用摘要目前，由于PID具有结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。电厂主汽温的被控对象是一个大惯性大迟延非线性且对象变化的系统。常规汽温控制系统为串级PID控制或导前微分控制，当机组稳定运行时，一般能将主汽温控制在允许的范围内。但当运行工况发生较大变化时，却很难保证控制品质。因此本文研究BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。本处用一个多层前向神经网络，采用反向传播算法依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。对这样一个系统在MATLAB平台上进行仿真研究，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。关键词：主汽温;PID;BP神经网络;MATLAB仿真21引言锅炉的主蒸汽温度与火电厂的经济性和安全性有重要的关系，因此主蒸汽温度是火电厂的一个极其重要的参数。其控制的好坏直接影响电厂的整个经济效益。主蒸汽温度的控制任务是：(1)维持主汽温在允许的范围之内。对于亚临界机组的主汽温为54010CC，长期运行应控制在5405CC，对于超临界及超超临界主汽温应控制在54061010CCC，长期运行应控制在5406105CCC。(2)保护过热器，使其管壁不超过允许的工作温度。汽温过高，会烧毁过热器的高温段；汽温过低也不行，汽温每降5度，热经济性下降百分之一，汽温偏低会使汽机尾部蒸汽湿度增大甚至带水，严重影响汽机的安全运行。32理论介绍（1）火电厂的主汽温系统如下图所示：图2-1过热气温原理图影响主汽温变化的扰动因素很多，如蒸汽负荷、烟气温度和流速、火焰中心位置、减温水量、给水温度等。主要扰动有3个：1、蒸汽扰动下主汽温对象的动态特性D(t/h)0tθ(℃）TҐt图2-2蒸汽流量变化对主气温的影响42、烟气量扰动下主汽温对象的动态特性V0tθ(℃）T0ґ图2-3烟气流量变化对主气温的影响3、减温水量扰动下主汽温对象的动态特性G(t/h)0tθ(℃）OґTt图2-4减温水量变化对主气温的影响53理论介绍（2）3.1减温水扰动下主汽温的数学模型以减温水量作为基本扰动，来完成控制，就是用减温水量作为该系统的输入，把主汽温做为输出，管内的蒸汽和管壁可以看做是许许多多的单容对象的串联，因此对象具有分布参数特性，且该被控对象有较大的惯性和迟延。用给水量来完成控制，减温水出口温度变化明显比过热汽温变化要快，常常把这一段作为导前区，把从减温器出口到过热蒸汽出口这一段叫做惰性区，在减温水的扰动下，主气温的动态特性可表示为：10001nskGWsTs（3-1）其中0k为放大系数，0T为时间常数，n为阶次。其传递函数由两点法可以通过实验测得。同理导前区的传递函数也可以表示为：222121nskGWsTs（3-2）其中2k为导前区的放大系数，2T为导前区的时间常数，2n为阶次，该传递函数也可以通过实验求的。惰性区的传递函数也可以表示为1112121nskGsTs（3-3）其中1k为惰性区放大系数，1T为惰性区时间常数，1n为阶次，该传递函数无法通过实验求出，而是由下式求出：021GsGsGs（3-4）可得到：6012kkk（3-5）22002210022nTnTTnTnT（3-6）200221220022()nTnTnnTnT（3-7）3.2串级PID控制系统常规汽温控制系统为串级PID控制或导前微分控制：图3-1主汽温串级控制框图其中r为过热汽温设定值,为系统输入，1()Gs2()Gs分别为控制系统对象的导前区和惰性区的传递函数，K为执行器近似传递函数。传统的控制都需要人工整定PID，且要求对象模型精确，改进后加入神经网络的控制方案如下图，把常规PID控制器用神经网络来实现：图3-2直流锅炉过热汽温NN控制方框图7图中，1()Gs2()Gs分别为控制系统对象的导前区和惰性区的传递函数，K为执行器近似传递函数。12,hhmm分别表示副变送器和主变送器。r为输入信号，在传统PID的基础上增加了一个神经网络，用神经网络来在线实时输出PID的比例，积分和微分三个参数。4仿真图4-1基于BP神经网路的主汽温控制框图如上图，主蒸汽温度的导前区数学模型为:1()Gs；惰性区数学模型为:2()Gs。在负荷为37%时,导前区为:125.07()(128)Gss，而惰性区的传递函数为:181.048()(156.65)Gss，可以近似为10se，其仿真曲线如下：805001000150020002500300000.20.40.60.811.21.4time(s)rin,yout图4-2负荷为37%时BP神经pid控制下的阶跃响应曲线050010001500200025003000-0.4-0.200.20.40.60.81time(s)error图4-3负荷为37%时BP神经pid控制下的误差曲线9050010001500200025003000-0.0500.050.10.150.20.250.30.35time(s)u图4-4负荷为37%时BP神经pid控制下的控制量变化曲线0500100015002000250030000.050.1time(s)kp05001000150020002500300000.20.4time(s)ki05001000150020002500300000.05time(s)kd图4-5负荷为37%时BP神经pid控制下的个参数变化曲线10在负荷为100%时,导前区为:120.815()(118)Gss,而惰性区的传递函数为161.276()(118.4)Gss，也可近似为10se。020040060080010001200140016001800200000.20.40.60.811.21.4time(s)rin,yout图4-6负荷为100%时BP神经pid控制下的阶跃响应曲线0200400600800100012001400160018002000-0.200.20.40.60.811.2time(s)error图4-7负荷为100%时BP神经pid控制下的误差曲线11020040060080010001200140016001800200000.20.40.60.811.21.4time(s)u图4-8负荷为100%时BP神经pid控制下的阶跃响应曲线02004006008001000120014001600180020000.040.060.08time(s)kp020040060080010001200140016001800200000.20.4time(s)ki020040060080010001200140016001800200000.050.1time(s)kd图4-9负荷为100%时BP神经pid控制下的个参数变化曲线125结论从以上仿真结果分析，基于BP神经网络的自整定PID控制能依据被控对象的变化自适应的调整PID的三个参数，依据一定的最优准则以求满足不同负荷下的控制要求。在不同负荷下，也即从锅炉的启动到稳定运行的整个过程，都可以保证系统的稳定性，且随着负荷逐渐接近额定负荷，控制效果越来越好，当满负荷运行时，该策略对于大迟延的主汽温系统取得了良好的控制性能。6参考文献[1]蔡自兴,陈海燕.智能控制工程研究的进展[J].控制工程,2003，10（1）：1-3[2]蔡自兴.智能控制-基础与应用.北京：国防工业出版社,1998：203-207[3]张立明.人工神经网络的模型及其应用[M]，上海:复旦大学出版社,1993：6-10[4]徐丽娜.神经网络控制[M].北京：电子工业出版社，2003.2：1-58.[5]刘金琨.智能控制[M].北京：电子工业出版社,2005.05：185-187[6]陶永华.新型PID控制及其应用[M].北京：机械工业出版社,1998：158-160[7]李士勇.模糊控制·神经控制和智能控制论[M].哈尔滨工业大学出版社,1996：412-413[8]易继锴，侯媛彬.智能控制技术[M].北京工业大学出版社,1999：126—127[9]张建民.智能控制原理及应用[M].北京：冶金工业出版社,2003：136-137[10]徐安.微型计算机控制技术[M].北京：科学出版社,2004.08：231-235137程序记录clearall;closeall;xite=0.5;alfa=0.05;S=1;%SignaltypeIN=4;H=5;Out=3;%NNStructureifS==1%StepSignalwi=[-0.6394-0.2696-0.3756-0.7023;-0.8603-0.2013-0.5024-0.2596;-1.07490.5543-1.6820-0.5437;-0.3625-0.0724-0.6463-0.2859;0.14250.0279-0.5406-0.7660];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.75760.26160.5820-0.1416-0.1325;-0.11460.29490.83520.22050.4508;0.72010.45660.76720.49620.3632];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endifS==2%SineSignalwi=[-0.28460.2193-0.5097-1.0668;-0.7484-0.1210-0.47080.0988;-0.71760.8297-1.60000.2049;-0.08580.1925-0.63460.0347;0.43580.2369-0.4564-0.1324];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;14wo=[1.04380.54780.86820.14460.1537;0.17160.58111.12140.50670.7370;1.00630.74281.05340.78240.6494];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];u_1=0.0;u_2=0.0;u_3=0.0;u_4=0;u_5=0;y_1=0.0;y_2=0.0;y_3=0.0;y_4=0;y_5=0;Oh=zeros(H,1);%OutputfromNNmiddlelayerI=Oh;%InputtoNNmiddlelayererror_2=0;error_1=0;ts=10;fork=1:1:200time(k)=k*ts;ifS==1rin(k)=1.0;elseifS==2rin(k)=sin(1*2*pi*k*ts);end%Unlinearmodelnum=[0.815];den=[324361];sys=tf(num,den,'inputdelay',10);dsys=c2d(sys,ts,'z');[num,den]=tfdata(dsys,'v');yout(k)=-den(2)*y_1-den(3)*y_2+num(2)*u_2+num(3)*u_3;%tao/T=n,n1error(k)=rin(k)-yout(k);xi=[rin(k),yout(k),error(k),1];15x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;epid=[x(