电站锅炉燃烧系统先进控制策略研究

(河南商业高等专科学校应用电子系1，河南 郑州 450044；郑州大学电气工程学院2，河南 郑州 450001)

0 引言

在我国的电力供应中，火力发电占发电总量的80%以上。在火力发电成本中，燃料费用占70%以上，且燃料消费仍然以煤炭为主[1]。煤炭资源的紧缺和环保的需要，使研究先进控制策略、优化电站机组运行参数显得尤其重要。燃煤电站控制的核心问题是对锅炉燃烧系统进行有效的控制，而燃烧系统是典型的多变量、强耦合、存在大时滞的不确定性复杂系统，且干扰频繁，模型难以建立，传统PID控制难以取得理想的控制效果，燃烧效率难以达到期望要求。近年来，锅炉燃烧系统的控制策略研究主要集中在3个方面：一是传统PID控制结合智能控制,以优化PID控制效果；二是预测控制和其他算法相结合形成新型预测控制算法；三是针对燃烧控制系统的强耦合性，开发解耦控制算法。

1 优化的PID控制

近年来，随着人工智能技术的快速发展，针对传统PID控制的局限性，许多学者把人工智能的实用技术与PID控制相结合，以解决复杂的、非线性的和不确定性的控制问题。在电站锅炉燃烧系统中，专家控制、神经网络、模糊控制等智能控制方法[2]与PID控制相结合显示出了一定的优势。

专家控制以知识模型为基础，根据某领域专家的经验进行推理和判断，即模拟人类专家的决策过程，结合控制算法来解决工业现场的复杂控制问题，适合像锅炉燃烧系统这样难以建模和操作的工业对象。文献[3]在PID控制的基础上，对锅炉送风量控制子系统设计了专家控制器，其模型采用产生式规则描述，且控制规则可以在现场实时修改、完善，具有较强的实用性。文献[4]～[5]从锅炉的运行特性出发，汲取长期以来积累的现场经验，提出“理论+经验”的非线性分离控制方法。该方法利用基于专家知识的计算机程序对燃烧过程进行任务分离和经验逼近，实现过程控制。

神经网络具有学习、泛化、逼近任意非线性函数等能力，可以很好地弥补常规PID控制方法的局限性，使非线性、时变和不确定系统的控制成为可能。文献[6]建立了PID神经网络控制结构，网络的隐层由比例、积分、微分3个单元组成，即通过神经网络实现PID参数的在线调整。文献[7]设计了串级控制系统，其中内回路采用PI控制方式和控制参数；外回路由径向基函数(radial basis function,RBF)神经网络在线辨识得到被控对象的雅克比信息后，根据梯度下降法自适应调整PID控制参数，具有良好的鲁棒性和自适应能力。文献[8]采用氧量-空燃比串级控制方案，兼顾燃烧效率和氮氧化物的排放。首先利用神经网络建立锅炉燃烧特性模型，实现燃烧热效率和污染物排放量的预测；然后采用遗传算法寻找最佳氧量设定值，进而调节送风量，实现了锅炉燃烧的整体优化。

模糊系统是一种处理不确定性、非线性等问题的有力工具，可以看作是不依赖于模型的估计器，给定输入便可以得到合适的输出。模糊控制与PID控制相结合，能明显提高PID控制器参数设置的快速性和准确性。文献[9]～[10]采用模糊规则在线调整PID控制器参数，可迅速调节给煤量，维持主汽压的稳定。文献[11]将燃烧系统等效为带纯延迟的一阶惯性系统，借鉴生物系统的免疫机理设计出一种非线性模糊控制器，再使用L.A.Zadeh的模糊逻辑AND操作和mom反模糊化方法得到控制器的输出。该方法稳定性高、鲁棒性强、调节及时、反应速度快。文献[12]采用能迅速反映燃料侧扰动的辐射能信号作为补偿，通过S函数来自动修正模糊控制器的量化因子和比例因子；然后将模糊控制与PI控制相结合设计出一个参数自调整的模糊PI控制器，以优化燃烧控制性能。

2 新型预测控制

预测控制是20世纪70年代在工业实践中发展起来的、基于模型的有限时域优化控制算法，具有多步预测、滚动优化和反馈校正3个基本特征，对过程模型的不确定性有极强的适应性。典型的如动态矩阵控制(dynamic matrix control,DMC)、模型算法控制(model algorithmic control,MAC)、广义预测控制(general predictive control,GPC)、预测函数控制(predictive function control,PFC)等，这些算法在锅炉燃烧控制中取得了较好的应用[13]。文献[14]针对实际燃料热值波动较大的问题，采用基于状态空间模型的预测控制算法设计了多输入多输出的控制器，以主汽压的控制为主，同时协调处理氧含量和炉膛负压的优化控制，避免了常规PID方法所面临的复杂解耦问题。文献[15]根据原煤消耗量和一、二次风机的耗电量计算出衡量锅炉燃烧过程的经济性能指标，将其融入到GPC的目标函数中，提出一种2层结构的多目标优化控制策略。该方法动态控制性能好，且能有效地将煤耗降低2%左右。

预测控制解决滞后问题是以被控对象的预测模型为基础的，如何比较准确地获得输出变量的预测值是预测控制能否成功应用的关键。神经网络对不确定系统的动态特性具有很好的学习能力和较强的适应性、容错性，模糊控制能从行为上模仿人的模糊推理和决策过程，为准确搭建预测模型提供了广阔的空间[16-17]。文献[18]以煤粉浓度为中间被调量，内回路采用PID控制，外回路采用基于径向基RBF神经网络预测模型的GPC。该串级控制系统融合了神经网络的非线性建模能力、预测控制的超前预测能力和串级控制的抗干扰能力，取得了良好的控制效果。文献[19]设计了炉跟机的协调控制方式，采用基于模糊神经网络模型的GPC。文献[20]设计了基于模糊神经网络模型的预测控制算法，与输入输出反馈线性化的预测控制方法相比，该算法控制性能明显提高。基于预测模型只强调模型的功能而不强调其结构形式[21]，文献[22]提出了基于RBF-ARX模型的预测控制算法，取得了较好的控制效果。文献[23]提出了基于高斯模型的非线性模型预测控制(non-linear model prediction control,NMPC)算法，有效降低了NOx的生成。

预测控制的核心问题是优化求解，采用遗传算法、蚁群优化等优化算法实现优化求解成为预测控制的一个重要研究方向，在电站燃烧系统中也得到了成功应用。文献[24]使用支持向量机(support vector machine,SVM)建立燃烧模型，使用粒子群算法与拟牛顿法相结合的非线性优化实现NMPC对锅炉燃烧过程的闭环控制。该方法已应用于安徽淮南平圩电厂2号机组，提高了燃烧效率,减少了NOx排放。文献[25]以锅炉效率和NOx排放为目标，提出一种基于LS-SVM燃烧模型和蚁群优化算法的预测控制方法。该方法对燃烧过程具有较好的控制效果。

预测函数控制(PFC)是应快速过程控制的需要发展起来的控制技术，对模型失配和外部扰动具有较强的鲁棒性，但在未建立动态数学模型和未知扰动的情况下会影响闭环响应速度、精度等控制性能[26]。自适应控制是一种适用于具有不确定性、未建模动态、参数慢时变等的过程，以辨识模型发展起来的控制方法，文献[27]将自适应控制与PFC结合起来，采用CARMA模型，通过实时辨识模型参数实时修正控制器的参数。该方法计算简单、鲁棒性较强，非常适合电厂实际应用。

3 智能解耦控制

耦合是工业生产过程的动态特性普遍存在的一种现象，它会降低多变量控制系统的调节品质，严重时会使系统无法投入运行。针对锅炉燃烧系统的强耦合性，研究人员进行了许多探索，但在解耦处理中发现，由于对燃烧系统无法建立精确的数学模型，补偿器、解耦器和控制器的设计、实现以及协调比较困难，因此，传统解耦方法难以对其进行有效的控制。

随着人工智能技术的发展，越来越多的基于模糊推理和神经网络的解耦控制方法被探索发现[28]。文献[29]针对循环流化床锅炉燃烧系统的多变量强耦合特性，采用模糊规则实现解耦补偿。文献[30]针对主汽压设定值多变和入炉燃料不稳定的特点，将模糊推理与自适应控制相结合来设计解耦控制方法。文献[31]在神经网络控制器与多变量被控对象之间串入解耦补偿器，补偿器通过模糊技术实现，提出模糊-神经元PID解耦补偿控制，对燃烧系统取得了较好的解耦效果。模糊系统和神经网络在处理不确定性和非线性问题方面有各自的特点和长处，因此，可利用二者的互补性质挖掘被控对象的运行特性，据此改变强耦合系统的控制器和解耦网络的参数。针对主汽压和床温的强耦合问题，文献[32]用4层模糊神经网络作为解耦器，结合PID算法进行解耦控制，文献[33]提出了基于单神经元自适应控制和模糊神经网络解耦的智能解耦控制系统，取得了良好的鲁棒性和抗干扰性。

在模糊控制系统的设计中引入解耦原理也是处理耦合的一种有效方法。文献[34]在多变量频域解耦控制理论的基础上，吸取运行专家经验，采用模糊判决解决主汽压和床温的耦合问题。该方法在对辽宁南票电厂100 MW机组取得了较好的控制效果。另外，文献[35]提出多变量解耦内模控制方法，解耦控制器具有解耦和内模控制两部分功能，既减小了输出变量之间的关联，又有效改善了被控过程的响应性能。

4 其他控制策略

针对锅炉燃烧系统的复杂性和模型的不确定性，自适应控制方法也具有一定的优势。文献[36]将燃烧控制系统分解成两个单变量系统分别控制入炉燃料量和供水量，采用自适应控制算法，取得了较好的控制效果。文献[37]针对燃烧过程强干扰、工况多变的情况，建立动态模型并对模型进行在线参数估计和辨识，采用自适应控制方法对主汽压进行调节。文献[38]设计了一种无模型自适应控制方法，不仅解耦性能良好，而且对燃烧系统的内外扰动和模型的不确定性具有较强的适应性和鲁棒性。

为了解决常规控制方法存在的问题，同时也为了适应电网综合自动化发展的要求，一些非常规控制策略被提出并在实际应用中取得了较好的控制效果。文献[39]在DCS系统的基础上，提出多变量Smith预估算法，以动态风/煤比的形式对燃烧过程实施控制。文献[40]针对主汽压控制存在的有自衡过程与无自衡过程，采用三阶最佳工程设计方法设计多个控制器，根据蒸汽流量出现的扰动以及给煤量的变化情况，切换选择不同的控制器实现主汽压的有效控制；对于送风量的调节，则利用专家经验自动寻找最佳风/煤比，保证完全燃烧。

5 结束语

近年来，电站锅炉燃烧系统先进控制策略的研究为其在电站中的应用奠定了应有的理论基础，电站DCS系统的普及也为先进控制策略的应用提供了强有力的硬件和软件平台，展现出了广阔的发展前景。锅炉燃烧过程既是实际工程控制问题,又是能源的化学转化问题，要求控制器结构简单、控制量的计算时间短，但目前研究的先进控制策略控制器结构往往比较复杂，且大部分成果仍处于仿真阶段，如何将控制策略推向实际应用是今后仍需努力的方向。

[1] 胡秀莲.中国电力生产及环境问题[J].中国能源,2005,27(11):11-17.

[2] 李士勇.模糊控制.神经控制和智能控制论[M].哈尔滨:哈尔滨工业大学出社,1998:74-76,265-275.

[3] 马平,王琳.燃烧控制系统智能控制[J].电力系统及其自动化学报,2002,14(3):55-59.

[4] Gotoa S,Nakamura M,Matsumura S.Automatic realization of human experience for controlling variable pressure boilers[J].Control Engineering Practice,2002(10):15-22.

[5] 沈凯,陆继东,陈交顺.专家控制在循环流化床锅炉燃烧控制系统中的应用[J].动力工程,2003,23(4):2557-2559.

[6] 陈非,孙灵芳.锅炉燃烧控制的优化设计及应用[J].电站系统工程,2009,25(1):57-58.

[7] 杨超,周怀春,卓旭升.基于RBF神经网络自适应整定燃烧串级控制系统[J].华中科技大学学报,2008,36(7):57-59.

[8] 王子杰,李健,孙万云.基于神经网络和遗传算法的锅炉燃烧优化方法[J].华北电力大学学报,2008,35(1):14-17.

[9] 崔淑妮,徐向东.模糊控制在煤粉炉燃烧控制中的应用研究[J].清华大学学报,1999,39(9):58-60.

[10] 雷学丽.基于模糊PID的母管制煤粉锅炉燃烧控制系统[J].计算机仿真,2008(5):210-213.

[11] 刘久斌,李德桃.电厂锅炉燃烧系统的模糊免疫PID控制[J].动力工程,2005,25(5):673-675.

[12] 陈立军,周正兴,赵丽丽,等.采用辐射能信号的燃烧系统参数自调整模糊PI控制[J].化工自动化及仪表,2009,36(6):15-17.

[13] Havlena V,Findejs J.Application of model predictive control to advanced combustion control[J].Control Engineering Practice,2005,13(6):671-680.

[14] 向立志,张喜东,李荣,等.多变量预测控制在锅炉燃烧系统中的应用[J].化工自动化及仪表,2006,33(2):20-24.

[15] 童一飞,金晓明.基于广义预测控制的循环流化床锅炉燃烧过程多目标优化控制策略[J].中国电机工程学报,2010,30(11):38-43.

[16] Xu X Y,Mao Z Y.The neural network predictive control of time-delay systems[J].Control Theory and Applications,2001,18(6):932-934.

[17] Peng H,Wu J,Garba I,et al.Nonlinear system modeling and predictive control using the RBF nets-based quasi-linear ARX model[J].Control Engineering Practice,2009,17(1):59-66.

[18] 冯冬青,徐学红,费敏锐.神经网络广义预测控制在锅炉燃烧系统中的应用[J].自动化仪表,2006,27(6):18-21.

[19] Liu X J,Liu J Z.Constrained power plant coordinated predictive control using neurofuzzy model[J].Acta Automatica Sinica,2006,32(5):785-790.

[20] Liu X J,Niu L X.Feasible constrained nonlinear predictive control on power plant[C]//American Control Conference,2008:1691-1696.

[21] Lu C H,Tsai C C.Generalized predictive control using recurrent fuzzy neural networks for industrial processes[J].Journal of Process Control,2007,17(1):83-92.

[22] Peng H,Kitagawa G,Wu J.Multivariable RBF-ARX model-based robust MPC approach and application to thermal power plant[J].Applied Mathematical Modelling,2011(35):3541-3551.

[23] Grancharova A,Kocijan J.Explicit stochastic predictive control of combustion plants based on Gaussian process models[J].Automatica,2008(44):1621-1631.

[24] 朱玉璧,程相利,陶新建,等.智能控制在锅炉燃烧优化中的应用[J].中国电机工程学报,2008,28(11):82-86.

[25] 龙文,梁昔明,龙祖强,等.基于蚁群算法和LSSVM的锅炉燃烧优化预测控制[J].电力自动化设备,2011,31(11):89-93.

[26] Vivas A,Poignet P.Predictive functional control of a parallel robot[J].Control Engineering Practice,2005(13):863-874.

[27] 王文兰,赵永艳.锅炉燃烧系统的自适应预测函数控制[J].动力工程学报,2010,30(1):27-30.

[28] Chai T Y,Yue H.Multivariable intelligent decoupling control system and its application[J].Acta Automatica Sinica,2005,31(1):123-131.

[29] Liu C Y,Song X L,Song Z Y.A realization method for fuzzy decoupling control of the circulating fluidized bed boiler[C]//2011 International Conference on Machine Learning and Cybernetics,2011:166-171.

[30] Liu H B,Li S Y,Chai T Y.Intelligent decoupling control of power plant main steam pressure and power output[J].Electrical Power and Energy Systems,2003(25):809-819.

[31] 王万召,赵兴涛,谭文.流化床燃烧系统模糊神经元PID解耦补偿控制[J].中国电机工程学报,2008,28(8):94-98.

[32] 平玉环,李宗耀,孙剑.模糊神经网络在解耦控制中的研究[J].控制工程,2009,16(4):461-463.

[33] 王万召,王红阁,谭文.智能解耦控制器在循环流化床锅炉燃烧系统中的应用[J].动力工程,2009,29(8):757-760.

[34] 焦健.循环流化床燃烧控制系统解耦设计[J].东北电力技术,2004(5):1-3.

[35] 厉鹏.多变量解耦内模控制研究及在锅炉燃烧系统中的应用[J].锅炉技术,2011,42(1):19-22.

[36] Kocaarslan I,Cam E.An adaptive control application in a large thermal combined power plant[J].Energy Conversion and Management,2007,48(1):174-183.

[37] Kocaarslan I,Cam E.Experimental modelling and simulation with adaptive control of power plant[J].Energy Conversion and Management,2007,48(3):787-796.

[38] Zheng E R,Zhang L,Gao F.Research on model free adaptive control method of thermal power unit[C]//2010 International Conference of Information Science and Management Engineering(ISME),2010:222-225.

[39] 张培建,施广仁.工业锅炉的燃烧控制策略研究与应用[J].电力自动化设备,2010,30(1):102-105.

[40] 薛福珍,刘涛,尹君,等.电厂锅炉燃烧过程控制改进方案及实现[J].控制工程,2008,15(2):124-127.