主汽温的改进型神经网络辨识Smith预估器

孙宇贞　高　将　彭道刚

(上海电力学院自动化工程学院1，上海　200090；上海发电过程智能管控工程技术研究中心2，上海　200090)



主汽温的改进型神经网络辨识Smith预估器

孙宇贞1,2高将1彭道刚1,2

(上海电力学院自动化工程学院1，上海200090；上海发电过程智能管控工程技术研究中心2，上海200090)

摘要：针对超临界机组主汽温对象具有的大惯性、大滞后和非线性等特点，提出了一种基于BP神经网络辨识的改进型Smith预估方案。采用改进的Smith预估器克服主汽温对象的大滞后特性，并通过神经网络辨识来改善Smith预估控制器对模型精度的依赖，提高其抗干扰能力。通过对超临界机组主汽温对象在不同工况下的仿真，表明该系统对于对象特性变化有较好的适应能力，在动态品质、鲁棒性等方面都明显优于常规Smith控制方案。

关键词：模糊控制器Smith预估器超临界机组BP神经网络大滞后主汽温控制辨识鲁棒性

0引言

超临界技术作为成熟、高效、节能、环保的洁净煤发电技术，已在我国得到了广泛应用。由于超临界机组的运行参数值与金属材料极限参数值间的余地很小，且系统各参数间耦合严重，因此维持主汽温的稳定，对超临界机组的安全稳定运行尤为重要[1]。

对于主汽温控制对象存在的大滞后，常规PID控制不能及时反映系统中存在的扰动问题，工业上广泛采用Smith预估器进行滞后补偿。Smith预估器从理论上能够消除滞后因素的影响，但要有精确和稳定的数学模型；而在机组工况时刻变化的条件下，其模型参数也会时刻变化，因此Smith预估控制在工程应用中还存在一定的局限性。针对这个问题，一些学者从多个角度提出了诸如增加低通滤波器[2]、采用改进的最小二乘法辨识[3]、与模糊控制器[4]或神经网络[5]控制相结合、利用控制器反馈修正[6]等改进方案，以提高Smith预估控制的性能。

BP神经网络强大的非线性映射能力和在线学习能力，使其能在线逼近任意非线性函数，实时调整模型参数，克服Smith预估控制在模型不匹配时的局限性[7]。基于上述研究成果，本文提出一种基于BP神经网络在线辨识的改进Smith预估器。

1BP神经网络辨识

在控制系统方案中，被控对象的数学模型由下列方程描述[8]：

y(k)=f [y(k-1),...,y(k-n),u(k-d),...,

u(k-d-m)]

(1)

式中：n和m分别为y(t)和u(t)的阶次，y(t)和u(t)分别为被控对象的输出和输入；f(·)是一个逼近的非线性函数。

神经网络模型采用单隐层BP神经网络，神经网络表达式如下：

(2)

(3)

2改进型的Smith预估器

传统Smith预估器是在预先估计出系统在扰动时的动态特性的前提下，引入预估补偿环节，使闭环特征方程不含滞后项，并将被延迟了的控制作用超前反映到调节器，从而减少超调量并加速调节过程[9]。其结构如图1所示。Gm(s)e-τs为被控对象传递函数，Gc(s)为控制器的传递函数，Gm(s)为Smith预估器的传递函数。

图1　传统Smith预估器结构框图Fig.1　Structure of the traditional Smith predictor

用BP神经网络作为辨识器来构造Smith预估器，结构如图2所示。常规Smith预估控制中的预估器Gm(s)和Gm(s)e-τs分别由神经网络模块NN1和NN2代替。

图2　基于BP神经网络的改进Smith预估控制示意图Fig.2　Improved Smith predictive control based on BPneural network

图2中：NN1和NN2的网络结构相似。其中：NN1神经网络是对被控对象非滞后部分输出的辨识，NN2是对被控对象输出的辨识。

辨识过程的训练误差为：

对于BP神经网络NN1，采用三层前向神经网络模型，通过离线学习的方法进行训练，根据u(k)～y(k)的批量随机测量样本学习得到网络的初始权值，同时采用学习率自适应调整的策略得到学习率。离线辨识的输入为：[y(k+d-1),...,y(k+d-n),u(k-d),...,u(k-d-m)]，使f1(·)充分逼近被控对象非时滞部分的输出。保持神经网络不变，改变输入：[y1(k-1),...,y1(k-n),u(k-d),...,u(k-d-m)],从而可得神经网络NN1的输出y1(k)=y(k+d)。

学习的误差指标为:

(5)

神经网络NN2与NN1结构及算法类似，不同之处在于其辨识后的输出y2(k)=y(k)。

反馈回路的输出为：

ym(k)=y1(k)+y(k)-y2(k)=

y(k+d)+y(k)-y(k)=

y(k+d)

(6)

Smith预估器在k时刻的输出等于系统在(k+d)时刻的输出，因此送入控制器的偏差就是不含滞后环节影响的偏差，即控制系统的闭环特征方程中不含滞后环节。

3系统仿真及试验结果

某超临界600 MW直流锅炉汽温系统的动态特性数据如表1所示。表1中：D表示蒸汽流量；导前区和惰性区分别是作为串级控制中的副回路和主回路的被控对象。在仿真中，将二者作为一个广义被控主汽温对象进行研究[10-11]。

表1　某600 MW直流炉主汽温对象动态特性Tab.1　Dynamic characteristics of the main steam temperature object in a 600 MW once through boiler

按100%负荷工况下整定参数后，当被控对象在该工况下小范围变化时，由于控制系统的设定值为常数，控制算法具有的鲁棒性能够被动地适应对象结构的缓慢变化，因此在工业环境中，一般并不需要进行连续辨识。测试结果表明[11]，当工况变化幅度增大时，滞后时间是随着机组负荷的变化呈反方向变化的，如果采样周期也作相应的调整，那么模型参数的变化就主要考虑增益的变化。当模型增益发生±50%变化时，阶跃响应曲线如图3所示。其中图3(a)为对象增益增加50%，图3(b)为对象增益减小50%。

由图3可见，当模型增益变化时，基于神经网络在线辨识的Smith预估器能及时调整权值，跟踪模型输出，最终使控制系统输出达到稳定。改进后的Smith预估器稳定性更佳。

图3　模型增益变化阶跃响应曲线对比图Fig.3　Comparison of the step response curve under model gain changes

主汽温对象特性的增益、时间常数等方面都会发生较大变化。针对超临界机组主汽温对象，进行了给定输入单位阶跃仿真测试。测试结果如图4所示。由图4(a)可以看出，由于系统中控制器参数是按常规的100%负荷下整定的，因而改进型Smith预估器与传统Smith预估器在100%负荷下有着相近的响应特性，但是改进型Smith预估器较传统Smith预估器上升时间缩短了75 s。而随着负荷的降低，对象的惯性和滞后都增加，且增益也会放大，传统Smith预估器在75%负荷下动态特性已明显变差，而改进型Smith预估器还有着较好的响应性能，如图4(b)所示。当负荷降低至50%时，传统Smith预估器的系统稳定已经接近临界，而改进型Smith预估器依然有着较好的稳定性和快速性，如图4(c)所示。当负荷随着工况大范围变化至37%时，如图4(d)所示，传统Smith预估器已经不稳定，而改进后的Smith预估器仍能保持系统稳定，并且超调量小，响应时间也比较快，动态性能能够满足系统要求。

图4　负荷变化阶跃响应曲线对比图Fig.4　Comparison of the step response curve under load changes

从仿真结果可以看出，在模型参数发生小幅度的变化时，改进的Smith预估控制和传统Smith预估控制均能使系统稳定。但是从超调量和调节时间上来看，改进的Smith预估控制优势明显；在模型参数随着工况变化而发生大幅度改变时，传统Smith预估控制的超调量逐渐增大，直至系统震荡，而基于神经网络的改进Smith预估控制能够一直保持系统稳定的状态，超

调量和调节时间等控制参数也处于合理区间。由此可以看出，基于神经网络的改进Smith预估控制能够应用在超临界机组的主汽温控制中，并且能在变工况的条件下将主汽温稳定在额定值，控制效果比较理想。

4结束语

针对超临界机组主汽温对象存在的大惯性、大滞后的问题和Smith预估控制在模型失配时出现的补偿效果下降的问题，本文采用基于BP神经网络辨识的改进Smith预估控制方法，对某超临界600 MW直流锅炉主汽温系统进行了多种工况下单位阶跃响应试验的仿真研究。对系统的仿真研究结果表明，将神经网络的自适应和自组织的学习能力与Smith预估控制相结合，并借鉴改进的Smith预估器，将其应用在超临界机组的主汽温控制中，能够实时跟踪主汽温被控对象参数的变化。同时，该控制方法能有效消除扰动对系统造成的影响，最终使主汽温输出更快、更好地跟随给定值。

参考文献：

[1] 于达仁， 徐志强.超临界机组控制技术及发展[J].热能动力工程,2001,16(92)115-121.

[2] 杜安静，朱学峰.一类改进的模糊Smith预估控制系统[J].模糊系统与数学,2001,15(1): 97-102.

[3] 白雄怀，王文兰.新型Smith预估控制算法在主汽温控制系统中的应用研究[J].工矿自动化，2010,2010(1): 58-60.

[4] 安连祥，马华民，刘永刚等.基于改进Smith预估器的二阶时滞系统[J].计算机仿真，2011,28(1): 198-232.

[5] 王菲菲，陈玮.基于RBF神经网络与Smith预估补偿的智能PID控制[J].计算机工程与应用,2012,45(16): 233-235.

[6] 宋仁杰，王云宽，范国梁.一种改进的Smith预估控制器[J].控制工程,2007,14(S1): 88-90.

[7] 黄越洋，石元博，张茜.基于神经网络Smith预估器的预测控制[J].计算机仿真,2009,26(2): 187-190.

[8] 韩璞.智能控制理论及应用[M].北京：中国电力出版社,2013: 176-185.

[9] 杜锋，杜文才.基于新型Smith预估补偿的网络控制系统[M].北京：科学出版社,2012: 21-25.

[10]范永胜，徐志皋，陈来九.基于动态特性机理分析的锅炉过热汽温自适应模糊控制系统研究[J].中国电机工程学报，1997,17(4): 23-28.

[11]席裕庚.预测控制[M].2版.北京：国防工业出版社,2013:193-195.

重大科学仪器设备开发专项基金资助项目(编号：2011YQ15004013)。

中图分类号：TH39;TP2

文献标志码：A

DOI:10.16086/j.cnki.issn1000-0380.201607022

Smith Predictor Improved by BP Neural Network Recognition for Main Steam Temperature Control

Abstract：Aiming at the characteristics of large inertia,large time delay and nonlinearity of the controlled object of main steam temperature,an improved scheme of Smith predictor which is based on BP neural network recognition is proposed.The shortcoming of large time delay of main steam temperature object is overcome by improved Smith predictor,the dependency on model precision of Smith predictor is improved by BP neural network recognition,and the ability of anti-disturbance is enhanced at the same time.The result of simulation for the main steam temperature under different operating conditions in supercritical power plant shows that the control system has good ability to adapt to the variation of object characteristics; it is obviously superior to the traditional Smith predictor control scheme in dynamic quality and robustness.

Keywords:Fuzzy controllerSmith predictorSupercritical unitBP neural networkLarge delayMain steam temperature controlRecognitionRobustness

修改稿收到日期：2015-10-20。

第一作者孙宇贞(1975—)，女，1999年毕业于上海交通大学热能工程专业，获硕士学位，副教授；主要从事电厂过程控制方向的研究。