基于动态RBF网络的预测控制在中速磨煤机优化控制的应用

张 柯 韦光辉 卢佳乐 王言伟

(1.烟台龙源电力技术股份有限公司，山东 烟台 264006；2.烟台国冶冶金水冷设备有限公司，山东 烟台 265500)

基于动态RBF网络的预测控制在中速磨煤机优化控制的应用

张 柯1韦光辉1卢佳乐1王言伟2

(1.烟台龙源电力技术股份有限公司，山东 烟台 264006；2.烟台国冶冶金水冷设备有限公司，山东 烟台 265500)

针对大型火电厂直吹式制粉系统的时滞和非线性特点，将基于动态RBF网络模型的预测控制应用于MPS中速磨煤机的优化控制中。通过对M-RAN算法的改进，加快了对非线性系统的辨识速度。建模仿真证明了改进M-RAN算法的有效性和实时性，并结合预测控制解决了系统的时滞问题；应用结果也表明该方法具有良好的动态响应和较强的鲁棒性。

预测控制 中速磨煤机 改进M-RAN算法 动态RBF网络 建模

制粉系统是电站煤粉锅炉的重要组成，直接影响锅炉机组的安全、可靠和运行经济性。随着煤粉锅炉出力和参数的不断提高，燃煤电厂普遍采用直吹式制粉系统配合中速磨煤机。该磨煤机是高度关联、大滞后、多输入多输出非线性系统，其动态特性随运行工况的变化有较大变化。采用PID调节器的传统控制系统方案只能实现部分自控功能，无法解决磨煤机的多变量耦合问题。而将先进控制策略应用于磨煤机控制，提高其控制系统的自动化水平和性能，是控制环节的发展趋势。

笔者采用动态RBF神经网络对某厂MPS中速磨煤机系统进行辨识，然后将其作为预测模型，简化预测控制算法在该磨煤机控制上的应用，并设计其控制调节器，最后通过仿真进一步证实算法的优越性。

1.1 预测模型

RBF网络是一种单隐层三层前馈神经网络，而动态RBF网络是隐节点数目在学习过程中不断改变的网络，其主要思想由Platt J C提出，通过采用资源分配网络(RAN)用于函数拟合[1]，网络结构如图1所示。其后，Kadirkamanathan V和Niranjan M采用扩展卡尔曼滤波器算法改进了RAN网络的收敛速度[2]；Lu Y W等引入删除算法，删除几乎不做贡献的隐节点，形成了M-RAN(Minimal RAN)算法[3]。

图1 RAN网络结构

网络隐节点的输出为：

(1)

网络第k个输出yi为：

(2)

其中，ci=[c1i,c2i,…,cni]T为第i个隐节点的数据中心；‖·‖为欧几里德范数；b0为偏置项；h为隐节点的数目；wi为第i个隐节点的输出与输出节点的连结权值。

在M-RAN算法中，RAN网络刚开始无隐节点，随着输入输出数据的增加，网络根据新颖性条件选择某些输入数据作为隐节点，组成网络。

笔者在M-RAN算法的基础上，提出优胜者神经元策略，即只调整优胜隐节点的网络参数；在执行删除策略的同时增加合并操作，即如果两个或多个隐节点的数据中心比较接近，扩展常数值也基本相等，可将这些隐节点合并。这样，就能进一步减少计算量，增加非线性对象的辨识速度。

系统开环输出的多步预测模型表示为：

Y(k-1+j),…,Y(k-1-ny+j)],

j=1,2,…,N

(3)

1.2反馈校正

系统的预测校正误差为：

(4)

系统的闭环预测输出为：

(5)

1.3滚动优化

系统目标函数为：

[ΔU(k+j-1)]2}

(6)

为获得最优控制律，必须使式(6)的目标函数值最小，即∂J/∂U=0。

(7)

基于上述分析，绘制如图2所示的控制流程。

图2 控制流程

2 建模与应用

2.1MPS中速磨煤机的动态RBF建模

直吹式中速磨煤机系统的输入输出关系为[7]：

(8)

式中B——给煤量；

T——磨煤机出口风粉混合物温度；

V——磨煤机入口一次风流量；

W(s)——系统的传递函数；

μl——冷风调节门开度；

μr——热风调节门开度。

为了验证动态RBF改进算法的有效性，用改进的M-RAN网络辨识某电厂MPS中速磨煤机在负荷60%～85%运行的模型。

图3 对象实际输出与动态RBF网络模型输出比较

可以看出，改进的动态RBF网络模型具有较好的适应性，比较真实地反映了MPS中速磨煤机的运行状况，可以作为控制系统的预测模型。

隐节点数目分别为30、40、50、60、70时，动态RBF网络模型的在线辨识时间对应为140、188、297、469、610ms，每次模型辨识的时间都远小于5s的采样周期，故改进的M-RAN算法适合热工对象的在线辨识。

2.2MPS中速磨煤机的预测控制

实际应用中，直吹式制粉系统给煤量要根据锅炉负荷的变化进行调整，为了保证炉内高效稳定的燃烧，需要相应地调整磨煤机入口一次风流量，同时保证磨煤机出口风粉混合物温度尽可能保持不变。

中速磨煤机的传统控制方案多采用PID调节器与多个回路组合控制，无法解决多变量耦合问题，实际运行中需要运行人员参与调整。因此，对于中速磨煤机这种多变量、非线性、大时滞系统，一般控制算法无法实现自动控制。

笔者利用动态RBF神经网络解决中速磨煤机控制系统的多变量和非线性问题，用广义预测控制解决时滞问题，将上述训练好的在线辨识模型应用于磨煤机系统的多步预测控制环节，多步预测的预测时域N取10，控制增量时域Nu取1，控制增量加权系数λ取0.1，柔化因子α取0.1，纯延迟d取6，采样时间取5s。给煤量变化10%后，系统响应曲线如图4所示，控制算法的响应速度和抗干扰性能比较显著，完全满足现场的应用需要。

图4 给煤量变化10%的输出响应曲线

3 结束语

笔者在M-RAN算法的基础上，提出优胜者神经元策略，在不影响动态RBF网络模型辨识精度的前提下，提高了模型的辨识速度；将该模型用作广义预测控制算法的预测模型，简化了算法的矩阵计算，使控制量给出迅速。仿真和实际应用结果都表明，该方法可以有效克服传统PID控制带来的各回路间的相互干扰及解耦困难等问题，并有效解决了直吹式制粉系统中速磨煤机出口风粉温度控制的大时滞问题。

[1] Platt J C.A Resource Allocation Network for Function Interpolation[J].Neural Computation,1991,3(2):213～225.

[2] Kadirkamanathan V,Niranjan M.A Function Estimation Approach to Sequential Learning with Neural Networks[J].Neural Computation,1993,5(6):954～975.

[3] Lu Y W,Sunderararajan N,Saratchandran P.A Sequential Learning Scheme for Function Approximation Using Minimal Radial Basis Function Networks[J].Neural Computation,1997,9(3):461～478.

[4] 宫赤坤,闫雪.基于RBF神经网络的预测控制[J].上海理工大学学报,2005,27(5):421～424.

[5] Clarke D W.Mohtadic TPS Generalized Predictive Control Part I and Part II[J].Automatica,1987,23(1):137～160.

[6] 刘宝坤,王慧,曹明,等.基于神经网络模型的直接优化预测控制[J].信息与控制,1998,27(5):386～390.

[7] 张小桃,倪维斗,李政,等.基于现场数据的中速磨煤机动态建模研究[J].热能动力工程,2004,19(6):614～616.

ApplicationofDynamicRBFNeuralNetwork-basedPredictiveControlinOptimizingControloverMediumSpeedMill

ZHANG Ke1,WEI Guang-hui1,LU Jia-le1,WANG Yan-wei2

(1.YantaiLongyuanPowerTechnologyCo.,Ltd.,Yantai264006,China; 2.YantaiGuoyeMetallurgicalWaterCooledEquipmentCo.,Ltd.,Yantai265500,China)

Considering the lag time and nonlinearity of the direct-fired pulverizing system in large coal-fired power plants, the dynamic RBF network model-based predictive control was applied to the optimizing control of the medium speed mill. MATLAB simulation proves both effectiveness and real-time of the improved M-RAN algorithm which can speed up identification of the non-linear system and can solve the dead-time through combing with the predictive control. Application results prove better dynamic response and robustness of this method.

predictive control, medium speed mill, improved M-RAN algorithm, dynamic RBF network, modeling

TH862+.6

B

1000-3932(2016)01-0058-04

2015-11-05(修改稿)