模糊神经网络在热网远程监控系统中的应用

田思庆 曹 宇 郑家风

(佳木斯大学 a.信息电子技术学院；b.机械工程学院)

模糊神经网络在热网远程监控系统中的应用

田思庆a,b曹 宇b郑家风b

(佳木斯大学 a.信息电子技术学院；b.机械工程学院)

为了使二次管网供水相对均匀、稳定地分配给热网用户，设计了一个模糊神经网络控制器，并以模糊神经网络控制理论为基础制定了热网压力、流量控制规则。仿真结果表明：系统输出流量响应快、超调量小、稳定性高。

模糊神经网络 热网远程监控系统 模糊化

我国北方地区冬季漫长，供暖成为居民冬季生活中的重要部分。随着生活水平的不断提高，人们对冬季供暖提出了越来越高的要求。而传统的控制方法已经很难满足现今热网用户对于室内温度的要求。

模糊神经网络是一个基于模糊系统和神经网络发展而成的控制方法，具有计算误差小、精确度高、可靠性高及控制性能优等特点，极其适用于热网监控系统。

笔者根据热网自身的特性，采用模糊神经网络对热网远程监控系统进行控制，通过设计模糊神经网络控制规则(以二次管网的压力和流量为输入，以调节阀开度为输出)，以满足不同热网用户对于压力或流量的需求，当压力或流量出现变动时，系统可以很方便地对设备进行处理[1]。在保证室内温度的情况下，最大程度地实现节约资源、提高热网自动化水平的目的。

1 热网远程监控系统工艺流程

热网远程监控系统工艺流程如图1所示。系统按照功能可以分为3个区域：第1区域是热网的供热源，主要为热网用户提供充足的热水；第2区域是温控区，主要对热水进行再次处理，然后分配到各个换热站；第3区域是板式换热器，主要给热网用户提供充足的热水，使热网用户的房间温度达到一个相对平衡的状态。在此，笔者主要介绍第3区域[2]。

图1 热网远程监控系统工艺流程

在第3区域中，控制器根据二次管网上的调节阀制定模糊控制规则，并通过变频器改变二次管网的热水流量，以保证热源供应的稳定性。供热区工作流程如图2所示。

2 热网模糊神经网络控制器设计

热网系统是一个较为复杂的被控对象，为此笔者采用高斯型隶属度函数作为热网远程监控系统的隶属度函数。高斯函数是连续且处处可微的函数，适用于自适应、自学习模糊控制隶属度函数的修正，其表达式为：

图2 供热区工作流程

(1)

式中n——隶属度的中心值；

δ——隶属度的宽度。

通常，n和δ的初始参数值可以凭经验给出。如果经验不足，初始参数值可以根据模糊规则来确定[3]。

3 热网远程监控系统的模糊神经网络控制

热网远程监控系统中，输入量为压力误差和流量误差。设系统的设定压力、设定流量分别为L1、L2，压力传感器和流量传感器的实测值分别为S1、S2，则压力误差X1=L1-S1、流量误差X2=L2-S2。然而，模糊控制器的输入量需要经过模糊化处理才能使用。

3.1 模糊化

根据系统的实际情况和要求，将压力误差yw分为7个模糊集，即{HD，HS，HX，TS，ZX，ZZ，ZD}，对应的物理状态分别为{压力采样值超低于设定范围下限差值巨大，压力采样值远低于设定范围下限差值较小，压力采样值微低于设定范围下限差值最小，压力采样值在设定范围内无误差，压力采样值微高于设定范围上限差值最小，压力采样值远高于设定上限差值较大，压力采样值超高于设定上限差值巨大}。压力误差yw域定义为{-6，-4，-2，0，2，4，6}。

将流量误差lw分为7个模糊集，即{HD，HS，HX，TS，ZX，ZZ，ZD}，对应的物理状态分别为{流量偏差采样值超低于设定范围下限差值巨大，流量偏差采样值远低于设定范围下限差值较小，流量偏差采样值微低于设定范围下限差值最小，流量偏差采样值在设定范围内无误差，流量偏差采样值微高于设定范围上限差值最小，流量偏差采样值远高于设定上限差值较大，流量偏差采样值超高于设定上限差值巨大}。流量误差lw域定义为{-6，-4，-2，0，2，4，6}。

将输出量即调节阀的开度k为5个模糊集{QK，DK，BK，XK，FB}，对应的物理状态分别为{调节阀全开，调节阀大开，调节阀半开，调节阀小开，调节阀封闭}。调节阀开度U的论域定义为{0.0，0.5，1.0,1.5，2.0}

3.2 热网模糊神经网络控制器的结构

热网模糊神经网络控制的拓扑图如图3所示[4]。

图3 热网模糊神经网络控制的拓扑图

在此，n的取值为{-6，-4，-2，0，2，4，6}，δ的取值1.2。得到流量误差lw的隶属度函数如图4所示。

图4 流量误差lw的隶属度函数

调节阀开度k的隶属度函数如图5所示。

图5 调节阀开度k的隶属度函数

通过参考大量文献并根据现场人员的实际操作经验[5]，将控制过程中可能出现的情况进行汇总，共得到了49条控制规则。用“if then”形式的语句加以描述，其中的部分语句如下：

if(ywis HD)and(lwis HD)then(kis QK)

if(ywis HS)and(lwis HS)then(kis BK)

if(ywis HX)and(lwis HX)then(kis XK)

if(ywis TS)and(lwis TS)then(kis FB)

if(ywis ZX)and(lwis ZX)then(kis XK)

if(ywis ZZ)and(lwis ZZ)then(kis QK)

if(ywis ZD)and(lwis ZD)then(kis QK)

4 模糊神经网络训练

为了便于在工程中使用，模糊神经网络控制器模型可描述为：

输入变量的论域分别为：

压力误差X1=[-E,E]=[-3,3]

流量误差X2=[-E,E]=[-5,5]

设压力量化因子Kyw=2，流量量化因子Klw=1.2，学习率η=0.3，平滑因子α=0.8。

5 仿真结果与分析

根据笔者设计的模糊神经网络控制器对系统流量控制特性进行仿真研究，经过4 000次训练，得到的流量仿真结果如图6所示，可以看出，系统响应时间快，具有较好的稳定性和较小的超调量。

图6 模糊神经网络控制的流量仿真结果

6 结束语

笔者针对热网远程监控系统存在的不足，设计了一个模糊神经网络控制器。对二次管网供水进行模糊量设计，使用高斯函数来实现模糊神经网络控制器输出量的模糊化。仿真结果表明：系统输出具有超调量小、反应时间快、振荡小及稳定性好等优点，证实笔者设计的模糊神经网络控制器是有效的，模糊神经网络控制可以在较大程度上改善城市热网监控系统的性能，具有一定的实用性。

[1] 刘金琨.先进PID控制Matlab仿真[M].北京:电子工业出版社,2011:270～297.

[2] 田思庆,魏强,吴桂云,等.火电厂主汽温度串级模糊控制系统应用研究[J].化工自动化及仪表,2014,41(11):1273～1276.

[3] 孙灵芳,董学曼,姜其锋.模糊控制的现状与工程应用关键问题研究[J].化工自动化及仪表,2016,43(1):1～5.

[4] 徐奔腾,林勇,温阳东.锅炉汽包水位的变论域模糊PID控制[J].化工自动化及仪表,2016,43(5):467～470.

[5] 戴珂,段善旭.三相电压型整流器/逆变器的功能建模仿真方法[J].电力电子技术,2002,36(5):60～64.

ApplicationofFuzzyNeuralNetworkinHeatingNetworkRemoteMonitoringSystem

TIAN Si-qinga, b, CAO Yub, ZHENG Jia-fengb
(a.CollegeofInformationScienceandElectronicTechnology; b.CollegeofMechanicalEngineering,JiamusiUniversity)

TH865

A

1000-3932(2017)09-0861-04

2017-04-24，

2017-05-23)

(Continued on Page 872)

佳木斯大学应用重点项目(12Z2201526)；佳木斯大学科技创新团队建设计划项目(Cxtdpy-2016-03)。

田思庆(1965-)，教授，从事自动化与电气化的教学与研究。

联系人曹宇(1991-)，硕士研究生，从事农业电气与自动化的研究，1315766172@qq.com。