T-S模糊模型的FGD系统pH值建模研究

蒋静江

（广东省能源集团有限公司珠海发电厂，广东 珠海519000）

1 引言

在日常生活中，有很多的时变系统，并且需要研究的对象比想象中复杂很多。现场实际因素的影响使得并不容易将应用理论和实验应用在研究对象上，对此，最常用的方法就是建模。在数学领域建模并不能够达到具体化，转换为借助于一个系统以及处于过程中的相关变量之间的某种关系来反映实现的数学结构[1-2]。脱硫系统能够正常运行，其中pH是最重要的控制参数之一，直接关系到脱硫效率和脱硫效果。针对珠海发电厂FGD系统的运行情况，其值在5.5～6.0是最佳范围，整个控制目的在于保证pH稳定[3-4]。基于控制FGD系统pH值的非线性、多时变、强耦合的特点，用T-S模糊模型对特定值进行数学建模来进行分析及优化[5]。

2 模型概况

面对多维模糊推理中的推理规则庞大的问题，由Takagi和Sugeno提出了一种新的模糊推理模型，称为Takagi-Sugeno（T-S）模糊模型。模型的输入函数是规则后件：

这种语言规则描述的模型展开第i条规则可写为：

这里，Air在模糊系统中是第i条规则前件的模糊集合；Pim（m=1,2，……，k）是系统参数；x=[x1，x2，……，xr]是输入变量；yi是输出变量，输入模糊，输出确定，整个模糊推理过程的输入与输出的关系呈线性。

对输入变量x来说，应用模糊规则来计算每个输入变量的隶属度：

通过计算得到输出值yi。

式中，k是输入参数；n是子集数。

3 网络辨识

图1 T-S模糊神经网络结构

由图1可以看出，T-S模糊神经网络是由五层从左向右的网络组成：前为输入层，中间区域为输出层、模糊化层和模糊条件层，后端为输出层；与输入层连接的是输入向量x；模糊隶属度值μ是模糊化层将隶属度函数公式（3）对输入值进行模糊化得到的。模糊连乘公式（4）用于模糊条件层，而输出则是通过模糊决策层采用公式（5）计算得出。

学习算法如下：

①误差的计算

这里，yd是期望输出；yc是实际输出；e是期望输出和实际输出的误差。

②系数的修正

③参数的修正

4 建模与仿真

负荷、石灰石供浆、石膏浆液脱水和脱硫效率等条件直接影响pH值。本次建模，是机组负荷在700MW、石膏浆液脱水没有运行的情况下进行，对珠海发电厂#1机组FGD系统PH值每隔5min测取数据，最终的控制范围为5.5～6.0，根据72个小时整3天测量的数据应用T-S模糊模型建立系统模型[6-7]。系统算法流程如图2所示，实测数据曲线与模型预测曲线对比如图3所示，可以清晰地看到实测值与预测值的对比关系。

图2 模糊神经网络FGD系统PH建模算法流程图

图3 实测数据曲线与模型预测曲线对比图

5 结论

本文是建立在T-S模糊神经网络算法上，针对脱硫吸收塔pH值这一参数进行数学建模，采取现场样本数据，进行实测曲线拟合，然后将其与预测模型输出曲线对比，通过仿真实验可见，预测曲线在相同负荷等情况下能够将pH值稳定在目标值范围内，表明本文中建立的数学模型，能够与实际情况相吻合，且真实地反映了珠海发电厂1号机组在负荷700MW时脱硫吸收塔pH值情况，对以后分析研究和控制系统的优化有积极方面的作用，为机组达到更优工况和提高经济效益也有很大帮助。