神经网络智能串级控制在过热器喷水减温系统中的应用

马良玉，燕 梦，王 林，汪裕杰，彭文权，丘 鸿，彭春雄

(1.华北电力大学 控制与计算机工程学院，河北 保定 071003；2.西安热工研究院有限公司，陕西 西安 710054；3.广东粤电大埔发电有限公司，广东 大埔 514265)

0 引 言

过热汽温是火电机组运行的关键控制参数之一。由于大型燃煤机组各级过热器换热过程具有很大的惯性和时延，且不同工况下呈现很强的非线性特征，使得过热汽温釆用常规单回路PID控制难以获得好的控制效果。因此，过热器喷水减温广泛采用由内、外双回路组成的串级控制或具有导前微分信号的双回路PID控制策略。其思想均是在汽温控制中引入比过热器出口汽温提前的喷水减温器后温度(作为导前温度)信号进行超前调节[1，2]。即便如此，由于锅炉机组经常处于大幅度的变负荷工况运行，存在风量、煤量、给水、煤质、配风等诸多扰动，使得采用传统串级PID控制策略，过热汽温的控制品质往往差强人意，汽温大幅波动等情况经常发生。

计算机和人工智能技术的飞速发展，使得在复杂工业过程控制中引入模型预测、神经网络、智能优化等先进技术成为可能。各种先进的控制方案如自适应模糊神经网络控制、Smith预估补偿控制、广义预测控制、神经网络内模控制、神经网络逆控制、自抗扰控制等逐步在电站得以应用[2-12]，为进一步优化机组控制效果，实现机组安全节能环保的长期运行目标提供了有力手段。

本文研究对象为某600 MW超超临界机组，该机组参与电网一次调频和自动发电控制(AGC)，经常在300～600 MW区间深度变负荷运行，且负荷指令变化十分频繁。为满足“两个细则”的考核要求，机组的燃煤、给水、送风各子系统调节均有所加快，导致汽水分离器出口“中间点温度”波动较大，从源头上给后续各级喷水减温控制带来扰动，使得采用原有串级控制策略，当机组以较高速率变负荷时，汽温经常偏离设定值10 ℃以上，运行人员需频繁调整汽温设定值(偏置)来维持汽温不超限，运行人员工作强度大，现场对喷水减温控制优化的需求十分迫切。

为此，与机组协调、燃烧各子系统优化协同配合，设计了神经网络逆控制和PI控制结合的过热器喷水减温串级智能控制策略，并在罗克韦尔 Allen-Bradley(AB)Logix5572TM型PLC中对智能控制算法进行了编程实现。通过Modbus协议，实现外挂控制器与西门子SPPA-TXP3000 DCS系统间的双向数据交换，完成喷水减温系统的实时优化控制。汽温优化控制系统经调试后在现场稳定投运，过热汽温控制效果得到显著改善，增强了机组对AGC深度调峰的适应能力。

1 锅炉机组简介

本文研究对象是由上海锅炉厂制造的型号为SG-2037/26.15-M6010的超超临界变压运行直流炉。锅炉采用单炉膛、一次中间再热、四角切圆燃烧方式、平衡通风、Π 型布置、全钢架悬吊结构。锅炉采用正压直吹式制粉系统，每台炉配6台中速磨煤机。锅炉过热汽温调节采用水煤比和两级喷水减温控制,喷水来自高加后省煤器进口给水管道。为减小烟气不均导致的两侧受热不均，屛过出口管道左右侧交叉布置。喷水减温系统布置如图1所示(DCS画面流程)。

图1 过热器喷水减温系统DCS流程图

2 智能串级优化控制方案设计

2.1 优化控制方案总体结构

通过DCS喷水减温串级控制逻辑分析，基于机组历史运行数据对各级过热器汽温特性进行建模，进而提出一种神经网络逆和PID结合的过热器喷水减温智能串级控制方案[13]，并在实际机组加以实施。该优化控制方案原理示意图见图2所示。

图2 智能优化控制原理示意图

该方案主回路采用神经网络逆模型为基础的智能控制器，根据各级过热器出口汽温当前设定值、实际值及与过热汽温相关的其它运行参数来实时预测喷水减温出口汽温设定值；神经网络预测的副调温度设定值与喷水减温器出口实际温度偏差，作用于副调PID控制器，用于调节喷水阀开度。通过主副回路的协同作用，最终实现各级过热汽温的优化控制。

2.2 神经网络逆系统原理

作为非线性系统控制理论中一种有效的方法，逆系统方法通过建立非线性对象的逆系统，将被控对象补偿为具有线性传递关系的系统，再用线性系统的理论完成系统的综合。该方法物理概念清晰直观易于理解，但实际工程中由于对象复杂往往难于精确建模，而人工神经网络对复杂非线性系统具有出色的逼近与学习功能，将二者结合构建神经网络逆系统，具有良好的工程应用前景[13]。

根据神经网络逆系统原理，对单输入单输出(SISO)的非线性系统y=f(u),通过引入系统中影响输出的辅助参数及干扰信号，可构建具有较强适应能力的扩展结构神经网络逆系统[9]，如图3所示。

图3 扩展结构神经网络逆系统

对本文过热汽温智能串级控制方案而言，运用上述方法建立具有较高精度的过热器温升特性逆模型后，可以此逆模型为基础建立神经网络逆控制器作为外环主控制器，根据有关参数的实时变化及过热器出口汽温的设定值T2sp来实时预测过热器入口温度期望值，作为副调PID控制器的设定值T1sp，实现喷水减温阀控制。

由此可见，串级智能优化控制器的核心是神经网络逆控制器的设计。而基于机组的历史运行数据，建立能准确反映各级过热器汽温特性的神经网络逆模型则是逆控制实现的基础。下面重点对逆模型的建立进行说明。

3 过热汽温特性神经网络逆模型

3.1 模型参数和结构确立

由于本文喷水减温系统优化控制采用的是神经网络逆控制器为主回路，PID控制器为副回路的串级智能控制策略，因此逆模型建立仅针对各级屏式过热器和末级过热器的温升特性，不包含喷水环节。

超临界直流锅炉过热汽温影响因素较多，如：燃料量、给水流量、送风量、火焰中心位置、燃料成分等。综合考虑影响过热器汽温特性的主要因素，选取表1所示参数建立屏式过热器和末级过热器的汽温特性逆模型。

表1 逆模型输入输出参数选取

由于过热器汽温特性具有较大的惯性和迟延，且在不同负荷下具有很强的非线性，为提高模型的预测精度，选取具有输入时延和输出反馈时延的BP神经网络模型结构，将输入变量当前时刻值及二阶时延值，以及输出变量的二阶时延参数反馈值作为模型的输入，输出变量当前时刻的值作为模型输出[14，15]。这样，针对各级左、右两个过热器，每个模型均有14个输入参数、1个输出参数。网络选用tansig函数和purelin函数作为隐含层和输出层的激活函数。经过试验，隐含层节点数为20时模型能够达到较高的精度。神经网络模型结构见图4所示。

图4 神经网络逆模型结构图

3.2 模型训练与验证

为保证训练好的逆模型准确全面地反映过热器汽温系统特性，模型训练样本取自机组DCS系统真实数据，且涵盖机组AGC深度调峰工作负荷区间。共选取250～600 MW负荷区间共2天的历史运行数据(采样周期10 s)对模型进行训练。采样数据包含表1所示的模型输入、输出参数，各级喷水阀开度，负荷、负荷指令等工况标志参数。

考虑各输入参数的正常变化范围不同，为均衡反应各输入参数变化对模型输出的影响，建模前需要对训练样本输出输出进行归一化处理，并采用归一化后的样本训练模型，并将模型输出反归一以得到实际工程单位的变量值[14，15]。

最终模型训练结果如图5所示(以B1、A2侧过热器逆模型为例)。可见，上述神经网络模型训练结果精度较高。

图5 一、二级过热器逆模型训练结果

为进一步检验神经网络模型的预测能力，采用与训练样本不同时间段的机组历史运行数据对模型进行校验，B1过热器、A2过热器逆模型的校验结果见图6、图7。可见，神经网络逆模型预测误差较小，泛化能力较好，能很好地逼近各级过热器系统的汽温特性，精度满足工程应用要求。

图6 B1屛式过热器逆模型校验结果

图7 A2末级过热器逆模型校验结果

4 优化控制方案具体实现及现场实施

4.1 PLC硬件装置及通讯实现

将ANN-PID串级控制方案应用于超超临界机组喷水减温系统，实时优化控制算法利用罗克韦尔 Allen-Bradley(AB)Logix5572TM型PLC编程实现。PLC安装在电厂的电子间，如图8所示。PLC与DCS通过MODBUS通讯协议，在DCS侧搭建相应的数据传输模块，实现优化程序所需数据接受和与优化指令发送。

图8 罗克韦尔Logix5572TM 型PLC

4.2 主回路神经网络逆控制器参考值动态计算

考虑到神经网络逆模型本身是系统逆过程的一种近似估计，模型结构的不完善、训练样本的不全面可能会使训练好的BP神经网络模型与对象实际特性产生偏差。当模型应用于控制时，实际运行工况与训练工况的差别、采样周期的变化等也会给控制带来误差[9]。基于此，在神经网络逆控制器中引入汽温实时反馈，以DCS汽温设定值Tsp(k)为参考点，根据当前时刻实际汽温T(k)，实时调整神经网络控制器输入参考值Tref(k)，函数表达式如下：

Tref(k)=T(k)+Ksat×[T(k)-Tsp(k)]

(1)

式中：Ksat为与各级过热器汽温特性有关的参数，用于调整温度参考值变化的速率。

4.3 副回路PID 控制器设计

副回路PID控制器采用具有前馈的增量式PID算法，其具体表达式为

Δu(k)=Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-

2e(k-1)+e(k-2)]+uf(k)-uf(k-1)

(2)

式中：控制偏差e(k)=r(k)-y(k)；Kp、Ki、Kd分别为 PID 控制器的比例、积分、微分系数；uf(k)-uf(k-1)为前馈增量。

4.4 外挂优化投切逻辑设计

喷水减温优化外挂系统程序与DCS原控制逻辑采用相互跟踪来实现无扰切换。具体说明如下。

(1)对DCS侧而言，考虑现场运行工况的复杂性，为确保安全起见，当发生模型失配或机组负荷超出预测模型的工作范围时，仍保证喷水阀正确动作，在外挂优化控制器投入时，原DCS主控制回路仍正常计算，其输出指令送至PLC作为参考信号；DCS原串级PID的内环控制器输出指令跟踪外挂智能优化控制器副调PID的输出。

(2)对PLC侧优化算法而言，当喷水减温外挂切除时，PLC侧智能串级控制器的内环PID控制器输出跟踪DCS副调PID的输出，而外环神经网络控制器仍按预测模型正常计算。

(3)外挂投入切除逻辑：当DCS减温水控制已投入自动且PLC通讯正常时方可允许外挂优化投入，此时运行人员可在汽温调节画面依次投入各级外挂(见图1)；若DCS侧减温水控制切为手动，则外挂优化自动退出，转入跟踪状态。

5 汽温智能优化控制现场应用效果

经硬件安装、通讯测试、程序编制，本文ANN-PID智能串级控制方案，应用于600 MW超超临界机组过热器喷水减温系统，经过对神经网络控制器及PID参数优化调试，最终实现优化控制系统长期稳定投运，有效改善了汽温控制品质。

机组以9 MW/min的速率参与一次调频和AGC，在负荷相对较稳定工况1下，1 h内B1、A2过热器的控制效果见图9。可见喷水阀门动作平稳，在喷水阀有效调节范围内，各级汽温控制稳态偏差小于1 ℃，动态偏差不超过4 ℃。

图9 相对稳定工况过热汽温控制效果

机组负荷以9 MW/min的速率参与一次调频和AGC，在负荷频繁变化的工况2下，投入外挂优化控制时，B1、A2级过热汽温1 h内的控制效果见图10。

由图10可知，当负荷频繁地大幅度变化时，各级喷水阀门也能实现平稳地动作，各级过热汽温与设定值之间的偏差均在可接受范围内。在喷水阀有效控制范围内，各级汽温稳态偏差小于2 ℃，动态偏差一般不超过6 ℃，并且稳定所需时间较短，超调量较小。整个过程较少出现人工干预设定值的情况。相对于机组原DCS控制，投入外挂优化控制后汽温控制效果明显改善。

图10 频繁变负荷工况B1、A2过热汽温控制效果

6 结 论

本文将人工神经网络逆与传统的串级控制思想结合，提出一种外环采用神经网络逆控制、内环采用PID控制的智能串级控制策略，应用于某实际电厂600 MW超超临界机组过热器喷水减温系统，实现了外挂智能优化系统的长期稳定投运，大大改善了过热汽温的控制品质。现场应用表明：

(1)实施汽温外挂优化控制后,相对于原机组控制系统，汽温超调量小，调节速度快，抗干扰能力增强，达到了预期的控制效果。汽温控制品质的改善，有效提高了机组参与AGC和一次调频的能力。

(2)该控制方案的实施，有效降低了现场运行人员对汽温设定值的人工频繁干预，大大减轻了运行人员的操作强度。

应当指出，对超(超)临界机组而言，在直流负荷段，喷水减温只是动态变负荷过程中过热汽温控制的辅助环节，应优先通过风煤水协调动作，合理调节水煤比，确保中间点过热度相对稳定，这是保证汽温控制效果的重要因素。

综上所述，本文神经网络串级智能汽温控制策略在现场的成功实施和投运，取得了预期的效果,为火电厂智能运行和优化控制进行了有益的实践，具有较好的工程示范和借鉴作用。