【正文】 23 第 四 章 基于 BP神經網絡的 PID控制在主汽溫控制系統(tǒng)中的應用 主 汽溫 的 控制任務 鍋爐的主蒸汽溫度 與火電廠的經濟性和安全性有重要的關系，因此主蒸汽溫度是火電廠的一個極其重要的參數。而 煙氣量擾動可以做調節(jié)信號， 但是煙氣與燃燒系統(tǒng)有關，如果用煙氣作為控制信號，W 25 會影響到燃燒控制系統(tǒng)的設計 ，所以一般也不采用煙氣控制。 串級控制系統(tǒng)見下圖： r + e + 圖 45 主汽 溫 串級控制框圖 其中 r為 主 汽溫設定值， 1()Gs 2()Gs分別為控制系統(tǒng)對象的導前區(qū)和惰性區(qū)的傳遞函數，M1,M2 分別為副變送器和主變送器 傳遞函數 。 2pk =1；主控制器采用 PI 控制， 1 ? ， ? 。 在負荷為 37%時 ,導前區(qū)為 :1 () (1 28 )Gs s? ?，而惰性區(qū)的傳遞函 數為 :1 48() (1 5 )Gs s? ?，其仿真曲線如下： 負荷 導前區(qū) ? ?1GS 惰性區(qū) ? ?2GS 37% ? ? / 1 28S? ? ?81 .0 4 8 / 1 5 6 .6 5S? 50% ? ? / 1 25S? ? ? 19 / 1 ? 75% ? ? / 1 20S? ? ? 02 / 1 ? 100% ? ? / 1 18S? ? ? 76 / 1 S。仿真時我們采用文獻 [24]給出的 600MW 直流鍋爐 主汽溫對象的 動態(tài)特性 ，見本論文表 41。 惰性區(qū)的傳遞函數也可以表示為 ? ?? ? ? ?11 1212 1 ns kG s Ts???? （ 43） 其中 1k 為惰性區(qū)放大系數， 1T 為惰性區(qū)時間常數， 1n 為階次，該傳遞函數無法通過實驗求出，而是由下式求出： ? ? ? ?? ?021GsGsGs? （ 44） 可得到 01 2kk k? （ 45） 220 0 2 21 0 0 2 2n T n TT n T n T?? ? （ 46） 20 0 2 21 220 0 2 2()n T n Tn n T n T?? ? （ 47） 26 主汽溫控制的兩種策略 策略一： 在火電廠中，對主汽溫的控制有較高的要求，然而 在實際生產過程中 ,由于主蒸汽流量、壓力、煙氣溫度和流速等的外擾 ,以及減溫水內擾頻繁且幅度較大 ,加上對象模型參數隨工況參數 (主蒸汽壓力、溫度和流量 )的變化而變化 ,因而難以建立精確的數學模型 .因此 ,主 汽溫控制是一個存在大時滯、時變性、大干擾 ,具有不確定性和非線性的復雜熱工對象 。主要擾動有 3 個： 蒸汽量擾動 D，煙氣量擾動 Q，減溫水量擾動 W。 ( 2 ) ( 3 ) ( 3 ) ( 1 ) ( 2 )1( ) ( ( ) ) ( ) ( ) ( 1 )i j i l l i j l ilw k g n e t k w k o k w k? ? ??? ? ? ? ?? i =1,2,? , q （ 322） 令 3( 2 ) 39。這種替代在算法上是可以的，因為 ( )/ ( )y k u k??是式（ 316）中的一個乘積因子，他的符號的正負決定著權值變化的方 向，而數值變化的大小只影響權值變化的速度，但是權值變化的速度可以通過學習步長加以調節(jié)。 采用 基于 BP 神經網絡的 PID 控 制 的系統(tǒng)結構如下圖所示： r kp ki kd u y e 圖 31 基于 BP神經網絡的 PID控制結構圖 上圖中的 BP 神經網絡 選如 圖 32的形式 ， 采用三層結構：一個輸入層，一個隱含層，一個輸出層 ， j表示輸入層節(jié)點， i 表示隱層節(jié) 點， l表示輸出層節(jié)點。根據遞推原理可得 10( 1 ) ( 2 )( 1 ) ( 1 ) ( )kp i dje k e ku k k e k k e j T k T??? ? ?? ? ? ? ?? （ 35） 用式（ 34）減式（ 35），可得增量式 PID 控制算法( ) 2 ( 1 ) ( 2 )( ) ( ( ) ( 1 ) ) ( ) e k e k e ku k k p e k e k k ie k T k d T? ? ? ?? ? ? ? ? ? （ 36） 式（ 36）進一步可改寫為 ： 0 1 2( ) ( ) ( 1 ) ( 2)u k a e k a e k a e k? ? ? ? ? ? （ 37） 式中，0 (1 )dp iTTak? ? ?，1 2(1 )dp iTak T??，2 dp iTakT? 用增量式 PID 控制算法有以下優(yōu)點： （ 1） 增量算法 不需要累加，控制量增量的確定僅與最近幾次誤差采樣值有關； （ 2） 增量式算法得出的是控制量的增量，誤動作影響??； 18 （ 3） 便于編程序實現(xiàn) 。 本章將詳細介紹基于 BP 神經網絡的 自 整定PID 控制算法， 即把神經網絡的輸出作為 PID 控制器的比例，積分和微分， 然后對 電廠主 汽溫 系統(tǒng) 進行設計， 并在 Matlab 上 進行 仿真。 1 1 1111m i m m ii mmmEE wwo n e t ??????? （ 234） 當 i=j時， *ijoI? 將式（ 232）和（ 234）代入（ 228），有 ? ?? ? 1 1 1111 39。 所以 ? ?? ? ? ?? ?()ij ji j jij ijw t Ine t tIw t w t??????? （ 225） 將（ 225）代入式（ 223），可以得到： ? ?? ? ? ?? ? ? ?? ? ? ?? ?. i jij i ij iE t E t E tn e t t Iw t n e t t w t n e t t? ? ????? ? ? ? （ 226） 令 i iE? ??? （ 227） 式中 i? 為第 i個節(jié)點的狀態(tài) i 對 E 的靈敏度。 這兩部分是相繼連續(xù)反復進行的，直到誤差滿足要求 。正是因為神經網絡具有的這些特點，才使它在模式識別、人工智能、控制工程、信號處理等領域有著廣泛的應用，相信隨著人工神經網絡研究的進一 步深入，其應用 領域會更廣，用途會更大。上式的前提是被學習的過程是平穩(wěn)的，具體方法可用最優(yōu)梯度下降法。在學習過程中，執(zhí)行學 習規(guī)則，修正加權系數。 人工神經元模型 人腦神經元是組成人腦神經系統(tǒng)的最基本單元，對人腦神經元進行抽象化后得到一種稱為 McCulloch 一 Pitts 模型的人工神經元，人工神經元是人工神經網絡的基本單元，從圖 2一 1中可以看出，它相當于一個多輸入單輸出的非線性闡值器件 。 第二章、神經網絡的基本理論 本章 介紹了神經網絡的基礎知識，重點對 BP 神經網絡 的 結構 和 算法 進行了闡述 。 那么是否可以把神經網絡和 PID 結合在一起， 充分利用兩者的優(yōu)點 呢 ，使新算法既有神經網絡的學習能力又有 PID 控制的簡單性呢？ 。 r + e + u y + 圖 16 多層 神經 網絡 控制結構圖 立論依據 BP 算法就是在模擬生物神經元的 基礎上建立起來的 在人工神經網絡上的一種搜索和優(yōu)化算法。而神經網絡則是建立在對人腦結構和功能的模擬與簡化的基礎上。 參考模型 對象 神經控制器 參考模型 對象 神經控制器 神經辨識器 4 D r + + y + + 圖 14 神經 內膜 控制結構圖 在神經網絡內?？刂葡到y(tǒng)中， 神經辨識 器作為被控對象的近似模型與實際對象并行設置，它們的差值用于反饋，同期望的給定值之差經一線性濾波器處理后，送給神經網絡控制器，經過多次訓練，它將間接地學習對象的逆動態(tài)特性。根據結構的不同可分為直自校正控制器 被控對象 神經辨識器 控制器設計 PID 控制器 被控對象 神經網絡 + 3 接與間接神經網絡模型參考自適應控制兩種類型，分別如圖中 (a)和 (b)所示。這種方案的設計思想是利用神經網絡辨識器的計算估計能力對常規(guī)控制器參數進行約束優(yōu)化求解 ,從而實現(xiàn)對常規(guī)控制器的參數或結構進行調整。對于自動控制來說 ,神經網絡有具有自適應功能，泛化功能，非線性映射功，高度并行處理功能等幾方面優(yōu)勢 [2]，這使得神 經網絡成為當今一個非常熱門的交叉學科 , 廣泛應用在電力，化工，機械等各行各業(yè)，并取得了比較好的控制效果。 1 第一章 緒論 選題背景和意義 在控制系統(tǒng)設計中 ,最主要而又最困難的問題是如何針對復雜、變化及具有不確定性的受控對象和環(huán)境作出有效的控制決策。I 摘 要 目前，由于 PID 結構簡單，可通過調節(jié)比例積分和微分取得基本滿意的控制性能，廣泛應用在電廠的各種控制過程中。t rely on model realize PID parameters autotuning. It can make full use of the advantages of PID and neural work. Here, we use a multilayer feedforward neural work using back propagation algorithm. This can realtime output Kp, Ki, Kd as the PID controller parameters , insteading of the traditional PID parameters determined by experience, so it can obtain good control performance .For such a system ,we can simulate in MATLAB simulation platform. The simulation results show that the PID control based BP neural work has good adaptive ability and selflearning ability. For the system of large delay and freemodel can obtain good control effect. KEY WORDS: main steam temperature ， PID ， BP neural work， MATLAB simulationIII 目 錄 摘 要 .................................................................... I ABSTRACT ................................................................... II 第一章 緒論 ................................................................. 1 選題背景和意義 ...................................................... 1 國內外研究現(xiàn)狀 .................................................... 1 立論依據 ............................................................ 5 本文所做的