【正文】 this approach, the load is divided into five regions as shown in ,using also the experience of the operators, who regard a load of 200MW as high,180MW as medium high,160MW as medium,140MW as medium low and 120MW as low. For a sampling interval of 30s, the estimated linear local models used in the NFN are shown in Table 1.Fig. 3 Membership function for local modelsTable 1 Local CARIMA models in neurofuzzy model Cascade control scheme is widely used to control the superheated steam temperature. Feed forward control, with the steam flow and the gas temperature as inputs, can be applied to provide a faster response to large variations in these two variables. In practice, the feed forward paths are activated only when there are significant changes in these variables. The control scheme also prevents the faster dynamics of the plant, ., the spray water valve and the water/steam mixing, from affecting the slower dynamics of the plant, ., the high temperature superheater. With the global nonlinear NFN model in Table 1, the proposed NFGPC scheme is shown in .Fig. 4 NFGPC control of superheated steam temperature with feedforward control.As a further illustration, the power plant is simulated using the NFN model given in Table 1,and is controlled respectively by the NFGPC, the conventional linear GPC controller, and the cascaded PI controller while the load changes from 160MW to conventional linear GPC controller is the local controller designed for the“medium”operating region. The results are shown in ,showing that, as expected, the best performance is obtained from the NFGPC as it is designed based on a more accurate process model. This is followed by the conventional linear GPC controller. The performance of the conventional cascade PI controller is the worst, indicating that it is unable to control satisfactory the superheated steam temperature under large load changes. This may be the reason for controlling the power plant manually when there are large load changes. parison of the NFGPC, conventional linear GPC, and cascade PI controller.4. ConclusionsThe modeling and control of a 200 MW power plant using the neurofuzzy approach is presented in this paper. The NFN consists of five local CARIMA models. The output of the network is the interpolation of the local models using memberships given by the Bspline basis functions. The proposed NFGPC is similarly constructed, which is designed from the CARIMA models in the NFN. The NFGPC is most suitable for processes with smooth nonlinearity, such that its full operating range can be partitioned into several local linear operating regions. The proposed NFGPC therefore provides a useful alternative for controlling this class of nonlinear power plants, which are formerly difficult to be controlled using traditional methods.Part 4 為Part3譯文： 鍋爐蒸汽溫度模糊神經(jīng)網(wǎng)絡(luò)的廣義預(yù)測(cè)控制Xiangjie LIU, Jizhen LIU, Ping GUAN 摘要：發(fā)電廠是非線性和不確定性的復(fù)雜系統(tǒng)?，F(xiàn)代電廠的運(yùn)行中，為確保電廠的高效率和高負(fù)荷的能力，準(zhǔn)確的控制過熱蒸汽溫度是必要的。本文提出了一類在非線性廣義預(yù)測(cè)控制器的基礎(chǔ)上的模糊神經(jīng)網(wǎng)絡(luò)。所提出的非線性控制器適用于控制一臺(tái)200 MW電廠的過熱蒸汽溫度。從實(shí)驗(yàn)方案的仿真結(jié)果中可以看出，此方案的控制品質(zhì)優(yōu)于傳統(tǒng)的控制方案。關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；廣義預(yù)測(cè)控制；過熱蒸汽溫度1. 引言電廠過熱汽溫控制系統(tǒng)的特點(diǎn)是非線性、不確定性和負(fù)載擾動(dòng)。蒸汽發(fā)電的過程中鍋爐汽輪機(jī)溫度過熱是一個(gè)重要的問題，蒸汽加熱后，進(jìn)入渦輪驅(qū)動(dòng)發(fā)電機(jī)，控制過熱蒸汽溫度不僅是在技術(shù)上具有挑戰(zhàn)性，在經(jīng)濟(jì)上的意義也是十分重要的。圖1 鍋爐過熱器和蒸汽生成過程從圖1可以看出，產(chǎn)生的蒸汽從鍋爐汽包通過低溫過熱器后進(jìn)入輻射型屏。水變成噴涂的蒸汽，以控制過熱蒸汽的溫度。適當(dāng)?shù)目刂齐姀S過熱蒸汽溫度是極其重要的，可以確保整體效率和安全性。蒸汽溫度太高對(duì)系統(tǒng)是非常不利的，因?yàn)檫^熱蒸汽可以損害高壓力汽輪機(jī)，太低也不行，因?yàn)樗鼤?huì)降低電廠熱效率。減少溫度波動(dòng)也是非常重要的，因?yàn)樗兄跍p少在單位內(nèi)機(jī)械應(yīng)力造成的微裂紋，延長單位秩序壽命，并減少維修成本。作為GPC的推導(dǎo)應(yīng)該盡量減少這些波動(dòng)，它是眾多的控制器中最適合實(shí)現(xiàn)這一目標(biāo)的。多變量多步自適應(yīng)調(diào)節(jié)已適用于控制過熱蒸汽溫度在150的鍋爐，提出了廣義預(yù)測(cè)控制以控制蒸汽溫度，基于神經(jīng)網(wǎng)絡(luò)發(fā)展的非線性預(yù)測(cè)控制器是以控制主蒸汽溫度和壓力?？刂浦髡羝麥囟群蛪毫Φ幕A(chǔ)上，得到非線性模型的構(gòu)成是由非線性靜力常數(shù)和非線性動(dòng)力學(xué)組成。 模糊邏輯是把人類的經(jīng)驗(yàn)透過模糊規(guī)則表現(xiàn)出來。然而，設(shè)計(jì)模糊邏輯控制器是非常消費(fèi)時(shí)間的，由于模糊規(guī)則的不確定，往往得到的試驗(yàn)是錯(cuò)誤的。在此相反，神經(jīng)網(wǎng)絡(luò)不僅有近似的非線性職能與任意精度，他們也可以有經(jīng)過試驗(yàn)的實(shí)驗(yàn)數(shù)據(jù)。該模糊神經(jīng)網(wǎng)絡(luò)的開發(fā)優(yōu)勢(shì)是模型的透明度，模糊邏輯的準(zhǔn)確度和具有學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)。該模糊神經(jīng)網(wǎng)絡(luò)已被用來發(fā)展自適應(yīng)控制，因此，一個(gè)有用的工具，可以發(fā)展出非線性預(yù)測(cè)控制。從模糊神經(jīng)網(wǎng)絡(luò)可以考慮到作為一個(gè)網(wǎng)絡(luò)構(gòu)成的若干項(xiàng)，其中每一項(xiàng)包含一個(gè)局部線性模型，在非線性預(yù)測(cè)控制的基礎(chǔ)上模糊神經(jīng)網(wǎng)絡(luò)可以設(shè)計(jì)和使用各自的地方線性模型把當(dāng)?shù)厮械膹V義預(yù)測(cè)控制器。按照這一辦法，在非線性廣義預(yù)測(cè)控制器的基礎(chǔ)上，模糊神經(jīng)網(wǎng)絡(luò)簡單地說是由該模糊神經(jīng)網(wǎng)絡(luò)的廣義預(yù)測(cè)控制器推導(dǎo)出來的。建立控制器，然后應(yīng)用于控制過熱蒸汽溫度的200MW機(jī)組。實(shí)驗(yàn)所得的數(shù)據(jù)，用來試驗(yàn)?zāi)：窠?jīng)網(wǎng)絡(luò)模型方案。2. 模糊神經(jīng)網(wǎng)絡(luò)的建?？紤]以下的一般單輸入單輸出的非線性動(dòng)態(tài)系統(tǒng)： （1）其中f[.]是一個(gè)光滑的非線性函數(shù)，將其按泰勒級(jí)數(shù)展開，其中是零均值、Δ是差分算子。和D分別是該系統(tǒng)已知的命令和延遲的時(shí)間。非線性系統(tǒng)（1）在操作點(diǎn)的局部線性模型是由以下控制自動(dòng)回歸綜合移動(dòng)平均線（CARIMA）模型給出的： （2）其中是多項(xiàng)式在落后的移位算子。注意，該系數(shù)多項(xiàng)式函數(shù)的轉(zhuǎn)向點(diǎn)為。非線性系統(tǒng)（1）分割成為幾個(gè)作業(yè)區(qū)域，如每個(gè)區(qū)域可以近似當(dāng)成線性模型。自模糊神經(jīng)網(wǎng)絡(luò)是一類在本地的記憶網(wǎng)絡(luò)的知識(shí)存儲(chǔ)，他們可以應(yīng)用到這一類非線性系統(tǒng)的模型中。由示意圖可知該模糊神經(jīng)網(wǎng)絡(luò)的結(jié)果，圖2中B樣條函數(shù)作為隸屬函數(shù)在模糊神經(jīng)網(wǎng)絡(luò)是由于以下幾個(gè)原因：B樣條功能可隨時(shí)在指定的秩序的基礎(chǔ)功能和數(shù)目內(nèi)，第二，他們是界定在一個(gè)范圍內(nèi)的支持和輸出的基礎(chǔ)上功能始終是積極的，和。第三，在職能的基礎(chǔ)上形成一個(gè)分割的集體， （3) 第四，輸出功能的基礎(chǔ)上可以得到一個(gè)遞歸方程。圖2 模糊神經(jīng)網(wǎng)絡(luò)從模糊規(guī)則所產(chǎn)生的模糊變量的隸屬函數(shù)可以得到衍生的模糊規(guī)則。例如，考慮在圖2所示的模糊神經(jīng)網(wǎng)絡(luò)，構(gòu)成以下模糊規(guī)則：如果操作條件是（ 是正小……是負(fù)大） ，那么輸出是給予的區(qū)域CARIMA模型： （4）或是 （5） 其中是在落后的移位運(yùn)算符的多項(xiàng)式，D是死去時(shí)間，是控制量，是零均值與方差獨(dú)立的隨機(jī)變量。多變量的基礎(chǔ)功能是獲得由單變量函數(shù)的張量積的基礎(chǔ)上得到的 （6） 其中n是輸入向量x，和p的維數(shù)，在模糊神經(jīng)網(wǎng)絡(luò)中的比重，由下式給出， （7）其中和分別是基函數(shù)秩序和內(nèi)部結(jié)數(shù)。在單變量B樣條基函數(shù)的性質(zhì)前面描述也適用于多元的基礎(chǔ)功能。該NFN輸出為 （8）3. 過熱蒸汽溫度的神經(jīng)模糊塑造和有預(yù)測(cè)性的控制設(shè)是過熱蒸汽溫度，為水流噴射到高溫過熱器后的溫度。對(duì)響應(yīng)可以近似為二階模型 （9）式（9）是線性模型，然而，只有選定的工作點(diǎn)局部模型。 由于負(fù)載的獨(dú)特前件變量，它被用于選擇在NFN的地方之間。 基于這種方法，如圖3所示，使用操作員的經(jīng)驗(yàn)， 被劃分成五個(gè)區(qū)域，200MW作為一個(gè)高度， 180MW作為中等上流，160MW作為中等下流的方式、140MW和120MW為低和更低的方式。 對(duì)于一個(gè)30s的采樣間隔，估計(jì)線性模型的一個(gè)區(qū)域使用的NFN如表1所示。圖3 模型的隸屬函數(shù)表1 神經(jīng)模糊控制的局域CARIMA模型 串級(jí)控制方案被廣泛用于控制過熱蒸汽溫度。前饋控制的蒸汽流量和氣體溫度為輸入時(shí)，在這兩個(gè)變量的變化時(shí)，可用于提供更迅速的反應(yīng)。在實(shí)踐中，只有是在這些變量有顯著變化時(shí)，前饋路徑才被激活?？刂葡到y(tǒng)也防止了噴水閥門和水/蒸汽混合而影響設(shè)計(jì)的方案。 全球性非線性NFN模型在表1提出的NFGPC計(jì)劃如下圖4所示。圖4 NFGPC過熱蒸汽溫度控制與前饋控制作為進(jìn)一步的說明，該電廠是利用模擬模型的NFN由表1中給出，并受控于NFGPC，傳統(tǒng)的線性GPC的控制器、PI控制器的級(jí)聯(lián)分別為160MW到200MW的負(fù)荷變化。傳統(tǒng)的線性GPC的區(qū)域控制器是為“中等”經(jīng)營工作范圍。設(shè)計(jì)的結(jié)果在圖7所示，顯示出預(yù)期最好的表現(xiàn)是從NFGPC獲得的，因?yàn)樗哪康氖腔谝粋€(gè)更準(zhǔn)確過程的模型。這是由傳統(tǒng)的線性級(jí)聯(lián)GPC的常規(guī)PI控制器表現(xiàn)的。其次是表現(xiàn)最差的，表明它是不能在大負(fù)載變化的情況下令人滿意的控制過熱蒸汽溫度的控制方案。這可能是手動(dòng)控制的電廠有大時(shí)負(fù)荷變化的原因。圖5 控制策略仿真曲線比較4. 結(jié)論 本文通過對(duì)一個(gè)200MW的電廠模型的建立和控制分析提出了模糊神經(jīng)網(wǎng)絡(luò)控制策略。該NFN由五個(gè)地方CARIMA模型組成。在之前提出的網(wǎng)絡(luò)是利用了B樣條