【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)絡的廣義預測控制Xiangjie LIU, Jizhen LIU, Ping GUAN 摘要：發(fā)電廠是非線性和不確定性的復雜系統(tǒng)?，F(xiàn)代電廠的運行中，為確保電廠的高效率和高負荷的能力，準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測控制器的基礎上的模糊神經(jīng)網(wǎng)絡。所提出的非線性控制器適用于控制一臺200 MW電廠的過熱蒸汽溫度。從實驗方案的仿真結果中可以看出，此方案的控制品質優(yōu)于傳統(tǒng)的控制方案。關鍵詞：模糊神經(jīng)網(wǎng)絡；廣義預測控制；過熱蒸汽溫度1. 引言電廠過熱汽溫控制系統(tǒng)的特點是非線性、不確定性和負載擾動。蒸汽發(fā)電的過程中鍋爐汽輪機溫度過熱是一個重要的問題，蒸汽加熱后，進入渦輪驅動發(fā)電機，控制過熱蒸汽溫度不僅是在技術上具有挑戰(zhàn)性，在經(jīng)濟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?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。蒸汽溫度太高對系統(tǒng)是非常不利的，因為過熱蒸汽可以損害高壓力汽輪機，太低也不行，因為它會降低電廠熱效率。減少溫度波動也是非常重要的，因為它有助于減少在單位內機械應力造成的微裂紋，延長單位秩序壽命，并減少維修成本。作為GPC的推導應該盡量減少這些波動，它是眾多的控制器中最適合實現(xiàn)這一目標的。多變量多步自適應調節(jié)已適用于控制過熱蒸汽溫度在150的鍋爐，提出了廣義預測控制以控制蒸汽溫度，基于神經(jīng)網(wǎng)絡發(fā)展的非線性預測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上，得到非線性模型的構成是由非線性靜力常數(shù)和非線性動力學組成。 模糊邏輯是把人類的經(jīng)驗透過模糊規(guī)則表現(xiàn)出來。然而，設計模糊邏輯控制器是非常消費時間的，由于模糊規(guī)則的不確定，往往得到的試驗是錯誤的。在此相反，神經(jīng)網(wǎng)絡不僅有近似的非線性職能與任意精度，他們也可以有經(jīng)過試驗的實驗數(shù)據(jù)。該模糊神經(jīng)網(wǎng)絡的開發(fā)優(yōu)勢是模型的透明度，模糊邏輯的準確度和具有學習能力的神經(jīng)網(wǎng)絡。該模糊神經(jīng)網(wǎng)絡已被用來發(fā)展自適應控制，因此，一個有用的工具，可以發(fā)展出非線性預測控制。從模糊神經(jīng)網(wǎng)絡可以考慮到作為一個網(wǎng)絡構成的若干項，其中每一項包含一個局部線性模型，在非線性預測控制的基礎上模糊神經(jīng)網(wǎng)絡可以設計和使用各自的地方線性模型把當?shù)厮械膹V義預測控制器。按照這一辦法，在非線性廣義預測控制器的基礎上，模糊神經(jīng)網(wǎng)絡簡單地說是由該模糊神經(jīng)網(wǎng)絡的廣義預測控制器推導出來的。建立控制器，然后應用于控制過熱蒸汽溫度的200MW機組。實驗所得的數(shù)據(jù)，用來試驗模糊神經(jīng)網(wǎng)絡模型方案。2. 模糊神經(jīng)網(wǎng)絡的建?？紤]以下的一般單輸入單輸出的非線性動態(tài)系統(tǒng)： （1）其中f[.]是一個光滑的非線性函數(shù)，將其按泰勒級數(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間。非線性系統(tǒng)（1）在操作點的局部線性模型是由以下控制自動回歸綜合移動平均線（CARIMA）模型給出的： （2）其中是多項式在落后的移位算子。注意，該系數(shù)多項式函數(shù)的轉向點為。非線性系統(tǒng)（1）分割成為幾個作業(yè)區(qū)域，如每個區(qū)域可以近似當成線性模型。自模糊神經(jīng)網(wǎng)絡是一類在本地的記憶網(wǎng)絡的知識存儲，他們可以應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)絡的結果，圖2中B樣條函數(shù)作為隸屬函數(shù)在模糊神經(jīng)網(wǎng)絡是由于以下幾個原因：B樣條功能可隨時在指定的秩序的基礎功能和數(shù)目內，第二，他們是界定在一個范圍內的支持和輸出的基礎上功能始終是積極的，和。第三，在職能的基礎上形成一個分割的集體， （3) 第四，輸出功能的基礎上可以得到一個遞歸方程。圖2 模糊神經(jīng)網(wǎng)絡從模糊規(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，構成以下模糊規(guī)則：如果操作條件是（ 是正小……是負大） ，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算符的多項式，D是死去時間，是控制量，是零均值與方差獨立的隨機變量。多變量的基礎功能是獲得由單變量函數(shù)的張量積的基礎上得到的 （6） 其中n是輸入向量x，和p的維數(shù)，在模糊神經(jīng)網(wǎng)絡中的比重，由下式給出， （7）其中和分別是基函數(shù)秩序和內部結數(shù)。在單變量B樣條基函數(shù)的性質前面描述也適用于多元的基礎功能。該NFN輸出為 （8）3. 過熱蒸汽溫度的神經(jīng)模糊塑造和有預測性的控制設是過熱蒸汽溫度，為水流噴射到高溫過熱器后的溫度。對響應可以近似為二階模型 （9）式（9）是線性模型，然而，只有選定的工作點局部模型。 由于負載的獨特前件變量，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， 被劃分成五個區(qū)域，200MW作為一個高度， 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。 對于一個30s的采樣間隔，估計線性模型的一個區(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，在這兩個變量的變化時，可用于提供更迅速的反應。在實踐中，只有是在這些變量有顯著變化時，前饋路徑才被激活?？刂葡到y(tǒng)也防止了噴水閥門和水/蒸汽混合而影響設計的方案。 全球性非線性NFN模型在表1提出的NFGPC計劃如下圖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控制器的級聯(lián)分別為160MW到200MW的負荷變化。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。設計的結果在圖7所示，顯示出預期最好的表現(xiàn)是從NFGPC獲得的，因為它的目的是基于一個更準確過程的模型。這是由傳統(tǒng)的線性級聯(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。這可能是手動控制的電廠有大時負荷變化的原因。圖5 控制策略仿真曲線比較4. 結論 本文通過對一個200MW的電廠模型的建立和控制分析提出了模糊神經(jīng)網(wǎng)絡控制策略。該NFN由五個地方CARIMA模型組成。在之前提出的網(wǎng)絡是利用了B樣條