許 琴，顏海斌，楊建華，張潤盤

(1.中材節(jié)能股份有限公司技術部 天津 300400;2.浙能中煤舟山煤電有限責任公司發(fā)電部 浙江 舟山 316100;3.河北省電力勘測設計研究院 河北 石家莊 050031)

0 引言

在火電廠機組控制方面，鍋爐主蒸汽溫度是一個很重要的被控參數(shù)，能否對主蒸汽溫度進行有效的控制，對機組安全經(jīng)濟運行至關重要。目前，各類PID控制器因其參數(shù)物理意義明確、易于調(diào)整，在熱工控制系統(tǒng)中占據(jù)著主導地位。但是，常規(guī)PID控制器本身存在的一些缺陷使它在實際應用中的控制效果不是很理想。因此，設計一種能夠適應多種工況變化、具有較強魯棒性的鍋爐主汽溫控制系統(tǒng)尤為重要。

遺傳算法與人工神經(jīng)網(wǎng)絡都是在生物學原理基礎上的科研成果。將其結(jié)合研究，可以借鑒二者長處尋找求解復雜問題的有效途徑。將遺傳算法與神經(jīng)網(wǎng)絡結(jié)合，可以使神經(jīng)網(wǎng)絡系統(tǒng)擴大搜索空間、提高計算效率以及增強神經(jīng)網(wǎng)絡建模的自動化程度。

1 優(yōu)化方案及算法實現(xiàn)

在實際應用中，絕大部分神經(jīng)網(wǎng)絡模型都是采用BP神經(jīng)網(wǎng)絡及其變換形式，BP神經(jīng)網(wǎng)絡是前向網(wǎng)絡的核心部分，同時BP網(wǎng)絡也存在著學習收斂速度慢、不能保證收斂到全局最小點等缺陷，其權值通常由梯度法來確定，因此經(jīng)常經(jīng)過多次反復試驗卻很難找到最優(yōu)的權值。另外，實際問題的求解空間往往存在多個局部極值點，使得BP算法陷入局部極值點的可能性增大。在實際的應用研究中，網(wǎng)絡結(jié)構(gòu)還沒有一種比較成熟的理論方法，往往采用遞增或遞減的試探方法來確定，其設計基本上依賴于經(jīng)驗［1－5］。利用遺傳算法全局搜索的特性優(yōu)化神經(jīng)網(wǎng)絡的連接權和網(wǎng)絡結(jié)構(gòu)，可以較好地克服這些問題和有效地提高神經(jīng)網(wǎng)絡的性能。

基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的基本思想［6－7］為:改變BP算法依賴梯度信息調(diào)整網(wǎng)絡權值，利用遺傳算法全局性搜索的特點，尋找最為合適的網(wǎng)絡連接權和網(wǎng)絡結(jié)構(gòu)。其結(jié)合算法的學習過程如圖1所示。

文中采用一種實數(shù)編碼方案，即將網(wǎng)絡的隱層數(shù)、節(jié)點數(shù)、隱層S型函數(shù)形狀參數(shù)和連接權值、閾值級聯(lián)成碼串，在滿足某一特定性能指標的前提下，尋找全局最優(yōu)解，進而確定網(wǎng)絡的最優(yōu)結(jié)構(gòu)和權值參數(shù)。這樣每一個染色體串就描述了一個神經(jīng)網(wǎng)絡。為了計算每一個個體的適應值，我們將該個體串賦給網(wǎng)絡參數(shù)(解碼)。該網(wǎng)絡對訓練輸入樣本進行運算，然后根據(jù)輸出樣本返回誤差平方和(適應度)。在遺傳算法中，網(wǎng)絡起到計算函數(shù)的作用，即在遺傳算法全局尋優(yōu)的基礎上進行BP神經(jīng)網(wǎng)絡局部尋優(yōu)，進而得到網(wǎng)絡的最優(yōu)解。

圖1 基基于遺傳算法的BP神經(jīng)網(wǎng)絡學習過程

2 遺傳算法優(yōu)化具體實現(xiàn)設定

2.1 編碼方式

采用實數(shù)編碼方案，由于碼串過長會造成計算量太大而影響收斂速度和訓練的精度，所以這里設定網(wǎng)絡的結(jié)構(gòu)固定。系統(tǒng)中有8個參數(shù)需要優(yōu)化，即:

式中:p1～p6分別代表GA－BPNN的學習速率和慣性指數(shù) αp、ηp、αi、ηi、αd、ηd，p7和 p8代表辨識器的和。

2.2 初始群體

在Matlab環(huán)境下，隨機產(chǎn)生網(wǎng)絡的初始群體popn(N，L)，N為群體規(guī)模，L為碼串長度，一般群體規(guī)模取N=20·150，這里選擇初始種群為50，最大進化代數(shù)為100。在生產(chǎn)中要求8個向量均為0～1之間的隨機小數(shù)。因為在一般的控制過程中kp值相對于其他兩個參數(shù)要稍大些，所以為了加快遺傳算法的尋優(yōu)速度，可以使代表αp和ηp的向量p1和p2值稍大一些。

2.3 目標函數(shù)的確定

根據(jù)衡量控制系統(tǒng)指標的三個方面，即穩(wěn)定性、準確性和快速性，選擇了控制量、上升時間和誤差作為遺傳算法尋優(yōu)的約束條件，目標函數(shù)為:

式中:e(t)為系統(tǒng)誤差，u(t)為控制器輸出，tu為上升時間，w1、w2、w3為權值。為了避免超調(diào)，采用了懲罰功能，即一旦產(chǎn)生超調(diào)，將超調(diào)量作為最優(yōu)指標的一項，此時最優(yōu)指標為:

式中:w4為權值且w4·w1，y(t)為被控對象輸出。

3 仿真分析

電站鍋爐主汽溫控制系統(tǒng)大多采用串級控制系統(tǒng)，其中內(nèi)回路起粗調(diào)作用。文中采用基于改進遺傳算法的BP神經(jīng)網(wǎng)絡來建立參數(shù)kp、ki、kd自學習的PID控制系統(tǒng)，并采用帶有辨識的神經(jīng)元PID控制器，用以克服對象的遲延和模型的不確定［8］。具體方法是:在BP算法中增加慣性項，并利用改進的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的結(jié)構(gòu)和權值。設計系統(tǒng)如圖2所示。

圖2 基于遺傳算法的BP神經(jīng)網(wǎng)絡PID控制示意圖

為驗證所設計的基于遺傳算法的BP神經(jīng)網(wǎng)絡對主蒸汽溫度對象的控制效果，本文采用文獻［9］中600 MW直流鍋爐過熱汽溫在不同負荷下的動態(tài)特性來進行仿真。按照隨動系統(tǒng)整定導前區(qū)對象和P控制器構(gòu)成的副回路系統(tǒng)，將整定好的副回路系統(tǒng)與惰性區(qū)對象共同形成廣義被控對象，經(jīng)擬合后表示成一階時滯對象，動態(tài)特性如表1所示。

表1 某600 MW直流鍋爐過熱汽溫對象動態(tài)特性

600 MW直流鍋爐主汽溫在負荷為50%時，在單位階躍信號作用下，其仿真結(jié)果如圖3所示:

圖3 階躍響應曲線(50%負荷)

600 MW直流鍋爐主汽溫在負荷為100%時，在單位階躍信號作用下，其仿真結(jié)果如圖4所示:

圖4 階躍響應曲線(100%負荷)

為了進一步說明該方法的有效性，某一時刻在控制器輸出端加上0.1的增值來模擬系統(tǒng)擾動的情況，仿真結(jié)果如圖5和圖6所示:

圖5 加入擾動后的階躍響應曲線(50%負荷)

圖6 加入擾動后的階躍響應曲線(100%負荷)

根據(jù)圖3至圖6，可以看出對于鍋爐過熱汽溫被控對象來說，基于遺傳算法－BP神經(jīng)網(wǎng)絡的控制與常規(guī)PID控制相比，在信號跟蹤和快速性上要好，即使是在系統(tǒng)有擾動的情況下，也能較快較平穩(wěn)的趨于穩(wěn)定。常規(guī)PID控制由于參數(shù)不能自動尋優(yōu)，從而使響應曲線有較大的延遲、超調(diào)和振蕩，不利于系統(tǒng)的穩(wěn)定性。而在基于遺傳算法的BP神經(jīng)網(wǎng)絡作用下的PID控制有較好的自適應性和自學習能力，能夠?qū)崿F(xiàn)參數(shù)在線調(diào)整，實現(xiàn)對被控對象實時控制。

4 結(jié)論

文中介紹了應用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的具體實現(xiàn)過程，并根據(jù)電站鍋爐主蒸汽溫度被控對象的動態(tài)特性，利用Matlab軟件進行了計算機仿真。通過仿真試驗可知:本文采用遺傳算法根據(jù)辨識系統(tǒng)提供的學習信息對神經(jīng)網(wǎng)絡進行優(yōu)化，從而使PID控制參數(shù)有很強的自適應和自學習能力，即使在被控對象的參數(shù)發(fā)生變化的情況下，仍能保證系統(tǒng)的動態(tài)和靜態(tài)特性。因此，對于電站鍋爐主蒸汽溫度被控對象來說，基于遺傳算法的BP神經(jīng)網(wǎng)絡的PID控制要比常規(guī)PID控制效果要好一些。

［1］馬平，朱燕飛，牛征.基于神經(jīng)網(wǎng)絡的主汽溫控制系統(tǒng)［J］.華北電力大學學報，2001，28(2):52－55.

［2］吳建生，金龍 ，農(nóng)吉夫.遺傳算法BP神經(jīng)網(wǎng)絡的預報研究和應用［J］.數(shù)學的實踐與認識，2005，35(l):83－88.

［3］高宏賓，焦東升，彭商濂.一種基于遺傳算法的改進BP算法［J］.計算機與現(xiàn)代化，2006，3:6－8.

［4］陳立君，王克奇，王輝.基于BP神經(jīng)網(wǎng)絡木材治理分類的研究［J］.森林工程，2007，23(1):40 －42.

［5］李曉娟，丁藝，岳小泉，等.基于BP神經(jīng)網(wǎng)絡的道路交通事故損失預測［J］.森林工程，2006，22(5):57－59.

［6］Wang Ruili，Wu Jiansheng，Kemp.A Genetic-Algorithm－based Neural Network Approach for Shortterm Traffic Flow Forecasting［C］.Second International Symposium on Neural Network Proseeedings，2005，3498(3):965－970.

［7］欒慶林，盧輝斌.改進遺傳算法在神經(jīng)網(wǎng)絡權值優(yōu)化中的應用研究［J］.遙測遙控，2008，29(1):51－54.

［8］韓宇光，曹軍，朱良寬.刨花板熱壓控制系統(tǒng)模糊自適應 PID 控制［J］.森林工程，2011，27(4):30 －33.

［9］劉志遠，呂劍虹，陳來九.智能PID控制器在電廠熱工過程控制中的應用前景［J］.中國電機工程學報，2002，22(8):128－134.