吉曉青　孫榮霞

摘 要：由于循環(huán)流化床鍋爐燃燒系統(tǒng)具有參數(shù)分布廣、非線性、時變和大滯后等控制難題，因此分析了該系統(tǒng)的結(jié)構(gòu)與工藝特點。運用多智能體建模方法，將系統(tǒng)進行機理分析分解為若干個子系統(tǒng)，并找出子系統(tǒng)輸入輸出變量之間的關(guān)系，建立被控對象的子系統(tǒng)的數(shù)學(xué)模型。采用多智能體預(yù)估和控制方法，給出循環(huán)流化床鍋爐燃燒系統(tǒng)的多智能體預(yù)估控制算法。仿真結(jié)果表明采用該建模和控制方法，能夠取得滿意的控制效果。

關(guān)鍵詞：循環(huán)流化床鍋爐；多智能體；預(yù)估；控制

中圖分類號：TP13；TP273

近年來，我國北方霧霾越來越嚴重，究其原因，我國的能源結(jié)果以煤炭為主，火電裝機總量高達8.81億千瓦，因此我國大力發(fā)展清潔燃燒技術(shù)。循環(huán)流化床鍋爐以其燃燒效率高、污染少、燃料范圍廣的優(yōu)勢，在近年來得到大規(guī)模的應(yīng)用。在控制過程中，床層溫度是一個直接影響鍋爐能否經(jīng)濟安全運行的重要指標。但是由于循環(huán)流化床鍋爐燃燒過程中伴隨著強烈的熱交換和化學(xué)反應(yīng)，而且煤炭燃燒具有大的熱慣性，通過給煤量調(diào)節(jié)床層溫度滯后較大，這些情況大大增加了循環(huán)流化床鍋爐建模的復(fù)雜性，因此采用普通的控制手段，很難有良好的效果。

循環(huán)流化床鍋爐燃燒過程存在著復(fù)雜的流體動力學(xué)特性和傳熱傳質(zhì)特性，難以得到被控對象的精確模型，目前大部分的控制系統(tǒng)數(shù)學(xué)模型是依靠原始數(shù)據(jù)辨識或者依賴技術(shù)人員經(jīng)驗積累來實現(xiàn)的。文獻[1]在總結(jié)研究循環(huán)流化床鍋爐的動態(tài)特性后，建立了循環(huán)流化床鍋爐的自整定智能控制器并成功應(yīng)用于國產(chǎn)75t/h循環(huán)流化床鍋爐床層溫度的控制。文獻[2]針對循環(huán)流化床鍋爐汽溫被控對象的高階特性，將Smith預(yù)估器應(yīng)用到大滯后系統(tǒng)中，設(shè)計出一種結(jié)合系統(tǒng)數(shù)學(xué)模型，參考內(nèi)膜原理的自適應(yīng)解耦控制系統(tǒng)。然而，循環(huán)流化床鍋爐燃燒系統(tǒng)存在著大慣性、強耦合以及調(diào)節(jié)給煤量的大滯后特性，致使被控對象難以控制；Smith預(yù)估器對于大滯后系統(tǒng)來說要求得到系統(tǒng)被控對象的精確數(shù)學(xué)模型，否則一旦模型誤差發(fā)生大的變化，系統(tǒng)可能進入不穩(wěn)定狀態(tài)。

近年來，多Agent系統(tǒng)MAS（Multi-agent System）已成為一個熱門的研究方向。Agent模型最初是作為一種分布式智能計算模型被提出來的。二十世紀八十年代Bratman[4]提出了Agent的基本模型，模型包含三個基本的要素：信念（Belief）、期望（Desire）和意圖（Intention），各自表示其Agent所具有的認知、能力以及要實現(xiàn)的意圖，各個Agent的獨立行為動作，都是基于三個基本要素，通過與外界以及和其他Agent之間的交互來完成的。

對于現(xiàn)實中復(fù)雜的、大規(guī)模的系統(tǒng)有必要采用多Agent系統(tǒng)，多Agent不但具有求解自身內(nèi)部的參數(shù)，而且還可以通過相互合作，來解決系統(tǒng)整體復(fù)雜的問題。它們具有如下特點：

（1）各個Agent具備處理自身信息和解決自身問題的能力；

（2）各個Agent獨自存儲并且處理自身的數(shù)據(jù)；

（3）各個Agent之間是異步通信和并行計算的。

MSA系統(tǒng)由多個Agent組成，它們通過相互之間以及與環(huán)境之間通訊、協(xié)作來共同完成復(fù)雜的任務(wù)，和傳統(tǒng)建模方法和控制方式比起來，具有更靈活的適用性、更高的效率、分布式的感知與作用、內(nèi)在的并行性[5]、改良的系統(tǒng)性能、容錯控制、魯棒性。因此多Agent系統(tǒng)近年來得到學(xué)者們深入的研究，并且在醫(yī)學(xué)、航天和交通控制等領(lǐng)域也得到廣泛的應(yīng)用。

本文在分析循環(huán)流化床鍋爐燃燒過程系統(tǒng)內(nèi)部結(jié)構(gòu)和工藝特點的基礎(chǔ)上，采用一種多智能體模型描述不確定、大滯后、強耦合的循環(huán)流化床鍋爐燃燒過程的運動特性，將復(fù)雜的系統(tǒng)分解為多個子系統(tǒng)模型。子系統(tǒng)數(shù)學(xué)模型比整體系統(tǒng)模型更易求得而且可以大大降低輸出對輸入的時延，采用一種多智能體預(yù)估控制算法，以期提高控制效果的滿意程度[6]。

1 循環(huán)流化床鍋爐燃燒系統(tǒng)結(jié)構(gòu)分析與多智能體建模

循環(huán)流化床鍋爐燃燒系統(tǒng)結(jié)構(gòu)復(fù)雜，本文采用多智能體建模方法，通過利用Agent的局部連接規(guī)則、機理方程和局部細節(jié)模型，建立該復(fù)雜系統(tǒng)的一種多智能體模型。

循環(huán)流化床鍋爐按結(jié)構(gòu)分，由爐體、給煤系統(tǒng)、一次風(fēng)系統(tǒng)、二次風(fēng)系統(tǒng)、分離器、回料器、尾部煙道等組成。通常鍋爐本體分為密相區(qū)和稀相區(qū)兩部分。

循環(huán)流化床鍋爐燃燒過程可以看成是由相互關(guān)聯(lián)的四個部分組成，即密相區(qū)、稀相區(qū)、分離器和回料器，假設(shè)每一部分中包含有一個Agent模塊，這些Agent模塊分別為Agent1、Agent2、Agent3、Agent4。它們能夠長期獲取數(shù)據(jù)，發(fā)現(xiàn)規(guī)則并且建立周期性的模型。分別對這四個部分進行分析，列出動態(tài)物料平衡和動態(tài)能量平衡方程，用大量實例數(shù)據(jù)訓(xùn)練Agent模塊，建立子系統(tǒng)智能體模型。

根據(jù)某型循環(huán)流化床鍋爐的運行狀況，提出了如下簡化假設(shè)：

（1）不考慮石灰石的加入及其化學(xué)反應(yīng)；

（2）各部分均為均質(zhì)對象，即溫度和密度均勻分布；

（3）鍋爐與外界完全絕熱，密封良好；

（4）分離器內(nèi)沒有換熱裝置，且不發(fā)生燃燒反應(yīng)。

1.1 建立密相區(qū)Agent模型

密相區(qū)是鍋爐本體的下半部分，燃燒的顆粒濃度較高。密相區(qū)具有復(fù)雜的多輸入多輸出結(jié)構(gòu)，建立以煤、一次風(fēng)、回料器、稀相區(qū)對密相區(qū)的沉降為輸入，以排渣、密相區(qū)對稀相區(qū)的揚析為輸出的動態(tài)平衡方程。

密相區(qū)床料質(zhì)量平衡方程為：

式中，MA1為密相區(qū)質(zhì)量，F(xiàn)c為給煤量，F(xiàn)A1，A2為稀相區(qū)對密相區(qū)的揚析量，F(xiàn)d為排渣量， 為單位時間內(nèi)密相區(qū)內(nèi)煤炭燃燒量，F(xiàn)A4，A1為回料器返料量，F(xiàn)A2，A1為稀相區(qū)對密相區(qū)的揚析量。相對于給煤量Fc和燃燒量 ，其他各分量對密相區(qū)質(zhì)量的影響較小，可以忽略不計。

密相區(qū)燃燒熱量平衡方程為：

QF1為單位時間一次風(fēng)帶入的熱量，可表示為：

QF1=Vg1Sg1CgTA1 （5）

其中，Vg1為一次側(cè)風(fēng)速，Sg1為一次側(cè)風(fēng)入口截面積，Cg為空氣比熱容。

Qc為單位時間給煤帶入的熱量；

Qc=FcCgTA1 （6）

QA4，A1為單位時間返料帶入的熱量。

QA2，A1為單位時間稀相區(qū)對密相區(qū)沉降物料的熱量；QA1，A2為單位時間密相區(qū)對稀相區(qū)揚析的熱量。

QA2，A1=FA2，A1CgTA1=α1MA1CcTA1 （7）

QA1，A2=FA1，A2CgTA1=（1-α1）MA1CcTA1 （8）

其中，α1為沉降分離效率修正因子，一般取0.05。

Qd為單位時間排渣排出的熱量；

Qd=FdCcTA1 （9）

為單位時間密相區(qū)煤燃燒產(chǎn)生的熱量；

（10）

其中，Hc為煤炭的熱值，Carvalho[11]給出了燃燒速率 的關(guān)聯(lián)式。

（11）

式中，k1為燃燒速率系數(shù)；dc1為密相區(qū)煤炭顆粒直徑；ρo2為密相區(qū)氧氣濃度，ρc1為密相區(qū)煤炭顆粒濃度。

為單位時間密相區(qū)輻射輸出的熱能。

（12）

其中，β1為傳熱系數(shù)；S1為受熱面；Tw為受熱面溫度。

將式（3）-（12）帶入到熱量平衡方程式（2）中，可得：

假設(shè)計算機采樣周期為ΔH（ΔH足夠?。r，式（12）可近似為：

其中，d0為密相區(qū)輸出對一次風(fēng)的滯后時間。從上式可以看出，在實際控制過程中，一般通過調(diào)節(jié)一次風(fēng)速Vg1及密相區(qū)顆粒濃度ρc1來調(diào)節(jié)溫度的。

整理得：

（15）

式中，Z12（k）為密相區(qū)的系統(tǒng)輸出溫度TA1，Z11（k-d0）為一次側(cè)輸入風(fēng)速Vg1，Z10（k）為煤炭顆粒濃度ρc1，v1是擾動。

（16）

其中，a、b是與密相區(qū)質(zhì)量MA1有關(guān)的參數(shù)，c、d與煤炭顆粒的直徑和氧氣濃度有關(guān)?？梢杂米钚《朔▉肀孀R式（15）中的參數(shù)。

令：

Y=[Z12（k+1）Z12（k+2）…Z12（k+n）]T

（17）

其中，Y=AUT，即可通過A=Y（UT）′辨識出系統(tǒng)參數(shù)，由于密相區(qū)質(zhì)量MA1會緩慢變化，所以式（16）中的模型參數(shù)會變化，所以在線用最小二乘法辨識這些參數(shù)，最終得到密相區(qū)的Agent模型。

1.2 稀相區(qū)Agent模型

同樣地把稀相區(qū)Agent看成系統(tǒng)整體中的其中一個Agent2，稀相區(qū)有三個輸入和二個輸出，建立其動態(tài)能量平衡方程。

稀相區(qū)床料質(zhì)量平衡：

（18）

式中，MA2為稀相區(qū)質(zhì)量；FA3，A2為分離器對稀相區(qū)的沉降速率；FA2，A3為稀相區(qū)對分離器的揚析速率； 為單位時間內(nèi)稀相區(qū)內(nèi)煤炭燃燒量。

稀相區(qū)動態(tài)能量平衡方程為：

（19）

式中， （20）

其中，QA2為稀相區(qū)能量，TA2為稀相區(qū)溫度。

QF2為單位時間二次風(fēng)帶入的熱量；

QF2=Vg2Sg2CgTA2 （21）

其中，Vg2為二次側(cè)風(fēng)速，Sg2為二次側(cè)風(fēng)入口截面積。

QA3，A2為單位時間分離器對稀相區(qū)沉降物料的熱量，QA2，A3為單位時間稀相區(qū)對分離器揚析物料的熱量；

QA3，A2=FA3，A2CcTA2=α2MA2CcTA2 （22）

QA2，A3=FA2，A3CcTA1=（1-α2）MA2CcTA2 （23）

其中，α2為沉降分離效率修正因子。

為單位時間稀相區(qū)煤炭燃燒產(chǎn)生的熱量；

（24）

其中，單位時間內(nèi)稀相區(qū)內(nèi)煤炭燃燒量 可由式（24）確定。

（25）

式中，k2為燃燒速率系數(shù)；dc2為稀相區(qū)煤炭顆粒直徑；ρc2為稀相區(qū)煤炭顆粒濃度。

為單位時間稀相區(qū)輻射輸出的熱能。

（26）

其中，β2為傳熱系數(shù)；S2為受熱面。

由上述公式聯(lián)立可得：

（27）

同理，可得稀相區(qū)運動方程：

（28）

式中，Z23（k+1）為稀相區(qū)系統(tǒng)的輸出溫度TA2，Z20（k-d1）為二次側(cè)輸入風(fēng)速Vg2，Z12（k）為稀相區(qū)的煤炭顆粒濃度ρc2，v2為擾動，d1為滯后時間。

（29）

同樣地，用最小二乘法可辨識得到稀相區(qū)Agent模型。

相應(yīng)地建立分離器（Agent3）和回料器（Agent4）的動態(tài)能量平衡方程。

（30）

式中，QM為廢氣帶走的熱量。

QM=（Vg1Sg1+Vg2Sg2）CgTA3 （31）

同理，將式（27）整理得：

（32）

這樣通過辨識可得到分離器Agent數(shù)學(xué)模型?；亓掀饕话悴捎酶邷匕l(fā)料，運行穩(wěn)定時，可認為回料器中能量基本保持不變。

即： （33）

2 多智能體預(yù)估控制算法實現(xiàn)

由于循環(huán)流化床鍋爐結(jié)構(gòu)復(fù)雜，傳統(tǒng)控制思想存在著控制效率低下，抗干擾能力不足，難以克服系統(tǒng)中的大滯后和強耦合等問題。多智能體預(yù)估控制是將模型信息與檢測信號分散化，采用模型誤差反饋校正，滾動優(yōu)化控制參數(shù)，能夠控制復(fù)雜的被控對象[7-9]。

表示子單元ΣA1的智能體預(yù)估器， 表示子單元ΣA2的智能體預(yù)估器。各個子單元智能體預(yù)估器之間的通信依靠系統(tǒng)的物理結(jié)構(gòu)進行，我們假設(shè)在子單元上設(shè)計的預(yù)估算法可以得到整體系統(tǒng)運行狀況。

假設(shè)子單元ΣA1的控制輸入相對于控制輸出的滯后是D12，子單元ΣA2的控制輸入相對于控制輸出的滯后是D23。因此可以得出預(yù)算法：

式中： 、 分別是Z12、Z23的預(yù)估值。

假設(shè)Zij的期望值是 ，并且系統(tǒng)輸入輸出的期望與預(yù)估值之間存在某種關(guān)系，即：

其中：p為可調(diào)參數(shù)，且-1

根據(jù)上式可得：

同理可得：

其中：p1、p2為設(shè)計參數(shù)。

結(jié)合預(yù)估算法得到多智能體控制算法：

其中：a1、a2、a3、b1、b2、b3為系統(tǒng)辨識參數(shù)；p1、p2為設(shè)計參數(shù)。

3 仿真分析

循環(huán)流化床鍋爐燃燒系統(tǒng)模型的數(shù)據(jù)來源于某鍋爐廠220t/h循環(huán)流化床鍋爐，采集其2011年度運行數(shù)據(jù)，辨識出各個子系統(tǒng)Agent模型及其之間的關(guān)聯(lián)關(guān)系，然后設(shè)計多智能體預(yù)估控制算法，采用子系統(tǒng)數(shù)學(xué)模型和實際系統(tǒng)的輸出誤差進行反饋校正，滾動優(yōu)化控制參數(shù)，來實現(xiàn)對被控對象的控制。并且具有較好的控制效果。

用MATLAB進行仿真，并和常規(guī)PID控制進行對比，仿真結(jié)果如圖4和圖5所示。圖4為正常情況下的多智能體預(yù)估控制和常規(guī)PID控制的效果圖，圖5為在引入擾動后的控制效果圖?？梢钥闯觯嘀悄荏w預(yù)估控制可以降低大的超調(diào)并且在要求范圍內(nèi)使系統(tǒng)更快的達到穩(wěn)定。經(jīng)對比可以說明該方法設(shè)計的系統(tǒng)具有良好的穩(wěn)定性以及抗干擾能力。

4 結(jié)束語

本文采用多智能體建模方法，并對循環(huán)流化床鍋爐進行機理分析，把原本復(fù)雜的系統(tǒng)分散成若干個小系統(tǒng)模型，并給出傳遞控制參數(shù)的多智能體模型，建立相應(yīng)的智能體預(yù)估器。利用多智能體預(yù)估控制算法，可以使系統(tǒng)受到擾動后更快的穩(wěn)定下來，具有較強的魯棒性。多智能體預(yù)估控制方法是把復(fù)雜的系統(tǒng)結(jié)構(gòu)離散化，預(yù)估僅僅根據(jù)模塊信息，然后控制局部，當(dāng)子單元出現(xiàn)故障，可以依賴預(yù)估信息進行處理，降低系統(tǒng)的停車率。隨著對多智能體系統(tǒng)的深入研究，其得到越來越多的專家學(xué)者的認可，目前已在智能交通、航天航空等領(lǐng)域得到廣泛應(yīng)用。

參考文獻：

[1]牛培峰.自整定智能控制器及其應(yīng)用[J].自動化學(xué)報，1996（02）：215-218.

[2]Liu X W， Lu W L， Chen T P. Consensus of multi-agent systems with unbounded time-varying delays[J]. IEEE Transactions on Automatic Control， 2010， 55（10）：2396-2401.

[3]陳鐵軍，邱祖廉.結(jié)構(gòu)分散模型及其應(yīng)用[J].自動化學(xué)報，1992（06）：655-661.

[4]Jeff Y C P， Tenenbuam J M. An intelligent agent framework for enterprise integration[J]. IEEE Tarns. Systems， Man and Cybernetics，1991， 21（6）：1391-1408.

[5]劉軍志，朱阿興.分布式水文模型的并行計算研究進展[J].地理科學(xué)進展，2013（04）：538-547.

[6]Qiang MA， Da-ping XV. ADRC with synthesis tuning algorithm for superheating steam temperature of CFBB[J]. Proceedings of the Seventh International Conference on Machine Learning and Cybernetics， Kunming， 12-15 July 2008.

[7]席學(xué)軍，姜學(xué)智.循環(huán)流化床鍋爐燃燒系統(tǒng)的自抗擾控制[J].清華大學(xué)學(xué)報，2004（11）：1575-1579.

[8]于希寧，王慧.模糊控制在循環(huán)流化床鍋爐床溫控制中的應(yīng)用[J].華北電力大學(xué)學(xué)報，2005（03）：43-46.

[9]周樹孝，石炎福.基于小波除噪和神經(jīng)網(wǎng)絡(luò)理論的氣固流化床顆粒濃度預(yù)測[J].石油化工，2003（03）：224-229.

[10]毛新軍，胡翠云.面向Agent程序設(shè)計的研究[J].軟件學(xué)報，2012（11）：2885-2904.

[11]覃威寧，鄭天舒.基于Multi-Agent的實體建模與時間同步方法研究[J].系統(tǒng)仿真學(xué)報，2014（09）：1933-1938.

[12]梁曉龍，孫強.大規(guī)模無人系統(tǒng)集群只能控制方法綜述[J].計算機應(yīng)用研究，2015（01）：41-46.

[13]馮茜，王磊.仿人智能協(xié)調(diào)控制在循環(huán)流化床鍋爐燃燒控制系統(tǒng)中的應(yīng)用[J].計算機測量與控制，2014（10）：3158-3160.

[14]周星龍，謝建文.330MW CFB鍋爐爐膛壁面顆粒流率分布測量[J].動力工程學(xué)報，2014（10）：31-36.

作者簡介：吉曉青（1987.09-），女，河北任縣人，碩士研究生，研究方向：檢測技術(shù)。

作者單位：河北大學(xué) 電子信息工程學(xué)院，河北保定 071002