基于PID神经元网络的单抽汽轮机解耦分析

李明辉， 云卫涛， 张孝杰

(1.陕西科技大学 机电工程学院， 陕西 西安 710021； 2.濮阳市自来水公司， 河南 濮阳 457000)

基于PID神经元网络的单抽汽轮机解耦分析

李明辉1， 云卫涛1， 张孝杰2

(1.陕西科技大学 机电工程学院， 陕西 西安 710021； 2.濮阳市自来水公司， 河南 濮阳 457000)

汽轮机在工作过程中，机组功率与热网抽汽压力存在着强烈的耦合关系，使得系统控制性能大大降低，一般的控制方法难以得到满意的控制效果.为了解决上述问题.将多变量串级解耦技术应用到控制系统中，提出一种PID神经元网络与串联前馈补偿相结合的双变量解耦控制方案，前馈补偿实现系统动静态解耦，设计PID神经元网络控制器可以使系统很好地适应机组负荷的变化，从而提高系统的控制效果和自适应能力.MATLAB仿真结果表明，该解耦控制方案使负荷之间的扰动大大降级，使得汽轮机控制中的热电耦合问题得到了有效的解决，具有很好地应用前景.

汽轮机; 前馈补偿; 动静态解耦; PID神经元网络; 热电负荷强耦合

Abstract:Steam turbine in the process of work,the unit power and heat supply network and there is a strong coupling relationship extraction steam pressure,greatly reduce system control performance,general control method is difficult to get satisfactory control effect.In order to solve the above problems.The multivariate cascade decoupling technology is applied to the control system,puts forward a kind of PID neural network combined with a series of feedforward compensation of double variable decoupling control scheme,feedforward compensation to realize the dynamic and static decoupling system,design of PID neural network controller can make the system very well adapt to the change of the load,so as to improve the control effect of the system and adaptive ability.The MATLAB simulation results show that the decoupling control scheme between the load disturbance greatly degraded,make the thermoelectric coupling problem in the turbine control has been effectively resolved,has a good application prospect.

Keywords:steam turbine; feedforward compensation; dynamic and static decoupling; PID neural network; thermal load is strong coupling

0 引言

单抽汽轮机除了应用于电厂发电外，在大型纸厂自备电厂中，机组产生的热负荷均可并入供热母管或者分汽缸，是热电联产的主要形式，热循环效率高，能量利用率大.为了保证供电的品质和供汽参数的稳定，汽轮机热、电负荷是汽轮机发电与供热过程中的主要研究对象，二者之间存在着非常密切的关系[1].

目前最为广泛的传统控制仍旧为PID控制，传统PID以其结构简单，控制参数大多取决于硬件参数，实现方便占据着主要地位[2].但随着企业的生产运作，系统遭受扰动时，难以保证良好的控制性能，在汽轮机的耦合性问题上传统PID控制对象必须用精确的数学模型来描述，然而抽汽式汽轮机系统参数难以保证准确的测量，对于实际生产过程中模型建立比较困难，因此无法实现对单抽汽轮机热电负荷进行全部解耦.

随着研究工作的继续，进一步提出了通过系统整体性的传递函数矩阵考虑，使系统的闭环传递函数矩阵变为对角形.该方法简单便于分析，但此方法导致系统状态变量增加，空间维度增加，同时原系统的传递函数制约了解耦实现的可行性[3].也有通过对高中低压调节阀开度的控制和对解耦系数的调整来实现热电负荷解耦[4]，该方法只实现了热电负荷的静态解耦，并且解耦效果依赖于解耦系数的匹配.因此更多的学者研究传统解耦.从而为寻找一种合适的控制规律以及算法来解决各回路变量之间的耦合性.为了解决上述问题，本文提出将串联前馈补偿与PID神经元网络相结合的双变量解耦控制方案.处理控制系统中存在的强耦合性.而且，PID神经元网络拥有自学习能力，使控制系统可以适应机组负荷的变化，实时地进行调整、实现最优.

1 单抽汽轮机工作原理及热电负荷解耦控制策略

1.1 单抽汽轮机工作原理

如哈尔滨汽轮机有限责任公司生产的 N200-CC140-535/535C 单抽汽轮机组，完成发电的同时，肩负着供热.单抽汽轮机组布置图如图1所示.高压调门至抽汽调门为高压缸，抽汽调门至凝汽器为低压缸.主蒸汽经过主汽阀门和高压调节阀门，进入汽轮机高压缸，膨胀做工进入抽汽室，一部分蒸汽经抽汽调门进入汽轮机低压缸，继续进行膨胀做工直至凝汽器，另一部分由抽汽口引出送至供热管[5].当需求电负荷增加时，通过调节主汽阀门和高压调节的开度加快进汽量，使电负荷增加.进汽量增大会引起压力的升高，热负荷也随之升高.当需要的热负荷增大时，则需要减少抽汽调门开度，使低压缸进汽减少，而抽气压力则会增大.低压缸进汽量减少，会引起电负荷的降低.一般在于单抽汽汽轮机当中，抽气工况未投入时，抽汽调节阀门不参与调节为全开状态，主要由高压调节阀门阀位来实现对负荷的控制，在投入抽汽工况时，参与调节，由抽汽调节阀门的开关来调节抽汽压力和流量.

图1 单抽汽轮机组布置图

1.2 系统数学模型

为了后续控制器设计，建立较精确的数学模型，经查阅相关文献[6,7]，推导描述系统运动特性的数学模型为：

①转子方程：

(1)

②高压容积：

(2)

③低压容积：

(3)

④抽汽容积：

(4)

⑤高压油动机：

(5)

⑥低压油动机：

(6)

式(6)中：h、de-转速、抽汽压力相对变化量;L1-电负荷扰动;L2-热负荷扰动;T-各环节时间常数(s);d-压力变化相对值;_-油动机活塞相对行程;e-滑阀位移相对值;CH-高压缸功率比;CL-低压缸功率比;QE-抽汽流量比(相对高压缸);QL-低压缸流量比(相对高压缸).

1.3 汽轮机热、电负荷耦合关系的判定

汽轮机热、电负荷之间是否存在耦合性，可以将二者之间的关系用图2表示.用汽轮机转子转速以及热网压力来表示电负荷和热负荷.分别用r1、r2表示汽轮机工作时输入的转速和热网压力设定值；用y1、y2分别表示汽轮机工作输出时的转速和热网压力.

图2 热、电耦合关系示意图

可知输入输出两者之间存在以下关系

y1=K11r1+K12r2

y2=K21r1+K22r2，其中第一放大系数

(7)

1.4 热电负荷解耦协调控制策略

针对单抽汽轮机组工作过程中存在热电负荷问题提出如图3所示的解耦协调控制策略.采用简单的前馈补偿方式实现解耦，然后与PID神经元网络相结合作为补偿控制器来弥补模型精度的问题.进一步实现完全解耦，其中GC1(s)、GC2(s)表示PID神经元控制器.

图3 单抽汽轮机热电负荷解耦 协调控制策略概图

2 PID神经元网络控制器设计

2.1 串级前馈补偿解耦补偿设计

前馈补偿如图3的中间虚线框所示，思路为将热网压力对转速的影响当作扰动值，并按前馈补偿的办法消除扰动影响[8],针对CC140单抽汽式汽轮机根据不变性原理(即前馈控制扰动原理)得到解耦环节的模型为：

ghG21+F21glG22

(8)

2.2 PID神经元网络控制器设计

对PID神经元网络进行解耦补偿环节设计时，采用的是含有一个隐含层的神经网络，其中各子网络的输出层至隐含层相互独立，输入层的神经元分别受需要控制变量的给定值与现场所测的实际值，而隐含层的三个神经元分别为比例、积分以及微分元控制结构形式如图4所示.

图4 PIDNN控制结构形式

2.2.1 输入层的计算

输入层有两个神经元，其输入输出函数为:

xi(k)=neti(k)

(9)

输入层神经元输入值为neti，xi为输入层神经元的输出值，k为采样时刻，i为输入层神经元序号i=1,2.

2.2.2 隐含层的计算

隐含层有3个神经元，分别为比例、积分、微分神经元.

(10)

2.2.3 输出层的计算

输出层有一个神经元，输出神经元的输入为隐含层所有神经元输出值的加权和，计算公式为：

(11)

输出层的输出为U(k)=I(k)，式中uj为隐含层各神经元的输出值；wj为隐含层与输出层之间的连接权值.

2.2.4 权值修正

对于图2假定上述对象是可解耦的，利用BP神经网络学习算法训练时间短、结构简单、能以任意精度逼近任意有理函数的特点，可将解耦控制系统所设训练目标数学表达式定义为：

(12)

并使该式最小，其中m为每批采样点数，p为控制变量的个数，rp为系统给定值，yp为系统输出值.PID神经元网络根据控制量的误差，对解耦补偿环节采用一种较为可靠的梯度下降法来实现权值的调整，即：权值迭代函数表达式为：

(13)

可得由隐含层至输出层的权值迭代公式为：

(14)

(15)

式(15)中：

3 单抽汽轮机前馈补偿PID神经元网络解耦仿真结果

为了验证所设计的PID神经元网络(PIDNN)控制器的实际控制效果，采取MATLAB R2014a的Simulink工具箱，对单抽汽轮机热电负荷控制系统进行仿真研究.控制器模型如图5所示.

图5 双变量PID神经元网络控制器仿真模型

在图5所示参数中，油动机常数为TS=0.2 s，蒸汽容积和各个变量之间具有耦合关系的系数范围为：0.1～0.3 s[9]，其中PID神经元模块是由gensim函数生成的已经训练好的网络.在此过程中需要用MATLAB语言将编写好的S函数模块嵌入到仿真系统中，就可以进行仿真.仿真时首先对网络进行训练，训练到第325步时精度达到设定值，如图6所示.为了模拟现场的扰动，在仿真时分别为设定：电负荷信号为0时刻、幅值为1的阶跃信号，热负荷为30 s时刻，幅值为1.5的阶跃信号，仿真时间设定为60 s，PID的比例、积分、微分参数初始设为2、12、0.5.运行仿真结果如图7～9所示.

图6 网络训练误差曲线图

图7 未解耦仿真结果曲线

由仿真图7结果分析可得，系统未解耦状态下，稳态值偏差极大，参考图8采用PID控制解耦，当热网压力在30 s处出现幅值为1.5的阶跃扰动时，电负荷干扰急剧上升超调约55%，曲线震荡约5 s趋于稳定，耦合影响严重.由图9可知，热网压力在30 s处发生幅值为1.5的阶跃扰动时，采用串联前馈补偿的PID神经元网络控制器，电负荷超调约为5%左右，且在1 s内趋于稳定，表明汽轮机PID神经元网络解耦控制消除了汽轮机热负荷控制回路与电负荷控制回路之间的耦合.对比图8和图9，PID神经元网络与传统PID相比较，超调量明显减少，响应速度变快，控制效果更佳.

4 结论

PID神经元网络参照PID的控制规律要求构成，结构简单、规范[10-13].加快了收敛速度，具有不易陷入极小值；与BP神经网络学习算法结合使控制系统保持初始稳定，使系统的全局稳定得到可能.避免对系统参数盲目的调节，对系统优化运行中参数的整定、修改.起到预测和指导作用[14-16].串联前馈从根本上实现了动静态解耦,使得到在不同工况下对系统进行动态调整，以提高系统的控制品质.MATLAB仿真结果表明，本文针对汽轮机提出的热、电协调控制解耦得到了很好地实现，系统自适应能力大大提高.为单抽汽轮机组的热电协调控制提供了一种很好地控制策略.

参考文献

[1] 李 艳,张晓婕,李可可.双抽汽轮机热电负荷解耦协调控制研究[J].陕西科技大学学报(自然科学版),2017,35(1):158-165.

[2] 舒怀林.PID 神经元网络及其控制系统[M].北京: 国防工业出版社，2006.

[3] 王 迅.50MW双抽机组解耦策略及调试方案[J].中国高新技术企业,2010(22):39-41.

[4] 唐 丽.抽汽式汽轮机热电牵连解耦控制的研究与应用[J].电站系统工程,2009,25(1):61-63.

[5] 刘 欣,于 彤,袁景淇,等.300MW汽轮机主汽调门组模型的建立与应用[J].控制工程,2012,19(6)：1 183-1 186.

[6] 戴义平,俞茂铮,韩增才.一次调节抽汽式汽轮机调节系统的稳定性分析[J].汽轮机技术,1996,38(1):5-10.

[7] 李 宁,李崇祥,戴义平,等.一次调节抽汽透平数字电液控制系统的设计及特性研究[J].汽轮机技术,1997,39(4):23-28.

[8] 杨林璐,蒋小平,彭朝阳.基于双变量系统的解耦方法的研究[J].科技视界,2015(36):13-16.

[9] 钟艳春.3 000 KW工业汽轮机数字式电液控制系统研究[D].哈尔滨：哈尔滨理工大学,2007.

[10] 程启明,郑 勇.球磨机多模型PID型神经元网络控制系统[J].中国电机工程学报,2008,28(2):103-109.

[11] 王 鹏,张 伟,戴日辉,等.基于PID型神经网络的除氧器压力和水位解耦控制研究[J].热能动力工程,2015,30(6):926-931,976.

[12] 邓 肖,胡慕伊.PID神经网络在卷纸辊张力控制中的应用[J].中国造纸学报,2014,29(1):44-48.

[13] 朱 林,吴冬雪,柴 玲,等.神经元网络控制器在热网中的应用研究[J].自动化仪表,2014,35(12):71-74.

[14] 欧艳华.基于神经网络的自适应PID控制器设计[J].机械设计与制造,2014(6):263-265.

[15] 朱 林,吴冬雪,柴 玲.神经元网络控制器在热网中的应用研究[J].自动化仪表,2014,35(12):71-74.

[16] 郭德彪,陈卫兵,王金燕,等.基于非线性类PID算法的控制器优化过程仿真[J].计算机仿真,2013,30(5):341-344,365.

【责任编辑：陈佳】

SingleextractionsteamturbinebasedonPIDneuralnetworkdecouplinganalysis

LI Ming-hui1， YUN Wei-tao1， ZHANG Xiao-jie2

(1.College of Mechanical and Electrical Engineering, Shaanxi University of Science & Technology, Xi′an 710021, China； 2.Puyang Water Supply Company, Puyang 457000, China)

2017-05-22

陕西省科技厅科学技术研究发展计划项目(2013K07-28)； 陕西省教育厅专项科研计划项目(14JK1094)

李明辉(1972-)，男，河南信阳人，教授，博士，研究方向：机电系统控制与设计、高级过程控制

2096-398X(2017)05-0168-05

TP3

A