神经网锅炉自动控制系统

　　凋经网护令动控制系坑（大连理工大学，大连2〗6024）王占杰侯见丁郭晓平包压力、锅炉蒸发量、锅炉给水温度等参数与给煤机转速和二次风门开度之间的关系。实践证明：锅炉计算机自动控制系统中用神经网预测被调节参数可以大大提高控制效果。

　　1前言大连地区某热电厂属于中型热电厂，承担该市约85的用热量。该厂的装机容量为1台13000kV抽背机和1台13000kV单抽汽轮发电机组，相应配备3台75t/h旋风炉。当热用户的用热负荷发生变化时，汽轮机组的抽汽供热量将发生变化。由于该热电厂是炉跟机负荷调节方式，因此必须进行锅炉的合理控制和调节，方能保证锅炉蒸发量随时适应外界负荷的需要，同时保持燃料良好地着火，使整个锅炉机组在较高的安全性和经济性下运行。

　　锅炉燃烧过程控制对象是复杂的多变量相关调节对象。在燃烧调节过程中，为了减少系统之间的相互影响，保证系统的稳定性，必须实现给煤量、进风量调整时的快速比例动作。

　　实现计算机锅炉运行自动控制的关键之一是要胗时根据负荷的变化来确定锅炉的给煤量，即确定给煤机转速，同时改变送风量和引风量。由于现场运行的种种原因如煤种和煤质的变化，煤与石灰混合比例的差异（旋风炉）等，目前还不能完全从理论上来解决这个问题。本文采用神经网络技术，通过对负荷范围较广的样本训练学习，获得了负荷与给煤机转速、送风量等被调节量之间的映射关系。通过在该热电厂的运行实践表明，效果很好。神经网络是由大量处理单元组成的非线性大规模自适应动力系统，具有学习能力、记忆能力、计算能力以及智能处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理、存储及检索功能。神经网络把算法和结构统一为一体，具有非线性、非局域性、非定常性、非凸性等特点。在众多的神经网络模型中，误差反向传播网络一BP网络在很多领域被广泛应用，本文也采用BP网络。

　　2确定锅炉运行BP网络实际运行中的煤质经常变化，锅炉运行中需要控制的参数较多，为了提篼控制水平，本文为每一个被调节参数建立了神经网，并当已有神经网预测效果不理想时，可在线进行修正，使之随时提供精度较篼的预测参数。网络由输入层、输出层和隐层构成，由于汽包压力（或母管压力）与锅炉负荷、给煤量、煤的热值、锅炉给水温度等因素有关，送风量与给煤量有关，炉膛温度与给煤量和送风量有关，等等，因此各网络的输入层的节点数由具体影响因素个数i决定。各神经网的输出层有1个节点。隐层节点数的选取由于目前还没有理论依据，本文通过对各神经网反复学习，认为隐层节点取5比较合理，既能缩短学习时间，又能取得较好的神经网。这样，本控制系统中的BP网就具有i-5-1的结构。网络的各层节点之间由权值相联接，网络的性能取决于联接权值，权值的大小通过对网络的训练来得到。在隐层或输出层，第个节点的输入为前一层各节点输出的加权和，即点的联接权值，它的输出值为y /一转移函数，通常选取Sigmoid函数：，（；=1/（1+ BP算法是一种比较成熟的有导师的训练方法，网络的学习过程包括网络内部的向前计算和误差的反向传播计算，其训练过程如下：权值和阈值初始化。为了保证各网络能训练成功，本文收集了该热电厂大量的锅炉运行数据，经反复训练各网络，选取出一组对各神经网都较为有利的权值和阈值，并赋为初值。

　　输人层节点i的输出等于其输人隐层，输出层节点的输人为￡学习率；oc―惯性因子；y―前一层节点i的输出。

　　对于输出层和隐层之间有层之间有上述向前计算和误差反向传播计算循环进行，直至收敛（收敛规则为均方误差和规则），或者循环计算次数达大值。

　　3用BP网络确定给煤机转速和二次风门开度训练样本的建立要获得好的神经网，必须要有好的训练样本作基础。为适应煤种的变化，必要时进行在线神经网学习（即对已有的神经网进行修正），为此我们随时将机组运行中的好数据收集起来，以供建立在线神经网用，从而提高锅炉运行计算机自动控制水平。所谓好数据是指母管压力、排烟温度。烟气含氧量等达到规定值时的汽包压力值、风门开度值，给水温度值以及给煤机转速等被调节参数，由120组数据组成汽包压力神经网，炉膛温度神经网，给煤机转速神经网和二次风门开度神经网的训练样本集，锅炉负荷范围为42~92t/h.（l+ex），因此输入输出量常做归一化处理，即输入输出量被限制在取值。为了提高神经网学习效率，本文还保证任何时候的输入输出量分布在之间，而不是集中在（-1，1）的某段区域中，偏离-1或1较远。本文取学习率s为0.01；惯性因子a为0.1，相对误差为10一3.大学习次数：给煤机转速神经网取1000；其余神经网取500.给煤机转速和二次风门开度的确定神经网训练好以后，只要锅炉负荷一变，各神经网就根据实测锅炉给水温度输出给煤机转速和二次风门开度值，作为计算机自动控制的粗调节量。

　　4结束语目前的计算机运算速度比以前的计算机速度快得多，使用神经网进行实时自动控制是完全可行的。若使用传统PID控制，当设备性能和特性及锅炉负荷变化时，控制效果不理想，或无法控制，过去的一些锅炉自动控制系统就出现过这种现象。本文采用神经网络后，基本上解决了这一问题。当锅炉负荷变化时，神经网立即提供了新负荷下的调节值，计算机可以在瞬间将被调节量调到指定值，然后再作微调，实践证明，效果很好。