基于事件触发的神经网络预测串级温度控制系统及其方法与流程

1.本发明涉及火电厂控制技术领域，具体涉及一种基于事件触发的神经网络预测串级温度控制系统及其方法。


背景技术：

2.在火电厂热工控制中，锅炉的主蒸气温控制尤其重要，主蒸气温的温度过高和过低都会对火电厂的运行产生不良影响，只有使主蒸汽温度在很小的波动范围内，才能使热效率更高，为火电厂的运行提供持续能源动力。在日常的生活和生产中，锅炉也具有非常重要的用处。在现如今科技的飞速发展环境下，人们越来越广泛地使用电热控制产品，所以需要不断对电热控制系统进行升级改善优化。随着时代的进步和科技的发展，为了对人力资源和物力资源的节约，不能停留在早期采用人工控制方式的锅炉温度控制，火电厂锅炉过程控制还具有非线性动态特性，面对这些问题，众多学者提出了许多不同控制方法，控制方法的升级不仅保护了环境以及人力物力资源的节约，而且对火电厂运行降低了成本以及大大提高了温度控制的效率能力。
3.在火力发电厂热系统中，主蒸汽温度是控制系统重要的参数之一。目前火电厂锅炉主蒸汽温度控制系统普遍采用pi-pi串级控制器对主蒸汽温度进行调节，主蒸汽温度控制末级过热器出口的温度在一定的范围，以保证火电厂的经济平稳运行以及机组安全。在过热器的入口调节减温环节，由于过热器管道蒸汽容积较大以及管道很长，主蒸汽温度吸热过程较长，温度变化产生滞后。又由于烟气侧温、蒸汽流量、升降负荷、煤炭质量等扰动，主蒸汽温度的动态特性也受到影响。因此传统的控制系统方法，主蒸汽温度的调节过程具有惯性大、扰动随机、参数时变、时滞大等复杂的动态特性。
4.根据附图1所示，传统的火电厂主蒸汽温度控制系统由内外两个回路组成。传统的火电厂主蒸汽温度控制系统控制方法要求副控制器不断对控制阀进行调节，使得控制阀执行器操作频繁，大大减少了控制系统的使用寿命。


技术实现要素：

5.本发明提供了一种基于事件触发的神经网络预测串级温度控制系统及其方法，以解决现有技术中关于惯性、时滞、参数时变和信号传输带宽利用率等问题。
6.本发明提供了一种基于事件触发的神经网络预测串级温度控制系统，包括：预测主控制回路、副控制回路，所述预测主控制回路与副控制回路构成串级回路；
7.所述预测主控制回路包括：主控制气温对象、主检测变送器、t-s模糊神经网络控制器、事件触发器、在线优化器、模糊反馈自校正器；
8.所述主控制气温对象的输出信号分别传递给所述t-s模糊神经网络控制器、主检测变送器；所述副控制回路的输出信号分别传递给所述主控制气温对象、t-s模糊神经网络控制器；所述主检测变送器的输出信号传递给所述模糊反馈自校正器；所述t-s模糊神经网络控制器的输出信号分别传递给所述事件触发器、模糊反馈自校正器；所述事件触发器的
输出信号传递给所述在线优化器；所述模糊反馈自校正器的输出信号传递给所述在线优化器；所述在线优化器的输出信号传递给所述副控制回路。
9.进一步地，所述副控制回路包括：副控制器、执行器、减温器、副检测变送器；
10.所述在线优化器的输出信号、副检测变送器的输出信号均传递给所述副控制器；所述副控制器的输出信号传递给所述执行器；所述执行器与所述减温器连接；所述减温器的输出信号分别传递给所述主控制气温对象、t-s模糊神经网络控制器、副检测变送器。
11.本发明还提供了一种基于事件触发的神经网络预测串级温度控制系统的控制方法，包括同时运行的预测主控制过程、副控制过程，
12.所述预测主控制过程包括如下步骤：
13.步骤a1：主检测变送器获取主控制温度对象的温度信号；
14.t-s模糊神经网络控制器获取副控制回路输出的温度信号和主控制温度对象的温度信号；
15.步骤a2：t-s模糊神经网络控制器根据接收到的温度信号建立气温全局非线性动态模型，输出矩阵信号，对主控制气温对象进行预测；
16.步骤a3：模糊反馈自校正器将接收到的输入信号进行模糊化，并根据模糊规则库进行模糊推理运算，对温度信号进行反馈矫正，形成矫正信号；
17.事件触发器根据矩阵信号判断是否触发事件，当触发事件时，事件触发器将接收的矩阵信号作为输出信号输出；当不触发事件时，事件触发器不输出信号；
18.步骤a4：在线优化器根据事件触发器输出的矩阵信号、矫正信号，利用lm算法进行在线滚动优化，输出优化控制信号，作为副控制回路的控制信号。
19.进一步地，所述事件触发器的触发条件为：
20.[j((k i)h)-j(kh)]
t
ω1[j((k i)h)-j(kh)]≥αj
t
(kh)ω2j(kh) βj
t
((k i)h)ω2j((k i)h)
[0021]
其中，ω1和ω2是正定对称矩阵，α和β是预先设定的有界常数，h为采样周期，kh为第k个采样周期，(k j)h为第(k j)个采样周期，j＝1,2，
···
，为正整数，j((k 1)h)为所述t-s模糊神经网络的当前时刻输出信号，j(kh)为所述在线优化器的上一时刻输出信号。
[0022]
进一步地，所述副控制过程包括如下步骤：
[0023]
步骤b1：副检测变送器获取减温器的状态信号；
[0024]
步骤b2：副控制器根据优化控制信号、状态信号形成副控制信号；
[0025]
步骤b3：执行器根据副控制信号调整减温器状态。
[0026]
进一步地，所述执行器对处在和所述减温器相连的减温水管道上的减温阀进行调节，对流入所述减温器相连的减温水管道的水流量进行调节控制。
[0027]
本发明的有益效果：
[0028]
(1)本发明将传统外环主控制回路中的主控制器替换为神经网络预测控制系统，所述神经网络预测主控制系统可以实时预测，得到下一时刻的输出值，然后和预设值进行必要的比较，进而滚动优化得到副控制器的输入值。副控制器得到输入信号控制所述执行器和所述减温阀，进而调节减温水流量从而控制主蒸汽温度，实现系统的最优控制，使整个所述系统具有较强的鲁棒性。
[0029]
(2)在主控制神经网络预测控制回路中加入具有触发机制的事件触发器，所述触
发器根据接收到的输入信号，根据触发器内部的触发函数或触发规则判断并输出信号，随即将事件触发器的输出新信号和接收到信号比较，最终输出信号传输至主控制器。事件触发器的加入减少了信号带宽的利用率，使得主蒸汽温度的波动幅值减小，也减少了调节阀的控制响应频率，大大提高了系统的寿命。
附图说明
[0030]
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
[0031]
图1所示为传统系统的结构示意图；
[0032]
图2所示为本发明具体实施例的系统示意图。
具体实施方式
[0033]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034]
本发明实施例提供一种基于事件触发的神经网络预测串级温度控制系统，包括：预测主控制回路、副控制回路，预测主控制回路与副控制回路构成串级回路；
[0035]
预测主控制回路包括：主控制气温对象、主检测变送器、t-s模糊神经网络控制器、事件触发器、在线优化器、模糊反馈自校正器；
[0036]
主控制气温对象的输出信号分别传递给t-s模糊神经网络控制器、主检测变送器；副控制回路的输出信号分别传递给主控制气温对象、t-s模糊神经网络控制器；主检测变送器的输出信号传递给模糊反馈自校正器；t-s模糊神经网络控制器的输出信号分别传递给事件触发器、模糊反馈自校正器；事件触发器的输出信号传递给在线优化器；模糊反馈自校正器的输出信号传递给在线优化器；在线优化器的输出信号传递给副控制回路。
[0037]
副控制回路包括：副控制器、执行器、减温器、副检测变送器；
[0038]
在线优化器的输出信号、副检测变送器的输出信号均传递给副控制器；副控制器的输出信号传递给执行器；执行器与减温器连接；减温器的输出信号分别传递给主控制气温对象、t-s模糊神经网络控制器、副检测变送器。
[0039]
本发明具体实施例还提供了一种基于事件触发的神经网络预测串级温度控制系统的控制方法，包括同时运行的预测主控制过程、副控制过程，
[0040]
预测主控制过程包括如下步骤：
[0041]
步骤a1：主检测变送器获取主控制温度对象的温度信号，产生温度状态信号x1(kh)；
[0042]
t-s模糊神经网络控制器获取减温器输出的温度信号x2(t)和主控制温度对象的温度信号x1(t)；
[0043]
步骤a2：t-s模糊神经网络控制器根据接收的温度信号建立气温全局非线性动态模型，基于t-s型神经网络的动态过程辨识方法，建立主蒸汽温度模型，其离散时间动态模型用非线性自回归模型描述为：
[0044]
r1(k)＝f[r1(k-1),
…
,r1(k-nr),u1(k-d-1),
…
,u1(k-d-nu)] ζ(k)
[0045]
其中，nr和nu分别是主蒸汽温度r1(k)和输入指令u1(k)的阶次，锅炉主蒸汽温度的非线性动态函数为：ζ(k)为零均值白噪声。
[0046]
t-s型神经网络模型对主蒸汽温度复杂非线性动态函数f[
·
]进行实时建模。主蒸汽温度系统可以用规则r
(j)
描述为：描述为：描述为：
[0047]
基于t-s型主蒸汽温度模型为然后输出矩阵信号，对主控制气温对象进行预测；
[0048]
步骤a3：引入模糊系统对预测控制系统进行动态矫正，由于主蒸汽温度控制系统存在时延d，其中，
[0049][0050]
选取模糊自校正系统的输入为主蒸汽温度k 1步预测的跟踪误差以及跟踪误差的变化率模糊自校正控制器组成有预测跟踪误差及其变化率的输入模糊化、并根据模糊规则库进行解模糊推理运算，形成矫正信号。
[0051]
事件触发器根据矩阵信号判断是否触发事件，当触发事件时，事件触发器将接收的矩阵信号作为输出信号输出；当不触发事件时，事件触发器不输出信号；其中，事件触发器的触发条件为：
[0052]
[j((k i)h)-j(kh)]
t
ω1[j((k i)h)-j(kh)]≥αj
t
(kh)ω2j(kh) βj
t
((k i)h)ω2j((k i)h)
[0053]
其中，ω1和ω2是正定对称矩阵，α和β是预先设定的有界常数，h为采样周期，kh为第k个采样周期，(k j)h为第(k j)个采样周期，j＝1,2，
···
，为正整数，j((k 1)h)为t-s模糊神经网络的当前时刻输出信号，j(kh)为在线优化器的上一时刻输出信号；
[0054]
步骤a4：在线优化器根据事件触发器输出的矩阵信号、矫正信号，利用lm算法进行在线滚动优化，输出优化控制信号u1，作为副控制回路的控制信号；
[0055]
副控制过程包括如下步骤：
[0056]
步骤b1：副检测变送器获取减温器的状态信号，产生温度状态信号x2(kh)；
[0057]
步骤b2：副控制器根据优化控制信号u1、状态信号x2(kh)形成副控制信号；
[0058]
步骤b3：执行器根据副控制信号调整减温器状态，具体为执行器对处在和减温器相连的减温水管道上的减温阀进行调节，对流入减温器相连的减温水管道的水流量进行调节控制。
[0059]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。