基于T—S模糊模型的锅炉汽包水位模型研究

学习以及与实际输出的对比，得到符合条件的锅炉汽包水位的仿真模型。

关键词 汽包水位；T-S模糊模型；神经网络；仿真

中图分类号 TK2

文献标识码 A

文章编号2095-6363（2015）10-0050-02

面对日常生活中的时变系统，研究对象非常复杂，我们应用理论和实验对研究对象分析并不容易，这时最直接的解决方式就是建模。在数学领域建模并不能够具体化，而是借助于一个系统和处于过程中的相关变量之间的某种关系来反映的数学结构。电厂正常运行，最重要的因素就是汽包水位，如果因素不稳定，最严重的结果就是导致锅炉MFT。整个控制，目的在于保证汽水系统的稳定、安全及经济运行。基于汽包控制系统的非线性、多时变、强耦合的特点，用T-S模糊模型对其进行数学建模来加以分析与优化。

1 模型描述

T-S模糊模型是基于Takagi-Sugeno模糊规则进行系统建模的一种模型辨识方法，简称T-S模型。模型的输入函数是规则后件：

R_i：if x is A_i then y_i=f_i（x）

i=1，2，…，n

（1）

这种语言规则描述的模型展开第f条规则可写为：

这里， 在模糊系统中是第i条规则前件的模糊集合；P_im（m=1，2，……，k）是系统参数；x=[x₁，x₂，……，x_r]是输入变量；y_i是输出变量，输入模糊，输出确定。整个模糊推理过程的输入与输出的关系呈线性。

对输入变量x来说，应用模糊规则来计算每个输入变量的隶属度：

这里， 是隶属度函数的中心和宽度；k是输入参数；n是子集数。把隶属度进行计算，应用连乘算子：

2 网络辨识

T-S模糊神经网络由5层前向网络组成：分为输入层、模糊化层、模糊条件层、模糊决策层和输出层。输入层与输入向量x连接。模糊化层采用隶属度函数（3）对输入值进行模糊化得到模糊隶属度值μ。模糊条件层采用模糊连乘公式（4），模糊决策层采用公式（5）计算模糊神经网络的输出。

模糊神经网络的学习算法如下。

1）误差计算。

这里，y_d是期望输出；Y_e是实际输出；e是期望输出和实际输出的误差。

2）系数修正。

这里， 是神经网络系数；a是学习效率； x_m是输入参数； 是输入参数隶属度连乘积。

3）参数修正。

式中， ，分别为隶属度函数的中心和宽度。

3 建模与仿真

锅炉汽水系统的流质是由给水和蒸汽两部分来构成，中间部分是锅炉的汽包，如果给水量等于蒸汽量的时候，则汽包水位将不会变化。但锅炉汽包水位不仅受到这两部分的影响，还因为汽水混合物导致汽包中蓄水的体积不是实际体积，造成“虚假水位”。

汽包水位H体现不仅仅是汽包中的蓄水体积（包括汽水系统中的管道），也包括了汽水混合物中的汽泡，同时跟锅炉负荷和蒸汽压力有着直接关系。影响因素为：给水量；负荷；蒸汽压力；燃料量。

汽包容积包括汽包内部的水、蒸汽和汽水混合物。燃料量从燃烧到使炉水加热蒸发的这个过程有较长时间，对汽包水位的影响滞后，忽略不计。将锅炉汽压变化和负荷变化这两者影响水位的变化看成是一项。真正实质上对汽包水位产生影响的因素则是机组给水量和锅炉蒸汽量的阶跃变化。

应用建模，当负荷在700MW工况下，针对珠海发电厂#1机组锅炉左右两侧水位每隔5s测取数据，左、右侧汽包水位取值范围分别为-20mm～-70mm和-70mm～-120mm，最终的控制范围为两侧水位和的平均值，变化范围大概在-50mm～-80mm之间，根据测取的数据应用T-S模糊模型建立系统模型。系统的算法流程如图2所示、样本数据实际拟合曲线与T-S模型预测输出曲线对比如图1（a）所示、其误差曲线如图1（b）所示，可以清晰的看到汽包水位的实际曲线与预测曲线的对比关系。

4 结论

本文应用T-S模糊神经网络算法针对锅炉汽包水位这一多变量非线性系统进行建模，通过样本数据的实测拟合曲线与预测模型输出曲线对比仿真实验可见，误差在零点附近较小范围内波动，说明在本文中建立的模型，与珠海电厂内实际情况相吻合，真实地反映了珠海发电厂装机容量700WM的#1机组锅炉汽包水位情况。对于今后的分析与控制起到了积极作用，对今后的研究和深入探讨以及工程方面具有重大意义。

推荐访问:汽包 模型 水位 锅炉 模糊