扩展卡尔曼神经网络在锅炉汽包水位控制中的应用

摘 要： 工业锅炉正常运行的一个重要指标是汽包水位，然而实际运行中出现的虚假水位现象对锅炉的正常运行产生很大影响。当前常规的调节策略是以PID为核心的三冲量策略，但是由于PID的调控效果对被控对象的数学模型依赖度高，而汽包水位难以建立精确的模型，此方案的实际效果并不理想。基于此，引入扩展卡尔曼神经网络方法。此方法具有不依赖模型的特点，并依据此方法设计网络控制器（EK⁃NNC），目的是替换常规PID控制器。最后给出EK⁃NNC与常规PID的对比结果。

关键词： 扩展卡尔曼算法； 人工神经网络； 工业锅炉； 水位控制； 三冲量； 实验仿真

中图分类号： TN876⁃34； TP183 文献标识码： A 文章编号： 1004⁃373X（2018）19⁃0096⁃04

Abstract： The drum water level acts as an important indicator of the normal operation of industrial boiler， but its false phenomenon in actual operation greatly influences the normal operation of the boiler. The three⁃impulse strategy takes PID as its core， but the control effect of PID has high dependency on the mathematical model of the controlled object， and it is difficult to establish the accurate model of drum water level， so the practical control effect of this strategy is unsatisfied. On this basis， an extended Kalman neural network method is introduced， which is independent of the mathematical model. The extended Kalman neural network controller （EK⁃NNC） was designed to replace the conventional PID controller. The comparison results of EK⁃NNC and conventional PID are given.

Keywords： extended Kalman algorithm； artificial neural network； industrial boiler； water level control； three⁃impulse； experimental simulation

0 引 言

锅炉在工业生产及人们生活中具有重要地位。锅炉作为能量转换设备，将燃料中的化学能转换成热能后对汽包中的水加热，产生的蒸汽带动发电机或是负载进行工业生产。其中汽包水位间接反映工业锅炉运行的平稳性与安全性，是锅炉的重要参数。水位过高，影响汽水分离器的正常分离过程，而且如果汽水分离不充分，蒸汽中含水过多会加速汽轮机叶片的老化；水位过低，蒸汽产量不足影响正常生产，如果水位持续走低，就可能发生“烧干锅”甚至爆炸的危险情况。

鉴于锅炉汽包水位在锅炉运行中的重要性，对其研究不断加深。其中，文献[1]将分数阶理论应用到水位调控中，但是确定最佳有理逼近函数往往不是容易的事。文献[2]提出一种基于粒子群优化的PID水位调节算法，对PID参数进行调整，但是粒子群算法具有容易陷入局部极值点的缺陷。文献[3⁃5]讨论了模糊理论在水位调节下的应用。文献[6⁃7]提出模糊神经网络在水位控制中的应用。其中文献[3⁃7]都引用了模糊理论，但是模糊规则复杂，隶属度函数的确定依赖经验是这些方法的缺点。

文献[8]提出扩展卡尔曼神经网络算法并且仿真效果良好，因此本文引入此方法并在此基础上设计扩展卡尔曼神经网络控制器（EK⁃NNC）。最后分别给出在三冲量调控方案下EK⁃NNC与传统方法的对比仿真结果。

1 锅炉汽包结构与常规控制

1.1 汽包结构

锅炉汽包的结构如图1所示。汽包中储存的是蒸汽和水，二者的储量通过水位来表现。从图1可知，给水流量[W]作为输入，蒸汽流量[S]作为输出，理想情况下，如果[W]与[S]之和为0，那么水位[H]就处于稳定状态。

汽包中的水经过受热面加热后形成饱和蒸汽，饱和蒸汽在加热器中进行加热处理，直到达到设定的压力和温度值，最后输出到汽轮机带动负载运行。

1.2 常规控制

目前，水位的常规控制方案是串级三冲量策略。结构图如图2所示。

图2中，[r]为水位的设定值，[H]为水位的实际数值；[D]，[W]为蒸汽流量和给水流量；[G3]，[G4]为给水流量与蒸汽流量的傳递函数；[Ad]，[Aw]为蒸汽与给水参数；[C1，C2]代表两个PID控制器[9]。其中[G1]作为主控是此结构的核心。副控[G2]的主要功能是应对因给水或蒸汽波动而产生的误差，确保给水与蒸汽流量平衡，此调节只是辅助调节；主控[G1]（核心是PID）则作用全局调控，接受设定值[r]与实际水位值[H]间的误差[e]作为输入，将输出[U]（图2所示）作为全局控制量来调控水位变化。

2 扩展卡尔曼神经网络

2.1 网络结构

卡尔曼神经网络算法把卡尔曼滤波算法作为权重的修正规则引入到常规神经网络中。算法的网络结构图如图3所示。

如图3所示，第一层为网络的输入层，此层接受2个数值，[e1]代表期望输出，[e2]代表实际输出；第二层的神经元类似于PID结构，其中[a1]对应积分系数P，[a2]对应比例系数I，[a3]对应微分系数D。第三层为网络的输出层，此层的输出[o]对应图2中的控制信号[U]。网络第二层的输出的数学表达式如下：

3 仿真与对比

本文采用Matlab软件进行测试，以锅炉汽包水位控制为例，对比EK⁃NNC与常规PID的调控效果。本次仿真分别把常规PID和EK⁃NNC作为主控（[C1]） 。设定相关参数：[Ad，Aw]均为0，017 5，[K=20]，[G3=0.037S（8.5S+1）]，[G4=-0.3S+3.615S+1]，[F=1]。

1） 传统PID控制器（主控）的三个参数（P，I，D）分别设置为：3，0.35，1.1。

学习速率[α=0.05]，卡尔曼测量因子[η=0.01]，网络初始权重设定为0～1之间的随机数，训练次数1 000次。偏置[bh]的初值为0。将实际水位测量值，主控制器的控制信号进行归一化处理后，对网络进行训练，最后将网络替换为图2中的[C1]。

图5是阶跃响应，其中在30 s时加入强度为0.1的白噪声，持续时间1 s。

为了便于比较，图5中涉及的性能指标见表1。

从表1可以看出，当有干扰时EK⁃NNC克服干扰的能力强于常规PID控制器。

4 结 语

神经网络凭借其强大的泛化能力与良好的容错性而被愈加频繁地应用于多个领域。本文在卡尔曼神经网络算法基础上，设计扩展卡尔曼神经网络控制器。通过仿真对比，可以看出EK⁃NNC在上升时间、超调量、调节时间这三方面的调控效果好于常规PID控制，同时也体现了EK⁃NNC控制器的有效性。

参考文献

[1] 秦君琴，马华杰，李兴财.分数阶PID控制器在火电厂锅炉汽包水位控制中的应用研究[J].西南师范大学学报（自然科学版），2014，39（7）：58⁃61.

QIN Junqin， MA Huajie， LI Xingcai. Application of fractional PID controller in boiler drum water level control in thermal power plant [J]. Journal of Southwestern Normal University （natural science edition）， 2014， 39（7）： 58⁃61.

[2] 刘景芝，孙伟，张绍娟.汽包水位粒子群⁃PID优化控制[J].计算机工程与应用，2009，45（21）：239⁃241.

LIU Jingzhi， SUN Wei， ZHANG Shaojuan. Optimal control of drum water level particle swarm optimization⁃PID [J]. Computer engineering and applications， 2009， 45（21）： 239⁃241.

[3] 娄伟，刘向东.模糊控制在锅炉汽包水位控制系统中的应用[J].锅炉技术，2010，41（1）：27⁃31.

LOU Wei， LIU Xiangdong. Application of fuzzy control in boiler drum water level control system [J]. Boiler technology， 2010， 41（1）： 27⁃31.

[4] 付立华，周洪.基于变论域模糊PID的锅炉汽包水位控制系统仿真研究[J].河南工程学院学报（自然科学版），2015，27（3）：52⁃56.

FU Lihua， ZHOU Hong. Simulation study of boiler drum water level control system based on variable universe fuzzy PID [J]. Journal of Henan Institute of Engineering （natural science edition）， 2015， 27（3）： 52⁃56.

[5] 荣盘祥，高生宇，王子旭，等.工业锅炉汽包水位控制系统的优化[J].哈尔滨理工大学学报，2015，20（6）：78⁃82.

RONG Panxiang， GAO Shengyu， WANG Zixu， et al. Optimization of water level control system for industrial boiler drum [J]. Journal of Harbin University of Science and Technology， 2015， 20（6）： 78⁃82.

[6] 黄永杰.基于模糊神经网络的燃煤锅炉过程控制应用探析[J].煤炭技术，2013，32（4）：229⁃231.

HUANG Yongjie. Application of fuzzy neural network in process control of coal fired boiler [J]. Coal technology， 2013， 32（4）： 229?231.

[7] 李晶，王旭刚.基于模糊PID的模型参考自适应IMC汽包水位控制[J].热力发电，2015，44（2）：96⁃100.

LI Jing， WANG Xugang. Model reference adaptive IMC drum level control based on fuzzy PID [J]. Thermal power generation， 2015， 44（2）： 96⁃100.

[8] SENTO A， KITJAIDURE Y. Neural network controller based on PID using an extended Kalman filter algorithm for multi⁃variable non⁃linear control system [C]// The Eighth International Conference on Advanced Computational Intelligence. Chiang Mai： IEEE， 2016： 302⁃309.

[9] 张哲，左为恒，左培新.基于IMC的锅炉汽包水位控制系统仿真研究[J].热力发电，2013，42（8）：59⁃62.

ZHANG Zhe， ZUO Weiheng， ZUO Peixin. Simulation research of boiler drum water level control system based on IMC [J]. Thermal power generation， 2013， 42（8）： 59⁃62.

[10] GUO Xiucheng， LI Yan， YANG Jie. Active traffic induction control based on state space neural network and extended Kalman filter [J]. Journal of Southeast University （English edition）， 2010， 26（3）： 466⁃470.

推荐访问:汽包 神经网络 水位 锅炉 尔曼

---