阅读说明：本技术 一种循环流化床锅炉燃烧自适应控制系统及方法 (Combustion self-adaptive control system and method for circulating fluidized bed boiler ) 是由 柴庆宣 商孟尧 于 2019-12-26 设计创作，主要内容包括：一种循环流化床锅炉燃烧自适应控制系统及方法,控制系统包括自校正控制器和RBF神经网络模型估计器；所述RBF神经网络模型估计器执行模型估计；自校正控制器对RBF神经网络给定的模型控制特性参数进行整定、控制,解耦补偿,输出控制量向量,控制方法包括：设定给定量向量,采集控制量向量；采集作为输出量向量；将控制量向量以及输出量向量作为输入,作用于RBF神经网络模型估计器,进行模型估计,输出模型控制特性参数给自校正控制器；将给定量向量以及输出量向量作为反馈,及控制增益矩阵输入自校正控制器,自校正控制器完成参数整定、解耦补偿,完成循环流化床锅炉燃烧系统的自适应控制。本发明控制安全,运行稳定。(A self-adaptive control system and method for the combustion of a circulating fluidized bed boiler, the control system comprises a self-correcting controller and an RBF neural network model estimator; the RBF neural network model estimator performs model estimation; the self-correcting controller performs setting, control and decoupling compensation on model control characteristic parameters given by the RBF neural network, and outputs a control quantity vector, and the control method comprises the following steps: setting given quantity vectors and collecting control quantity vectors; collecting as output vector; taking the control quantity vector and the output quantity vector as input, acting on an RBF neural network model estimator to carry out model estimation, and outputting a model control characteristic parameter to a self-correcting controller; and taking the given quantity vector and the output quantity vector as feedback, inputting the control gain matrix into a self-correcting controller, and completing parameter setting, decoupling compensation and self-adaptive control of the circulating fluidized bed boiler combustion system by the self-correcting controller. The invention has safe control and stable operation.)

一种循环流化床锅炉燃烧自适应控制系统及方法

技术领域

本发明涉及一种锅炉燃烧控制系统及方法，具体涉及一种循环流化床锅炉燃烧自适应控制系统及方法。

背景技术

循环流化床锅炉具有燃料适用性广、燃烧温度低、负荷调整范围大、满足环保要求等特点，广泛应用于电力与热电等行业。循环流化床锅炉燃烧颗粒大，燃烧过程长，锅炉的热惯性大,使得流化床锅炉燃烧过程具有大滞后特性。主蒸汽压力、炉床温度、烟气含氧量、炉床压力等工况状态量相互作用，特别是主蒸汽压力和炉床温度耦合严重；锅炉燃料量、石灰石量、一次风量、二次风量和排渣量等调节量也相互影响,使得燃烧过程具有强耦合特性。循环流化床锅炉燃烧系统是一个大滞后、强耦合、时变非线性系统，很难建立精确的数学模型描述其动态过程。循环流化床锅炉燃烧系统自动控制的目标：快速调整负荷，响应电网负荷变化需求，同时保持主蒸汽压力稳定。保持炉床温度在850℃-900℃范围内，炉床温度在该范围内脱硫效果最好。炉床温度过低会导致炉膛熄火，炉床温度过高会导致结焦。维持合理的烟气含氧量，氧量过低燃烧不充分；氧量过高热量损失大，降低热效率。

目前国内外的循环流化床锅炉燃烧系统自动控制方案，多采用常规比例积分微分(PID)控制，在实际应用中效果不理想：从给煤量的改变到锅炉主蒸汽压力的变化需要10多分钟，锅炉对象的大惯性、大滞后特性，导致锅炉主蒸汽压力大幅摆动，超调严重。一次风的主要任务是建立稳定的循环流化状态，调节范围有限。炉床温度因煤质、负荷等因素经常变化，使用一次风控制炉床温度时频繁变化，严重影响床料的流化状态，威胁锅炉的安全运行。自动控制只能在稳定环境下局部范围内自动运行，当锅炉负荷或煤种有较大变化时，不能长期、稳定自动运行。

发明内容

本发明为克服现有技术不足，提供一种控制安全、稳定运行的循环流化床锅炉燃烧自适应控制系统及方法。该自适应控制系统及方法以给煤量、一次风量、二次风量为控制量，对循环流化床燃烧系统中存在强耦合的主蒸汽压力、炉床温度、烟气氧量进行自动控制。使用径向基(RBF)神经网络估计循环流化床燃烧系统燃烧控制特性模型参数，基于控制对象动态增益矩阵的特征向量空间进行解耦补偿控制，实现控制量的自适应调节控制。

本发明的技术方案为：

方案一：一种循环流化床锅炉燃烧自适应控制系统，它包括自校正控制器和RBF神经网络模型估计器；

所述RBF神经网络模型估计器用于对作为控制量向量的给煤量、一次风量和二次风量，以及作为输出量向量的主蒸汽压力、炉床温度和烟气氧量作为输入量进行模型估计，估计模型控制特性参数；利用所述模型控制参数计算得到CFB锅炉燃烧系统的控制增益矩阵；

所述自校正控制器用于对作为给定量向量的主蒸汽压力给定量、炉床温度给定量、烟气氧量给定量，以及作为输出量向量的主蒸汽压力、炉床温度和烟气氧量和所述控制增益矩阵作为输入量，经参数整定、控制、解耦补偿，计算输出控制量向量给CFB锅炉燃烧系统。

方案二：一种循环流化床锅炉燃烧自适应控制方法，它包括：

一、设定作为给定量向量的主蒸汽压力、炉床温度和烟气氧量；采集作为控制量向量的给煤量、一次风量和二次风量；采集作为输出量向量的主蒸汽压力、炉床温度和烟气氧量；

二、将作为控制量向量的给煤量、一次风量和二次风量，以及作为输出量向量的主蒸汽压力、炉床温度和烟气氧量作为输入量，施加于RBF神经网络模型估计器，进行模型估计，计算输出模型控制特性参数，并将由模型控制特性参数计算得到控制增益矩阵输入给自校正控制器；

三、将给定量向量的主蒸汽压力、炉床温度、烟气氧量，输出量向量的主蒸汽压力、炉床温度和烟气氧量作为反馈，以及所述控制增益矩阵输入自校正控制器，完成参数整定控制和解耦补偿，并输出控制量向量给CFB锅炉燃烧系统，如此反复，实现循环流化床锅炉燃烧系统的自适应控制。

本发明相比现有技术的有益效果是：

本发明采用径向基(RBF)神经网络估计器和自校正控制器对作为控制量向量的给煤量、一次风量和二次风量作为调节目标，对输出量向量中存在强耦合主蒸汽压力、炉床温度和烟气氧量进行控制，结合给定量进行模型估计、参数实时更新、控制特性模型参数控制解耦、补偿，实现CFB锅炉燃烧系统自适应控制。

将本发明的自适应控制方法应用于CFB锅炉燃烧系统，能够有效解决CFB锅炉燃烧系统自动控制存在的大滞后、强耦合、时变非线性问题。利用径向基(RBF)神经网络任意逼近特性，对流化床锅炉燃烧系统进行参数估计，得到的燃烧控制系统的控制增益矩阵。自校正控制器基于控制对象动态增益矩阵的特征向量空间进行解耦控制。设计控制参数更新算法实现自适应调节控制，实现循环流化床锅炉燃烧系统能够快速响应锅炉负荷大范围调整。利用RBF神经网络模型估计的预测输出能够有效克服被控对象滞后特性，对RBF神经网络参数进行实时在线优化，克服控制对象的时变特性，实现长时间安全、稳定运行，把运行人员从繁重的手动操作中解脱出来，为进一步提高运行效率，提高企业经济效益打下良好基础。

附图说明

图1为循环流化床锅炉燃烧系统自适应控制系统的结构图；

图2为RBF神经网络模型估计器的结构图；

图3为自校正控制器的结构图；

图4为循环流化床锅炉燃烧系统自适应控制流程图；

图5为RBF神经网络模型估计流程图；

图6为PID控制参数自动调整过程图。

具体实施方式

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，显然以下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，本领域普通技术人员在没有做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。

参见图1-图3所示，一个具体实施方式提供一种循环流化床锅炉燃烧自适应控制系统，它包括自校正控制器和RBF神经网络模型估计器；

所述RBF神经网络模型估计器用于对作为控制量向量U的给煤量、一次风量和二次风量，以及作为输出量向量Y的主蒸汽压力、炉床温度和烟气氧量作为输入量进行模型估计，估计模型控制特性参数；利用所述模型控制参数计算得到CFB锅炉燃烧系统的控制增益矩阵；

所述自校正控制器用于对作为给定量向量R的主蒸汽压力给定量、炉床温度给定量、烟气氧量给定量，以及作为输出量向量Y的主蒸汽压力、炉床温度和烟气氧量和所述控制增益矩阵作为输入量，经参数整定、控制、解耦补偿，计算输出控制量向量U给CFB锅炉燃烧系统。图1中运行保护子功能实现自动控制超限解除功能，实现运行安全保护功能。Yp表示输出量的估计值，Ep表示对输出量的估计误差。

进一步地，RBF神经网络是具有单隐含层的三层前馈网络，模拟人脑中局部调整、相互覆盖接收域的神经网络结构，是一种局部逼近的神经网络，能够以任意精度逼近任意连续函数。图2所示为RBF神经网络估计器结构图，所述RBF神经网络模型估计器由输入层、隐含层和输出层组成。图2中，6个输入层神经元，7个隐含层神经元，3个输出层神经元，网络优化参数包括：径向基函数基宽B、中心C、权重W。

进一步地，图3显示了自校正控制器结构，所述自校正控制器包括PID控制器和解耦补偿器；解耦补偿器与控制对象组成广义控制对象，广义控制对象变量间解耦，实现对解耦后控制量进行补偿，PID控制器接收作为设定量向量的主蒸汽压力、炉床温度和烟气氧量的给定信号，及作为输出量向量的主蒸汽压力、炉床温度和烟气氧量的测量信号，对给定的控制特性模型参数执行整定、控制，PID控制器输出端连接解耦补偿器的输入端，解耦补偿器执行输出控制量向量U。控制特性模型参数构成控制动态增益矩阵(图中Jac矩阵)，U_d表示未进行解耦补偿的PID控制器输出量。

参见图1、图4和图5所示，另一个具体方式，提供一种循环流化床锅炉燃烧自适应控制方法，它包括：

一、设定作为给定量向量R的主蒸汽压力、炉床温度和烟气氧量；采集作为控制量向量U的给煤量、一次风量和二次风量；采集作为输出量向量Y的主蒸汽压力、炉床温度和烟气氧量；

二、将作为控制量向量U的给煤量、一次风量和二次风量，以及作为输出量向量Y的主蒸汽压力、炉床温度和烟气氧量作为输入量，作用于RBF神经网络模型估计器，进行模型估计，计算输出模型控制特性参数，并将由模型控制特性参数计算得到控制增益矩阵输入给自校正控制器；

三、将给定量向量R的主蒸汽压力、炉床温度、烟气氧量，输出量向量Y的主蒸汽压力、炉床温度和烟气氧量作为反馈，以及所述控制增益矩阵输入自校正控制器，完成参数整定控制和解耦补偿，并输出控制量向量U给CFB锅炉燃烧系统，如此反复，实现循环流化床锅炉燃烧系统的自适应控制。

进一步地，图5显示了RBF神经网络模型估计流程，图5中ε为预测误差给定阈值,J为神经网络模型估计误差平方和；步骤二中，RBF神经网络模型估计及控制增益矩阵算法为：

6.1确定RBF模型估计目标：

所使用的RBF神经网络估计器由输入层、隐含层和输出层组成；

输入层输入向量：

X＝[x₁,x₂,x₃,x₄,x₅,x₆]^T＝[u₁,u₂,u₃,y₁,y₂,y₃]^T

其中u₁,u₂,u₃分别表示作为控制量向量U的给煤量、一次风量、二次风量；y₁,y₂,y₃分别表示作为输出量向量Y的主蒸汽压力、炉床温度和烟气氧量；网络优化参数包括：径向基函数基宽B、中心位置C和权重W；

输出层输出向量：

Yp＝[yp₁,yp₂,yp₃]^T

其中，yp₁，yp₂，yp₃分别表示输出量的主蒸汽压力预测值，炉床温度预测值和烟气氧量预测值；

隐含层激活向量：

H＝[h₁,h₂,h₃,h₄,h₅,h₆,h₇]^T

其中神经元激活函数，采用高斯基函数：

其中，b_j为隐含层第j个神经元径向基函数基宽；

隐含层第j个神经元径向基函数中心点中心向量：

C_j＝[c_j1,c_j2,c_j3,c_j4,c_j5,c_j6]^T，j＝1,2,...,7

径向基函数基宽向量：

B＝[b₁,b₂,b₃,b₄,b₅,b₆,b₇]^T

隐含层与输出层权重矩阵：

输出层输出向量：

Yp＝W·H

估计模型误差为：

E(t)＝Y(t)-Yp(t)

E＝Y-W·H

RBF模型估计目标为：

即极小化估计输出与真实输出间的误差，使RBF神经网络模型估计误差满足给定误差阈值；

6.2满足RBF模型估计目标的参数更新算法：

优化目标矩阵形式：

由6.1整理得到：

权重W更新算法：

估计参数学习速率：

η∈[0,1]

估计参数惯性阻尼系数：

α∈[0,1]

径向基函数基宽B更新算法：

其中，

中心位置C更新算法：

RBF神经网络参数更新公式：

其中，j＝1,2,...,7

采用上述模型估计进行参数更新算法，进行预测输出Yp，计算预测误差Ep，实现更新调整神经网络参数；

6.3基于RBF神经网络参数，确定估计模型

计算控制增益，由于模型未知，使用估计模型近似：

其中，k＝1,2,3，i＝1,2,3；

得到控制对象的控制增益矩阵：

控制增益矩阵的特征向量构成特征空间矩阵V满足：

Jac·V＝Λ·V

其中，

自校正控制器根据控制增益矩阵进行特征向量空间分解，对PID控制器的控制量进行解耦补偿，实现控制解耦，输出控制量向量U：

U＝V^T·U_d

完成循环流化床燃烧系统自适应控制。

进一步地，对上述模型估计的控制特性参数进行调整，实现对解耦后控制量进行补偿，进而输出控制量向量，完成循环流化床燃烧系统自适应控制，采用的是自校正控制器中的PID控制器和解耦补偿器完成；根据估计参数、控制误差自动调整PID控制器参数。具体步骤是：

给定量向量：

R＝[r₁,r₂,r₃]^T

输出量向量：

Y＝[y₁,y₂,y₃]^T

控制误差：

E_c＝(R-Y)

ec_k(t)＝r_k(t)-y_k(t)，k＝1,2,3

采用增量式PID控制器：

ΔU_d＝[Δu₁,Δu₂,Δu₃]^T

Δu_k＝kp_k(ec_k(t)-ec_k(t-1))+ki_k(ec_k(t))+kd_k(ec_k(t)-2ec_k(t-1)+ec_k(t-2))

定义

xc_k1(t)＝ec_k(t)-ec_k(t-1)

xc_k2(t)＝ec_k(t)

xc_k3(t)＝ec_k(t)-2*ec_k(t-1)+ec_k(t-2)

则

Δu_k＝kp_k*xc_k1(t)+ki_k*xc_k2(t)+kd_k*xc_k3(t)

PID控制器参数矩阵

令

P_k＝[kp_k,ki_k,kd_k]

D_k＝[xc_k1,xc_k2,xc_k3]^T

则

ΔU_dk＝P_k·D_k

U_dk(t)＝U_dk(t-1)+ΔU_dk

解耦补偿得到

U＝V^T·U_d

完成对PID控制器输出控制量的解耦补偿，获得自适应控制器的控制量向量；

所述解耦补偿器由控制增益矩阵Jac的特征向量构成的特征空间矩阵V转置构成，其中Jac·V＝Λ·V。

基于控制增益矩阵，PID控制器的参数整定过程为：

控制误差E_c＝(R-Y)

闭环控制误差优化目标：

即极小化闭环控制误差均方值；

PID闭环控制参数更新算法：

其中闭环优化目标对输出变化量：

控制对象的控制增益矩阵：

由控制量解耦补偿可得：

控制量对控制参数变化量：

整理可得：

控制参数更新算法：

P_k(t)＝P_k(t-1)+η_c·E_ck·Λ_k·V_k·D_k ^T+α_c(P_k(t-1)-P_k(t-2))

控制参数学习速率：

η_c∈[0,1]

控制参数惯性阻尼系数：

α_c∈[0,1]

采用上述控制参数更新算法，实现PID控制器参数的自动调整，采用前述模型估计参数更新算法、控制参数更新算法，实现循环流化床锅炉燃烧系统的自适应控制。

循环流化床锅炉燃烧系统参数自动调整流程如图6所示，根据模型估计参数、控制误差对控制参数进行自动调整。如图4所示，结合历史轨迹离线训练、在线学习方式对燃烧系统的控制增益特性进行估计，根据估计模型计算得到动态的控制增益矩阵进行自适应PID参数调整，对控制增益矩阵进行特征向量空间分解，进行解耦补偿控制，能够有效解决循环流化床燃烧系统的自动控制问题。

本发明已以较佳实施案例揭示如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可以利用上述揭示的结构及技术内容做出些许的更动或修饰为等同变化的等效实施案例，均仍属本发明技术方案范围。