<片） (2) r(k-J + \)(0<J<q)
[0049] 输出层：
[0050] ym 化）=F[neti 化）](3)
[005U 训练目标；
[0化2] em= [y化）-ym 化）]2 一 min (4)
[0化3] 其中，neti化)为GRr^N神经网络模型；
[0054] 逆向模型NN切日式(5)所示：
[0055] "(先）:二 p[.v(A'),.. .，.v(A' -(/ + 1)，"(克1),..(点-户 +-1)'(点)] (5)
[0化6]其中，q和P是系统的阶次，根据传递函数Gi和G2的阶次来确定，口表示一个非线性 映射；
[0057]逆向模型NNC的输入为当前时刻的再热汽出口溫度T、滞后1至q时刻的再热汽出口 溫度T化-j+1)、滞后1至P时刻的减溫喷水阀口开度UA化-i + 1)和烟气挡板开度UB化-i+1)， W及当前时刻的正模型NMl的输出ym和实际被控对象的输出y的差的平方em;输出为当前时 刻的减溫喷水阀口开度UA和烟气挡板开度UB;输入层、输出层和训练目标分别如式(6)、（7) 和(8)所示：
[005引输入层： UAik - i + \){0 < i < P) 。公(皮…Z t-0(0</< ?)
[0059] ' (6) T{k-J+\){\<j<q) 林)
[0060] 输出层：
[0061 ] i/ (A)=巧["巧(灰)] (7)
[0062] 训练目标；
[0063] e。= [yr(k)-y 化）]2 一 min (8)
[0064] 其中，neti化)为GRr^N神经网络模型，yr化)为当前时刻再热汽溫的设定值，y化)为 当前时刻再热汽溫度的实际值；
[00化]Sl. 4:使用步骤Sl. 3中建立的正向模型NNM和逆向模型NNC建立神经网络内模控制 器，对火电机组的再热汽溫度进行控制。
[0066] 本方法中所采用的神经网络为广义回归神经网络(GW^N) dGRP^N由一个径向基网络 层和一个线性网络层组成，GRr^N连接权值的学习修正使用BP算法。由于网络隐含层节点中 的作用函数(基函数)采用高斯函数，高斯函数为一种局部分布对中屯、径向对称衰减的非负 非线性函数，对输入信号将在局部产生响应，即当输入信号靠近基函数的中央范围时，隐含 层节点将产生较大的输出，由此看出运种网络具有局部逼近能力，运也是该网络之所W学 习速度更快的原因。此外，GRr^N人为调节的参数少，只有一个阔值。网络的学习全部依赖数 据样本。运个特点决定了网络得W最大限度地避免人为主观假定对预测结果的影响。
[0067] -般的广义回归神经网络从本质上说是一种静态的非线性函数映射，要把他应用 在控制中，必需加 W改造，使之能反映系统的动态特性。采用的改造方法是将输出层的输出 经过延时后作为某一层神经元的输入。具体结构见图1。
[0068] 传统的方法仅考虑最快速度实现控制系统的再热汽溫输出值跟踪设定值稳态无 偏差，因此往往优先使用喷水减溫调节再热汽溫，但是喷水量越大机组经济性越差，因此本 方法提出一种集成经济性指标的順C训练标准，J=[yr化)-y化)]2+UA化)2,同时加入再热汽 溫超溫时优先紧急使用喷水减溫的逻辑，保证在紧急情况下的机组安全。具体见图2。
[0069] 使用上述步骤中建立的被控对象，正模型順M和逆模型順C搭建如图3所示的神经 网络内模控制器。图3中，yr为参考输入，Gf为滤波器，NNC为由神经网络逆模型组成的内模控 制器，NNM为神经网络正模型组成的内部模型，y为被控过程的输出，ym为神经网络内部模型 NNM的输出，em=y-ym为被巧过程输出与内部模型输出之差，d为系统不可测干扰。另外在系 统反馈中添加了一阶低通滤波器Gf,选择适当的滤波器参数可W有效抑制干扰，增强系统 的鲁棒性，可取的较好的控制效果。
【主权项】
1. 一种集成经济性指标的再热汽温神经网络内模控制方法，其特征在于:包括以下的 步骤： SI. 1:从历史数据库中获得以下数据：以减温喷水阀门开度为a、烟气挡板角度b时的再 热汽温Tr为基准，获取仅调节减温喷水阀门开度时的阀门开度变化量(UA-a)和所对应的再 热汽温变化量(Ta-Tr )、仅调节烟气挡板开度时的烟气挡板开度变化量(UB-b)和所对应的 再热汽温变化量(Tb-Tr)，以及再热汽出口温度T;且T = Ta+Tb-Tr; SI. 2:使用步骤SI. 1中获得的数据，通过最小二乘系统辨识方法建立内模控制器中的 被控对象； Sl .3:使用步骤SI. 1中获得的数据，通过GRNN神经网络建立被控过程的正向模型NNM和 逆向模型NNC:建立正向模型顺M时，以正向模型NNM的输出ym和实际被控对象的输出y的差 的平方em最小为标准;建立逆向模型NNC时，以集成经济性指标J最小为标准，J= [yr(k)_y (k)]2+UA(k)2，y(k)为当前时刻被控过程的实际输出，yr(k)为当前时刻再热汽温的设定值， UA( k)为当前时刻喷水减温阀门开度； Sl. 4:使用步骤Sl. 3中建立的正向模型NMl和逆向模型NNC建立神经网络内模控制器， 对火电机组的再热汽温度进行控制。2. 根据权利要求1所述的集成经济性指标的再热汽温神经网络内模控制方法，其特征 在于:所述步骤S1.2中采用传递函数模型：（UA-a)对(Ta-Tr)的传递函数为G 1，（UB-b)对 (Tb-Tr)的传递函数为G2。3. 根据权利要求2所述的集成经济性指标的再热汽温神经网络内模控制方法，其特征 在于:所述步骤Sl. 3中的正向模型NNM如式(1)所示： y(k)=F[y(k-l), . . . ,y(k-q+l) ,u(k), . . .u(k-p+l)] (I) 其中，q和P是系统的阶次，根据传递函数&和&的阶次来确定，F表示一个非线性映射。4. 根据权利要求3所述的集成经济性指标的再热汽温神经网络内模控制方法，其特征 在于:所述正向模型NNM的输入为当前时刻的减温喷水阀门开度UA和烟气挡板开度UB、滞后 1至P时刻的减温喷水阀门开度UA(k_i+l)和烟气挡板开度UB(k_i+l)，以及滞后1至q时刻的 再热汽出口温度T(k_j + l)，l < i <p，0< j <q;输出为当前时刻的再热汽出口温度T;输入 层、输出层和训练目标分别如式(2)、（3)和(4)所示： 输入层：输出层： ym(k)=F[neti(k)] (3) 训练目标： em= [y(k)-ym(k) J2^min (4) 其中，neti(k)为GRNN神经网络模型。5. 根据权利要求1所述的集成经济性指标的再热汽温神经网络内模控制方法，其特征 在于:所述步骤SI. 3中的逆向模型NNC如式(5)所示：其中，q和P是系统的阶次，根据传递函数&和&的阶次来确定，0表示一个非线性映射。6.根据权利要求5所述的集成经济性指标的再热汽温神经网络内模控制方法，其特征 在于:所述逆向模型NNC的输入为当前时刻的再热汽出口温度T、滞后1至q时刻的再热汽出 口温度T(k_j+1)、滞后1至p时刻的减温喷水阀门开度UA(k_i + l)和烟气挡板开度UB(k_i + 1)，以及当前时刻的正模型NNM的输出ym和实际被控对象的输出y的差的平方em;输出为当前 时刻的减温喷水阀门开度UA和烟气挡板开度UB;输入层、输出层和训练目标分别如式(6)、 (7)和(8)所示：训练目标： ec=[yr(k)-y(k) J2^min (8) 其中，ne ti (k)为GRNN神经网络模型，yr (k)为当前时刻再热汽温的设定值，y (k)为当前 时刻再热汽温度的实际值。
【专利摘要】本发明公开了一种集成经济性指标的再热汽温神经网络内模控制方法，首先，从历史数据库中获得一些数据；其次，使用获得的数据，通过最小二乘系统辨识方法建立内模控制器中的被控对象；再次，使用获得的数据，通过广义回归神经网络建立被控过程的正向模型NNM和逆向模型NNC；最后，使用正向模型NNM和逆向模型NNC建立神经网络内模控制器，对火电机组的再热汽温度进行控制。本发明通过采用神经网络建立再热汽温控制系统模型的策略，解决了再热汽温系统的非线性问题；通过在建立模型时集成一种经济性指标，使得控制系统在保证再热汽温输出值跟踪设定值稳态无偏差的同时，最大程度保证了机组经济性能。
【IPC分类】G05B13/04
【公开号】CN105527842
【申请号】CN201610049398
【发明人】吕剑虹, 陈俊丞, 乔侨, 索明琛
【申请人】东南大学
【公开日】2016年4月27日
【申请日】2016年1月25日