雙抽汽輪機(jī)熱電負(fù)荷解耦協(xié)調(diào)控制研究

李 艷， 張曉婕， 李可可

(1.陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安 710021; 2.陜西農(nóng)產(chǎn)品加工技術(shù)研究院, 陜西 西安 710021)

雙抽汽輪機(jī)熱電負(fù)荷解耦協(xié)調(diào)控制研究

李 艷1,2， 張曉婕1， 李可可1

(1.陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安 710021; 2.陜西農(nóng)產(chǎn)品加工技術(shù)研究院, 陜西 西安 710021)

在雙抽汽輪機(jī)熱電負(fù)荷協(xié)調(diào)控制問(wèn)題的研究中，輸出電負(fù)荷、抽汽高壓熱負(fù)荷和低壓熱負(fù)荷之間存在著嚴(yán)重的耦合關(guān)系，每個(gè)負(fù)荷的變化都會(huì)對(duì)其他負(fù)荷產(chǎn)生不同程度的影響，引起熱、電負(fù)荷的頻繁波動(dòng)，從而影響到整個(gè)系統(tǒng)的控制性能.為了解決上述問(wèn)題，提出了一種將簡(jiǎn)單的前饋補(bǔ)償解耦和模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合的改進(jìn)多變量解耦控制方案.前饋補(bǔ)償實(shí)現(xiàn)動(dòng)靜態(tài)解耦，神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)調(diào)整模糊控制規(guī)則，從而提高了系統(tǒng)的控制效果和自適應(yīng)能力.MATLAB仿真結(jié)果表明，改進(jìn)的解耦控制方案解決了熱電負(fù)荷的強(qiáng)耦合問(wèn)題，提高了系統(tǒng)的魯棒性和自適應(yīng)能力，具有較強(qiáng)的實(shí)用價(jià)值.

汽輪機(jī)； 熱電負(fù)荷耦合； 數(shù)學(xué)模型； 前饋補(bǔ)償； 模糊神經(jīng)網(wǎng)絡(luò)

0 引言

雙抽式汽輪機(jī)廣泛應(yīng)用于中小型熱電站，以及各工業(yè)部門(mén)的企業(yè)自備電站、區(qū)域性熱電聯(lián)產(chǎn)、燃?xì)?蒸汽汽輪機(jī)聯(lián)合循環(huán)電站、城市垃圾電站等領(lǐng)域，是目前工業(yè)熱電聯(lián)產(chǎn)的主要形式.其能源利用合理，循環(huán)熱效率高，受到廣泛的應(yīng)用和重視，具有十分良好的應(yīng)用前景.雙抽式汽輪機(jī)結(jié)構(gòu)復(fù)雜，影響因素眾多，熱負(fù)荷和電負(fù)荷之間存在強(qiáng)耦合特性，因此，尋找合適的解耦控制方法是現(xiàn)階段的研究重點(diǎn)[1].

目前，工業(yè)上很多地方仍采用PID單回路控制方式對(duì)雙抽汽輪機(jī)進(jìn)行控制，由于熱、電負(fù)荷的強(qiáng)耦合問(wèn)題造成了熱、電負(fù)荷的頻繁波動(dòng)，從而影響整個(gè)系統(tǒng)的控制性能.針對(duì)此問(wèn)題，已有一些學(xué)者對(duì)雙抽汽輪機(jī)熱電負(fù)荷耦合問(wèn)題進(jìn)行了研究[2-5].文獻(xiàn)[2]采用對(duì)高中低壓調(diào)節(jié)閥開(kāi)度的匹配和對(duì)解耦系數(shù)的調(diào)整來(lái)實(shí)現(xiàn)熱電負(fù)荷解耦，但該方法只實(shí)現(xiàn)了熱電負(fù)荷的靜態(tài)解耦，并且解耦效果依賴于解耦系數(shù)的匹配.文獻(xiàn)[3]采用對(duì)角線矩陣綜合法實(shí)現(xiàn)熱電負(fù)荷解耦控制，但該方法嚴(yán)重依賴數(shù)學(xué)模型.文獻(xiàn)[4]利用電液控制電信號(hào)處理方便的優(yōu)點(diǎn)，采用DDV電液伺服閥控制技術(shù)實(shí)現(xiàn)汽輪機(jī)電負(fù)荷與熱負(fù)荷之間的解耦控制，但也以精準(zhǔn)的模型作為前提.文獻(xiàn)[5]采用神經(jīng)網(wǎng)絡(luò)的任意曲線逼近能力實(shí)現(xiàn)了良好的雙抽汽輪機(jī)解耦效果，然而網(wǎng)絡(luò)結(jié)構(gòu)難確定，計(jì)算量大.

上述文獻(xiàn)雖為雙抽汽輪機(jī)熱電負(fù)荷解耦協(xié)調(diào)控制研究做出了很大貢獻(xiàn)，但由于傳統(tǒng)解耦控制大多數(shù)是建立在精確完整的模型基礎(chǔ)上，而雙抽式汽輪機(jī)系統(tǒng)參數(shù)不好精確測(cè)量，很難對(duì)實(shí)際生產(chǎn)過(guò)程建立精準(zhǔn)的數(shù)學(xué)模型，因此無(wú)法實(shí)現(xiàn)對(duì)雙抽汽輪機(jī)熱電負(fù)荷的全部解耦.

為了解決上述問(wèn)題，本文提出了一種將簡(jiǎn)單的前饋補(bǔ)償解耦和模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合的改進(jìn)多變量解耦控制方法.模糊控制和神經(jīng)網(wǎng)絡(luò)控制均不依賴控制對(duì)象精確的數(shù)學(xué)模型，是處理控制系統(tǒng)中不確定性、非線性和強(qiáng)耦合性的一種有效方法.串聯(lián)前饋補(bǔ)償解耦是一種簡(jiǎn)單、方便和實(shí)用的解耦方法.因此將模糊神經(jīng)網(wǎng)絡(luò)作為控制器，結(jié)合串聯(lián)前饋補(bǔ)償實(shí)現(xiàn)整個(gè)系統(tǒng)的解耦控制，可以在實(shí)現(xiàn)全部解耦的基礎(chǔ)之上，發(fā)揮模糊控制的快速調(diào)節(jié)性能和強(qiáng)魯棒性以及神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力、泛化能力和非線性映射能力的優(yōu)點(diǎn).以某造紙廠熱電廠#1機(jī)組為例，汽輪機(jī)是青島捷能汽輪機(jī)集團(tuán)股份有限公司生產(chǎn)的CC12-4.90/11.27/0.686雙抽凝汽式汽輪機(jī)組，通過(guò)數(shù)字仿真對(duì)解耦控制性能進(jìn)行了比較研究.

1 雙抽汽輪機(jī)工作原理及熱電負(fù)荷解耦協(xié)調(diào)控制模型

1.1 雙抽汽輪機(jī)工作原理

圖1是12 MW雙抽式汽輪機(jī)結(jié)構(gòu)示意圖.該汽輪機(jī)組采用噴嘴調(diào)節(jié)方式，從鍋爐來(lái)的主蒸汽經(jīng)自動(dòng)主汽門(mén)和高壓調(diào)節(jié)閥進(jìn)入高壓缸，在其中膨脹做功，然后分成兩部分，一部分供給高壓抽汽，另一部分通過(guò)中壓調(diào)節(jié)閥進(jìn)入中壓缸；中壓缸的排汽也分成兩部分，一部分供給低壓抽汽，另一部分通過(guò)低壓旋轉(zhuǎn)隔板進(jìn)入低壓缸，低壓缸的排汽到冷凝器[6].工程上通常采用單回路控制方式來(lái)分別控制熱、電負(fù)荷，即通過(guò)改變閥門(mén)1的開(kāi)度來(lái)控制電負(fù)荷，通過(guò)改變閥門(mén)2和閥門(mén)3的開(kāi)度來(lái)分別控制高壓熱負(fù)荷和低壓熱負(fù)荷.從圖1可見(jiàn)，改變其中任何一個(gè)閥門(mén)的開(kāi)度除了能引起本回路的負(fù)荷變化以外，還會(huì)引起其它兩個(gè)回路負(fù)荷的變化.因此，三個(gè)變量之間存在嚴(yán)重的耦合.

目前，國(guó)內(nèi)外許多研究學(xué)者對(duì)耦合問(wèn)題進(jìn)行了廣泛深入的研究[7-10]，但大部分是針對(duì)雙入雙出耦合系統(tǒng)來(lái)進(jìn)行研究的，對(duì)3入3出的耦合系統(tǒng)研究較少.對(duì)雙抽汽輪機(jī)耦合控制仍存在亟待解決的問(wèn)題：首先，在已有文獻(xiàn)研究中，針對(duì)雙抽汽輪機(jī)熱電負(fù)荷解耦協(xié)調(diào)控制的研究較少，對(duì)雙抽汽輪機(jī)數(shù)學(xué)模型的討論也較少，未得出相對(duì)精確的數(shù)學(xué)模型.其次，雙抽汽輪機(jī)熱電負(fù)荷解耦協(xié)調(diào)控制為3入3出控制系統(tǒng)，耦合關(guān)系復(fù)雜.

圖1 12 MW雙抽式汽輪機(jī)結(jié)構(gòu)示意圖

1.2 熱電負(fù)荷解耦協(xié)調(diào)控制模型

針對(duì)上述問(wèn)題，本文提出的雙抽汽輪機(jī)電、熱負(fù)荷解耦協(xié)調(diào)控制策略概圖如圖2所示.圖2中分別用汽輪機(jī)的轉(zhuǎn)子轉(zhuǎn)速、高壓熱網(wǎng)的壓力和低壓熱網(wǎng)的壓力來(lái)表示電負(fù)荷、高壓熱負(fù)荷和低壓熱負(fù)荷.控制原理是首先采用簡(jiǎn)單的前饋補(bǔ)償方法實(shí)現(xiàn)系統(tǒng)的動(dòng)靜態(tài)解耦，然后將模糊控制和神經(jīng)網(wǎng)絡(luò)控制相結(jié)合作為補(bǔ)償控制器來(lái)彌補(bǔ)模型精度的不足，從而實(shí)現(xiàn)全部解耦控制.

圖2 雙抽汽輪機(jī)熱電負(fù)荷解耦 協(xié)調(diào)控制策略概圖

2 控制系統(tǒng)對(duì)象模型的建立

為了在后續(xù)的前饋補(bǔ)償解耦模塊和控制器設(shè)計(jì)工作中，能夠方便的使用已經(jīng)建立好的較精確的模型，在建立雙抽汽輪機(jī)熱電負(fù)荷耦合控制模型時(shí)，根據(jù)系統(tǒng)工藝結(jié)構(gòu)示意圖將系統(tǒng)分解為三個(gè)子系統(tǒng)模塊,即轉(zhuǎn)子模塊、蒸汽容積模塊和抽汽容積模塊.

2.1 轉(zhuǎn)子模塊

根據(jù)能量平衡原理[11]，得相應(yīng)轉(zhuǎn)子功率平衡方程為：

(1)

NT=N1+N2+N3

(2)

式(1)～(2)中：N1、N2、N3-高、中、低壓缸功率；Ne-電功率；Nf-額外功耗(包括摩擦、鼓風(fēng)損及主油泵功耗等)，是一個(gè)與ω有關(guān)的非線性量.

功率方程為：

N1=ΔHHD1ηH

(3)

N2=ΔHID2ηI

(4)

N3=ΔHLD3ηL

(5)

式(3)～(5)中：ΔHH、ΔHI、ΔHL-高、中、低壓缸的焓降；D1、D2、D3-高、中、低壓缸流量；ηH、ηI、ηL-高、中、低壓缸效率.

將非線性函數(shù)Nf在工作點(diǎn)附近(ω0,NT0,Nf0,Ne0)用Taylor級(jí)數(shù)展開(kāi)，忽略高階導(dǎo)數(shù)項(xiàng)，則得式(1)的增量線性化方程：

(6)

(7)

式(7)中:Ta為轉(zhuǎn)子時(shí)間常數(shù).

2.2 蒸汽容積模塊

雙抽式汽輪機(jī)的蒸汽容積包括：高壓容積、中壓容積、低壓容積.首先建立高壓蒸汽容積方程.

根據(jù)氣體流動(dòng)的連續(xù)性，流入容器與流出容器的蒸汽流量之差應(yīng)該等于該容器內(nèi)氣體密度ρ的變化率與其體積V的乘積[12]，即動(dòng)態(tài)方程為：

(8)

式(8)中:Qh1(p0,sz1,p1)-高壓容積進(jìn)汽流量,是主蒸汽進(jìn)氣管道壓力P0、高壓缸蒸汽壓力P1和高壓進(jìn)氣閥閥門(mén)開(kāi)度Sz1的非線性函數(shù)；Qh2(p1)-高壓容積出汽流量, 是高壓缸蒸汽壓力P1的非線性函數(shù).

將非線性函數(shù)Qh1，Qh2在工作點(diǎn)附近用Taylor級(jí)數(shù)展開(kāi)，然后忽略高階導(dǎo)數(shù)項(xiàng)得：

(9)

(10)

(11)

式(11)中：V1-高壓容積體積，ρ1-高壓蒸汽容積密度.

(12)

式(12)中：n-絕熱指數(shù).

(13)

如果將系統(tǒng)的工作點(diǎn)作為起始點(diǎn)，則(13)式可寫(xiě)為：

(14)

同理得中壓蒸汽容積運(yùn)動(dòng)方程為：

(15)

低壓蒸汽容積運(yùn)動(dòng)方程為

(16)

2.3 抽汽容積模塊

抽汽容積模塊包括高壓抽汽容積和低壓抽汽容積兩部分，首先建立高壓抽汽容積模型.

根據(jù)流量平衡關(guān)系，得動(dòng)態(tài)方程為：

(17)

式(17)中：QI1(p1,sz2,p2)-中壓容積進(jìn)汽流量，是關(guān)于中壓缸進(jìn)氣管道壓力P1、中壓缸壓力P2和中壓進(jìn)氣閥閥門(mén)開(kāi)度Sz2的非線性函數(shù)；Qc1(pc1,t)-高壓抽汽蒸汽流量，是關(guān)于抽汽壓力Pc1和時(shí)間t的非線性函數(shù).

同1.2得高壓抽汽增量線性方程為：

k13Δsz2-k14Δp2-k15Δpc1-k16Δt

(18)

式(18)中：Vc1-高壓抽汽容積體積，ρc1-高壓抽汽容積密度.

假定容積中的過(guò)程為指數(shù)為n的多變過(guò)程[13]，則式(18)變?yōu)椋?/p>

k14Δp2+k15Δpc1+k16Δt

(19)

如果將系統(tǒng)的工作點(diǎn)作為起始點(diǎn)，則(19)式可寫(xiě)為：

k15pc1+k16Δt

(20)

k20pc2+k21Δt

(21)

根據(jù)轉(zhuǎn)子運(yùn)動(dòng)方程(7)、蒸汽容積方程(14)、(15)、(16)以及抽汽蒸汽容積方程(20)、(21)，得出雙抽式汽輪機(jī)熱電負(fù)荷耦合控制結(jié)構(gòu)框圖如圖3所示.

圖3 雙抽式汽輪機(jī)熱電負(fù)荷耦合 控制結(jié)構(gòu)框圖

3 改進(jìn)的多變量模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

3.1 前饋補(bǔ)償解耦控制

前饋補(bǔ)償解耦控制器結(jié)構(gòu)如圖3中間的虛線框所示，其基本思想是將另外兩個(gè)變量對(duì)單個(gè)變量產(chǎn)生的影響視為擾動(dòng)，并按前饋補(bǔ)償?shù)姆椒ㄏ龜_動(dòng)影響[14].根據(jù)前饋控制的擾動(dòng)補(bǔ)償原理(不變性原理)，得解耦環(huán)節(jié)的數(shù)學(xué)模型為：

GgaoG21+P21GdiG22=0

(22)

假設(shè)高中壓油動(dòng)機(jī)相同，整理得：

G21+P21G22=0

(23)

針對(duì)CC12雙抽式汽輪機(jī)，根據(jù)前面理論及參考相關(guān)文獻(xiàn)得：

3.2 模糊神經(jīng)網(wǎng)絡(luò)控制器

模糊控制因其不依賴于數(shù)學(xué)模型，具有較強(qiáng)的魯棒性而被廣泛運(yùn)用，其控制性能的好壞很大程度上依賴于模糊規(guī)則，而模糊規(guī)則是依據(jù)專家經(jīng)驗(yàn)編寫(xiě)的，如果環(huán)境條件或者工況發(fā)生變化，或經(jīng)驗(yàn)有誤將很難獲得良好的控制性能.本文將神經(jīng)網(wǎng)絡(luò)與模糊控制相結(jié)合，運(yùn)用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大推理能力給出模糊規(guī)則，此時(shí)模糊規(guī)則的給出只依賴于系統(tǒng)運(yùn)行的實(shí)際輸入輸出數(shù)據(jù)，避免了因模糊規(guī)則編寫(xiě)不當(dāng)或環(huán)境因素發(fā)生變化使得控制效果變差的現(xiàn)象.其控制框圖如圖4所示[15].

圖4 模糊神經(jīng)網(wǎng)絡(luò)控制器系統(tǒng)結(jié)構(gòu)框圖

3.2.1 模糊控制器的設(shè)計(jì)

本文采用Mamdani二維模糊控制器，控制器輸入量分別為偏差信號(hào)E和偏差變化率Ec，輸出則用u表示.本文將E、Ec和u的模糊論域統(tǒng)一設(shè)定為[-6，6]，模糊集合的語(yǔ)言值定為7個(gè)，即負(fù)大、負(fù)中、負(fù)小、零、正小、正中和正大.由于三角形形狀的隸屬度函數(shù)曲線形狀較尖，模糊子集分辨率高，控制靈敏度高，所以當(dāng)誤差較小時(shí)選用三角形隸屬度函數(shù)(trimf)，S型函數(shù)和Z型函數(shù)曲線形狀較緩，控制穩(wěn)定性較好，所以在偏差較大的區(qū)域選擇S型函數(shù)和Z型函數(shù)，模糊變量的隸屬度函數(shù)如圖5所示.

圖5 隸屬度函數(shù)圖

3.2.2 神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)

由于單隱層BP神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練時(shí)間短、能以任意精度逼近任意有理函數(shù)的特點(diǎn)，所以采用單隱層BP神經(jīng)網(wǎng)絡(luò)和模糊控制相結(jié)合，控制結(jié)構(gòu)如圖6所示.

圖6 模糊神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)

(1)輸入層

輸入層神經(jīng)元14個(gè)，分別為偏差E和偏差變化率Ec的模糊語(yǔ)言變量，記為xab(a=1,2；b=1，2，3，4，5，6，7)，定義樣本數(shù)據(jù)個(gè)數(shù)k=1,2,…,m，輸入為：

xn(k)=xab(k)

(24)

(n=1,2,…,14；用n代表a，b組合)

(2)隱含層

根據(jù)經(jīng)驗(yàn)公式p=2n+1(p為隱含層節(jié)點(diǎn)數(shù)，n為輸入節(jié)點(diǎn)數(shù))及特性因素考慮，選取隱含層神經(jīng)元為30個(gè)，輸入和輸出計(jì)算式分別為：

(25)

hoh(k)=f(hih(k))h=1,2,…,30

(26)

(3)輸出層

設(shè)輸出層神經(jīng)元7個(gè)，為控制變量u的7個(gè)模糊語(yǔ)言變量，輸入和輸出計(jì)算式分別為：

(27)

yoo(k)=f(yio(k))o=1,2,…,7

(28)

(4)權(quán)值修正

本文采用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，定義誤差函數(shù)為：

(29)

其中d0(k)表示期望的輸出模式，yoo(k)為模糊神經(jīng)網(wǎng)絡(luò)實(shí)際輸出.偏差e對(duì)ωho求偏導(dǎo)得：

(30)

-(do(k)-yoo(k))f′(yio(k))-δo(k)

(31)

(32)

(33)

得隱含層到輸出層的權(quán)值調(diào)整公式為：

ωhoN+1=ωhoN+μδo(k)hoh(k)

(34)

偏差e對(duì)ωih求偏導(dǎo)得：

(35)

(36)

(37)

δh(k)xi(k)

(38)

得隱含層到輸出層的權(quán)值調(diào)整公式為：

ωihN+1=ωihN+μδh(k)xi(k)

(39)

(5)網(wǎng)絡(luò)訓(xùn)練

對(duì)模糊神經(jīng)網(wǎng)絡(luò)輸入表1所示模糊控制規(guī)則樣本作為教師信號(hào)，通過(guò)網(wǎng)絡(luò)訓(xùn)練，調(diào)整ωih,ωho，使輸入輸出達(dá)到期望的映射關(guān)系.

表1 模糊控制規(guī)則表

對(duì)于雙抽式汽輪機(jī)，將其每個(gè)控制規(guī)則看成一個(gè)輸入輸出對(duì)，即一個(gè)樣本數(shù)據(jù)，輸入為偏差E和偏差變化率Ec，經(jīng)過(guò)模糊化之后得模糊矢量A和B組成的矢量，輸出為控制器的輸出u，它們對(duì)應(yīng)的模糊矢量如表2所示.可以看出共有49個(gè)這樣的輸入輸出對(duì)，即49個(gè)樣本數(shù)據(jù)，然后送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練.例如：當(dāng)E對(duì)應(yīng)NB，Ec對(duì)應(yīng)Zero時(shí)，輸出u應(yīng)該為PB，則這個(gè)樣本可表示為：

x=[1,0.5,0,0,0,0,0,0,0,0.5,1,0.5,0,0]T

y=[0,0,0,0,0,0.5,1]T

表2 E、Ec和u對(duì)應(yīng)的模糊矢量表

3.2.3 清晰化

本文采用加權(quán)平均法對(duì)該網(wǎng)絡(luò)輸出進(jìn)行解模糊化，相應(yīng)的公式為：

(40)

式(40)中:μx表示隸屬度;uj表示控制矢量u中第j個(gè)分量.

4 雙抽式汽輪機(jī)前饋補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)解耦仿真結(jié)果

4.1 前饋補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)解耦

為了驗(yàn)證前饋補(bǔ)償?shù)亩嘧兞磕：窠?jīng)網(wǎng)絡(luò)控制器的控制效果，本文借助MATLAB R2013a的Simulink工具箱，對(duì)雙抽式汽輪機(jī)熱電負(fù)荷協(xié)調(diào)控制系統(tǒng)進(jìn)行仿真研究.控制器仿真模型如圖7所示，圖中模糊神經(jīng)控制器的仿真模型如圖8所示.

圖7 多變量模糊神經(jīng)網(wǎng)絡(luò)控制器仿真模型

參考相關(guān)文獻(xiàn)[16]，圖7中各參數(shù)取值分別為：油動(dòng)機(jī)時(shí)間常數(shù) ，蒸汽容積和各個(gè)變量之間的耦合關(guān)系的時(shí)間常數(shù)為：0.1～0.3 s.圖8中fuzzification塊是用于對(duì)偏差E和偏差變化率Ec進(jìn)行模糊化，得到的模糊集合作為神經(jīng)網(wǎng)絡(luò)的輸入.Neural Network塊是由gensim函數(shù)生成的已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，其輸入為14維的向量，輸出為7維的向量.distinct塊是利用加權(quán)平均法將神經(jīng)網(wǎng)絡(luò)輸出的模糊集合解模糊化后得到一個(gè)輸出作為被控對(duì)象的輸入.

仿真時(shí)首先對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練到第413步時(shí)精度達(dá)到設(shè)定值，如圖9所示.為了更好地模擬現(xiàn)場(chǎng)擾動(dòng)的情況，仿真時(shí)輸入設(shè)定值為：電負(fù)荷信號(hào)為0時(shí)刻、幅值為1的階躍信號(hào)，高壓熱負(fù)荷信號(hào)為30 s時(shí)刻、幅值為1.5的階躍信號(hào)，低壓熱負(fù)荷信號(hào)為60 s時(shí)刻、幅值為2的階躍信號(hào)，將仿真時(shí)間設(shè)定為150 s，運(yùn)行仿真結(jié)果如圖10～12所示.

圖9 網(wǎng)絡(luò)訓(xùn)練誤差曲線圖

圖10 未解耦仿真結(jié)果曲線圖

圖11 PID解耦仿真結(jié)果曲線圖

圖12 多變量模糊神經(jīng)網(wǎng)絡(luò)控制 仿真結(jié)果曲線

由圖10可以看出，系統(tǒng)未解耦時(shí)，穩(wěn)態(tài)值偏差極大，熱負(fù)荷信號(hào)出現(xiàn)(中低壓缸進(jìn)氣閥開(kāi)度增大)時(shí)，對(duì)電負(fù)荷干擾極大.圖11～12當(dāng)高壓熱負(fù)荷和低壓熱負(fù)荷分別在30 s和60 s處階躍擾動(dòng)時(shí)，采用前饋補(bǔ)償?shù)亩嘧兞磕：窠?jīng)網(wǎng)絡(luò)控制器，電負(fù)荷變化幾乎為零，僅有不到5%的小波動(dòng)，而且很快就趨于穩(wěn)定值，即消除了高壓熱負(fù)荷和低壓熱負(fù)荷對(duì)電負(fù)荷的影響，同理，也消除了電負(fù)荷對(duì)熱負(fù)荷的影響.不但實(shí)現(xiàn)了熱電負(fù)荷之間解耦控制，其響應(yīng)速度也變快，超調(diào)量明顯減小，控制效果更好.由圖12與圖11對(duì)比，可以看出前饋補(bǔ)償?shù)亩嘧兞磕：窠?jīng)網(wǎng)絡(luò)控制在響應(yīng)速度、超調(diào)量、穩(wěn)態(tài)值方面均優(yōu)于傳統(tǒng)的PID控制.

4.2 魯棒性仿真分析

當(dāng)油動(dòng)機(jī)時(shí)間常數(shù)Ta改變25%時(shí)，仿真曲線如圖13所示.當(dāng)被控對(duì)象中任意一個(gè)蒸汽時(shí)間常數(shù)Ts發(fā)生變化25%時(shí)，仿真曲線如圖14所示.

圖13 改變25%時(shí)控制仿真曲線圖

圖14 改變25%時(shí)控制仿真曲線圖

從圖13～14可以看出，當(dāng)控制對(duì)象模型和參數(shù)發(fā)生變化時(shí)，系統(tǒng)仍然具有良好的魯棒性，在控制系統(tǒng)的響應(yīng)速度、超調(diào)量、穩(wěn)態(tài)精度等方面均有良好的控制品質(zhì).從而看出前饋補(bǔ)償?shù)亩嘧兞磕：窠?jīng)網(wǎng)絡(luò)解耦控制較傳統(tǒng)解耦控制的魯棒性更優(yōu)，具有良好的整體控制性能.

5 結(jié)論

針對(duì)雙抽式汽輪機(jī)熱電負(fù)荷協(xié)調(diào)控制這樣一個(gè)多變量強(qiáng)耦合的復(fù)雜被控對(duì)象，應(yīng)用常規(guī)解耦控制方法基本上不可能實(shí)現(xiàn)完全解耦控制.本文在建立雙抽式汽輪機(jī)數(shù)學(xué)模型的基礎(chǔ)上，首先利用串聯(lián)前饋補(bǔ)償解耦，從原理上實(shí)現(xiàn)了系統(tǒng)的動(dòng)靜態(tài)解耦，再根據(jù)對(duì)象參數(shù)很難精確測(cè)量的問(wèn)題，將模糊神經(jīng)網(wǎng)絡(luò)控制運(yùn)用到雙抽式汽輪機(jī)的熱電負(fù)荷解耦控制中，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的推理能力，根據(jù)實(shí)際工況和現(xiàn)場(chǎng)數(shù)據(jù)實(shí)時(shí)地調(diào)整模糊規(guī)則，以提高系統(tǒng)的自適應(yīng)能力.MATLAB仿真結(jié)果表明，本文提出的改進(jìn)的熱、電負(fù)荷協(xié)調(diào)控制方案即實(shí)現(xiàn)了系統(tǒng)的動(dòng)靜態(tài)解耦，又提高了系統(tǒng)的魯棒性和自適應(yīng)能力，為雙抽式汽輪機(jī)的熱電負(fù)荷協(xié)調(diào)控制提供了一種有效的方法.

[1] 黎子鋒.淺談抽汽式汽輪機(jī)電液調(diào)節(jié)系統(tǒng)的解耦關(guān)系與應(yīng)用[J].廣西電力,2006,29(4):39-41.

[2] 唐 麗.抽汽式汽輪機(jī)熱電牽連解耦控制的研究與應(yīng)用[J].電站系統(tǒng)工程,2009,35(1):641-63.

[3] 王 迅.50MW雙抽機(jī)組解耦策略及調(diào)試方案[J].中國(guó)高新技術(shù)企業(yè),2010(22):39-41.

[4] 紀(jì)云鋒.抽汽汽輪機(jī)組DEH系統(tǒng)的解耦控制[J].液壓與氣動(dòng),2007(5):49-50.

[5] 吳優(yōu)福,裘潯雋.用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)雙抽汽輪機(jī)的負(fù)荷解耦控制及仿真[J].能源研究與利用,2003(1):29-32，40.

[6] 劉 欣,于 彤,袁景淇，等.300MW汽輪機(jī)主汽調(diào)門(mén)組模型的建立與應(yīng)用[J].控制工程,2012,19(6):1 183-1 186.

[7] 張 玲,張文苑,鄭恩讓.一種模糊解耦控制系統(tǒng)的設(shè)計(jì)與仿真研究[J].計(jì)算機(jī)仿真,2010,27(8):118-121.

[8] 楊林璐,蔣小平,彭朝陽(yáng).基于雙變量系統(tǒng)的解耦方法的研究[J].科技視界,2015(36):16，13.

[9] 李伯群,富劍華,李濟(jì)翰,等.活套多變量系統(tǒng)建模與智能解耦控制研究[J].控制工程,2015,22(1):102-107.

[10] 張 會(huì),付東翔,王亞剛.變風(fēng)量空調(diào)系統(tǒng)恒溫解耦控制優(yōu)化[J].計(jì)算機(jī)仿真,2014,31(10):255-258，432.

[11] 張 曦,黃衛(wèi)劍,朱亞清.汽輪發(fā)電機(jī)組流量特性試驗(yàn)分析與研究[J].控制工程,2013,20(3):461-465.

[12] Venanzi S.New technique for clearance influence analysis in spatial mechaism [J].ASME Journal of Mechanical Design，2005，127(3):446-455.

[13] 李 寧,李崇祥,戴義平,等.一次調(diào)節(jié)抽汽透平數(shù)字電液控制系統(tǒng)的設(shè)計(jì)及特性研究[J].汽輪機(jī)技術(shù),1997,39(4):23-28.

[14] 陳子珍,閻威武.多變量解耦控制系統(tǒng)設(shè)計(jì)與仿真[J].控制工程,2014,21(5):93-95，99.

[15] 徐文力,李明輝,張洪興.基于模糊神經(jīng)網(wǎng)絡(luò)的造紙配漿控制及仿真[J].紙和造紙,2015,34(10):11-14.

[16] 鐘艷春.3 000 KW工業(yè)汽輪機(jī)數(shù)字式電液控制系統(tǒng)研究[D].哈爾濱：哈爾濱理工大學(xué),2007.

【責(zé)任編輯：蔣亞儒】

Research on the thermo-electric load decoupling and coordination control of double exhaust steam turbine

LI Yan1，2, ZHANG Xiao-jie1, LI ke-ke1

(1.College of Electrical and Information Engineering, Shaanxi University of Science & Technology, Xi′an 710021, China； 2.Shaanxi Resarch Institute of Agricultural Products Processing Technology, Xi′an 710021, China)

In the research of control of double extraction steam turbine thermal-electric load coordinated,serious coupling relationship exists among the output of power load,pumping the high pressure heat load and low heat load,change of any load will have different degrees of impact on other loads,due to the frequent fluctuation of heat and electricity load,thus affecting the control performance of the whole system.In order to solve the above problems,this paper proposed a multi variable decoupling control scheme which combines the feed-forward decoupling and simple fuzzy neural network.The system dynamic and static decoupling is achieved through feed-forward compensation.The fuzzy control rules is adjusted in real time by neural network.Consequently,the control effect and adaptive ability of the system are improved.Matlab simulation results show that the improved control method solvest he strong coupling problem of the power load,improves the robustness and adaptability of the system and has great practical value.

turbine; thermoelectric coupling load; mathematical model; feed-forward compensation; fuzzy neural network

2016-09-08

陜西省科技廳科學(xué)技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(2013K07-28)； 陜西省教育廳專項(xiàng)科研計(jì)劃項(xiàng)目(14JK1094)

李 艷(1972-)，女，四川仁壽人，副教授，碩士生導(dǎo)師，研究方向:工業(yè)自動(dòng)化、智能檢測(cè)與智能控制

1000-5811(2017)01-0158-08

TP273+.4

A