摘 要:在社会主义市场经济不断发展和完善的背景下,电力能源已经变成了人民群众生产和生活中不可或缺的一项重要的能源,随着电力能源需求量的逐渐增长,火力发电作为我国电力产业链条中一个重要能源支柱,也需要通过不断的发展与创新来满足社会生产生活对电力能源的需求。本文从PID控制系统结构设置方面入手,分析径向基函数(RBF)神经网络的结构和算法,探讨径向基函数(RBF)神经网络的PID控制原理,并进一步通过仿真实验检验其控制性能和效果。
关键词:蒸汽温度控制;RBF神经网络;PID控制
1 前言
当前,我国大部分电厂的过热蒸汽温度控制系统均通过串级PID控制来实现。传统的串级PID控制由于其本身的系统结构较为简单,因此容易完成系统控制。然而,过热蒸汽温度系统自身存在非线性与不确定性的性能特点,若在发电机组的容量大幅增加,被控制对象逐渐变得复杂时,则传统的过热蒸汽温度系统中的PID串级控制将难以适应过热蒸汽温度系统控制的需求[1]。同时,由于PID控制参数值具有不确定性和不稳定性,使得系统控制效率很低,甚至会威胁系统的正常运行。在这种情况下,人工神经网络被运用与过热蒸汽温度系统中,其能够很好的处理非线性的复杂系统,可以使用任一精度数值逼近任何一个连续的、非线性的函数,并且能在复杂系统中完成自学习和自适应。
径向基函数(RBF)神经网络整定PID控制,不仅可以有效的模仿人类大脑中的局部调整结构与相互涵盖接收领域的神经网络系统,还可以完成任一精度数值无限逼近连续的非线性函数。本文从电厂过热蒸汽温度的控制现状入手,在此基础上提出RBF神经网络整定PID控制,并通过仿真实验进一步验证其性能效果。
2 PID控制系统结构设置
过热蒸汽温度本身的惯性大,且存在时变与延迟。过热蒸汽温度的动态性会因所载负荷的改变而发生变化,在此情况下,常规的PID控制无法达到令人满意的可控制成效。通过BP(Back Propagation)神经网络构建起来的非线性控制模型能够取得良好的控制效果,然而,因传统的多层机构的神经网络信息计算容量大,且收敛反应较慢,常常易陷入系统局部最小点之中,进而给控制系统造成不利影响[2]。针对这种情况,本文研究了一种过热蒸汽温度控制中RBF神经网络整定PID控制方法,RBF神经网络可以完成对被控制目标的在线自动识别,同时可以对常规PID控制系统数值完成实时调控,让控制系统实现自适应,进而实现科学、有效操控的目标。
它由于用途广泛、使用灵活,已有系列化产品,使用中只需设定三个参数(Kp, Ti和Td)即可。在很多情况下,并不一定需要全部三个单元,可以取其中的一到两个单元,但比例控制单元是必不可少的。
PID的应用范围广, 虽然很多工业过程是非线性或时变的,但通过对其简化可以变成基本线性和动态特性不随时间变化的系统,这样PID就可以控制了。PID参数较易整定, 即PID参数Kp,Ti和Td可以根据过程的动态特性及时整定,例如可能由负载的变化引起系统动态特性变化,PID参数就可以重新整定。PID控制器在实践中也不断的得到改进。
3 径向基函数(RBF)神经网络的结构和算法
RBF神经网络主要由单隐层的三层前馈网络结构组成,其中,从外界输入至隐层的映射为非线性形态的,而从隐层至输出的映射为线性形态的,在这种情况下,神经网络的学习速率得到显著提升,有效防止了局部极小问题的出现。RBF神经网络不会出现系统局部最小值情况,整体性能优良,且方法快捷可行[3]。本文研究RBF神经网络能在蒸汽温度系统实现在线自动识别功能,将RBF神经网络的数学模型用公式表示为:
y(k)=N[X(k),w]
在上述的公式中,y(k)表示RBF神经网络的输出数值,X(k)表示的是RBF神经网络的输入数值,N[*]表示RBF神经网络的连续非线性函数,w表示RBF神经网络的第二层与第三层的连接权值。通过公式得知,运用RBF神经网络对非线性系统完成自动识别的首要任务是明确隐层中的节点数,RBF的中心,第二层与第三层的连接权值和宽度的确定,使得RBF神经网络的输出数值能够不断逼近原有的系统控制输出数值。
RBF神经网络运用在非线性系统控制的模型自动识别过程如下:
(1)确定适合的学习样本,样本选取的优劣关系到RBF神经网络的模型进行自动识别的效果。良好的样本可以间接反映整个非线性系统的性能,反之则无法准确反映非线性系统的性能。
(2)处理整合样本数据,处理样本数据的目的不仅是为了让数据可以在计算时存在相同权重的能使用归一化处理,还是为了滤波处理其他数据。
(3)明确RBF神经网络算法模型的阶次及时延状况。
(4)确定适合的学习算法,学习算法的选取是确保RBF神经网络完成训练的重中之重。
(5)RBF神经网络算法模型自动识别和检测其泛化性能,将确定的样本数据分为两个方面,一个方面是对RBF神经网络进行学习,记录各参数的具体数值;另一个方面是检测已经明确的RBF神经网络算法模型的泛化性能[4]。
4 径向基函数(RBF)神经网络的PID控制原理
参照被控制系统的性能,运用RBF神经网络对PID控制参数值实行动态调整,进而达到PID控制参数值在特定指标数值下的性能优化,让PID控制器与传统控制器相比具有更为良好的性能。通过运用增量式的PID控制,将其误差表示为error(k),PID控制公式为:
上述公式中,xc(1)、xc(2)和xc(3)分别代表PID控制器的三项输入值;kp、ki和kd分别代表PID控制器的三项参数值。
5 径向基函数(RBF)神经网络的PID控制仿真实验
基于RBF神经网络自动识别的增量式PID控制系统保持了串级系统的基本结构特征,仅使用RBF神经网络自动识别的PID控制作为主调节器。根据资料得知,被控制对象的过热蒸汽温度的数学公式为:
本研究将仿真实验时间设定为t=5s,给定输入值为1,进一步计算得出仿真曲线。由数据分析可知,在对RBF神经网络进行控制之后,PID控制器的三项参数值kp、ki和kd迅速趋向稳定数值,并取得良好的整定结果。由此可见,RBF神经系统在经过PID控制参数值的在线自动识别调整后,能够最大程度的适应系统控制的真实输出数值和真实输入数值两者间的静态指标的需求,同时,系统控制能够达到良好的动态性能要求。通过RBF网络进行控制后,网络系统的响应速率迅速增高,能够在短时间内实现快速稳定数值的效果。
同时,根据另一资料得知,当被控制对象的过热蒸汽温度的数学公式为:
根据公式计算得出的数值效果更优,在此基础之上,RBF神经网络整定的PID控制能够适用的范围更加广泛,该仿真实验PID控制的精度和准确度极高,性能效果优良,且更容易完成控制。
6 结束语
综上所述,原有的PID控制算法在设计开始阶段到设计完成阶段,其系统参数常常恒定不变,因此无法完成RBF神经网络的自学习与自适应。本文将RBF神经网络与PID控制联合运用,能够增强PID控制器性可靠性与稳定性,让PID能够在非线性系统中得到进一步的运用,并且提升了系统参数值在实际应用中的性能状态。本文提出的过热蒸汽温度控制中RBF神经网络整定PID控制的应用,其超调量低,且其鲁棒性与适应性能良好,值得推广应用。
参考文献:
[1]韩博.模糊自适应PID控制器在火电厂主蒸汽温度控制中的应用研究[J].科技资讯,2012,05(03):163-164.
[2]马然,孔昭东,王文兰.德国西门子公司主蒸汽温度控制策略的分析与应用[J].热力发电,2011,14(02):152-153.
[3]解启荣,姚荣斌,李生权,李娟.基于动态神经网络的自整定PID控制策略[J].微计算机信息,2010,06(01):56-57.
[4]沈佳林,何建佳.一种具有ADC状态预测控制算法的热电厂主蒸汽温度控制[J].热力发电,2010,12(12):37-38.