摘 要： 鍋爐的主汽溫被控對象是一個大慣性、大遲延、非線性且對象變化的系統，常用的汽溫控制系統有串級PID控制和基于BP神經網絡的PID控制。串級PID控制一般能將主汽溫控制在允許的范圍內；基于BP神經網絡的PID控制將神經網絡所具有的自學習能力與PID控制器的魯棒性相結合，能實現對非線性、大時滯系統模型的控制。對這兩種策略在不同負荷下進行了實驗仿真，該結果對當前電廠的經濟性和安全性有一定參考價值。
關鍵詞: BP神經網絡；PID控制；主汽溫
鍋爐的主蒸汽溫度與火電廠的經濟性和安全性有重要的關系，是火電廠的一個極其重要的參數，其控制的好壞直接影響到電廠的整個經濟效益。主蒸汽溫度的控制任務是：(1)維持主蒸汽溫度在允許的范圍之內。對于亞臨界機組的主蒸汽溫度為540 ℃±10 ℃，長期運行應控制在540 ℃±5 ℃，對于超臨界及超臨界主蒸汽溫度控制在(540 ℃～610 ℃)±10 ℃，長期運行應控制在(540 ℃～610 ℃)±5 ℃；(2)保護過熱器，使其管壁不超過允許的工作溫度。氣溫過高，會燒毀過熱器的高溫段，氣溫每降5 ℃，熱經濟性下降1%，氣溫偏低會使蒸汽機尾部蒸汽濕度增大甚至帶水，嚴重影響汽機的安全運行。
影響主汽溫的擾動因素很多，主要有蒸汽量擾動、煙氣量擾動和減溫水量擾動。而對主汽溫的控制策略通常有兩種：
(1)在火電廠實際生產過程中,針對主汽溫控制是一個存在大時滯、時變性、大干擾、具有不確定性和非線性的復雜熱工對象，常規氣溫控制系統設計為串級PID控制，如圖1所示。
其中，r為主汽溫設定值，G1(s)、G2(s)分別為控制系統對象的導前區和惰性區的傳遞函數，M1、M2分別為副變送器和主變送器傳遞函數。
(2)利用神經網絡的非線性特性和不依賴于對象精確模型的優點，對主汽溫的控制方案加入BP神經網絡，搭建成基于BP神經網絡的PID控制系統，用以完成對鍋爐主汽溫的控制。該方案如圖2所示。
在傳統PID的基礎上增加了一個BP神經網絡，用神經網絡在線實時輸出PID的比例、積分和微分三個參數。
1 BP神經網絡的算法
上文中BP神經網絡采用三層結構：j表示輸入層節點，i表示隱含層節點，l表示輸出層節點。輸入層有m個輸入節點，隱含層有q個隱含節點，輸出層有3個輸出節點。輸入節點對應所選的系統運行狀態量，輸出節點分別對應PID控制器的三個參數kp、ki、kd，輸出層神經元激活函數取非負的Sigmoid函數。BP神經網絡的輸入層輸出為：
其中，串級控制的副控制器采用P控制，kp2=1；主控制器采用PI控制，kp1=0.05，ki=0.05?；贐P神經網絡的PID控制方案中，采用PID控制，BP神經網絡取三層神經網絡，有3個輸入，分別為輸入信號、輸出信號、輸入與輸出之差，閾值取為1；有3個輸出kp、ki和kd，隱含層取5個節點。學習步長η=0.6，慣性系數0.06。對于惰性區傳遞函數采用近似方法用e-10s來代替。
限于篇幅仿真結果只列出負荷為50%和100%時兩種控制策略的仿真曲線和100%負荷時BP神經PID控制下的3個參數變化曲線。圖3、圖4所示分別為負荷為50%、100%時階躍響應曲線。
圖中虛線代表串級控制下的階躍響應曲線，實線代表BP神經PID控制下的階躍響應曲線。
負荷為100%時BP神經PID控制下的3個參數變化曲線如圖5所示。仿真結果分析如表2所示。
從以上仿真結果分析，基于BP神經網絡的自整定PID控制能依據被控對象的變化自適應地調整PID的3個參數，依據一定的最優準則滿足不同負荷下的控制要求。在不同負荷下，也即從鍋爐的啟動到穩定運行的整個過程，都可以實現較好的控制，且調節時間短，超調量小。當負荷為100%變化時，基于BP神經網絡的PID控制與串級控制的調節時間相近，但是超調量卻明顯優于串級控制；當負荷比較低時，串級控制的效果極差，而基于BP神經網絡的PID控制仍然有比較好的控制效果。
參考文獻
[1] 劉金琨．先進PID控制及其MATLAB仿真[M]．北京：電子工業出版社，2004.
[2] 馬平，朱燕飛，牛征.基于神經網絡的主汽溫控制系統[J].華北電力大學學報，2001，28(2)：52-55.
[3] 薛陽，葉建華，錢虹，等.火電機組過熱汽溫神經網絡控制的研究[J].上海電力學院學報，2009，25（1）：33-38.
[4] 王華春.基于模糊神經網絡的主汽溫控制系統的研究[D].保定：華北電力大學，2003.
[5] COMINOS P，MUNRO N.PID controlles：recent tuning methods and design to specification[C].IEEE Proceeedings control theory and application 2002，149(1)：46-53