CN103197548A - 一种适于调峰热力站的质调量调解耦控制方法 - Google Patents

Abstract

一种适于调峰热力站的质调量调解耦控制方法，属于热力站控制技术领域。本发明为了解决现有的供热过程控制方法不适于控制调峰热力站这种非线性多变量耦合系统控制的问题。主要步骤：调峰热力站供热耦合系统建模；利用典型信号响应与最小二乘相结合的方法，建立供热质调和量调主通道模型G₁₁、G₁₂和G₂₃；对获得的主通道模型式(2)进行离散化，然后结合离散化的主通道模型，利用PID神经元网络学习得到供热质调和量调耦合通道的非线性关系G₁₃、G₂₁和G₂₂；利用PID神经元网络对调峰热力站的质调量调进行解耦控制。本项发明利用PID神经元网络解决非线性、强耦合、多变量问题的优势，对调峰热力站进行质调回路和量调回路的多变量解耦控制，本发明控制方法的应用对象为调峰热力站。

Description

一种适于调峰热力站的质调量调解耦控制方法

技术领域

本发明涉及一种调峰热力站的供热调节方法，涉及集中供热热网的调峰供热技术，属于热力站控制技术领域。

背景技术

随着我国城市化进程的迅速发展，城市迅速扩容，城市原有的热源和热网供热能力已经远远满足不了城市快速发展的需要。解决这一问题，一方面可以提高热网的供热能力，但热网供热能力的提高有一定的限度；另一方面在集中供热网末端热力站加入调峰炉，调峰炉热力站作为供热系统的一种手段，可以有效地解决供热高峰期负荷不足的问题，对于供热系统的稳定和良好运行起到了重要的作用。

传统热力站的供热过程就具有非线性、大惯性和大时滞等特点，并且质调回路和量调回路间存在耦合关系，是非常复杂的动力学系统。目前，国内热力站普遍采用质调方式进行供热。随着对节能和供热质量要求的日益提高，以及计量供热的实施，热源不仅要随天气温度进行供热，还需要跟踪用户热负荷需求进行调节，因此实施质-量共同调节成为必然趋势。

而调峰炉热力站供热过程更是复杂，其是一个多输入多输出的多变量控制系统，且变量间存在耦合关系。尤其是，调峰炉引入增加了系统的扰动；同时系统受到其他多种扰动的影响，如二级网循环泵调节引起的扰动。传统的控制方法(如PID控制方法)，已不能满足这种非线性、多变量、强耦合的调峰炉热力站的供热需要，因此，亟需一种调峰热力站质调量调解耦控制方法，满足工程应用需求。

发明内容

本发明为了解决现有的供热过程控制方法不适于控制调峰热力站这种非线性多变量耦合系统的控制，进而提供了一种适于调峰热力站的质调量调解耦控制方法。本发明方法用PID神经元网络，适应调峰热力站供热过程的非线性、强耦合和扰动影响等多变量控制问题，在实现质调回路和量调回路解耦的同时，分别进行质调回路和量调回路控制，解决调峰热力站三输入二输出这种不对称的多变量耦合控制问题。

本发明为解决上述技术问题采取的技术方案是：

一种适于调峰热力站的质调量调解耦控制方法，所述方法的实现过程为：

步骤一、调峰热力站供热耦合系统建模：

调峰热力站的质调回路和量调回路中，控制量包括一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵，被控量为二级网混水温度和二级网流量；调峰热力站供热耦合系统模型表示为：

$\left[\begin{array}{c}T\left(z\right)\\ Q\left(z\right)\end{array}\right]=\left[\begin{array}{ccc}{G}_{11}\left(z\right)& G_{12}\left(z\right)& G_{13}\left(z\right)\\ G_{21}\left(z\right)& G_{22}\left(z\right)& G_{23}\left(z\right)\end{array}\right]\left[\begin{array}{c}{V}_1\left(z\right)\\ V_2\left(z\right)\\ V_3\left(z\right)\end{array}\right]---\left(1\right)$

其中，V₁、V₂、V₃分别为一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵；T、Q分别为二级网混水温度和二级网流量；在质调回路中，G₁₁、G₁₂、G₁₃均为质调回路的模型，其中G₁₁为质调主通道1模型，G₁₂为质调主通道2模型，G₁₃为耦合通道3模型；在量调回路中，G₂₁、G₂₂、G₂₃均为量调回路的模型，其中G₂₃为量调主通道模型，G₂₁、G₂₂分别为耦合通道1模型和耦合通道2模型；

步骤二、在步骤一所述的调峰热力站供热耦合系统模型中，利用典型信号响应与最小二乘相结合的方法，建立供热质调和量调主通道模型G₁₁、G₁₂和G₂₃；

在调峰热力站供热耦合系统模型中，利用典型信号响应与最小二乘相结合，建立供热质调和量调主通道模型，所建立的模型为有滞后的双惯性对象，此处主通道模型G₁₁、G₁₂和G₂x，用通式G(s)来描述：

$G\left(s\right)=\frac{{\mathrm{Ke}}^{-\mathrm{\τs}}}{(T_{1}s+1)(T_{2}s+1)}---\left(2\right)$

其中K为比例系数，τ为纯延迟时间，T₁和T₂为双惯性的时间常数；K、τ、T₁、T₂可用以下关系求得：

V＝Uθ+Ω(3)

式中， $V=\left[\begin{array}{c}C\left(1\right)\\ C\left(2\right)\\ .\\ .\\ .\\ C\left(m\right)\end{array}\right],$ $U=\left[\begin{array}{cccc}1& -1& -A\left(1\right)& -B\left(1\right)\\ 2& -1& -A\left(2\right)& -B\left(2\right)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ m& -1& -A\left(m\right)& -B\left(m\right)\end{array}\right],$ $\mathrm{\θ}=\left[\begin{array}{c}K\\ \mathrm{K\τ}\\ T_1{T}_2\\ T_1+T_2\end{array}\right],$ $\mathrm{\Ω}=\left[\begin{array}{c}{\mathrm{\Ω}}_1\\ {\mathrm{\Ω}}_2\\ .\\ .\\ .\\ {\mathrm{\Ω}}_m\end{array}\right].$

其中B、A、C分别为阶跃响应、阶跃响应差分和积分；θ为被辨识的参数向量，中间过程参数；Ω为噪声；用最小二乘法估计参数向量θ，θ的估计值

为：

$\widehat{\mathrm{\θ}}={\left(U^{T}U\right)}^{-1}{U}^{T}V---\left(4\right)$

步骤三、对获得的主通道模型式(2)进行离散化，然后结合离散化的主通道模型，利用PID神经元网络学习得到供热质调和量调耦合通道的非线性关系G₁₃、G₂₁和G₂₂；

步骤四、利用PID神经元网络对调峰热力站的质调量调进行解耦控制：

步骤四(一)、确定控制量和被控量：

控制量V₁、V₂、V₃分别为一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵；被控量T、Q分别为二级网混水温度和二级网流量；Q′、T′分别为期望的二级网混水温度和二级网流量；

步骤四(二)、在控制过程中，二级网混水温度目标设定值T′和二级网流量目标设定值Q′为给定值；

步骤四(三)、通过在线实时采集二级网混水温度T和二级网流量Q，将二级网混水温度T、二级网流量Q，二级网混水温度目标设定值T′、二级网流量目标设定值Q′分别作为PID神经元网络的输入，通过对被控量T、Q与被控量目标值Q′、T′比较，在线自主学习，不断地调整神经网络中比例、积分和微分三类神经元作用的强弱，确定各层与隐含层的网络权值ω_ij和ω_jk，得到PID神经元网络的输出一级网供水阀门开度V₁、调峰炉台数及炉嘴数量V₂、二级网循环水泵泵速V₃；然后，将控制量V₁、V₂、V₃作用于调峰热力站的质调回路和量调回路，并行完成质调回路二级网混水温度T和量调回路二级网流量Q的解耦控制，使系统具有良好的动态与静态性能。

针对本发明所述技术方案再进行如下阐述：

1.调峰热力站供热耦合系统构成

调峰热力站供热控制包含质调回路和量调回路调节，控制量包括一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵。本项发明的质调通道1是以一级网供水阀门开度为控制量，以二级网混水温度为被控量；质调通道2是以调峰炉台数及炉嘴数量为控制量，以二级网混水温度为被控量；量调通道以二级网循环水泵泵速为控制量，以二级网流量为被控量。三个通道间存在强耦合作用，需要进行解耦，才能实施多回路控制。图1为调峰热力站供热过程耦合系统结构图。

2.调峰热力站供热耦合系统建模

调峰热力站的质调回路和量调回路中，控制量包括一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵，被控量为二级网混水温度和二级网流量。调峰热力站供热耦合系统模型可以表示为：

$\left[\begin{array}{c}T\left(z\right)\\ Q\left(z\right)\end{array}\right]=\left[\begin{array}{ccc}{G}_{11}\left(z\right)& G_{12}\left(z\right)& G_{13}\left(z\right)\\ G_{21}\left(z\right)& G_{22}\left(z\right)& G_{23}\left(z\right)\end{array}\right]\left[\begin{array}{c}{V}_1\left(z\right)\\ V_2\left(z\right)\\ V_3\left(z\right)\end{array}\right]---\left(1\right)$

其中，V₁、V₂、V₃分别为一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵；T、Q分别为二级网混水温度和二级网流量。在质调回路中，G₁₁、G₁₂、G₁₃分别为质调回路的模型，其中G₁₁为质调通道1模型，G₁₂质调通道2模型，G₁₃分别为耦合通道3模型。在量调回路中，G₂₁、G₂₂、G₂₃分别为量调回路的模型，G₂₃为量调通道模型，G₂₁、G₂₂别为耦合通道1和耦合通道2模型。

在调峰热力站供热耦合系统模型中，利用典型信号响应与最小二乘相结合的方法，建立供热质调和量调主通道模型G₁₁、G₁₂和G₂₃；对获得的主通道模型进行离散化，然后结合离散化的主通道模型，利用PID神经元网络学习得到供热质调和量调耦合通道的非线性关系G₁₃、G₂₁和G₂₂，并对调峰热力站的质调量调进行解耦控制。

在调峰热力站供热耦合系统模型中，利用典型信号响应与最小二乘相结合，建立供热质调和量调主通道模型，所建立的模型为有滞后的双惯性对象，此处主通道模型G₁₁、G₁₂和G₂₃，用通式G(s)来描述：

$G\left(s\right)=\frac{{\mathrm{Ke}}^{-\mathrm{\τs}}}{(T_{1}s+1)(T_{2}s+1)}---\left(2\right)$

其中K为比例系数，τ为纯延迟时间，T₁和T₂为双惯性的时间常数。K、τ、T₁、T₂可用以下关系求得：

V＝Uθ+Ω(3)

式中， $V=\left[\begin{array}{c}C\left(1\right)\\ C\left(2\right)\\ .\\ .\\ .\\ C\left(m\right)\end{array}\right],$ $U=\left[\begin{array}{cccc}1& -1& -A\left(1\right)& -B\left(1\right)\\ 2& -1& -A\left(2\right)& -B\left(2\right)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ m& -1& -A\left(m\right)& -B\left(m\right)\end{array}\right],$ $\mathrm{\θ}=\left[\begin{array}{c}K\\ \mathrm{K\τ}\\ T_1{T}_2\\ T_1+T_2\end{array}\right],$ $\mathrm{\Ω}=\left[\begin{array}{c}{\mathrm{\Ω}}_1\\ {\mathrm{\Ω}}_2\\ .\\ .\\ .\\ {\mathrm{\Ω}}_m\end{array}\right].$

其中B、A、C分别为阶跃响应，阶跃响应差分和积分，θ为被测参数，Ω为噪声。

用最小二乘公式求模型参数：

$\widehat{\mathrm{\θ}}={\left(U^{T}U\right)}^{-1}{U}^{T}V---\left(4\right)$

3.调峰热力站PID神经元网络的解耦控制

鉴于PID神经元网络具有众多优势，它将静态的神经元扩充到动态的神经元，特别是将PID特性赋予了神经元，这种扩充将大大丰富人工神经元网络的内涵；PID神经元网络立足于实用性，PID神经元网络的结构、连接权重初值的选取都是基于“应用”这个现实的问题；PID神经元网络对多变量系统良好的控制性能，为解决多变量系统控制问题提出了新的工具。本项发明将PID神经元网络控制的优势，与实际应用相结合，研究调峰热力站的解耦控制问题。

针对被控对象调峰热力站的特点，本项发明将PID神经元网络用于调峰热力站的解耦控制问题。PID神经元网络按被控制系统控制量的个数可分为控制单位变量系统的单控制量神经元网络和控制多变量系统的多控制量神经元网络。由于调峰热力站的控制问题，是一个包含质调回路和量调回路的多变量耦合控制系统。因此，采用多控制量神经元网络。基于PID神经元网络的调峰热力站供热过程的解耦控制系统结构图，如图3所示。

本发明的有益效果是：

鉴于常规的供热过程控制方法难于控制调峰热力站这种非线性多变量耦合系统的控制，本项发明利用PID神经元网络的优势解决这一实际工程问题，PID神经元网络其隐层神经元具有P ID控制器的输入输出特性，并且网络结构简单规范、易于实现，融解耦器与控制器于一体，使解耦系统具有良好的动态和静态性能。仿真表明，通过在线自学习和参数调整，可以实现系统的解耦控制，变量间耦合作用基本可以消除，系统的阶跃响应较快，控制系统超调量较小，无静态误差，综合控制性能较好。因此，该方法能够解决调峰热力站三输入二输出这种不对称的多变量耦合控制问题，本项发明是解决调峰热力站供热调节的一种有效方法。其突出的优势体现在：

1.调峰热力站质调回路与量调回路的解耦与控制融于一体，且解耦效果及综合控制性能较好。

2.PID神经元网络具有在线自学习和参数调整能力，具有自适应解耦能力，能够适应质调回路与量调回路中变量的时变性和各类扰动。

2.基于PID神经元网络的控制方法，算法运算量不大、易于编程，且硬件实现较易，便于工程应用。

鉴于调峰热力站供热系统的非线性、强耦合、多变量等特点，本项发明利用PID神经元网络解决非线性、强耦合、多变量问题的优势，对调峰热力站进行质调回路和量调回路的多变量解耦控制，为调峰热力站供热调节提供一种有效的方法。本发明控制方法的应用对象为调峰热力站(如图1所示)；控制方法将调峰热力站质调回路和量调回路进行解耦并同时进行控制(如图2所示)，通过PID神经元网络实现质调回路和量调回路解耦的；控制方法是一个输入输出非对称的多变量控制，所述多变量控制是指：其控制量3个：一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵；被控量为2个：二级网混水温度、二级网流量。所述调峰热力站中的调峰装置可以是燃气炉、燃油炉或热泵等用于调峰功能的装置/系统。

本项发明的应用对象为调峰热力站，其工作原理示意图如图1所示。该热力站具有一般热力站的供热特点，同时也具备特殊性。调峰炉热力站在不调峰期时，同普通热力站一样，通过二级网的换热器从一级网取得热负荷供给用户；而当处于调峰期时，通常是来自一级网的热负荷不能达到调峰炉热力站的需求，而只有通过自身的调峰炉来供给不足的热负荷。在这种情况下，调峰炉热力站供给热用户的负荷包括了两个部分：来自一级网的热负荷，经过热力站热交换器，通过混水缸到热用户；调峰炉产生的热负荷也通过混水缸到热用户，形成两部分热负荷的混合输出。这时，二级网供水温度由一级网的热负荷和调峰炉产生的热负荷共同决定。一级网的热负荷来源于热电厂和区域锅炉房，它们的优势在于有较高的热效率，特别是热电厂，热效率高达70％-80％；但其远端供热区域的供热能力有限，通过同调峰炉热力站这种供热方式相结合，就可以有效的解决目前供热系统中存在的不足，提高供热质量。

附图说明

图1是调峰热力站工作原理示意图，图2是调峰热力站供热过程耦合系统结构图，图3是调峰热力站PID神经元网络的解耦控制系统结构图，图4是PID神经元网络控制器模型，图5是多变量PID神经元拓扑网络结构，图6是PID神经元网络控制的阶跃响应曲线(R₁₀)，图7是PID神经元网络控制的阶跃响应曲线(R₀₁)，图8是PID神经元网络控制的阶跃响应曲线(R₁₁)。

具体实施方式

1.调峰热力站供热耦合系统实验建模方法

根据调峰热力站供热耦合系统的构成，在通过现场测试获取了各通道的阶跃响应后，利用典型信号响应与最小二乘的方法，分别建立了调峰炉热力站的质调通道模型G₁₁、调峰炉供热出水口温度扰动模型G₁₂和二级网流量变化扰动模型G₂₃等各通道的模型。

基于飞升曲线和最小二乘法辨识相结合的方法建立调峰热力站被控对象模型。考虑到质调回路和量调回路的耦合强度不同，此处仅考虑变量间较的强耦合进行实验建模，调峰炉热力站的飞升曲线实验主要考虑三个部分：(1)G₁₁质调通道飞升曲线实验：在供热系统稳定运行，锅炉供热出水口温度不变，二级网流量不变的情况下，调节阀门开度使一级网流量进行一次阶跃变化，记录二级网供水温度变化，当记录量再次达到稳态值时停止；(2)G₁₂锅炉供热出水口温度飞升曲线实验：在供热系统稳定运行，一级网和二级网流量不变情况下，增减锅炉喷油嘴，使锅炉出水口温度进行阶跃变化，记录二级网供水温度变化，当记录量再次达到稳态值时停止；(3)G₂₃二级网水量变化飞升曲线实验：在维持供热系统稳定运行，一级网流量不变，锅炉供热出水口温度不变的情况下的情况下，改变二级网循环水泵的变频器频率，使二级网流量产生阶跃变化，记录二级网供水温度变化，当记录量再次达到稳态值时停止。为了输出响应的准确性，需要在相同条件下进行多次的实验，且选择合适的阶跃信号幅度，以消除偶然干扰因素的影响。

2.解耦控制算法

调峰热力站PID神经元网络的解耦控制算法主要包括以下几部分：

(1)PID神经元网络控制器简介

PID神经网络控制器是广州大学舒怀林教授提出的一种新型非线性控制器，它是将具有比例(P)功能、积分(I)功能和微分(D)功能的三类神经元作为基础，将成熟的PID控制规律渗透入神经网络之中，通过在线学习，不断地调整神经网络中比例、积分和微分三类神经元作用的强弱，使系统具备良好的动态静态性能，适合对复杂非线性系统的控制。

(2)PID神经元网络结构

PID神经元网络从结构上可以分为输入层、隐含层和输出层三层，n个控制变量的PID神经元网络包含n个并列的相同的子网络，各子网络间既相互独立，又通过网络连接权值相互联系。每个子网络的输入层有两个神经元，分别接收控制量的目标值和当前值。每个子网络的隐含层由比例元、积分元和微分元构成，分别对应着PID控制器中的比例控制器、积分控制器和微分控制器。PID神经网络控制器模型，如图4所示。

多变量PID神经元网络可以看成多个单控制量网络的并联连接，多控制量神经元网络拓扑结构如图5所示。图中，X₁₁，X₂₁…X_n1是控制量的控制目标，X₁₂，X₂₂…X_n2是控制量的当前值，Y₁，Y₂…Y_n是多控制量神经元网络计算得到的控制律，ω_ij和ω_jk是网络权值。

(2)控制律计算

PID神经元网络从结构上可以分为输入层、隐含层和输出层，网络输入量为控制量当前值和控制目标，输出量为控制律，各层输入输出计算公式如下。

①输入层    输入层包含2n个神经元，输出数据x_si等于输入数据X_si，计算公式

x_si(k)＝X_si(k)      (5)

②隐含层    隐含层有3n个神经元，包括n个比例神经元、n个积分神经元和n个微分神经元。这些神经元的输入值相同，计算公式为

${\mathrm{net}}_{\mathrm{sj}}\left(k\right)=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{x}_{\mathrm{si}}\left(k\right)$ j＝1，2，3

(6)

隐含层各神经元输出的计算公式如下：

比例神经元

u_s1(k)＝net_s1(k)(7)

积分神经元

u_s2(k)＝net_s2(k)+u_s2(k-1)      (8)

微分神经元

u_s3(k)＝net_s3(k)-net_s3(k-1)      (9)

式中，s为并联子网络的序号；j为子网络中隐含层神经元序号；x_si(k)为各子网络输入层神经元输入值；ω_ij为各子网络输入层至隐含层的连接权重。

③输出层    输出层有n个神经元，构成n维输出量，输出层的输出为隐含层全部神经元的输出值加权和，计算公式如下：

$y_h\left(k\right)=\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{jk}}{u}_{\mathrm{sj}}\left(k\right)---\left(10\right)$

式中，h为输出层神经元序号；s是子网的序号；j为子网的隐含层神经元序号；u_sj(k)为隐含层各神经元输出值；ω_jk为隐含层至输出层的连接权重值。

(3)权值修正

PID神经元网络在控制的过程中根据控制量误差按照梯度修正法修正权值，使得控制量不断接近控制目标值，权值修正过程如下。

误差计算公式：

$J=\mathrm{\ΣE}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{[y_h\left(k\right)-r\left(k\right)]}^2---\left(11\right)$

式中，n为输出结点个数；y_h为预测输出；r为控制目标。

PID神经元网络权值的修正公式如下：

①输出层到隐含层：

${\mathrm{\ω}}_{\mathrm{jk}}(k+1)={\mathrm{\ω}}_{\mathrm{jk}}\left(k\right)-\mathrm{\η}\frac{\∂J}{\∂{\mathrm{\ω}}_{\mathrm{jk}}}---\left(12\right)$

②输入层到输出层：

${\mathrm{\ω}}_{\mathrm{ij}}(k+1)={\mathrm{\ω}}_{\mathrm{ij}}\left(k\right)-\mathrm{\η}\frac{\∂J}{\∂{\mathrm{\ω}}_{\mathrm{ij}}}---\left(13\right)$

式中η为学习速率。

3.解耦控制仿真

调峰热力站供热调节质调量调耦合控制系统是一个3输入2输出的复杂耦合系统，为便于验证该控制器的性能，以如下一阶传递函数为例进行仿真：

$\left[\begin{array}{c}{Y}_1\left(z\right)\\ Y_2\left(z\right)\end{array}\right]=\begin{array}{c}\left[\begin{array}{ccc}\frac{{0.896z}^{-1}}{1-{0.368z}^{-1}}& \frac{{0.787z}^{-1}}{1-{0.607z}^{-1}}& \frac{{0.284z}^{-1}}{1-0.717z^{-1}}\\ \frac{{0.181z}^{-1}}{1-{0.819z}^{-1}}& \frac{{0.851z}^{-1}}{1-{0.717z}^{-1}}& \frac{{0.442z}^{-1}}{1-{0.779z}^{-1}}\end{array}\right]\end{array}\begin{array}{}\end{array}\left[\begin{array}{c}{V}_1\left(z\right)\\ V_2\left(z\right)\\ V_3\left(z\right)\end{array}\right]---\left(14\right)$

采用以下三种类型的给定阶跃输入：

$\left\{\begin{array}{c}{R}_{10}={[r_1\left(k\right),r_2\left(k\right)]}^T={\left[\mathrm{1,0}\right]}^T\\ R_{01}={[r_1\left(k\right),r_2\left(k\right)]}^T={\left[\mathrm{0,1}\right]}^T\\ R_{11}={[r_1\left(k\right),r_2\left(k\right)]}^T={\left[\mathrm{1,1}\right]}^T\end{array}\right.---\left(15\right)$

利用一个4输入3输出的PID神经元网络控制器，对上述对象进行控制，如图3所示。仿真过程中，输入层到隐含层的比例元和微分元连接权重取为1，输入层到隐含层的积分元连接权重取为0.1，隐含层到输出层的连接权重取为小于0.1的随机数；PID神经网络训练过程中，学习步长η＝0.02，网络对以上输入学习100步以后，得到的阶跃响应曲线如图6-8所示。由仿真图可以看出，PID神经元网络控制器通过在线自学习和参数调整，可以实现系统的解耦控制，变量间耦合作用基本可以消除，系统的阶跃响应较快，控制系统超调量较小，无静态误差，综合控制性能较好。

Claims (1)

1.一种适于调峰热力站的质调量调解耦控制方法，其特征在于，所述方法的实现过程为：

步骤一、调峰热力站供热耦合系统建模：

调峰热力站的质调回路和量调回路中，控制量包括一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵，被控量为二级网混水温度和二级网流量；调峰热力站供热耦合系统模型表示为：

$\left[\begin{array}{c}T\left(z\right)\\ Q\left(z\right)\end{array}\right]=\left[\begin{array}{ccc}{G}_{11}\left(z\right)& G_{12}\left(z\right)& G_{13}\left(z\right)\\ G_{21}\left(z\right)& G_{22}\left(z\right)& G_{23}\left(z\right)\end{array}\right]\left[\begin{array}{c}{V}_1\left(z\right)\\ V_2\left(z\right)\\ V_3\left(z\right)\end{array}\right]---\left(1\right)$

其中，V₁、V₂、V₃分别为一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵；T、Q分别为二级网混水温度和二级网流量；在质调回路中，G₁₁、G₁₂、G₁₃均为质调回路的模型，其中G₁₁为质调主通道1模型，G₁₂为质调主通道2模型，G₁₃为耦合通道3模型；在量调回路中，G₂₁、G₂₂、G₂₃均为量调回路的模型，其中G₂₃为量调主通道模型，G₂₁、G₂₂分别为耦合通道1模型和耦合通道2模型；

步骤二、在步骤一所述的调峰热力站供热耦合系统模型中，利用典型信号响应与最小二乘相结合的方法，建立供热质调和量调主通道模型G₁₁、G₁₂和G₂₃；

在调峰热力站供热耦合系统模型中，利用典型信号响应与最小二乘相结合，建立供热质调和量调主通道模型，所建立的模型为有滞后的双惯性对象，此处主通道模型G₁₁、G₁₂和G₂₃，用通式G(s)来描述：

$G\left(s\right)=\frac{{\mathrm{Ke}}^{-\mathrm{\τs}}}{(T_{1}s+1)(T_{2}s+1)}---\left(2\right)$

其中K为比例系数，τ为纯延迟时间，T₁和T₂为双惯性的时间常数；K、τ、T₁、T₂可用以下关系求得：

V＝Uθ+Ω(3)

式中， $V=\left[\begin{array}{c}C\left(1\right)\\ C\left(2\right)\\ .\\ .\\ .\\ C\left(m\right)\end{array}\right],$ $U=\left[\begin{array}{cccc}1& -1& -A\left(1\right)& -B\left(1\right)\\ 2& -1& -A\left(2\right)& -B\left(2\right)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ m& -1& -A\left(m\right)& -B\left(m\right)\end{array}\right],$ $\mathrm{\θ}=\left[\begin{array}{c}K\\ \mathrm{K\τ}\\ T_1{T}_2\\ T_1+T_2\end{array}\right],$ $\mathrm{\Ω}=\left[\begin{array}{c}{\mathrm{\Ω}}_1\\ {\mathrm{\Ω}}_2\\ .\\ .\\ .\\ {\mathrm{\Ω}}_m\end{array}\right].$

其中B、A、C分别为阶跃响应、阶跃响应差分和积分；θ为被辨识的参数向量，中间过程参数；Ω为噪声；用最小二乘法估计参数向量θ，θ的估计值

为：

$\widehat{\mathrm{\θ}}={\left(U^{T}U\right)}^{-1}{U}^{T}V---\left(4\right)$

步骤三、对获得的主通道模型式(2)进行离散化，然后结合离散化的主通道模型，利用PID神经元网络学习得到供热质调和量调耦合通道的非线性关系G₁₃、G₂₁和G₂₂；

步骤四、利用PID神经元网络对调峰热力站的质调量调进行解耦控制：

步骤四(一)、确定控制量和被控量：

控制量V₁、V₂、V₃分别为一级网供水阀门、调峰炉台数及炉嘴数量、二级网循环水泵；被控量T、Q分别为二级网混水温度和二级网流量；Q′、T′分别为期望的二级网混水温度和二级网流量；

步骤四(二)、在控制过程中，二级网混水温度目标设定值T′和二级网流量目标设定值Q′为给定值；

步骤四(三)、通过在线实时采集二级网混水温度T和二级网流量Q，将二级网混水温度T、二级网流量Q，二级网混水温度目标设定值T′、二级网流量目标设定值Q′分别作为PID神经元网络的输入，通过对被控量T、Q与被控量目标值Q′、T′比较，在线自主学习，不断地调整神经网络中比例、积分和微分三类神经元作用的强弱，确定各层与隐含层的网络权值ω_ij和ω_jk，得到PID神经元网络的输出一级网供水阀门开度V₁、调峰炉台数及炉嘴数量V₂、二级网循环水泵泵速V₃；然后，将控制量V₁、V₂、V₃作用于调峰热力站的质调回路和量调回路，并行完成质调回路二级网混水温度T和量调回路二级网流量Q的解耦控制。

Images