CN104696952B - 一种基于模型在线辨识的流化床锅炉引风量控制方法 - Google Patents

Abstract

本发明公开了一种基于模型在线辨识的流化床锅炉引风量控制方法，包括以下步骤：根据流化床锅炉的实际运行情况，选取引风量作为在线辨识模型的输入，将循环流化床锅炉的料床温度作为模型的输出；建立单输入单输出线性、定常、随机系统的数学模型，使模型拟合残差的平方和最小，基于滚动时间窗的加权最小二乘法对模型进行辨识，输出料床温度值；采用模糊控制策略对引风量进行控制，将得到的料床温度值与所期望的料床温度值做比较，得到模糊控制器的输入，经模糊推理后得到控制器的输出，据此对引风量进行调节。本发明基于滚动时间窗的加权最小二乘算法所建立的模型是在线的，与离线建模相比，这样能更好的辨识出料床温度，比传统的建模要更为准确。

Description

一种基于模型在线辨识的流化床锅炉引风量控制方法

技术领域

本发明涉及一种基于模型在线辨识的流化床锅炉引风量控制方法。

背景技术

近年来，我国工业发展速度迅速，工业发展速度大大超过了能源增长速度，能源供应非常紧张。我国是世界上生产和使用锅炉最多的国家之一。锅炉既是重要的热能动力设备，同时又是耗能极大的设备，每年燃用大量原煤。目前锅炉效率不高，能源浪费相当严重。同时锅炉燃烧排放氮氧化物、二氧化硫、烟尘等污染物，严重污染大气，已成为我国大气主要污染源之一。将先进的建模及控制理论引入复杂的锅炉燃烧系统能促进控制理论的发展和加快科技成果的实际转化速度。所以研究锅炉燃烧系统的控制，提高其控制品质和燃烧效率，对国家的经济和社会发展有巨大意义。

循环流化床锅炉系统通常由流化床燃烧室(炉膛)、循环灰分离器、飞灰回送装置、尾部受热面和辅助设备等组成。循环流化床锅炉系统通常由燃烧系统和汽水系统所组成，燃料在锅炉的燃烧系统中完成燃烧过程，循环流化床的燃料及脱硫剂经多次循环、反复地进行脱硫反应，脱硫效率高，而且具有燃料适应性广、负荷调节性能好、灰渣易于综合利用等优点，在国内以及国际上使用较广泛。

一直以来，锅炉燃烧系统的控制是锅炉自动控制的重中之重。循环流化床锅炉自动控制理论的发展经历了三个不同阶段：经典控制理论阶段、现代控制理论阶段和智能控制理论阶段。

(1)经典控制理论阶段。各国对循环流化床锅炉燃烧控制进行了广泛而深入的研究，研究主要集中在循环流化床锅炉的数学模型和动态特性上，包括线性和非线性，单变量和多变量，时不变和时变等。

(2)现代控制理论阶段。代表性的有：鲁棒控制，最优化控制，预测控制，自适应控制等。

(3)智能控制理论阶段。智能控制理论模拟人类学习和控制的能力，以数值计算、符号推理、逻辑运算等为工具，主要应用于一些不能建立精确数学模型的复杂控制对象。代表性的有：模糊控制、神经网络控制理论、专家控制系统等。

循环流化床锅炉的燃烧系统实际运行效率上不是很理想。主要表存在以下不足：

1、操作员的主观臆断性太强；

2、操作员的操作具有明显的滞后性；

3、燃烧率达不到理想的最高值，浪费能源。

发明内容

本发明为了解决上述问题，提出了一种基于模型在线辨识的流化床锅炉引风量控制方法，本方法利用滚动时间窗加权最小二乘建立流化床锅炉引风量的模型，并采用智能控制算法中的模糊控制，来解决流化床引风量控制问题，进而提高燃烧效率，提高脱硫效率，减少硫化物的排放量，达到节能减排的目的。

为了实现上述目的，本发明采用如下技术方案：

一种基于模型在线辨识的流化床锅炉引风量控制方法，包括以下步骤：

(1)根据流化床锅炉的实际运行情况，选取引风量u作为在线辨识模型的输入，将循环流化床锅炉的料床温度y作为模型的输出；

(2)建立单输入单输出线性、定常、随机系统的数学模型，使模型拟合残差的平方和最小，基于滚动时间窗的加权最小二乘法对模型进行辨识，输出料床温度值；

(3)采用模糊控制策略对引风量进行控制，将步骤(2)中计算得到的料床温度值与所期望的料床温度值做比较，得到模糊控制器的输入，经模糊推理后得到控制器的输出，据此对引风量进行调节。

所述步骤(1)中，循环流化床锅炉系统燃烧过程中的被控变量主要包括：主蒸汽压力、床温、烟气含氧量、炉膛压力和料床高度；调节变量主要有：给煤量、一次风量、二次风量、引风量、石灰量、返料量和排渣量。

所述步骤(1)中，循环流化床锅炉燃烧控制系统的任务是保证床温在合理的范围内，使燃料所产生的热量尽快地适应负荷(即蒸汽流量)的变化，同时还要保证经济燃烧，锅炉的安全运行和环保要求，根据热循环流化床锅炉的实际运行情况，分析相关的输入输出量，筛选出对料床温度影响大的变量，作为在线辨识模型的输入，将循环流化床锅炉的料床温度作为模型的输出，最终选取引风量u作为输入，流化床料床温度y作为输出，由于给煤量也对料床温度有影响，故在设计模糊控制器时将给煤量作为前馈补偿环节。

所述步骤(2)的具体方法包括：

(a)给出单输入单输出线性、定常、随机系统的数学模型；

(b)模型中找出参数估计使模型拟合残差的平方和最小；

(c)从最小二乘准则推导正则方程，得到最小二乘估计；

(d)基于滚动时间窗的加权最小二乘法对料床温度进行辨识。

所述步骤(a)的具体方法为：给出单输入单输出线性、定常、随机系统的数学模型：

$y\left(k\right)+\underset{i=1}{\overset{n}{\Σ}}{a}_{i}y(k-1)=\underset{i=1}{\overset{n}{\Σ}}{b}_{i}u(k-i)+e\left(k\right)---\left(1\right)$

u(k)与y(k)为引风量和料床温度数据序列{u(k)},{y(k)}，e(k)为模型误差，其中k＝1,2,…,n,n为自然数，(1)式中计算时首先要确定模型的阶数n，阶数n的取值可通过实验对比得出，i＝1,2,…,n，a_i，b_i都为常数，通过计算出a_i和b_i的值便能够得到料床温度y(k)。

所述步骤(b)的具体方法为：令θ^T＝[a₁,a₂,…,a_n,b₁,b₂,…,b_n](其中，a₁,a₂,…,a_n,b₁,b₂,…,b_n都为常数)

其中-y(n+i-1),-y(n+i-2),…,-y(i)为料床温度数据序列，u(n+i-1),…,u(i)为引风量数据序列，

则有：

其中y(n+i)为料床温度，为数据序列，e(n+i)为误差数据，

或写成

模型拟合残差ε(k)为：

其中y(k)为料床温度，为数据序列，

则有目标函数J为：

$J(n,\widehat{\mathrm{\θ}})={\mathrm{\ϵ}}^T(n,\widehat{\mathrm{\θ}})W\left(n\right)\mathrm{\ϵ}(n,\widehat{\mathrm{\θ}})---\left(3\right)$

(3)式中W为加权矩阵且为对称正定阵，为拟合残差，为的转置矩阵；

对于n组数据，从(2)式可得拟合残差到：

其中y(n)为料床温度，u(n)为引风量，

所述步骤(c)的具体方法为：从最小二乘准则推导正则方程，根据求极值原理可知，最小二乘估计满足：

其中为目标函数的导数，为的导数，

可得最小二乘估计

其中u^T为引风量，W为加权矩阵，y为料床温度。

所述步骤(d)的具体方法为：滚动时间窗法的思想为：假设当前引风量的时刻为k+L，建模数据为k时刻到k+L时刻的L区间内数据，首先用L区间内的引风量数据建立模型,并对下一时刻进行预测，等到下一个时刻(k+L+1时),新的引风量数据加入，k时刻的引风量数据被丢弃，模型将由k+1到k+L+1的L区间内数据建立，看出这个建模过程是一个滚动优化的过程，由此可知，与传统的加权最小二乘法的区别在于求解方法不同，滚动时间窗法采用滚动优化的策略对其进行辨识，这样辨识出来的料床温度更能接近实际值。

所述步骤(3)中，具体方法包括：

(a)对引风量的控制采用模糊控制，模糊控制器采用二维的模糊控制器，计算得到的料床温度值与我们所期望的料床温度值做比较，得到的误差e，以及误差的变化率e_c作为模糊控制器模糊化前的输入，以引风量的增量Δu₁作为输出；

(b)e和e_c经量化因子k_e和k_c模糊化后可得到控制器的输入E和E_C，其中量化因子的取值要经过实验后确定；

(c)确定E、E_C和Δu′₁的模糊集均为{NB,NM,NS,ZO,PS,PM,PB}，(分别表示状态：负大，负中，负小，正好，正小，正中，正大)和隶属度函数；

(d)根据操作经验的总结，得到控制规则表，根据该表可进行模糊推理，推理的算法采用Mamdani模糊推理算法；将模糊推理后得到的结果进行去模糊，去模糊化的方法采用加权平均法；

(e)此外，模糊控制系统中还包含一前馈补偿环节，前馈环节的作用是当影响系统的扰动出现时，起校正作用，以抵消扰动的影响。

本发明的有益效果为：

(1)基于滚动时间窗的加权最小二乘算法所建立的模型是在线的，与离线建模相比，这样能更好的辨识出料床温度，比传统的建模要更为准确；

(2)控制策略采用了模糊控制，提高燃烧效率，提高脱硫效率，减少硫化物的排放量，达到节能减排的目的。

附图说明

图1为滚动时间窗示意图；

图2为滚动时间窗加权最小二乘辨识法流程图；

图3为本发明的模糊控制框图；

图4为隶属度函数图；

图5为料床温度在线辨识误差。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

基于滚动时间窗加权最小二乘辨识算法的流化床锅炉引风量模糊控制，包括以下步骤：

步骤1，根据流化床锅炉的实际运行情况，选取引风量u作为在线辨识模型的输入，将循环流化床锅炉的料床温度y作为模型的输出；

步骤2，在线辨识的算法采用基于滚动时间窗的加权最小二乘法；

步骤3，由模糊控制器得到引风量增量，并据此对引风量进行调节。

步骤1中，根据热循环流化床锅炉的实际运行情况，分析相关的输入输出量，筛选出对料床温度影响大的变量，作为在线辨识模型的输入，将循环流化床锅炉的料床温度作为模型的输出，最终选取引风量u作为输入，流化床料床温度y作为输出。由于给煤量也对料床温度有一定程度的影响，故在设计模糊控制器时将给煤量作为前馈补偿环节。

所述步骤2中，具体方法包括：

(a)给出单输入单输出线性、定常、随机系统的数学模型：

$y\left(k\right)+\underset{i=1}{\overset{n}{\Σ}}{a}_{i}y(k-1)=\underset{i=1}{\overset{n}{\Σ}}{b}_{i}u(k-i)+e\left(k\right)---\left(1\right)$

u(k)与y(k)为引风量和料床温度数据序列{u(k)},{y(k)}，e为模型误差，其中k＝1,2,…,n，n为自然数，(1)式中计算时首先要确定模型的阶数n，阶数n的取值通过实验对比，得出阶数为5；

(b)从(1)式模型中找出参数估计使模型拟合残差的平方和最小，令θ^T＝[a₁,a₂,…,a_n,b₁,b₂,…,b_n]，

则有：

或可以写成

模型拟合残差ε(k)为：

则有目标函数J为：

$J(n,\widehat{\mathrm{\θ}})={\mathrm{\ϵ}}^T(n,\widehat{\mathrm{\θ}})W\left(n\right)\mathrm{\ϵ}(n,\widehat{\mathrm{\θ}})---\left(3\right)$

(3)式中W为加权矩阵且为对称正定阵；

对于n组数据，从(2)式可得到：

(c)得到最小二乘估计：从最小二乘准则推导正则方程，根据求极值原理可知，最小二乘估计满足：

可得最小二乘估计

(d)基于滚动时间窗的加权最小二乘法:

设当前引风量的时刻为k+20，建模数据为k时刻到k+20时刻的20区间内数据.首先用20区间内的引风量数据建立模型,并对下一时刻进行预测。等到下一个时刻(k+20+1时),新的引风量数据加入,k时刻的引风量数据被丢弃,模型将由k+1到k+20+1的20区间内数据建立.从而滚动求解使辨识出来的料床温度更能接近实际值。

(e)数据权值的选取：设20时间窗中第1个数据的权值为0.1，则其他数据的权值为h_m＝0.1+m*(1-0.1)/20,m＝1,2...20。

最后，总结下基于滚动时间窗的建模步骤如附图所示。

所述步骤3中，具体方法包括：

(a)对引风量的控制采用模糊控制策略，模糊控制器采用二维的模糊控制器，其工作原理结构如图3所示。步骤2中计算得到的料床温度值与我们所期望的料床温度值做比较，得到的误差e，以及误差的变化率e_c作为模糊控制器模糊化前的输入，以引风量的增量Δu₁作为输出(其值可正可负，正值表示引风量增加，负值表示引风量减少)。

(b)e和e_c经量化因子k_e和k_c模糊化后可得到控制器的输入E和E_C，其中量化因子分别取0.9和1.1。

(c)确定E、E_C和Δu′₁的模糊集均为{NB,NM,NS,ZO,PS,PM,PB}，(分别表示状态：负大，负中，负小，正好，正小，正中，正大)，E、E_C和Δu′₁的隶属度函数均采用三角形隶属度函数。

(d)根据相关知识和对控制人员操作经验的总结，便可得到控制规则表，流化床锅炉引风机的控制规则表如表1所示。比如当料床温度误差为正大，料床温度误差变化率为正大时，表示温度比期望的值高很多，且温度升高的速度很快，那么就应该减少引风量。根据该表可进行模糊推理，推理的算法采用Mamdani模糊推理算法；

表1引风量控制规则表

(e)将模糊推理后得到的结果进行去模糊，去模糊化的方法采用加权平均法，其数学表达式为：

${\mathrm{\Δu}}^{*}=\frac{\underset{i=1}{\overset{p}{\Σ}}\left({\mathrm{\Δu}}_i^{\′}{\mathrm{\μ}}_i\right)}{\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\μ}}_i}---\left(7\right)$

其中，Δu^*是清晰化引风量增量；Δu′是模糊推理出的引风量增量；μ是其模糊隶属度函数。Δu^*通过比例因子便可得到最终的引风量增量Δu₁。

(f)此外，模糊控制系统中还包含一前馈补偿环节，本发明中的前馈环节为给煤量。

实施例1

步骤1，选取120组引风量作为在线辨识模型的输入，当读取到第20个引风量时，便可在线辨识出一个料床温度，此后每隔一个采样周期都可按照上述步骤在线辨识出一个料床温度。其中：第一个数据的权值为0.1，接下来的19个数据的权值分别为h_m＝0.1+m*(1-0.1)/20,m＝1,2...20。采用基于滚动时间窗的加权最小二乘法将料床温度进行在线辨识时，120个采样周期内的在线辨识料床温度误差情况如图5所示。

步骤2，将在线辨识的料床温度值与900摄氏度(期望的料床温度值)做比较，料床温度的差值用量化因子0.9量化，其误差的变化率用量化因子1.1量化后输入到模糊控制器中。根据设定好的引风量控制规则表进行模糊推理。推理后得到的值采用加权平均法，将其去模糊，从而得到最终的引风量增量，据此调节流化床锅炉的引风量，使流化床锅炉料床温度稳定在900摄氏度左右。其中，给煤量的扰动由前馈环节已补偿掉。

由仿真误差可知，该在线辨识算法预测的料床温度值与实际的料床温度值相比较，很接近真实值，能满足控制上的需求，证明了该在线辨识方法的有效性。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于模型在线辨识的流化床锅炉引风量控制方法，其特征是：包括以下步骤：

(1)根据流化床锅炉的实际运行情况，选取引风量u作为在线辨识模型的输入，将循环流化床锅炉的料床温度y作为模型的输出；

(2)建立单输入单输出线性、定常、随机系统的数学模型，使模型拟合残差的平方和最小，基于滚动时间窗的加权最小二乘法对模型进行辨识，输出料床温度值；

(3)采用模糊控制策略对引风量进行控制，将步骤(2)中计算得到的料床温度值与所期望的料床温度值做比较，得到模糊控制器的输入，经模糊推理后得到控制器的输出，据此对引风量进行调节；

所述步骤(1)中，循环流化床锅炉燃烧控制系统的任务是保证床温在合理的范围内，使燃料所产生的热量尽快地适应负荷的变化，同时还要保证经济燃烧，锅炉的安全运行和环保要求，根据热循环流化床锅炉的实际运行情况，分析相关的输入输出量，筛选出对料床温度影响大的变量，作为在线辨识模型的输入，将循环流化床锅炉的料床温度作为模型的输出，最终选取引风量u作为输入，流化床料床温度y作为输出，由于给煤量也对料床温度有影响，故在设计模糊控制器时将给煤量作为前馈补偿环节。

2.如权利要求1所述的一种基于模型在线辨识的流化床锅炉引风量控制方法，其特征是：所述步骤(1)中，循环流化床锅炉系统燃烧过程中的被控变量包括：主蒸汽压力、床温、烟气含氧量、炉膛压力和料床高度；调节变量有：给煤量、一次风量、二次风量、引风量、石灰量、返料量和排渣量。

3.如权利要求1所述的一种基于模型在线辨识的流化床锅炉引风量控制方法，其特征是：

所述步骤(2)的具体方法包括：

(a)给出单输入单输出线性、定常、随机系统的数学模型；

(b)模型中找出参数估计使模型拟合残差的平方和最小；

(c)从最小二乘准则推导正则方程，得到最小二乘估计；

(d)基于滚动时间窗的加权最小二乘法对料床温度进行辨识。

4.如权利要求3所述的一种基于模型在线辨识的流化床锅炉引风量控制方法，其特征是：所述步骤(a)的具体方法为：给出单输入单输出线性、定常、随机系统的数学模型：

$y\left(k\right)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{i}y(k-1)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_{i}u(k-i)+e\left(k\right)---\left(1\right)$

u(k)与y(k)为引风量和料床温度数据序列{u(k)},{y(k)}，e(k)为模型误差，其中k＝1,2,…,n,n为自然数，(1)式中计算时首先要确定模型的阶数n，阶数n的取值可通过实验对比得出，i＝1,2,…,n，a_i，b_i都为常数，通过计算出a_i和b_i的值便能够得到料床温度y(k)。

5.如权利要求3所述的一种基于模型在线辨识的流化床锅炉引风量控制方法，其特征是：所述步骤(b)的具体方法为：令θ^T＝[a₁,a₂,…,a_n,b₁,b₂,…,b_n]，其中a₁,a₂,…,a_n,b₁,b₂,…,b_n都为常数，

其中-y(n+i-1),-y(n+i-2),…,-y(i)为料床温度数据序列，u(n+i-1),…,u(i)为引风量数据序列，

则有：

其中y(n+i)为料床温度，为数据序列，e(n+i)为误差数据；

或写成

模型拟合残差ε(k)为：

其中y(k)为料床温度，为数据序列；

则有目标函数J为：

$J(n,\widehat{\mathrm{\θ}})={\mathrm{\ϵ}}^T(n,\widehat{\mathrm{\θ}})W\left(n\right)\mathrm{\ϵ}(n,\widehat{\mathrm{\θ}})---\left(3\right)$

(3)式中W为加权矩阵且为对称正定阵，为拟合残差，为的转置矩阵；

对于n组数据，从(2)式可得到：

其中y(n)为料床温度，u(n)为引风量。

6.如权利要求3所述的一种基于模型在线辨识的流化床锅炉引风量控制方法，其特征是：所述步骤(c)的具体方法为：从最小二乘准则推导正则方程，根据求极值原理可知，最小二乘估计满足：

其中为目标函数的导数，为的导数；

可得最小二乘估计

其中u^T为引风量，W为加权矩阵，y为料床温度。

7.如权利要求3所述的一种基于模型在线辨识的流化床锅炉引风量控制方法，其特征是：所述步骤(d)的具体方法为：滚动时间窗法的思想为：假设当前引风量的时刻为k+L，建模数据为k时刻到k+L时刻的L区间内数据，首先用L区间内的引风量数据建立模型,并对下一时刻进行预测，等到下一个时刻(k+L+1时),新的引风量数据加入，k时刻的引风量数据被丢弃，模型将由k+1到k+L+1的L区间内数据建立，看出这个建模过程是一个滚动优化的过程，由此可知，与传统的加权最小二乘法的区别在于求解方法不同，滚动时间窗法采用滚动优化的策略对其进行辨识，这样辨识出来的料床温度更能接近实际值。

8.如权利要求1所述的一种基于模型在线辨识的流化床锅炉引风量控制方法，其特征是：所述步骤(3)中，具体方法包括：

(a)对引风量的控制采用模糊控制，模糊控制器采用二维的模糊控制器，计算得到的料床温度值与我们所期望的料床温度值做比较，得到的误差e，以及误差的变化率e_c作为模糊控制器模糊化前的输入，以引风量的增量Δu₁作为输出；

(b)e和e_c经量化因子k_e和k_c模糊化后可得到控制器的输入E和E_C，其中量化因子的取值要经过实验后确定；

(c)确定E、E_C和Δu′₁的模糊集均为{NB,NM,NS,ZO,PS,PM,PB}，分别表示状态：(负大，负中，负小，正好，正小，正中，正大)和隶属度函数；

(d)根据操作经验的总结，得到控制规则表，根据该表可进行模糊推理，推理的算法采用Mamdani模糊推理算法；将模糊推理后得到的结果进行去模糊，去模糊化的方法采用加权平均法；

(e)此外，模糊控制系统中还包含一前馈补偿环节，前馈环节的作用是当影响系统的扰动出现时，起校正作用，以抵消扰动的影响。