CN104819449A - 一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法 - Google Patents

Abstract

本发明公开了一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，采用基于高斯核函数的径向基函数神经网络建立模型，将建立的模型与实际值进行误差估计；确定模型的可信度；设计bang-bang控制器和模糊控制器，对比模型的可信度和模型的输出值。本发明可以有效地降低循环流化床锅炉运营成本，提高了循环流化床锅炉运行的安全性和稳定性，延长了运行时间和寿命；提高了燃烧效率，达到节能减排的目的，较好的解决了现有的锅炉运行自动化水平较低，过于依赖有经验的操作人员，操作不当会致使运行效率低、不能满足负荷的需求，人工控制下的燃烧效率不理想的问题。

Description

一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法

技术领域

本发明属于热电锅炉技术领域，尤其涉及一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法。

背景技术

当今，我国空气质量已受到威胁，雾霾天气严重。其根源主要是能源的消耗过程中产生的气体。我国年消耗煤炭量已近21亿吨，主要消耗于燃煤锅炉，除大型发电锅炉外，我国的热电锅炉、工业锅炉大多数存在运行效率低，单位煤耗高，浪费现象十分严重。为了适应现代低碳经济发展的需要，结合热电行业的特点，只有做好热电锅炉负荷的准确估计与合理控制，才能做到节能减排，走出一条低能耗、低排放、高增长的新型工业化之路。

环流化床锅炉是用热能来加热工质(一般为水)产生蒸汽的设备，由锅炉本体和辅助设备两大部分组成，循环流化床锅炉本体是锅炉设备的主体，它包括锅本体和炉本体；锅即汽水系统，它的主要作用是吸收热量，使水蒸发变成过热蒸汽。主要由汽包、省煤器、下降管、水冷壁、过热器、再热器等组成；炉即燃烧系统，它的主要作用是让燃料在炉内燃烧放热，它由炉膛、燃烧器、分离器及空气预热器等组成；辅助系统由燃料供应系统、给水系统、通风系统、除灰除尘系统、水处理系统、测量和控制系统等辅助系统以及相应的附属设备和仪器仪表等组成。

循环流化床锅炉独特的流体动力特性和结构使其具备了许多独特的优点，主要有；燃料适应性广、燃烧效率高、污染物排放低、燃烧热强度大等。

循环流化床锅炉虽然具有较其它类型锅炉优越的性能和特点，但在其商用化和大型化的过程中还存在着许多函待解决的问题；其中除了循环流化床锅炉自身设计上存在的问题外，对循环流化床锅炉的自动控制已经成为其推广的重 要障碍。目前循环流化床锅炉的自动化水平普遍比较低，其燃烧控制系统基本都不能投上自动，绝大多数还是依靠手动操作。主要存在以下不足：

1、锅炉运行时过于依赖有经验的操作人员；

2、操作不当会致使运行效率低、不能满足负荷的需求；

3、人工控制下的燃烧效率不理想。

发明内容

本发明的目的在于提供一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，旨在解决现有的锅炉运行自动化水平较低，过于依赖有经验的操作人员，操作不当会致使运行效率低、不能满足负荷的需求，人工控制下的燃烧效率不理想的问题。

本发明是这样实现的，一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法是一种基于蒸汽负荷预测且兼顾其可信度的热电锅炉蒸汽量bang-bang与模糊控制方法，其特征在于，该基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法采用基于高斯核函数的径向基函数神经网络建立模型，将建立的模型与实际值进行误差估计；确定模型的可信度；设计bang-bang控制器和模糊控制器，对比模型的可信度和模型的输出值。

进一步，所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法采用基于高斯核函数的径向基函数神经网络建立模型之前需要选取燃料量u作为径向基函数神经网络模型的输入，将循环流化床锅炉的主蒸汽压力y作为径向基函数神经网络模型的输出。

进一步，径向基函数神经网络为输入层、隐含层、输出层三层网络结构。

进一步，径向基函数神经网络的隐含层神经元的核函数采用高斯函数；

径向基函数神经网络的数学表达式为：

$y(k+1)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\exp (-\frac{1}{2{{\mathrm{\σ}}_i}^2}{\left|\right|x_p-c_i\left|\right|}^2);$

式中，神经元的个数n为5，ω_i为隐层到输出层的权值，σ为基宽，x_p＝(u_p(k)，y_p(k))′为第p个输入样本(p＝1，2，...，100)，u_p(k)为燃料量，y_p(k)为当前时刻的主蒸汽压力，y(k+1)为下一时刻的主蒸汽压力，‖x_p-c_i‖²为欧式范数；c_i为高斯函数的中心，神经网络经过对模型中参数采用梯度下降法进行辨识后，便进行建模，所述的建模的具体方法为：

步骤一、确定神经元的个数为5；

步骤二、采用梯度下降法对神经网络的权值、宽度和中心进行辨识；

步骤三、将辨识好的参数带入到神经网络模型中，使神经网络模型有具体的数学表达式，完成了神经网络模型的建立。

进一步，参数ω_i，σ和c_i通过梯度下降法得出，具体包括：

第一步，给定初始的燃料量值为25t/h，和收敛的精度0.5，且系数K的值定为0；

第二步，计算函数梯度，并构造搜索方向： 表示求导数，X_k代表神经网络中要训练的参数；

第三步，搜索最优步长α_k，并求出新的迭代点：

$\min f(X_k-\mathrm{\α}\▿f\left(X_k\right))\→{\mathrm{\α}}_k;$ min表示取最小值；

$X_{k+1}=X_k-{\mathrm{\α}}_k\▿f\left(X_k\right);$

第四步，收敛判断，满足就迭代终止，否则，k＝k+1，转入第二步再次计算，直到满足要求；其中表示求范数。

进一步，将建立的模型与实际值进行误差估计具体方法包括：

将径向基函数神经网络输出的主蒸汽压力序列减去实测的主蒸汽压力序列，得到残差序列；对残差序列建立适当的数学模型，并给出相应的数值指标，即为残差的可信度，具体表达式为：

${\mathrm{\γ}}_i=\left|y_i\right|/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|y_i\right|;$

$x_i=1-\frac{|y_i-{\hat{y}}_i|}{\max \left(\right|y_i|-|{\hat{y}}_i\left|\right)};$

式中：{y_i，i＝1，2，...，N}和分别为实测的主蒸汽压力序列和径向基函数神经网络输出的主蒸汽压力序列；x_i为第i个主蒸汽压力的可信度；γ_i为第i个主蒸汽压力的权重，即为实测的主蒸汽压力和径向基函数神经网络输出的主蒸汽压力残差的可信度指标。

进一步，bang-bang控制器设计的具体方法包括：

bang-bang控制器数学表达式表示为：

$\mathrm{\&Delta;u}=\left\{\begin{array}{cc}-u_{\max }& ,e>u_b\\ 0& ,\left|e\right|\&le;u_b\\ u_{\max }& ,e<-u_b\end{array}\right.$

其中，Δu表示控制器的输出值，u_max为设定的最大控制量，即燃料量的最大调节量，中u_max取3t/h；e表示期望的主蒸汽压力值与模型预测出的主蒸汽压力的差值，|e|表示误差e的绝对值，u_b表示差值的临界值，u_b取0.004Mpa。

进一步，模糊控制器的设计方法具体包括：

第一步，模糊控制器采用二维的模糊控制器，将得到的主蒸汽压力值与所期望的主蒸汽压力值做比较，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，以燃料量的增量Δu₁作为输出，值可正可负，正值表示燃料量增加，负值表示燃料量减少；

第二步，e和e_c经量化因子k_e和k_c模糊化后得到控制器的输入E和E_C，中量化因子分别取0.9和1.1；

第三步，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；

第四步，当主蒸汽压力误差为正大，主蒸汽压力误差变化率为正大时，表示主蒸汽压力比期望的值高很多，且温度升高的速度很快，那么减少燃料量；

第五步，将得到的结果进行去模糊，去模糊化的方法采用加权平均法，数学表达式为：

$\mathrm{\&Delta;}{u}^{*}=\frac{\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}\left(\mathrm{\&Delta;}{u}_i^{\&prime;}{\mathrm{\&mu;}}_i\right)}{\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_i};$

其中，Δu^*是清晰化燃料量增量；Δu′是模糊推理出的燃料量增量；μ是模糊隶属度函数；Δu^*通过比例因子便得到最终的引风量增量Δu₁。

进一步，对比模型的可信度和模型的输出值具体方法包括：

根据计算出的可信度和径向基函数神经网络模型的输出值来确定采用模糊和bang-bang控制策略中的哪种控制策略；

当可信度时，期望的主蒸汽压力值与模型预测出的主蒸汽压力差值的绝对值大于0.004MPa时，采用bang-bang控制策略；当可信度时，期望的主蒸汽压力值与模型预测出的主蒸汽压力差值的绝对值小于0.004MPa时，采用模糊控制策略。

本发明可以有效地降低循环流化床锅炉运营成本，提高了循环流化床锅炉运行的安全性和稳定性，延长了运行时间和寿命；提高了燃烧效率，达到节能减排的目的，较好的解决了现有的锅炉运行自动化水平较低，过于依赖有经验的操作人员，操作不当会致使运行效率低、不能满足负荷的需求，人工控制下的燃烧效率不理想的问题。

附图说明

图1是本发明实施例提供的RBF神经网络的拓扑结构图；

图2是本发明实施例提供的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法流程图；

图3是本发明实施例提供的模糊控制框图；

图4是本发明实施例提供的隶属度函数图；

图5是本发明实施例提供的燃料量拟合误差图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图2所示，本发明实施例的一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法包括以下步骤：

S201：根据流化床锅炉的实际运行情况，选取燃料量u作为径向基函数(RBF)神经网络模型的输入，将循环流化床锅炉的主蒸汽压力y作为径向基函数(RBF)神经网络模型的输出；

由于燃料量变化时，主蒸汽压力也随之变化，变化较为明显，故此模型能很好的反映出热电锅炉蒸汽量情况；

S202：建模的方法采用基于高斯核函数的径向基函数(RBF)神经网络；

表示形式简单，即使对于多变量输入也不会增加太多的复杂性；光滑性好，任意阶导数均存在；解析性好，便于理论性分析；

S203：将建立的模型与实际值进行误差估计，确定模型的可信度；

S204：设计bang-bang控制器和模糊控制器；

与单一的控制器相比，能更好更迅速的控制蒸汽量，达到理想负荷，控制效果较单一控制器更好；针对循环流化床锅炉的特性，设计稳定、实用的控制系统，可以有效地降低循环流化床锅炉运营成本，提高了循环流化床锅炉运行的安全性和稳定性，延长了运行时间和寿命；

S205：根据步骤S203中可信度和模型的输出值来确定采用模糊和bang-bang控制策略中的哪种控制策略；

由于bang-bang控制响应快，过渡时间短，能很好的预测出下一时刻的主蒸汽压力值，能满足模糊和bang-bang控制的需求，提高了燃烧效率，达到节能减排的目的，较好的解决了现有的锅炉运行自动化水平较低，过于依赖有经验的操作人员，操作不当会致使运行效率低、不能满足负荷的需求，人工控制下的燃烧效率不理想的问题。

在步骤S201中，对循环流化床锅炉的主蒸汽压力有影响的主要因素是一次风和燃料量；其中一次风对主蒸汽压力的影响过程非常复杂，并且整体上对主蒸汽压力的影响相对较小，故不作为模型的输入；在其他参数不变的条件下，燃料量增加后，首先反映炉膛下部物料中的含碳量增加，且炉膛下部的床温的上升，从而导致从炉膛下部进去炉膛上部的物料将更多的热量及碳带入上部，使炉膛上部的燃烧也随之加剧，工质从炉膛吸收的热量也相应增加，汽包内蒸发量增大，最终导致主蒸汽压力增大；故选取燃料量u作为径向基函数(RBF)神经网络模型的输入，将循环流化床锅炉的主蒸汽压力y作为径向基函数(RBF) 神经网络模型的输出；

在步骤S202中，具体方法包括：

径向基函数(RBF)神经网络的拓扑结构图如图1所示，径向基函数(RBF)神经网络只有三层网络结构：输入层、隐含层、以及输出层，相互之间没有环路，隐含层和输出层的神经元被用来进行数学运算；径向基函数(RBF)神经网络的隐含层神经元的核函数采用高斯函数；

径向基函数(RBF)神经网络的数学表达式为：

$y(k+1)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i\exp (-\frac{1}{2{{\mathrm{\&sigma;}}_i}^2}{\left|\right|x_p-c_i\left|\right|}^2)---\left(1\right)$

式中，神经元的个数n经过反复试验，确定为5，ω_i为隐层到输出层的权值，σ为基宽度(扩展常数)，x_p＝(u_p(k)，y_p(k))′为第p个输入样本(p＝1，2，...，100)，u_p(k)为燃料量，y_p(k)为当前时刻的主蒸汽压力，y(k+1)为下一时刻的主蒸汽压力，‖x_p-c_i‖²为欧式范数；c_i为高斯函数的中心；

神经网络经过训练后，便可进行建模；网络的训练是指对模型中参数的辨识，其中神经元个数的确定要通过仿真实验得出，另外的三个参数(ω_i，σ和c_i)需要通过算法得出；本发明采用的算法是梯度下降法；

梯度下降法的具体计算步骤为：

第一步，给定初始的燃料量值为25t/h，和收敛的精度0.5，且系数K的值定为0；

第二步，计算函数梯度，并构造搜索方向：(表示求导数，X_k代表神经网络中要训练的参数)；

第三步，搜索最优步长α_k，并求出新的迭代点：

$\min f(X_k-\mathrm{\&alpha;}\&dtri;f\left(X_k\right))\&RightArrow;{\mathrm{\&alpha;}}_k$ (min表示取最小值)；

$X_{k+1}=X_k-{\mathrm{\&alpha;}}_k\&dtri;f\left(X_k\right);$

第四步，收敛判断，满足就迭代终止，否则，k＝k+1，转入第二步再次计算，直到满足要求；其中表示求范数；

在步骤S203中，具体方法包括：

建模误差情况要通过可信度来衡量；将径向基函数(RBF)神经网络输出的主蒸汽压力序列减去实测的主蒸汽压力序列，可得到残差序列；对残差序列建立适当的数学模型，并给出相应的数值指标，即为残差的可信度，其具体表达式为：

${\mathrm{\&gamma;}}_i=\left|y_i\right|/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left|y_i\right|---\left(2\right)$

$x_i=1-\frac{|y_i-{\hat{y}}_i|}{\max \left(\right|y_i|-|{\hat{y}}_i\left|\right)}---\left(3\right)$

式中：{y_i，i＝1，2，...，N}和分别为实测的主蒸汽压力序列和径向基函数(RBF)神经网络输出的主蒸汽压力序列；x_i为第i个主蒸汽压力的可信度；γ_i为第i个主蒸汽压力的权重，即为实测的主蒸汽压力和径向基函数(RBF)神经网络输出的主蒸汽压力残差的可信度指标；

在步骤S204中，具体方法包括：

首先阐述bang-bang控制器的设计：

由于bang-bang控制响应快，过渡时间短，所以被广泛的应用于控制系统中，其数学表达式可表示为：

$\mathrm{\&Delta;u}=\left\{\begin{array}{cc}-u_{\max }& ,e>u_b\\ 0& ,\left|e\right|\&le;u_b\\ u_{\max }& ,e<-u_b\end{array}\right.---\left(5\right)$

其中，(是数学符号)Δu表示控制器的输出值，u_max为设定的最大控制量，即燃料量的最大调节量，本发明中u_max取3t/h；e表示期望的主蒸汽压力值与模型预测出的主蒸汽压力的差值，|e|表示误差e的绝对值，u_b表示差值的临界值，本发明中u_b取0.004MPa；

然后阐述模糊控制器的设计：

第一步，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，隶属度函数图如图4所示；步骤S202中计算得到的主蒸汽压力值与我们所期望的主蒸汽压力值做比较，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，以燃料量的增量Δu₁作为输出(其值可正可负，正值表示燃料量增加，负值表示燃料量减少)；

第二步，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；

第三步，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；

第四步，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，流化床锅炉燃料量的控制规则表如表1所示；比如当主蒸汽压力误差为正大，主蒸汽压力误差变化率为正大时，表示主蒸汽压力比期望的值高很多，且温度升高的速度很快，那么就应该减少燃料量；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燃料量控制规则表

第五步，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：

$\mathrm{\&Delta;}{u}^{*}=\frac{\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}\left(\mathrm{\&Delta;}{u}_i^{\&prime;}{\mathrm{\&mu;}}_i\right)}{\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_i}---\left(7\right)$

其中，Δu^*是清晰化燃料量增量；Δu′是模糊推理出的燃料量增量；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；

在步骤S205中，具体方法包括：

根据公式(4)计算出的可信度和径向基函数(RBF)神经网络模型的输出值来确定采用模糊和bang-bang控制策略中的哪种控制策略；当可信度 时，期望的主蒸汽压力值与模型预测出的主蒸汽压力差值的绝对值大于0.004MPa时，采用bang-bang控制策略；当可信度时，期望的主蒸汽压力值与模型预测出的主蒸汽压力差值的绝对值小于0.004MPa时，采用模糊控制策略。

通过以下的实施例对本发明做进一步的说明：

实施例1

步骤一，选取100个时刻的燃料量作为在RBF神经网络的输入，神经元的个数经过反复试验确定为5，网络的中心、权值以及基宽度都采用梯度下降法进行训练；然后计算由模型得到的主蒸汽压力可信度；最终得到的RBF神经网络模型为：

$y(k+1)=\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i\exp (-\frac{1}{2{{\mathrm{\&sigma;}}_i}^2}{\left|\right|x_p-c_i\left|\right|}^2);$

其中：

权值w_i＝[39.7305321 96.1073312 19.1010052 114.9258460 73.9998213]；

中心 $c_i=\left\{\begin{array}{ccccc}30.5910874& 28.4876484& 20.7480918& 25.7259362& 27.3639078\\ 305.423656& 294.172423& 290.377302& 305.925773& 299.312145\end{array}\right\};$

基宽度σ_i＝[-56.4155849 39.8366447 23.1554569 124.0135543 31.5568741]；

RBF神经网络模型的拟合误差情况如图5所示；

步骤二，将模型输出的主蒸汽压力值与0.33MPa(期望的主蒸汽压力值)做比较，得出误差e，判断误差e的绝对值小于0.004MPa，则采用模糊控制策略；具体的，主蒸汽压力值的差值用量化因子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；根据设定好的燃料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，从而得到最终的燃料量增量，据此调节流化床锅炉的燃料量，使流化床锅炉主蒸汽压力值稳定在0.33MPa左右；

由仿真误差可知，基于误差估计的RBF神经网络方法能很好的预测出下一时刻的主蒸汽压力值，能满足模糊和bang-bang控制的需求，提高了燃烧效率，达到节能减排的目的。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法是一种基于蒸汽负荷预测且兼顾其可信度的热电锅炉蒸汽量bang-bang与模糊控制方法，其特征在于，该基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法采用基于高斯核函数的径向基函数神经网络建立模型，将建立的模型与实际值进行误差估计；确定模型的可信度；设计bang-bang控制器和模糊控制器，对比模型的可信度和模型的输出值。

2.如权利要求1所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，其特征在于，采用基于高斯核函数的径向基函数神经网络建立模型之前需要选取燃料量u作为径向基函数神经网络模型的输入，将循环流化床锅炉的主蒸汽压力y作为径向基函数神经网络模型的输出。

3.如权利要求1所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，其特征在于，径向基函数神经网络为输入层、隐含层、输出层三层网络结构。

4.如权利要求3所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，其特征在于，径向基函数神经网络的隐含层神经元的核函数采用高斯函数；

径向基函数神经网络的数学表达式为：

$y(k+1)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i\exp (-\frac{1}{2{{\mathrm{\&sigma;}}_i}^2}{\left|\right|x_p-c_i\left|\right|}^2);$

式中，神经元的个数n为5，ω_i为隐层到输出层的权值，σ为基宽，x_p＝(u_p(k)，y_p(k))′为第p个输入样本(p＝1，2，...，100)，u_p(k)为燃料量，y_p(k)为当前时刻的主蒸汽压力，y(k+1)为下一时刻的主蒸汽压力，||x_p-c_i||²为欧式范数；c_i为高斯函数的中心，神经网络经过对模型中参数采用梯度下降法进行辨识后，便进行建模。

5.如权利要求4所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，其特征在于，参数ω_i，σ和c_i通过梯度下降法得出，具体包括：

第一步，给定初始的燃料量值为25t/h，和收敛的精度0.5，且系数K的值定为0；

第二步，计算函数梯度，并构造搜索方向： 表示求导数，X_k代表神经网络中要训练的参数；

第三步，搜索最优步长α_k，并求出新的迭代点：

$\min f(X_k-\mathrm{\&alpha;}\&dtri;f\left(X_k\right))\&RightArrow;{\mathrm{\&alpha;}}_k;$ min表示取最小值；

$X_{k+1}=X_k-{\mathrm{\&alpha;}}_k\&dtri;f\left(X_k\right);$

第四步，收敛判断，满足就迭代终止，否则，k＝k+1，转入第二步再次计算，直到满足要求；其中表示求范数。

6.如权利要求1所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，其特征在于，将建立的模型与实际值进行误差估计具体方法包括：

将径向基函数神经网络输出的主蒸汽压力序列减去实测的主蒸汽压力序列，得到残差序列；对残差序列建立适当的数学模型，并给出相应的数值指标，即为残差的可信度，具体表达式为：

${\mathrm{\&gamma;}}_i=\left|y_i\right|/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left|y_i\right|;$

$x_i=1-\frac{|y_i-{\hat{y}}_i|}{\max \left(\right|y_i|-|{\hat{y}}_i\left|\right)};$

式中：{y_i，i＝1，2，...，N}和分别为实测的主蒸汽压力序列和径向基函数神经网络输出的主蒸汽压力序列；x_i为第i个主蒸汽压力的可信度；γ_i为第i个主蒸汽压力的权重，即为实测的主蒸汽压力和径向基函数神经网络输出的主蒸汽压力残差的可信度指标。

7.如权利要求1所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，其特征在于，bang-bang控制器设计的具体方法包括：

bang-bang控制器数学表达式表示为：

$\mathrm{\&Delta;u}=\left\{\begin{array}{cc}-u_{\max }& ,e>u_b\\ 0& ,\left|e\right|\&le;u_b\\ u_{\max }& ,e<-u_b\end{array}\right.$

其中，Δu表示控制器的输出值，u_max为设定的最大控制量，即燃料量的最大调节量，中u_max取3t/h；e表示期望的主蒸汽压力值与模型预测出的主蒸汽压力的差值，|e|表示误差e的绝对值，u_b表示差值的临界值，u_b取0.004Mpa。

8.如权利要求1所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，其特征在于，模糊控制器的设计方法具体包括：

第一步，模糊控制器采用二维的模糊控制器，将得到的主蒸汽压力值与所期望的主蒸汽压力值做比较，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，以燃料量的增量Δu₁作为输出，值可正可负，正值表示燃料量增加，负值表示燃料量减少；

第二步，e和e_c经量化因子k_e和k_c模糊化后得到控制器的输入E和E_C，中量化因子分别取0.9和1.1；

第三步，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；

第四步，当主蒸汽压力误差为正大，主蒸汽压力误差变化率为正大时，表示主蒸汽压力比期望的值高很多，且温度升高的速度很快，那么减少燃料量；

第五步，将得到的结果进行去模糊，去模糊化的方法采用加权平均法，数学表达式为：

$\mathrm{\&Delta;}{u}^{*}=\frac{\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}\left(\mathrm{\&Delta;}{u}_i^{\&prime;}{\mathrm{\&mu;}}_i\right)}{\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_i};$

其中，Δu^*是清晰化燃料量增量；Δu′是模糊推理出的燃料量增量；μ是模糊隶属度函数；Δu^*通过比例因子便得到最终的引风量增量Δu₁。

9.如权利要求1所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，其特征在于，对比模型的可信度和模型的输出值具体方法包括：

根据计算出的可信度和径向基函数神经网络模型的输出值来确定采用模糊和bang-bang控制策略中的哪种控制策略；

当可信度时，期望的主蒸汽压力值与模型预测出的主蒸汽压力差值的绝对值大于0.004MPa时，采用bang-bang控制策略；当可信度时，期望的主蒸汽压力值与模型预测出的主蒸汽压力差值的绝对值小于0.004MPa时，采用模糊控制策略。

10.如权利要求4所述的基于误差估计及蒸汽负荷预测的热电锅炉蒸汽量控制方法，其特征在于，所述的建模的具体方法为：

步骤一、确定神经元的个数为5；

步骤二、采用梯度下降法对神经网络的权值、宽度和中心进行辨识；

步骤三、将辨识好的参数带入到神经网络模型中，使神经网络模型有具体的数学表达式，完成了神经网络模型的建立。