CN109028139A - 一种基于自适应神经模糊pid控制的锅炉燃烧优化方法 - Google Patents

Abstract

本发明公开了一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，包括确定自适应神经模糊推理系统的结构，自适应神经模糊推理系统由3个双输入单输出的Sugeno系统并联组成，其输入为偏差e和偏差变化ec，输出分别为PID控制器3个参数的变化量ΔK_p、ΔK_i和ΔK_d；对输入输出进行模糊化，确定初始自适应神经模糊推理系统的前件参数并设置训练参数，训练初始自适神经模糊推理系统；将自适应神经模糊推理系统与PID控制器相结合组成自适应神经模糊PID控制器，获取自适应神经模糊PID控制器的参数K_p、K_i和K_d，最后将其输出作用于变频器，完成对风机转速的控制。从而提高燃烧效率，达到燃烧优化，节能减排的目的。

Description

一种基于自适应神经模糊PID控制的锅炉燃烧优化方法

技术领域

本发明属于智能控制、自动控制领域，具体涉及一种基于自适应神经模糊PID控制的锅炉燃烧优化方法。

背景技术

锅炉是一种能量转换设备，在火力发电、矿产、船舶、民用供暖等中都是不可或缺的。电站锅炉作为火力发电厂的三大主机设备之一，若其效率低下，不仅会减少火电厂的效益，浪费煤资源，产生的NO_x还会造成环境污染。

火电厂的锅炉燃烧系统是整个后续生产的基础，风煤比的合理与否决定燃烧是否完全。一方面，锅炉燃烧系统是一个多变量、非线性、强耦合、强干扰、大滞后的系统，其精确的数学模型很难建立。另一方面，经典的PID控制需要解耦，受人为因素影响较大，而且煤种增多和机组并网等都对锅炉燃烧系统的控制提出了更高的要求。因此，锅炉燃烧系统的优化已经成为了火电厂升级改革，响应国家节能减排号召的必由之路。

发明内容

本发明的目的是提供一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，利用自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference Systems，简称ANFIS)，解决目前大多数锅炉燃烧系统中PID控制参数不能自整定，模糊PID控制中隶属度对专家知识经验依赖性强的问题。

为实现上述目的本发明采用以下技术方案：

一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，主要包括自适应神经模糊PID控制的仿真和在锅炉燃烧系统的实现两部分，其特征在于，包括如下步骤：

步骤1：确定自适应神经模糊推理系统的结构，自适应神经模糊推理系统由3个双输入单输出的Sugeno系统并联组成，其输入为偏差e和偏差变化ec，输出分别为PID控制器3个参数的变化量ΔK_p、ΔK_i和ΔK_d；

步骤2：对步骤1中的输入输出进行模糊化，确定初始自适应神经模糊推理系统的前件参数并设置训练参数，训练初始自适神经模糊推理系统，最后经过推理得到输出ΔK_p、ΔK_i和ΔK_d；

步骤3：将自适应神经模糊推理系统与PID控制器相结合组成自适应神经模糊PID控制器，获取自适应神经模糊PID控制器的参数K_p、K_i和K_d，最后将其输出作用于变频器，完成对风机转速的控制。

作为本发明进一步的方案，步骤1具体为：

将红外温度传感器采集到的炉膛温度经过平均滤波、定标后，与设定温度做差，得到炉膛温度的偏差e和偏差变化ec，参照实际锅炉燃烧系统的运行情况，确定输入输出的实际变化范围，即实际论域。

作为本发明进一步的方案，步骤2具体为：

步骤2.1：确定输入输出的模糊量化等级，模糊论域以及对应的量化因子，完成模糊化；

步骤2.2：确定初始自适应神经模糊推理系统的前件参数，即隶属度函数的形状和参数，生成初始自适应神经模糊推理系统；

步骤2.3：确定学习方法、训练的步长和次数等训练参数，训练初始自适应神经模糊推理系统，产生模糊控制规则和隶属度函数，将自适应神经模糊推理系统的输出ΔK_p、ΔK_i和ΔK_d制成离线控制表；

步骤2.4：搭建基于自适应神经模糊PID控制的锅炉燃烧系统模型进行仿真。

作为本发明进一步的方案，步骤3具体为：

步骤3.1：将步骤2中自适应神经模糊推理系统的输出ΔK_p、ΔK_i和ΔK_d与PID控制器的参数K_p0、K_i0和K_d0对应相加得到自适应神经模糊PID控制器的参数K_p、K_i和K_d；

步骤3.2：将自适应神经模糊PID控制器的输出作用于变频器，从而控制煤粉风机和净风风机的转速，最终达到控制炉膛温度的目的。

本发明的有益效果是：本发明一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，设计自适应神经模糊PID控制器控制锅炉燃烧系统中的炉膛温度，避免了对锅炉燃烧系统建模，相比于常规PID控制，其参数可调，相比于模糊PID控制，可以自动产生隶属度函数和模糊控制规则，而且系统响应速度快，鲁棒性好，对炉膛温度的控制更精准，可使炉膛温度保持在最佳燃烧区，从而提高燃烧效率，降低NO_x和烟尘等的排放量，达到燃烧优化，节能减排的目的。

附图说明

图1是基于自适应神经模糊PID控制的锅炉燃烧优化系统的结构示意图。

图2是自适应神经模糊推理系统的训练过程流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细阐述。

本发明一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，其控制系统结构示意图如图1所示。自适应神经模糊推理系统部分由自适应神经模糊推理系统1、自适应神经模糊推理系统2和自适应神经模糊推理系统3并列组成，其结构均为双输入单输出。炉膛温度的偏差e和偏差变化ec作为自适应神经模糊推理系统的输入，自适应神经模糊推理系统的输出为PID控制器的参数的变化量ΔK_p、ΔK_i和ΔK_d，与PID控制器的初始参数K_p0、K_i0和K_d0对应相加作为自适应神经模糊PID控制器的参数。最终自适应神经模糊PID控制器的输出作为控制量作用于变频器，完成对炉膛温度的控制。具体的实施步骤如下：

步骤1：获取自适应神经模糊PID控制器的输入信号。确定自适应神经模糊推理系统的输入输出的实际论域。

步骤1.1：红外温度传感器采集到的0-20mA电流信号经过平均、定标后，与定标后的设定温度做差，得到炉膛温度的偏差e和偏差变化ec。

步骤1.2：根据锅炉的实际运行情况，确定炉膛温度的偏差e和偏差变化ec，自适应神经模糊推理系统的输出量ΔK_p、ΔK_i和ΔK_d的实际论域。

步骤2：对自适应神经模糊推理系统的输入输出进行模糊化，确定初始自适应神经模糊推理系统的前件参数，生成初始自适应神经模糊推理系统，设置训练参数，训练初始自适应神经模糊推理系统，最后经过推理得到输出ΔK_p、ΔK_i和ΔK_d。

步骤2.1：确定输入输出的模糊量化等级，模糊论域，输入的量化因子。若输入的实际论域为[-x,x]，模糊论域为[-N,N]，则量化因子计算如下：

步骤2.2：确定初始自适应神经模糊推理系统的前件参数，即隶属度函数的形状和参数，生成初始自适应神经模糊推理系统。如图1所示：输入依次经过隶属度函数层、规则强度释放层、规则强度归一化层、模糊规则输出层和信号总输出层五层计算后，就可得到自适应神经模糊推理系统的输出。仿真时，将输入输出数据导入MATLAB的工作空间，确定初始自适应神经模糊推理系统的前件参数，即输入输出隶属度函数的个数、形状参数，采用网格分割法，利用genfis1函数生成一个初始自适应神经模糊推理系统。

步骤2.3：训练初始自适应神经模糊推理系统，产生模糊控制规则和隶属度函数。将自适应神经模糊推理系统的输出ΔK_p、ΔK_i和ΔK_d制成离线控制表。

步骤2.3.1：如图2所示：确定学习算法、训练次数、期望误差、初始步长和步长递增和递减速率。取输入输出数据的前半部分作为训练数据，利用anfis函数训练初始自适应神经模糊推理系统，获得隶属度函数的参数。利用输入输出数据的后半部分作为检验数据，用来检验训练后的自适应神经模糊推理系统的准确度。

步骤2.3.2：记录训练后的自适应神经模糊推理系统的参数，将其输出制成离线控制表。

步骤2.4：选一阶大滞后惯性系统作为被控对象，采用自适应神经模糊PID控制器控制，搭建基于自适应神经模糊PID控制的锅炉燃烧系统模型进行仿真。

步骤3：将ΔK_p、ΔK_i和ΔK_d的离线控制表存储在PLC中。编写程序，实现对锅炉燃烧系统的优化。

步骤3.1：将ΔK_p、ΔK_i和ΔK_d的离线控制表存储在PLC中。编写信号采集与处理、查离线控制表、自适应神经模糊PID控制、变频器控制等程序。

步骤3.2：将步骤2中自适应神经模糊推理系统的输出ΔK_p、ΔK_i和ΔK_d与PID控制器的参数K_p0、K_i0和K_d0对应相加得到自适应神经模糊PID控制器的参数K_p、K_i和K_d。自适应神经模糊PID控制器的输出作用于变频器，从而控制煤粉风机和净风风机的转速，最终达到控制炉膛温度的目的。

本发明一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，采用自适应神经模糊推理系统自动产生隶属度函数和模糊规则，自适应神经模糊PID控制器控制锅炉燃烧系统的炉膛温度，避免了对锅炉燃烧系统建模，对专家知识和经验的依赖性小，控制精准，响应速度快，可使炉膛温度保持在最佳燃烧区，从而提高燃烧效率，实现锅炉燃烧系统的优化。

以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。

Claims (4)

1.一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，主要包括自适应神经模糊PID控制的仿真和在锅炉燃烧系统的实现两部分，其特征在于，包括如下步骤：

步骤1：确定自适应神经模糊推理系统的结构，自适应神经模糊推理系统由3个双输入单输出的Sugeno系统并联组成，其输入为偏差e和偏差变化ec，输出分别为PID控制器3个参数的变化量ΔK_p、ΔK_i和ΔK_d；

步骤2：对步骤1中的输入输出进行模糊化，确定初始自适应神经模糊推理系统的前件参数并设置训练参数，训练初始自适神经模糊推理系统，最后经过推理得到输出ΔK_p、ΔK_i和ΔK_d；

步骤3：将自适应神经模糊推理系统与PID控制器相结合组成自适应神经模糊PID控制器，获取自适应神经模糊PID控制器的参数K_p、K_i和K_d，最后将其输出作用于变频器，完成对风机转速的控制。

2.如权利要求1所述的一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，其特征在于，

步骤1具体为：

步骤1.1：红外温度传感器采集到的0-20mA电流信号经过平均、定标后，与定标后的设定温度做差，得到炉膛温度的偏差e和偏差变化ec；

步骤1.2：根据锅炉的实际运行情况，确定炉膛温度的偏差e和偏差变化ec，自适应神经模糊推理系统的输出量ΔK_p、ΔK_i和ΔK_d的实际论域。

3.如权利要求1所述的一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，其特征在于，步骤2具体为：

步骤2.1：确定输入输出的模糊量化等级，模糊论域以及对应的量化因子，完成模糊化；

步骤2.2：确定初始自适应神经模糊推理系统的前件参数，即隶属度函数的形状和参数，生成初始自适应神经模糊推理系统；

步骤2.3：确定学习方法、训练的步长和次数等训练参数，训练初始自适应神经模糊推理系统，产生模糊控制规则和隶属度函数，将自适应神经模糊推理系统的输出ΔK_p、ΔK_i和ΔK_d制成离线控制表；

步骤2.4：搭建基于自适应神经模糊PID控制的锅炉燃烧系统模型进行仿真。

4.如权利要求1所述的一种基于自适应神经模糊PID控制的锅炉燃烧优化方法，其特征在于，步骤3具体为：

步骤3.1：将步骤2中自适应神经模糊推理系统的输出ΔK_p、ΔK_i和ΔK_d与PID控制器的参数K_p0、K_i0和K_d0对应相加得到自适应神经模糊PID控制器的参数K_p、K_i和K_d；

步骤3.2：将自适应神经模糊PID控制器的输出作用于变频器，从而控制煤粉风机和净风风机的转速，最终达到控制炉膛温度的目的。