CN109375503A - 一种蒸汽余热梯级利用优化控制方法 - Google Patents

Abstract

本发明公开了一种蒸汽余热梯级利用优化控制方法，包括：在热电主蒸汽回路中，通过串联抽背式汽轮机和背压式汽轮机梯级做功，并将冗余蒸汽送回锅炉作为给水，形成闭环系统；建立径向基函数神经网络模型，通过径向基函数神经网络拟合串联部分的汽轮机热负荷曲线；建立锅炉蒸汽余热梯级利用PID控制模型，通过热负荷曲线计算扰动量输入到模糊神经网络进行优化，将扰动量反馈至锅炉导前区和惰性区的被控量进行比较，利用改进的PID控制，完成锅炉蒸汽余热梯级利用的优化控制。该方法将不同压力、不同温度的蒸汽余热回收利用，通过模糊神经网络对蒸汽温度和压强进行自动化平稳控制，不仅能够节能减排，进一步实现资源综合利用，还可以增加电厂的发电能力。

Description

一种蒸汽余热梯级利用优化控制方法

技术领域

本发明涉及蒸汽回收、神经网络、PID控制领域，具体涉及一种蒸汽余热梯级利用优化控制方法。

背景技术

为了充分利用火电厂锅炉过热蒸汽发电做功后的蒸汽余热，热电厂通常用背压式汽轮机代替传统的减温减压装置。支路上的工业热用户对蒸汽的使用不可避免的将产生热负荷扰动，现有的蒸汽余热利用控制方法主要是基于水蒸汽朗肯循环的再热循环和回热抽汽，以及烧结余热回收等方法，存在蒸汽温度波动较大、余热回收效率不稳定的问题，系统自动优化性能较差，虽然实现了部分蒸汽的再循环利用，但再利用率仍有很大的提升空间。另一方面，现有的控制方法在支路上并联大量的工业热负荷时，无法很好地保证主蒸汽的参数稳定。

发明内容

为解决上述问题，本发明的目的在于提供一种具有较好的鲁棒性和实用性的蒸汽余热梯级利用优化控制方法，将不同压力、不同温度的蒸汽余热合理回收利用，通过模糊神经网络对蒸汽温度和压强进行实时的自动化平稳控制，不仅能够节能减排，进一步实现资源综合利用，还可以增加电厂的发电能力，极大地提高热经济性。

本发明解决其问题所采用的技术方案，包括以下步骤：

A.在热电主蒸汽回路中，通过串联抽背式汽轮机和背压式汽轮机梯级做功代替现在的减温减压器或单一的背压式汽轮机，并将冗余蒸汽送回锅炉作为给水，形成闭环系统；

B.建立径向基函数神经网络模型，通过径向基函数神经网络拟合串联部分的汽轮机热负荷曲线；

C.建立锅炉蒸汽余热梯级利用PID控制模型，通过热负荷曲线计算扰动量输入到模糊神经网络进行优化，将扰动量反馈至锅炉导前区和惰性区的被控量进行比较，利用改进的PID控制，完成锅炉蒸汽余热梯级利用的优化控制。

在本发明的一个实施例中，所述步骤B包括：

(1)构建径向基函数神经网络，每一个时间段统计每个串联减温减压汽轮机的热负荷，共统计24小时，将热负荷数据作为径向基函数神经网络的输入X＝{x₁，x₂，...，x_n}，输入层神经元数量为n，隐含层神经元的个数m取决于样本的数量和实际需求，输入层到隐含层之间通过输入样本与中心点的距离连接，直接映射到隐空间，计算样本间距：

d_ij＝||x_i-x_j||²i，j＝1，2，...，n

计算从x_i到x_j的概率P_ij：

若P_ij大于设定的距离阈值，则将x_i和x_j归为同一类，将与该类中其他元素距离和最小的元素作为该类的中心，计算总体误差：

其中，x₀是该类中心，若ε小于设定的误差阈值，则停止分类；否则按上述方法继续分类，直至精度达到设定值；

(2)隐含层的激活函数(即径向基函数)采用高斯形式：

其中，σ是基函数的方差，d是同一类中任一点到该类中心的距离：

其中，c_max是各类中心点之间的最大距离，通过激活函数得到隐含层的输出，传送给输出层，神经网络的输出是隐单元输出的线性加权和：

其中，ω是隐含层与输出层之间的权值，通过最小二乘法计算隐含层到输出层的权值：

权值调整公式为：

Δω＝η(h_k-ω^f)

其中，η是权值调整步长，h_k是神经网络实际输出与理想输出的差值矩阵，通过循环迭代调整权值和阈值优化神经网络的输出，当h_k小于提前设立的阈值时，停止迭代，达到了预期误差范围内的理想拟合效果，得到串联减温减压汽轮机的热负荷曲线。

在本发明的一个实施例中，所述步骤C包括：

(1)建立锅炉蒸汽余热梯级利用PID控制模型，通过步骤B得到的热负荷曲线计算扰动量：

e(t)＝{e₁，e₂，...，e_N}

e_j(t)＝|Q_j-Q|j＝1，2，...，N

其中，e_j(t)是第j个串联汽轮机的扰动量，Q_j是第j个串联汽轮机的热负荷，Q是主汽轮机的额定热负荷，N是串联汽轮机的数量，t是时间，扰动误差为：

Δe(t)＝e(t)-e(t-1)

e(t)和Δe(t)是PID控制器的输入，其控制规律为：

其中，k_p、k_i、k_d分别是比例系数、积分系数、微分系数，k是采样序列，u(k)是第k次采样时刻控制器输出值，PID控制器的参数调整过程主要是对比例、积分、微分三个参数进行在线控制；

(2)构建模糊神经网络，建立输入误差e(k)、误差变化Δe(k)和PID控制器三个参数的二元函数关系：

k_p＝f₁(e，Δe)

k_i＝f₂(e，Δe)

k_d＝f₃(e，Δe)

其中，f₁、f₂、f₃表示模糊神经网络，输入层是输入误差e和误差变化Δe，模糊化层的隶属函数由高斯函数可得：

其中，x_i为输入变量，c_ij是隶属函数中心，σ是隶属函数宽度，i、j分别是第i个输入层神经元和第j个模糊化层神经元，模糊规则层的激活函数为：

o₃(i)＝o₂(x₁)*o₂(x₂)

输出层的函数为：

其中，ω_ij是模糊规则层到输出层的权值系数，输入误差和误差变化，先对其进行模糊量化处理，得到模糊变量，按模糊控制规则进行模糊推理，再由解模糊得到模糊控制量U，构造神经网络的性能指标函数：

其中，y_e是神经网络的期望输出，y是实际输出，更新网络权值：

其中，μ是学习效率，则输出层权值为：

ω_j(k)＝ω_j(k-1)+Δω_j(k)+α[ω_j(k-1)-ω_j(k-2)]

其中，k是网络迭代步数，α是学习因子，当迭代步数达到预先设立的迭代阈值时，停止迭代，从而对PID参数进行优化，PID控制器根据串联汽轮机的扰动量，利用调节器对锅炉蒸汽余热的输出进行精确控制，从而完成锅炉蒸汽余热梯级利用的优化控制。

本发明的有益效果是：

在蒸汽余热回收越来越重要的情况下，本发明具有较好的鲁棒性和实用性，将不同压力、不同温度的蒸汽余热合理回收利用，通过模糊神经网络对蒸汽温度和压强进行自动化平稳控制，不仅能够节能减排，进一步实现资源综合利用，还可以增加电厂的发电能力，极大地提高热经济性。

附图说明

图1为本发明蒸汽余热梯级利用优化控制方法的整体流程图；

图2为本发明所述的锅炉蒸汽余热梯级利用系统模型图；

图3为采用本方法的串联减温减压汽轮机热负荷曲线样例；

图4为锅炉蒸汽余热梯级利用改进型PID控制方块图。

具体实施方式

参照图1，本发明所述的方法包括以下步骤：

A.建立锅炉蒸汽余热梯级利用系统，通过串联抽背式汽轮机梯级做功进行减温减压，并将冗余蒸汽送回锅炉作为给水，形成闭环系统；

(1)建立锅炉蒸汽余热梯级利用系统，如图2所示。锅炉中煤炭燃烧给水加热，水在锅炉内从液相通过蒸发作用变为气相，得到水蒸汽，水蒸汽区域分为导前区和惰性区，惰性区中的水蒸汽通过过热器再次加热，形成过热蒸汽，传输至主汽轮机，主汽轮机将过热蒸汽传输给发电机，依靠蒸汽的膨胀力推动涡轮叶轮旋转带动发电机发电，做功后的蒸汽通过排气装置输送给串联的抽背式汽轮机，抽背式汽轮机将蒸汽传输给与之相连的发电机进行发电，将产生的电能汇聚到主汽轮机发电机的电网中，串联抽背式汽轮机通过梯级做功，产生不同温度和压强的水蒸汽，达到减温减压的作用，可以供应给不同需求的工厂使用。

(2)串联减温减压汽轮机中的最后一个汽轮机是背压式汽轮机，其排放的蒸汽可用于普通居民用热，冗余蒸汽和低热焓的冷蒸汽将传输至冷凝器凝结为水，通过加压水泵传输至低压加热器，并通过除氧器进行除氧，避免氧气腐蚀锅炉的给水系统和部件，除氧后经过水泵传输至高压加热器，最终送回锅炉作为给水。由于串联减温减压汽轮机系统为工厂提供蒸汽，工厂在使用蒸汽时，对传输线路上蒸汽的温度和压强产生热负荷扰动，从而影响蒸汽余热梯级的利用。

B.建立径向基函数神经网络模型，通过径向基函数神经网络拟合串联减温减压汽轮机热负荷曲线；

(1)构建径向基函数神经网络，每一个时间段(如：15分钟)统计每个串联减温减压汽轮机的热负荷，共统计24小时，将热负荷数据作为径向基函数神经网络的输入X＝{x₁，x₂，...，x_n}，输入层神经元数量为n，隐含层神经元的个数m取决于样本的数量和实际需求。输入层到隐含层之间通过输入样本与中心点的距离连接，直接映射到隐空间。计算样本间距：

d_ij＝||x_i-x_j||²i，j＝1，2，...，n

计算从x_i到x_j的概率P_ij：

若P_ij大于设定的距离阈值，则将x_i和x_j归为同一类。将与该类中其他元素距离和最小的元素作为该类的中心，计算总体误差：

其中，x₀是该类中心。若ε小于设定的误差阈值，则停止分类；否则按上述方法继续分类，直至精度达到设定值。

(2)隐含层的激活函数(即径向基函数)采用高斯形式：

其中，σ是基函数的方差，d是同一类中任一点到该类中心的距离：

其中，c_max是各类中心点之间的最大距离。通过激活函数得到隐含层的输出，传送给输出层，神经网络的输出是隐单元输出的线性加权和：

其中，ω是隐含层与输出层之间的权值。通过最小二乘法计算隐含层到输出层的权值：

权值调整公式为：

Δω＝η(h_k-ω^f)

其中，η是权值调整步长，h_k是神经网络实际输出与理想输出的差值矩阵。通过循环迭代调整权值和阈值优化神经网络的输出，当h_k小于提前设立的阈值时，停止迭代，达到了预期误差范围内的理想拟合效果，得到串联减温减压汽轮机的热负荷曲线，如图3所示。

C.建立锅炉蒸汽余热梯级利用PID控制模型，通过热负荷曲线计算扰动量输入到模糊神经网络进行优化，将扰动量反馈至锅炉导前区和惰性区的被控量进行比较，利用改进的PID控制，完成锅炉蒸汽余热梯级利用的优化控制。

(1)建立锅炉蒸汽余热梯级利用PID控制模型，如图4所示。通过步骤B得到的热负荷曲线计算扰动量：

e(t)＝{e₁，e₂，...，e_N}

e_j(t)＝|Q_j-Q|j＝1，2，...，N

其中，e_j(t)是第j个串联汽轮机的扰动量，Q_j是第j个串联汽轮机的热负荷，Q是主汽轮机的额定热负荷，N是串联汽轮机的数量，t是时间。扰动误差为：

Δe(t)＝e(t)-e(t-1)

e(t)和Δe(t)是PID控制器的输入，其控制规律为：

其中，k_p、k_i、k_d分别是比例系数、积分系数、微分系数，k是采样序列，u(k)是第k次采样时刻控制器输出值。PID控制器的参数调整过程主要是对比例、积分、微分三个参数进行在线控制。

(2)构建模糊神经网络，建立输入误差e(k)、误差变化Δe(k)和PID控制器三个参数的二元函数关系：

k_p＝f₁(e，Δe)

k_i＝f₂(e，Δe)

k_d＝f₃(e，Δe)

其中，f₁、f₂、f₃表示模糊神经网络。输入层是输入误差e和误差变化Δe，模糊化层的隶属函数由高斯函数可得：

其中，x_i为输入变量，c_ij是隶属函数中心，σ是隶属函数宽度，i、j分别是第i个输入层神经元和第j个模糊化层神经元。模糊规则层的激活函数为：

o₃(i)＝o₂(x₁)*o₂(x₂)

输出层的函数为：

其中，ω_ij是模糊规则层到输出层的权值系数。输入误差和误差变化，先对其进行模糊量化处理，得到模糊变量，按模糊控制规则进行模糊推理，再由解模糊得到模糊控制量U。构造神经网络的性能指标函数：

其中，y_e是神经网络的期望输出，y是实际输出。更新网络权值：

其中，μ是学习效率。则输出层权值为：

ω_j(k)＝ω_j(k-1)+Δω_j(k)+α[ω_j(k-1)-ω_j(k-2)]

其中，k是网络迭代步数，α是学习因子。当迭代步数达到预先设立的迭代阈值时，停止迭代，从而对PID参数进行优化。PID控制器根据串联汽轮机的扰动量，利用调节器对锅炉蒸汽余热的输出进行精确控制，从而完成锅炉蒸汽余热梯级利用的优化控制。

综上所述，便完成了本发明所述的一种蒸汽余热梯级利用优化控制方法。该方法具有较好的鲁棒性和实用性，将不同压力、不同温度的蒸汽余热合理回收利用，通过模糊神经网络对蒸汽温度和压强进行自动化平稳控制，不仅能够节能减排，实现资源综合利用，还可以增加电厂的发电能力，提高热经济性。

Claims (3)

1.一种蒸汽余热梯级利用优化控制方法，其特征在于，包括以下步骤：

A.在热电主蒸汽回路中，通过串联抽背式汽轮机和背压式汽轮机梯级做功，并将冗余蒸汽送回锅炉作为给水，形成闭环系统；

B.建立径向基函数神经网络模型，通过径向基函数神经网络拟合串联部分的汽轮机热负荷曲线；

C.建立锅炉蒸汽余热梯级利用PID控制模型，通过热负荷曲线计算扰动量输入到模糊神经网络进行优化，将扰动量反馈至锅炉导前区和惰性区的被控量进行比较，利用改进的PID控制，完成锅炉蒸汽余热梯级利用的优化控制。

2.如权利要求1所述的蒸汽余热梯级利用优化控制方法，其特征在于，所述步骤B包括：

(1)构建径向基函数神经网络，每一个时间段统计每个串联减温减压汽轮机的热负荷，共统计24小时，将热负荷数据作为径向基函数神经网络的输入X＝{x₁，x₂，...，x_n}，输入层神经元数量为n，隐含层神经元的个数m取决于样本的数量和实际需求，输入层到隐含层之间通过输入样本与中心点的距离连接，直接映射到隐空间，计算样本间距：

d_ij＝||x_i-x_j||²i，j＝1，2，...，n

计算从x_i到x_j的概率P_ij：

若P_ij大于设定的距离阈值，则将x_i和x_j归为同一类，将与该类中其他元素距离和最小的元素作为该类的中心，计算总体误差：

其中，x₀是该类中心，若ε小于设定的误差阈值，则停止分类；否则按上述方法继续分类，直至精度达到设定值；

(2)隐含层的激活函数(即径向基函数)采用高斯形式：

其中，σ是基函数的方差，d是同一类中任一点到该类中心的距离：

其中，c_max是各类中心点之间的最大距离，通过激活函数得到隐含层的输出，传送给输出层，神经网络的输出是隐单元输出的线性加权和：

其中，ω是隐含层与输出层之间的权值，通过最小二乘法计算隐含层到输出层的权值：

权值调整公式为：

Δω＝η(h_k-ω^f)

其中，η是权值调整步长，h_k是神经网络实际输出与理想输出的差值矩阵，通过循环迭代调整权值和阈值优化神经网络的输出，当h_k小于提前设立的阈值时，停止迭代，达到了预期误差范围内的理想拟合效果，得到串联减温减压汽轮机的热负荷曲线。

3.如权利要求2所述的蒸汽余热梯级利用优化控制方法，其特征在于，所述步骤C包括：

(1)建立锅炉蒸汽余热梯级利用PID控制模型，通过步骤B得到的热负荷曲线计算扰动量：

e(t)＝{e₁，e₂，...，e_N}

e_j(t)＝|Q_j-Q|j＝1，2，...，N

其中，e_j(t)是第j个串联汽轮机的扰动量，Q_j是第j个串联汽轮机的热负荷，Q是主汽轮机的额定热负荷，N是串联汽轮机的数量，t是时间，扰动误差为：

Δe(t)＝e(t)-e(t-1)

e(t)和Δe(t)是PID控制器的输入，其控制规律为：

其中，k_p、k_i、k_d分别是比例系数、积分系数、微分系数，k是采样序列，u(k)是第k次采样时刻控制器输出值，PID控制器的参数调整过程主要是对比例、积分、微分三个参数进行在线控制；

(2)构建模糊神经网络，建立输入误差e(k)、误差变化Δe(k)和PID控制器三个参数的二元函数关系：

k_p＝f₁(e，Δe)

k_i＝f₂(e，Δe)

k_d＝f₃(e，Δe)

其中，f₁、f₂、f₃表示模糊神经网络，输入层是输入误差e和误差变化Δe，模糊化层的隶属函数由高斯函数可得：

其中，x_i为输入变量，c_ij是隶属函数中心，σ是隶属函数宽度，i、j分别是第i个输入层神经元和第j个模糊化层神经元，模糊规则层的激活函数为：

o₃(i)＝o₂(x₁)*o₂(x₂)

输出层的函数为：

其中，ω_ij是模糊规则层到输出层的权值系数，输入误差和误差变化，先对其进行模糊量化处理，得到模糊变量，按模糊控制规则进行模糊推理，再由解模糊得到模糊控制量U，构造神经网络的性能指标函数：

其中，y_e是神经网络的期望输出，y是实际输出，更新网络权值：

其中，μ是学习效率，则输出层权值为：

ω_j(k)＝ω_j(k-1)+Δω_j(k)+α[ω_j(k-1)-ω_j(k-2)]

其中，k是网络迭代步数，α是学习因子，当迭代步数达到预先设立的迭代阈值时，停止迭代，从而对PID参数进行优化，PID控制器根据串联汽轮机的扰动量，利用调节器对锅炉蒸汽余热的输出进行精确控制，从而完成锅炉蒸汽余热梯级利用的优化控制。