基于神經(jīng)-模糊系統(tǒng)的循環(huán)流化床鍋爐建模與控制規(guī)律研究.pdf

1、循環(huán)流化床(Circulating fluidized bed，CFB)鍋爐技術(shù)是近二十年來迅速發(fā)展的一種燃燒技術(shù)。由于CFB鍋爐具有高效、低污染等優(yōu)點，在強調(diào)節(jié)能減排的今天，受到了許多工業(yè)領域的青睞，被廣泛用于電力、化工、固體廢棄物處理等領域，并日趨大型化。
　　但是循環(huán)流化床鍋爐是一個多輸入多輸出、耦合性和時變性較強、非線性度較高、滯后較大的復雜熱力系統(tǒng)，精確地機理模型很難建立。而且復雜的機理模型也不適用于大多數(shù)控制策略，因而

2、在實際運行中，采用常規(guī)的控制策略往往很難獲得滿意的調(diào)節(jié)效果。因此，如何建立CFB鍋爐精確而實用的模型以及如何有效控制CFB鍋爐一直是CFB鍋爐研究的熱點。針對上述問題，本文主要做了以下研究工作：
　?、俑鶕?jù)某135MWeCFB發(fā)電機組在30％、50％、70％以及100％工況下的床溫-給煤量以及床溫-一次風量模型，分別設計出相應的廣義預測控制器。采用負荷作為特征變量，提出了一種改進的基于線性插值的多模型廣義預測控制，并用于CFB鍋爐

3、的床溫控制中。仿真結(jié)果證明，該控制方法的調(diào)節(jié)效果要優(yōu)于基于單一線性模型的廣義預測控制。
　　②深入分析了基于神經(jīng)-模糊系統(tǒng)的辨識算法，并改進了一種基于T-S型神經(jīng)-模糊系統(tǒng)(Modified TS-type neural-fuzzy system，MTSNFS)的在線辨識算法。該算法的結(jié)構(gòu)辨識環(huán)節(jié)使用的是一種改進的自組織競爭學習算法，可以根據(jù)當前運行數(shù)據(jù)自動地確定模糊規(guī)則的數(shù)目和初始參數(shù)，參數(shù)學習采用的是一種混合學習算法。先將這種

4、在線辨識算法用于Box-Jenkins煤氣爐的辨識中，并和其他算法進行比較，然后用于某135MWeCFB發(fā)電機組的床溫、爐膛出口含氧量和主蒸汽溫度的在線建模中。仿真結(jié)果表明，該在線辨識算法可以很好地跟蹤CFB鍋爐的動態(tài)特性，即使在負荷發(fā)生大范圍變動時，也可以獲得較為精確的預測結(jié)果，同時結(jié)構(gòu)緊湊。因此，可以用于復雜系統(tǒng)的在線預測以及基于模型的控制策略中。
　?、蹖TSNFS嵌入到性能指標改進的廣義預測控制中，提出了一種基于神經(jīng)-模

5、糊系統(tǒng)的廣義預測控制(NFS-GPC)，并推廣到多輸入-多輸出系統(tǒng)的控制中。將這種NFS-GPC用于CFB鍋爐的主蒸汽溫度(單輸入-單輸出系統(tǒng))、床溫(多輸入-單輸出系統(tǒng))和機組負荷(多輸入-多輸出系統(tǒng))的控制中，仿真結(jié)果表明，該控制策略可以有效地克服CFB鍋爐的強非線性和耦合性帶來的控制問題。當機組負荷大范圍變動，鍋爐動態(tài)特性發(fā)生明顯變化時，通過MTSNFS在線辨識出的CARIMA模型能夠準確描述被控對象的動態(tài)特性，因而可以獲取優(yōu)于常