原文

数量:15 (2)

• 查看PDF
• 下载

多变量锅炉汽轮机系统的基于智能控制器

*通信:

Deepa T维生素大学,钦奈,Tamilnadu,印度,电话:04439931198;电子邮件:deepa.t@vit.ac.in

文摘

介绍了锅炉汽轮机组的协调控制器设计。协调控制器设计是一种传统方法,控制器值优化使用优化技术粒子群优化(PSO)和遗传算法(GA)在动态系统。一个完整的每个技术提出了时域分析。两个控制器的性能都是检查和控制常见的输入变化的性能的措施。积分平方误差(ISE)作为设计控制器的性能指标。最后,比较评估每个控制器的系统性能提出和讨论。的结果,推断,算法的性能给出了最小平方误差积分(伊势)。

关键字

协调控制;锅炉汽轮机单元;遗传算法;粒子群

介绍

多回路的single-input-single-output控制器的输出通常用于控制多变量过程的互动,因为简单的实现,也就是说,他们很容易理解控制工程师,需要更少的比多变量控制器参数优化。本文提出了两种多变量系统即锅炉汽轮机单元和四罐系统。利用多回路的控制器是循环衰竭公差的控制系统可以很容易地获得。因为一些循环可以在手动模式或一些循环的操纵变量可以饱和限制,循环失败对于实际应用[宽容是很重要的1]。

boiler-turbine的控制器设计单位在过去的二十年里吸引了太多的关注。谭et al。2)提出了一个集中控制器和PID还原过程表明,PI控制器的性能对锅炉-汽轮机单元并没有降低多少从原始loop-shaping H∞控制器。自动的方法完全cross-coupled从分散继电器反馈,提出多变量PID控制器3]。应该注意的是,现代控制技术可以取得更好的性能比传统的PID控制器。壮族et al。4]提出的多变量PID控制器和萧若元et al。5讨论了多变量解耦顺序设计法和多回路的PID控制器。

交互分析的多变量系统控制结构设计一直是一个重要的问题(如输入输出匹配)和分散控制问题。第一个定量测量的交互是相对增益阵列(RGA)引入了布里斯托尔6]。

一个锅炉用于生成蒸汽,直接喂一个涡轮机。这个配置是通常被称为一个boiler-turbine单元。这个配置中使用锅炉的容量非常大。控制系统对发电厂通常是分为若干子系统。例如,给水控制子系统是用来调节鼓水平。温度控制子系统是用来调节蒸汽温度和空气控制子系统是用来调节多余的氧气。由于鼓之间的耦合的级别,蒸汽温度和过量氧气不强,那么这些子系统可以独立设计。因此,boiler-turbine单元可以建模为一个2×2的系统。锅炉燃烧率(或两个输入燃料流量,假设空气流量调节好空运控制子系统)和调节阀位置和两个输出电力和节流压力(7]。

boiler-turbine系统提供高压蒸汽驱动涡轮热发电。boiler-turbine系统控制的目的是为了满足电力负荷需求的同时保持压力和水位的鼓在公差内。这通常boiler-turbine系统建模Multi-Input-Multi-Output (MIMO)非线性系统(8]。壮族和阿瑟顿[9]对角PID控制器优化设计使用一个完整的性能优化过程对于一个两输入两输出(铁托)系统。

遗传算法已被证明是一个适当的工具参数优化任务和他们一直使用,效果很好。GA搜索技术用于优化和搜索问题找到好的解决方案。他们属于一个特定类的使用技术受到进化的进化算法生物学如遗传、变异、选择和交叉。找到一个好的解决方案由遗传算法提供了一个参数适应度函数最小化(10]。

Dimeo和李11]讨论了应用遗传算法为boiler-turbine工厂控制系统设计。改进的遗传算法确定多元非线性锅炉模型介绍了300 MW动力单元(12]。在该算法中,浮点编码和基于等级的选择,精英的预订和分组方法,和过早收敛是克制的,搜索能力提高。

气体和神经网络自适应优化方法基于生物学原理(13]。这些问题包括优化前馈神经网络的加权连接使用二进制和实值表示,并利用遗传算法来发现新的结构形式的神经网络连接模式,学习使用错误传播。

应用遗传算法的最优控制问题需要最小化积分平方误差(伊势)的输入和状态(14]。袁(15]提出的与动态构造的二元交互空间分区存档(BSP)。BSP的概念源于计算机图形学、计算几何领域。BSP存档是建立了一个随机树的生长过程反映了进化历史乔治亚州,是一个快速的方法来查询是否有重新审视。

Subba lekshmi和Kanakaraj16)提出了使系统线性的,使用遗传算法,没有相互作用系统。性能/分散鲁棒性比较,遗传算法和PSO的液位控制器是用来控制实验室QTP [17]。

Dongmei Zhang et al。18)提出了一种改进的基于单纯形交叉算子的遗传算法用于参数优化支持向量回归获得梯度进行交叉操作。通过线性作调整计算的参数超出约束范围反射后,扩张,单纯形算子和压缩操作吗?将交叉验证策略引入到遗传算法的适应度函数的设计来提高算法的泛化性能。

频率选择表面的设计使用粒子群优化(PSO)技术讨论(19,20.]。PSO算法是基于人口的优化算法可以用来解决最小化问题(21]。Sadeghierad et al。22]介绍了高速轴向通量发电机的优化设计。遗传算法和粒子群算法用于优化机器的效率。

Bouzid Mhamdi et al。23]提出了算法相结合的GA的主要特性和PSO优化过程来解决复杂的逆散射问题。粒子群优化技术已被用于优化神经网络用于执行两个正向和反向映射的金属极惰性气体保护焊(MIG)过程(24]。

El-Zonkoly [25)提出了一种多目标优化的基于索引方法确定multi-Distributed代的大小和位置(multi-DG)单位分销系统与不同的负荷模型。结果表明,负载模型可以显著影响DG资源的最优位置和大小分布系统。该函数还考虑广泛的技术问题,如活跃和系统的无功功率损失,电压,线荷载,兆伏安(MVA)网格的摄入量。一项基于优化技术粒子群优化(PSO)。

Safdar Raza et al。26)提出了一个基于智能孤岛效应检测技术人工神经网络(安),采用最小特性的电力系统。训练有素的安的准确性提高了优化学习速率,动量和隐藏层神经元的使用数量进化编程(EP)和粒子群优化(PSO)。独立的安之间的性能比较,ANN-EP和ANN-PSO回归价值的形式获得最好的特征组合执行有效的孤岛效应检测。该技术是在测试在线和离线各种孤岛效应和non-islanding事件。

Manoj Kumar Debnath et al。27]讨论的最优模糊- PID控制器优化的混合微分evolution-particle群优化(DEPSO)自动生成多部件两区域互联电力系统的控制。

第二节简单模型boiler-turbine单元在物理数据。多回路PID控制的锅炉汽轮机单元使用算法和遗传算法在第三部分讨论。结果和结论部分第四章和第五章分别介绍了。

物理模型

简单的锅炉汽轮机模型

一阶+死亡时间(FOPDT)模型通常用于PID调优变量稳定系统(7]。调优的控制器boiler-turbine单位很重要,因为它有助于找到一个简单的模型可以捕获的基本动力学,特别是发电之间的耦合效应和节流阀的压力。

一个简单的锅炉汽轮机单元给出的图图1它显示了能源平衡关系和基本boiler-turbine系统的非线性特征。

能量平衡关系

鼓压强P_D蒸汽形成年代之间的平衡有关_G和涡轮机的蒸汽流_F

(1)

其中C_B——锅炉存储常数

非线性特征

1。鼓压力之间的压降P_D和蒸汽压力P_T与蒸汽流量年代_F通过

(2)

K_上海——超级加热器摩擦系数下降

2。蒸汽流量年代_F的产品是节流压力PT和涡轮州长职位

(3)

一个线性化模型锅炉汽轮机单元[2]

(4)

在哪里

(5)

图2表明,锅炉汽轮机组的协调控制结构(7]。boilerturbine单位Kc的PID协调控制器(年代)。

遗传算法(GA)

最受欢迎的技术进化计算研究遗传算法(7]。创建了一个初始种群的阶跃响应数据。健身是评估通过一些适当的措施。该算法对最大化这健身措施推动。例如,在一个函数最大化问题健身措施可能是评价函数本身。应用遗传算法的最优控制问题需要最小化的伊势输入和状态。健身后的整个人口已经确定,它必须决定是否终止条件已经满足。这个标准可以任意数量的东西。一种可能性是停止算法在一些有限数量的后代和指定结果的最适合人口。另一种可能性是为了测试的平均健身人口超过最适合在人口的一部分。 If the criterion is not satisfied then continue with the three genetic operators. Next, the three genetic operations of reproduction, crossover, and突变调用。Fitness-proportionate繁殖是思想影响的模拟旋转加权轮盘赌。

轮盘赌是偏见的健康解决方案的每个候选人。车轮是驾驭N * N是在人口数量的字符串。这个操作产生一个新的字符串,以反映人口健身前一代的合适的候选人。接下来的操作,交叉,对两个字符串进行一次随机选中的人口。交叉包括选择一个随机的位置在两个字符串和交换位发生在这个位置。在一代人中,交叉操作上执行一个指定的人口比例。这一比例的人口是在算法的初始化阶段指定。最后的遗传算子算法是突变。突变执行谨慎,通常每100 - 1000位从交叉转移,它包括选择一个随机字符串以及随意一点的位置和改变它从1到0或亦然。突变后,新一代完成,主程序开始了再次与健康评估的人口。

在控制系统设计中使用遗传算法的参数表示为二进制字符串相关的控制参数。在协调的PID控制系统的设计,参数说明图2。

基于遗传算法的PI参数调谐使用MATLAB软件,这些值应用于实验设置四个柜的过程。目标函数(F)被认为是基于误差准则(9]。控制器性能评估伊势由而言,

F =伊势(6)

伊势= (1 y)和²

以下GA参数选择的训练周期

人口规模:10

选择:轮盘赌

交叉率:0.8

变异率:0.01

代:100

人口类型:双向量

粒子群优化(PSO)

算法是一种鲁棒随机优化技术基于群的运动和智力。PSO社会互动的概念适用于解决问题。这是1995年由詹姆斯·肯尼迪和开发进行拉塞尔·埃伯哈特。它使用一个构成群数量的代理,移动搜索空间,寻找最佳的解决方案。每个粒子都被视为一个点在一个n维空间调整“飞行”根据自己的飞行经验以及其他粒子的飞行体验。每个粒子跟踪的坐标,在解空间中,与最好的解决方案,取得了迄今为止的粒子。这个值被称为个人最好,pb。另一个最佳值跟踪的算法是最好的价值获得迄今任何粒子的粒子的邻居。这个值称为gb。PSO在于加速每个粒子的基本概念对pb和gb的位置,用随机加权加速度在每个时间步所示图3。

在哪里

年代^k:当前搜索点。

年代^{k + 1}:修改搜索点。

V^k:当前速度。

V^{k + 1}:修改后的速度。

V_pb:基于pb的速度。

V_gb:基于gb的速度。

每个粒子试图修改它的位置使用各种信息,如当前的位置,当前的速度,当前位置之间的距离和pb,当前位置之间的距离和gb。修改粒子的位置可以根据以下方程:数学建模

(7)

在那里,

V_本土知识:我在迭代k代理速度,

w:权重函数,

c_j:权重因子,

兰德:均匀分布随机数在0和1之间,

年代_本土知识在迭代k:当前位置的代理我

pb_我我:pb的代理,

gb: gb集团。

下面的加权函数通常是利用方程(7)中

(8)

在哪里

w_马:初始重量,

w_最小值:最后的重量,

护士:最大迭代数,

iter:当前迭代数。

然后由新职位的和前面的位置和速度

(9)

一般的PSO算法的流程图21]。传统的PI控制器参数的最优值K_p和K_我被发现使用算法。某些参数的算法需要被定义。目标函数(F),是基于误差准则(9),控制器性能评估的积分平方误差(ISE)给出了方程(6)。

PSO算法将在新职位比较目标函数值与设定的误差准则用户见图4- - - - - -6。如果条件不满足,随机数代将确保不同的数值将在接下来的更新和过程可以继续,直到终止算法的评价。

下面的算法参数选择QTP训练周期。

群的大小“不鸟”(n) = 50;

“鸟类的措施”的最大数量= 100;

算法参数c₁= 0.4;

算法参数c₂= 0.4;

PSO动量或惯性w = 0.9;

控制器性能评估的积分平方误差积分(ISE)和绝对误差(IAE)由锅炉汽轮机单元。

伊势= ISE1 + ISE2

(10)

结果与讨论

锅炉汽轮机组

示例1:考虑boiler-turbine与以下单位得到的传递函数拟合阶跃响应数据(7]:

模拟进行评估提出的控制方法,利用MATLAB程序。不同性能的控制策略相比,基于性能标准(伊势)的两个输出电能和节流压力控制。干扰的设计也显示两种不同控制策略的性能特征。

图7和8是电力输出的闭环响应和协调控制器GAPID和PSOPID节流压力。

伺服响应和监管协调控制器的响应,GAPID, PSOPID,锅炉汽轮机组的电力和节流压力所示图9- - - - - -12分别。

伊势和IAE的控制器对单位阶跃输入的电力和节流压在下面表1。

表1。伊势,IAE的价值观协调控制器,GAPID PSOPID。

从表1的伊势和价值观管理学院PSOPID相比不太协调控制器和GAPID /。迅速解决和峰值拍摄不太协调控制器和GAPID相比。

结论

之间的性能权衡比较协调控制器,GAPID和PSOPID旨在控制电力和节流压力锅炉汽轮机单元。PSOPID反应比较协调和GAPID反应。从这些反应,观察到伊势和IAE值低与协调控制器和GAPID PSOPID比。结果表明,PSOPID性能更好,有效的反应。

引用

1. 李,赵W,埃德加特遣部队。多环的PI控制器优化多变量过程进行交互。电脑和化学工程。1998;22:1711-23。
2. 谭W,刘生理改变,Tam PK, ID优化基于loop-shaping H∞控制。IEE程序在控制理论和应用。1998;145:485 - 90。
3. 王路上,邹问,李TH, et al .调音分散继电器反馈的多变量PID控制器。自动化。1997;33:319-30。
4. 壮族M,阿瑟顿DP。IEE程序在控制理论和应用程序。1994;141:111-20。
5. 萧若元SJ,黄SH。顺序设计法对多变量解耦和多回路的PID控制器。工业工程化学研究。1998;37:107-19。
6. 布里斯托尔大肠上交互的多变量过程控制的一种新手段。IEEE自动控制。IEEE反式控制奥特曼。1966;11:133-4。
7. 谭W,刘J,方F, et al。优化的PID控制器boiler-turbine单位。ISA事务。2004;43:571 - 83。
8. 李月加州大学,肯塔基州。优化的PID控制器boiler-turbine单位。IEEE能源转换。2009;24:423-30。
9. 壮族M,阿瑟顿DP。铁托系统PID控制器设计。IEE Proceedings-Control理论和应用程序。IEE程序在控制理论和应用。1994;141:111-20。
10. Shopova E, Vaklievabancheva n基本遗传算法对工程问题的解决方案。电脑和化学工程。2006;30:1293 - 309。
11. 李Dimeo R,肯塔基州。IEEE能源转换。1995;10:752-9。
12. 刘CL,刘生理改变,妞妞YG,等。程序的第二次国际会议机器学习和控制论。2003;1:314-7。
13. Whitleya D, Starkweathera T, Bogarta并行计算。1990;4:347 - 61。
14. 戈德堡德,addison - wesley。1989年出版。
15. 袁SY。IEEE进化计算。2009;13:454 - 72。
16. Subbulekshmi D, Kanakaraj j .计算机科学杂志。2012;8:1422-7。
17. Deepa T,拉克希米·p·国际工程和技术杂志。2013;5:4660 - 71。
18. 刘张D, W,王一个,et al .信息与计算科学杂志。2011;8:911-20。
19. 杨XS。威利》2010。
20. Genovesi年代,Mittra R, Monorchio, et al . IEEE天线和无线传播的信。2006;5:277-9。
21. Del Valle Y, Venayagamoorthy GK Mohagheghi年代,et al . IEEE进化计算。2008;12:171 - 95。
22. Sadeghierad M, Darabi Lesani h .国际电力和杂志》上能源系统。2010;32:804-8。
23. Mhamdi B, Grayaa K, Aguili t国际电子和通讯杂志。2011;65:1032-9。
24. 拉克什米,Dilip KP。群和进化计算。2011;1:223-35。
25. El-Zonkoly。群和进化计算。2011;1:50-9。
26. Raza年代,Mokhlis H, Arof H,等。专业可再生发电。2016;10:1255 - 63。
27. Manoj KD,萨比特T, Mallick家乡。IEEE北方邦部分电气国际会议上,计算机和电子工程(UPCON)。2016年,页:537 - 42。