安防之家讯：cript>多层前向神经网络建模及其在火电厂系统辨识中的应用杨超周怀春於正前(华中科技大学煤燃烧国家重点实验室武汉，430074)本文采用前向反馈型神经网络，建立了一个火力发电厂双输入双输出系统的辨识模型。利用MATLAB5.3神经网络工具箱编程，以湖南湘潭电厂一台30万千瓦机组的输入输出参数的实测数据作为学习样本训练网络模型，并在训练好的模型基础上给出了系统多步步长的预测结果及调门开度的单位阶跃响应曲线。结果表明这种方法收敛速度快、误差小、精度高，是一种比较理想的系统辨识方法。
关键词：系统辨识双输入双输出模型前向反馈型神经网络0引言
人工神经网络(ANN)是新近发展起来的一门交叉学科，它涉及生物、电子、计算机、数学和物理等学科，在模式识别、信号处理、系统辨识、自动控制等方面得到了广泛的应用［1～3］。对于采用锅炉跟随方式的火电厂单元机组负荷控制这样一个以调门开度和给粉指令为输入变量，实发功率和蒸汽压力为输出变量的双输入双输出系统而言，用传统的线性辨识方法得到精确的数学模型一般比较困难。由于神经网络自身非线性，可以通过直接学习系统的输入/输出数据，使其误差函数达到最小，从而归纳出隐含在系统输入/输出数据中的关系。这个关系隐含在神经网络内部，它不需要知道对象的精确数学模型，只需用神经网络逼近动态系统输入和输出之间的非线性关系，这样经过训练的神经网络就可以成为描述系统的模型。
1多层前向神经网络模型的建立
1.1单元机组负荷控制系统原理
采用锅炉跟随方式的单元机组负荷控制系统原理图如图1所示其中，Ut和Ub分别是模型输入变量。调门开度μt()和给粉指令μb()，YN和YP分别是模型输出变量：机组功率N(MW)和主汽压力P(MPa)。
图1所示系统的输入输出关系可用下式表示：
GNT(S)、GPT(S)分别为以Ut为输入，YN、YP为输出的传递函数(Ub保持不变)；GNB(S)、GPB(S)分别为以Ub为输入，YN、YP为输出的传递函数(Ut保持不变)
1.2神经网络系统辨识模型
考虑到GNT(S)、GPT(S)、GNB(S)、GPB(S)这4个传递函数精确求解有困难，故本文采用多层前向型神经网络建立系统辨识模型。多层前向型神经采用误差逆传播算法，在实际应用中最为广泛［4～5］。考虑到系统具有延迟滞后的特性及神经元网络的输出与输入/输出的历史数据紧密相关，又假定传递函数阶次不超过2阶，因此模型设定当前时刻输出变量的值取决于前一时刻和更前一时刻输入变量和输出变量的值。采用多层前向型神经网络对此双输入双输出系统进行辨识的原理方框图如图2所示。
整个网络结构分为3层：输入层、隐含层、输出层，每层的神经元个数分别取为8、8、2。隐含层变换函数为线性传递函数purelin，输出层变换函数为线性传递函数Purelin，训练函数采用Levenberg-Marquardt算法。2模型求解及结果讨论
2.1确定模型参数
从湖南湘潭电厂30万千瓦组实测得到几组工况下实发功率、调门开度、蒸汽压力和给粉指令的数据。选用一组负荷变化从185MW到206MW工况下的数据进行系统辨识，利用Matlabt5.3的神经网络工具箱编程求解［6～7］，训练得到的神经网络模型参数如下：对隐含层而言，训练网络得到的各种神经元的权重系数如下：
2.3步长预测及误差分析
用得到的模型结构对另一负荷变化为188MW到221MW的工况下的数据做步长预测，即在已知当前时刻实发功率、调门开度、蒸汽压力和给粉指令的基础上作n步步长预测，利用已经建立好的模型仿真运算，将计算得到的1000个时刻的实发功率与蒸汽压力值与实际值相比较，以检验模型的准确性。n=5，5预测的结果如图3、4所示：模型的收敛误差设定为1e-06，收敛时间1s，运算速度很快。实发功率N的最大相对误差为1.12，蒸汽压力P的最大相对误差为0.77，辩识效果良好，说明此模型对机组的不同工况具有通用性。
加大预测步长n，在n=30时，实发功率N的最大相对误差为5.16，蒸汽压力P的最大相对误差为2.48，辩识效果仍然令人满意。
2.4辩识模型阶跃响应曲线
利用此神经网络辩识模型给出调门开度的单位阶跃响应曲线，效果令人满意，如图5、图6所示。3结论
本文建立了锅炉跟随方式的单元机组双输入双输出系统基于多层前向型神经网络的辩识模型，并以湖南湘潭电厂30万千瓦机组的实测数据检验了模型的可靠性，其辩识误差小于1e-06，辩识网络5步预测的输出值与实际值的相对误差不超过1.2，收敛时间为5s左右，并给出了系统调门开度μ1=1的阶跃响应曲线，效果令人满意。这种辩识方法具有精度高，学习时间短等优点，能够满足工程实际的需要。
4致谢
本文得到了华中科技大学自控系王永骥教授在神经网络建模方面的具体指导，特此致谢。参考文献1罗发龙，李衍达.神经网络信号处理.北京：电子工业出版社，1993
2包约翰.模式识别与神经网络.殷勤业等译.北京：机械工业出版社，1992
3沈清，胡德文，时春.神经网络应用技术.长沙：国防工业出版社，1993
4焦李成.神经网络系统理论.西安：西安电了科技大学出版社，1990
5王永骥，涂建.神经元网络控制.北京：机械工业出版社，1998
6闻新，周露，王丹力，熊晓英.MATLAB神经网络应用设计.北京：科学出版社，2000
7杨建刚.人工神经网络实用教程.杭州：浙江大学出版社，2001自动化与仪器仪表
电力检修|多层前向神经网络建模及其在火电厂系统辨识中的应用
2017-02-20 浏览:75
