基于bp神经网络的火电厂水质调节系统的smithpid自适应控制

基于bp神经网络的火电厂水质调节系统的smithpid自适应控制

ID:10980519

大小:56.50 KB

页数:4页

时间:2018-07-09

基于bp神经网络的火电厂水质调节系统的smithpid自适应控制_第1页
基于bp神经网络的火电厂水质调节系统的smithpid自适应控制_第2页
基于bp神经网络的火电厂水质调节系统的smithpid自适应控制_第3页
基于bp神经网络的火电厂水质调节系统的smithpid自适应控制_第4页
资源描述:

《基于bp神经网络的火电厂水质调节系统的smithpid自适应控制》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、基于BP神经网络的火电厂水质调节系统的SmithPID自适应控制

2、第1lunithPID控制算法,仿真研究和实际应用表明,该控制算法具有良好的静态特性、动态品质和很强的鲁棒性;工程应用控制效果令人满意。  0引言  火电厂水质调节系统主要包括凝结水加氨、给水加氨、给水加联氨和炉水加磷酸盐等加药处理。随着我国火电厂高参数大容量机组的投产,对水汽品质和水质工况控制的要求越来越严格。控制策略是决定水质调节效果的关键。国内现有的水质调节系统,大都是基于常规PID调节的算法控制,这在热力系统运行稳定时基本能满足要求,但在负荷波动较大

3、,特别是机组调峰运行时,给水流量随负荷的波动变化较大,如果加药量不能与水量同步变化,将直接影响处理效果。药品浓度低,达不到水质调节的应有效果;药品浓度过大又有副作用[1,2]。能否准确有效的进行水质调节,直接关系到热力机组的稳定运行,是避免化学原因诱发设备故障和生产事故的重要途径,具有重要意义。1控制对象描述  火电厂水质调节加药控制系统的原理如图1所示。系统的传递函数可用一阶惯性滞后环节来表 500)this.style.ouseg(this)">500)this.style.ouseg(this)">  由于在线监

4、测仪表远离汽水系统的取样点,取样管道绵长,使得系统具有大时滞性。同时,当锅炉负荷波动较大、药箱中药剂浓度受人为因素的影响、现场干扰和环境条件变化时,被控对象又具有显著的非线性和时变特性。PID控制虽简单、可靠且有成熟的参数整定方法[3],但要取得良好的控制效果,PID参数必须要随对象特性变化而调整;况且常规PID算法不适用于大时滞过程控制[4,5]。Smith预估补偿控制被认为是纯滞后对象简单有效的控制方案[6],但Smith预估器对模型误差敏感,当对象特性变化较大时,系统控制品质变坏甚至失去稳定[7~9]。实质上,PID

5、算法的3种控制作用之间,既相互联系又相互制约,且并不是简单的线性组合,必须用非线性方法在线自适应调整PID参数,才能保证时变对象的控制效果。针对火电厂水质调节加药系统控制,文中提出了基于BP神经网络SmithPID控制算法,即在Smith控制系统中,用BP神经网络在线自学习整定PID参数,实现控制器参数跟踪对象特性的自适应调整,从而使系统具有很好的动态品质、静态特性和鲁棒性。2基于BP神经网络的SmithPID控制2.1控制算法500)this.style.ouseg(this)">  该方法的基本原理是:在Smit

6、h预估补偿控制 500)this.style.ouseg(this)">式(1)中,kp、ki、kd分别为比例、积分和微分系数,u(k)、u(k-1)分别为第k、k-1采样时刻的控制器输出,而 500)this.style.ouseg(this)">  设被控对象为带纯滞后的一阶惯性环节Gp(s) 500)this.style.ouseg(this)">式(4)中500)this.style.ouseg(this)">为数字控制器采样周期,N≈τm/Ts为模型纯滞后时间相当的采样周期数。2.2PID参数BP网络整定方法5

7、00)this.style.ouseg(this)">  选择如图3所示4—5—3结构的BP网络,在线自学习整定如图2所示Smith控制系统中控制器Gc(s)的PID参数,以给定值r(t)、系统响应值y(t)、偏差e(t)和常数1作为BP网络的输入,网络的输出为需要整定的PID参数kp、ki和kd。  对于BP网络输入层,第j个神经元的输入为 500)this.style.ouseg(this)">M、N分别为输入层和隐层神经元数;上角标(1)、(2)、(3)分别代表输入层、隐层和输出层。ouseg(this)">可以实

8、现从输入到输出的任意非线性映射,且输出为连续量。  对于BP网络输出层  第p个神经元的状态为 500)this.style.ouseg(this)"> 500)this.style.ouseg(this)">  性能指标取二次型函数500)this.style.ouseg(this)">(k)]2,按E(k)对权值的负梯度方向搜索调整,并附加使学习速度足够快且不易产生振荡的动量项,即得到按梯度法修改网络的权值[10] 500)this.style.ouseg(this)">  式(11)中,η为按梯度搜索的步

9、长,亦即学习速率。α为动量因子,它决定过去权值的变化对目前权值变化的影响程度。而 500)this.style.ouseg(this)"> 500)this.style.ouseg(this)"> 500)this.style.ouseg(this)"> 500)this.style.ouseg(thi

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。