基于迭代启发式动态规划的锅炉燃烧系统的优化控制

《基于迭代启发式动态规划的锅炉燃烧系统的优化控制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、516化工自动化及仪表第38卷基于迭代启发式动态规划的锅炉燃烧系统的优化控制廖碧莲彭奎宋绍剑林小峰(广西大学电气工程学院，南宁530004)摘要对锅炉燃烧系统进行径向基函数(RBF)神经网络建模，利用基于RBF神经网络的迭代启发式动态规划(HDP)算法对锅炉燃烧系统进行优化控制，并对神经网络初始权值和效用函数进行改进后与传统的HDP算法进行比较分析。关键词锅炉燃烧系统RBF神经网络迭代HDP算法中图分类号TP273文献标识码A文章编号1000-3932(2011)05m516—06锅炉燃烧系统是锅炉系统中的一个重要的工段

2、，其主蒸汽压力是保证锅炉安全运行、锅炉与负荷之间能量平衡的重要监测参数。目前，我国大部分锅炉主要是以煤为主要燃料，但随着全球可持续发展的要求，对锅炉燃烧进行优化控制越来越倍受人们的关注。因此，对锅炉燃烧系统进行优化控制，从而实现低消耗、低污染、保证锅炉的蒸汽品质，有着非常重要的意义。为了保证锅炉安全运行及锅炉与负荷之间的能量平衡，国内外专家学者在锅炉燃烧系统的优化方面都进行了大量的科学研究¨“1，它们在指导锅炉燃烧都起到了非常重要的作用，然而这些研究仍然存在响应速度慢、鲁棒性差、调节时间长等问题。werbos在1977年

3、提出了一种新的优化方法——自适应动态规划AdaptiveDynamicP阶gramming(ADP)，这种方法适合在混杂、非线性和时变的环境下使用，广西大学的喻亮、史长城等人采用基于BP和RBF神经网络的Dualheuristiedynamicpmgramming(DHP)算法对锅炉燃烧系统进行优化控制，并取得一定的效果，但训练时间长、波动比较大、抗干扰能力和系统稳定性不强。东北大学的张化光、魏庆来等人使用一种新的方法——ADP来解决一类连续时间非线性二次零和博弈"1。文献[6]提出的迭代HDP算法主要采用BP神经网络来

4、实现，具有一定的收敛速度和稳定性。由于BP神经网络是全局逼近神经网络，所以在一些实时性较强的场合，其应用受到限制。RBF神经网络是一种局部逼近近似网络，对于每个训练样本，它只需要少量的权值和高斯参数的修正，训练速度比BP网络快。RBF神经网络结构简单、训练简洁而且学习收敛速度快，能够逼近任意非线性函数。因此笔者采用基于数据的RBF神经网络来建立锅炉燃烧系统模型，同时采用基于RBF神经网络的迭代HDP方法设计锅炉燃烧系统的控制器，并与基于BP神经网络的传统HDP方法进行比较。针对锅炉燃烧系统存在建模困难和优化控制效果差等问

5、题，笔者以广西某电厂蒸汽流量为75t／h的锅炉作为研究对象。利用DCS采集的历史数据，采用RBF神经网络进行系统建模，并研究基于迭代HDP的方法设计优化控制器，实现了锅炉燃烧系统主蒸汽压力优化控制计算机仿真。1自适应动态规划对于非线性系统，稳定性只是系统设计的一个最起码的要求，只有确保最优才可以保证非线性系统的稳定性。动态规划(DynamicProgram—ming，DP)是通过采用最优性原理来解决最优化和最优控制问题一个非常有用的工具门1。1．1动态规划动态规划是求解离散系统的最优控制问题的一种迭代程序计算方法，它的适

6、用范围很广，例如多输入多输出系统、线性系统和非线性系统。对于离散时间系统：髫(☆+1)=九善(☆)，“(七)](后=0，l，2，⋯)(1)式中菇——系统的状态向量，菇∈R“；收稿日期：20IIm2．25(修改稿)基金项目：国家自然科学基金(60964002)；广西自然科学基金(0991057)；广西教育厅科学与研究基金(200808Ms03)第5期廖碧莲等．基于迭代启发式动态规划的锅炉燃烧系统的优化控制517Ⅱ——控制动作，uER“；，——系统函数。假设这一系统的性能指标(或代价)是：-．，[石(i)，i]；∑广‘一‘￡

7、，[石(五)，Ⅱ(七)，屉](2)式中U——效用函数；r——折扣因子，0

8、}时刻的最优代价等同于：一r’[石(^)]=min{￡，[x(矗)，“(后)]+y’，‘[z(^+1)]}在I

9、I时刻的最优控制是u’(充)为u(_

10、})获得的最小值，即：Ⅱ’(^)=argmin_，’[x(^)](3)然而，对于一个实际

11、的动态规划问题，由于反向计算需要它的解，所以这种计算往往是不可靠的，即就像众所周知的“维数灾”【8J。为了克服动态规划的维数灾问题，提出了自适应动态规划方法。1．2自适应动态规划(ADP)Werbos在1977年介绍了一种ADP的方法，后来被称为自适应评价设计(AdapliveCriticDe—signs，ACDs)