史冬琳，邵思阳

(东北电力大学 自动化工程学院，吉林 吉林 132012)

基于粒子群算法的火电厂锅炉燃烧模糊解耦控制

史冬琳，邵思阳

(东北电力大学 自动化工程学院，吉林 吉林 132012)

为了进一步提高火电厂燃烧控制系统的控制性能，针对三个控制回路分别设计了基于粒子群算法的模糊解耦控制策略，同时在烟气含氧量控制回路和炉膛负压控制回路中引入积分控制作用以消除稳态误差。应用Simulink对该控制系统进行了仿真，结果表明模糊控制与传统PID控制相比较具有更好的控制品质，缩短了调节时间，减小了超调量，使得鲁棒性和抗干扰性增强。

锅炉燃烧系统；模糊控制；粒子群算法；解耦

由于被控变量强耦合、非线性以及延迟的特性，通常将火电厂锅炉燃烧系统简化为主蒸汽压力控制、烟气含氧量控制和炉膛负压控制三个相对独立的子系统，并分别进行PID控制。这种控制策略虽然满足了一定的生产控制要求，但是随着控制要求的提髙，传统PID控制往往不能取得理想的控制效果。近些年来，人们将模糊控制、神经网络控制和预测控制等先进控制引入到锅炉燃烧控制中[1]。针对锅炉燃烧系统中的主蒸汽压力控制，以辐射能信号作为补偿，采用模糊PI或鲁棒串级控制策略可以有效地优化燃烧控制性能[2-3]。在此基础上，引入遗传算法优化鲁棒控制器的加权函数，可以节省大量的人工和时间去反复试验设计[4]。文献[5]采用RBF神经网络建立预测模型，把煤粉浓度作为中间被调量可以及时控制燃料量的变化，所设计的广义预测串级控制策略不但维持了主汽压力的稳定，而且保证了燃烧的经济性和安全性。虽然上述研究都取得了一定的成果，但只是针对燃烧系统中主蒸汽压力这单一子系统进行研究，没有全面地考虑到整个燃烧系统的控制优化。文献[6]和文献[7]针对燃烧系统设计了多变量预测控制策略，通过建立预测模型、滚动优化和反馈校正三个步骤，较好地完成燃烧系统的三大控制任务，但该控制策略局限于线性的预测模型。当燃烧系统出现较大的非线性时，控制效果会受到影响。

模糊控制是一种处理不确定性、非线性等问题的有力工具[8]。本文针对三输入三输出火电厂锅炉燃烧系统，设计了模糊控制策略，并在各耦合回路间增加了前馈解耦控制器，在烟气含氧量和炉膛负压回路引入积分环节消除模糊控制器的静差，并采用粒子群算法优化三个模糊控制器的比例因子和量化因子。采用该控制策略不但能完成对三个被控量的控制，而且相比于传统PID控制器控制效果明显提升，鲁棒性和抗干扰性也得到增强。

1 燃烧模糊解耦控制系统设计

在燃烧控制系统中，首先维持主蒸汽压力的稳定，然后根据主蒸汽压力的情况来改变燃料的投入量；其次保证燃烧的经济性，必须保证送风量与燃料量相适应，根据燃料量调节送风机挡板开度，使燃料处于最佳燃烧状态，即风量与煤量适应；最后维持炉膛压力的稳定，炉膛压力反映的是送风量与引风量的平衡关系，一般为微负压，在控制时通过调节引风机挡板开度改变引风量，使其与送风量匹配。本文以某电厂300 MW单元机组W型火焰直吹式燃煤锅炉为被控对象，其传递函数为[9]

式中：n为给煤机转速；Vg为送风机挡板开度；Vs为引风机挡板开度；Pm为主蒸汽压力；O2为烟气含氧量；Ps为炉膛负压。

1.1 控制系统结构

设计控制策略时，应实现在负荷指令更改时，迅速改变炉内燃烧率，能对燃烧过程中产生的扰动迅速作用，并予以消除，从而保证三个被控量协调工作，图1为控制系统框图。为了进一步消除稳态误差，在送风量回路和引风量回路引入了积分作用。

图1 燃烧系统控制系统框图

1.2 解耦控制器设计

在燃烧控制系统中，主蒸汽压力回路与烟气含氧量回路、烟气含氧量回路与炉膛负压回路之间均存在耦合，而且受锅炉工作环境和其他的影响，控制器即使整定出相对合适的参数，也可能达不到系统控制要求。要想解除回路之间的耦合，由前馈补偿原理有：

UC1G21(s)+UC1N1(s)G22(s)=0 ，(2)

UC2G32(s)+UC2N2(s)G33(s)=0 ，(3)

则前馈解耦控制器为

式中：N1(s)为主蒸汽压力与烟气含氧量回路间的解耦控制器；N2(s)为烟气含氧量回路与炉膛负压回路间的解耦控制器。

1.3 模糊控制器设计

三个回路均选用二维模糊控制器，两个输入分别为给定值与实际值的偏差E和偏差变化率Ec，输出为控制量U，三个量的模糊集定义为：[NB，NM，NS，ZO，PS，PM，PB]，将三个参数变化分为7个等级：[-6，-4，-2，0，2，4，6]，如图3选用三角形隶属度函数，论域设为[-6，6]。Ke，Kec，Ku分别为模糊控制器的量化因子和比例因子，Ki为积分系数。表1为49条模糊规则，解模糊化方法选用Centroid面积重心法。

图2 E、Ec和U隶属度函数

表1 控制规则表

Ec/ENBNMNSZOPSPMPBPBZOZONSNMNMNBNBPMPSPSNSNMNMNBNBPSPMPMZONSNMNBNBZOPMPMPSZONSNMNBNSPBPBPMPSZONMNMNMPBPBPMPMPSNSNSPBPBPBPMPMPSZOZO

2 基于粒子群算法的模糊控制器参数优化

本文采用粒子群算法优化三个回路模糊控制器的比例因子和量化因子，分别为kei，keci，kui(i=1,2,3)[10]。三个模糊控制器同时进行优化，采用公式(6)为评价指标。

式中：Mpi为超调量；αi和βi为权重，在[0，1]上取值，i=1，2，3分别表示三个控制回路。

优化流程图，如图3所示[11]。在设定的参数范围内随机生成粒子，每个粒子都可看成是三个模糊控制器的参数。利用Assignin函数将粒子对基本工作空间中的变量Kei，Keci，Kui(i=1，2，3)赋值后，用Sim函数调用Simulink程序进行仿真，运行后得到评价指标来评价这个粒子的优劣，从而确定粒子的更新方向和更新速度，完成单个粒子的寻优，而整个粒子群根据所有粒子的好坏，通过不断地位置更新和速度更新达到最优的位置。

图3 粒子群优化模糊控制器流程图

3 系统仿真研究

仿真中，粒子群规模为30，迭代100次，学习因子均为2，慢性因子为0.89，仿真时间为100 s，评价指标中系数分别为α1=0.2，β1=0.4，α2=0.3，β2=1，α3=0.5，β3=0.2。图4为Simulink仿真图，控制器参数见表2。分别采用粒子群算法优化后的模糊控制和PID控制对三个回路作单位阶跃响应，仿真结果如图5所示，曲线1表示模糊控制，曲线2表示PID控制，各项性能指标见表3。相比于PID控制本文方法具有更好的控制品质，三个回路的单位阶跃响应曲线响应速度较快，几乎没有超调量和稳态误差。

图4 粒子群优化的模糊系统仿真图

表2 控制器参数

回路粒子群算法优化后的模糊控制器传统PID控制器KeKecKuKIKpKiKd主蒸汽压力回路6.861722.8568-431.5525160-0.0151040烟气含氧量回路4.96951.4134-9.55110.820.2-5炉膛负压回路4.9195-2.40840.7546-1-1.3-0.24-5

表3 系统控制性能指标

控制回路上升时间/s调节时间/s超调量主蒸汽压力曲线17.57.50.06%曲线219.443.911.99%烟气含氧量曲线17.27.20曲线21237.98.05%炉膛负压曲线12.92.90曲线213.433.36.14%

图5 控制系统单位阶跃响应曲线

以炉膛负压控制回路为例，验证模糊控制系统的抗干扰性能，其他条件不变，在仿真时间t=100 s时加入幅值为0.2的阶跃扰动。以主蒸汽压力控制回路为例，考察模糊控制系统的鲁棒性能，其他条件不变，增益和时间常数放大3倍，即

系统响应曲线，如图6所示。曲线1表示模糊控制，曲线2表示PID控制。由图6可以看出，虽然扰动输出的幅值相同，但模糊控制具有更快的调节时间。当被控对象发生较大变化时，模糊控制的上升时间、调节时间和超调量均优于PID控制。

图6 控制器性能测试响应曲线

4 结 论

本文以火电厂三输入三输出燃烧系统为研究对象，采用粒子群算法优化模糊控制器，结合前馈解耦控制和积分作用，对整个锅炉燃烧系统进行了优化设计，并对控制方案进行了仿真研究。结果表明，相比PID控制，本文方法具有更好的控制品质，使得上升时间、调节时间和超调量均得到了明显改善，同时减少了参数整定时间和随意性。当系统受到较大的干扰时或系统模型参数发生较大变化时，模糊控制的效果依然能令人满意。本文方法较好地完成了三个回路的控制任务，维持了主蒸汽压力和炉膛负压的稳定，保证了燃烧的经济性和安全性，使燃料处于最佳燃烧状态。

[1] 徐学红，冯冬青.电站锅炉燃烧系统先进策略研究[J].自动化仪表，2014，35(2)：16-19.

[2] 陈立军，周正兴，赵丽丽，等.采用辐射能信号的燃烧系统参数自调整模糊PI控制[J].化工自动化及仪表，2009，36(6)：15-17.

[3] 陈立军，薛宏，周正兴，等.采用辐射能信号的燃烧系统H∞控制[J].化工自动化及仪表，2010，37(10)：14-17.

[4] 李红彪，张舒心，王东鹏，等.基于遗传算法优化的锅炉燃烧系统鲁棒控制器设计[J].制造业自动化，2014，36(9)：10-12，24.

[5] 冯冬青，徐学红，费敏锐.神经网络广义预测控制在锅炉燃烧系统中的应用[J].自动化仪表，2006，27(6)：18-21.

[6] 向立志，张喜东，李荣，等.多变量预测控制在锅炉燃烧系统中的应用[J].化工自动化及仪表，2006，32(2)：20-24.

[7] 张嘉英，武欣.大型单元机组锅炉燃烧系统改进型预测控制的研究[J].锅炉技术，2012，43(2)：21-24.

[8] 赵君，冯玉昌，赵柏林.模糊免疫PID 在电站主汽温控制系统中的应用[J].东北电力大学学报，2012，32(3)：42-45.

[9] 潘维加.300MW单元机组煤粉炉燃烧控制系统的研究及改进[J].中国电机工程学报，2000，20(9)：77-79.

[10] 张虹，于雷，胡波.基于改进PSO的励磁系统非线性PID控制研究[J].东北电力大学学报，2013，33(1/2)：152-155.

[11] 汪阳华.基于粒子群算法的锅炉主蒸汽压力模糊PID控制[J].湖南工业大学学报，2012，26(5)：62-66.

Fuzzy Decouple Control of Boiler Combustion System for the Thermal Power Plant Based on PSO

Shi Donglin，Shao Siyang

(School of Automation Engineering，Northeast Electric Power University，Jilin Jilin 132012)

Three fuzzy decouple controllers based on Particle Swarm Optimization(PSO)are designed separately according to three control loops in order to further improve control performances of the combustion control system in the power plant.To get higher stable precision，integral controllers are introduced in the flue gas oxygen content loop and the furnace negative pressure loop.The control system is simulated and studied by using SIMULINK.The results show that compared with the traditional PID control the designed fuzzy control system has better control quality.It reduces the adjusting time and the overshoot and improves robustness and disturbance.

Boiler Combustion system；Fuzzy control；PSO；Decouple

2016-12-12

吉林省科技发展计划项目(20150101048JC)

史冬琳(1979-)，女，硕士，讲师，主要研究方向：非线性预测控制、先进控制在热工过程中的应用.

1005-2992(2017)01-0060-06

TP273+.4

A

电子邮箱： shidonglin@163.com(史冬琳)；550724084@qq.com(邵思阳)