模糊神经网络在电厂给水加药系统中的应用

吴振兴，李朋轩

（1.西安建筑科技大学 信息与控制工程学院，陕西 西安 710055；2.防灾科技学院 防灾仪器系，河北 廊坊 065201）

模糊神经网络在电厂给水加药系统中的应用

吴振兴，李朋轩

（1.西安建筑科技大学 信息与控制工程学院，陕西 西安 710055；2.防灾科技学院 防灾仪器系，河北 廊坊 065201）

火电厂的给水加药系统具有时滞、非线性等特点，并且难以建立数学模型。模糊控制对非线性、时滞、难以建立数学模型等系统有较好的控制效果和鲁棒性。神经网络在自学习、自适应和容错性方面表现出了良好的效果。将这两种智能算法融合，使系统在更好利用经验规则实现较好控制效果的同时能根据环境的变化不断地学习，提高系统的自适应能力和鲁棒性。文章设计了基于T-S模糊神经网络的加药控制器，并通过仿真对比检验了T-S模糊神经网络静态性能和动态性能以及对于非线性和时滞的控制效果。

火电厂；化学水处理；模糊神经网络控制

1 相关概念介绍

1.1 给水加药系统简介

在火力发电厂化学水处理经过预处理和除盐之后水质较好，但是还是会发生金属的电化学腐蚀问题。这种腐蚀不仅会损坏给水管道和相关的设备，严重时还会损坏锅炉[1]。给水的自动加药系统由PH表、控制器、变频器、加药泵等组成。PH值的采样点在给水泵后面。氨的加药点在除氧器的后面，在给水泵的前面。系统在给水泵后面采样PH值后根据PH值来决定加药量，然后通过控制变频器来控制加药泵的频率，从而控制加药量的多少。通过对加药控制过程的分析，可以得出加药控制系统具有时滞、非线性的特点。

1.2 T-S模糊神经网络介绍

1985年Takagi等[2]提出了T-S模糊逻辑系统，其由前件和后件部分组成。前件部分主要是对输入量进行模糊化并利用模糊规则对模糊变量进行表达。T-S模糊神经网络有前件网络和后件网络两个子网络组成，其中前件网络包括输入层、隶属度层、模糊规则层和前件输出层4层神经元。后件网络包括输入层、隐含层，模糊神经输出层3层神经元组成[3]。前件网络主要负责的是对输入向量进行模糊化和对模糊规则进行推理。后件网络主要负责将模糊规则进行线性组合并汇总输出。

1.3 基于T-SFNN的加药控制系统

基于T-SFNN的加药控制系统的结构如图1所示。其中T-S模糊神经网络的输入量为PH实际值与期望值的误差e（k）和误差的变化量ec（k）[4]。输出量为控制量的变化量Δu（k）（加药泵频率的变化值）。学习和训练的方式采用的是正向传播法和反向误差传播法，学习和训练调整的参数为前件隶属函数的中心值和宽度值cij和σij，还有后件网络输入层和隐层之间的权值wij，通过对这些参数的调整来实现模糊规则的实时跟新，使系统能更好地适应环境，从而达到控制要求[5]。

图1 基于T-S模糊神经网络加药控制结构

1.4 加药控制系统的训练过程

开始我们定义一个目标函数：

其中，MSE为均方误差，EI（k）表示的是在k时刻的瞬时平方差，N为样本数，rink（k）和yout（k）分别为k时刻PH值的期望输出值和采样输出值，e（k）为k时刻系统的误差值。

在真实的加药系统控制过程中，每当采样一次后，T-SFNN就会通过正向传播和反向误差传播的方式进行学习和训练，通过更新前件网络隶属度函数的中心值cij和宽度值σij其更新的推导公式为：

式中cij（k）和cij（k+1）分别为k和k+1时刻的中心值，σij（k）和σij（k+1）分别为k时刻和k+1时刻的宽度值，η为学习率的值。在前件网络进行学习训练更新隶属度函数的中心值和宽度值的同时后件网络也通过正向传播和反向误差传播的学习和训练来更新后输入层和隐藏层之间的连接权值。其更新的推导公式为：

其中，wij（k）和wij（k+1）分别表示k和k+1时刻后，在网络中输入层与隐层之间的权值。

2 系统的仿真研究

本文主要采用MATLAB对T-S模糊神经网络控制器和PID控制器来进行仿真，通过对其静态性能和动态性能进行仿真测试系统的静态性能和动态性能。其中PH的设定值为9，学习率选取为0.7，前件网络隶属度函数高斯函数的中心值，宽度值以及后件网络的权值皆随机进行初始化。

图2中的是T-S模糊神经网络阶跃响应曲线，是PID阶跃响应曲线。由图2可得普通的PID的响应速度快，但是过度时间较长且有超调和轻微振荡。而T-S模糊神经网络虽然响应速度比PID稍慢，但过度时间短，整体的稳定性和鲁棒性T-S模糊神经网络要好于PID。

图2 PID和T-S模糊神经网络阶跃响应

3 结语

首先文章对加药过程和自动加药系统进行了分析，并基于自动加药系统非线性，时滞的特点对相应的控制算法模糊控制和神经网络进行了介绍。接着根据模糊控制能利用专家经验不能自学习和神经网络自学习能力较强不能利用专家经验特点，将两种算法融合进行优势互补得到模糊神经网络。最后设计了基于T-S模糊神经网络的加药控制系统并对相应的控制算法和PID控制算法在MATLAB上进行了仿真比较，得出基于T-S模糊神经网络的自动加药控制系统具有良好的静态特性和动态性。

[1]CHEN C S.Robust self-organizing neural-fuzzy control with uncertainty observer for mimo nonlinear systems[J].Fuzzy Systems Transactions on Institute of Electrical and Electronic Engineers, 2011（4）：694-706.

[2]WAEWSAK C, NOPHARATANA A, CHAIPRASERT P. Neural-fuzzy control system application for monitoring process response and control of anaerobic hybrid reactor in wastewater treatment and biogas production[J].Journal of Environmental Science, 2010（12）：1883.

[3]侯越.基于改进T-S模糊神经网络的交通流量预测[J].计算机科学与探索，2014（1）：121-126.

[4]张宇，卢文喜，陈社明，等. 基于T-S模糊神经网络的地下水水质评价[J].节水灌溉，2012（7）：35-38.

Application of fuzzy neural network in feed water dosing system of power plant

Wu Zhenxing, Li Pengxuan
（1.Information and Control Engineering School of Xi’an University of Architecture and Technology, Xi’an 710055, China; 2.Disaster Prevention Instrument Department of Institute of Disaster Prevention, Langfang 065201, China）

The feed water dosing system in thermal power plant has the characteristics of time delay and nonlinearity, and it is dif fi cult to establish the mathematical model. The fuzzy control has better control effect and robustness for solving these problems of modeling system. Neural networks show good results in self-learning, adaptive and fault tolerance. The two intelligent algorithms are integrated so that the system can better use the empirical rules to achieve better control effect, and can learn constantly according to the change of environment to improve the system robustness and adaptability. This paper designs a dosing controller based on T-S fuzzy neural network, then compares and veri fi es the static performance and dynamic performance of T-S fuzzy neural network, as well as nonlinear and time-delay control effects by simulation.

heat-engine plant; chemical water treatment; fuzzy neural network control

吴振兴（1992— ），男，湖北天门。