曹 越 鄭 亮 陳祎璠 王 鵬 司風(fēng)琪

(東南大學(xué)能源轉(zhuǎn)換及過(guò)程測(cè)控教育部重點(diǎn)實(shí)驗(yàn)室， 南京 210096)

我國(guó)“十四五”規(guī)劃將碳達(dá)峰和碳中和作為能源發(fā)展的重點(diǎn)，發(fā)展可再生能源是實(shí)現(xiàn)這一目標(biāo)的主要手段，我國(guó)能源結(jié)構(gòu)中火電機(jī)組占據(jù)較大的份額，其靈活性調(diào)峰能力很大程度上影響著我國(guó)可再生能源的消納水平[1].但火電機(jī)組在靈活調(diào)峰工況下，設(shè)備的動(dòng)態(tài)非線(xiàn)性關(guān)系更加復(fù)雜，機(jī)組的安全性和經(jīng)濟(jì)性更加難以保障[2].汽水系統(tǒng)是火電機(jī)組重要組成部分，受鍋爐燃燒狀況、負(fù)荷波動(dòng)等影響，汽水系統(tǒng)中過(guò)熱蒸汽溫度控制的慣性大，干擾耦合作用強(qiáng)，尤其是機(jī)組在低負(fù)荷和大范圍變負(fù)荷工況下運(yùn)行時(shí)，過(guò)熱汽溫的波動(dòng)更為強(qiáng)烈，給機(jī)組的安全性帶來(lái)隱患.

機(jī)組處于調(diào)峰工況時(shí)，過(guò)熱器溫度控制對(duì)象的多變量、強(qiáng)耦合以及時(shí)變的特性更加明顯.傳統(tǒng)的辨識(shí)方法中，粒子群辨識(shí)[3]、模糊辨識(shí)[4]多適用于穩(wěn)態(tài)工況，神經(jīng)網(wǎng)絡(luò)辨識(shí)[5]、支持向量機(jī)辨識(shí)[6]泛化能力有限，難以滿(mǎn)足過(guò)熱器動(dòng)態(tài)建模的精度要求.而基于過(guò)熱器機(jī)理和相關(guān)參數(shù)尋優(yōu)的灰箱辨識(shí)方法[7]，在負(fù)荷、煤量等大范圍波動(dòng)的影響下，模型的穩(wěn)定性和泛化能力雖有所提高，但仍無(wú)法滿(mǎn)足過(guò)熱器溫度辨識(shí)的精度要求.深度神經(jīng)網(wǎng)絡(luò)可充分利用電廠數(shù)據(jù)量多的特點(diǎn)，獲得更為準(zhǔn)確的對(duì)象特性，在一些熱工對(duì)象特性的建模上具有較強(qiáng)的適用性和可靠性[8-10].但機(jī)組靈活調(diào)峰時(shí)，過(guò)熱器對(duì)象特性的時(shí)序變化和時(shí)延性使得深度神經(jīng)網(wǎng)絡(luò)模型的泛化能力大幅減弱.針對(duì)此問(wèn)題，研究人員就物理模型與深度學(xué)習(xí)融合建模的方式開(kāi)展了研究.文獻(xiàn)[11]提出將機(jī)理模型融合進(jìn)數(shù)據(jù)模型的方法，使得數(shù)據(jù)模型具有更強(qiáng)的泛化能力.文獻(xiàn)[12]提出一種機(jī)理模型和數(shù)據(jù)模型并行的混合模型來(lái)獲取冷卻塔運(yùn)行特性，采用偏差補(bǔ)償?shù)姆绞将@取準(zhǔn)確的冷卻塔對(duì)象特性模型.

機(jī)組在靈活調(diào)峰時(shí)，由于過(guò)熱器相關(guān)擾動(dòng)參數(shù)的劇烈變化，常規(guī)比例積分微分(PID)控制器難以維持過(guò)熱器出口汽溫在設(shè)定值附近的小范圍波動(dòng).已有的控制方法中，預(yù)測(cè)控制[13]大多依賴(lài)對(duì)象精確的數(shù)據(jù)模型，負(fù)荷大范圍變動(dòng)時(shí)，汽溫控制效果變差.而魯棒性控制和自抗擾控制[14]適用于非線(xiàn)性弱的控制對(duì)象，對(duì)調(diào)峰時(shí)的過(guò)熱器溫度的調(diào)節(jié)作用有限.為提高控制系統(tǒng)在機(jī)組調(diào)峰時(shí)的響應(yīng)能力，研究者們常通過(guò)在控制邏輯中增加前饋的方式，減小運(yùn)行參數(shù)波動(dòng)的影響[15-16].以對(duì)象傳遞函數(shù)構(gòu)建前饋邏輯時(shí)其模型易失配，以神經(jīng)網(wǎng)絡(luò)前饋[17]參與汽溫控制時(shí)，輸出溫度的偏差在一定程度雖有所減小，但模型忽略了串級(jí)系統(tǒng)導(dǎo)前區(qū)和滯后區(qū)的時(shí)序性特性變化的影響.

本文以某660 MW火電改造機(jī)組的一級(jí)過(guò)熱器溫度為對(duì)象，根據(jù)歷史運(yùn)行數(shù)據(jù)，確定負(fù)荷、煤量、減溫水閥門(mén)等運(yùn)行參數(shù)與過(guò)熱器進(jìn)出口溫度在機(jī)組50%～100%負(fù)荷段的動(dòng)態(tài)關(guān)系，采用融合過(guò)熱器機(jī)理的深度神經(jīng)網(wǎng)絡(luò)，建立過(guò)熱器控制系統(tǒng)的導(dǎo)前區(qū)溫度和滯后區(qū)溫度的辨識(shí)模型.在此基礎(chǔ)上，以主要擾動(dòng)量及其變化率作為輸入，以減溫器閥位補(bǔ)償量作為輸出，以控制系統(tǒng)輸出溫度更好地跟隨設(shè)定值作為訓(xùn)練目標(biāo)，建立過(guò)熱器溫度控制深度神經(jīng)網(wǎng)絡(luò)(DNN)動(dòng)態(tài)前饋，并進(jìn)行仿真校驗(yàn).本研究模型的適用范圍為300～660 MW.

1 靈活調(diào)峰工況過(guò)熱器溫度特性

機(jī)組參與靈活調(diào)峰時(shí)，機(jī)組負(fù)荷調(diào)節(jié)速率為2%，負(fù)荷變化的頻次高，煤量和風(fēng)量的變化頻繁，故而引起爐膛燃燒狀態(tài)的不穩(wěn)定、主汽壓等參數(shù)劇烈波動(dòng).過(guò)熱器內(nèi)蒸汽溫度主要受過(guò)熱器工質(zhì)側(cè)和煙氣側(cè)換熱作用的影響，其中工質(zhì)側(cè)換熱作用取決于工質(zhì)流量等參數(shù)，而煙氣側(cè)主要受煙氣溫度和煙氣流量的影響.過(guò)熱器溫度受干擾參數(shù)的作用頻繁波動(dòng)，控制系統(tǒng)難以滿(mǎn)足控制精度要求.

過(guò)熱器的非線(xiàn)性特性增強(qiáng)，過(guò)熱器溫度控制品質(zhì)變差，依靠現(xiàn)有的串級(jí)PID控制不能滿(mǎn)足溫度調(diào)節(jié)的準(zhǔn)確性和快速性要求.同時(shí)，蒸汽流經(jīng)各級(jí)過(guò)熱器時(shí)，末級(jí)過(guò)熱器出口溫度受一級(jí)過(guò)熱器出口溫度控制效果的影響.圖1所示為靈活調(diào)峰下機(jī)組過(guò)熱減溫器閥位反饋運(yùn)行數(shù)據(jù).結(jié)果表明，一級(jí)過(guò)熱器減溫噴水閥出力明顯大于二級(jí)減溫噴水閥，一級(jí)過(guò)熱器出口溫度控制效果較大程度上影響著主汽溫控制品質(zhì).因此，本文以一級(jí)減溫控制系統(tǒng)為研究對(duì)象，探究靈活調(diào)峰下對(duì)象特性的辨識(shí)方法，并在此基礎(chǔ)上開(kāi)展改進(jìn)控制策略的研究.

圖1 靈活調(diào)峰火電機(jī)組過(guò)熱減溫器閥位反饋運(yùn)行數(shù)據(jù)

2 過(guò)熱器溫度PFNN辨識(shí)模型

過(guò)熱器溫度的機(jī)理與數(shù)據(jù)混合深度神經(jīng)網(wǎng)絡(luò)(PFNN)模型建立過(guò)程分為網(wǎng)絡(luò)框架搭建和構(gòu)造損失約束2部分，其中網(wǎng)絡(luò)框架采用序列化神經(jīng)網(wǎng)絡(luò)，損失約束包括導(dǎo)前區(qū)懲罰和滯后區(qū)懲罰.

2.1 PFNN網(wǎng)絡(luò)架構(gòu)

針對(duì)過(guò)熱器溫度的非線(xiàn)性、時(shí)滯性的特征，以長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)(long short-term memory, LSTM)和DNN序列化網(wǎng)絡(luò)結(jié)構(gòu)建立PFNN模型框架.

LSTM的網(wǎng)格結(jié)構(gòu)如圖2所示，其輸入通過(guò)時(shí)間向后傳遞，當(dāng)前時(shí)刻的隱含層輸出不僅受當(dāng)前輸入變量xt的影響，還包含其歷史信息.圖中，?和⊕分別表示元素逐乘操作和逐加操作，sigmoid和tanh表示神經(jīng)網(wǎng)絡(luò)激活函數(shù).

圖2 PFNN數(shù)據(jù)模型網(wǎng)絡(luò)結(jié)構(gòu)

為了對(duì)輸入變量進(jìn)行控制和保護(hù)，LSTM引入遺忘門(mén)、輸入門(mén)和輸出門(mén)，操作方式如下.

遺忘門(mén)更新：

(1)

輸入門(mén)更新：

(2)

神經(jīng)單元狀態(tài)更新：

(3)

(4)

輸出門(mén)更新：

(5)

ht=ot?tanh(ct)

(6)

LSTM輸出后進(jìn)入DNN網(wǎng)絡(luò)，輸出t時(shí)刻數(shù)據(jù)模型段預(yù)測(cè)溫度，即

(7)

式中，WN為DNN網(wǎng)絡(luò)層參數(shù)的總輸出權(quán)值.

2.2 PFNN損失函數(shù)

根據(jù)蒸汽的能量守恒、質(zhì)量守恒，采用集總參數(shù)法，以單相介質(zhì)過(guò)熱管為研究對(duì)象建立PFNN物理?yè)p失函數(shù).

圖3(a)所示為噴水減溫器機(jī)理模型示意圖，其中Tq為入口蒸汽溫度，其能量守恒和質(zhì)量守恒滿(mǎn)足

qm,aw=F(μ,p)

(8)

qm,f=qm,aw+qm,q

(9)

hf1qm,f=hawqm,aw+hqqm,q

(10)

式中，qm,f、qm,aw和qm,q分別表示噴水減溫器入口蒸汽流量、減溫水流量和過(guò)熱器入口蒸汽流量焓值；p為噴水閥前后差壓；μ表示閥門(mén)開(kāi)度；hf1、haw和hq表示噴水減溫器入口蒸汽焓值、減溫水焓值和過(guò)熱器入口蒸汽焓值.水蒸汽物性參數(shù)采用REFPROP[18]進(jìn)行計(jì)算.

(a) 導(dǎo)前區(qū)

建立導(dǎo)前區(qū)物理?yè)p失函數(shù)如下：

Δf0=hf1qm,f-hawqm,aw-hqqm,q

(11)

(12)

圖3(b)為過(guò)熱器滯后區(qū)的機(jī)理模型，其中Q2為過(guò)熱器管壁與過(guò)熱蒸汽的換熱量，其進(jìn)、出口的工質(zhì)流量均為qm,f.Mm和Tm分別為金屬管質(zhì)量和溫度，Tf1、Tf2、p1、p2分別為進(jìn)、出口處蒸汽溫度和進(jìn)、出口壓力，Q1為金屬壁傳遞給工質(zhì)的熱量.過(guò)熱器內(nèi)蒸汽的儲(chǔ)熱變化率Δht為單位時(shí)間內(nèi)工質(zhì)從過(guò)熱器管壁吸收的熱量與工質(zhì)流出過(guò)熱器的凈能量的差值，即

Δht=hf1qm,f-hf2qm,f+Q1

(13)

式中，hf2為過(guò)熱器出口工質(zhì)焓值.

過(guò)熱器內(nèi)蒸汽儲(chǔ)熱量隨時(shí)間變化的微分方程如下：

(14)

式中，mf表示過(guò)熱器內(nèi)工質(zhì)質(zhì)量.

過(guò)熱器金屬蓄熱量的計(jì)算偏差

Δh0=Δht-Δh′t

(15)

式中，Δh0表示過(guò)熱器儲(chǔ)熱量變化率的計(jì)算誤差.

模型訓(xùn)練時(shí)，需對(duì)微分方程離散化處理，采用隱式歐拉法對(duì)Δh0進(jìn)行差分，即

Δh0=hf1qm,f+mfh′f2+Q1-hf2(mf+qm,f)

(16)

(17)

綜合式(11)和(15)，導(dǎo)前區(qū)PFNN和滯后區(qū)PFNN損失函數(shù)分別表示如下：

(18)

(19)

(20)

2.3 辨識(shí)算法流程

PFNN神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程之前對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，以防止個(gè)別樣本誤差影響訓(xùn)練模型的精度.數(shù)據(jù)經(jīng)過(guò)濾波處理，才能作為物理模型損失和神經(jīng)網(wǎng)絡(luò)框架的輸入，參與神經(jīng)網(wǎng)絡(luò)的權(quán)重等參數(shù)的計(jì)算和更新.

PFNN神經(jīng)網(wǎng)絡(luò)算法的具體步驟如下：

① 確定PFNN神經(jīng)網(wǎng)絡(luò)的輸入和輸出參數(shù)，并對(duì)輸入和輸出數(shù)據(jù)進(jìn)行卡爾曼濾波處理和歸一化處理.

② 利用PFNN模型進(jìn)行訓(xùn)練樣本數(shù)據(jù)的構(gòu)造，由于噴水減溫系統(tǒng)具有大延遲大時(shí)滯的特點(diǎn)，為結(jié)合LSTM匹配這種特性，設(shè)置時(shí)間樣本長(zhǎng)度為30，輸入過(guò)熱器物理?yè)p失函數(shù)和神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練.以一個(gè)批次的計(jì)算樣本為單元，進(jìn)行機(jī)理懲罰函數(shù)的計(jì)算.建立序列化網(wǎng)絡(luò)，設(shè)置LSTM輸出維度為128，構(gòu)造輸出維度分別為128、64和1個(gè)單元的三層DNN網(wǎng)絡(luò).其中LSTM采用Orthogonal進(jìn)行初始化，DNN激活函數(shù)分別為selu、selu、linear.

③ 采用最小二乘法擬合式(8)所示的閥門(mén)流量特性.定義基于神經(jīng)網(wǎng)絡(luò)框架和過(guò)熱器物理?yè)p失的回歸目標(biāo)函數(shù)，輸出綜合的損失，并以此迭代更新網(wǎng)絡(luò)模型的權(quán)重，導(dǎo)前區(qū)目標(biāo)函數(shù)和滯后區(qū)目標(biāo)函數(shù)分別為minLF和minLL.

④ 采用RMSprop優(yōu)化器進(jìn)行模型訓(xùn)練，設(shè)置學(xué)習(xí)率為0.000 5，衰減因子rho為0.9.當(dāng)訓(xùn)練迭代次數(shù)達(dá)到設(shè)定次數(shù)時(shí)，輸出已收斂的PFNN模型，模型滿(mǎn)足在測(cè)試數(shù)據(jù)集上精度和準(zhǔn)確性要求則保存.

3 過(guò)熱器溫度DNN動(dòng)態(tài)前饋控制

在控制系統(tǒng)中加入DNN動(dòng)態(tài)前饋，以閥位補(bǔ)償?shù)姆绞綄_動(dòng)量作用于控制系統(tǒng)中.

圖4所示為前饋網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，Xleading、Xlag分別為導(dǎo)前區(qū)PFNN輸入和滯后區(qū)PFNN輸入，在控制系統(tǒng)開(kāi)環(huán)控制條件下，以PFNN模型為基礎(chǔ)，以過(guò)熱汽溫的無(wú)差控制為模型訓(xùn)練的目標(biāo)，動(dòng)態(tài)DNN前饋具體訓(xùn)練過(guò)程如下：

圖4 基于PFNN的前饋混合網(wǎng)絡(luò)

① 確定各DNN和PFNN模型所需的樣本特征，選擇機(jī)組全工況運(yùn)行的樣本數(shù)據(jù)并進(jìn)行歸一化處理和濾波處理.

② 構(gòu)建DNN網(wǎng)絡(luò)結(jié)構(gòu)，以機(jī)組負(fù)荷及負(fù)荷變化率、主汽壓及主汽壓變化率、煤量及煤量變化率和過(guò)熱器出口溫度設(shè)定值作為輸入，其變量變化率為采樣時(shí)間間隔內(nèi)變量的微分值.以閥門(mén)開(kāi)度的補(bǔ)償值Δμ作為輸出.序列化網(wǎng)絡(luò)的各層神經(jīng)元個(gè)數(shù)分別為8、4和1，其激活函數(shù)分別為selu、selu、linear.

③ 加載PFNN模型并構(gòu)造PFNN的輸入輸出，以補(bǔ)償后閥位(Δμ+μ)、負(fù)荷、給水差壓和減溫器入口汽溫作為導(dǎo)前區(qū)模型輸入，其模型輸出與蒸汽流量、煤量、風(fēng)量以及主汽壓作為滯后區(qū)模型輸入.

(21)

式中，Yset表示過(guò)熱器出口溫度設(shè)定值；Yset,i表示i時(shí)刻的過(guò)熱器出口溫度設(shè)定值.

⑤ 訓(xùn)練前饋網(wǎng)絡(luò)模型，校驗(yàn)測(cè)試集和驗(yàn)證集的模型，滿(mǎn)足精度要求后保存模型.

圖5 基于DNN前饋的一級(jí)過(guò)熱減溫控制系統(tǒng)

4 結(jié)果與分析

4.1 過(guò)熱汽溫辨識(shí)模型驗(yàn)證結(jié)果

選取時(shí)間段為2020年12月—2021年1月數(shù)據(jù)，采樣時(shí)間間隔為5 s，采自某機(jī)組的分布式控制系統(tǒng)(DCS)歷史庫(kù)中全工況運(yùn)行時(shí)的30 000組樣本數(shù)據(jù).

構(gòu)造導(dǎo)前區(qū)模型的機(jī)理?yè)p失約束時(shí)，需先獲得式(8)表示的噴水減溫器閥門(mén)流量特性關(guān)系.選取總樣本中前70%的樣本數(shù)據(jù)作為訓(xùn)練集，10%作為驗(yàn)證集，以最后的20%樣本數(shù)據(jù)作為測(cè)試集.采用最小二乘擬合方法來(lái)獲取如下式所示的減溫器閥門(mén)流量特性模型：

Waw=a+bμ+cp+dμ2+eμp+fp2

(24)

式中，a、b、c、d、e、f為特性系數(shù)，如表1所示.擬合曲線(xiàn)如圖6所示，模型輸出與實(shí)際流量的均方根誤差RMSE和回歸擬合系數(shù)R2分別為1.102 ℃和0.996，結(jié)果表明所得閥門(mén)流量特性的可靠度和精度高，滿(mǎn)足損失建模要求.

表1 噴水減溫器閥門(mén)流量特性系數(shù)

圖6 減溫器閥門(mén)特性擬合曲線(xiàn)

分別建立過(guò)熱器機(jī)理模型、反向傳播(BP)神經(jīng)網(wǎng)絡(luò)模型、LSTM模型和基于機(jī)理與LSTM模型二者混合的PFNN模型，選取30 000組樣本中最后連續(xù)的20%作為測(cè)試集，其他70%的樣本按照7∶1分別作為訓(xùn)練集和驗(yàn)證集.

PFNN的導(dǎo)前區(qū)和滯后區(qū)辨識(shí)結(jié)果分別如圖7和圖8所示.在機(jī)組靈活調(diào)峰時(shí)，導(dǎo)前區(qū)溫度和滯后區(qū)溫度波動(dòng)均變大，且滯后區(qū)溫度波動(dòng)比導(dǎo)前區(qū)溫度波動(dòng)更大.主要原因是滯后區(qū)溫度受負(fù)荷、煤量等時(shí)延干擾量的影響，其滯后性變強(qiáng)，同時(shí)，導(dǎo)前區(qū)溫度等變量的波動(dòng)增強(qiáng)了其非線(xiàn)性，使滯后區(qū)溫度波動(dòng)相對(duì)劇烈.

圖7 過(guò)熱器導(dǎo)前區(qū)溫度模型驗(yàn)證結(jié)果

圖8 過(guò)熱器滯后區(qū)溫度模型驗(yàn)證結(jié)果

對(duì)比圖7和圖8，導(dǎo)前區(qū)模型辨識(shí)擁有更小的回歸偏差，其精度高于滯后區(qū).主要原因是導(dǎo)前區(qū)的非線(xiàn)性和變量之間的耦合性比滯后區(qū)弱，相比滯后區(qū)，其對(duì)象特性更易得到.

表2所示為PFNN、LSTM、BP和機(jī)理模型對(duì)導(dǎo)前區(qū)溫度和滯后區(qū)溫度的辨識(shí)結(jié)果.在使用同一方法辨識(shí)時(shí)，導(dǎo)前區(qū)溫度的回歸偏差明顯小于滯后區(qū)溫度.對(duì)比不同方法的辨識(shí)結(jié)果，PFNN對(duì)過(guò)熱器導(dǎo)前區(qū)和滯后區(qū)溫度辨識(shí)的平均絕對(duì)偏差MAE均小于1 ℃，回歸擬合系數(shù)均大于0.96，其模型的穩(wěn)定性和精度均明顯高于BP、LSTM和機(jī)理模型.

表2 模型辨識(shí)評(píng)估結(jié)果

4.2 DNN動(dòng)態(tài)前饋仿真

根據(jù)現(xiàn)場(chǎng)控制回路搭建一級(jí)過(guò)熱器串級(jí)控制系統(tǒng)控制回路，通過(guò)仿真還原現(xiàn)場(chǎng)的控制效果，在此基礎(chǔ)上，將動(dòng)態(tài)DNN前饋加入控制邏輯，控制器采用標(biāo)準(zhǔn)型PID，無(wú)量程遷移，增益修正為1.其主回路和副回路的PID參數(shù)如表3所示.

表3 控制器參數(shù)設(shè)置

導(dǎo)前區(qū)和滯后區(qū)引入PFNN模型，建立控制系統(tǒng)仿真模型，圖9所示為控制系統(tǒng)仿真結(jié)果，模型回歸偏差MAE和RMSE均不超過(guò)1.6 ℃，R2達(dá)到0.901.結(jié)果表明，仿真控制系統(tǒng)準(zhǔn)確還原了現(xiàn)場(chǎng)控制環(huán)境.可在控制邏輯中加入訓(xùn)練好的DNN動(dòng)態(tài)前饋，建立一級(jí)過(guò)熱器溫度控制系統(tǒng)模型進(jìn)行仿真.

圖9 過(guò)熱汽溫串級(jí)回路仿真圖

選取4 000組樣本數(shù)據(jù)校驗(yàn)?zāi)Ｐ?，按照?qǐng)D5所示的控制邏輯進(jìn)行仿真.圖10(a)為測(cè)試數(shù)據(jù)的變化趨勢(shì).圖10(b)為前饋網(wǎng)絡(luò)引入前后閥門(mén)開(kāi)度對(duì)比，可見(jiàn)前饋補(bǔ)償后閥門(mén)動(dòng)作提前，DNN前饋邏輯的引入使控制系統(tǒng)調(diào)節(jié)速度變快，補(bǔ)償了負(fù)荷、煤量等干擾參數(shù)對(duì)汽溫的滯后作用，從而抑制了負(fù)荷頻繁變化引起的煤量、風(fēng)量等擾動(dòng)的影響.圖10(c)為控制系統(tǒng)加入DNN前饋后，在閥位補(bǔ)償和PID的共同作用下，汽溫控制偏差維持在±2.5 ℃以?xún)?nèi).前饋邏輯引入前后，模型輸出溫度與設(shè)定值溫度的平均絕對(duì)偏差MAE由6.2 ℃降低到0.5 ℃，均方根誤差RMSE則由原來(lái)的5.8 ℃降為0.4 ℃.汽溫控制回路的控制精度和控制品質(zhì)均明顯提升.

(a) 測(cè)試數(shù)據(jù)的變化趨勢(shì)

綜上，所提出的建模方法經(jīng)過(guò)模型校驗(yàn)，仿真實(shí)驗(yàn)有明顯的效果，給現(xiàn)場(chǎng)過(guò)熱器溫度的控制提供了借鑒意義.基于PFNN模型辨識(shí)的DNN動(dòng)態(tài)前饋的引入，使得過(guò)熱器溫度在負(fù)荷大范圍波動(dòng)，受負(fù)荷、煤量等干擾下，仍具有良好的控制品質(zhì)，過(guò)熱器出口溫度跟隨設(shè)定值能力有了極大的提升，其波動(dòng)偏差維持在±3 ℃以?xún)?nèi).該控制策略能夠解決某660 MW機(jī)組靈活調(diào)峰下汽水系統(tǒng)蒸汽溫度劇烈波動(dòng)問(wèn)題，具有應(yīng)用于同類(lèi)機(jī)組的潛力.

5 結(jié)論

1) 基于PFNN的過(guò)熱器辨識(shí)方法能夠從運(yùn)行數(shù)據(jù)中有效提取過(guò)熱器特性，辨識(shí)模型在導(dǎo)前區(qū)和滯后區(qū)的平均絕對(duì)誤差均小于1 ℃，相比于過(guò)熱器機(jī)理模型和深度神經(jīng)網(wǎng)絡(luò)模型精度更高，泛化能力更強(qiáng)，穩(wěn)定性更高.

2) 在機(jī)組靈活調(diào)峰，負(fù)荷大波動(dòng)的情況下，過(guò)熱器溫度控制系統(tǒng)中DNN動(dòng)態(tài)前饋的加入，使汽溫控制的響應(yīng)速度變快，汽溫動(dòng)態(tài)超調(diào)偏差減小.建立仿真實(shí)驗(yàn)，過(guò)熱器溫度的控制偏差維持在±2.5 ℃以?xún)?nèi).

3) 該方法很大程度消減了負(fù)荷變化的影響，提升一級(jí)過(guò)熱器出口溫度的控制效果，有效提升了主蒸汽溫度的調(diào)節(jié)精度和穩(wěn)定性，增強(qiáng)了機(jī)組靈活性調(diào)峰能力，對(duì)于雙碳目標(biāo)的實(shí)現(xiàn)具有重要意義.