基于混合学习算法的RBF神经网络主蒸汽温度控制

　　火电机组锅炉出口主蒸汽温度是锅炉控制的主要参数之一[1,2],也是整个汽水流程中的最高温度。主蒸汽温度高,易损坏过热器,而且会在汽轮机内引起过度的热膨胀,严重影响运行的安全性;主蒸汽温度过低,则使效率降低,影响机组运行的经济性。因此,调节主蒸汽温度使之在规定范围内变化,成为火电厂热工自动化控制的主要目标之一。

　　RBF神经网络是一种具有单个隐含层的3层前馈神经网络[3,4],能以任意精度逼近任意非线性函数,其与传统PID控制相结合形成的RBF神经网络PID控制,可大大改进传统PID控制的性能。但是,由于常规RBF神经网络的网络结构固定,适应性差,而且合理确定隐含层节点数和相应函数的中心,以及平衡控制速度与精度关系仍是RBF网络设计的一个难点。因此,本文运用最近邻聚类算法[5]与梯度下降法相结合的混合学习算法设计了一种动态的自适应RBF神经网络模型,并以此网络模型为基础设计了RBF网络辨识(RBFNNI)和主蒸汽温度自整定的PID串级控制器。

　　1　RBF神经网络主蒸汽温度控制

　　在RBF神经网络主蒸汽温度控制系统中,其内回路采用比例控制器,外回路采用RBF神经网络整定的PID控制器(主控制器),控制结构见图1。

　　2　基于混合学习算法的RBF神经网络辨识器

　　2.1　混合学习算法

　　最近邻聚类算法根据样本的输入信息进行聚类迭代,以确定隶属函数的中心。在此基础上,根据输出信息确定其它网络参数。此方法不依赖梯度寻优,避免了陷入局部极值,大大加速了学习进程。但是,这种方法在聚类宽度的选择、聚类的划分、隶属函数中心的确定和学习精度方面有如下不足:(1)聚类宽度σ是固定不变的,从而使得在样本分布密度差异较大时,不能保证学习精度。(2)在学习过程中,没有考虑网络输出信息的影响,没有以网络的学习误差为性能指标进行迭代。虽然速度快但牺牲了精度,在要求精度高的场合使用受到限制。

　　针对上述最近邻聚类算法的不足,以及在确定聚类时还应该考虑输出信息的影响,引入梯度下降法对网络参数进行修正,并对聚类宽度进行自适应调整。这种将最近邻聚类算法和梯度下降法相结合的混合学习算法可以使得2种算法优缺点互补,学习能力加强,达到算法快速、精确的目的。

　　2.2　混合学习算法及其RBF神经网络结构

　　(5)利用梯度下降法调整σk的学习算法,μ为学习速率。设辨识模型的性能指标函数为:

　　2.3　被控对象Jacobian信息的辨识算法

　　考虑下面的单输入单输出(SISO)非线性离散系统: