【摘 要】智能控制是在人工智能及自动控制等多学科基础上发展起来的交叉学科，主要用来解决传统控制方法难以解决的复杂系统的控制。本文从神经网络控制、模糊控制及智能优化技术等角度，对智能控制技术及其在火电机组的主要应用形式和相应特点进行了综述。在此基础上，分析总结了智能控制技术在国内火电机组的主蒸汽温度控制、锅炉燃烧及排放控制、磨煤机控制、循环流化床解耦控制等控制系统中应用的研究进展情况，对其在具体应用中的有关问题进行了讨论，并展望了智能控制应用研究未来的发展，认为根据火电机组不同被控对象的特点，综合不同智能控制方法的优点建立的混合智能优化控制将会成为一个重要的研究内容。
【关 键 词】火电机组；智能控制； 优化智能控制； 优化神经网络；神经网络 ；模糊控制； 自动控制； 研究进展
随着清洁能源装机容量不断增加，环保指标考核力度日益严格，燃烧煤种经常发生变化，火电机组运行环境复杂多变。要求火电机组在满足环保排放前提下，具有更宽的负荷调节范围、更快的变负荷速率、更高的负荷调节精度和一次调频能力，这就对控制系统提出了更高的要求。
长期以来，传统PID控制因其结构简单、容易实现、鲁棒性强和可实现无差调节的特点，在火电机组控制中，“PID+前馈”方式始终占据主导地位。但传统PID控制器也有其自身的弱点，它对线性、小偏差、小滞后对象的控制有优势，而对非线性、时变、大延迟、大惯性、强耦合与不确定性明显的对象，很难取得满意的控制效果。在国内火电机组长期面临低负荷与快速大幅变负荷运行的条件下，传统PID控制方式越来越表现出力不从心的局面。而在工业过程控制领域获得广泛应用以预测控制、自适应控制为代表的现代控制理论技术在火电机组的控制中逐步推广并取得了突出的效果。
现代控制理论可以解决某些非线性和时变系统的控制问题，适应于多输入和多输出的反馈控制系统，实现最优控制。但其仍依赖被控对象的数学模型，或利用不精确的数学模型又采用固定的控制算法，缺乏灵活性和应变能力。而在火电机组控制系统中，许多被控对象不确定性明显，难以用数学模型进行描述。为此众多学者开始尝试采用智能控制技术来解决这些问题。而智能控制技术的不断发展和完善以及一些商业专用计算软件的开发，也为相关研究提供了基础。
1 智能控制技术
智能控制是在人工智能及自动控制等多学科基础上发展起来的新兴的交叉学科，它主要用来解决传统控制方法（经典反馈控制、现代控制技术）难以解决的复杂系统的控制。自1967年Leonde和Mendel首次使用“智能控制”这一概念以来，智能控制学科在基础理论方面取得了长足的进步，其应用领域也不断拓展。但时至今日，有关其定义、理论和结构等还没有统一的系统性描述，而智能控制具有的学习能力、适应性、组织功能等已被普遍接受。就智能控制的类型而言，它包括模糊控制、神经网络控制、专家控制、分层递阶控制、学习控制、仿人智能控制以及各种混合型方法。另外，也有学者将进化计算及群智能优化算法也纳入智能控制的范畴。鉴于火电机组控制对象的特点，智能控制在该领域的应用研究主要为具有相对成熟理论基础的神经网络控制和模糊控制及粒子群优化、遗传算法和蚁群优化算法等智能优化算法，及其与传统或现代控制技术的结合。
1.1神经网络控制
人工神经网络是神经网络控制的核心，它是一种用来模拟人类大脑神经网络的结构和行为的技术，具有并行信息处理、学习、联想、模式分类、记忆等功能。它利用神经元之间的连接及权值的分配表示特定的信息，并通过不断修正神经元之间的连接权值进行自我学习训练。在理论上被认为善于表达任意非线性映射关系，因而常用于对难以建立明确解析数学模型的非线性对象建模。将神经网络技术应用于火电机组的控制研究主要有3种方式：1）建立描述控制对象输入输出的映射关系（模型），如锅炉燃烧模型、NOx排放模型、旋转机械振动故障预测模型、机炉协调控制系统模型等；2）利用神经网络技术的自学习能力，按照一定的性能指标和学习方法对PID控制器或被控对象模型参数进行寻优；3）与其他技术或算法结合形成神经网络控制，如与粒子群优化算法、遗传算法等结合实现锅炉燃烧控制，与预测控制技术结合实现对磨煤机、选择性催化还原（SCR）烟气脱硝系统的控制等。
相对于其他经典建模方法，神经网络技术建模面临对样本数量和质量需求高、不确定性强、训练容易陷入局部最优点等问题。因此一般用于离线研究的较多，在线应用受到了一定的限制。
1.2 模糊控制
模糊控制是一种基于模糊数学、模糊推理和模糊语言规则的智能控制方法,它是在专家或专业控制经验基础上建立的一种不依赖对象模型的控制方法，对于不确定系统或复杂非线性系统具有明显的优势。同时模糊控制因无法消除稳态静差,不具有学习能力，其隶属度函数和模糊规则需要专业经验，且不能调整等缺点，难以单独对被控对象实施精确控制。因而模糊控制在火电机组的应用中常需要结合其他控制技术，如在传统PID控制系统中采用模糊规则，按照被控对象的实际输出与期望值的偏差及偏差变化率对控制器的P、I、D参数进行在线调整；将模糊控制与神经网络技术相结合的模糊神经网络用于建立复杂对象的模型；采用模糊规则调整前馈信号及进行多变量解耦等。
在火电机组控制中，模糊建模或模糊控制都表现出良好的仿真和试验效果。但在具体应用中，专家和专业经验对建模和控制的有效性、模型的复杂性和控制参数的多样性是其能否成功应用的关键。
1.3 智能优化算法
智能优化算法通常包括进化计算（EC）和群智能（SI）两大类，它们都是受自然现象启发，基于抽取出的简单自然规则而发展起来的计算方法，是典型的元启发式随机优化方法。EC类的算法如遗传算法、进化规划、遗传规划等，EI类的算法如粒子群优化算法、蚁群优化算法、免疫算法等,这些算法近些年已广泛应用于工业控制、网络安全、故障检测等诸多领域。在火电厂的应用研究主要集中在遗传算法、粒子群优化算法和蚁群优化算法上。
遗传算法是一种模拟生物界自然选择、遗传变异机制和进化过程而形成的一种具有自适应能力的、全局性的并行随机优化搜索算法。它能够以较大的概率得到全局最优解，适用于大规模、高度非线性的不连续多峰函数优化以及无解析式目标函数的优化。粒子群优化算法是一种高效的集群智能协同优化算法，其基本思想来源于对鸟群社会模型的研究及行为模拟，以个体的协作与竞争来完成对复杂搜索空间内最优解的搜索。相比于遗传算法和其他进化算法，其操作简单、容易实现，具有较强的全局收敛能力和鲁棒性。蚁群优化算法是模拟自然界中蚁群觅食行为而提出的一种进化算法，它是以信息素更新和概率转移为基本操作，并以此指导搜索方向，在解决典型组合优化问题中具有明显优越性。这3种智能优化及其改进算法在火电机厂中主要应用于机组负荷优化分配、控制器参数寻优、控制策略优化、模型参数辨识、神经网络模型连接权值和阈值寻优等方面。
2 智能控制技术在火电机组中的应用
2.1 主蒸汽温度控制
主蒸汽温度是表征机组运行特性的重要指标之一，其控制品质的优劣直接影响机组的安全性和经济性。而主蒸汽温度的大惯性、时变等特性，使传统的串级PID控制方式难以在各负荷段都能取得满意的效果。同时主蒸汽温度的控制是目标明确的精准控制，因而将智能技术与传统PID控制方式相结合实现对主蒸汽温度的优化控制是该领域主要研究的方向。图1为主蒸汽温度智能控制原理，其主要控制方式如下。
1）在传统串级PID控制方式下，对主控制器的P、I、D3个参数在线优化。如在采用最小二乘法辨识主蒸汽温度对象模型基础上，利用遗传算法对控制器参数进行滚动优化[1]；利用BP、RBF神经网络技术的自学习功能对PID参数进行整定。将智能优化算法全局搜索的特性与神经网络技术的自学习能力相结合，利用BP神经网络算法对PID参数进行在线调整；采用蚁群算法、遗传算法对BP神经网络建模时的初始阈值、连接权和网络结构进行优化；按照模糊规则根据设定值和测量值的偏差及其变化率实时调整控制器的参数。
2）采用模糊控制与传统PID控制相结合的方式，在被控参数与设定值偏差较大时采用模糊控制方式对主蒸汽温度进行初调，偏差在一定范围内采用PID控制方式进行细调。
除上述方法外，牛培峰等利用神经网络自学习能力,对模糊控制规则的隶属度函数进行调整, 设计了主蒸汽温度的模糊神经网络控制器，从而使模糊控制器具有自适应和学习能力。杨延西等采用粒子群优化算法，对无模型的自适应控制器参数进行寻优，大幅提高了该算法参数的调整时间，改善了其实用性。这些研究成果的仿真实验表明，在主蒸汽温度控制中，采用智能控制技术后取得了比传统串级PID控制方式更好的控制效果。
2.2 锅炉燃烧及排放控制
锅炉燃烧作为燃煤机组能源转换的核心环节,直接影响着锅炉效率、污染物排放及运行安全性。而锅炉燃烧是一个多输入（燃料量、风量、配风方式、氧量、发热量、排烟温度等）多输出（燃烧效率、NOx排放、炉膛温度等）、强耦合、大延迟、非线性时变系统，且诸多目标相互冲突，难以采用数学方式建立其动态模型，而采用智能控制技术对锅炉燃烧进行优化是有效的控制手段之一。近几年在该领域开展了诸多智能技术或其与其他控制技术相结合的燃烧优化控制研究工作。图2为锅炉燃烧与NOx排放智能控制原理，其主要研究方向如下。
1）以锅炉燃烧调整试验数据或历史运行数据为样本，建立锅炉燃烧和排放模型并进行分析。如利用机组运行历史数据，采用神经网络技术建立锅炉燃烧效率和汽轮机功率模型并验证其预测的准确性；采用BP神经网络技术，并利用遗传算法优化其神经元连接权值和阈值的方法建立亚临界300 MW机组锅炉效率与NOx排放的双目标模型；利用改进的混沌粒子群算法对采用支持向量
机所建模型中的相关参数进行优化，最终建立超临界600MW机组锅炉排烟温度模型；将最小二乘支持向量机与改进的粒子群优化算法相结合,建立超超临界1000MW机组锅炉效率和NOx排放量模型；采用BP神经网络技术建立以烟气量、预洗塔内温度、脱硫塔出口烟温、脱硫浆液pH值及氨水中氨的质量分数为输入，以脱硫效率为输出的神经网络模型。
2）以神经网络或支持向量机建立的锅炉燃烧模型为基础，对不同运行工况下的锅炉效率和NOx排放分配权重，将多目标优化转变为单目标优化。并采用粒子群算法、遗传算法、蚁群算法等智能优化技术，寻找锅炉燃烧系统各输入参数的最佳组合,并以此作为各层风量配置的依据，对锅炉燃烧进行优化指导和实时控制。如采用BP神经网络建立锅炉燃烧模型，利用粒子群算法对输入参数进行寻优、利用遗传算法对输入参数寻优；采用支持向量机建立锅炉燃烧模型，利用遗传算法寻优输入参数；采用基于最小二乘支持向量机建立NOx排放量、排烟氧量和飞灰含碳量的预测模型，利用蚁群算法处理非线性系统预测控制中的滚动优化问题。
3）采用智能算法建立燃煤机组NOx排放预测模型并进行比较分析，在预测的基础上采用预测控制技术实现精准的喷氨控制。如在采用支持向量机建立锅炉NOx排放模型的基础上，利用蚁群算法对模型参数进行优化，并与采用神经网络技术建模的实时性和准确性进行对比分析。对蚁群算法、遗传算法和粒子群算法在优化NOx预测模型参数的收敛速度和准确性进行分析比较；分别采用BP和RBF神经网络建立NOx排放模型，利用预测控制技术实现喷氨量的精准控制。
2.3 磨煤机控制
无论是中储式钢球磨煤机还是直吹式中速磨煤机，都具有多输入多输出、强耦合、大延迟的特点，其动态特性随运行工况的不同有较大变化。采用传统PID控制方案难以有效解决磨煤机的多变量耦合问题，因此在该领域开展了利用智能技术提高磨煤机控制系统调节品质的尝试。
对于直吹式中速磨煤机，主要采用的方法包括：利用RBF神经网络建立以给煤机煤量、一次冷风门开度、一次热风门开度为输入，磨煤机一次风量、出口风粉混合物温度为输出的神经网络模型，采用基于模型的预测控制技术实现对冷、热风的解耦控制；将模糊控制与传统PID控制方式相结合，在磨煤机启动阶段采用模糊控制器控制冷、热一次风挡板，有效避免小流量测量误差大、小开度时风挡板漏风大等问题，正常运行阶段采用传统PID方式进行控制，并利用模糊规则按照设定值与测量值的偏差及其变化率在线调整PID控制器参数。
对于中储式钢球磨煤机，主要采用的方法包括：利用模糊规则在线改变磨煤机传统PID控制器的参数；将神经网络和模糊控制相结合，以神经元代替模糊系统中的模糊子集合，神经元节点内部函数代替模糊隶属度函数，神经元节点之间的连接对应于模糊推理机制，对磨煤机出口温度、入口负压子系统进行解耦控制；利用神经网络对多变量进行解耦，以粒子群优化算法对神经网络权值进行优化；以磨煤机出口温度和入口负压作为输入变量，采用基于模糊自调整和采样模糊控制的控制策略，通过模糊推理对磨煤机负荷的控制目标值进行在线修正，保证钢球磨煤机始终稳定运行在最佳工作点附近。
2.4 循环流化床（CFB）锅炉解耦控制
CFB锅炉是一个分布参数、时变、多变量紧密耦合的控制对象。其主蒸汽压力、床温和炉膛出口含氧量都受给煤量、一次风量和二次风量影响，它们之间有很强的耦合关系。采用智能控制技术实现CFB锅炉的解耦控制也是一种提高机组控制能力的有效途径。在该领域主要研究方法是采用解耦补偿器消除被控对象参数间的耦合，利用智能技术对解耦补偿器相关参数及PID控制器参数进行优化。如针对双输入（给煤量、一次风量）双输出（主蒸汽压力、床温）被控对象，阮琦等设计了神经元解耦补偿器，利用神经网络自学习能力优化解耦补偿器的权值，同时采用蚁群优化算法分别调整主蒸汽压力和床温控制回路的PID控制器参数；牛培峰等在设计神经元解耦补偿器的基础上，对主蒸汽压力和床温控制回路分别设计了模糊自适应控制器；韩璞等采用前馈补偿方式消除了输入参数的耦合作用，将其简化为给煤量-主蒸汽压力和一次风量-床温2个独立的PID控制回路，利用粒子群优化算法对其控制器参数进行优化；王万召等针对三输入（给煤量、一次风量、二次风量）和三输出（主蒸汽压力、床温、炉膛出口氧量）被控对象，采用神经元解耦方式的基础上，根据设定值与被控变量的偏差及其变化速率，应用模糊规则，对主蒸汽压力、床温和炉膛出口氧量3个回路的神经元PID控制器参数进行在线调整。这些研究成果的仿真实验和现场应用表明，与传统PID控制方式相比，采用智能控制技术对CFB锅炉进行解耦控制具有更好的调节品质。
2.5 其他系统的控制
除上述几个系统外，智能控制技术在火电机组其他要求实施精准控制的系统中，也开展了一定的研究工作并取得了较好的仿真结果。其主要研究方法仍采用以传统PID控制或预测控制方式为基础，利用神经网络、模糊规则、智能优化算法对控制器参数进行整定和在线优化。
1）在再热蒸汽温度控制中，张经纬等将超超临界660MW机组再热器特性用多容惯性传递函数表示，采用改进的粒子群优化算法，对传递函数中相关参数进行辨识；王堃等采用Smith预估控制方式对再热蒸汽温度进行控制，借助RFB神经网络自学习能力对PID控制器参数进行整定。
2）在直接空冷机组凝汽器背压控制系统中，王彪等利用机组的环境温度、风机功率和机组负荷的运行数据，采用BP神经网络建模方法，建立了凝汽器背压预测模型，通过对模型的分析给运行人员提供了最佳背压运行设定值。任国华将神经网络与预测控制相结合替代传统的PID控制，采用BP神经网络建立了环境温度、环境风速、机组负荷、风机转速与凝汽器背压之间的神经网络模型，并在此模型基础上采用预测控制方式实现了对凝汽器背压的控制。
3）在主蒸汽压力控制系统中，汪阳华等将模糊控制、粒子群优化算法与传统PID控制方式相结合，采用模糊规则对PID控制器参数进行在线优化，同时利用粒子群算法优化模糊规则的量化因子和比例因子。
4）在超临界机组给水控制系统中，Zhang D等采用模糊控制技术，根据分离器出口（中间点）主蒸汽焓值的偏差变化，来实时修正给水量和给煤量的比例系数。
5）在机组负荷优化分配领域，李铁苍等在火电机组负荷优化分配问题的研究中，引入了粒子群优化算法，研究了算法的具体实现过程,并通过仿真实例验证了该算法的有效性。余延芳等针对粒子群算法的局限性，提出了改进的遗传粒子群混合算法，在粒子群搜索路径中借鉴了遗传算法的交叉和变异操作，使失去有效搜索功能的停滞粒子跳出停滞状态而重新获得搜索功能。
2.6 参数和故障预测
智能控制技术还用于对火电机组中难以进行直接测量的工艺参数、被控对象模型参数及设备运行的故障规律进行辨识和预测。如张正友等利用蚁群算法对BP神经网络进行优化，采用与锅炉燃烧相关的运行参数作为输入，采用优化后的神经网络建立了飞灰含碳量的预测模型；李娜等将有限元和神经网络相结合，以有限元计算结果作为训练样本，以介质压力和筒体壁温序列为辅助变量，建立了基于Elman神经网络的1000MW机组分离器应力预测模型；王建国等将遗传算法和Elman神经网络相结合，建立了以发电量、主蒸汽焓值、再热蒸汽参数、各段抽汽焓值为输入的350MW机组汽轮机排汽焓值动态预测模型；巨林仓等将与机组热平衡有关的运行数据和煤质数据作为训练样本，采用遗传优化BP神经网络权值的方式，建立了入炉煤质的神经网络预测模型；Chandok J S等采用机组给水量、给煤量、风量等9个参数的历史运行数据和设计计算数据为训练样本，建立了锅炉炉膛出口烟气温度的RFB神经网络预测模型；王洪亮等将模糊控制与神经网络相结合，将代表煤灰自身特性和锅炉实际运行工况的相关参数作为输入，并采用不同的隶属度函数对其分别进行模糊化处理后，利用BP神经网络建立了锅炉结渣的预测模型；Liu X J等采用锅炉给煤量、给水量和汽轮机调节阀开度为输入，发电机功率、主蒸汽压力和分离器出口温度为输出的机组运行数据，采用RBF神经网络建立了超临界1000MW机组协调控制系统模型，并与采用递推最小二乘法建立的模型进行对比分析，结果表明采用神经网络建立的模型更加有效；卢晓玲等在已知模型结构的前提下，利用粒子群算法的寻优能力，对模型参数进行辨识，建立了超临界600MW机组分离器出口（中间点）蒸汽比焓与给水流量之间的传递函数；高建强等在归纳燃煤锅炉风机停转、凝汽器积灰、凝汽器结冰等典型故障基础上，选取机组相关的运行参数作为故障征兆输入参数，利用BP神经网络建立了直接空冷凝汽器故障预测模型，并借助遗传算法全局搜索能力强的特点，加快了BP神经网络收敛速度；余慢烨等采用小波分析法对设备振动测量信号进行去噪处理并提取故障特征向量，然后利用BP神经网络分别建立了汽轮机和风机故障预测模型；Fast M等采用机组正常运行工况的历史数据为训练样本，建立了燃气-蒸汽联合循环发电机组各主要设备神经网络预测模型，并将模型的预测数据与机组实时运行数据进行比较，当某些运行数据超出预测范围时进行报警，实现了设备运行的状态监测和诊断。
3 讨论与展望
尽管近年来诸多学者对智能控制技术在火电厂的应用开展了大量的研究工作，但目前仍以仿真和试验研究为主，在具体工程应用中还相对较少。为提高智能控制技术的实用性，更有效提高火电机组控制品质，需要进一步探讨以下问题。
1）采用神经网络建立诸如锅炉燃烧这样复杂的多变量、强耦合、非线性时变对象模型时，样本数据的准确性、有效性和广泛性对模型的建立和训练至关重要。如在相同负荷工况下，不同磨煤机组合运行将产生不同的结果。同时神经网络的结构、隐层数和神经元节点数，直接关系到神经网络模型的准确性。因此获取各种工况下的足够多的样本数据，并按照被控对象特性合理设计神经网络的结构将是其能否成功应用的关键。
2）智能优化算法计算量大，搜索速度相对较慢，难以保证在有限时间内找到全局最优解，对控制的实时性有不利影响。在应用中需要将计算方法与现场经验相结合，在不同工况下对搜索范围进行适当简化，以提高控制的实时性，同时需要协调好计算的实时性和解的最优性之间的矛盾。
3）智能控制的设计要求存在两面性:一方面期望采用通用性的方法来解决各种复杂对象的控制问题，以便使用者掌握和维护；另一方面，提高特定对象求解效率的要求又需要充分利用对象的结构信息和专业经验，降低问题的求解难度，提高问题的求解效率。因而在设计时需要在二者之间取得均衡。
4）火电机组大部分系统要求实时精准的控制，而传统PID控制和预测控制都具有较好的动态性能且无稳态偏差，在实际应用中对需要精准控制的对象，还需将智能控制技术与传统PID控制、预测控制相结合。
5）在单独采用智能控制技术时，其控制命令应根据不同工况，按一定约束条件对其进行限制，以避免模型的泛化能力与精度的不足造成过度调节，导致控制指令反复波动影响执行设备的使用寿命。
6）神经网络及智能优化算法的建模或寻优过程需要进行复杂的计算，很难利用DCS现有的组态工具完成。需要额外的计算机并通过通信方式与DCS进行数据交换，降低了控制系统的安全性，增加了设备成本。DCS若能提供标准接口和计算平台将更有利于智能控制技术在火电厂的推广应用。
随着未来人工智能研究不断取得新的进展，新的智能控制技术和实现方式也会越来越丰富，应用范围也会不断扩大。根据火电机组不同被控对象的特点，综合不同智能控制方法的优点建立的混合智能优化控制将会成为一个重要的研究内容。可以预见，智能控制技术在火电机组的控制系统中将发挥越来越重要的作用。
閱讀更多 電力鷹 的文章
