【摘 要】智能控制是在人工智能及自動控制等多學科基礎上發展起來的交叉學科，主要用來解決傳統控制方法難以解決的複雜系統的控制。本文從神經網絡控制、模糊控制及智能優化技術等角度，對智能控制技術及其在火電機組的主要應用形式和相應特點進行了綜述。在此基礎上，分析總結了智能控制技術在國內火電機組的主蒸汽溫度控制、鍋爐燃燒及排放控制、磨煤機控制、循環流化床解耦控制等控制系統中應用的研究進展情況，對其在具體應用中的有關問題進行了討論，並展望了智能控制應用研究未來的發展，認為根據火電機組不同被控對象的特點，綜合不同智能控制方法的優點建立的混合智能優化控制將會成為一個重要的研究內容。
【關 鍵 詞】火電機組；智能控制； 優化智能控制； 優化神經網絡；神經網絡 ；模糊控制； 自動控制； 研究進展
隨著清潔能源裝機容量不斷增加，環保指標考核力度日益嚴格，燃燒煤種經常發生變化，火電機組運行環境複雜多變。要求火電機組在滿足環保排放前提下，具有更寬的負荷調節範圍、更快的變負荷速率、更高的負荷調節精度和一次調頻能力，這就對控制系統提出了更高的要求。
長期以來，傳統PID控制因其結構簡單、容易實現、魯棒性強和可實現無差調節的特點，在火電機組控制中，“PID+前饋”方式始終佔據主導地位。但傳統PID控制器也有其自身的弱點，它對線性、小偏差、小滯後對象的控制有優勢，而對非線性、時變、大延遲、大慣性、強耦合與不確定性明顯的對象，很難取得滿意的控制效果。在國內火電機組長期面臨低負荷與快速大幅變負荷運行的條件下，傳統PID控制方式越來越表現出力不從心的局面。而在工業過程控制領域獲得廣泛應用以預測控制、自適應控制為代表的現代控制理論技術在火電機組的控制中逐步推廣並取得了突出的效果。
現代控制理論可以解決某些非線性和時變系統的控制問題，適應於多輸入和多輸出的反饋控制系統，實現最優控制。但其仍依賴被控對象的數學模型，或利用不精確的數學模型又採用固定的控制算法，缺乏靈活性和應變能力。而在火電機組控制系統中，許多被控對象不確定性明顯，難以用數學模型進行描述。為此眾多學者開始嘗試採用智能控制技術來解決這些問題。而智能控制技術的不斷髮展和完善以及一些商業專用計算軟件的開發，也為相關研究提供了基礎。
1 智能控制技術
智能控制是在人工智能及自動控制等多學科基礎上發展起來的新興的交叉學科，它主要用來解決傳統控制方法（經典反饋控制、現代控制技術）難以解決的複雜系統的控制。自1967年Leonde和Mendel首次使用“智能控制”這一概念以來，智能控制學科在基礎理論方面取得了長足的進步，其應用領域也不斷拓展。但時至今日，有關其定義、理論和結構等還沒有統一的系統性描述，而智能控制具有的學習能力、適應性、組織功能等已被普遍接受。就智能控制的類型而言，它包括模糊控制、神經網絡控制、專家控制、分層遞階控制、學習控制、仿人智能控制以及各種混合型方法。另外，也有學者將進化計算及群智能優化算法也納入智能控制的範疇。鑑於火電機組控制對象的特點，智能控制在該領域的應用研究主要為具有相對成熟理論基礎的神經網絡控制和模糊控制及粒子群優化、遺傳算法和蟻群優化算法等智能優化算法，及其與傳統或現代控制技術的結合。
1.1神經網絡控制
人工神經網絡是神經網絡控制的核心，它是一種用來模擬人類大腦神經網絡的結構和行為的技術，具有並行信息處理、學習、聯想、模式分類、記憶等功能。它利用神經元之間的連接及權值的分配表示特定的信息，並通過不斷修正神經元之間的連接權值進行自我學習訓練。在理論上被認為善於表達任意非線性映射關係，因而常用於對難以建立明確解析數學模型的非線性對象建模。將神經網絡技術應用於火電機組的控制研究主要有3種方式：1）建立描述控制對象輸入輸出的映射關係（模型），如鍋爐燃燒模型、NOx排放模型、旋轉機械振動故障預測模型、機爐協調控制系統模型等；2）利用神經網絡技術的自學習能力，按照一定的性能指標和學習方法對PID控制器或被控對象模型參數進行尋優；3）與其他技術或算法結合形成神經網絡控制，如與粒子群優化算法、遺傳算法等結合實現鍋爐燃燒控制，與預測控制技術結合實現對磨煤機、選擇性催化還原（SCR）煙氣脫硝系統的控制等。
相對於其他經典建模方法，神經網絡技術建模面臨對樣本數量和質量需求高、不確定性強、訓練容易陷入局部最優點等問題。因此一般用於離線研究的較多，在線應用受到了一定的限制。
1.2 模糊控制
模糊控制是一種基於模糊數學、模糊推理和模糊語言規則的智能控制方法,它是在專家或專業控制經驗基礎上建立的一種不依賴對象模型的控制方法，對於不確定系統或複雜非線性系統具有明顯的優勢。同時模糊控制因無法消除穩態靜差,不具有學習能力，其隸屬度函數和模糊規則需要專業經驗，且不能調整等缺點，難以單獨對被控對象實施精確控制。因而模糊控制在火電機組的應用中常需要結合其他控制技術，如在傳統PID控制系統中採用模糊規則，按照被控對象的實際輸出與期望值的偏差及偏差變化率對控制器的P、I、D參數進行在線調整；將模糊控制與神經網絡技術相結合的模糊神經網絡用於建立複雜對象的模型；採用模糊規則調整前饋信號及進行多變量解耦等。
在火電機組控制中，模糊建模或模糊控制都表現出良好的仿真和試驗效果。但在具體應用中，專家和專業經驗對建模和控制的有效性、模型的複雜性和控制參數的多樣性是其能否成功應用的關鍵。
1.3 智能優化算法
智能優化算法通常包括進化計算（EC）和群智能（SI）兩大類，它們都是受自然現象啟發，基於抽取出的簡單自然規則而發展起來的計算方法，是典型的元啟發式隨機優化方法。EC類的算法如遺傳算法、進化規劃、遺傳規劃等，EI類的算法如粒子群優化算法、蟻群優化算法、免疫算法等,這些算法近些年已廣泛應用於工業控制、網絡安全、故障檢測等諸多領域。在火電廠的應用研究主要集中在遺傳算法、粒子群優化算法和蟻群優化算法上。
遺傳算法是一種模擬生物界自然選擇、遺傳變異機制和進化過程而形成的一種具有自適應能力的、全局性的並行隨機優化搜索算法。它能夠以較大的概率得到全局最優解，適用於大規模、高度非線性的不連續多峰函數優化以及無解析式目標函數的優化。粒子群優化算法是一種高效的集群智能協同優化算法，其基本思想來源於對鳥群社會模型的研究及行為模擬，以個體的協作與競爭來完成對複雜搜索空間內最優解的搜索。相比於遺傳算法和其他進化算法，其操作簡單、容易實現，具有較強的全局收斂能力和魯棒性。蟻群優化算法是模擬自然界中蟻群覓食行為而提出的一種進化算法，它是以信息素更新和概率轉移為基本操作，並以此指導搜索方向，在解決典型組合優化問題中具有明顯優越性。這3種智能優化及其改進算法在火電機廠中主要應用於機組負荷優化分配、控制器參數尋優、控制策略優化、模型參數辨識、神經網絡模型連接權值和閾值尋優等方面。
2 智能控制技術在火電機組中的應用
2.1 主蒸汽溫度控制
主蒸汽溫度是表徵機組運行特性的重要指標之一，其控制品質的優劣直接影響機組的安全性和經濟性。而主蒸汽溫度的大慣性、時變等特性，使傳統的串級PID控制方式難以在各負荷段都能取得滿意的效果。同時主蒸汽溫度的控制是目標明確的精準控制，因而將智能技術與傳統PID控制方式相結合實現對主蒸汽溫度的優化控制是該領域主要研究的方向。圖1為主蒸汽溫度智能控制原理，其主要控制方式如下。
1）在傳統串級PID控制方式下，對主控制器的P、I、D3個參數在線優化。如在採用最小二乘法辨識主蒸汽溫度對象模型基礎上，利用遺傳算法對控制器參數進行滾動優化[1]；利用BP、RBF神經網絡技術的自學習功能對PID參數進行整定。將智能優化算法全局搜索的特性與神經網絡技術的自學習能力相結合，利用BP神經網絡算法對PID參數進行在線調整；採用蟻群算法、遺傳算法對BP神經網絡建模時的初始閾值、連接權和網絡結構進行優化；按照模糊規則根據設定值和測量值的偏差及其變化率實時調整控制器的參數。
2）採用模糊控制與傳統PID控制相結合的方式，在被控參數與設定值偏差較大時採用模糊控制方式對主蒸汽溫度進行初調，偏差在一定範圍內採用PID控制方式進行細調。
除上述方法外，牛培峰等利用神經網絡自學習能力,對模糊控制規則的隸屬度函數進行調整, 設計了主蒸汽溫度的模糊神經網絡控制器，從而使模糊控制器具有自適應和學習能力。楊延西等採用粒子群優化算法，對無模型的自適應控制器參數進行尋優，大幅提高了該算法參數的調整時間，改善了其實用性。這些研究成果的仿真實驗表明，在主蒸汽溫度控制中，採用智能控制技術後取得了比傳統串級PID控制方式更好的控制效果。
2.2 鍋爐燃燒及排放控制
鍋爐燃燒作為燃煤機組能源轉換的核心環節,直接影響著鍋爐效率、汙染物排放及運行安全性。而鍋爐燃燒是一個多輸入（燃料量、風量、配風方式、氧量、發熱量、排煙溫度等）多輸出（燃燒效率、NOx排放、爐膛溫度等）、強耦合、大延遲、非線性時變系統，且諸多目標相互衝突，難以採用數學方式建立其動態模型，而採用智能控制技術對鍋爐燃燒進行優化是有效的控制手段之一。近幾年在該領域開展了諸多智能技術或其與其他控制技術相結合的燃燒優化控制研究工作。圖2為鍋爐燃燒與NOx排放智能控制原理，其主要研究方向如下。
1）以鍋爐燃燒調整試驗數據或歷史運行數據為樣本，建立鍋爐燃燒和排放模型並進行分析。如利用機組運行歷史數據，採用神經網絡技術建立鍋爐燃燒效率和汽輪機功率模型並驗證其預測的準確性；採用BP神經網絡技術，並利用遺傳算法優化其神經元連接權值和閾值的方法建立亞臨界300 MW機組鍋爐效率與NOx排放的雙目標模型；利用改進的混沌粒子群算法對採用支持向量
機所建模型中的相關參數進行優化，最終建立超臨界600MW機組鍋爐排煙溫度模型；將最小二乘支持向量機與改進的粒子群優化算法相結合,建立超超臨界1000MW機組鍋爐效率和NOx排放量模型；採用BP神經網絡技術建立以煙氣量、預洗塔內溫度、脫硫塔出口煙溫、脫硫漿液pH值及氨水中氨的質量分數為輸入，以脫硫效率為輸出的神經網絡模型。
2）以神經網絡或支持向量機建立的鍋爐燃燒模型為基礎，對不同運行工況下的鍋爐效率和NOx排放分配權重，將多目標優化轉變為單目標優化。並採用粒子群算法、遺傳算法、蟻群算法等智能優化技術，尋找鍋爐燃燒系統各輸入參數的最佳組合,並以此作為各層風量配置的依據，對鍋爐燃燒進行優化指導和實時控制。如採用BP神經網絡建立鍋爐燃燒模型，利用粒子群算法對輸入參數進行尋優、利用遺傳算法對輸入參數尋優；採用支持向量機建立鍋爐燃燒模型，利用遺傳算法尋優輸入參數；採用基於最小二乘支持向量機建立NOx排放量、排煙氧量和飛灰含碳量的預測模型，利用蟻群算法處理非線性系統預測控制中的滾動優化問題。
3）採用智能算法建立燃煤機組NOx排放預測模型並進行比較分析，在預測的基礎上採用預測控制技術實現精準的噴氨控制。如在採用支持向量機建立鍋爐NOx排放模型的基礎上，利用蟻群算法對模型參數進行優化，並與採用神經網絡技術建模的實時性和準確性進行對比分析。對蟻群算法、遺傳算法和粒子群算法在優化NOx預測模型參數的收斂速度和準確性進行分析比較；分別採用BP和RBF神經網絡建立NOx排放模型，利用預測控制技術實現噴氨量的精準控制。
2.3 磨煤機控制
無論是中儲式鋼球磨煤機還是直吹式中速磨煤機，都具有多輸入多輸出、強耦合、大延遲的特點，其動態特性隨運行工況的不同有較大變化。採用傳統PID控制方案難以有效解決磨煤機的多變量耦合問題，因此在該領域開展了利用智能技術提高磨煤機控制系統調節品質的嘗試。
對於直吹式中速磨煤機，主要採用的方法包括：利用RBF神經網絡建立以給煤機煤量、一次冷風門開度、一次熱風門開度為輸入，磨煤機一次風量、出口風粉混合物溫度為輸出的神經網絡模型，採用基於模型的預測控制技術實現對冷、熱風的解耦控制；將模糊控制與傳統PID控制方式相結合，在磨煤機啟動階段採用模糊控制器控制冷、熱一次風擋板，有效避免小流量測量誤差大、小開度時風擋板漏風大等問題，正常運行階段採用傳統PID方式進行控制，並利用模糊規則按照設定值與測量值的偏差及其變化率在線調整PID控制器參數。
對於中儲式鋼球磨煤機，主要採用的方法包括：利用模糊規則在線改變磨煤機傳統PID控制器的參數；將神經網絡和模糊控制相結合，以神經元代替模糊系統中的模糊子集合，神經元節點內部函數代替模糊隸屬度函數，神經元節點之間的連接對應於模糊推理機制，對磨煤機出口溫度、入口負壓子系統進行解耦控制；利用神經網絡對多變量進行解耦，以粒子群優化算法對神經網絡權值進行優化；以磨煤機出口溫度和入口負壓作為輸入變量，採用基於模糊自調整和採樣模糊控制的控制策略，通過模糊推理對磨煤機負荷的控制目標值進行在線修正，保證鋼球磨煤機始終穩定運行在最佳工作點附近。
2.4 循環流化床（CFB）鍋爐解耦控制
CFB鍋爐是一個分佈參數、時變、多變量緊密耦合的控制對象。其主蒸汽壓力、床溫和爐膛出口含氧量都受給煤量、一次風量和二次風量影響，它們之間有很強的耦合關係。採用智能控制技術實現CFB鍋爐的解耦控制也是一種提高機組控制能力的有效途徑。在該領域主要研究方法是採用解耦補償器消除被控對象參數間的耦合，利用智能技術對解耦補償器相關參數及PID控制器參數進行優化。如針對雙輸入（給煤量、一次風量）雙輸出（主蒸汽壓力、床溫）被控對象，阮琦等設計了神經元解耦補償器，利用神經網絡自學習能力優化解耦補償器的權值，同時採用蟻群優化算法分別調整主蒸汽壓力和床溫控制迴路的PID控制器參數；牛培峰等在設計神經元解耦補償器的基礎上，對主蒸汽壓力和床溫控制迴路分別設計了模糊自適應控制器；韓璞等採用前饋補償方式消除了輸入參數的耦合作用，將其簡化為給煤量-主蒸汽壓力和一次風量-床溫2個獨立的PID控制迴路，利用粒子群優化算法對其控制器參數進行優化；王萬召等針對三輸入（給煤量、一次風量、二次風量）和三輸出（主蒸汽壓力、床溫、爐膛出口氧量）被控對象，採用神經元解耦方式的基礎上，根據設定值與被控變量的偏差及其變化速率，應用模糊規則，對主蒸汽壓力、床溫和爐膛出口氧量3個迴路的神經元PID控制器參數進行在線調整。這些研究成果的仿真實驗和現場應用表明，與傳統PID控制方式相比，採用智能控制技術對CFB鍋爐進行解耦控制具有更好的調節品質。
2.5 其他系統的控制
除上述幾個系統外，智能控制技術在火電機組其他要求實施精準控制的系統中，也開展了一定的研究工作並取得了較好的仿真結果。其主要研究方法仍採用以傳統PID控制或預測控制方式為基礎，利用神經網絡、模糊規則、智能優化算法對控制器參數進行整定和在線優化。
1）在再熱蒸汽溫度控制中，張經緯等將超超臨界660MW機組再熱器特性用多容慣性傳遞函數表示，採用改進的粒子群優化算法，對傳遞函數中相關參數進行辨識；王堃等採用Smith預估控制方式對再熱蒸汽溫度進行控制，藉助RFB神經網絡自學習能力對PID控制器參數進行整定。
2）在直接空冷機組凝汽器背壓控制系統中，王彪等利用機組的環境溫度、風機功率和機組負荷的運行數據，採用BP神經網絡建模方法，建立了凝汽器背壓預測模型，通過對模型的分析給運行人員提供了最佳背壓運行設定值。任國華將神經網絡與預測控制相結合替代傳統的PID控制，採用BP神經網絡建立了環境溫度、環境風速、機組負荷、風機轉速與凝汽器背壓之間的神經網絡模型，並在此模型基礎上採用預測控制方式實現了對凝汽器背壓的控制。
3）在主蒸汽壓力控制系統中，汪陽華等將模糊控制、粒子群優化算法與傳統PID控制方式相結合，採用模糊規則對PID控制器參數進行在線優化，同時利用粒子群算法優化模糊規則的量化因子和比例因子。
4）在超臨界機組給水控制系統中，Zhang D等採用模糊控制技術，根據分離器出口（中間點）主蒸汽焓值的偏差變化，來實時修正給水量和給煤量的比例係數。
5）在機組負荷優化分配領域，李鐵蒼等在火電機組負荷優化分配問題的研究中，引入了粒子群優化算法，研究了算法的具體實現過程,並通過仿真實例驗證了該算法的有效性。餘延芳等針對粒子群算法的侷限性，提出了改進的遺傳粒子群混合算法，在粒子群搜索路徑中借鑑了遺傳算法的交叉和變異操作，使失去有效搜索功能的停滯粒子跳出停滯狀態而重新獲得搜索功能。
2.6 參數和故障預測
智能控制技術還用於對火電機組中難以進行直接測量的工藝參數、被控對象模型參數及設備運行的故障規律進行辨識和預測。如張正友等利用蟻群算法對BP神經網絡進行優化，採用與鍋爐燃燒相關的運行參數作為輸入，採用優化後的神經網絡建立了飛灰含碳量的預測模型；李娜等將有限元和神經網絡相結合，以有限元計算結果作為訓練樣本，以介質壓力和筒體壁溫序列為輔助變量，建立了基於Elman神經網絡的1000MW機組分離器應力預測模型；王建國等將遺傳算法和Elman神經網絡相結合，建立了以發電量、主蒸汽焓值、再熱蒸汽參數、各段抽汽焓值為輸入的350MW機組汽輪機排汽焓值動態預測模型；巨林倉等將與機組熱平衡有關的運行數據和煤質數據作為訓練樣本，採用遺傳優化BP神經網絡權值的方式，建立了入爐煤質的神經網絡預測模型；Chandok J S等採用機組給水量、給煤量、風量等9個參數的歷史運行數據和設計計算數據為訓練樣本，建立了鍋爐爐膛出口煙氣溫度的RFB神經網絡預測模型；王洪亮等將模糊控制與神經網絡相結合，將代表煤灰自身特性和鍋爐實際運行工況的相關參數作為輸入，並採用不同的隸屬度函數對其分別進行模糊化處理後，利用BP神經網絡建立了鍋爐結渣的預測模型；Liu X J等採用鍋爐給煤量、給水量和汽輪機調節閥開度為輸入，發電機功率、主蒸汽壓力和分離器出口溫度為輸出的機組運行數據，採用RBF神經網絡建立了超臨界1000MW機組協調控制系統模型，並與採用遞推最小二乘法建立的模型進行對比分析，結果表明採用神經網絡建立的模型更加有效；盧曉玲等在已知模型結構的前提下，利用粒子群算法的尋優能力，對模型參數進行辨識，建立了超臨界600MW機組分離器出口（中間點）蒸汽比焓與給水流量之間的傳遞函數；高建強等在歸納燃煤鍋爐風機停轉、凝汽器積灰、凝汽器結冰等典型故障基礎上，選取機組相關的運行參數作為故障徵兆輸入參數，利用BP神經網絡建立了直接空冷凝汽器故障預測模型，並藉助遺傳算法全局搜索能力強的特點，加快了BP神經網絡收斂速度；餘慢燁等採用小波分析法對設備振動測量信號進行去噪處理並提取故障特徵向量，然後利用BP神經網絡分別建立了汽輪機和風機故障預測模型；Fast M等採用機組正常運行工況的歷史數據為訓練樣本，建立了燃氣-蒸汽聯合循環發電機組各主要設備神經網絡預測模型，並將模型的預測數據與機組實時運行數據進行比較，當某些運行數據超出預測範圍時進行報警，實現了設備運行的狀態監測和診斷。
3 討論與展望
儘管近年來諸多學者對智能控制技術在火電廠的應用開展了大量的研究工作，但目前仍以仿真和試驗研究為主，在具體工程應用中還相對較少。為提高智能控制技術的實用性，更有效提高火電機組控制品質，需要進一步探討以下問題。
1）採用神經網絡建立諸如鍋爐燃燒這樣複雜的多變量、強耦合、非線性時變對象模型時，樣本數據的準確性、有效性和廣泛性對模型的建立和訓練至關重要。如在相同負荷工況下，不同磨煤機組合運行將產生不同的結果。同時神經網絡的結構、隱層數和神經元節點數，直接關係到神經網絡模型的準確性。因此獲取各種工況下的足夠多的樣本數據，並按照被控對象特性合理設計神經網絡的結構將是其能否成功應用的關鍵。
2）智能優化算法計算量大，搜索速度相對較慢，難以保證在有限時間內找到全局最優解，對控制的實時性有不利影響。在應用中需要將計算方法與現場經驗相結合，在不同工況下對搜索範圍進行適當簡化，以提高控制的實時性，同時需要協調好計算的實時性和解的最優性之間的矛盾。
3）智能控制的設計要求存在兩面性:一方面期望採用通用性的方法來解決各種複雜對象的控制問題，以便使用者掌握和維護；另一方面，提高特定對象求解效率的要求又需要充分利用對象的結構信息和專業經驗，降低問題的求解難度，提高問題的求解效率。因而在設計時需要在二者之間取得均衡。
4）火電機組大部分系統要求實時精準的控制，而傳統PID控制和預測控制都具有較好的動態性能且無穩態偏差，在實際應用中對需要精準控制的對象，還需將智能控制技術與傳統PID控制、預測控制相結合。
5）在單獨採用智能控制技術時，其控制命令應根據不同工況，按一定約束條件對其進行限制，以避免模型的泛化能力與精度的不足造成過度調節，導致控制指令反覆波動影響執行設備的使用壽命。
6）神經網絡及智能優化算法的建模或尋優過程需要進行復雜的計算，很難利用DCS現有的組態工具完成。需要額外的計算機並通過通信方式與DCS進行數據交換，降低了控制系統的安全性，增加了設備成本。DCS若能提供標準接口和計算平臺將更有利於智能控制技術在火電廠的推廣應用。
隨著未來人工智能研究不斷取得新的進展，新的智能控制技術和實現方式也會越來越豐富，應用範圍也會不斷擴大。根據火電機組不同被控對象的特點，綜合不同智能控制方法的優點建立的混合智能優化控制將會成為一個重要的研究內容。可以預見，智能控制技術在火電機組的控制系統中將發揮越來越重要的作用。
閱讀更多 電力鷹 的文章
