Автобиография Магистерская работа Библиотека
Ссылки Индивидуальное задание Отчет о поиске
Ткаченко А.В.

Ткаченко Александр Валерьевич

Тема магистерской работы:
Разработка нейросетевой системы управления котлом энергоблока



Автореферат магистерской работы



Состояние исследований по рассматриваемой проблеме.
Анализ объекта управления.
Задачи управления при пуске энергоблока.
Создание нейросетевой модели процесса.
Прграммная реализация нейронных сетей прямого распространения.
Общая схема управления.
Заключение.
Литература.



      Состояние исследований по рассматриваемой проблеме. Современные прямоточные паровые котлы являются высокоавтоматизированными установками. Надежная эксплуатация таких мощных энергетических блоков на сверхкритические параметры технически возможна только на базе комплексной автоматизации котельных агрегатов, оптимальной наладки систем автоматизации и квалифицированного обслуживания. Автоматизация котлов – одно из основных направлений повышения их коэффициента полезного действия, снижения расхода топлива, обеспечения безаварийности работы. Ее развитие в настоящее время связано с внедрением новых технических средств и компьютерных технологий в управлении крупными энергоблоками. Сейчас управление расходом газа, внутренней задвижкой и подачей питательной воды осуществляется на основе опыта и интуиции оператора и поэтому не всегда является оптимальным. Цель моей магистерской работы – разработка нейросетевой модели котла, которая позволит на основе прогнозирования осуществлять эффективное управление.

      Анализ объекта управления. Последовательно соединенные поверхности нагрева прямоточного парогенератора можно представить в виде змеевика, в один конец которого поступает питательная вода, а из другого выходит перегретый пар (рис.1). Пароводяной тракт может быть разделен на три части: водяную, пароводяную и паровую. Границы этих зон в общем случае не являются фиксированными и могут смещаться при переходных процессах. При сверхкритических параметрах пароводяная зона отсутствует. В этом случае нет четкой границы между водяной и паровой зонами. Положение точки начала перегрева может изменяться в зависимости от паропроизводительности, количества подводимого тепла и расхода питательной воды. Обычно ее принимают соответствующей условной температуре фазового перехода Тф определяемой максимальным значением теплоемкости пара. Температура Тф для произвольного давления p может быть найдена из приближенной формулы ВТИ Тф = Ткр +3,54*10-6( p-pкр ) , где pкр и Ткр - критические параметры пара.


Рисунок 1 – Принципиальная технологическая схема прямоточного парогенератора с узлом встроенного сепаратора.

На схеме: РПК – регулируемый питательный клапан;
           ВЭ – водяной экономайзер;
           НРЧ, СРЧ, ВРЧ - нижняя, средняя и верхняя радиационные части котла соответственно;
           ВЗ – встроенная задвижка;
           ЭПК- экран поворотной камеры;
           ПЭ – потолочный экран;
           ШПП1, ШПП2 – ширмовые пароперегреватели 1 и 2 соответственно;
           КПП – конвективный пароперегреватель;
           ВС – встроенный сепаратор;
           РР – растопочный расширитель;
           Д-1, Д-2, Д-3 – дроссельные клапаны для сброса среды;
           УП, РКВ – указатель положения регулируемого клапана вентильного.


      Перегревательная часть прямоточных парогенераторов состоит из отдельных последовательно включенных участков, разграниченных конструктивно и размещенных в различных температурных зонах газового тракта. Поверхности нагрева отдельных участков, соединительные трубопроводы и паросборные коллекторы, а также устройства впрыска охлаждающей воды образуют объект регулирования, представляющий собой сложную динамическую систему, подверженную действию многих возмущающих воздействий. Температура на выходе каждого участка стабилизируется с помощью отдельных автоматических регуляторов, действующих на впрыскивающие устройства, устанавливаемые между поверхностями нагрева. Динамические характеристики отдельных пароперегревательных участков могут быть получены экспериментально или по данным теплового расчета.

      Задачи управления при пуске энергоблока. Порядок пуска блока регламентируется технологической инструкцией [1], которая определяет последовательность и условия проведения основных технологических операций при ограничениях на значения технологических параметров. Требования инструкции направлены на обеспечение безаварийного выхода энергоблока на заданный рабочий режим за заданное время.
      Последовательность выполнения операций управления пуском блока приводит к дискретному процессу смены состояний энергоблока, которые характеризуються достижением определенных значений технологических параметров. Не вдаваясь во все детали пусковых операций, можно разделить пуска блока по времени на следующие этапы:
1)     заполнение котла водой до встроенной задвижки (ВЗ) (пароперегреватель при этом отключен) и розжиг горелок;
2)     холодная а затем горячая отмывка тракта котла до ВЗ при температуре пароводяной среды перед ВЗ 180-220 °С до снижения содержания загрязнений (железа, соли, меди и др. ) до требуемых величин (клапан Д -2 при этом открыт) ;
3)     подъем температуры среды перед ВЗ, подключение пароперегревателя (путем открытия клапана Д-3) и прогрев оборудования перед толчком роторов турбины;
4)     разворот турбины и прогрев оборудования до включения генератора в сеть;
5)     нагружение блока в сепараторном режиме;
6)     открытие встроенной задвижки и переход котла в прямоточной режим работы.
      Система управления должна выдавать команды на выполнение определенных операций включения-выключения определенного силового и теплотехнического оборудовния, а также контролировать последовательных переходов с одного этапа пуска на другой в соответствии с программой пуска.
      Для выполнения пусковых операций с учетом ограничений на температуру среды до встроенной задвижки и скорости ее подъема формируется соответствующий график-задание и затем выполняется контроль за его выдерживанием [2]. Сопоставление регламентируемых инструкциями графиков-заданий подъема температуры встроенной задвижки показывает, что существует всего четыре их вида, существенно отличающихся по своей конфигурации. Все они схематично изображены на рис. 2 соответствующими кривыми.


Рисунок 2 – Основные конфигурации графиков-заданий подъема температуры среды перед ВЗ.

На рисунке:
      t Н – начальная температура;
      t НПП – нормативная температура начала подключения ППВД;
      t ОПП – нормативная температура окончания подключения ППВД;
      t ППО – нормативная температура окончания предтолчкового прогрева оборудования;
      t ВНН – нормативная температура для взятия начальной нагрузки.

      Реализация графика-задания в настоящее время выполняется оператором котла вручную путем изменения расхода топлива. При этом точность реализации графика-задания зависит от опыта оператора и в общем случае не гарантируется. В связи с этим возникает необходимость в разработке метода и алгоритмов управления расходом топлива, которые бы обеспечили требуемую точность выдерживания графика-задания.
      На участке встроенных сепараторах (ВС) осуществляется сепарация пароводяной смеси на жидкую и паровую составляющие, эта операция производится за счет центробежных сил. Начало прикрытия клапанов Д-2 выполняется после открытия клапанов Д-3 и связано с необходимостью минимизировать проскок пара в растопочный расширитель, что позволяет понизить потери тепла в пусковой период.
      Система управления должна осуществлять контроль и управление процессом сброса среды из встроенных сепараторов, для чего необходимо осуществить соответствующий расчет задания для исполнительных регуляторов степени открытия клапана Д-2;

      Создание нейросетевой модели процесса. Необходимо выбрать входные и выходные величины, которые характеризуют процесс. Кроме того, для входных величин необходимо определить длину их предистории, т.е. сколько предыдущих значений необходимо брать в данный момент времени

(1)

где X i – вектор входных величин в момент времени i;
      k – глубина используемых входных величин;
      Y i – вектор выходных величин в момент времени i.
      С точки зрения задач управления объект можно охарактеризовать следующим комплексом входных и выходных переменных:
      Dвпр – расход воды на впрыск;
      Dпв – расход питательной воды;
      Вт – расход топлива;
      Qв – расход воздуха;
      Qг – расход газа;
      Dвп – расход вторичного пара;
      tпп – температура перегретого пара (первичного);
      Dпп – расход перегретого пара;
      Pпп – давление перегретого пара;
      tпр – температура в промежуточной точке тракта;
      O2 – содержание свободного кислорода в газоходе за конвективным пароперегревателем;
      tвп – температура перегретого пара (вторичного).
      Далее по входным и выходным величинам можно выбрать структуру нейронной сети. Число нейронов входного слоя n равно числу входных величин. Число нейронов выходного слоя m равно числу выходных величин. Показано что для моделирования любого процесса достаточно нейронной сети с одним скрытым слоем. При этом достаточное число нейронов в этом срытом слое 2*n+1.


Рисунок 3 – Схема обучения нейросетевой модели.

      Перед настройкой нейросетевой модели необходимо провести фильтрацию данных измерений. Для решения задач фильтрации и прогноза при обработке результатов измерений в реальном времени можно использовать рекурентный метод наименьших квадратов и метод сингулярного стохастического анализа.

      Прграммная реализация нейронных сетей прямого распространения. Важное место в системе управления занимает программное обеспечение позволяющее моделировать нейронные сети. Несмотря на то, что работы по программной реализации нейронных сетей осуществляются на протяжении более чем 30 лет, найти библиотеку программ позволяющую моделировать и обучать многослойные сети прямого распространения, пригодную для использования в разрабатываемой системе довольно сложно. Обычно это готовые программные продукты, либо библиотеки программ написанные под Unix, которые имеют трудности при переносе в Windows.
      Самым распространенным инструментом для применения нейронных сетей является Matlab Neural Network Toolbox. Нейронные сети в Matlab, в следствие поставленной цели моделирования широкого класс сетей, имеют громоздкую реализацию и невысокую скорость при решении конкретного класса задач. Кроме того, использование Matlab в системе реального времени затруднительно.
      В [7] разработана библиотека программ, сокращенно называемая OSNN (On-Line System Neural Network), позволяющая моделировать и обучать многослойные нейронные сети прямого распространения в системах с высокими требованиями к производительности. Выбраны наилучшие методы обучения и выполнена эффективная программная реализация.
      В качестве алгоритма адаптации весовых коэффициентов выбран эвристический алгоритм RPROP. Алгоритм RPROP основывается на поведении знаков градиентов. Он не требует сложных вычислений и не зависит от величин производных. Приращение на каждом шаге вычисляется индивидуально для каждого веса. Приращение вычисляется по формуле

(2)

где 0 < η- (=0.5) < 1 < η+ (=1.2) Величина приращения усиливается фактором η+ в том случае, когда алгоритм сходится к минимуму и производная не меняет знак. Это ускоряет процесс на плоских участках и замедляет поиск, в случае пропуска локального минимума.
      Значения весов модифицируются в соответствии с направлением убывания градиента

(3)

где sgn[*] – функция знака. Когда производная ошибки изменяет знак, показывая, что минимум пропущен, происходит возврат к предыдущему значению веса wl(i-1) .
      Важным и трудоёмким этапом обучения является нахождения градиента целевой функции. Формулы расчета градиента, взятые в явном виде от целевой функции очень сложны и неудобны для практического применения, особенно в том случае если сеть содержит больше одного скрытого слоя. Поэтому для генерации градиента ошибки обучения выбран метод сопряженных графов, позволяющий построить простые правила формирования компонентов градиента, которые имеют постоянную структуру, не зависящую от сложности сети.
      Начальная инициализация весов нейронной сети имеет огромное влияние на количество итераций обучения. В самом простом случае начальные значения весов выбираются случайно из некоторого промежутка. Нгуен и Видроу [9] предложили метод, позволяющий значительно сократить количество итераций обучения за счет большей близости начальных значений к оптимальным. Идея метода в том, чтобы значения весов позволяли кусочно-линейно аппроксимировать входной сигнал при помощи линейных участков функции активации. В соответствии с методом весовые коэффициенты определяются по формуле


(4)

(5)

а веса смещения – равномерно распределенная величина на интервале


(6)

      Общая схема управления. Обобщенная функциональная схема управления приведена на рис.4. Она включает в себя первичную фильтрацию данных т.к. результаты измерения довольно сильно зашумлены. Затем настройку нейросетевой модели с возможностью донастройки ее в процессе работы. После этого нейросетевую модель можно использовать для управления на основе прогнозирования.


Рисунок 4 – Функциональная схема управления пуском энергоблока.

      Заключение. Выполнен анализ энергоблока как объекта управления. Рассмотрены основные задачи управления при пуске. Приведена методика создания нейросетевой модели. Разработано программное обеспечение позволяющее использовать нейронные сети в системе управления. Приведена общая схема системы упраления на основе нейросетевой модели.
      Дальнейшая работа в рамках магистерской работы включает в себя настройку адекватной нейросетевой модели и создание алгоритма управления на ее основе.




Литература

1. Инструкция по пуску и эксплуатации энергоблока 300 МВт. - МЭЭ ПЭО ”ДОНБАССЭНЕРГО”, 1992. - 81 с.
2. Афанасьев Н.Н., Панасовский О.Г., Курышко Г.И., и др. О формировании и выдерживании графика-задания подъема температуры среды перед ВЗ при пуске моноблока сверхкритического давления //"Энергетика и электрификация", 1997, №3, с.4-9.
3. Плетнев Г.П. Автоматическое управление и защита теплоэнергетических установок электростанций. - М.:Энергоатомиздат, 1986. – 344с.
4. Клюев А.С., Товарнов А.Г., Наладка систем автоматического регулирования котлоагрегатов. – М.: Энергия, 1970. – 280 с.
5. Сигеру Омату, Марзуки Халид, Рубия Юсоф Нейроуправление и его приложения. М: Радиотехника, 2000. 272 с.
6. Терехов В.А. Ефимов Д.В. Тюкин И.Ю. Нейросетевые системы управления. -М: Радиотехника, 2002. 480 с.
7. Скобцов Ю. А., Ткаченко А. В. Программная реализация нейронных сетей для обучения в системах реального времени. // Наукові праці Донецького державного технічного університету. Сер. обчислювальна техніка та автоматизація, випуск 66. – Донецьк: ДонНТУ. – 2005.
8. Дзюба А.В., Ткаченко А. В. Основные задачи управления котлоагрегатом сверхкритического давления в различных режимах функционирования. // Наукові праці Донецького державного технічного університету. Сер. обчислювальна техніка та автоматизація, випуск 66. – Донецьк: ДонНТУ. – 2005.
9. Nguyen, D., and B. Widrow, "Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights," Proceedings of the International Joint Conference on Neural Networks, vol 3, pp. 21-26, 1990.
10. Moller, M. F. ‘A scaled conjugate gradient algorithm for fast supervised learning’, Neural Networks, vol. 6, pp. 525-533, 1993. http://www.cs.virginia.edu/~sgd2z/uva/research/references/moller_90.pdf


© 2005 Ткаченко А.В.
© 2005 ДонНТУ