基于遗传算法的BP神经网络在电站炉主蒸汽温度控制系统中的应用研究
基于BP神经网络的超临界锅炉中间点温度预测
Ｌｕ Ｙ ｎ ｂ ， ｅ ｎ ｕ ｎ ｉ ａ ｇ ｏ Ｃｈ ｎ Ｂｉｙ ａ
（ ． ｃ ｏｌ ｆ ｏ ｅ＆Ｍ ｃ ａｉａ Ｅ ｇｎｅ ｎ ， ｈｎＵ ｉｅｓｙ Ｗｕ ａ ３ ０ ２ Ｃ ｉａ １ Ｓ ｈｏ ｏ ｗ ｒ ｅｈ ｎｃｌ ｎ ｉｅｒ ｇ Ｗｕ ａ ｎｖｒｉ ， ｈ ｎ４ ０ ７ ， ｈ ； Ｐ ｉ ｔ ｎ
导调 节控 制 中间点 温度 具有 重要 意义 。
态 沸腾 或类 膜态 沸腾 措施 和保 护水冷 壁 的报警 信 号 … 。中间 点 温 度 受 水 煤 比、 煤 器 出 口水 温 、 省
总风量 和燃 烧器 摆角 等参 数影 响 。上述 参数 与 中 间点温 度存 在强 耦 合 关 系 ， 以用 简单 的机 理 模 难
中图分类号 ：Ｋ ２ Ｔ ２３
文献标识码 ： Ａ
Ｆｏ ｅ ａ ｔｎ ｈ ｍ ｐ ｒ ｔ ｒ ｆ Ｉ ｔ ｒ ｅ ｉ ｔ ｉ ｔ ｎ ｒ ｃ ｓ ｉ ｇ ｔ ｅ Ｔｅ ｅ ａ ｕ ｅ ｏ ｎ ｅ ｍ ｄ ａ ｅ Ｐｏ ｎ ｓ ｉ
Ｓｕ ｅ ｃ ｉｉ ａ ｉｅ ｓ Ｂａ ｅ ｎ ＢＰ — ｎ ｕ ａ ｔ ｒ ｐ ｒ ｒ ｔｃ ｌＢｏ ｌ ｒ ｓ ｄ ｏ — ｅ ｒ ｌＮｅ ｗｏ ｋ
１ Ｑ
ｍ
１
Ｑ
Ｌ
隐 各节点的 入值，值为ｎ ＝∑ ０ ｂ。 层 输 其 ｅ ｔ ＋
ｗ …Ｗ …Ｗ Ｎ表示 网络 隐层 与 输 入 层 节 点 Ｍ
神经网络算法在炉温控制中的应用研究
神经网络算法在炉温控制中的应用研究炉温控制是现代工业生产中非常重要的一个环节，因为温度的控制能够保障生产工艺不受影响，产品质量稳定，损耗降低，耗电量降低等多种意义。
而在过去，人们进行炉温控制时常常需要凭借经验和手动调节。
然而，随着高智能技术的发展，越来越多的工业生产开始引入计算机技术和智能算法，神经网络算法也逐渐成为炉温控制领域的研究热点。
本文将探讨神经网络算法在炉温控制中的应用研究。
一、神经网络算法的工作原理神经网络算法是一种模拟人脑神经系统的计算模型，它模拟了神经元之间的信息传递过程。
神经元接收到刺激信息后，会产生电信号并向周围的神经元传递，形成网络。
神经网络算法的基本组成部分是“神经元”，它们之间相互连接，并根据输入信号的反馈来调整各自的链接权重，最终输出结果。
神经网络算法有以下几个主要特点：1. 神经网络算法具有自适应性。
神经网络能够根据不断变化的环境或数据，不断调整神经元之间的链接强度，从而达到不断优化结果的目的。
2. 神经网络算法能够处理非线性问题。
由于神经网络具有非线性的激活函数，它能够处理比较复杂的非线性问题，如图像识别、语音识别等。
3. 神经网络算法具有“记忆功能”。
只要数据被输入到神经网络中，那么神经网络就会对这些数据进行“学习”，并用所“学习”的知识来处理新的数据。
二、神经网络算法在炉温控制中的应用由于炉温控制涉及到多个复杂的参数，如炉温、燃料消耗量、风门开度等，因此炉温控制的过程既需要人工经验，也需要科学技术的支持。
神经网络算法具有自适应性和记忆功能等特点，因此在炉温控制中有着广泛的应用。
1. 神经网络算法在炉温预测中的应用神经网络算法能够根据炉内的多个参数，如燃烧室温度、燃料消耗量、燃烧空气量等，提前预测炉温的变化情况。
通过对神经网络网络进行训练，可以输出预测的炉温值，以便工作人员根据预测值来调整参数，从而达到控制炉温的目的。
该方法具有较高的实时性，能够较好地预测炉温变化的趋势，提高了炉温控制的精度。
BP神经网络PID控制器在热油锅炉温控中的应用
Abstract: The PID control algorithm based on BP neural network was introduced，combining with multi- mode control theory，BP neural network PID controller was applied to the temperature control of hot oil boiler. The neural network PID was compared with the ordinary PID control. The results show that the method has the characteristics of small overshoot，short time and good robustness，which makes up for the shortcomings of conventional PID in the boiler temperature control，such as the parameters is difficuit to be adjusted. This control strategy is applied to the temperature control of hot oil boiler，and the self-control system of the boiler is constructed to make the boiler in the best combustion state and ensure the safe and economical operation of the boiler.
基于蚁群算法-BP神经网络的主蒸汽温度控制系统仿真研究
第42卷第11期2013年11月热力发电T H E R M A L P O W ER G E N E R A T l0NV01．42N0．11N ov．2013垂于蚁震孑算声之一B P种缠网络钙主墨汽湿度[摘要][关键词] [中图分类号] [D oI编号]挖利糸铣仿真研究王秋平，马春林，肖玲玲，张振宇东北电力大学自动化工程学院，吉林吉林132012针对火电机组主蒸汽温度被控对象的不确定性和大延迟、大惯性、非线性等特点，设计了一种基于粒子群(PS0)算法、蚁群(A C O)算法、B P神经网络的智能PI D串级控制系统。
采用PSO算法优化A C O算法的参数、信息启发式因子口、期望启发式因子口、以及改进的A C0算法对B P神经网络初始权值进行优化；采用优化后的B P 神经网络算法对PI D控制器参数进行在线调整，从而实现对主蒸汽温度的动态控制。
以某超临界600M W机组为对象，对A C oB P和B P神经网络PI D串级主蒸汽控制系统进行仿真试验。
结果表明，A C O—B P PI D串级主蒸汽控制系统较B P神经网络PI D串级主蒸汽温度控制系统能更有效地克服主蒸汽温度被控对象的大延迟、时变性、非线性特性，提高了主蒸汽温度的控制品质。
火电机组；主蒸汽温度；PSO算法；A C口B P算法；B P神经网络；PI D串级控制系统T M621；T P273+．4[文献标识码]A[文章编号]1002—3364(2013)11—0064一05 10．3969／j．i ssn．1002—3364．2013．11．064】Ⅵai n st ea m t em per at ur e cont r ol bas e d on a nt col ony 0pt i m i zat i on al gor i t hm a nd B P neur al net w or kW A N G Q i upi ng，M A C hunl i n，X I A O L i n91i ng，C U I R uiS c hoo l of A ut om a t i on E ngi nee r i ng，N or t he as t D i a n L i U ni ver si t y，Ji l i n132012，C hi naA bst r ac t：C ons i der i ng t he unc er t ai nt y，l ar ge del ay，l ar ge i ner t i a and nonl i ne ar pr ope r t y of t he m ai ns t eam t em per at ur e cont r01i n t her m al pow er pl a nt s，an i nt el l i gent PI D c as ca de cont r ol s yst em bas ed on seV er al cal cul a t i on m e t hods suc h as t he par t i cl e s w ar m opt i m i zat i on(PSO)al go“t hm，t he a n t col ony opt i m i zat i on(A C O)al gor i t hm，and t he B P ne ur a l net w o r k w a s des i gne d．T he P SOa l gor i t hm w as used t o opt i m i z e t he par am et er s of t he A00al go r i t hm，i nf or m at i on heur i st i c f act or口，and expe ct a t i ons heur i st i c f act or届T he i m pr oved A00a l gor i t hm w as em pl oyed t o opt i m i ze t hei ni t i a l w ei ght s of t he B P ne ur a l net w or k．T hen t he opt i m i ze d B P ne ur a l net w o r k a l gor i t hm w asappl i ed t o adj ust t he PI D par am et er s on-l i ne，t hus t o r eal i ze dynam i c cont r ol of t he m ai n s t eam t em per at ur e．A n ul t r a s uper cr i t i ca l600M W uni t w a s t aken as an exam p l e t o conduct si m ul at i on t es t o n t he A C()_B P and B P ne ur a l net w o r k PI D c as ca de cont r ol s ys t em．T he r esul t s s how t hat t hi s s yst em out per f or m s c onve nt i onal PI D cont r ol s ys t em s i n cont r ol qua l i t y and r obus t nes s．K ey w or ds：m ai n s t eam t em perat ur e；PS0al gor i t h m；A C O al gor i t hm．bac k pr opagat i on ne ur a I ne t—w orks；P I D c as ca de cont r ol s ys t em收稿日期：2012一11—19作者简介：王秋平(1973一)，女，吉林东辽人，博士，副教授，主要从事非线性滤波算法、机动目标跟踪、光电跟踪系统伺服控制技术的教学与研究。
基于BP神经网络PID的船用锅炉蒸汽压力控制系统
船 曲白
基 于 ＢＰ神 经 网系 统
陆 佳 琪
（江 苏 科 技 大 学 电子 信 息 学 院 ，江苏 镇 江 ２１２００３）
摘 要 ：锅 炉蒸 汽压 力的特 性 导致 常规 的 ＰＩＤ控 制方 法不 具备 自适 应 能力 ，难 以满足 系统要 求 ，因
电
中 外 船 舶 科 技 ２Ｏ１８ 年 第 １ 期
控 制 的 效 果 会 直 接 影 响 汽 轮 机 的 转 速 ，准 确 及 时 地 操 纵锅 炉蒸 汽 压力 十分 重要 。
船 用 锅炉蒸 汽压 力 控 制 系统 的任 务 可 归 结 为 ： １）使 锅 炉 燃 烧 所 产 生 蒸 汽 的 压 力 和 温 度 满 足 用 汽 设 备 的需要 ；２）经 济燃 烧 ；３）安 全运 行 。
文 中用 ＢＰ神 经 网 络 对 传 统 ＰＩＤ控 制 进 行 优 化 ，在分 析 了上 述文 献 在 控 制 锅 炉 蒸 汽 压力 方 面存 在 的 问 题 后 ，引入 ＢＰ神 经 网络 ，并 在 此 基 础 上 ，设 计 了基 于 ＢＰ神 经 网 络 ＰＩＤ 的 锅 炉 蒸 汽 压 力 控 制 系 统 。
用 汽设 备 消耗 的蒸 汽 量与 锅炉 产 生 的蒸汽 量 是 否 平衡 是 通过 蒸 汽压 力 来 表 现 的 ，压 力 过低 或过 高 都 会对 导 管和 用 汽设备 造 成一 定 的损 伤 。蒸汽 的 压 力 和温 度 的关 系相 对 应 ，控 制 温度 理 论 上也 就是 控 制 其压 力 。 因此 ，系 统 的 首 要 任务 就 是使 母 管 内 的 蒸 汽 压 力 和 温 度 保 持 在 一 定 范 围 内 。
此 ，设 计 了基 于 ＢＰ神 经 网络 ＰＩＤ 的 锅 炉 蒸 汽 压 力 控 制 系 统 。 以 一 个 二 阶 含 滞 后 环 节 的 锅 炉 蒸 汽
基于遗传算法的BP神经网络在电站锅炉主蒸汽温度控制系统中的应用研究
基于遗传算法的BP神经网络在电站锅炉主蒸汽温度控制系统中的应用研究许琴;颜海斌;杨建华;张润盘【摘要】在现代火力发电厂中,对锅炉主蒸汽温度的控制是非常严格的.由于主蒸汽温度具有延迟大、惯性大、非线性等特性,导致对其控制比较困难.利用神经网络的学习能力和鲁棒性以及遗传算法的全局随机搜索能力,在常规PID控制基础上,提出采用二者相结合的PID控制策略.通过计算机仿真表明,基于遗传算法的BP神经网络的PID控制策略具有更好的控制品质,具有较广阔的应用前景.【期刊名称】《应用能源技术》【年(卷),期】2012(000)006【总页数】4页(P21-24)【关键词】神经网络;遗传算法;PID;主蒸汽温度【作者】许琴;颜海斌;杨建华;张润盘【作者单位】中材节能股份有限公司技术部,天津300400;浙能中煤舟山煤电有限责任公司发电部,浙江舟山316100;浙能中煤舟山煤电有限责任公司发电部,浙江舟山316100;河北省电力勘测设计研究院,河北石家庄050031【正文语种】中文【中图分类】TK229.40 引言在火电厂机组控制方面，锅炉主蒸汽温度是一个很重要的被控参数，能否对主蒸汽温度进行有效的控制，对机组安全经济运行至关重要。
目前，各类PID控制器因其参数物理意义明确、易于调整，在热工控制系统中占据着主导地位。
但是，常规PID控制器本身存在的一些缺陷使它在实际应用中的控制效果不是很理想。
因此，设计一种能够适应多种工况变化、具有较强鲁棒性的锅炉主汽温控制系统尤为重要。
遗传算法与人工神经网络都是在生物学原理基础上的科研成果。
将其结合研究，可以借鉴二者长处寻找求解复杂问题的有效途径。
将遗传算法与神经网络结合，可以使神经网络系统扩大搜索空间、提高计算效率以及增强神经网络建模的自动化程度。
1 优化方案及算法实现在实际应用中，绝大部分神经网络模型都是采用BP神经网络及其变换形式，BP神经网络是前向网络的核心部分，同时BP网络也存在着学习收敛速度慢、不能保证收敛到全局最小点等缺陷，其权值通常由梯度法来确定，因此经常经过多次反复试验却很难找到最优的权值。
神经网络PID在锅炉蒸汽压力中的应用测控技术与仪器专业毕业设计毕业论文
江苏科技大学本科毕业设计（论文）学院专业学生姓名班级学号指导教师二零壹贰年六月江苏科技大学本科毕业论文神经网络PID在锅炉蒸汽压力中的应用The application of neural network PID controller in the boiler steam pressure江苏科技大学毕业设计（论文）任务书学院名称：电子信息学院专业：测控技术与仪器专业学生姓名：学号：指导教师：职称：摘要船用锅炉主蒸汽压力调节对象含有大惯性、大滞后环节，而常规PID 控制方法不具备自适应能力，所以很难满足实际的控制要求。
采用基于BP神经网络的PID控制方法，设计PID控制器的在线调整控制系统，改善系统的动态性能，无论在理论上还是在实践上都具有重要意义。
通过对传统PID控制原理和BP算法的学习，设计基于BP神经网络的PID控制器，实现传统PID控制器参数的在线自动调整，利用神经网络的自学习能力来实现最佳组合的PID控制。
仿真结果表明，采用传统PID控制算法的响应曲线，振荡较大，过渡时间长，超调量较大；而采用BP神经网络控制算法的响应曲线，无振荡，过渡时间短，无超调，且最先得到稳定输出，其控制效果明显优于传统的PID控制算法。
BP神经网络结合传统PID控制方法在锅炉蒸汽压力中的应用，取得了良好的控制效果。
关键词：锅炉蒸汽压力；BP神经网络；PIDAbstractMarine boiler steam’s pressure regulator object has large inertia and lag characteristic. As the conventional PID controller does not have the adaptive capacity, it is difficult for the object to achieve the actual control requirements, The usage of PID control method based on BP neural network is of great significance to improve the dynamic performance of the system both in theory and practice, for the method adjusts the control system by the online design of PID controller’s parameters.According to the PID control principle and BP neural network learning method, we use the BP neural network’s self-learning ability to achieve the best control effect of the object, that’s to adjust the PID controller’s parameter automatically. The better control effect of the algorithm is confirmed by simulation process. As is seen from the response curve of traditional PID control algorithm, there is a larger oscillation, overshoot and transition time. Howerer, the response curve of the BP neural network control algorithm is of no oscillation and overshoot, and the transition time is short. Besides, the first stable output control is better than the traditional PID control algorithm.Keywords:boiler steam pressure; BP neural network; PID目录第1章绪论 (1)1.1选题的背景 (1)1.2人工神经网络的研究内容 (1)1.3论文内容安排 (2)第2章神经网络概述 (4)2.1引言 (4)2.2人工神经网络的基本理论 (4)2.2.1 人工神经元的形式化描述 (4)2.2.2 人工神经网络的类型 (5)2.3神经网络原理 (5)2.3.1 MP模型 (5)2.3.2 一般的神经元模型 (6)2.3.3 感知器模型 (7)2.4BP神经网络 (8)2.4.1 BP神经网路概述 (8)2.4.2 BP学习算法的计算公式及流程图 (8)2.5神经网络学习规则 (11)第3章神经网络PID控制器的设计 (13)3.1PID控制器 (13)3.1.1 引言 (13)3.1.2 PID控制器的原理及其特点 (13)3.2人工神经网络和PID控制的结合 (15)3.3BP神经网络PID控制器设计 (16)第4章神经网络PID在锅炉蒸汽压力中的应用 (18)4.1锅炉蒸汽压力数学近似 (18)4.2锅炉蒸汽压力数学模型的仿真研究 (18)4.2.1 传统PID控制方法 (18)4.2.2 基于BP神经网络的PID控制方法 (20)4.2.3 仿真比较 (21)结论 (23)致谢 (24)参考文献 (25)附录 (27)第1章绪论1.1选题的背景随着工业生产和计算机技术的飞速发展，人们对生产过程的自动化控制水平的要求越来越高。
改进遗传算法优化的BP神经网络高炉煤气预测
机械工程与自动化MECHANICAL ENGINEERING & AUTOMATION 第2期(总第225期)2021年4月No2Apr文章编号：1672-6413 (2021)02-0077-03改进遗传算法优化的BP 神经网络高炉煤气预测白鹏，王浩(山西省信息产业技术研究院有限公司，山西太原030012)摘要：以高炉煤气为主要研究对象，针对钢铁企业高炉煤气发生量波动大、无规律等特点，提出基于改进遗传算法优化的BP 神经网络模型，通过改进遗传算法中交叉概率和变异概率的自适应选取，达到在全局与局部同时具有较强的寻优能力。
由仿真结果可知：改进遗传算法优化的BP 模型比普通的BP 神经网络模型能更精确地预测煤气发生量，并解决了遗传算法(GA )优化BP 神经网络容易陷入早熟、收敛慢的问题。
关键词：高炉煤气；预测；遗传算法；BP 神经网络中图分类号： TP183 文献标识码： A0引言钢铁企业高炉在生产过程中会产生可燃性的气 体，这些气体是高炉生产过程的副产品，统称为高炉煤 气［1］ (Blast Furnace Gas, BFG )。
高炉煤气的主要成 分是CH 』、CO 、CO 2等气体。
高炉煤气可以作为热风 炉、轧钢加热炉等其他冶金设备的燃气,从而降低冶炼 的额外燃料消耗，减少对环境的污染⑵。
高炉煤气发 生量的准确预报预测是实现高炉煤气合理调度使用的 前提，针对高炉煤气的特点建立准确的预测预报模型 意义重大。
综合国内外研究现状，对于高炉煤气生成量的预 测主要有时间序列模型、灰色时序模型、人工神经网络 模型等［］。
因其发生量的不确定性以及生成量受多变 量影响的特点，目前人工神经网络模型是高炉煤气预 测的主流方法。
但是人工神经网络是通过权值调整实 现不断学习，自身的结构复杂、鲁棒性差，容易陷入局 部最优。
基于此本文提出一种改进遗传算法优化的反 向传播网络模型，用来预测高炉煤气的生成量。
1反向传播网络人工神经网络预测模型是根据仿生学的经验，模 拟神经元网络形成的一种模型方法。
自适应遗传算法在电厂主汽温控制系统优化中的应用
根据 目 函数值Ｑ 标 按从小到大的顺序对个体排序 ， 再把设计好的概率表分配给各个个体 ，最后用比例
器管 壁积灰或 结焦 时影 响传 热效 果 ．也会 影响蒸 汽 温度变 化 、 给水压力 变化 、 停 给水 泵及 给水温 度变 启 化等 。 以上 干扰都 影响 主汽温度 ， 而且其 中有相 当多 的扰 动为可测 量扰动 。 于主汽 温这样 的高 阶次 、 对 大
迟延对 象 ． 克服如此 多 的可测 和不 可测扰 动 ， 然 要 显 是相 当 困难 的 。
一
１ 主汽 温 系统
１１ 影响过 热汽温 变化 的因素 ．
锅 炉 出 口过 热 蒸 汽 温 度 是 锅 炉 的 主要 参 数 之
，
对 电厂 的安全 经济运 行有重 大的影 响 ， 因此 必须
严格 地将 主汽温控 制在 给定值 附近 。一 般亚 临界压
力机 组 的主汽温 的稳态偏 差小 ， ２℃， 为± 满足这 个要 求很 困难 影响过 热汽温 变化 的因素很 多 ，主 要有蒸 汽流
济性 。遗传算法（ Ａ是一种建立在生物界 自然选 Ｇ） 择 原 理 和 自然 遗 传 机 制 基 础 上 的 随 机 化 搜 索 法 ．
符 合 “ 胜 劣 汰 ， 者 生 存 ” 生 物 进 化 原 理 。在 优 适 的
汽包锅炉 过热蒸 汽 的汽温控制 系统 ．主要采 用 串级控制 工作 方式 ． 热器采 用三级 喷水减 温调节 ， 过
Ｏ 引言
主 蒸 汽 温 度 是 火 电 机 组 热 力 过 程 的 主 要 参 数 ． 电厂 的安 全 经 济运 行 有 重 大 的影 响 。 对 主汽 温 度过 高 会 使过 热 器 和 汽 机 高压 缸 承 受 过 高 的热 应 力 而受 损 ， 低 会 降低 机 组 热 效 率影 响经 济 运 行 ， 过 因此必须严格地将 主汽温度控制在给定值 附近 。 但 由 于该 调节 对 象 的 惯性 和延 迟 性 较 大 ．使 其 可 控 指数 很低 ，系统 扰 动 因素 多 ｆ 如 负 荷变 化 、 诸 汽
基于遗传算法改进的BP神经网络加热炉控制系统参数优化
基于遗传算法改进的BP神经网络加热炉控制系统参数优化本文采用遗传算法改进BP神经网络实现了加热炉控制参数的优化，进一步提高了加热炉的热控制精度和稳定性。
论文的第一部分介绍了加热炉控制系统的基本原理和目标：实现对炉内温度的控制，以达到最佳的生产效果。
同时，本文介绍了BP神经网络的基本原理和遗传算法的基本思路，以此作为后续实验的理论基础。
在第二部分中，本文详细介绍了实现算法的过程。
首先，我们建立了一个基础的BP神经网络模型，并对其进行了训练和优化。
通过数据的反复测试和实验，我们发现这个模型的预测精度和稳定性存在一定的问题，因此需要进一步优化。
接下来，本文采用遗传算法来对BP神经网络的参数进行调节。
我们将网络的参数抽象成“染色体”的形式，通过不断地迭代、进化和选择，找到最优的参数组合。
在实验中，我们设定了适应度函数、交叉概率、变异概率等参数，以获得最佳的实验结果。
最终，通过遗传算法的改进，BP神经网络的预测精度和稳定性得到了大幅提升。
论文的第三部分展示了实验的结果和分析。
我们将实验数据以图表的形式展示，并结合。
图表分析，对实验结果进行了详细的解释和说明。
通过统计分析和对比，我们发现：经过遗传算法的改进，BP神经网络的热控制精度和稳定性得到了显著的提升，其中最高的精度提升达到了50%以上。
这表明，该方法可以在实际应用中发挥出良好的效果，并对提高加热炉的生产效率和控制质量有着积极的推动作用。
最后，在结论部分，本文对实验结果做了总结和讨论，并对未来工作的方向提出了展望。
我们相信，该方法在未来的应用中仍有很大的潜力和挑战，期待更多的研究者投入到这个领域来，一起推动控制技术的发展和进步。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
0 引言
在火电厂机组控制方面，锅炉主蒸汽温度是 一个很重要的被控参数，能否对主蒸汽温度进行 有效的控制，对机组安全经济运行至关重要。目
收稿日期： 2012 － 04 － 10 修订日期： 2012 － 05 － 10 作者简介： 许琴，主要从事节能管理工作。
前，各类 PID 控制器因其参数物理意义明确、易于 调整，在热工控制系统中占据着主导地位。但是， 常规 PID 控制器本身存在的一些缺陷使它在实际 应用中的控制效果不是很理想。因此，设计一种 能够适应多种工况变化、具有较强鲁棒性的锅炉 主汽温控制系统尤为重要。
基于遗传算法优化神经网络的基本思想［6 － 7］ 为： 改变 BP 算法依赖梯度信息调整网络权值，利 用遗传算法全局性搜索的特点，寻找最为合适的 网络连接权和网络结构。其结合算法的学习过程 如图 1 所示。
文中采用一种实数编码方案，即将网络的隐 层数、节点数、隐层 S 型函数形状参数和连接权 值、阈值级联成码串，在满足某一特定性能指标的 前提下，寻找全局最优解，进而确定网络的最优结 构和权值参数。这样每一个染色体串就描述了一 个神经网络。为了计算每一个个体的适应值，我 们将该个体串赋给网络参数（ 解码） 。该网络对 训练输入样本进行运算，然后根据输出样本返回 误差平方和（ 适应度） 。在遗传算法中，网络起到 计算函数的作用，即在遗传算法全局寻优的基础 上进行 BP 神经网络局部寻优，进而得到网络的 最优解。
能保证系统的动态和静态特性。因此，对于电站 锅炉主蒸汽温度被控对象来说，基于遗传算法的 BP 神经网络的 PID 控制要比常规 PID 控制效果 要好一些。
参考文献 ［1］ 马平，朱燕飞，牛征． 基于神经网络的主汽温控制
系统［J］． 华北电力大学学报，2001，28（ 2） ： 52 － 55． ［2］ 吴建生，金龙 ，农吉夫． 遗传算法 BP 神经网络的 预报研究和应用［J］． 数学的实践与认识，2005， 35（ l） ： 83 － 88． ［3］ 高宏宾，焦东升，彭商濂． 一种基于遗传算法的改 进 BP 算法［J］． 计算机与现代化，2006，3： 6 － 8． ［4］ 陈立君，王克奇，王辉． 基于 BP 神经网络木材治理 分类的研究［J］． 森林工程，2007，23（ 1） ： 40 － 42． ［5］ 李晓娟，丁艺，岳小泉，等． 基于 BP 神经网络的道路 交通事故损失预测［J］． 森林工程，2006，22 （ 5） ： 57 － 59． ［6］ Wang Ruili，Wu Jiansheng，Kemp． A Genetic-Algorithm － based Neural Network Approach for Short － term Traffic Flow Forecasting［C］． Second International Symposium on Neural Network Proseeedings，2005， 3498（ 3） ： 965 － 970． ［7］ 栾庆林，卢辉斌． 改进遗传算法在神经网络权值优 化中的应用研究［J］． 遥测遥控，2008，29（ 1） ： 51 － 54． ［8］ 韩宇光，曹军，朱良宽． 刨花板热压控制系统模糊自 适应 PID 控制［J］． 森林工程，2011，27（ 4） ： 30 － 33． ［9］ 刘志远，吕剑虹，陈来九． 智能 PID 控制器在电厂 热工过程控制中的应用前景［J］． 中国电机工程学 报，2002，22（ 8） ： 128 － 134．
优指标的一项，此时最优指标为：
2012 年第 6 期（ 总第 174 期）
应用能源技术
23
∞
∫ J = （ w1 | e（ t） | + w2 u2 （ t） + w4 | e（ t） | ） 0
dt + w3 ·tu
（ 3）
式中： w4 为权值且 w4 ·w1 ，y（ t） 为被控对象输出。
3 仿真分析
Abstract： In modern thermal power plant，the Main steam temperature control requirement is very strict． Due to the large delay，large inertia，nonlinear and other characteristics of main steam temperature object， it is difficult to control it． Using the learning ability of neural networks， robustness and the global random search capability of the genetic algorithm，the PID control strategy combined both is proposed based on conventional PID control． The computer simulation shows that the PID control strategy based on GA-BP neural network has better control quality，and its application prospect is wide． Key words： Neural networks； Genetic algorithm； PID； Main steam temperature
22
应用能源技术
2012 年第 6 期（ 总第 174 期）
遗传算法与人工神经网络都是在生物学原理 基础上的科研成果。将其结合研究，可以借鉴二 者长处寻找求解复杂问题的有效途径。将遗传算 法与神经网络结合，可以使神经网络系统扩大搜 索空间、提高计算效率以及增强神经网络建模的 自动化程度。
1 优化方案及算法实现
惯性指数 αp 、ηp 、αi 、ηi 、αd 、ηd ，p7 和 p8 代表辨识
器的和。
2． 2 初始群体
在 Matlab 环境下，随机产生网络的初始群体
popn（ N，L） ，N 为群体规模，L 为码串长度，一般
群体规模取 N = 20 ·150，这里选择初始种群为
50，最大进化代数为 100。在生产中要求 8 个向
4 结论
文中介绍了应用遗传算法优化神经网络的具 体实现过程，并根据电站锅炉主蒸汽温度被控对 象的动态特性，利用 Matlab 软件进行了计算机仿 真。通过仿真试验可知： 本文采用遗传算法根据 辨识系统提供的学习信息对神经网络进行优化， 从而使 PID 控制参数有很强的自适应和自学习能 力，即使在被控对象的参数发生变化的情况下，仍
电站锅炉主汽温控制系统大多采用串级控制
系统，其中内回路起粗调作用。文中采用基于改
进遗传算法的 BP 神经网络来建立参数 kp、ki 、kd 自学习的 PID 控制系统，并采用带有辨识的神经
元 PID 控制器，用以克服对象的迟延和模型的不 确定［8］。具体方法是： 在 BP 算法中增加惯性项，
并利用改进的遗传算法优化神经网络的结构和权
图 5 加入扰动后的阶跃响应曲线（ 50% 负荷）
24
应用能源技术
2012 年第 6 期（ 总第 174 期）
图 6 加入扰动后的阶跃响应曲线（ 100% 负荷）
根据图 3 至图 6，可以看出对于锅炉过热汽 温被控对象来说，基于遗传算法 － BP 神经网络的 控制与常规 PID 控制相比，在信号跟踪和快速性 上要好，即使是在系统有扰动的情况下，也能较快 较平稳的趋于稳定。常规 PID 控制由于参数不能 自动寻优，从而使响应曲线有较大的延迟、超调和 振荡，不利于系统的稳定性。而在基于遗传算法 的 BP 神经网络作用下的 PID 控制有较好的自适 应性和自学习能力，能够实现参数在线调整，实现 对被控对象实时控制。
3． 河北省电力勘测设计研究院 河北石家庄 050031）
摘 要： 在现代火力发电厂中，对锅炉主蒸汽温度的控制是非常严格的。由于主蒸汽温度 具有延迟大、惯性大、非线性等特性，导致对其控制比较困难。利用神经网络的学习能力和鲁棒 性以及遗传算法的全局随机搜索能力，在常规 PID 控制基础上，提出采用二者相结合的 PID 控 制策略。通过计算机仿真表明，基于遗传算法的 BP 神经网络的 PID 控制策略具有更好的控制 品质，具有较广阔的应用前景。
100% D = 527． 8kg / s
－
（
0． 815 1 + 18s）
2
1． 276 （ 1 + 18． 4s） 6
1． 2588e － 80． 85s 59s + 1
图 4 阶跃响应曲线（ 100% 负荷）
为了进一步说明该方法的有效性，某一时刻 在控制器输出端加上 0． 1 的增值来模拟系统扰动 的情况，仿真结果如图 5 和图 6 所示：
表 1 某 600 MW 直流锅炉过热汽温对象动态特性
Байду номын сангаас负荷
导前区 （ ℃ / kg / s）
惰性区 （ ℃ /℃） 等效一阶加纯 滞后模型
50% D = 242． 2kg / s
－
（
3． 067 1 + 25s）
2
1． 119 （ 1 + 42． 1s）
1． 104 e － 180． 7s 132s + 1
在实际应用中，绝大部分神经网络模型都是 采用 BP 神经网络及其变换形式，BP 神经网络是 前向网络的核心部分，同时 BP 网络也存在着学 习收敛速度慢、不能保证收敛到全局最小点等缺 陷，其权值通常由梯度法来确定，因此经常经过多 次反复试验却很难找到最优的权值。另外，实际 问题的求解空间往往存在多个局部极值点，使得 BP 算法陷入局部极值点的可能性增大。在实际 的应用研究中，网络结构还没有一种比较成熟的 理论方法，往往采用递增或递减的试探方法来确 定，其设计基本上依赖于经验［1 － 5］。利用遗传算 法全局搜索的特性优化神经网络的连接权和网络 结构，可以较好地克服这些问题和有效地提高神 经网络的性能。