Điều khiển nhiệt độ hơi quá nhiệt nhà máy điện sử dụng bộ điều khiển dự báo trên cơ sở mô hình mạng Neural nhân tạo

Điều khiển nhiệt độ hơi quá nhiệt nhà máy điện sử dụng bộ điều khiển dự báo trên cơ sở mô hình mạng Neural nhân tạo Điều khiển nhiệt độ hơi quá nhiệt nhà máy điện sử dụng bộ điều khiển dự báo trên cơ sở mô hình mạng Neural nhân tạo luận văn tốt nghiệp thạc sĩ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI NGUYỄN VĂN NAM ĐIỀU KHIỂN NHIỆT ĐỘ HƠI QUÁ NHIỆT NHÀ MÁY NHIỆT ĐIỆN SỬ DỤNG BỘ ĐIỀU KHIỂN DỰ BÁO TRÊN CƠ SỞ MƠ HÌNH MẠNG NEURAL NHÂN TẠO Chuyên ngành: Điều khiển tự động LUẬN VĂN THẠC SĨ KHOA HỌC ĐIỀU KHIỂN TỰ ĐỘNG NGƯỜI HƯỚNG DẪN KHOA HỌC PGS TS PHAN XUÂN MINH Hà Nội, Tháng 10/2010 Lời mở đầu Nhiệt độ nhiệt nhà máy nhiệt điện đại lượng quan trọng định đến chất lượng điện nhà máy ảnh hưởng lớn đến tuổi thọ thiết bị vốn có giá trị lớn Hiện nay, nhiệt độ nhiệt điều khiển điều khiển truyền thống (PID) Vấn đề khó khăn mơ hình đối tượng q nhiệt phụ thuộc nhiều vào cơng suất phụ tải tiêu thụ Khi mơ hình thay đổi, điều khiển PID vốn nghèo nàn tham số điều chỉnh khơng có tính thích nghi gặp khó khăn việc trì chất lượng điều khiển Nó cho kết tốt vùng làm việc lại cho kết hạn chế vùng làm việc khác Bộ điều khiển dự báo tựa mơ hình (MPC) nghiên cứu rộng rãi từ năm 60 kỷ trước Ưu điểm điều khiển dự báo khơng địi hỏi người thiết kế phải có kiến thức chuyên sâu điều khiển khái niệm đưa trực quan, việc điều chỉnh tương đối dễ dàng, sử dụng để điều khiển nhiều q trình, hiệu quỹ đạo tín hiệu đặt biết trước Tuy nhiên ứng dụng MPC bị hạn chế việc giải toán tối ưu trực tuyến địi hỏi khối lượng tính tốn lớn, thiết bị điều khiển năm trước bị hạn chế tốc độ tính tốn dung lượng nhớ Ngày nay, với phát triển vượt bậc thiết bị phần cứng, tốc độ vi xử lý ngày nâng cao dung lượng nhớ ngày cải thiện, thuật toán điều khiển dự báo lại nghiên cứu nhiều ứng dụng nhiều lĩnh vực Ở điều khiển dự báo, mơ hình xấp xỉ đối tượng đóng vai trị trung tâm Mơ hình đối tượng cần phải đủ xác để phục vụ việc tính tốn tín hiệu điều khiển dự báo chu kỳ trích mẫu Mạng neural nhân tạo, vốn khâu xấp xỉ vạn năng, có khả xấp xỉ đối tượng với độ xác tuỳ ý Từ thực tế này, luận văn với đề tài “Điều khiển nhiệt độ nhiệt nhà máy nhiệt điện sở mơ hình mạng neural nhân tạo” nghiên cứu áp dụng thuật tốn điều khiển MPC với mơ hình xấp xỉ đối tượng xây dựng sở mạng neural nhân tạo cho đối tượng nhiệt độ nhiệt nhà máy nhiệt điện giải pháp khắc phục nhược điểm điều khiển PID kinh điển để thu chất lượng i điều khiển tốt Kết đạt với thuật toán điều khiển khả quan, mở khả áp dụng thực tế Bố cục luận văn gồm chương: - Chương 1: Điều khiển dự báo sở mơ hình - Chương 2: Nhận dạng đối tượng sử dụng mạng neural - Chương 3: Thuật toán điều khiển dự báo sở cấu trúc mạng neural - Chương 4: Điều khiển nhiệt độ nhiệt sử dụng điều khiển dự báo sở mơ hình mạng neural Dưới hướng dẫn cô giáo PGS TS Phan Xuân Minh, tác giả hoàn thành đề tài nghiên cứu thời hạn qui định Tuy nhiên, thời gian hạn hẹp, luận văn chắn khơng tránh khỏi sai sót Tác giả mong nhận đóng góp ý kiến thầy giáo để hồn thiện kết nghiên cứu Tác giả cảm ơn sâu sắc cô giáo PGS TS Phan Xuân Minh tận tình giúp đỡ tác giả suốt trình thực đề tài! Hà Nội, ngày 26 tháng 10 năm 2010 Nguyễn Văn Nam ii Mục lục Mục lục Trang Chương Điều khiển dự báo sở mơ hình .1 1.1 Nguyên lý điều khiển dự báo 1.2 Cấu trúc sở MPC 1.2.1 Khối tạo tín hiệu chuẩn 1.2.2 Mơ hình dự báo 1.2.3 Hàm mục tiêu 1.2.4 Khối tối ưu hóa Chương Nhận dạng đối tượng sử dụng mạng neural 10 2.1 Giới thiệu vài nét toán nhận dạng 10 2.1.1 Một vài nguyên tắc chung 10 2.1.2 Mơ hình phi tuyến NARX 12 2.2 Neural mạng neural 13 2.2.1 Mạng neural tự nhiên 13 2.2.2 Mạng neural nhân tạo 14 2.2.3 Phương thức làm việc mạng neural 24 2.2.4 Phương pháp huấn luyện mạng neural 24 2.3 Nhận dạng đối tượng sử dụng mơ hình mạng neural 30 2.3.1 Phương pháp nhận dạng 30 2.3.2 Ví dụ nhận dạng đối tượng mơ hình mạng neural 32 Chương Thuật toán MPC dựa cấu trúc mạng neural 35 3.1 Mơ hình mạng neural đối tượng 35 3.2 Thuật toán tối ưu phi tuyến (Nonlinear Optimization) 36 3.3 Phương pháp chuyển động ngược hướng gradient 40 3.4 Thuật toán dự báo phi tuyến kết hợp tuyến tính hóa (MPC-NPL) 41 Chương Điều khiển nhiệt độ nhiệt nhà máy nhiệt điện sử dụng điều khiển NMPC .47 4.1 Tổng quan công nghệ nhà máy nhiệt điện 47 4.1.1 Công nghệ nhà máy nhiệt điện 47 4.1.2 Lò 50 4.1.3 Bộ nhiệt 51 4.2 Phát biểu toán điều khiển 54 iii Mục lục 4.2.1 Tầm quan trọng việc đảm bảo ổn định nhiệt độ nhiệt 54 4.2.2 Các nguyên nhân làm thay đổi nhiệt độ nhiệt 55 4.2.3 Các phương pháp điều chỉnh nhiệt độ nhiệt 55 4.3 Thiết kế điều khiển 59 4.4 Kết mô phỏng, kiểm chứng 66 4.4.1 Bộ điều khiển PID kinh điển 66 4.4.2 Bộ điều khiển dự báo sở mạng neural nhân tạo 71 4.5 Nhận xét, đánh giá 78 Kết luận 80 Tài liệu tham khảo .82 iv Danh mục từ viết tắt Danh mục từ viết tắt FIR Finite Impulse Response LM Levenberg - Marquardt MIMO Multiple Input Multiple Output MISO Multiple Input Single Output MLP Multi-Layer Perceptron MPC Model Predictive Control MSE Mean Squared Error NARX Nonlinear Autoregressive Moving Average NNMPC MPC based on Neural Network Model NO Nonlinear Optimization NPL Nonlinear Prediction and Linearization PID Proportional Integral Derivative SISO Single Input Single Output v Danh mục ký hiệu Danh mục ký hiệu 𝑖𝑖 số 𝑝𝑝 số 𝑙𝑙 số 𝑘𝑘 thời gian, số 𝑌𝑌 tín hiệu 𝜏𝜏 tham số 𝜆𝜆 tham số phiếm hàm mục tiêu 𝐱𝐱 vector trạng thái 𝐽𝐽 phiếm hàm mục tiêu 𝐾𝐾 số neural lớp vào 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 vector đường dây trễ y 𝑢𝑢 tín hiệu vào ∇ gradient 𝛿𝛿 tham số phiếm hàm mục tiêu 𝜇𝜇 tham số 𝐈𝐈 ma trận đơn vị 𝐉𝐉 ma trận Jacobian 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 vector đường dây trễ u 𝑁𝑁𝑢𝑢 số phần tử trễ tín hiệu vào 𝐇𝐇 Ma trận Hessian 𝐼𝐼𝐼𝐼 vector bias lớp vào mạng MLP 𝑁𝑁𝑦𝑦 số phần tử trễ tín hiệu 𝐈𝐈𝐈𝐈 ma trận trọng lượng lớp vào mạng MLP 𝐿𝐿𝐿𝐿 vector trọng lượng lớp mạng MLP 𝑓𝑓𝑓𝑓 hàm phi tuyến mạng MLP 𝐿𝐿𝐿𝐿 vector bias lớp mạng MLP 𝑁𝑁𝐶𝐶 dải điều khiển 𝑁𝑁𝑃𝑃 𝐲𝐲 𝑠𝑠𝑠𝑠 tầm dự báo vector giá trị đặt vi Danh mục ký hiệu 𝑘𝑘𝑝𝑝 𝑇𝑇𝑖𝑖 𝑇𝑇𝑑𝑑 hệ số khuếch đại điều khiển PID số thời gian tích phân điều khiển PID số thời gian vi phân điều khiển PID vii Danh mục hình vẽ Danh mục hình vẽ Trang Hình 1.1 - Nguyên lý điều khiển dự báo Hình 1.2 - Sơ đồ khối hệ thống điều khiển dự báo Hình 1.3 - Minh họa tác dụng khâu tạo tín hiệu chuẩn Hình 1.4 - Minh họa đáp ứng xung Hình 2.1 - Một phần mạng neural 13 Hình 2.2 - Neural khâu MISO 14 Hình 2.3 - Neural nhân tạo 15 Hình 2.4 - Minh họa mạng neural 18 Hình 2.5 - Cấu trúc mạng neural 19 Hình 2.6 - Mạng neural có đặc tính động học tuyến tính 20 Hình 2.7 - Mạng neural có đặc tính phi tuyến tĩnh 21 Hình 2.8 - Mạng neural có đặc tính động học phi tuyến .22 Hình 2.9 - Cấu trúc khối TDLu TDLy 22 Hình 2.10 - Cấu trúc mạng neural MLP lớp .26 Hình 2.11 - Cấu trúc NARX mạng neural .31 Hình 2.12 - Sơ đồ cấu trúc nhận dạng kiểm chứng mô hình 31 Hình 2.13 - Mơ hình tay máy robot .32 Hình 2.14 - Lấy liệu nhận dạng cánh tay robot .33 Hình 2.15 - Thử nghiệm mạng sau huấn luyện .34 Hình 3.1 - Hệ thống điều khiển MPC tối ưu hóa phi tuyến 38 Hình 3.2 - Minh họa phương pháp chuyển động ngược hướng gradient 40 Hình 3.3 - Cấu trúc thuật tốn MPC - NPL 44 Hình 4.1 - Chu trình nhiệt nhà máy nhiệt điện .47 Hình 4.2 - Sơ đồ công nghệ nhà máy nhiệt điện 49 Hình 4.3 - Hoạt động lò 50 Hình 4.4 - Các dạng ống xoắn nhiệt 52 Hình 4.5 - Cấu tạo nhiệt .52 Hình 4.6 - Cách bố trí nhiệt .53 Hình 4.7 - Nối giảm ôn với đường nước lò đường nước cấp 56 viii Danh mục hình vẽ Hình 4.8 - Các dạng đường khói tắt qua nhiệt 57 Hình 4.9 - Thay đổi vị trí trung tâm lửa nhờ quay vịi phun .57 Hình 4.10 - Điều chỉnh nhiệt độ nhiệt tái tuần hồn khói .58 Hình 4.11 - Bố trí nhiệt .58 Hình 4.12 - Cấu trúc hệ điều khiển MPC sở mơ hình mạng neural 60 Hình 4.13 - Các tập mờ cho biến vào/ 61 Hình 4.14 - Cấu trúc mạng neural 61 Hình 4.15 - Tập liệu vào/ ra, đối tượng làm việc dải công suất 62 Hình 4.16 - Kết huấn luyện với mơ hình đối tượng dải cơng suất 63 Hình 4.17 - Tập liệu vào/ ra, đối tượng làm việc dải công suất 64 Hình 4.18 - Kết huấn luyện với mơ hình đối tượng dải cơng suất 64 Hình 4.19 - Nhận dạng đối tượng, dải công suất 65 Hình 4.20 - Nhận dạng đối tượng, dải công suất 65 Hình 4.21 - Nhận dạng đối tượng, dải cơng suất 66 Hình 4.22 - Xác định hệ số khuếch đại tới hạn chu kỳ tới hạn .67 Hình 4.23 - Phương pháp Ziegler - Nichols 68 Hình 4.24 - Phương pháp Tyreus & Luyben 68 Hình 4.25 - Phương pháp Ziegler - Nichols có sai lệch mơ hình 69 Hình 4.26 - Phương pháp Tyreus - Luyben có sai lệch mơ hình 69 Hình 4.27 - Phương pháp Ziegler - Nichols tín hiệu điều khiển bị hạn chế 70 Hình 4.28 - Đáp ứng với nhiễu sử dụng điều khiển PID 71 Hình 4.29 - Phương pháp chuyển động ngược hướng gradient, mơ hình 72 Hình 4.30 - Phương pháp chuyển động ngược hướng gradient, mơ hình 2-5 .73 Hình 4.31 - Phương pháp MPC - NO, mơ hình 74 Hình 4.32 - Phương pháp MPC-NO, mơ hình 2-5 74 Hình 4.33 - Phương pháp MPC - NPL, mơ hình 75 Hình 4.34 - Phương pháp MPC-NPL, mơ hình 2-5 .76 Hình 4.35 - Ảnh hưởng tầm dự báo đến chất lượng điều khiển .77 Hình 4.36 - Ảnh hưởng hệ số lambda .77 ix Tài liệu tham khảo Tài liệu tham khảo [1] Lý thuyết điều khiển mờ, Phan Xuân Minh - Nguyễn Doãn Phước, NXB Khoa học & Kỹ thuật, 2006 [2] Điều khiển nâng cao, Nguyễn Doãn Phước, NXB Khoa học & Kỹ thuật, 2006 [3] Cơ sở hệ thống điều khiển q trình, Hồng Minh Sơn, NXB Bách Khoa - Hà Nội, 2006 [4] Nhận dạng hệ thống điều khiển, Nguyễn Doãn Phước - Phan Xuân Minh, NXB Khoa học & Kỹ thuật, 2001 [5] Điều khiển dự báo hệ phi tuyến dựa vào mơ hình mờ, Nguyễn Thúc Loan -Nguyễn Thị Phương Hà - Huỳnh Thái Hoàng [6] Nhà máy nhiệt điện, Hoàng Ngọc Đồng [7] Nhà máy nhiệt điện, Nguyễn Công Hân - Nguyễn Quốc Trung - Đỗ Anh Tuấn, NXB Khoa học & Kỹ thuật, 2002 [8] Nghiên cứu, thiết kế cài đặt điều khiển dự báo sở hệ logic mờ, Mai Văn Sỹ - Nguyễn Ngọc Linh, Đồ án tốt nghiệp, 2008 [9] Điều khiển dự báo sở mơ hình mờ cho q nhiệt nhà máy nhiệt điện, Nguyễn Đức Phong, Luận văn thạc sỹ, 2009 [10] Thiết kế, cài đặt điều khiển dự báo mạng neural, Nguyễn Đình Quân - Đào Duy Thắng, Đồ án tốt nghiệp, 2008 [11] Predictive Control Design Based on Neural Model of a Non-linear System, Anna Jadlovska – Jan Sarnovsky, Acta Politechnica Hungarica, Vol No.4 2008 [12] Model Predictive Control, Eduardo F Camacho and Carlos Bordons, Springer, 1999 [13] A Computationally Efficient Nonlinear Predictive Control Algorithm with RBF Neural Models and Its Application, Maciej Ławryńczuk and Piotr Tatjewski, Lecture Notes in Computer Science, 2007 [14] Suboptimal Nonlinear Predictive Control Based on MLP and RBF Neural Models with Measured Disturbance Compensation, Maciej Ławryńczuk, Journal of Automation, Vol.2, 2008 82 Phụ lục Phụ lục Điều khiển nhiệt độ nhiệt nhà máy nhiệt điện sử dụng điều khiển dự báo sở mô hình mờ (FMPC) (tài liệu [9]) Kết với dải cơng suất máy phát từ 600MW đến 540MW (Mơ hình 1) Kết với dải công suất máy phát từ 540MW đến 480MW (Mơ hình 2): Phụ lục Kết với dải công suất máy phát từ 480MW đến 420MW (Mơ hình 3): Kết với dải cơng suất máy phát từ 420MW đến 360MW (Mơ hình 4): Phụ lục Phụ lục Matlab Code for Simulating Control Algorithm Getting data function [t,P,T]=getData(model,PR,DR,ts,tspan) % This function is used to get data from the plant % It generates input signal P (random signal) and % test the model to obtain the target signal T % model : a SIMULINK MODEL saved in a *.mdl file % PR : range of input signal ([minvalue maxvalue]) % DR : range of duration of a step ([mininterval maxinterval]) % ts : sampling time (sec) % tspan : time interval of input signal(sec) % P : input signal % T : target signal % t : time vector corresponding to P,T % -[t,P]=gensig(PR,DR,ts,tspan); [t,x,T]=sim(model,t,[],[t,P]); subplot(2,1,1); plot(t,P);title('Input Signal');grid on subplot(2,1,2); plot(t,T);title('Output Signal');grid on % -% -function [t,P]=gensig(PR,DR,ts,tspan) % Generate random signal for NN training % P : signal generated by function 'gensig' % (each step of P has random level and random duration) % t : returned time vector % Note : to apply P to a SIMULINK MODEL: P must be a column vector % PR : range of input signal ( [minvalue maxvalue] ) % DR : range of duration(interval) of a step([mininterval maxinterval]) % ts : sampling time % tspan : time interval of P % -Ns=fix(tspan/ts); % Number of samples in P minStep=fix(DR(1)/ts); % number of points in a step maxStep=fix(DR(2)/ts); % max number of points in a step P=[]; while max(size(P))=mu_max break; end J=sphtJacobian(IW,LW,IB,LB,P,N_mlp,Nu,Ny,T_o,u,yd); while mu150 y_plant=y_plant-noise; end; yvec(k-1)=y_plant; 13 Phụ lục [u,U_mpc]=sphtOptNPL(y_ref,y_plant,y_pre,DLu,DLy,IW,IB,LW,LB,u_To,T_o,Nc,Np ,lambda); uk=u; if y_plant>ymax, ymax=y_plant; end if y_plant