Có ba loại hình ứng dụng đối với hệ điều khiển, được thực hiện theo các bước: (1) Xác định mục tiêu cần nhận dạng liên quan trực tiếp tới hoạt động của hệ điều khiển và các chỉ tiêu chất lượng trong trạng thái hệ thống vận hành ổn định. Những đại lượng đầu vào sử dụng để huấn luyện mạng nơron sẽ tương ứng là các đại lượng đầu vào của tổ máy như: lưu lượng nước, lưu lượng than, lưu lượng gió. Tại đầu ra tương ứng là những đại lượng cần điều khiển của hệ như: công suất điện, áp suất hơi, lưu lượng hơi, nồng độ oxy dư trong khói thải, áp suất buồng đốt.
(2) Chọn trạng thái nhà máy vận hành ổn định, thu thập dữ liệu và chạy mơ hình mạng nơron nhận dạng trực tuyến NN-ID. Thông qua các thông số vận hành thực tế, mạng nơron được huấn luyện trực tuyến cho tới khi sai lệch hội tụ về 0, ta thu được mơ hình mạng nơron thể hiện quan hệ vào-ra của hệ điều khiển.
Từ mơ hình mẫu thu được, kết hợp với mơ hình điều khiển lị hơi tại Chương 2, tiến hành nghiên cứu ảnh hưởng của cấu trúc và tham số bộ điều khiển tới chất lượng của hệ thống.
(3) Chọn được mơ hình khi hệ có chất lượng tốt nhất để làm mơ hình mẫu RM- NN (Reference model NN) phục vụ đánh giá hoạt động của hệ được trình bày trên Hình 4.2. Đánh giá Chất lượng thiết bị đo và chấp hành Chất lượng các mạch vòng điều khiển Chỉnh định CNN Bảo dưỡng Thay thế Hiệu quả Quá trình cháy Truyền nhiệt Hiệu chỉnh lượng đặt Plant NN−ID Input Output Hình 4.2. Ứng dụng mạng nơron phục vụ đánh giá để chỉnh định
Mục đích của việc nghiên cứu ứng dụng mạng nơron trong nhận dạng và hiệu chỉnh hệ thống điều khiển trong nhà máy nhiệt điện đốt than như sau:
+ Sử dụng mạng nơron NN-ID nhận dạng, đánh giá tình trạng hệ thống thiết bị thơng qua việc nhận dạng đại lượng vận hành và dự báo sự bất thường của hệ thống thiết bị.
+ Sử dụng mạng nơron nhận dạng đại lượng đánh giá hiệu quả quá trình cháy, quá trình truyền nhiệt trong lị hơi, từ đó đưa ra giá trị hiệu chỉnh phù hợp.
+ Đánh giá chất lượng các mạch vịng điều khiển, từ đó sử dụng bộ điều khiển nơron CNN hiệu chỉnh đại lượng quá trình (đặc trưng trong NMNĐ).
4.1.2. Phương án triển khai nghiên cứu thực tế
Việc thực hiện kết hợp với hệ thống DCS cần sự cho phép của chủ đầu tư và khả năng đảm bảo an tồn nhất định. Do vậy, với mơ hình ứng dụng hệ thống mạng nơron như trên, nghiên cứu đề xuất triển khai theo các giai đoạn sau:
- Giai đoạn 1: Thiết kế, luyện mạng nơron nhân tạo offline trạng thái vận hành của hệ điều khiển NMNĐ, chứng minh khả năng học, làm việc của mạng với các đối tượng quá trình nhiệt.
- Giai đoạn 2: Kiểm chứng khả năng ứng dụng mạng nơron tác động vào mơ hình hệ thống điều khiển q trình. Để đảm bảo an tồn, hệ thống điều khiển quá trình nên độc lập với hệ thống DCS.
- Giai đoạn 3: Sau khi thu được mạng nơron từ các dữ liệu học offline, cần
kiểm chứng sự sai khác giữa đầu ra của mạng nơron khi có các đại lượng đầu vào online với giá trị đầu ra online mong muốn trên hệ thống DCS.
- Giai đoạn 4: Kết nối và huấn luyện trực tuyến mạng nơron nhờ các dữ liệu
vận hành từ hệ thống DCS. Độ tin cậy của cấu trúc mạng được đánh giá trực tiếp thông qua việc so sánh giá trị trả ra của mạng và các giá trị tức thời trên hệ thống. Tuy nhiên, các giá trị đầu ra chưa tác động trở lại vào hệ thống DCS.
- Giai đoạn 5: Kết nối, thử nghiệm tác động vào hệ thống điều khiển DCS. Do hạn chế về nguồn lực và khả năng tiếp cận với hệ thống nhà máy trong thực tế, việc thiết kế mạng nơron và cũng như triển khai các công việc thuộc giai đoạn 3, 4 và 5 nêu trên chưa thể thực hiện được. Do đó, nghiên cứu sử dụng mơ hình điều khiển nhà máy điện (được xây dựng với số liệu thực tế) trên môi trường Matlab/Simulink để chứng minh hiệu quả của quá trình thiết kế mạng nơron.
4.2. ỨNG DỤNG MẠNG NƠRON NHẬN DẠNG TRẠNG THÁI VẬN HÀNH HỆ ĐIỀU KHIỂN NHÀ MÁY NHIỆT ĐIỆN ĐỐT THAN HÀNH HỆ ĐIỀU KHIỂN NHÀ MÁY NHIỆT ĐIỆN ĐỐT THAN
4.2.1. Thiết kế mạng nơron nhận dạng hệ điều khiển
a. Chọn các đại lượng vào-ra
Đại lượng đầu vào mơ hình mạng nơron: Căn cứ vào thực tế vận hành của NMNĐ Duyên Hải 1 ta có: Nhiệt độ đầu vào của nhiên liệu, khơng khí, nước cấp được kiểm sốt khơng đổi, thành phần hóa học và nhiệt trị của than là ổn định. Nên gần đúng, đầu vào mơ hình chỉ chọn 3 thơng số cơ bản cấp cho lị: Lưu lượng nhiên liệu, lưu lượng khơng khí và lưu lượng nước cấp.
Đại lượng đầu ra của mơ hình mạng nơron: Với mục đích nhận dạng các đặc tính vận hành và chú trọng tới q trình cháy nên đầu ra mơ hình sẽ chọn: áp suất hơi, lưu lượng hơi và công suất phát (đánh giá ổn định áp suất hơi và đánh giá cân bằng cơng suất đầu vào-đầu ra của lị), áp suất buồng đốt và nồng độ oxy dư (đánh giá quá trình cháy).
b. Chọn cấu hình mạng nơron
Cấu trúc mạng nơron trên Hình 4.3, có 05 phần tử. Mỗi phần tử có ba đầu vào và một đầu ra (MISO) được xây dựng từ 2 lớp ẩn, minh họa trên Hình 4.4. Trong đó, lớp ẩn thứ 2 có 1 nơron tương ứng với một đầu ra, số lượng nơron ở lớp ẩn thứ nhất có thể thay đổi được nhằm đạt được độ chính xác đầu ra của mạng nơron mong muốn.
MISO MISO MISO MISO MISO Nhiên liệu Khơng khí Nước cấp Áp suất hơi Lưu lượng hơi
Cơng suất điện Nồng độ Oxi dư
Áp suất buồng lửa
Hình 4.3. Cấu trúc mơ hình sử dụng các mạng nơron
W0 b1 n Wk2 X1 S f(x) Wk3 X2 Wk1 X3 Đầu vào Trọng số Lớp ấn 1 Đầu ra Lớp ẩn 2 b12 S f(x) b11 S f(x) S f(x) b21 Y1 Ngưỡng
Hình 4.4. Cấu trúc mạng một nơron MISO
Ngoài các đại lượng được lựa chọn xây dựng mạng như trên, số lượng mẫu dạy cho mạng nơron cũng quyết định độ chính xác của mạng nơron được thiết kế.
c. Mô phỏng và huấn luyện mạng nơron
Việc mô phỏng, huấn luyện mạng nơron có thể thực hiện trên môi trường Matlab/simulink với toolbox Neural Network Toolbox For Use with MATLAB, 2016b [57-58]. Khi khởi tạo mạng nơron ta sử dụng cấu trúc chung:
net = network (numInputs, numLayers, biasonnect, Inputs Connect, Layer Connect, outputs Connect),
trong đó:
- NumInputs là số đầu vào; - Numlayers là số lớp nơron; - Bias Connect vector độ trội;
- Inputs Connect ma trận liên kết giữa đầu vào và các layer; - Layer Connect ma trận liên kết giữa các layer;
- Outputs Connect vector đầu ra của mạng.
Với đặc điểm phi tuyến của đối tượng lò hơi, 100 nơron là số lượng được lựa chọn ở lớp ẩn thứ nhất (Hình 4.5) với hàm chuyển đổi đầu ra dạng logsig, lớp thứ 2 với 1 nơron sử dụng hàm pureline. Mạng nơron 2 lớp với lớp thứ nhất là hàm đầu ra logsig và lớp thứ 2 dạng pureline có thể xấp xỉ hầu hết các mơ hình phi tuyến Khi đó lệnh xác lập lớp ẩn thứ nhất là:
net.layers{1}.size = 100;
net.layers{1}.transferFcn = 'logsig';
Cấu trúc mạng trên mơi trường Matlab minh họa trên Hình 4.5.
Hình 4.5. Cấu trúc mạng nơron trong Matlab
Cơng cụ Matlab/Simulink đã mô phỏng được mạng nơron với 03 đầu vào và 01 đầu ra.
Thuật toán Trainlm (Levenberg-Marquardt) [67] được áp dụng để huấn luyện mạng. Nhằm đánh giá chất lượng của mơ hình mạng nơron, ta sử dụng tiêu chí đánh giá MSE (Mean-Squared-Error) [67] hay cịn gọi là sai số trung bình, bằng cách dùng câu lệnh:
net.trainFcn = 'trainlm'; net.performFcn = 'mse';
Chi tiết mã nguồn trên môi trường Matlab nhằm tạo và huấn luyện các mạng nơron tại Phụ lục 5.
Với tiêu chí đánh giá MSE, mạng
nơron sẽ được huấn luyện sao cho trung bình của bình phương sai lệch giữa đầu ra của mạng nơron với mục tiêu là nhỏ nhất.
2 1 1 M S , n E e n =
trong đó, e là sai lệch giữa đầu ra mạng
nơron với mục tiêu.
Thông số huấn luyện mạng và số lần luyện mạng có thể lựa chọn thay đổi đối với từng cấu trúc, được minh họa trên Hình 4.6. Sau khi huấn luyện mạng nơron, để mô phỏng mạng nơron trên môi trường Matlab/Simulink ta sử dụng câu lệnh:
Gensim(net,T),trong đó: T là thời gian trích
mẫu; net là tên mạng. Hình 4.6. Huấn luyện mạng nơron
4.2.2. Kết quả mô phỏng
Kịch bản mơ phỏng dựa trên tồn bộ q trình tăng-giảm tải từ 466 đến 622,5 MW của nhà máy nhiệt điện Duyên Hải 1 ngày 30/7/2018 vào khoảng 05h00-17h00. Để huấn luyện mạng nơron ta sử dụng 600 giá trị học của lưu lượng than (Wthan), lưu lượng gió (Wgio), lưu lượng nước cấp (Wnuoc) trong thời gian tăng-giảm tải từ 466 MW đến 622,5 MW của nhà máy, tương ứng với ba đại lượng đầu vào (Hình 4.7).
Tại thời điểm lấy mẫu, nhà máy vận hành ổn định, các số liệu kỹ thuật đáp ứng đúng các chỉ tiêu thiết kế nhà máy.
Các mạng nơron tương ứng MISO trên Matlab/Simulink được xây dựng bằng cách sử dụng 8 đại lượng luyện mạng (gồm 3 đầu vào, 5 đầu ra), cấu trúc mạng tương tự như Hình 4.6 và huấn luyện 10.000 lần. Kết quả huấn luyện mạng nơron theo cấu trúc Hình 4.8 được dẫn tại Bảng 4.1 và Hình 4.9. Sai số đầu ra mạng nơron và chất lượng huấn luyện dẫn tại Hình 4.10 và Bảng 4.2.
Hình 4.8. Mơ hình nhận dạng trên mơi trường Matlab/simulink
Bảng 4.1. Tổng hợp chất lượng các mạng nơron
STT Nơron Performance Gradient Mu
1 Áp suất hơi 0,0641 1,5 10
2 Lưu lượng hơi 115 23,4 106
3 Công suất 38,2 21,8 105
4 Nồng độ Oxy dư 0,054 0,0949 10
5 Áp suất chân không
buồng lửa 860 6,22 10
Hình 4.9. Đáp ứng đầu ra mạng nơron sau khi huấn luyện
Hình 4.10. Sai lệch đáp ứng của đầu ra mạng nơron so với giá trị luyện
Bảng 4.2. Phân tích rời rạc các dao động sai lệch đầu ra của mạng nơron
Đại lượng Đ/vị Trung bình Phương sai2
Độ lệch
chuẩn ( / )
Áp suất hơi % -0,2962 2,392 1,547 -52,21
Lưu lượng hơi % -0,0094 0,335 0,579 -61,83
Công suất điện % -0,0235 1,035 1,018 -43,28
Nồng độ Oxy dư % -0,2156 25,111 5,011 -23,25 Áp suất chân
không buồng lửa % -877,157 3,41.10
Nhận xét:
- Từ đồ thị đáp ứng sai lệch và bảng phân tích sai lệch đầu ra mạng nơron, có thể thấy mạng nơron học tương đối tốt mơ hình lị hơi với các thơng số như: lưu lượng hơi, công suất hơi, áp suất hơi, cơng suất điện, lưu lượng khói có độ lệch chuẩn trung bình khá thấp (<2%). Cho thấy rằng, năng lượng cũng như sản phẩm đầu ra của lị hơi có thể nhận dạng và mơ hình dựa trên đại lượng đầu vào gồm: lưu lượng nước cấp, lưu lượng khơng khí và lưu lượng than.
- Lưu lượng khói và nồng độ oxy dư có độ lệch chuẩn trung bình lớn hơn (<5%) do dữ liệu phục vụ quá trình học và hạn chế về phần cứng của máy tính.
- Sai lệch đầu ra của mạng nơron và giá trị được sử dụng để huấn luyện phụ thuộc nhiều vào số lớp ẩn và số nơron trong mỗi lớp ẩn. Ở đây, do đầu ra mỗi mạng MISO là 1 nên lớp ẩn cuối cùng sẽ có 1 nơron. Phương án thiết kế mạng giúp tăng độ chính xác hướng tới việc thay đổi số nơron của lớp ẩn thứ nhất. Tuy nhiên, điều này yêu cầu nguồn lực máy tính xử lý và luyện mạng lớn hơn.
- Áp suất buồng lửa là đại lượng thể hiện sự cân bằng vật chất quá trình cháy (giữa lưu lượng nhiên liệu, than cấp vào lị và lưu lượng khói ra khỏi lị). Sai lệch của nơron nhận dạng áp suất buồng lửa lớn vượt trội so với các đại lượng khác. Nguyên nhân là do giá trị đầu ra mạng nơron luôn dao động quanh -50Pa (giá trị đặt của mạch điều khiển áp suất buồng đốt) nhưng các giá trị nơron trả ra sai khác với giá trị đặt khoảng 1, 85% và độ lệch chuẩn < 6,8%. Kết quả này cho phép nhận định có thể sử dụng giá trị đầu ra mạng nơron giúp hiệu chỉnh lượng đặt mạch điều khiển áp suất buồng lửa trượt theo cân bằng vật chất của quá trình cháy.
Những kết quả trên đã minh chứng cho khả năng mơ hình hóa một q trình phức tạp, nhận dạng được các quá trình vào-ra cơ bản với đối tượng lị hơi cơng suất 622,5 MW của nơron. Đặt ra yêu cầu thiết lập số lượng nơron của các lớp ẩn và phương án huấn luyện mạng phù hợp.
Về cơ bản, mơ hình mạng nơron được xây dựng đáp ứng các yêu cầu đặt ra. Trong điều kiện tổ máy vận hành tốt, số liệu thu thập đáp ứng được chỉ tiêu thiết kế huấn luyện mang nơron thì ta có thể coi đó là mơ hình chuẩn. Sử dụng mơ hình này để nhận dạng các quá trình, chẩn đốn lỗi của hệ điều khiển, phục vụ chỉnh định và bảo trì hệ thống. Tuy nhiên, độ chính xác của mơ hình cịn bị hạn chế về số lượng mẫu, khả năng cấu hình của máy tính, đồng thời nghiên cứu sinh có thể nghiên cứu sinh chưa tiếp cận được cơng cụ mới nhất về mạng nơron. Vì vậy, mơ hình sẽ được tiếp tục hồn thiện để nâng cao độ chính xác cũng như cập nhật thêm thơng tin để ứng dụng vào việc nhận dạng và chẩn đốn chính xác hơn hệ điều khiển, phục vụ cơng tác chỉnh định.
4.3. ỨNG DỤNG MẠNG NƠRON ĐỂ HIỆU CHỈNH LƯỢNG ĐẶT HỆ ĐIỀU KHIỂN PHỤ TẢI NHIỆT NHÀ MÁY NHIỆT ĐIỆN ĐỐT THAN ĐIỀU KHIỂN PHỤ TẢI NHIỆT NHÀ MÁY NHIỆT ĐIỆN ĐỐT THAN
4.3.1. Điều chỉnh lưu lượng than khi nhiệt trị thay đổi
đúng yêu cầu hoặc dư thừa. Một giải pháp được áp dụng trong nhà máy hiện nay là sử dụng mạch điều khiển bù BTU compensator (đang sử dụng tại NMNĐ Duyên Hải 1). Mạch bù BTU than sẽ trả ra một giá trị BTU được nhân trực tiếp vào giá trị phản hồi W sf ( ) của mạch điều khiển cấp nhiên liệu vào lò hơi. Nguyên lý được minh họa trên Hình 4.11. Boiler Master P(s) Process Fuel Master X BTU compensator P*(s) Ne(s) BTU WfD(s) Wf(s) Wf s) f(s) Wf(s)
Hình 4.11. Sơ đồ điều khiển bù nhiệt trị than
Nguyên lý làm việc mạch bù BTU thực tế đang được thiết kế tại tổ máy S1 NMNĐ Duyên Hải 1, đưa ra hệ số bù BTU được trình bày trên Hình 4.12 [12].
Gc.BTC 0 0,8-1,2 i = 9000000 - Y, (t/h): -20; -10; 0; 0; 10; 20 X, (t/h): -100; - 10; -9; 9; 10; 100 Error PV X, (MW): 0;248;311;467; 580;622;650 f(x) Y, (t/h): 0;122;147;212.6; 270;289;303 Wf(t) g(x) Ne(t) BTU -
Hình 4.12. Sơ đồ cấu trúc mạch bù BTU than
Trong đó: f(x) - hàm phi tuyến quy đổi đại lượng công suất điện (MW) sang lưu lượng than (t/h), được xác định theo phẩm chất than thiết kế; g(x) - hàm phi tuyến quy đổi từ đại lượng sai lệch lưu lượng nhiên liệu thực tế sang lưu lượng nhiên liệu theo than thiết kế trong phạm vi 20% giá trị sai lệch; Ne(t) - Công suất điện theo thời gian thực; Wf(t) - Lưu lượng nhiên liệu cấp vào lò hơi; GcBTU - bộ điều khiển bù BTU
than;BTU - giá trị bù BTU than được nhân trực tiếp vào phản hồi của mạch Fuel
Master, được giới hạn trong khoảng từ 0,8-1,2; X,Y- Các ma trận giá trị đầu vào và ra mỗi hàm quy đổi.
Thông số đầu vào của mạch BTU compensator là lưu lượng nhiên liệu thực tế ( )
f
W t và lưu lượng nhiên liệu cần thiết để tổ máy đạt được công suất phát điện theo công thức: ( ) ( ) ( ) ' , f e W t = f x N t (4.1) trong đó, *( ) e
N t − phụ tải đích của tổ máy; f x( )− hàm quy đổi phi tuyến. Khi đó, sai lệch điều khiển của mạch Fuel Master xác định như sau: