STT Ký hiệu DCS Ký hiệu điều khiển Xác định từ phần mềm
1 PGAIN KpDH kp
2 INTG iDH T ki p
3 DGAIN KDDH kpTd
4 DRATE dDH Tf
Nhận xét:
- Với phương án quy đổi theo Bảng 3.3 nêu trên, khi có thơng số tính tốn mơ phỏng trên phần mềm chỉnh tham số bộ điều khiển, người thực hiện chỉnh định dễ dàng xác định được tham số PID tương ứng trong hệ thống điều khiển Ovation của hãng Emerson và tiến hành chỉnh định thực tế.
- Trong quá trình thực hiện, các giá trị cũ sẽ lần lượt được thay thế bởi các giá trị mới theo thứ tự: i) Hệ số khuếch đại PGAIN; ii) Thời gian tích phân INTG; iii) Hệ số vi phân DGAIN; iv) Thời gian vi phân.
3.5. MỘT SỐ NỘI DUNG CẦN PHÁT TRIỂN TRONG TƯƠNG LAI
Mặc dù đã thể hiện được quá trình thiết kế các tham số bộ điều khiển PID, đồng thời hỗ trợ công tác xây dựng hệ thống điều khiển bổ sung phần tử dự báo, phần mềm vẫn có những điểm có thể khắc phục và phát triển trong thời gian tới như sau:
- Mơ hình hàm truyền đối tượng là kết quả của quá trình nhận dạng bởi các cơng cụ tin cậy hơn (ví dụ như Identification trong gói cơng cụ Matlab) từ các số liệu vận hành thực tế. Tuy nhiên, để nhập mơ hình này vào phần mềm, người dung cần thực hiện thủ công. Trong tương lai, cần phát triển chức năng kết nối trực tuyến với các dữ liệu vận hành thực tế và tự động nhận dạng mơ hình đối tượng thơng qua các thuật tốn tối ưu đã được kiểm chứng (ví dụ phương pháp vượt khe).
- Các giá trị mong muốn của độ dự trữ ổn định, tần số cắt, tần số cực để thu được bộ tham số PID hiệu quả vẫn cần nhập bằng phương pháp thủ công. Điều này đặt ra yêu cầu bổ sung các thuật tốn thơng minh có thể tự động đề xuất giá trị dữ trữ ổn định phù hợp, giúp tối ưu hóa q trình thiết kế các tham số bộ PI/PID.
- Phần mềm cần bổ sung các cấu trúc feedforward bù nhiễu và kết hợp với mạng nơron nhận dạng q trình nhiệt tồn hệ thống đưa ra phương thức vận hành tối ưu. Từ đó từng bước kết nối trực tuyến với hệ thống DCS tại NMNĐ.
3.6. KẾT LUẬN CHƯƠNG 3
Từ nội dung Chương 3 có thể rút ra các kết quả:
- Phương pháp luận chứng minh có thể bổ sung phần tử dự báo vào mạch vòng điều khiển nhằm nâng cao chất lượng điều khiển. Đặc biệt, có thể kết hợp phần tử dự báo vào mạch vòng sử dụng bộ điều khiển được chỉnh định theo các phương pháp dựa trên chỉ số dao động mềm và theo biên độ dao động hệ kín.
- Thời gian dự báo của phần tử được xác định thông qua thời gian trễ vận tải của đối tượng cần điều khiển. Những đối tượng có thời gian trễ nhỏ khơng cần thiết và không nên bổ sung thêm phần tử dự báo. Những đối tượng có thời gian trễ vận tải lớn, thời gian dự báo được đề xuất không vượt quá 0,461 lần thời gian trễ vận tải của đối tượng.
- Phần mềm đã giới thiệu hồn tồn có thể được sử dụng để hỗ trợ công tác chỉnh định thực tế các tham số bộ điều khiển PI/PID sử dụng trong NMNĐ. Phần mềm giúp nghiên cứu sử dụng phần tử dự báo kết hợp với bộ điều khiển đối tượng quá trình nhiệt, cho phép đánh giá chất lượng điều khiển thông qua các chỉ tiêu như: độ quá điều chỉnh, tích phân sai lệch điều khiển, thời gian điều chỉnh, hệ số tắt dần... - Khi đã có tham số bộ điều khiển, việc triển khai cài đặt vào thực tế được thực hiện dễ dàng thơng qua các phép tính quy đổi phù hợp. Với những tính năng của ngơn ngữ C-Sharp, có thể dễ dàng kết nối phần mềm với hệ thống DCS để phát triển các chức năng như: thu thập số liệu trực tuyến, thiết kế bổ sung tác động tín hiệu vào cấu trúc feed-forward hiện hữu,…
Sau khi ổn định được chất lượng điều khiển của từng mạch vịng thơng qua việc chỉnh định tham số bộ điều khiển, nhiệm vụ tiếp theo hướng tới nhận dạng hệ thống và hiệu chỉnh những thông số quan trọng ảnh hưởng tới lượng đặt cũng như chất lượng làm việc của toàn hệ thống.
CHƯƠNG 4.
ỨNG DỤNG MẠNG NƠRON NHÂN TẠO NHẬN DẠNG VÀ HIỆU CHỈNH HỆ THỐNG ĐIỀU KHIỂN TRONG NHÀ MÁY NHIỆT ĐIỆN
ĐỐT THAN
Chương 4 của luận án trình bày kết quả nghiên cứu phương án ứng dụng trí tuệ nhân tạo vào lĩnh vực điều khiển nhà máy nhiệt điện đốt than, cụ thể gồm:
- Ứng dụng mạng nơron nhận dạng trạng thái vận hành của hệ điều khiển nhà máy nhiệt điện;
- Ứng dụng mạng nơron để hiệu chỉnh lượng đặt mạch điều khiển cấp nhiên liệu nhà máy nhiệt điện đốt than phun;
- Ứng dụng mạng nơron đánh giá cấu trúc hệ điều khiển phụ tải nhiệt theo ba chế độ vận hành của lò hơi.
4.1. VẤN ĐỀ NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRONG NHÀ MÁY NHIỆT ĐIỆN ĐỐT THAN MÁY NHIỆT ĐIỆN ĐỐT THAN
4.1.1. Nguyên lý ứng dụng mạng nơron nhân tạo trong nhận dạng và hiệu chỉnh hệ điều khiển nhà máy nhiệt điện đốt than chỉnh hệ điều khiển nhà máy nhiệt điện đốt than
Trong nhà máy nhiệt điện đốt than, mạng nơron được nghiên cứu, phát triển hướng tới các mục tiêu:
- Nhận dạng và tự động hiệu chỉnh hệ thống điều khiển như cấp nhiên liệu, lưu lượng gió nhằm tối ưu q trình cháy;
- Dự báo tình trạng thiết bị, đưa ra cảnh báo về thời gian sự cố giúp đưa ra khuyến cáo phương án sửa chữa theo độ tin cậy thiết bị.
Hệ thống ứng dụng trí tuệ nhân tạo (Artificial Intelligence) được cấu thành bởi các mạng nơron có thể được nghiên cứu ứng dụng theo hai nhóm:
- Là hệ thống độc lập, có kết nối với hệ thống DCS để thu thập thông tin trực tiếp và trả ra giá trị tác động lại hệ điều khiển. Ưu điểm của phương án này là thi công đơn giản, chi phí đầu tư thấp. Nhược điểm là cần đảm bảo tính chính xác của hệ thống thiết bị đo lường trong nhà máy.
- Được cấu hình trực tiếp trên hệ thống DCS. Yêu cầu đặt ra là cần bổ sung nhiều cảm biến đo lường thu thập thông tin và đưa ra khuyến cáo, khuyến nghị riêng trên cơ sở các dữ liệu vận hành thực tế. Ưu điểm của nhóm này là các thơng tin được thu thập chính xác, tức thời, phù hợp với nhu cầu nhận dạng, đánh giá. Nhược điểm là chi phí đầu tư rất lớn, đồng thời phương án thực hiện tương đối phức tạp.
Trên Hình 4.1 minh họa nguyên lý sử dụng mạng nơron nhận dạng hệ trên cơ sở quá trình cân bằng vào-ra.
Plant NN−ID Input Output 0 E→ −
Hình 4.1. Cấu trúc mạng nơron nhận dạng hệ thống điều khiển nhà máy
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 lò 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 thông 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 toàn 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 lò: 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
Công 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
Công 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