信息与控制
Information and Control
1999年　第28卷　第5期　Vol.28　No.5　1999



基于误差反馈的组合式人工神经网络
的发电生产过程辨识
康 雷 徐南荣

　　摘　要：本文主要研究人工神经网络在辨识实际工业系 统中的应用．由于辨识的对象是一个动态系统，所以着重对人工神经网络在辨识工业生产过 程的动态特性作了分析．本文以发电生产过程为背景，针对不同负荷下发电生产工况的特点 ，提出了用子神经网络分别辨识不同负荷下的发电生产过程．在考虑系统稳定的前提下，本 文提出引入误差反馈来训练人工神经网络辨识模型的方法． 
　　关键词：发电生产过程，系统辨识，BP神经网络，动态系统
　　中图分类号：TP29　　　　　　文献标识码：B

IDENTIFICATION OF GENERATING PROCESS BASED ON COMBINED
ERROR-FEEDBACK ARTIFICIAL NEURAL NETWORK
KANG Lei XU Nan-rong
(Institute of System Engineering, Southeast University, Nanjing 2 10096)
Abstract: This paper mainly researched the application of artificial neural netw ork in real industrial systems. Because the object is a dynamic system, so we di scussed the dynamic characteristics of artificial neural network used in identif ying industrial process specially. With the background of power generating proce ss, considering the characteristic of different bear, the paper proposed a novel method to identify the model that used sub-network to identify the mathematics model of generating process in different loads. Considering the stability of th e system, this paper introduced a new method to train neural network models with error feedback.
Key words　power generating process, system identification, BP n eural network, dynamic system

1　前言
　　用传统的辨识方法解决具有非线性特性的工业生产过程的辨识问题存在许多困难．Narendra等[1]提出的对一般动态系统进行辨识的神经网络方法，为解决非线性工业生产过程的辨识提供了新思路．由于人工神经网络本身的非线性特性，用它来进行系统辨识，具有传统方法所没有的优点．本文以火力发电生产过程为背景，给出了几种神经网络模型在工业生产过程辨识中的实例应用，并比较了各种模型的辨识效果．
　　发电厂每天都必须严格地按规定的计划发电，这样才能够保证电力系统的正常运行．通常，电厂集控室每天会收到电力系统调度站所规定的一条发电量预发负荷曲线，电厂必须按照该曲线完成发电任务．在实际发电生产过程中，由于电网的情况千变万化，调度站还会临时要求电厂改变发电任务．现场操作员通过调整锅炉、汽机、发电机等一系列设备的设定值来升降负荷，使电厂发电功率的实发曲线尽量地拟合于发电功率的预发曲线．这种调整设定 值的操作完全是一种经验操作，比较粗糙，往往不能满足实际生产所规定的曲线拟合要求． 
　　当采用汽轮机跟随的负荷控制方式下，在负荷升降操作中，最主要的调整量是锅炉入煤量．当负荷较平稳时，实时发电功率还比较容易调控．当负荷升降幅度较大时，入煤量与发电功率的关系并不是线性地一一对应的．这时如果仍然仅按照简单的线性比例关系来调整入煤量，往往会使发电功率曲线出现超调，或者不能及时跟上指定的发电功率预发曲线．当电厂实际发电功率与调度站指定的发电功率偏差超过规定限度时，电厂将会受到一定的处罚． 
为了更好的完成发电要求，我们运用计算机技术实时地提出了一个在变动工况下，精确控制机组负荷变动的实时操作方案，作为操作指导供现场操作员参考，使现场机组实际发电功率尽可能好的满足省调度中心的要求．辨识出电厂发电过程的数学模型，是给出机组负荷变动操作方案的基础工作．下面我们主要研究怎样利用神经网络技术来完成实际发电生产过 程辨识的任务．
2　神经网络辨识模型的基本结构
　　火电厂的生产过程及其控制系统的简单框图如下所示：

图1 电厂生产过程及其控制
　　与发电功率关系最为密切的是锅炉入煤量．为辨识它们之间的关系，我们采用人工神经网络，通过有导师的方法来训练该人工神经网络辨识模型,使该模型能较好地反应实际发电生产过程．发电生产过程是一个实时动态系统，在训练神经网络时，不但要利用当前的数据，而且还要利用过去的数据．一个神经网络要具有动态特性，通常有两种方法：一种是在网络结构中引入时延单元，另一种是在神经元素的触突上加上时变函数或者在神经元函数中 引入时间变量．前者有如Narendra等提出的对动态系统辨识的并联结构或串-并联结构[1]，Williams和Zipser提出的实时循环网（real-time recurrent network）[2]．后者有如 Hopfield网及 Wan提出的 FIR multilayer perceptron模型[2]．
　　本文采用在人工神经网络结构中引入时延系统的方法，使神经网络辨识模型具有所需要的动态特性．利用该人工神经网络辨识模型对发电生产过程进行辨识时，其系统结构如图 2．图2中，u表示锅炉入煤量，yp表示实发电功率，ym代表网络A输出的估计发电功率，e代表yp与ym之间的误差．用公式来表示估计发电功率ym：
ym(n)=f(yp(n-1),yp(n-2),…,yp(n-p), u(n-1),u(n-2),…,u(n-q))　　　　　　(1) 
　　在实际应用中，为了提高人工神经网络的辨识精度及辨识效率，我们引入模块化神经 网络的思想，建立了一个组合式的神经网络．在本文中，人工神经网络主要是用来解决动态 非线性函数的拟合问题，所要完成的任务是正确实现输入向输出的映射．模块化的思想的实 质就是将拟合对象输出的变动幅度较大的发电功率实时曲线分为两个或几个部分，从而大大 降低该曲线变化的幅度，这等同于将一个复杂的问题分解为两个或几个较简单的问题分别处 理，从而可以大大提高人工神经网络的辨识精度及辨识效率．
　　为进一步提高辨识精度，我们 对于图2中的串并联辨识模型作一些改善，引入误差反馈 ，可得到如下图所示的系统结构：

图2 具有串并联结构的神经网络辨识模型

此时辨识网络输出的估计发电功率为：
ym(n)=f(yp(n-1),yp(n-2),…yp(n-p),　　　　　　　　　　　　　 
u(n-1),u(n-2),…u(n-q)，e(n-1))　　　　　　　　　　　　(2)
　　图3辨识模型的最主要优点在于引入反馈时，用辨识对象的实际输出代替了神经网络模型的预测输出值，辨识对象的BIBO稳定性决定了辨识系统的BIBO稳定性，而且避免了在模型中存在反馈回路，便于用标准BP算法训练．在图3模型中存在一个反馈回路，已不是严格意义上Narendra所提出的串并联模型．由于e=ym-yp，辨识系统无法确保BIBO稳定性．但是当ym和yp非常接近的情况下，可以用图3中的网络模型替代图2中的网络模型A，辨识系统一般能够保证BIBO稳定性．此时，误差反馈的存在可以降低噪声的干扰．

图3 引入误差反馈的神经网络辨识模型
3　仿真研究
3．1 神经网络模型辨识中的模块化思想
　　在火电厂实际生产过程中，发电机负荷需要间断地进行升降．即在一定负荷下运行一段时间，然后调整到另外一个负荷水平．在高、低不同的负荷工况下，整个机炉电系统的运行特性是不同的．所以，在不同负荷工况下，辨识用神经网络的特性亦应有所不同．从这一点考虑，我们建立了一个组合式神经网络，它主要由两部分组成：网络（高）、网络（低）． 而网络（高）、网络（低）都是基于图2中描述的串并联模型的神经网络．通过现场调查， 我们将式(1)中的p确定为2，q确定为3，延迟单位时间取为一分钟．以230MW为界，将导 师数据集（共800组）分成高负荷数据段（共410组）和低负荷数据段（共390组），用那些 高负荷数据段来训练网络（高）， 用那些低负荷数据段来训练网络（低）（参见图4）．在辨识过程中，当实发电功率高于230MW或低于230MW时，组合式神经网络的输出分别采 用网络（高）和网络（低）的辨识结果．

图4 导师数据的划分

　　用标准BP算法将网络（高）、网络（低）训练完毕后，可以将采用组合式的人工神经网络的辨识效果与直接采用全部导师数据训练的一个神经网络的辨识效果进行比较．为统 一起见，网络结构都采用5×3×3×1．从时间的角度来看，将导师数据分组训练网络（高）、网络（低）和用全部导师数据训练一个神经网络所需的时间是一样的．从网络的复杂性来 看，组合式神经网络有两个5×3×3×1的子网络，共计68个权重及偏置值，为验证组合式神 经网络的辨识效率，我们再用一个有着类似调整量的网络来辨识：一个5×6×4×1的网络， 该网络有69个权重及偏置值，而且训练时间显然超过由两个5×3×3×1子网组成的组合式网络．
　　图5显示了组合式神经网络的辨识效果，它明显地优于用全部导师数据训练的单个5×3 ×3×1结构的神经网络的辨识效果，也优于用全部导师数据训练的单个5×6×4×1结构的神经网络的辨识效果．由此可以看出，在解决发电生产过程辨识时，本文提出的组合式神经网络与常规神经网络相比，具有较高的辨识精度和辨识效率．

图5 几种网络模型的辨识效果比较

3．2 引入误差反馈后辨识效果
　　通过现场调研之后，我们将式(2)中的p确定为2，q确定为3，延迟单位时间取为一分钟 ．图6是一个基于图3所示的引入误差反馈的6×3×3×1的神经网络辨识模型：

图6 引入误差反馈的6×3×3×1神经网络模型

　　如果直接用标准BP算法来训练该人工神经网络辨识模型，则发现BP算法不能收 敛，该网络的误差稳定在较高水平．对于引入误差反馈的6×3×3×1神经网络辨识模型，其 误差变化如图7所示：

图7 引入误差反馈后的误差变化

　　我们暂不引入误差反馈，除去图6中的输入e(n-1)和权重连接we(1)、we(2)、we(3), 就得到一个5×3×3×1的神经网络模型，显然这是一个BIBO稳定的串并联模型．先 训练该5×3×3×1的神经网络，直到e(n-1)较小时，再将误差反馈引入．注意，权重we(1 )、we(2)、we(3)的初始值要设置得较小，以避免突然引入误差反馈后导致系统的不稳 定，然后继续训练，于是辨识模型表现出较好的稳定性，辨识结果也较为满意．
　　我们把引入误差反馈与上一小节所讨论的组合式神经网络结合起来，即在引入误差反馈 的情况下，用高负荷数据段和低负荷数据段分别训练．由于组合式神经网络的两个子网络只 是分别拟合一条曲线的不同部分，并没有本质的差别，它们的误差反馈的输入权值应与单个 神经网络的误差反馈的输入权值相近．在训练中，可以取单个神经网络训练结束后的一组w e(1)、we(2)、we(3) 权值作为两个子网络引入误差反馈时的we(1)、we(2)、w e(3)初始值．BP算法都表现出较好的收敛性，而且收敛的速度大大快于单凭经验设定w e(1)、we(2)、we(3)初始值的情况．
各种方法的辨识效果如图8所示：

图8 引入误差反馈后ANN的辨识效果
4　结论
　　本文给出了用于辨识工业生产过程的人工神经网络的设计及其仿真结果．火电厂的机炉电这一工业系统包括许多不同的控制回路，具有高度的非线性，用传统的建模方法来辨识该工业系统十分困难，采用不同结构的人工神经网络可以比较简单地解决该非线性动态系统的辨识问题．
作者简介：康　雷，男，1974年生，博士生．研究领域为人工神经网络在辨识和控制领域中的应用．
　　　　　徐南荣，男，1929年生，博士生导师．研究领域为自动控制，系统工程．
作者单位：东南大学系统工程研究所 南京 210096
参考文献
1　Kumpati S. Narendra, Kannan Parthasarathy. Identification and Cont rol of Dynamically Systems using Neural Networks. IEEE Trans. on Neural Networks . 1990, 1(1):1～27
2　Simon Haykin. Neural Networks. Macmillan College Publishing Company. 1994
3　Thierry Catfolis. Generating Adaptive Models of Dynamic Systems with Recurren t Neural Network. The 1994 IEEE International Conference on Neural Network. 1994 , 5: 3239～3243
4　Feedback-error Learning Scheme Using Recurrent Neural Networks for Nonlinear Dynamic Systems. 1994 IEEE International Conference on Neural Network. 1994, 1: 175～180
5　K Warwick, G W Irwin, K J Hunt. Neural Networks for Control and Systems. Peter Peregrines Ltd. 1992
收稿日期：1998-07-08
