مدل‌سازي و كنترل سطح درام نيروگاه زواره اصفهان با شبكه عصبي ناركس و كنترل كننده فازي

Modeling and controlling the drum level of the Zavareh power plant in Isfahan with the neural network NARX and fuzzy control

در اين مقاله مدلسازي و طراحي كنترلر براي فرآيند كنترل سطح درام بويلر نيروگاه سيكل تركيبي زواره اصفهان انجام شده است. در اين نيروگاه براي كنترل سطح درام از يك پمپ دور ثابت سري شده با يك والو استفاده شده است. استفاده از اين والو باعث كنترل پذيري بهتر سيستم مي‌شود. براي مدلسازي فرآيند به دليل پويا بودن سيستم از شبكه عصبي مصنوعي ناركس (NARX) و آموزش آن به كمك داده‌هاي واقعي اندازه‌گيري شده در نيروگاه در بارهاي مختلف (حداكثربار، متوسط بار و حداقل بار) استفاده شده است. دبي آب ورودي و حرارت ورودي به رايزر بويلر به عنوان ورودي‌هاي فرآيند و سطح درام و بخار خروجي از آن خروجي‌هاي اندازه‌گيري شده هستند. بهترين مدل يك شبكه عصبي ناركس شامل دو نرون در لايه ورودي ،يك لايه پنهان با 6 نرون و يك لايه خروجي با دو نرون با روش آموزش لونبرگ- ماركارد و تابع تحريك لايه پنهان سيگويدي و تابع تحريك لايه خروجي خطي بدست آمده است كه داراي ضريب رگولاسيون 0.988 و ميانگين مربعات خطا 6.8946×10-04 و مقدار تاخير ورودي 7 و تاخير خروجي 5 مي‌باشد. براي كنترل كننده فازي از روش ممداني استفاده شده كه ميزان خطا و مشتق خطا را دريافت كرده و در خروجي كنترل كننده براي كنترل ولو سطح آب و حرارت درام استفاده شده است.

In this paper, the modeling and design of a controller for the process of controlling the drum level control of the combined cycle power plant of Isfahan Zavareh is carried out. In this power plant, a fixed-circuit pump with a valve was used to control the drum surface. Using this wool makes the system more manageable. For process modeling, due to the dynamism of the system from the artificial neural network (NARX) and its training, using real data measured at the power plant in different loads (maximum, average load and minimum load) is used. The input water flow and the input heat into the boiler raiser are the inputs of the process and the drain and vapor level of the outputs measured. The best model of a Narlex neural network consists of two neurons in the input layer, a hidden layer with 6 neurons, and an output layer with two neurons with the Lewenberg-Marcard training method and the excitation of the cryogenic hidden layer and the linear excitation layer stimulation function, which has a coefficient The regulation is 0.988 and the mean square error is 6.8946 × 10-04 and the input delay is 7 and the output delay is 5. For the fuzzy controller, the Mamdani method has been used to obtain the error rate and error derivative and is used in controller output to control the water level and drain temperature.