شناسايي حلقه بسته سيستم احتراق با استفاده از سيستم استنباط فازي- عصبي تطبيقي بازگشتي و شبكه با ورودي‌هاي برون‌زا

Close Loop Identification for Combustion System by Recurrent Adaptive Neuro-Fuzzy Inference System and Network with Exogenous Inputs

بويلر- توربين يك سيستم چندمتغيره و پيچيده در نيروگاه‌هاي بخار است و از سه حلقه كنترل اصلي و مجزاي احتراق، دما و سطح آب درام تشكيل شده است. انتخاب حلقه‌هاي كنترلي به عنوان يك حلقه واحد به منظور كنترل و شناسايي بويلر به صورت يكپارچه، به علت حضور مشخصه‌هاي ديناميكي غير خطي متغير با زمان بسيار سخت و پيچيده خواهد بود. بنابراين براي تحقق يك مدل واقعي و دقيق براي طراحي كنترل‌كننده مناسب، هر حلقه كنترلي بايد جداگانه شناسايي شود. همچنين عملكرد مؤثر و كارامد مدل شناسايي‌شده در زمان تغييرات بار نيز حايز اهميت است. در اين مقاله شناسايي حلقه‌ بسته سيستم احتراق ارائه شده است. با توجه به حساسيت، پيچيدگي، غير خطي و حلقه بسته بودن سيستم، شناسايي سيستم با استفاده از روش‌هاي هوشمند مانند سيستم استنباط فازي- عصبي تطبيقي (ANFIS) بازگشتي و شبكه با ورودي‌هاي برون‌زا (NARX) سري- موازي انجام مي‌گيرد. در انتها مقايسه نتايج دو روش با يكديگر و همچنين مقايسه با داده‌هاي واقعي نمونه‌برداري شده از بويلر واحد 320 مگاوات نيروگاه بخار اصفهان- ايران ارائه شده و دقت روش‌ها نشان داده مي‌شود.

Boiler-turbine is a multi-variable and complicated system in steam power plants including combustion, temperature and drum water level. Selecting control loops as a unique loop in order to identify and control the boiler as a whole unit is a difficult and complicated task, because of nonlinear time variant dynamic characteristics of the boiler. It is necessary to identify each control group in order to accomplish a realistic and effective model, appropriate for designing an efficient controller. Both the effective and efficient performance of the identified model during the load change is of major importance. Here, not all parts of the system should be considered as a unit part, if determining and effective and realistic model is sought. The combustion loop of the 320 MW steam power plant of Islam Abad, Isfahan is the subject. Due to the sensitivity and complexity of the system, with respect to its nonlinear and closed loop characteristics, the identification of the system is conducted through intelligent procedures like recurrent adaptive neuro-fuzzy inference system (RANFIS) and nonlinear autoregressive model with exogenous input (NARX). The comparisons of the findings with actual data collected from the plant are presented and the accuracy of the procedures is determined.