（控制理论与控制工程专业论文）预测控制在电厂中的应用研究.pdf

华北电力大学硕士学位论文摘要 摘要 本文主要研究了基于辨识模型的预测控制器，针对电厂热工过程采用常规模型 辨识方法难以建立精确的数学模型，使预测控制难以在工业现场中应用的问题，首先设 计了基于神经网络辨识模型的预测控制器，利用神经网络的非线性映射能力，建立 对象的辨识模型，并且预测对象未来的输出，预测控制器则在这一模型基础上通过 极小化性能指标函数获得最优控审十律。将这一算法应用到单元机组协调控制系统 中，仿真结果表明了良好的控制品质和抗干扰能力。其次设计了基于 m o d e l o n d e m a n d ( m o d ) 辨识模型的预测控制器，m o d 模型辨识方法在各个采样时 刻建立局部线性化模型，并且通过寻找最合适的邻域数据数量以及权值来得到最优 的局部模型。这一方法不易陷入局部极小点的缺陷并提高了模型辨识精度，预测控 制器在m o d 模型的基础上进行控制律寻优获得最优控制律。将这一算法应用到过 热汽温控制系统和协调控制系统中，仿真实验表明具有良好的控制效果鲁捧性。 关键词：神经网络，预测控制，m o d e l o n d e m a n d ，过热汽温，协调控制 a b s t r a c t i nt h i sp a p e r ，ap r e d i c t i v ec o n t r o l l e rb a s e do ni d e n t i f i c a t i o nm o d e lh a sb e e ns t u d i e d s i n c ea c c u r a t em a t hm o d e li sh a r dt ob eb u i l tf o rp o w e rp l a n tp r o c e s s ，p r e d i c t i v ec o n t r o l i sd i f f i c u l tt o a p p l yt ot h ei n d u s t r y i no r d e rt os o l v et h i sp r o b l e m ，f i r s t l y ap r e d i c t i v e c o n t r o l l e rb a s e do nn e u r a ln e t w o r km o d e li sd e s i g n e d u s i n gt h en o n l i n e a rm a p p i n g f a c u l t yo fn e u r a ln e t w o r k ，m o d e lo ft h ec o n t r o l l e dp l a n ti sb u i l ta n dp r e d i c t i v ec o n t r o l l e r b a s e do nt h em o d e lg e t so p t i m a lc o n t r o lr u l e sb yw a yo f m i n i m i z i n ga s s e s s m e n tf u n c t i o n s i m u l a t i o nf o rc o o r d i n a t e dc o n t r o ls y s t e ms h o w sag o o dc o n t r o lp e r f o r m a n c ea n d d i s t u r b a n c ea t t e n u a t i o n s e c o n d l yap r e d i c t i v ec o n t r o l l e rb a s e do nm o d e l o n - d e m a n d ( m o d ) m o d e li sd e s i g n e d m o db u i l d sl o c a ll i n e a rm o d e la te v e r ys a m p l i n gt i m ea n dg e t o p t i m a lm o d e lt h r o u g hl o o k i n gf o rm o s ts u i t a b l en u m b e ro fn e i g h b o r h o o dd a t aa n d w e i g h t t h i sm e t h o di sh a r dt ob et r a p p e di nl o c a lm i n i m u mp o i n ta n di m p r o v e st h e a c c u r a t eo fm o d e l i n g t h e np r e d i c t i v ec o n t r o l l e rb a s e do nt h i sm o d e lg e t so p t i m a l c o n t r o lr e g u l a t i o n s i m u l a t i o no ns u p e r h e a t e dt e m p e r a t u r ea n dc o o r d i n a t e dc o n t r o l s y s t e ms h o w sag o o dp e r f o r m a n c ea n dr o b u s t d o n gf e i ( c o n t r o lt h e o r ya n de n g i n e e r i n g ) d i r e c t e db yp r o f z h a n gj i a n - h u a k e y w o r d s ：n e u r a ln e t w o r k ，p r e d i c t i v ec o n t r o l ，m o d e l - o n - d e m a n d ， s u p e r h e a t e dt e m p e r a t u r e 。c o o r d i n a t i o nc o n t r o l 华北电力大学硕士学位论文摘要 摘要 本文主要研究了基于辨识模型的预测控制器，针对电厂热工过程采用常规模型 辨识方法难以建立精确的数学模型，使预测控制难以在工业现场中应用的问题，首先设 计了基于神经网络辨识模型的预测控制器，利用神经网络的非线性映射能力，建立 对象的辨识模型，并且预测对象未来的输出，预测控制器则在这一模型基础上通过 极小化性能指标函数获得最优控审十律。将这一算法应用到单元机组协调控制系统 中，仿真结果表明了良好的控制品质和抗干扰能力。其次设计了基于 m o d e l o n d e m a n d ( m o d ) 辨识模型的预测控制器，m o d 模型辨识方法在各个采样时 刻建立局部线性化模型，并且通过寻找最合适的邻域数据数量以及权值来得到最优 的局部模型。这一方法不易陷入局部极小点的缺陷并提高了模型辨识精度，预测控 制器在m o d 模型的基础上进行控制律寻优获得最优控制律。将这一算法应用到过 热汽温控制系统和协调控制系统中，仿真实验表明具有良好的控制效果鲁捧性。 关键词；神经网络，预测控制，m o d e l 0 n d e m a n d ，过热汽温，协调控制 a b s t r a c t i nt h i sp a p e r ，ap r e d i c t i v ec o n t r o l l e rb a s e do ni d e n t i f i c a t i o nm o d e lh a sb e e ns t u d i e d s i n c ea c c u r a t em a t hm o d e li sh a r dt ob eb u i l tf o rp o w e rp l a n tp r o c e s s ，p r e d i c t i v ec o n t r o l i sd i f f i c u l tt oa p p l yt ot h ei n d u s t r y i no r d e rt os o l v et h i sp r o b l e m ，f i r s t l yap r e d i c t i v e c o n t r o l l e rb a s e do nn e u r a ln e t w o r km o d e li sd e s i g n e d u s i n gt h en o n l i n e a rm a p p i n g f a c u l t yo fn e u r a ln e t w o r k ，m o d e lo ft h ec o n t r o l l e dp l a n ti sb u i l ta n dp r e d i c t i v ec o n t r o l l e r b a s e do nt h em o d e lg e t so p t i m a lc o n t r o lr u l e sb yw a yo f m i n i m i z i n ga s s e s s m e n tf u n c t i o n s i m u l a t i o nf o rc o o r d i n a t e dc o n t r o ls y s t e ms h o w sag o o dc o n t r o lp e r f o r m a n c ea n d d i s t u r b a n c ea t t e n u a t i o n s e c o n d l yap r e d i c t i v ec o n t r o l l e rb a s e do nm o d e l o n - d e m a n d ( m o d ) m o d e li sd e s i g n e d m o db u i l d sl o c a ll i n e a rm o d e la te v e r ys a m p l i n gt i m ea n dg e t o p t i m a lm o d e lt h r o u g hl o o k i n gf o rm o s ts u i t a b l en u m b e ro fn e i g h b o r h o o dd a t aa n d w e i g h t t h i sm e t h o di sh a r dt ob et r a p p e di nl o c a lm i n i m u mp o i n ta n di m p r o v e st h e a c c u r a t eo fm o d e l i n g t h e np r e d i c t i v ec o n t r o l l e rb a s e do nt h i sm o d e lg e t so p t i m a l c o n t r o lr e g u l a t i o n s i m u l a t i o no ns u p e r h e a t e dt e m p e r a t u r ea n dc o o r d i n a t e dc o n t r o l s y s t e ms h o w sag o o dp e r f o r m a n c ea n dr o b u s t d o n gf e i ( c o n t r o lt h e o r ya n de n g i n e e r i n g ) d i r e c t e db yp r o f z h a n gj i a n h u a k e y w o r d s ：n e u r a ln e t w o r k ，p r e d i c t i v ec o n t r o l ，m o d e l - o n - d e m a n d ， s u p e r h e a t e dt e m p e r a t u r e 。c o o r d i n a t i o nc o n t r o l 声明 ￥8 6 * 7 3 8 本人郑重声明：此处所提交的硕士学位论文，是本人在华北电 力大学攻读硕士学位期间，在导师指导下进行的研究工作和取得的研究成果。据本人所 知，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研 究成果，也不包含为获得华北电力大学或其他教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所傲的任何贡献均已在论文中作了明确的说明并表示了 谢意。 学位论文作者签名：血 日期： 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有权保管、 并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩印或其它复制手 ， 。 段复制并保存学位论文；学校可允许学位论文被查阅或借阅；学校可以学术交流为 目的，复制赠送和交换学位论文；同意学校可以用不同方式在不同媒体上发表、传播学 位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名：崔鎏 日 期：丝：i 8 导师签名： 华北电力大学硕士学位论文 1 1 选题背景及意义 第一章绪论 随着机组容量的增大、参数的增多，对于机组安全经济运行的要求不断提高， 电站的自动化水平也不断提高，从传统的机、炉、电分别人工监控发展到今天的单 元机组集控，控制系统的功能也已从单台辅机和局部热力系统发展到整个单元机组 的检测与控制。d c s 已广泛用于大机组的控制。采用p i d 控制规律的反馈控制回路 仍然是现代电站中主要的控制系统。其理论基础是经典控制理论，主要采用频域分 析方法进行控制回路的分析设计和整定。即使是在采用d c s 控制的最现代化的电站 中，这类回路仍占绝大部分。由于单回路p i d 控制并不能适用于所有的过程，所以 逐步发展了串级、比值、前馈、均匀和s m i t h 预估控制等复杂的控制系统。在很大 程度上满足了单变量控制系统的一些特殊的控制要求。 但是在电厂的生产过程中，仍有相当一部分的控制问题是上述控制策略无法奏效或 效果不佳的。首先，由最优控制理论可知，当被控对象模型及扰动模型已知时，由此得 到最优状态调节器可等效为一个具有一组特定参数的p 1 d 控制器。然而在实际应用中， 被控对象模型和扰动模型往往是不精确、时变的，甚至是不可知的。于是，对于具有一 组固定参数的p i d 控制器来说，当被控对象模型与实际对象之间出现偏差时，根据模型 确定的p i d 控制器参数通常不再是最优的了。并且当被控对象模型为不可知或时变时， 要确定最优的p i d 控制器参数将十分困难。其次，p i d 控制器的设计可只借助于系统输 出等反馈信息进行控制，从而大大降低了控制系统对对象模型的依赖性。但是，这种单 纯依靠反馈信息的控制方式对于具有迟延特性的被控对象来说，由于反馈量往往不能及 时地反映对象模型和扰动的变化，使得p i d 控制器输出总是不能跟上对象模型和扰动的 变化。所以，常规的p i d 控制器对于这类对象的控制效果很不理想。总之，当涉及到的 被控过程具有强耦合性、不确定性、时变性、非线性、信息不完全性和纯滞后等特征时， 常规p i d 控制常常失效。随着发电机组向着大容量、高参数方向发展，对控制系统的品 质提出了越来越高的要求，同时由于社会的发展，对环境保护也提出了越来越高的要求， 而传统发电方式在这方面存在先天的不足，于是各种新的发电方式应运而生，这些新型 发电方式的生产过程存在更多的时变、非线性、强耦合环节，这些都迫切要求有一种更 为适合的先进控制技术。 与此同时，基于状态空间的现代控制理论由于立足予最优性能指标且很多算法 较为复杂。在实验室仿真时控制效果大大优于传统p i d 控制，但由于是以精确的数 学模型为基础而很难有效的应用于工业过程。随着现代计算机技术的飞速发展，一 类考虑到工业实际的需要又充分发挥现代控制理论的优点，对模型要求低、在线计 华北电力大学硕士学位论文 算简单方便、实时性好且控制效果佳的新型控制策略一预测控制发展起来了。预测 控制技术最初由r i e h a l e t 和c u t l e r 提出，最大限度地结合了工业实际的要求，综合 效果好，因而引起了工业控制界和理论学术界的广泛兴趣和关注。一般将现有的各 种预测控制算法分为两大类： 第一类为基于非参数化模型的模型预测控制( m p c ) ，主要代表是建立在脉冲响应 模型基础上的模型预测启发控带i j ( m p h c ) 、或模型算法控带j j ( m a c ) 、建立在阶跃响应 模型基础上的动态矩阵控锘s j ( d m c ) 。这类预测控制方法的特点是：脉冲响应和阶跃 响应在工业现场易于获得，不再需要复杂的系统辨识建模；采用反馈校正基础上的 在线滚动优化取代传统最优控制；因而可以克服各种不确定性的影响，增强控制的 鲁棒性，而且在线计算简单。因此这类算法很适合于实际工业过程的控制需要，很 快引起了广泛兴趣并取得大量成功应用。 第二类是基于参数化模型的预测控制，主要有广义预测控审t j ( g p c ) 和广义预测极 点配置控s t ( g p p ) 。这类算法保持了m p c 算法的基本特征，但采用的模型是受控自 回归积分滑动平均模型( c a r i m a ) 或受控自回归滑动平均模型( c a r m a ) ，这一类算 法是人们在最小方差基础上，汲取预测控制中的多步预测优化策略，而出现了基于 辨识受控参数模型且带有自适应控制或为增加系统稳定性而配置极点的预测控制 算法。由于将自适应机制与预测控制相结合，因而可及时修正参数变化产生的预测 模型的预测误差，从而改善系统的动态性能。因而在工业过程中也获得了大量成功 应用。 然而，预测控制仍是一类基于模型的算法，而复杂时变的非线性系统难以用常 规的方法来建立模型，致使常规的预测控制算法难以实现，其次，预测控制算法中 不可避免的存在大量大矩阵的相乘、求逆等运算，计算周期过长，不适合于那些动 态过程比较快的对象实时控制要求。再次，预测控制采用以大范围输出预测为基础 的在线滚动优化控制策略，使得预测控制闭环输入输出方程非常复杂，其主要设计 参数都是以蕴含的方式出现在闭环传递函数中，而难以用解析表达式表示出各参数 变化对闭环系统动静态特性、稳定性和鲁棒性的影响，难以给出参数变化的选择准 则，这表明现有的理论研究仍落后于实际工业应用。因此突破现状解决预测控制中 存在的问题，对促进这一富有生命力的控制算法在工业乃至电厂中的应用有重要的 意义。 1 2 国内外研究动态 七十年代中期出现的预测控制算法，经历了近三十年的发展后，不仅在实际应 用中取得了良好效果，而且在理论上也取得了突飞猛进的进展，主要原因在于其对 模型的宽容性、有限性时域的有效性以及在设计中考虑各种软、硬约束的可能性。 2 华北电力大学硕士学位论文 近年来，预测控制已经发展到针对有扰动、有摄动和有约束的模型预测控制，研究 其稳定性、鲁棒性、可行性等。非线性预测控制( n l m p c ) 和约束预测控制( c m p c ) 已 成为预测控制研究的热点。从大量文献可以看到，预测控制近几年来发展非常迅猛， 所取得的成果包括实用算法和理论研究( 稳定性、鲁棒性等) 。 1 2 1 模型预测控制算法 1 2 1 1 自适应预测控制 八十年代由c l a r k e 提出的广义预测控制( g p c ) ，把自适应控制与预测控制有机 地结合起来，不仅提高了预测控制对于不确定性环境的适应能力，而且增强了自适 应控制的鲁棒性。自适应控制与预测控制的结合，具有良好的互补性，在预测控制 中引入自适应机制，则提高预测控制系统对于环境不确定性的适应能力，借鉴自适 应控制成熟的理论，通过预报时域的扩展及性能指标的加权，发展自适应预测控制 算法。当前自适应预测控制理论与应用主要是针对线性多变量的过程对象，由过程 物理量直接反应性能指标以及集中式的信息模式，要把它应用于带有非线性的全过 程目标控制无论在理论与实际上都还有不少问题有待解决。 1 2 1 2 极点配置预测控制 预测控制是一种基于目标函数的滚动优化控制，在控制器参数设计和闭环系统 响应特性之问难以找到定量关系，于是人们自然想到预测控制策略与极点配置技术 有机地结合在一起。最早地研究源自自适应极点配嚣控制，而把极点配置与预测控 制结合在一起的是文【9 1 ，而后，在这方面发表了大量论文吣”l ，主要方法是对过程 输入、输出和参考信号进行滤波来设定期望的闭环极点，尽管滤波器的极点就是闭 环极点，但还有一部分闭环极点取决于预测控制器的设计参数，因而只是部分地配 置闭环极点。文【1 4 】使用状态空间描述方法设计补偿阵实现极点配置，给出了适用于 快速过程的极点配置控制方法。尽管极点配景预测控制算法取得了一些进展，但距 离实际应用还存在一定差距，主要原因在于过程的未建模部分和时变性，在这方面 还缺乏进一步的理论研究，如稳定性、适应性、鲁棒性等。 1 2 1 3 连续时间预测控制 预测控制是以一种计算机控制算法提出来的，所以，绝大部分文献研究的是离 散时间系统的预测控制，但也有一些学者研究的是离散时间系统的预测控制问题。 文”5 1 最早提出连续时间广义预测控制( c g p c ) ，它采用的模型是拉氏变换传递函数模 型，c g p c 的推导思想类似于g p c ，并且有与g p c 相似的特性，但不能显式地处理 纯滞后。文 1 6 1 将积分作用引入c g p c 中，提出连续时间域内具有积分作用的广义预 3 华北电力大学硕士学位论文 测控制器( c i g p c ) 。文【1 7 】利用状态空间滚动时域l q 控制律的稳定结果，给出了 c g p c 的两种改进算法。 1 2 1 4 约束预测控制 预测控制的核心是在线滚动优化，在众多理论研究文献中，这一在线优化问题 都被简化成无约束的二次型性能指标优化，这与其实际应用的状况相去甚远。在工 业过程中，预测控制的成功应用大多是在多变量有约束的情况下，因此，商品化软 件包大多具有约束控制功能。文【18 l 基于多变量简化模型，使用二次规划方法，提出 了一种能处理输入、输出约束的广义预测控制算法，并应用到精馏塔控制。文【1 9 l 基于c a r i m a 模型，设计了输入输出约束算法，将标准二次规划问题转化为其线性 互补问题，再用旋转算法求解，从而大大减少了计算量。文例在m p c 的基础上， 分别考虑了对控制输入量幅值和变化速率的约束。文口1 1 基于无穷范数优化目标函 数，设计了能考虑输入约束的控制器。 1 2 1 5 多目标优化预测控制 在复杂工业过程控制中，控制目的是满足控制约束的前提下，使控制目标尽量 满足，而当控制目标受到系统的约束时，这时需要兼顾控制目标和系统约束，保持 系统的稳定和性能优化。另一方面，由于过程的复杂和规模的日益庞大，生产者已 不可能对生产全部过程参数提出控制要求，转而根据生产要求提出不同指标并尽可 能综合考虑这些目标的优化，从而构成了复杂工业过程中的有约束多目标多自由度 优化控制“。在每一时刻的优化中，把约束和目标看作广义的要求，用有限的自由 操作变量去满足这些要求，这本质上是一个多目标优化问题“。由于多目标优化问 题的求解困难，基于模糊理论的方法就恰好发挥了它的长处。文。”给出了一种模糊 多目标优化预测控制算法。文汹3 提出了基于满意优化思想来解决多目标预测控制问 题。 1 2 1 6 智能预测控制 现代工业生产的发展对过程控制提出了越来越高的要求，迫求全过程的优化已 是提高产品质量和降低成本的关键。这类问题已不能简单地用多变量系统的控制来 概括，而相继发生的多个生产过程的综合控制，由于问题本身的复杂性和目标的多 样性及不可测量，往往需要借助于智能控制的方法和手段来加以补充，主要形式有： 基于神经网络、模糊模型、遗传算法、专家控制等智能技术的预测控制算法，这些 算法可以处理非线性、多目标、约束条件等生产边界条件在幅度变化的异常情况， 智能预测控制是当前研究的热点，其思想主要是用智能方法来处理过程的描述问 题，特别是非线性过程取得了一定的成果，但这些算法的理论分析较困难。 4 华北电力大学硕士学位论文 1 2 2 非线性模型预测控制算法 预测控制的基本原理同样适用于非线性对象，但考虑具体算法时，它的在线滚动优 化却成为突出困。预测控制通常被称为基于模型的预测控制或模型预测控制，这提出了 其基于模型进行预测的特征，但是随着模型概念的拓广，所谓的模型已不能狭义地理解 为过程的数学模型。因此，模型预测并不要求限定模型的形式，关键只在于模型的预测 功能。非线性模型预测控制在工业控制中具有广阔的应用前景，并引起了人们的普遍关 注。下面对非线性预测控制算法进行归类评述。 1 2 ，2 1 基于机理模型的非线性模型预测控制 机理模型即根据被控对象的物理特性所建立的微分方程模型。建立机理模型需 对被控对象有透彻的了解，但若系统工艺复杂，关联因素多，则机理模型的建立往 往难度较大。对于非线性模型预测控制理论的研究主要是基于机理模型，其算法原 理也同样是遵循预测控制原理，只是模型的描述没有普遍性。 1 。2 2 2 基于实验模型的非线性模型预测控制 实验模型通常指结构确定而参数需经实验辨识的模型，描述的是系统输入和输 出之间的关系。如v o l t e r r a 模型、h i m m e r s t e i n 模型和w i e n e r 模型。v o l t e r r a 模型即 非线性脉冲响应模型，描述系统动态的精度取决于所取v o l t e r r a 序列的阶次，但高 阶次的v o l t e r r a 序列需要大量的实验来获取v o l t e r r a 系数，文【2 6 2 8 】研究了基于v o l t e r r a 模型的各种预测控制算法。而h i m m e r s t e i n 模型描述的是一类可分为静态非线性和 动态线性的系统，这类模型结构简单，可用于描述p h 过程和具有幂函数、死区、 开关等非线性的过程。选择合适的性能指标，采用h i m m e r s t e i n 模型预测，可将控 制问题分解为线性模型的动态优化问题和非线性模型的静态求根问题。文 2 9 - 3 0 】研究 了基于h i m m e r s t e i n 模型的各种预测控制算法。 1 2 2 3 基于智能模型的非线性模型预测控制 智能模型如模糊模型、神经网络模型，描述的也是系统的输入输出之间关系， 可以逼近许多非线性系统，因而产生了基于模糊模型的非线性预测控制方法，基于 神经网络的非线性预测控制方法。以及基于启发式遗传算法的非线性预测控制器。 模糊模型和神经网络模型，对于描述非线性过程具有良好的效果，符合预测控制对 模型功能的要求，但也有它的不足之处，主要表现在对多步预测缺乏有效的方法， 进行网络训练与实时修正耗时较多，不利于实现。同对，对于理论分析较为困难。 5 华北电力大学硕士学位论文 1 2 2 4 基于线性化模型的非线性模型预测控制 将非线性模型线性化，再依据线性模型预测控制原理来解决非线性系统预测控 制问题，文【35 】提出一种非线性q d m c 方法，其原理是将非线性模型在每个采样时 刻线性化，用线性化模型构成q d m c 。文【3 6 】利用内模原理将非线性系统处理为等效 的线性系统实现预测控制，并将其用于开环不稳定反应器。 基于线性化模型的非线性预测控制算法计算简单、实时性好，但也有不足之处， 在非线性q d m c 中，尽管每个采样时刻都采用新的线性化模型，但系统动态信息的 丢失是难免的；由于在线更换模型，很难保证每个采样时刻优化问题的可行性。在 线优化过程中，操作区域的划分与多少，以及切换点的选择将直接影响算法的实时 性及控制性能。 1 3 预测控制方法的工业应用 预测控制理论从工业实践而来，随着其理论研究的不断深入，预测控制在工业 过程的应用越来越广泛，应用范围遍及石油、化工、炼油、冶金、造纸、航空、机 械制造、食品加工、液压传动、航海、军事等几乎所有行业，控制技术和手段也不 断提高。据q i n 和b a d g w e l l 截止1 9 9 5 年的一次中等范围统计显示，在工业领域中 应用预测控制技术的工业装置达到2 2 3 3 套1 37 1 。而且近几年的应用呈不断加速增长 的趋势，预测控制已成为在工业领域中应用的主要先进控制策略，给企业带来了巨 大的效益。 标志着预测控制应用广泛、成熟和占主导地位的另一个标志是自预测控制提出 和得到成功应用以来，许多大公司不断推出和更新各种预测控制工程软件产品，为 预测控制的应用起到了促进和桥梁的作用。目前的软件产品已进入了第三代。第一 代产品主要以a d e r s a 公司的i d c o m 和s h e l l o i l 公司的d m c 为代表，主要特 点是预测控制算法用于无约束的对象；第二代产品以s h e l l o i l 公司的q d m c 为 代表，可以处理带约束的多变量系统；第三代产品主要有s e t p o i n t 公司的 i d c o m - m 、a d e r s a 公司的e c o n 及p f c 、h o n e y w e l lp r o f i m a t i c s 公司 的p m p c t ，其相应算法一般可适用于多目标优化、带约束、容错和消病态方程等的 多变量系统。相信这些软件产品随着预测控制理论的发展会不断更新换代，得到快 速的完善和发展。 1 4 预测控制在电厂中的研究及应用现状 由于热工过程对象的特点和p i d 控制自身的不足，使得采用p i d 控制的热工系 6 华北电力大学硕士学位论文 统难以得到良好的控制品质，为了克服遇到的困难，近年来，预测控制在热工过程 中的应用研究逐渐增多，其中以仿真研究居多。文l 弼】将模糊控制和预测控制相结合， 提出了模糊预测控制方法，应用该方法对火电厂锅炉过热汽温控制进行了仿真研 究。文 3 9 1 采用b p 神经网络建立了神经网络自校正内模控制器，应用该方法建立的 过热汽温控制系统有较好的控制性能和一定的自适应能力。文【4 0 】给出了基于内模控 制设计多变量控制系统的过程。文【4 lj 提出了特征结构下基于极点配置的多变量预测 控制方法。 国外的同行如b h h o g g 等人应用广义预测理论实现了2 0 0 m w 汽包锅炉过热 蒸汽压力的自调整控制【4 2 】；后来他们又应用自调整多回路广义预测控制方案调节 2 0 0 m w 汽包锅炉的过热蒸汽压力和温度、再热蒸汽温度；美国斯通韦伯斯特工程 公司j a r o v n a k 等人应用动态矩阵控制器对超临界锅炉进行多变量控制，1 9 9 8 年， gp r a s a d 等人通过神经网络离线辨识对象的全局动态模型，并基于此模型设计大范 围非线性多变量预测控制器，用于控制负荷周期变化和其它恶劣运行条件下的主蒸 汽温度和压力、再热蒸汽温度。1 9 9 9 年有国外同行提出仿人智能的预测控制，通过 模仿人的控制思维方式来选择相应的控制强度，茹用于过热汽温控制系统【3 7 】。 以上的方法都只是停留在仿真试验阶段，真正用于电厂控制的只有日立公司开 发出的用于锅炉主汽温控制的新型预测控制系统，其采用k a l m a n 滤波器估计输入 输出状态值，再用预测模型预测主汽温度，然后根据预测温度和给定温度之差进行 比例积分作用。 可见预测控制在电厂中的应用还存在着一定困难，究其原因，主要是电厂被控 对象多存在非线性、强耦合等问题，存在着建模上的困难，而预测控制又是一种基 于模型的控制方法，因此，解决预测控制建模问题，必将使预测控制在电厂的应用 推上一个新的台阶。 1 5 方案介绍及分析 本论文就针对电厂中非线性系统建模困难的问题，重点研究了基于辨识模型的 预测控制算法。本论文所做的工作有以下几个方面： 利用神经网络的非线性映射能力和泛化能力，针对协调控制系统已经积累了 大量相关的输入输出数据，但对其内部蕴含的规律仍未掌握，无法用数学方法来描 述该规律的问题，对被控系统进行建模，本部分的神经网络采用b p 神经网络。主 要是考虑到b p 神经网络是目前应用最多的神经网络，其多向前馈结构具有非线性 映射、泛化和容错能力。因此，我们采用这种网络形式对被控对象建模。然后再利 用预测控制基于这一神经网络模型进行计算，最终得到一个比较好的控制输出来控 制被控对象并将这一算法应用于协调控制系统中。 7 华北电力大学硕士学位论文 介绍了m o d ( m o d e l o n d e m a n d ) 局部模型辨识算法，针对用线性系统描述高 度非线性的被控过程模型辨识效果差的缺点，采用m o d 这一模型辨识方法，将全 部已知观测数据都存储到数据库中，根据实际需要建立局部模型，从而提高了模型 辨识精度，为解决非线性系统建模问题绘出了新的思路。最后的仿真结果也表明了 这一算法在非线性系统辨识方面比线性建模方法具有优越性。 研究了基于m o d 的预测控制算法，并将这一控制算法应用于过热汽温控制 系统这一大惯性单变量控制系统中，尝试改变以往串级控制主副两级控制器的做 法，采用一个控制器进行控制。其次针对电厂单元机组协调控制系统常规p i d 控制 效果差的现状，尝试将基于m o d 模型的预测控制算法应用于国产3 0 0 m w 直流锅炉 协调控制系统中。仿真结果表明这一控制算法在上述两个系统中都取得了较好的控 制效果和抗扰动性。 全文共分五章，内容安排如下： 第一章概述了预测控制的发展历史及现状，并提出本文的研究内容。 第二章在简述神经网络基础知识的基础上介绍了基于神经网络辨识模型的预测 控制算法并将其应用于电厂单元机组协调控制系统。 第三章介绍了m o d 模型辨识基本算法并给出这一算法在线性系统模型辨识和非 线性系统模型辨识的仿真实例。 第四章介绍了基于m o d 模型辨识的预测控制基本算法并将其应用于电厂过热汽 温控制系统和单元机组协调控制系统。 第五章是结束语。 8 华北电力大学硕士学位论文 第二章基于b p 神经网络辨识的预测控制研究 由于电厂中的被控对象多具有非线性、时变性和不确定性，难于建立其精确的 数学模型。因此，应用现代控制理论设计的过程控制器控制效果往往还不如按经典 控制理论设计的p i d 调节器好。从7 0 年代中期起，人们开始打破传统控制思想的 束缚，试图厦向工业过程的特点，寻求各种对模型要求低、在线计算方便、控制综 合效果好的算法。预测控制算法就是在这一背景下发展起来的新型算法。这种算法 的本质特征是它的三个要素：预测模型、滚动优化和反馈校正，因而控制效果好， 适用于控制不易建立精确数学模型且比较复杂的工业生产过程。目前，线性系统的 预测控制问题已经得到很好的解决，但是非线性的预测控制问题解决起来要困难得 多，由于非线性结构未知，且不能充分箍述，则对其输出就很难做出精确的预报， 导致控制的失败，由于神经网络可做至0 精确描述非线性动态过程，因此，可用于预 测控制的非线性模型的建立中。 2 1 神经网络概述 生物具有感知功能。经人们长期的探索和研究，现在普遍认为这功能是由生 物神经网络来实现的。构成生物神经网络的基本单元是生物神经网络，人的大脑大 约由l o “l o ”个神经细胞组成，称这些神经细胞为神经元( n e u r o n ) 。它主要是由细 胞体( c e l l b o d y ) 、树突( d e n d r i t e s ) 、轴突( a x o ) 和突触等组成。经研究，人们认为： 细胞体是神经元的信息处理中心；树突是细胞体向外延伸的树枝状的纤维体，它是 神经元的输入通道，接受来自其它神经元的信息；轴突是细胞体向外延伸的最长最 粗的树枝状纤维体，即神经纤维，它是神经元的输出通道；一个神经元的轴突神经 末梢与另个神经元的接触处称为突触。它是神经元之间传递信息的输入输如接 口。 基于对大脑组织特征的认识及一些生理实验，可以归纳出大脑神经网络处理信 息具有以下特点： ( 1 ) 分布存储与冗余性：即一个事物的信息由很多神经元分散记忆，而每个神经 元又存储多个不同信息的部分内容。 ( 2 ) 并行处理：虽然单个神经元的响应速度为m s 级，但大脑对于处理目标决策( 如 视觉识别、运动控制) 等复杂问题却非常迅速。就是因为大脑是成亿个神经 元协同工作、并行处理的结果。 ( 3 )信息处理与存储合一：一般计算机的数据存储和数据处理是分立的，而解剖 学已证明人脑对信息的处理和存储是统一的。神经元不仅是信息的载体也是 9 华北电力大学硕士学位论文 信息的处理者。 ( 4 )可塑性与自组织性，它是人脑具有学习和记忆能力的基础。 ( 5 )鲁棒性。 基于对生物神经元的已有认识，通过对生物神经元的结构和功能的大大简化， 特别是对生物神经元信息传递特性的模拟，人们在抽象和简化的基础上提出了人工 神经元模型，见图2 - 1 。 墨 五 ： 五 图2 - 1 人工神经网络模型 y 图中t ( f = 1 ，2 ，疗) 表示神经元的n 个输入信号。w i ( ，= l ，2 ，n ) 为相应的突触( 输入) 连接权系数，它是对突触连接强度的模拟。表示突触后信号，即加权输入信号的 累加。此外，神经元的输入信号还包含0 ，即神经元的阈值。当生物神经元的突触 后电位空间总和超过细胞的阈值电位时，在轴突的初段将发放脉冲；p 就是对该特 性的模拟。模型的表达式为： x = q - 0 ( 2 1 ) y = g ( x )( 2 2 ) 常用的响应函数g ( ) 有开关函数、线性函数和s 型函数，其中s 型函数是最常用的。 单个神经元的功能是很有限的，但当许多神经元按一定规则连接构成一个人工神经 网络，就能具有强大的功能。而且当神经元模型确定后，一个神经网络的特性及其 能力将主要取决于网络的拓扑结构及其学习方法。神经网络的拓扑结构按照连接形 式可分为前向网络( 如b p 网络、r b f 网络) ，互连网络( 如h o p f i e l d 网络、b o l t z m a n 机) 和有反馈前向网络等类型。神经网络的学习就是使网络能具有某种智能的运算 或处理过程。不同的算法或处理方法就是学习方法。神经网络的学习方法是多种多 样的。 正因为神经网络经过学习能具有某些智能，因而引起了自动控制工作者的极大 关注，并被广泛应用于系统辨识和建模、系统控制、优化计算、故障诊断等诸多方 面。由于多层前向神经网络对非线性函数具有任意逼近和自学习能力，所以神经网 络为非线性系统的建模提供了一种简单而有效的方法。 1 0 华北电力大学硕士学位论文 2 2 前向神经网络的明算法 2 2 1 基于b p 算法的多层前馈网络模型 多层前向神经网络包含一个输入层、一个输出层和一个或多个隐含层。隐含层 的响应函数( 变换函数) 一般为非线性函数，如s 型函数。多层前向神经网络中，最 著名的是b p 网络，其应用也最广，这归功于这种网络的学习算法一误差反向传播 ( e r r o r b a c k p r o p a g a t i o n ) 算法。下面以三层前向神经网络( 图2 2 ) 来说明b p 算法。 对于输出层，有 对于隐层，有： 图2 - 2 三层神经网络模型 0 4 = g ( n e t , ) k = 1 ，2 ， n e t k ；a b k y j k = l 2 ? j = o 只= g ( n e t j ) ，= l 2 ，r t l n n e t j = j = l ，2 ，m t o ( 2 - 3 ) ( 2 4 ) ( 2 5 ) ( 2 - 6 ) g ( x ) 为s i g m o i d 函数，具有连续、可导的特点。以上公式共同组成了三层前馈 型神经网络的数学模型。 2 2 2b p 算法的权值调整 当网络输出与期望输出不符时，存在输出误差，定义如下： 点= ( d - o ) 2 = 三骞( 盔刊2 ( 2 - 7 ) 权系数应按e 函数梯度变化的反方向调整，使网络逐渐收敛。 将以上误差定义展开至隐层： 华北电力火学硕士学位论文 如扣- g ( 吲】2 - 圭喜卧g ( 柰删2 ( 2 - 8 ) 进一步展开至输入层有： e = 去 以一g 【( w j k g ( n e t j ) ) 2 = 去 吨一烈m g ( ) 】) 2 ( 2 9 ) 二k = l j = o 二k = i j = 0 i - 0 由上式可知，网络输入误差是各层权值田。、的函数，因此调整权值可以改变误差 。调整权值的目的是使误差不断的减小，所以应使权值的调整量与误差的负梯度 成正比，即： w 肟：一叩晏，：0 ，l ，2 m ；捌，2 ，( 2 - l o ) o 鲰：一玎罢，：1 ，2 ，卅扣o ，l 2 棚( 2 - 1 1 ) 口 式中负号表示梯度下降，常数珂表示比例系数，在训练中反映了学习速率。这类算 法被称为误差的梯度下降( g r a d i e n td e s c e n t ) 算法。具体的权值调整公式经过数学推 导可以得到： w 批= , 7 ( a k o k ) o 女( 1 一o k ) y j ( 2 - 1 2 ) 峋= ，7 【( 以一吼) 0 ( 1 一d ) ”k 】) 乃( 1 一”) 而 ( 2 - 1 3 ) 从上面的权值调整计算公式可以看出，权值的调整只与三个因素有关：学习速 率玎、本层输出的误差信号d 以及本层输入信号y ( 或x ) 。其中输出层误差信号同 网络的期望输出与实际输出之差有关，直接反映了输出误差，对于多层b p 前向网 络，各隐层的误差信号与前面各层的误差信号都有关，是从输出层开始逐层反传过 来的。 2 2 3b p 算法存在的缺陷 b p 网络的实质是求解误差函数的最小值问题，由于它采用非线性规划中的最速 下降方法，按误差函数的负梯度方向修改权值，常存在下面一些缺陷。 ( 1 ) 学习效率低，收敛速度慢 b p 算法是利用误差函数对权值的一阶导数信息来指导权值调整的，在执行中， 网络