（热能工程专业论文）基于多模型的热工过程神经网络预测控制研究.pdf

摘要 摘要 火电厂热工过程的自动控制是一个成熟而常新的研究邻域，一方面，基于常规p i d 控制的电厂 d c s 控制系统具有一套成熟、规范的体系，几十年的运行证明其控制策略是可行的；另一方面，电 力市场剧烈竞争的客观结果对电厂的供电质量、经济和安全性能均提出更高的要求，而且随着亚临 界、超临界等大型机组在电厂中的比重越来越大，其大容量、高参数带来的更加复杂多变的热工特 性，使现行的控制策略难以适应新的形式下的控制要求。新的控制理论、方法和策略的研究和应用 对于热t 控制具有迫切的现实意义。 热- 1 ：过程的非线性、强耦合、大惯性、大滞后、时变性、不确定性、工况范围广等复杂特性对 热工控制中的系统建模和控制策略提出了一系列的挑战课题，新的控制策略研究必须充分建立这些 特性基础之上。把其他控制领域内先进的理论研究成果借鉴到热工过程控制中是现实可行的思路， 多模裂控制和神经网络预测控制属智能控制的范畴，利用神经网络的优良特性，可以很大程度解决 复杂对象的建模问题，把二者有机结合起来，寻求一种复杂过程对象的控制方法是本文研究的目的。 应用于热工过程控制时，无论是多模型控制还是神经网络预测控制自身均存在很多问题需待解 决。在线滚动优化是神经网络预测控制的核心，其本质属于非线性规划问题，由于算法简单、计算 量小、实时性强是电厂d c s 对优化算法的基本要求，因此本文没有采用非线性规划中的一些智能算 法，而是基于传统优化算法中做进一步基础理论工作；模型集构造方案和模型调度切换策略是多模 型控制的核心问题，尤其是模型集构造方案还处于研究初期阶段，本文尝试在该方面做一些工作。 具体研究内容如下： ( 1 ) 提出一种神经网络预测控制与神经网络逆控制的复合控制系统。神经网络逆模型输出用于确 定基于黄金分割优化算法的初始搜索区间，通过缩小优化算法的初始搜索区间，从而达到降低在线 滚动优化计算鼙的目的；同时使控制系统在不同运行工况下，具有神经网络预测控制和神经网络逆 控制的舣重特性，两种控制方式可以优势互补；本文运用区间套定理对该算法的收敛性给予了严格 的数学证明，并就其收敛阶次给予了推导。通过对某3 0 0 m w 汽机机前压力的控制仿真表明，本方 案在降低在线优化计算量和控制品质方面均获得满意结果。 ( 2 ) 把神经网络预测控制从s i s o 系统推广到m i m o 系统，提出一种基j r 差商梯度的在线滚动优 化算法，应用于单元机组负荷控制。梯度算法由于其收敛速度快而被广泛采用，但在多步预测控制 中，由于无法通过导数获得搜索梯度信息，故本文以偏差商替代函数的导数；运用偏差商替代函数 导数是一个参数估计问题，这是因为在求取偏差商时，其步长不可以过小，否则会因为计算中的截 断和舍入误差而火真，过人则导致估计误差偏人；在三种形式的偏差商中，本文论证了采用中心偏 差商是相应导数的“无偏估计”，而其他蒡商形式的估计则是有“理论偏差”的，并对中心偏差商估 计误筹做了进一步理论分析。通过某3 0 0 m w 单元机组2 x 2 系统的负荷控制仿真表明，策略是可行 的。 ( 3 ) 首次从时变大滞后角度考虑锅炉过热汽温这一复杂系统的控制问题，提出了基于切换多模型 的神经网络预测控制方案。过热汽温时滞的变化属于系统模型结构的变化，对于这样的变结构对象， 一般控制方法难以取得理想控制效果i 经典的滑模变结构控制也难以适应过热汽温这类非线性、不 确定性系统的控制。本文进而针对多模型控制的核心问题，提出了一种分层的二维模型集构造方案， 并依据时滞随负荷的变化特性建立了离散样本下的子空间划分优化模犁。 ( 4 ) 子空间划分优化模型的求解采用粒子群优化算法( p s o ) ，在比较详细介绍p s o 算法的形成背 景、机理的基础上，借鉴“小世界”理论，提出了一种变邻域结构的粒子群算法，用于平衡p s o 算 法的收敛速度、全局搜索能力和局部搜索能力。并通过过热汽温子空f h j 划分优化模型的仿真求解， 验证了所提山的p s o 优化算法。 ( 5 ) 运刚以上提f l j 的基于切换多模型的预测控制方案，对某6 0 0 m w 超临界机组过热汽、温这一复 杂对象的控制进行了仿真实验研究。并在子模型切换中，依据本文模型集构造方案，提出了相戍的 东南大学博上学位论文 模型切换方案，用于降低当前系统子模型子控制器的选择代价。在仿真中，通过对不同参数下的无 约束阶跃仿真、子模型切换仿真、输入约束条件下仿真、有界输入输出扰动仿真和模型增益尖配鲁 棒性仿真等，较为全面地验证本文所提出控制镱略的控制性能，并根据仿真结果给出了一些作者的 观点和看法。仿真结果表明，控制系统在各种扰动条件下，均具有较理想的控制品质。 关键词：多模型控制；神经网络预测控制；在线滚动优化；负荷控制；过热汽温；变时滞；模型集 构造；粒子群优化算法 a b s t r a c t a u t o m a t i cc o n t r o lf o rt h e r m a lp r o c e s s e si saw e l l - d e v e l o p e da n df r e q u e n t l yi n n o v a t e dr e s e a r c h i n g f i e l d o nt h eo n eh a n d , t h ed c s ( d i s t r i b u t e dc o n t r o ls y s t e m ) b a s e do nc a s c a d ep i dc o n t r o ls t r a t e g yf o r p o w e rp l a n th a sb e e naw e l l - d e v e l o p e da n dn o r m a t i v es y s t e m a n di t sf e a s i b i l i t yh a sb e e nt e s t i f i e db yi t s r u n n i n gr e s u l t sf o r t h ep a s ts e v e r a ld e c a d e s o nt h eo t h e rh a n d ，t h em o r eh i g hc r i t e r i o n sh a v eb e e nr e q u i r e d f o rp o w e rp l a n t sp o w e rs u p p l yq u a l i t y , e c o n o m ya n ds e c u r i t yp e r f o r m a n c e sb e c a u s eo ff u r i o u sc o m p e t i t i o n i ne l e c t r i cp o w e rm a r k e t a n dw i t ht h em o r ea n dm o l el a r g eu n i t ss u c ha ss u b - v r i t i c a la n ds u p e r - c r i t i c a l u n i t sh a v eb e e na p p l i e d , t h o rm o r ec o m p l i c a t e da n dv a r i a b l et h e r m a lc h a r a c t e r i s t i c sb r o u g h tb yl a r g e c a p a c i t ya n dh i g hp a r a m e t e rm a k ec o n d i t i o n a lc o n t r o ls t r a t e g yn om o r es u i t a b l ef o rt h et h e r m a lp r o c e s 瞄 c o n t r 0 1 1 1 圮r e s e a r c h i n ga n di t sa p p l i c a t i o no fn o v e lt h e o r y , m e t h o da n ds t r a t e g yf o rt h et h e r m a lp r n 2 e s s e s c o n t r o lb e c o m eu r g e n t l yr e q u i s i t e as e r i e sc h a l l e n g ep r o b l e m so fs y s t e mm o d e l i n ga n dc o n t r o ls t r a t e g yi n 也c r m a lp r o c e s sc o n t r o la r c p u tf o r w a r db e c a u s eo fi t si n t r i c a t ed y n a m i cc h a r a c t e r i s t i c ss u c ha sn o n l i n e a r i t y , s t r o n gi n t e r a c t i o n s ，l a r g e i n e r t i a ，l o n gt i m ed e l a y ，t i m ev a r i e t i e s ，u n c e r t a i n t ya n dl a r g er a n g eo fw o r ks t a t e s n 地r e s e a r c h i n go fn o v e l c o n t r o ls t r a t e g ym u s tb eb a s e do nt h o s ec h a r a c t e r i s t i c s i ti saf e a s i b l ei d e aa p p l y i n ga d v a n c e dt h e a t r i c a l a c h i e v e m e n t si no t h e rc o n t r o lf i e l d st ot h e r m a lp r o c e s s e sc o n t r 0 1 m u l t i - m o d e lc o n t r o la n dn 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 la r eb e t hb e l o n gt oi n t e l l i g e n tc o n t r o ls t r a t e g y n e u r a ln e t w o r k s e m i n e n tc h a r a c t e r i s t i e s h a v ec a p a b i l i t i e st os o l v em o d e l i n gp r o b l e m sf o rc o m p l e xs y s t e m s s e e k i n gac o n t r o lm e t h o df o ri n t r i c a t e s y s t e m si st h ep u r p o s eo ft h i sp a p e rb ym e ：l t l so fc o m b i n i n gm u l t i p l em o d e lc o n t r o l 谢t l ln 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 0 1 t h e r ea r el o t so fp r o b l e m st ob es o l v e dw h e nm u l t i m o d e lc o n t r o la n dn e u r a ln e t w o r k sp r e d i c t i v e c o n t r o la r ea p p l i e dt ot h e r m a lp r o c 躺c o n t r 0 1 o nl i n er o l l i n go p t i m i z a t i o ni st h ek e r n e lp r o b l e mo f n e u r a ln e t w o r kp r e d i c t i v ec o n t r o l ，w i t c hb e l o n g st on o n l i n e a rp r o g r a m m i n g s i m p l i c i t y , s m a l lc a l c u l a t i o n a n dr e a lt i m eo fo p t i m i z a t i o na r i t h m e t i ca l eb a s a lr e q u i r e m e n to fd c s ，s oc o n d i t i o n a lo t h e rt h a ni n t e l l i g e n t o p t i m i z a t i o na r i t h m e t i ca r ea d o p t e di nt h i sp a p e r c o n s t r u c t i o ns c h e m eo fm o d e lb a n k sa n dm o d e l s w i t c h i n gs t r a t e g ya r ek e yp r o b l e m so fm u l t i - m o d e lc o n t r 0 1 啊地f o r g o i n gi si ni t si n i t i a lr e s e a r c h i n gs t a g e s n o wd a y se s p e c i a l l y , a n ds o m er e s u l t sa r et r i e dt oa c h i e v e da b o u ti t t h em a i nr e s e a r c h i n gc o n t e n to ft h i s p a p e ra l ea sf o l l o w s ： ( 1 ) ac o m p o u n dc o n t r o ls c h e m eb yc o m b i n i n gn e u r a ln e t w o r k sp r e d i c t i v ec o n t r o lw i t h n e u r a ln e t w o r k si n v e r s ec o n t r o lw a sp u tf o r w a r d t h eo u t p u to fn e u r a ln e t w o r ki n v e r s em o d e l isu s e dt od e t e r m i n ei n i t i a ld e t e c t i n gi n t e r v a lb ym e a l 鸠o ft h eg o l d e ns e c t i o na l g o r i t h m i te f f e c t i v e l y l o w e r st h ea m o u n to fo nl i n er o l l i n go p t i m i z i n ga l g o r i t h mb yr e d u c i n gt h ew i d t ho fi n i t i a ld e t e c t i n gi n t e r v a l t h es c h e m ee n a b l e st h ec o n t r o ls y s t e mt of e a t u r et h ed u a l i s mo fb o t h n e u t r a ln e t w o r k s p r e d i c t i v ec o n t r o l a n dn e u t r a ln e t w o r k si n v e r s ec o n t r o lw h e nt h ec o n t r o ls y s t e mr u n si nd i f f e r e n ts t a t e s n ei n t e r v a lt h e o r e m o f f e r st h es t r i c tc a l c u l a t i n gp r o o ft ot h i sa l g o r i t h m m a n i f e s t e db yt h es i m t i l a t e de x p e r i m e n to f3 0 0 m wu n i t 。 t h es c h e m e 研o p o s e dy i e l d ss a t i s f a c t o r yp e r f o r m a n c ei nc o r r r o l l i n gq u a l i t ya n dr e d u c i n gt h ea m o u n to f c a l c u l a t i o n ( 2 ) e x t e n d i n gt h eo b j e c tr a n g eo fn e u r a ln e t w o r kp r e d i c t i v ec o n t r o lf r o ms i s is y s t e m st om o m o s y s t e m s 鲫o nl i n er e c e d i n gh o r i z o no p t i m i z a t i o na l g o r i t h mb a s e do np a r t i a ld i f f e r e n t i a lq u o t i e n t s ( p d q ) i sp r o p o s e di no r d e rt ob ea p p l i e dt oc o o r d i n a t e dc o n t r o lf o rt h e r m a lp o w e ru n i t a r i t h m e t i cb a s e do ng r a d s i su s u a l l ya d o p t e df o ri t s q u i c kc o n v e r g e n c e i nt h eb e ws c h e m e ，t h ep d qr e p l a c ed i f f e r e n t i a lc o e f f i c i e n t s o fm u l t i v a r i a b l ef u n c t i o n b e c a u s ei ti sd i m c u l tt oa c q u i r eg r a d si n f o r m a t i o no ft h ei n d i r e c ta r i t h m e t i ci n n e u r a ln e t w o r k sm t i l t i s t e pp r e d i c t i v ec o n t r 0 1 n er e p l a c i n gb e l o n g st op a r a m e t e re s t i m a t i o np r o b l e m s i ti s b e c a u s et h a ti ft h es t e p l e n g t hi st o os m a l l ，t h et r u n c a t i o na n dr o u n d i n ge r r o r si nc o m p u t i n gp r o c e s s e sw i l l 东南大学博士学位论文 g r e a t l yi n f e c tt h ep r e c i s i o no ft h er e p l a c i n g ，o t h e r w i s e , i ti s d i f f i c u l tt oe l l s u r et h ep r e c i s i o na l s o i nt h e t h r e ef o r m so fp d o t h ef o c u sp d oi st h en o n - e r r o r se s t i m a t i o no fd i f f e r e n t i a lc o e f f i e i e n t ，t h eo t h e rf o r m s e x i s tt h e o r ye r r o r s ，a n dt h e i re i t 0 1 8a r ep r o v e di nt h i sp a p e ra l s o m a n i f e s t e db yt h es i m u l a t e de x p e r i m e n to f c o o r d i n a t e dc o n t r o lo fa3 0 0 m wu n i t 谢t l l2 - i n p u t2 - o u t p u tm o d e ls y s t e m t h es c h e m ep r o p o s e di se f f e c t i v e a n df e a s i b l e ( 3 ) an e u r a ln e t w o r kp r e d i c t i v ec o n t r o ls c h e m eb a s e do ns w i t c h i n gm u l t i - m o d e li sp r o p o s e d i ti sf w s t t i m et h a td e s i g n i n gac o n t r o ls y s t e mf o rs u p e r h e a t e ds t e a mt e m p e r a t u r ea c c o r d st ot h ec h a r a c t e r i s t i co f t i m e - v a r i a b l el a r g ed e l a y 硼1 et i m ed e l a yv a r y i n go fs u p e r h e a t e ds t e a mt e m p e r a t u r eb e l o n g st ov a r y i n go f m o d e ls t r u c t u r e c o n d i t i o n a lc o n t r o ls t r a t e g i e si n c l u d i n gs l i d i n gm o d e lv a r i a b l es t r u c t u r ec o n t r o la 坞a l ln o t s u i t a b l ef o rt h i sk i n do fn o n l i n e a r , u n c e r t a i n t yp r o c e s s e s f u r t h e r m o r e ，f o rt h ep u r p o s eo fs o l v i n gt h ec o r e p r o b l e mo fm u l t i p l em o d e lc o n t r o l ，as c h e m eo fl a y e 撇! t w od i m e n s i o n a lm o d e lb a n k si sp r o p o s e d ，a n da o p t i m i z a t i o nm o d e lf o rs u b - s p a c ed i v i d i n gi ss e tu pa c c o r d i n gt ot h ev a r i e t yo ft i m ed e l a y ( 4 ) t h er e s o l v i n gm e t h o do fs u b - s p a c ed i v i d i n gm o d e la d o p tp a r t i c l es w a r n lo p t i m i z a t i o n ( p s o ) a f t e r ai n t r o d u c t i o no fb a s i cb a c k g r o u n dk n o w l e d g eo fp s o ，an o v e lp s oa l g o r i t h mo fv a r i a b l en e i g h b o rr e g i o n s t r u c t u r eu g cf o rr e f e r e n c es m a l lw o r l dt h e o r yi sp u tf o r w a r d , i no r d e rt ob a l a n c ei t sc a p a b i l i t i e so f c o n v e r g e n c es p e e d , g l o b a le x p l o r a t i o na n dl o c a le x p l o i t a t i o n f i n a l l y , as i m u l a t i o no fr e s o l v i n gs u b s p a c e d i v i d i n gf o rs u p e r h e a t e ds t e a mt e m p e r a t u r et e s t i f i e dt h ea l g o r i t h mp r o p o s e d ( 5 ) s i m u l a t i o ne x p e r i m e n t sa r et a k e nt oc h e c ku pt h ec o n t r o ls c h e m ef o rs u p e r h e a t e ds t e a m t e m p e r a t u r ep r o p o s e da b o v eb ym l 甏i n so fa6 0 0 m ws a l p e r - c r i t i c a lu n i t ，a n dam o d e ls w i t c h i n gr u l ei s a d v a n c e dt or e d u c et h ec o m p u t a t i o nc o s to fc h o o s i n gc u r r e n ts u b - m o d e la c c o r d i n gt ot h es c h e m eo fm o d e l b a n k sc o n s t r u c t i o np u tf o r w a r da b o v e s i m u l a t i o n si n c l u d ew i t h o u tc o n s t r a i n e ds t e p ，s u b - m o d e ls w i t c h i n g , i n p u tw i t hc o n s t r a i n ，l i m i t a r yi n p u ta n do u t p u td i s t u r b i n ga n dm o d e lg a i n sm i s m a t c h i n gi nd i f f e r e n t p a r a m e t e rc o n d i t i o n 1 1 1 0 s es i m u l a t i o n st e s ti nt h er o u n dt h ep e r f o r m a n c eo fc o n t r o ls c h e m es u p p o s e dt h i s p a p e r , a n dt h er e s u l t so fs i m u l a t i o n ss h o wt h a tc o n t r o lq u a l i t i e sa r ea l ls a t i s f y i n gi nv a r i o u sd i s t u r b i n g c o n d i t i o n k e yw o r d s ：m u l t i - m o d e lc o n t r o l ；n e u r a ln e t w o r kp r e d i c t i v ec o n t r o l ；o nl i n er e c e d i n gh o r i z o no p t i m i z a t i o n ； c o o r d i n a t e dc o n t r o l ；s u p e r h e a t e d 、3 t e a mt e m p e r a t u r e ；t i m e - v a r i a b l ed e l a y ；m o d e lb a n k s c o n s t r u c t i o n ；p s o ( p a r t i c l es w a r mo p t i m i z a t i o n ) 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得东南大学或其它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做的任何贡献均已在论文中作了明确的说明并 表示了谢意。 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内 容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可 以公布( 包括刊登) 论文的全部或部分内容j 论文的公布( 包括刊登) 授权东南大学研 究生院办理。 避日期：9 艿，“ 第一章绪论 第一章绪论 从火电厂热工对象复杂特性和热工控制的研究和应用现状角度论述了本文研究课题的背景和意 义，指出多模型控制和神经网络预测控制等先进控制结合策略有益于解决热工控制中非线性不确定 系统的精确建模、大惯性和大滞后系统等难以取得理想控制品质等问题。对复杂系统的控制问题做 了简单介绍。由于目前多模型和预测控制策略结合方案用于解决复杂系统控制问题还处于起步阶段， 故多模型控制和神经网络预测控制这两部分分别给予综述。最后按照章次给出了本文的具体工作内 容。 1 1 课题背景及意义 1 1 1 火电厂热工过程的复杂多变特性 火电厂热工控制主要涉及以锅炉、汽轮机系统在内的控制问题，是维系电厂安全和经济性能的 核心部分，这是一个成熟而常新的研究领域l lj ：一方面，采用常规p i d 控制策略的电厂d c s 控制系统 从设计、产品、安装、运行、管理等均有明确成文的规范和标准，几十年的运行证明了这是一套成 熟的控制策略：另一方面，随着社会的发展，电力市场竞争日益加剧，电厂对自身的经济运行性能、 电网对电厂的供电质量如负荷响应速度等提出更高要求，同时电厂小型机组基本被人中型机组取代， 大容量、高参数又加剧了热工过程的复杂多变特性，使现有的成熟控制系统越米越暴露出自身的局 限性，因此近些年相关的新理论、新技术、新方法不断涌现，形成了一个具有广阔前景的研究领域。 新的控制理论、策略应用于热工过程，必须是建立在热：1 = 过程特性基础之上的。火电厂热j i ：过 程呈复杂多变特性，其复杂多变性主要表现在【2 6 】： 人惯性、大滞后：滞后现象在丁业控制过程中是一个很普遍的问题，对热j ：过程而言，除了 存在大的时滞，而且时滞还具有不确定性，如燃料量的变化对蒸汽温度、压力和汽包水位等影响有 不同的滞后，过热汽温系统喷水量的变化对过热器出口蒸汽温度的影响有较人的滞后，这些滞后还 随着负荷的改变而改变；大滞后造成的参数时间上的错位导致对系统的分析补偿更加复杂化； 非线性、强耦合：由于对象的非线性，难以建立精确数学模型，因此基丁精确建模的经典控 制理论和方法受到一定的限制；而热上对象又是一个强耦合系统，例如燃料量的变化不但影响蒸汽 压力和汽包水位，还会影响过热蒸汽温度和烟气氧量，这对于某些重要参数( 如锅炉过热蒸汽温度 通常保持在5 内) 的控制带来凼雄； 工况范罔广：单元大容量机组在电网中所占比重较大，使机组参与调峰调频成为必然，调峰 机组经常t 作在负荷大范罔变化的条件下；t 况范同广也带来啡线性特征，如在广泛使用的滑乐运 行工况，蒸汽压力的设定值与负荷对应的蒸汽流量呈比例变化，这使得锅炉侧被控过程与负荷水平 呈明显的非线性特征，这就要求控制系统应该具有很好的负荷跟踪能力，尤其在连续和快速变化时， 需要将蒸汽温度和压力的波动范围控制在允许的范围内。非线性的大范围j 二况使我们采用单一的模 型对其进行描述已无法满足要求，即使能获得满意的单一全局模型，其辨识过程也是相当困难的； 时变性和不确定性：由于电网峰谷差加剧，造成机组的负荷增减频繁甚至跳变，从而使系统 参数突变，导致系统的暂态响应明显变劳；采用基于时不变或缓慢时变的参数朱知系统的常规自适 应控制方法，由于辨识器难以跟随系统参数的变化，往往导致控制器性能不佳。 1 1 ，2 现有热工过程控制及研究现状 1 1 2 1 常规p i d 控制的局限性 目前火电厂中广泛使用的是常规单回路p i d 控制和常规p 1 d 串级控制系统f 7 _ 9 1 。常规p i d 控制器的 参数足根据被控对象的数学模型米整定的，具有结构简单、易丁实现、鲁棒性强、f ：皂够实现无筹调 东南人学博1 7 学位论文 节等优点【1 0 】；但是常规p i d 控制器是线性的，适用于小惯性小滞后过程，当用于非线性、人时滞和参 数不确定的系统控制中，难以取得满意控制效果。常规p i d 控制效果不够理想，主要表现在 n q 4 ： 由于热工过程的大惯性、大滞后特性，常规p i d 控制存在超调鼙人、调协时间过k 的缺陷。 实践表明目前广泛应用的p i d 调节器对复杂人时滞系统很难实现稳定控制。因为对于这类系统有一 个指标，不妨称之为可控性判据，它被定义为 f = t i t ( 1 - 1 ) 其中f 是系统的纯滞后时间，r 是系统的时间常数。对r 同一个人时滞系统而言，所h j 的控制方法 不同，其可被稳定控制的程度也不同，这表现在所对应的厂值的不同。对于p i d 而言，厂 l 的系统，用p i d 调：悔器实现 稳定控制几乎是不可能【l5 | 。 当锅炉蒸汽负荷、烟气温度、给水温度等变化时，过热蒸汽出口温度会受到影响，尤其是受 锅炉负荷的影响较大，当负荷增人时，蒸汽流量和流速增人，会导致静态增益、时间常数、迟延时 间减少，而常规p i d 控制采h j l 司定参数的单一模型，对象模型与实际系统存在较人的偏差，因而影响 常规p i d 控制品质。 1 1 2 2 热工控制研究现状 针对常规p i d 控制效果不够理想，近年来其改进研究主要集中在以f 三个方面：一是在传统p i d 控制领域，利用其他的控制方法雨i p i d 控制相结合改善p i d 控制效果【l 8 1 ；二是应用人1 ：智能和计算 机科学的最新技术，开发专家控制系统、人一r ：神经网络和模糊控制控制系统【1 9 - 2 5 】；三是针对锅炉的 强耦合，开发解耦控制系统【2 6 - 2 7 1 。提出的控制策略土要有： 鲁棒控制( r o b u s m e s sc o n t r 0 1 ) 2 s - 3 0 ! ：采用的是川最小的性能代价换取鲁棒稳定性，而对于参数 变化很大的过热汽温调：话对象，刚鲁棒控制提高性能的余地是很有限的； 基于对象辨识的自适应控制( a d a p t i v ec o n t r o lw i t hp r o c e s s e sr e c o g n i t i o n ) 3 1 - 3 2 】：是解决不确定问 题的较好控制方法，对于时不变或慢时变系统有较好的控制效果，但是，对丁快速时变的对象，由 于辨识器难以跟踪系统参数的变化，使系统暂态响应变差； 模糊预估控制( f u z z yp r e d i c t i v ec o n t r 0 1 ) 1 3 3 1 ：是p i d 控制方法的改进，即在p i d 控制器前串联一个 模糊预估器( f u z z ye s t i m a t o r ) ，通过模糊预估器来对未来输出的预估作圳米补偿被控过程的惯性和滞 后对控制性能的影响，模糊预估器和一般的s m i t h 预估器不同，它不需要建立对象的精确模型； 自适应分层递阶模糊p i d 参数控制【3 ，j ：在较高的级别，应h 规则集建立高层规划模型，根据 系统的基本参数变化判定高层调：1 了参数方案，以保证系统的安全运行；在较低的层次，按照物理定 律应用微分方程构造其数学模型，在动态过秤中实时调节规划参数值和p i d 参数，使其达到性能要 求； 神经网络控制( n n c ，n e u r a ln e t w o r kc o n t r 0 1 ) t 3 9 】：神经网络由丁其自身的优势，在很多的领域 都有所研究，在热工控制中，存在着实时性差的弱点，而且神经网络的自身的收敛和稳定性还需要 更多的检验； 多模型控f i i i j ( m m c ，m u l t i - m o d e lc o n t r 0 1 ) 4 0 4 2 l ：采刚多模型白适应控制，多模型控制方法是解决 系统快时变的不确定问题是一种有效的控制策略，然而，在实际的j 二程设计中又存在很多需要解决 的问题。 总之，热： 控制中提出的各种改进方案由丁设计过丁复杂或者参数难以提取或者仅仅从对象的 某一特性出发提出控制策略，还有许多有待进一步深入研究。 1 1 3 课题意义 鉴丁以上所述，考虑对象的多重复杂性，单一的控制方式在订 j 已优势的同时，也存在臼身的 局限性，雉以满足复杂对象的要求，这也要求我们把些已经取得一定成果的新型的控制理论和方 法借鉴剑热l ：控制中来。 2 第一章绪论 多模型控制：是目前在热工控制中提出的较好的控制策略之一，因采用多个模型来逼近对象的 全局模型，可以弥补自适应控制中因参数突变而辨识器难以跟踪的缺陷，热f t 对象具有j i ：况范闱广、 时变性、不确定性，采用多个模型来逼近对象特性比采用单一模型无论在模型的匹配还是在状态响 应方面都要优越得多；多模型在热工控制中还处于研究的初期阶段，其系统设计和相关的理论需要 进一步的完善。 神经网络预测控制：预测控制具有优良的控制性能及鲁棒性强的特点，基于线性模型的预测控 制在多个领域已经取得成功，特别是在化工领域取得巨大成功，而化：j ：对象的人滞后特性与热_ r 【= 过 程亦非常相似；对于强非线性系统，以神经网络建模为主的非线性预测控制成为当今研究的热点之 一，但由于其自身的复杂性，神经网络预测控制还有许多问题需要解决。 本文把多模型控制与神经网络预测控制有机的结合，旨在寻求一种较为可行的复杂过程对象的 控制方法，并对其中部分重点问题进行研究。所以本论文以“基丁多模型的热j t ：过程神经网络预测 控制研究”为题目。 1 2 复杂系统的控制问题 1 2 1 复杂控制系统 复杂控制系统问题包括被控对象、环境条件和控制手段三方面的复杂性，也有不确定性导致的 复杂性，同时还有多模式集成和控制策略方面的复杂性。这类系统的典犁实际背景有复杂i ：业过程 系统、计算机集成制造系统、空间飞行器中的各种复杂设施、柔性机器人系统、电力系统、化1 ：系 统、军事指挥系统以及一些自然发展形成的系统( 如生物、社会等系统) 。 2 0 世纪7 0 年代中期以后，随着科学技术的进步，现代| 1 ：业向人型化和复杂化方向发展，且市 场竞争越米越激烈，因此对企业管理和生产过程的控制系统提出了更高的要求，形成了复杂：l ：业过 程系统。复杂工业过程系统的特点主要表现为【4 习： ( 1 ) 不确定性。传统控制是基于数学模型的控制，即认为控制、对象和干扰的模型是已知的或 者通过辨识可以得到的。但复杂系统中的很多控制问题具有不确定性，共至会发生突变。对丁“朱 知”、不确定或者知之甚少的控制问题，用传统方法难以建模，冈而难以实现有效的控制。 ( 2 ) 高度非线性。传统控制理论中，对于具有高度非线性的控制对象，虽然也有一些1 f 线性方 法可以利用，但总体上看，非线性理论远不如线性理论成熟，且控制方法非常复杂，在j 1 ：样上难以 应用，在复杂系统中有大量的非线性问题存在。 ( 3 ) 半结构化与非结构化。传统控制理论主要采州微分方程、状态方程以及各种数学变换作为 研究上具，其本质是一种数值计算方法，属定量控制范畴，要求控制问题结构化科度高，易丁刚定 量数学方法进行描述或建模，而复杂系统中最关注并需要支持的有时恰恰是半结构化与非结构化的 问题。 ( 4 ) 系统复杂性。按系统工程观点，广义的对象应包括通常意义下的操作对象和所处的环境， 而复杂系统中各子系统之间关系错综复杂，各要素间高度耦合：互相制约，外部环境又极其复杂， 对此传统控制缺乏有效的解决方法。 ( 5 可靠性。常规的基于数学模型的控制问题倾向于是一个相互依赖的整体，尽管基于这种方 。法的系统经常存在鲁棒性与灵敏度之间的矛盾，但对简单系统的控制可