基于多模型的熱工過程神經(jīng)網(wǎng)絡(luò)預(yù)測控制研究.pdf

1、火電廠熱工過程的自動控制是一個成熟而常新的研究鄰域,一方面,基于常規(guī)PID控制的電廠DCS控制系統(tǒng)具有一套成熟、規(guī)范的體系,幾十年的運行證明其控制策略是可行的；另一方面,電力市場劇烈競爭的客觀結(jié)果對電廠的供電質(zhì)量、經(jīng)濟和安全性能均提出更高的要求,而且隨著亞臨界、超臨界等大型機組在電廠中的比重越來越大,其大容量、高參數(shù)帶來的更加復(fù)雜多變的熱工特性,使現(xiàn)行的控制策略難以適應(yīng)新的形式下的控制要求。新的控制理論、方法和策略的研究和應(yīng)用對于熱工控

2、制具有迫切的現(xiàn)實意義。 熱工過程的非線性、強耦合、大慣性、大滯后、時變性、不確定性、工況范圍廣等復(fù)雜特性對熱工控制中的系統(tǒng)建模和控制策略提出了一系列的挑戰(zhàn)課題,新的控制策略研究必須充分建立這些特性基礎(chǔ)之上。把其他控制領(lǐng)域內(nèi)先進的理論研究成果借鑒到熱工過程控制中是現(xiàn)實可行的思路,多模型控制和神經(jīng)網(wǎng)絡(luò)預(yù)測控制屬智能控制的范疇,利用神經(jīng)網(wǎng)絡(luò)的優(yōu)良特性,可以很大程度解決復(fù)雜對象的建模問題,把二者有機結(jié)合起來,尋求一種復(fù)雜過程對象的控制方

3、法是本文研究的目的。 應(yīng)用于熱工過程控制時,無論是多模型控制還是神經(jīng)網(wǎng)絡(luò)預(yù)測控制自身均存在很多問題需待解決。在線滾動優(yōu)化是神經(jīng)網(wǎng)絡(luò)預(yù)測控制的核心,其本質(zhì)屬于非線性規(guī)劃問題,由于算法簡單、計算量小、實時性強是電廠DCS對優(yōu)化算法的基本要求,因此本文沒有采用非線性規(guī)劃中的一些智能算法,而是基于傳統(tǒng)優(yōu)化算法中做進一步基礎(chǔ)理論工作；模型集構(gòu)造方案和模型調(diào)度切換策略是多模型控制的核心問題,尤其是模型集構(gòu)造方案還處于研究初期階段,本文嘗試在

4、該方面做一些工作。具體研究內(nèi)容如下： (1)提出一種神經(jīng)網(wǎng)絡(luò)預(yù)測控制與神經(jīng)網(wǎng)絡(luò)逆控制的復(fù)合控制系統(tǒng)。神經(jīng)網(wǎng)絡(luò)逆模型輸出用于確定基于黃金分割優(yōu)化算法的初始搜索區(qū)間,通過縮小優(yōu)化算法的初始搜索區(qū)間,從而達到降低在線滾動優(yōu)化計算量的目的；同時使控制系統(tǒng)在不同運行工況下,具有神經(jīng)網(wǎng)絡(luò)預(yù)測控制和神經(jīng)網(wǎng)絡(luò)逆控制的雙重特性,兩種控制方式可以優(yōu)勢互補；本文運用區(qū)間套定理對該算法的收斂性給予了嚴(yán)格的數(shù)學(xué)證明,并就其收斂階次給予了推導(dǎo)。通過對某30

5、0MW汽機機前壓力的控制仿真表明,本方案在降低在線優(yōu)化計算量和控制品質(zhì)方面均獲得滿意結(jié)果。 (2)把神經(jīng)網(wǎng)絡(luò)預(yù)測控制從SISO系統(tǒng)推廣到MIMO系統(tǒng),提出一種基于差商梯度的在線滾動優(yōu)化算法,應(yīng)用于單元機組負荷控制。梯度算法由于其收斂速度快而被廣泛采用,但在多步預(yù)測控制中,由于無法通過導(dǎo)數(shù)獲得搜索梯度信息,故本文以偏差商替代函數(shù)的導(dǎo)數(shù)；運用偏差商替代函數(shù)導(dǎo)數(shù)是一個參數(shù)估計問題,這是因為在求取偏差商時,其步長不可以過小,否則會因為計

6、算中的截斷和舍入誤著而失真,過人則導(dǎo)致估計誤差偏大；在三種形式的偏差商中,本文論證了采用中心偏差商是相應(yīng)導(dǎo)數(shù)的“無偏估計”,而其他差商形式的估計則是有“理論偏差”的,并對中心偏差商估計誤差做了進一步理論分析。通過某300MW單元機組2×2系統(tǒng)的負荷控制仿真表明,策略是可行的。 (3)首次從時變大滯后角度考慮鍋爐過熱汽溫這一復(fù)雜系統(tǒng)的控制問題,提出了基于切換多模型的神經(jīng)網(wǎng)絡(luò)預(yù)測控制方案。過熱汽溫時滯的變化屬于系統(tǒng)模型結(jié)構(gòu)的變化,對

7、于這樣的變結(jié)構(gòu)對象,一般控制方法難以取得理想控制效果,經(jīng)典的滑模變結(jié)構(gòu)控制也難以適應(yīng)過熱汽溫這類非線性、不確定性系統(tǒng)的控制。本文進而針對多模型控制的核心問題,提出了一種分層的二維模型集構(gòu)造方案,并依據(jù)時滯隨負荷的變化特性建立了離散樣本下的子空間劃分優(yōu)化模型。 (4)子空間劃分優(yōu)化模型的求解采用粒子群優(yōu)化算法(PSO),在比較詳細介紹PSO算法的形成背景、機理的基礎(chǔ)上,借鑒“小世界”理論,提出了一種變鄰域結(jié)構(gòu)的粒子群算法,用于平衡

8、PSO算法的收斂速度、全局搜索能力和局部搜索能力。并通過過熱汽溫子空間劃分優(yōu)化模型的仿真求解,驗證了所提出的PSO優(yōu)化算法。 (5)運用以以上提出的基于切換多模型的預(yù)測控制方案,對某600MW超臨界機組過熱汽溫這一復(fù)雜對象的控制進行了仿真實驗研究。并在子模型切換中,依據(jù)本文模型集構(gòu)造方案,提出了相應(yīng)的模型切換方案,用于降低當(dāng)前系統(tǒng)子模型/子控制器的選擇代價。在仿真中,通過對不同參數(shù)下的無約束階躍仿真、子模型切換仿真、輸入約束條件