基于HJPSO―BP神经网络广义预测控制在火电厂单元机组协调控制中探究.doc

基于HJPSO―BP神经网络广义预测控制在火电厂单元机组协调控制中探究 　　[摘 要]随着火力发电的不断发展，大型火电单元机组的控制对象具有复杂、非线性、模型难以建立等特点，因此用传统的控制方法难以得到最佳的运行效果。针对单元机组被控对象的特点，本文将HJPSO算法引入BP神经网络中并建立优化的BP网络模型，克服了标准BP网络在实际应用预测中易陷入局部极小点、收敛速度慢的缺点，结合多变量广义预测控制策略，经过在线滚动优化和反馈校正，实现预测控制，具有适用范围广，鲁棒性强等优点，可有效弥补上述不足。仿真结果表明了其有效性。 [关键词]HJPSO；BP神经网络；广义预测控制；单元机组 中图分类号：C39 文献标识码：B 文章编号：1009-914X（2014）15-0348-02 1 引言（Introduction） 大型火电厂单元机组控制对象具有非线性、强耦合、时变，大滞后等特性，当各种扰动作用时会导致控制对象的参数不确定，难以建立准确的模型，属于复杂难控的大型生产过程。在常规局部控制系统基础上发展起来的协调控制系统是解决这个问题的有效途径。 近年来，人工神经网络为解决非线性控制问题提供了更多的技术手段，人工神经网络能够学习与适应不确定系统的动态特性，充分逼近复杂的非线性映射关系，且有较强的鲁棒性和泛化能力。其中BP网络被大量用于系统的模型辨识及控制上[1]；但是其收敛速度慢将难以满足具有自适应功能的实时控制的要求，为此本文采用基于Hooke-Jeeves particle swarm optimization）混合算法的BP神经网络（下文统称HJPSO-BP网络）用于建立系统的数学模型。 广义预测控制（Generalized Predictive Control）是随着自适应控制的研究而发展起来的一种预测控制方法；它汲取了现代控制理论中的优化控制思想，可以通过广义的反馈校正消除控制系统的稳态偏差，并用滚动优化取代了传统的最优控制，从而增强了系统的实时性和抗干扰能力。该算法由模型预测、滚动优化和反馈校等控制策略组成。广义预测控制作为对其进行修正的新型优化控制方法，大大增强了算法的适用性和鲁棒性[2]，近年来收到学术和工程界的广泛关注和重视。 2 理论研究（Theoretical Research） 2.1 基于HJPSO-BP网络的预测模型（Predictive Model of HJPSO-BP Network） 火电厂锅炉、汽轮发电机组协调控制系统是一个多变量非线性的复杂控制对象，数学上已经证明一个前向3层神经网络可以实现任何非线性映射，可以逼近任何复杂的函数。因此本文首先建立一个3层BP神经网络来逼近此被控对象。 BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总的误差最小，也就是采用梯度搜索技术，以期使网络的实际输出值的误差均方值为最小[3]。本文提出HJPSO-BP算法来优化BP神经网络，有效地克服了BP神经网络易陷入局部极值的缺点，提高了BP算法的预测精度和收敛速度。利用HJ算法的强收敛能力来提高PSO的收敛速度和求解精度，利用PSO算法的全局收敛性能给HJ算法提供一个好的初始值，保证HJ算法的收敛效果[4] [5]。利用PSO算法的逼近能力搜索得到一个接近最优位置向量作为BP神经网络的初始权值和阈值，使用BP算法根据这些权值和阈值进一步寻优，从而得到网络权值和阈值的最优值。 粒子群算法描述为，假设在一个D维的目标搜索空间中，有N个粒子组成一个群落，其中第个粒子表示为一个D维的向量，。第i个粒子的“飞行”速度也是一个D维的向量，记为，。第i个粒子迄今为止搜索到的最优位置称为个体极值，记为，。整个粒子群迄今为止搜索到的最优位置为全局极值，记为在找到这两个最优值时，粒子根据如下的公式（2.1）和（ 2.2）来更新自己的速度和位置： （1） （2） 其中：为惯性权重，和为学习因子，也称加速常数（acceleration constant），和为[0，1]范围内的均匀随机数。混合粒子群算法的步骤（HJPSO-BP） 步骤1、建立BP神经网络结构并初始化设置HJ、PSO算法各参数。 步骤2、计算每个粒子的适应度值并比较，得到Pest和Gbest.。 步骤3 、根据公式（1）、（2）分别计算各微粒新的速度和位置，计算新的粒子适应度值并比较新的Pest和Gbest。 步骤4、将使用PSO所产生的点作为初始值赋给HJ，利用HJ优化PSO的位置。 步骤5、更新并储存各微粒的个体历史最优位置和个体历史最优适应值；更新并储存微粒群的全局历史最优位置和全局历史最优适应值。 步骤6、如果是在全局历史最优适