一种神经网络预测控制在超临界主汽温度中的应用研究0323(1).docVIP

一种神经网络预测控制在超临界主汽温度中的应用研究0323(1) 一种神经网络预测控制在超临界主汽温度中的应用研究 李云娟1 ， 方彦军2 （昆明学院 自动控制与机械工程系 云南 昆明 650118；武汉大学 自动化系 湖北 武汉 430072） 摘要：传统PID控制难以在非线性、迟延、时变和具有扰动特质的超临界主汽温度控制系统中达到满意的控制效果。因此，本文提出了一种采用多步预测、滚动优化和反馈校正的神经网络预测控制用于超临界电厂主汽温度控制系统，取得了较好的控制效果。以某超临界电厂主汽温度为研究对象，MATLAB仿真结果表明：分不同的工况建立的主汽温度神经网络动态模型，能够很好地预测对象的动态特性，取得了优于传统PID的控制效果。 关键词：神经网络；预测控制；超临界；主汽温度；鲁棒性 Application of A Neural Network Predictive Control for the Supercritical Main Steam LI　Yun-Juan1，FANG　Yan-jun2 （1．Department of Automation Control and Mechanical　Engineering，Kunming University,Yunnan Kunming 650118，China；2．Department of Automation，Wuhan University，Hubei　Wuhan 430072，China） Abstract：The traditional PID control is difficult in the non-linear, delay, time-varying and have a disturbance characteristics of supercritical main steam temperature control system to achieve 可用能的品位，使热能转换效率提高。 火电机组向大容量、高参数发展的同时也对超临界主汽温度控制提出了更高的要求，传统的PID控制以其鲁棒性较好、易于实现和被工程技术人员熟悉掌握等特点，至今仍被工业过程控制界所广泛采用，然而，PID控制器参数的选择或整定往往是一个十分繁琐和复杂的过程，特别是工业控制过程的现场实际整定一直是尚未很好解决的一个难题，目前实际应用到超临界主汽温度控制方法仍然是常规的串级PID控制、状态观测和Srnjth预估[1] 。 预测控制是近年来发展起来的一类新型计算机控制算法，最初由Riehalet和Cutler等人提出[2]，经过近30年的不断研究和发展，其理论和方法已经在工程实际中取得了广泛的应用。本文针对火电厂主汽温控制系统的非线性、迟延和时变特性，以及传统PID控制的缺陷，提出了神经网络预测控制算法方案，仿真结果表明，该算法较传统PID具有很好的动静态性能，可增强系统对模型不精确的鲁棒性。 1 预测控制的基本原理 能够对信息处理的预测模型，在有限时域内的滚动优化策略和灵活有效的反馈校正系统是预测控制的基本原理。模型预测控制的基础是系统动态特性模型的描述，并根据被控对象的历史信息和未来的输入，对系统未来的输出进行预测。其模型既可以是被控对象的脉冲响应、阶跃响应等非参数模型，也可以是微分方程、差分方程等参数模型。利用预测模型，可通过系统的输入量直接预测其输出，所以可以根据性能指标的需求计算出系统应有的控制量。 模型预测控制是一种动态优化控制算法[3]。通过模型的性能指标来确定未来的控制作用，该性能指标和系统未来行为输出密切相关（如对象的输出在未来的采样时刻上跟踪某一期望轨迹的方差为最小）。随时间的推移而不断地进行在线优化，即从每个采样时刻，到下一个采样时刻，优化性能指标只和从该时刻起的未来有限时间有关，未来的控制作用便可不断地被确定并实施（见图1）。因而预测控制被称为是“滚动优化”的算法，其能够有效地克服工业过程控制中对象模型的不精确、非线性、时变等不确定性所产生的影响，和一般最优控制中的全局优化相比，在实际的控制过程中达到意义上的最优控制。 1：参考轨迹（虚线）yr；2：最优预测输出(实线) 3：最优控制作用 图1滚动优化 预测控制是一种闭环的反馈控制算法。为了使输出的误差为零，减小模型失配或环境干扰引起的误差，在通过滚动优化确定了未来的控制作用后，首先对实际输出值进行检测，并把反馈信息和输出预测值进行比对，构成了闭环优化，然后再进行新的优化。这样看来预测控制就是一种把预测模型系统未来的输出、实施滚动优化并结合了闭环反馈校正控制系统的计算机优化控制算法。因其对预测模型没有较为严格的要求，对模型精度的要求也不高，尤其是它在有限时段的