[发明专利]低负荷下锅炉负荷的多模型智能寻优预测控制方法

权利要求书

1.一种低负荷下锅炉负荷的多模型智能寻优预测控制方法，其特征在于，具体是：

步骤1：选取负荷点建立被控对象模型；

步骤2：在各个负荷点根据被控对象模型设计预测控制器，进而得到预测控制器的最优控制增量；

步骤3：若步骤2中的最优控制增量满足约束条件，则不需要进行处理，若不满足约束条件，则需采用粒子群算法寻求最优控制增量；

步骤4：采用多模型预测控制，根据各子模型输出与实际输出的偏差用改进递推贝叶斯加权算法对各子控制器的输出进行加权；

步骤1建立被控对象模型，具体是：在各负荷点做阶跃响应试验，得到输入输出数据拟合得到被控对象传递函数G(s)；

步骤2中设计预测控制器的具体方法是：依据对象传递函数，得到可控自回归积分滑动平均模型，

其中，A(q^-1),B(q^-1)为系数多项式，ξ(k)为随机序列，表示随机噪声，y(k)为输出序列，u(k)为输入序列，Δ＝1-q^-1为差分算子，q^-1是后移算子；所述A(q^-1),B(q^-1)具体是：

a₁、b₀、均为多项式的系数；

通过引入丢番图方程，

其中，E(q^-1),F(q^-1),G(q^-1)为系数多项式，形式如下：

其中，e_j,1、g_j,0、g_j,1、f_j,1、均为多项式的系数；上述矩阵中的元素的下角标j代表对未来j步的预测，根据预测时域N可以得到完整的矩阵；

可求解得到预测控制器：

Y＝F₁ΔU+F₂ΔU(k-j)+GY(k)

其中，Y为未来的预测输出，ΔU为当前及未来的控制增量序列，ΔU(k-j)过去的控制增量序列，Y(k)为当前及过去的输出；

Y＝[y(k+1)…y(k+N)]^T

ΔU＝[Δu(k)…Δu(k+N_u-1)]^T

ΔU(k-j)＝[Δu(k-1)…Δu(k-n_b)]^T

Y(k)＝[y(k)…y(k-n_a)]^T

N为预测时域，Nu为控制时域；

预测控制器的优化性能指标为：

J＝[F₁ΔU+F₂ΔU(k-j)+GY(k)-Y_r]^T[F₁ΔU+F₂ΔU(k-j)+GY(k)-Y_r]+ΔU^TΓΔU

其中，Y_r＝[y_r(k+1)…y_r(k+N)]^T为设定值，Γ为控制权矩阵；

时，预测控制器的最优控制增量为：

ΔU(k)＝(F₁^TF₁+Γ)^-1F₁^T[Y_r-F₂ΔU(k-j)-GY(k)]

取计算得到的最优控制增量序列中当前时刻k的控制增量Δu(k)；所述约束条件具体为：

采用粒子群算法寻求最优控制增量，具体是：

速度v_i＝(v_i1,v_i2,…v_id)代表粒子在在搜索空间单位迭代次数的位移；随机初始化一群粒子，第i个粒子在解空间的位置表示为x_i＝(x_i1,x_i2,…，x_id)，解空间维度为d，每次迭代粒子跟踪两个极值来更新速度和位置，其一为粒子从初始到当前迭代次数搜索产生的最优解，即个体极值p_i＝(p_i1,p_i2,…,p_id)，其二为粒子种群当前最优解，即全局极值g＝(g₁,g₂,…,g_d)，粒子更新依据以下公式：

v_i＝ωv_i+c₁rand()(p_i-x_i)+c₂rand()(g-x_i)

x_i＝x_i+v_i

其中，c₁，c₂为学习因子，rand()为[0,1]中的随机数，ω为惯性因子；粒子速度和位置若超过约束，则取边界值；根据适应度函数更新p_i和g，若达到迭代次数上限或满足最小误差标准则停止迭代；经过PSO智能寻优后，得到控制系统最优控制增量Δu_t(k)；

改进递推贝叶斯加权算法对各子控制器的输出进行加权，具体是：

其中，ε_j,k表示k时刻第j个子模型和被控对象输出的相对误差，即绝对误差与初始输出量之比；K为递推收敛系数，越大收敛越快；P_j,k为k时刻第j个子模型和对象匹配程度的概率，越大表示越符合实际对象；为防止出现某时刻某子模型匹配程度为0而无法再被使用的情况，设定一个小正实数δ，P_i,j＜δ时令P_i,j＝δ；各子控制器权值如下：

由此可得系统实际控制增量为：

最终得到控制量为：

u_jq(k)＝u_jq(k-1)+Δu_jq(k)

再以k+1时刻为基点进行新的最优控制增量的计算，实现预测控制器的滚动优化。