[发明专利]基于多回路改进SNA-PID的炉膛温度智能优化控制方法

权利要求书

1.基于多回路INSA-PID的炉膛温度智能优化控制方法，其特征在于：由三部分组成：面向炉膛温度的被控对象模型、面向炉膛温度的多回路智能控制器和面向炉膛温度的设定优化；

y_FT表示炉膛温度最优设定值；U表示多回路控制器输出矩阵；表示炉膛温度模型输出值；/和/表示NOx与CO₂模型输出值，其余符号见下文描述；

面向炉膛温度的被控对象模型包括基于小波的数据去噪和基于最小二乘决策树(LSDT)的炉膛温度模型；

和/分别表示一次风量、二次风量、进料器炉排均速、干燥炉排均速和氨水注入量原始数据；u_PriAir、u_SecAir、u_Feeder、u_Dry和/分别表示一次风量、二次风量、进料器炉排均速、干燥炉排均速和氨水注入量小波去噪后的数据；/表示炉膛温度模型输出；

1)基于小波的数据去噪

软阈值去噪表示式如下所示：

其中，w_θ和表示是去噪前、后的小波系数；阈值/M为信号长度；

软阈值是令绝对值小于阈值的元素为0，其余非0元素向0收缩；

2)基于LSDT的炉膛温度模型

将炉膛温度模型的全部输入特征记为

首先，以第m个输入特征作为分割变量，以第n_sel个样本对应的值/作为分割点进行切割，将输入特征空间分为两个区域/和/如下：

基于以下准则，通过遍历寻找最优分割变量和分割点；

其中，和/分别代表区域/和/中样本真值；/和/分别代表区域/和/中的样本真值平均值；

接着，重复上述过程，直到叶节点样本数小于经验设定阈值θ_FT，取样本数量的十分之一作为该阈值；

最后，将输入特征空间划分为K_FT个区域并标记为/

进而，基于LSDT的FT模型如下：

其中，为第k个叶节点权重；I(·)为指示函数，当/存在时函数值为1，否则为0，/表示中间节点数量，且/

构建上述模型的损失函数定义如下：

其中，λ为正则项系数；

将其转换成向量形式，将损失函数对求导，并令其为0，可得：

其中，U_model表示模型输入特征向量；

先计算一次风量、二次风量、进料器均速与炉膛温度的相关系数，将相关系数较低的一次风作为扰动量；

第j个操作变量其中(j＝1,···,4)；

原始SNA-PID控制器需要对误差信号进行状态转换，其输入为：

其中，e(k)表示误差值；和y_FT分别表示炉膛温度设定值和模型输出值；k表示迭代次数；

针对SNA-PID控制器的输入x₃进行改进，目的是降低输出震荡，如下：

z₃(k)＝[e(k)-e(k-1)]² (10)

因此，针对第j个操作变量的ISNA-PID控制器输出表示为：

其中，表示第j个操作变量的增量；/表示第j个操作变量的神经元增益系数；表示在k时刻第j个操作变量的第i个神经元加权系数，表示为：

由式(18)和(19)可知，SNA-PID控制器通过不断在线调整神经元加权系数，在有监督的Hebb学习算法下实现设定值的跟踪，如下：

/

在式(20)的基础上，重复利用误差增量实现加权系数的更新，修改后的加权系数更新公式如下：

其中，和/分别表示第j个操作变量中比例、积分和微分神经元的权重系数，/和/分别表示第j个操作变量中比例、积分和微分神经元学习系数；

面向炉膛温度的设定优化

1)基于CART树的NOx与CO₂指标模型

此处仅考虑炉膛温度对NOx与CO₂的影响，为增加模型的可解释性采用CART树构建单入单出指标模型；

NOx模型建模过程如下：

首先，以第n_sel个样本对应的值作为分割点进行切割，将输入特征空间分为两个区域/和/如下：

基于以下准则，通过遍历寻找最优分割点；

其中，和/分别代表/和/区域中样本真值；/和/分别代表/和/区域中样本真值的平均值；

接着，重复上述过程进行生长，直到叶节点样本数小于经验设定阈值θ_NOx，取样本数量的十分之一作为该阈值；

最后，将输入特征空间划分为K_NOx个区域并标记为

进而，基于CART树构建的NOx模型如下：

其中，表示区域/中包含的样本数量；/表示区域/中第/个样本真值；I(·)为指示函数，当/存在时函数值为1，否则为0；

CO₂模型建模过程如下：

首先，以第n_sel个样本对应的值作为分割点进行切割，将输入特征空间分为两个区域/和/如下：/

基于以下准则，通过遍历寻找最优分割点；

其中，和/分别代表/和/区域中样本真值；/和/分别代表/和/区域中样本真值的平均值；

接着，重复上述过程进行生长，直到叶节点样本数小于经验设定阈值取样本数量的十分之一作为该阈值；

最后，将输入特征空间划分为个区域并标记为/

进而，基于CART树构建的CO₂模型如下：

其中，表示区域/中包含的样本数量；/表示区域/中第/个样本真值；/表示经验设定阈值；I(·)为指示函数，当/存在时函数值为1，否则为0；

2)多目标优化模型

以NOx与CO₂排放浓度为优化目标的炉膛温度设定优化多目标模型如下所示：

其中，表示污染物综合排放浓度；w_Pollutant表示权重向量；γ_Pollutant表示污染物排放浓度输出向量；/分别表示NOx与CO₂排放浓度所占权重；

为最小化目标函数γ_mix，在基于CART树建立的单入单出NOx与CO₂指标模型的基础上，采用粒子群优化算法搜索最优炉膛温度设定值；

其粒子速度与位置更新公式为：

其中，t表示迭代次数；ω表示惯性因子；r₁和r₂是(0,1)之间的随机数；c₁和c₂代表学习因子，取值为2；x_i(t)、pbest_i(t)和gbest(t)分别表示第t次迭代时，第i个粒子的当前位置、个体最优以及全局最优；

由于炉膛温度设定通常为整数，对速度更新公式进行取整运算，如下所示：

其中，q表示粒子编号。