CN102323751A - 基于模糊智能控制和最优化方法的预粉磨系统控制方法 - Google Patents

Abstract

本发明涉及工业自动控制领域，旨在提供一种基于模糊智能控制和最优化方法的预粉磨系统控制方法。该方法包括对稳流仓进出料与自循环实现控制的稳流仓仓重控制回路，以及对研磨系统进出料与自循环实现控制的循环负荷控制回路；稳流仓仓重控制回路采用模糊智能控制，循环负荷控制回路采用预测控制方法进行控制。本发明使得稳流仓仓重平稳的保持在安全范围之内，避免了强烈的震荡；循环负荷控制回路采用的预测控制方法能够有效处理预粉磨系统流程中的非线性、强耦合、多变量、大滞后等特性，并且能够有效处理约束条件；明显的减少了各个变量的波动，提高了预粉磨系统的自动化水平，减少了工人的劳动强度，达到系统平稳与优化运行的目的。

Description

基于模糊智能控制和最优化方法的预粉磨系统控制方法

技术领域

本发明涉及工业自动控制领域，尤其是涉及一种基于模糊智能控制和最优化方法的预粉磨系统控制方法。

背景技术

水泥生产过程是一个复杂的物理化学过程，虽然生产工艺在不断发展，从立窑、中空窑、湿法窑、预热器窑到现在的新型干法窑(预热器带窑外分解)，生产的总体过程没有变化，即两磨一窑(原料磨系统、水泥窑系统、水泥磨系统)。

其中预粉磨过程是水泥生产的重要环节，因其具有大滞后、非线性、强耦合等特点，一直以来都是水泥过程控制中的重点和难点问题。目前，国内水泥生产企业预粉磨过程大多还处在人工操作阶段，因此如何采用有效的方式实现预粉磨过程自动控制，提高自动控制水平，降低生产能耗提高能效，减小人工劳动强度成为了一个亟待解决的问题。

目前被广泛应用的先进控制策略主要是模糊控制和预测控制。

模糊控制是智能控制的一个非常重要的研究领域，其数学基础是模糊集合理论。模糊逻辑和模糊数学虽然只有短短的几十年的历史，但是其理论和应用的研究已经取得了丰硕的成果。尤其是在自动控制领域的成功应用，引起了学术界和工业界的广泛关注。自从1947年英国的Mamdani首次将模糊逻辑用于蒸汽机的控制后，模糊控制在工业过程控制、机器人、交通运输方面得到了广泛而卓有成效的应用。与传统的控制方法，如PID控制相比，模糊控制利用人类专家控制经验，对于非线性、复杂对象的控制显示了鲁棒性好、控制性能高的优点。

预测控制被认为是一种非常适合流程工业的优化控制算法，对于复杂控制问题，预测控制技术能够取得比传统控制方式更好的控制效果，并已得到广泛的应用。动态矩阵控制作为预测控制的一种，不但具有滚动优化、反馈校正等预测控制的传统特点，而且具有对模型要求较低、处理约束方便、鲁棒性强等特性，非常适合预粉磨过程的滞后、非线性和强耦合等特点。

动态矩阵控制(DMC)是20世纪80年代，Cutler和Ramaker提出来的，着重于再约束下优化装置运行，对复杂工业过程的优化控制产生了深远影响。目前已经广泛应用于石油化工、造纸、冶金、食品等工业领域，获得良好的控制效果。但该控制方法在水泥生产中的应用发展较为缓慢。国内相关研究较少，主要出于仿真和理论阶段。

发明内容

本发明的目的在于针对现有水泥预粉磨系统自动化水平低，能耗成本高等技术的不足，提供一种基于模糊智能控制和最优化方法的预粉磨系统控制方法。

为解决技术问题，本发明提出了基于模糊智能控制和最优化方法的预粉磨系统控制方法，包括对稳流仓进出料与自循环实现控制的稳流仓仓重控制回路，以及对研磨系统进出料与自循环实现控制的循环负荷控制回路；

所述稳流仓仓重控制回路采用模糊智能控制，是以稳流仓仓重值误差和误差变化量为模糊控制器的输入量，以配料量为模糊控制器的输出量，经去模糊化和滤波处理后，作为具体的控制信号通过OPC接口写入预粉磨系统的DCS系统；

所述循环负荷控制回路采用预测控制方法进行控制，是以循环风机变频转速值作为操作变量，选粉机电流值作为受控变量，经滤波处理后，作为具体的控制信号通过OPC接口写入预粉磨系统的DCS系统。

本发明中，所述稳流仓仓重控制回路采用模糊智能控制，具体包括：

将稳流仓重值误差e，稳流仓仓重误差变化量Δe和配料量u进行模糊化处理和隶属度函数确定；三个变量均采用三角形隶属度函数，将三个变量分割为七个模糊论域；模糊智能控制器根据模糊规则表进行模糊推理，然后采用加权平均法对配料量进行去模糊化处理，得到具体控制信号。

本发明中，所述循环负荷控制回路中，采用显式的处理约束，操作变量和受控变量均满足不等式组形式的约束条件，使得系统保持在最优边界附近运行。

本发明中，所述循环负荷控制回路采用预测控制方法进行控制，具体包括步骤：

A、根据公式(1)(2)(3)(4)(5)获得循环负荷控制回路的阶跃响应模型；

B、根据选粉机电流的设定值S以及当前时刻选粉机电流的实际值Y(k)获得选粉机电流的参考轨迹Y_d(k+i)，如公式(6)所示；

C、根据公式式(6)(7)计算预测误差；

D、求解公式(8)(9)组成的二次优化问题，获得循环风机变频转速值；

所述公式为：

Y_p(k)＝Y_o(k)+AΔU(k)                             (1)

式中：

Y_p(k)＝[y_p(k+1|k)y_p(k+2|k)...y_p(k+N|k)]^T；       (2)

Y_o(k)＝[y_o(k+1|k)y_o(k+2|k)...y_o(k+N|k)]^T；       (3)

ΔU(k)＝[Δu(k)Δu(k+1)...Δu(k+N-1)]^T；         (4)

Y_d(k+i)＝λ^jY(k)+(1-λⁱ)S，j＝1，L，M           (5)

Y_p(k+j)＝Y_m(k+j)+CE(k)                          (6)

E(k)＝Y(k)-Y_m(k)                                (7)

$\min J\left(k\right)={\left|\right|Y_p\left(k\right)-Y_d\left(k\right)\left|\right|}_Q^2+{\left|\right|\mathrm{\ΔU}\left(k\right)\left|\right|}_R^2---\left(8\right)$

$\mathrm{st}.\left\{\begin{array}{c}{U}_{\inf }\≤U\left(k\right)\≤U_{\sup }\\ \mathrm{\Δ}{U}_{\inf }\≤\mathrm{\ΔU}\left(k\right)\≤\mathrm{\Δ}{U}_{\sup }\\ Y_{\inf }\≤Y\≤Y_{\sup }\end{array}\right.---\left(9\right)$

上述公式中，各符号：

Y_p(k)表示选粉机电流预测值序列矢量，Y_o(k)表示选粉机电流初始值序列矢量，ΔU(k)表示循环风机变频转速增量的序列矢量；Y_d(k+i)为选粉机电流的参考轨迹，λ为柔化系数，Y(k)为当前时刻的选粉机电流的实际输出值，S为选粉机电流的设定值，M为预测时域；Y_p(k+j)为校正后选粉机电流的预测值，Y_m(k+j)为选粉机电流的模型预测值，E(k)为选粉机电流的预测误差，C＝[c₁，c₂，L，c_N]为矫正系数矢量，其具体数值可根据现场情况进行调节，Y(k)为选粉机电流的实际输出；J(k)为目标函数值，Y_p(k)为反馈校正后选粉机电流的预测值，Y_d(k)为选粉机电流的参考轨迹值，ΔU(k)为操作变量，即循环风机变频转速的变化值，Q，R为权重矩阵，是主要的调试变量，可以根据现场情况进行调节，Q的维数M是各输出变量重合点数之和，R的维数L是各输入变量的控制时域之和，U_inf、U_sup、ΔU_inf、ΔU_sup、Y_inf、Y_sup分别为循环风机变频转速值、循环风机变频转速调节量和选粉机电流值的上下边界。

本发明中，所述循环负荷控制回路中的阶跃响应模型为一灰箱模型，并采取变步长预测模型，通过增大循环风机变频转速和选粉机电流的采样步长，减少在线计算量。

本发明中，所述循环负荷控制回路中采取反馈校正方法对预测模型进行校正。

本发明具有的有益效果是：

1、稳流仓仓重控制回路采用的模糊智能控制器是根据现场工艺和操作人员的经验建立模糊规则表，对输入信号进行模糊化处理后，通过模糊推理得到模糊结论，对模糊结论去模糊处理得到具体的控制信号，最后经过滤波处理后通过OPC接口写入到预粉磨系统的DCS系统中。这使得稳流仓仓重平稳的保持在安全范围之内，避免了强烈的震荡，为整个系统的稳定运行提供了良好的基础。

2、循环负荷控制回路的预测模型采取阶跃响应模型，综合了系统机理与现场数据，不但简化了建模步骤，而且模型准确可靠，具有较强的鲁棒性，该模型用于预测控制，计算量小，便于在线运行。

3、循环负荷控制回路采用的预测控制方法能够有效处理预粉磨系统流程中的非线性、强耦合、多变量、大滞后等特性，并且能够有效处理约束条件，在保证系统平稳的前提下，将系统约束在最优工作状态附近，防止输入输出超调，保护设备，有效提高设备运转率，提高产量，保证产品质量，并实现系统节能减耗。

4、图8为应用本发明后的实际控制效果，使用该控制方法明显的减少了各个变量的波动，提高了预粉磨系统的自动化水平，减少了工人的劳动强度，达到系统平稳与优化运行的目的。

附图说明

图1为控制对象预粉磨系统的示意图；

图2为预粉磨系统稳流仓仓重控制回路的示意图；

图3为预粉磨系统循环负荷控制回路的示意图；

图4为模糊智能控制器变量隶属度函数示意图；

图5为循环风机变频转速阶跃响应示意图；

图6为模糊智能控制的基本框架示意图；

图7为基于阶跃响应模型的预测控制的基本框架示意图；

图8为本发明的控制效果示意图；

图9为本发明控制方法实现的结构框图。

附图标记说明：1.配料量给定；2.提升机；3.稳流仓；4.辊压机；5.循环风机；6.研磨设备(内部包含选粉机)；7.回料皮带；8.收尘器；9产品入库。

具体实施方式

下面根据附图详细说明本发明，本发明的目的和效果将变得更加明显。

本发明采用的总体技术方案是：

1)将预粉磨系统分为两个控制回路：稳流仓仓重控制回路和循环负荷控制回路。稳流仓仓重控制回路包括以下流程：配料通过提升机进入稳流仓，经过循环风机作用，合格物料进入入磨提升机被送入研磨系统，不合格物料则进入辊压机，经辊压后再次同配料一起进入提升机。稳流仓仓重控制回路如图2所示。循环负荷控制回路包括以下流程：稳流仓的合格物料通过入磨提升机进入研磨系统，物料经研磨后，合格产品进入收尘器，不合格产品则通过回料皮带和入磨提升机再次进入研磨系统，在此回路中选粉机电流能够很好的反映循环负荷的大小。循环负荷控制回路如图3所示；

2)对稳流仓仓重控制回路，采用模糊智能控制方法进行控制。建立模糊规则表，将稳流仓仓重实际值和设定值之间的误差和误差的变化量作为模糊输入量进行模糊化处理后，通过模糊推理得到模糊结论，对模糊结论去模糊化处理得到配料量的值作为具体的控制信号，再经过滤波处理后将控制信号通过OPC接口写入预粉磨系统的DCS系统；

3)对循环负荷控制回路，采用预测控制方法进行控制。对该回路的输入变量，即循环风机变频转速进行阶跃响应试验，根据试验数据结合系统机理建立该回路的阶跃响应预测模型，其阶跃响应如图5所示；获得系统模型后，根据当前时刻回路的输出，即选粉机电流y以及其设定值s，获得系统的输出参考轨迹y_d，根据系统阶跃响应模型、模型校正以及约束条件，通过求解二次优化问题获得当前时刻的操作变量的值，即循环风机变频转速u，经过滤波后通过OPC接口写入预粉磨系统的DCS系统，完成系统的一个控制循环。在后续的控制周期不断重复该过程，保证水泥生产预粉磨系统的稳定与优化运行。

本发明总体实施步骤如下：

1)将预粉磨系统分为两个控制回路进行控制，稳流仓仓重控制回路采用模糊智能控制方法进行控制，循环负荷控制回路采用预测控制方法进行控制。以上两种控制方法均可通过软件方法实现。

2)对于稳流仓仓重控制回路，其模糊智能控制方法是根据现场工艺和操作人员的经验建立模糊规则表，将稳流仓仓重实际值与设定值之间的误差和误差的变化量作为模糊控制的输入量；将配料量作为模糊控制的输出量，经去模糊化和滤波处理后，配料量的值作为控制量通过OPC接口写入DCS系统，模糊智能控制器如图6所示。

3)对于循环负荷控制回路，采用的预测控制方法所选取的变量分别是：循环风机变频转速值作为操作变量；选粉机电流值作为受控变量(因为选粉机电流可以很好的反映该回路的循环负荷情况)。显式的处理约束，操作变量和受控变量均满足不等式组形式的约束条件，合理的约束处理可使得系统保持在最优边界附近运行。

4)循环负荷控制回路的阶跃响应模型为一灰箱模型，该模型是根据该回路的阶跃响应试验数据结合现场工艺建立的。采取变步长预测模型，通过增大循环风机变频转速和选粉机电流的采样步长，减少在线计算量。此外，根据预粉磨系统工艺得到预测模型的约束条件。

5)循环负荷控制回路中，采取反馈校正方法对预测模型进行校正，极大的减少了模型的预测误差，可实现预粉磨系统的无偏差控制。

6)循环负荷控制回路中，预测控制算法以二次型目标函数最小为指标，通过求解满足不等式组形式约束条件的QP问题获得系统当前时刻的操作值。

7)对两个控制回路的输出进行均值滤波，提高系统鲁棒性。

1.预粉磨系统工业流程

图1给出了一种典型预粉磨系统的工艺流程图，配料站的喂料通过皮带传送到提升机，通过提升机和皮带将原料送入稳流仓当中，在稳流仓中对物料新型筛选，不合格的物料进入辊压机进行处理后再次进入提升机，而合格物料则进入后续流程，上述过程为稳流仓仓重控制回路流程。合格物料通过循环风机的作用，通过皮带和提升机传送到研磨系统当中，进入研磨系统的原料经过选粉机筛选后，不合格物料经回料皮带和提升机再次进入研磨系统进行二次研磨，合格物料则进入收尘器，最后作为产品入库，此过程为循环负荷控制回路流程。

2.稳流仓仓重控制回路模糊智能控制器的设计

本发明将预粉磨系统分为两个控制回路，稳流仓仓重控制回路采用模糊智能控制器来控制稳流仓仓重。其中稳流仓仓重实际值与设定值之间的误差e和误差变化量Δe为模糊控制器的输入量，配料量u为模糊控制器的输出量。将稳流仓重值误差e，稳流仓仓重误差变化量Δe和配料量u进行模糊化处理和隶属度函数确定，本发明将三个变量分割为七个模糊论域，分别为PL(Positive Large)表示正大，PM(Positive Medium)表示正中，PS(Positive Small)表示正小，ZE(Zero)表示零，NS(Negative Small)表示负小，NM(NegativeMedium)表示负中，NL(Negative Large)表示负大。本发明中三个变量均采用三角形隶属度函数，其形式如图4所示。

建立模糊智能控制器的模糊规则表，其形式如表1所示：

表1模糊规则表

上述模糊规则表的内容可根据实际预粉磨系统的现场工艺控制要求进行调整。

模糊智能控制器根据模糊规则表进行模糊推理，但是得到的结论仍然是模糊量，必须经过去模糊化处理得到清晰的精确量才能施加于控制对象。本发明采用加权平均法对输出量，即配料量进行去模糊化处理，得到配料量的值作为具体控制信号。

由于干扰的存在，控制器输出值(配料量)可能存在波动，通过对配料量的值进行滤波消除这种波动，提高系统鲁棒性。本发明采用均值滤波方法，在每个控制周期，经过滤波处理后的配料量值作为最后的控制量通过OPC接口写入预粉磨系统的DCS系统中。

3.循环负荷控制回路基于阶跃响应的预测模型

本发明的预测控制算法采用受控系统特性的阶跃响应非参数模型作为内部预测模型。其中以循环风机变频转速为操作变量，以选粉机电流为受控变量。

本发明采取系统机理结合现场试验数据建立其阶跃响应模型。建模长度为N的预测模型矢量式的基本结构为：

Y_p(k)＝Y_o(k)+AΔU(k)                               (1)

式中：

Y_p(k)＝[y_p(k+1|k)y_p(k+2|k)...y_p(k+N |k)]^T；        (2)

Y_o(k)＝[y_o(k+1|k)y_o(k+2|k)...y_o(k+N |k)]^T；        (3)

ΔU(k)＝[Δu(k)Δu(k+1)...Δu(k+N-1)]^T；           (4)

分别为模型中选粉机电流预测值，选粉机电流初始值和控制增量，即循环风机变频转速增量的序列矢量。

在本发明中，由于该控制回路属于大时滞，大惯性的特点，系统响应的上升时间比较长，通过对预粉磨系统的工艺和现场数据的分析后，各个变量的采样周期选取为30秒，建模时域为12分钟。此处选取的时间可根据实际预粉磨系统的现场工艺控制要求进行调整。

4.循环负荷控制回路基于阶跃响应模型的预测控制

获得循环负荷控制回路中各变量之间的阶跃响应模型后，实现基于该模型的预测控制，本发明的预测控制方法主要包括参考轨迹、反馈校正、滚动优化与输出滤波四个部分，如图7所示。

1)参考轨迹

Y_d(k+i)＝λ^jY(k)+(1-λⁱ)S，j＝1，L，M             (5)

其中Y_d(k+i)为选粉机电流的参考轨迹，λ为柔化系数，Y(k)为当前时刻的选粉机电流的实际输出值，S为选粉机电流的设定值，M为预测时域。

2)反馈校正

由于建模误差及系统干扰，预测模型失配是普遍现象。反馈校正是预测控制克服模型失配的方法。通过反馈校正可以使系统达到无偏差跟踪。反馈校正算法如式(11)(12)所示。

Y_p(k+j)＝Y_m(k+j)+CE(k)                (6)

E(k)＝Y(k)-Y_m(k)                      (7)

其中Y_p(k+j)为校正后选粉机电流的预测值，Y_m(k+j)为选粉机电流的模型预测值，E(k)为选粉机电流的预测误差，C＝[c₁，c₂，L，c_N]为矫正系数矢量，其具体数值可根据现场情况进行调节，Y(k)为选粉机电流的实际输出。

3)滚动优化

本发明的预测控制方法为受约束预测控制，可以有效处理操作变量和受控变量的约束条件，具有深刻的现实意义。系统在边界处运行状态(能耗指标)最优，而超过该边界会出现质量不达标等问题，所以应将系统尽可能约束在最优边界附近。

该预测控制的优化指标为二次型滚动优化目标函数，约束条件为不等式组。

本发明的滚动优化过程可以表示为(8)(9)组成的二次规划(QP)问题：

$\min J\left(k\right)={\left|\right|Y_p\left(k\right)-Y_d\left(k\right)\left|\right|}_Q^2+{\left|\right|\mathrm{\ΔU}\left(k\right)\left|\right|}_R^2---\left(8\right)$

$\mathrm{st}.\left\{\begin{array}{c}{U}_{\inf }\≤U\left(k\right)\≤U_{\sup }\\ \mathrm{\Δ}{U}_{\inf }\≤\mathrm{\ΔU}\left(k\right)\≤\mathrm{\Δ}{U}_{\sup }\\ Y_{\inf }\≤Y\≤Y_{\sup }\end{array}\right.---\left(9\right)$

Q＝diag(q₁，L，q_M)             (10)

R＝diag(r₁，L，r_L)             (11)

其中J(k)为目标函数值，Y_p(k)为反馈校正后选粉机电流的预测值，Y_d(k)为选粉机电流的参考轨迹值，ΔU(k)为操作变量，即循环风机变频转速的变化值，Q，R为权重矩阵，是主要的调试变量，可以根据现场情况进行调节，Q的维数M是各输出变量重合点数之和，R的维数L是各输入变量的控制时域之和，U_inf、U_sup、ΔU_inf、ΔU_sup、Y_inf、Y_sup分别为循环风机变频转速值、循环风机变频转速调节量和选粉机电流值的上下边界。

4)输出滤波

由于干扰的存在，控制器输出存在波动，通过对控制器的输出量进行滤波消除这种波动，提高系统鲁棒性。本发明中采用均值滤波方法，在每一个控制周期对预测控制算法计算得到的循环风机转速值进行滤波处理，然后通过OPC接口写入到预粉磨系统的DCS系统。

综上，本发明的控制方法工作步骤为：

1)将预粉磨系统分为两个控制回路，稳流仓仓重控制回路和循环负荷控制回路，对两个回路分别采用模糊智能控制和预测控制的方法进行控制。

2)确定稳流仓仓重值误差和误差变化量为模糊控制器的输入量，配料量为模糊控制器的输出量，并对它们进行模糊化处理以及论域分割。

3)根据表1设计模糊智能控制器的模糊规则。

4)根据模糊规则进行模糊推理，得到控制变量的模糊量。

5)对模糊推理得到的结论进行去模糊化得到配料量的具体值作为控制信号。

6)对模糊控制量(配料量)进行均值滤波，通过OPC接口写入DCS系统。

7)进行下一周期的控制循环。

8)根据式(1)(2)(3)(4)(5)获得循环负荷控制回路的阶跃响应模型。

9)根据选粉机电流的设定值S以及当前时刻选粉机电流的实际值Y(k)获得选粉机电流的参考轨迹Y_d(k+i)，如式(6)所示。

10)根据式(6)(7)计算预测误差。

11)求解(8)(9)组成的二次优化问题，获得循环风机变频转速值。

12)对循环风机变频转速值进行均值滤波处理得到最终的控制量，通过OPC接口写入DCS系统。

13)进行下一周期的控制循环。

本发明中所提及的各种功能实现方法可以有多种，本领域的技术人员在充分了解本发明的思想后，完全可以借助相关软件编程(例如C++)和OPC、DCS等相关技术支持，实现本发明提到的控制方法。本发明中的控制方法实现的总体架构可以参考图9。

上述实例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (6)

1.基于模糊智能控制和最优化方法的预粉磨系统控制方法，包括对稳流仓进出料与自循环实现控制的稳流仓仓重控制回路，以及对研磨系统进出料与自循环实现控制的循环负荷控制回路；其特征在于：

所述稳流仓仓重控制回路采用模糊智能控制，是以稳流仓仓重值误差和误差变化量为模糊控制器的输入量，以配料量为模糊控制器的输出量，经去模糊化和滤波处理后，作为具体的控制信号通过OPC接口写入预粉磨系统的DCS系统；

所述循环负荷控制回路采用预测控制方法进行控制，是以循环风机变频转速值作为操作变量，选粉机电流值作为受控变量，经滤波处理后，作为具体的控制信号通过OPC接口写入预粉磨系统的DCS系统。

2.根据权利要求1所述的方法，其特征在于，所述稳流仓仓重控制回路采用模糊智能控制，具体包括：

将稳流仓重值误差e，稳流仓仓重误差变化量Δe和配料量u进行模糊化处理和隶属度函数确定；三个变量均采用三角形隶属度函数，将三个变量分割为七个模糊论域；模糊智能控制器根据模糊规则表进行模糊推理，然后采用加权平均法对配料量进行去模糊化处理，得到具体控制信号。

3.根据权利要求1所述的方法，其特征在于，所述循环负荷控制回路中，采用显式的处理约束，操作变量和受控变量均满足不等式组形式的约束条件，使得系统保持在最优边界附近运行。

4.根据权利要求1所述的方法，其特征在于，所述循环负荷控制回路采用预测控制方法进行控制，具体包括步骤：

A、根据公式(1)(2)(3)(4)(5)获得循环负荷控制回路的阶跃响应模型；

B、根据选粉机电流的设定值S以及当前时刻选粉机电流的实际值Y(k)获得选粉机电流的参考轨迹Y_d(k+i)，如公式(6)所示；

C、根据公式式(6)(7)计算预测误差；

D、求解公式(8)(9)组成的二次优化问题，获得循环风机变频转速值；

所述公式为：

Y_p(k)＝Y_o(k)+AΔU(k)                       (1)

式中：

Y_p(k)＝[y_p(k+1|k)y_p(k+2|k)...y_p(k+N|k)]^T； (2)

Y_o(k)＝[y_o(k+1|k)y_o(k+2|k)...y_o(k+N|k)]^T； (3)

ΔU(k)＝[Δu(k)Δu(k+1)...Δu(k+N-1)]^T；   (4)

Y_d(k+i)＝λ^jY(k)+(1-λⁱ)S，j＝1，L，M      (5)

Y_p(k+j)＝Y_m(k+j)+CE(k)      (6)

E(k)＝Y(k)-Y_m(k)            (7)

$\min J\left(k\right)={\left|\right|Y_p\left(k\right)-Y_d\left(k\right)\left|\right|}_Q^2+{\left|\right|\mathrm{\ΔU}\left(k\right)\left|\right|}_R^2---\left(8\right)$

$\mathrm{st}.\left\{\begin{array}{c}{U}_{\inf }\≤U\left(k\right)\≤U_{\sup }\\ \mathrm{\Δ}{U}_{\inf }\≤\mathrm{\ΔU}\left(k\right)\≤\mathrm{\Δ}{U}_{\sup }\\ Y_{\inf }\≤Y\≤Y_{\sup }\end{array}\right.---\left(9\right)$

上述公式中，各符号：

Y_p(k)表示选粉机电流预测值序列矢量，Y_o(k)表示选粉机电流初始值序列矢量，ΔU(k)表示循环风机变频转速增量的序列矢量；Y_d(k+i)为选粉机电流的参考轨迹，λ为柔化系数，Y(k)为当前时刻的选粉机电流的实际输出值，S为选粉机电流的设定值，M为预测时域；Y_p(k+j)为校正后选粉机电流的预测值，Y_m(k+j)为选粉机电流的模型预测值，E(k)为选粉机电流的预测误差，C＝[c₁，c₂，L，c_N]为矫正系数矢量，其具体数值可根据现场情况进行调节，Y(k)为选粉机电流的实际输出；J(k)为目标函数值，Y_p(k)为反馈校正后选粉机电流的预测值，Y_d(k)为选粉机电流的参考轨迹值，ΔU(k)为操作变量，即循环风机变频转速的变化值，Q，R为权重矩阵，是主要的调试变量，可以根据现场情况进行调节，Q的维数M是各输出变量重合点数之和，R的维数L是各输入变量的控制时域之和，U_inf、U_sup、ΔU_inf、ΔU_sup、Y_inf、Y_sup分别为循环风机变频转速值、循环风机变频转速调节量和选粉机电流值的上下边界。

5.根据权利要求4所述的方法，其特征在于，所述循环负荷控制回路中的阶跃响应模型为一灰箱模型，并采取变步长预测模型，通过增大循环风机变频转速和选粉机电流的采样步长，减少在线计算量。

6.根据权利要求5所述的方法，其特征在于，所述循环负荷控制回路中采取反馈校正方法对预测模型进行校正。

Images