CN107065576A - 基于pso‑dmpc的反应再生系统优化控制方法 - Google Patents

基于pso‑dmpc的反应再生系统优化控制方法 Download PDF

Info

Publication number
CN107065576A
CN107065576A CN201710447640.0A CN201710447640A CN107065576A CN 107065576 A CN107065576 A CN 107065576A CN 201710447640 A CN201710447640 A CN 201710447640A CN 107065576 A CN107065576 A CN 107065576A
Authority
CN
China
Prior art keywords
mrow
mtr
mtd
reaction
msubsup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710447640.0A
Other languages
English (en)
Other versions
CN107065576B (zh
Inventor
白竣仁
陈雪梅
周伟
吴凌
陈实
易军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Science and Technology
Original Assignee
Chongqing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN201710447640.0A priority Critical patent/CN107065576B/zh
Publication of CN107065576A publication Critical patent/CN107065576A/zh
Application granted granted Critical
Publication of CN107065576B publication Critical patent/CN107065576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于PSO‑DMPC的反应再生系统优化控制方法，包括：S1：将反应再生系统的传递函数模型转化为阶跃响应模型；S2：建立DMPC模型，包括开环预测模块、稳态目标计算模块和动态矩阵控制模块；S3：利用PSO算法中粒子在搜索空间内的强随机性，在不放松约束条件的前提下，在更大的范围内对经济优化函数进行求解；S4：根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，最后利用PSO算法对该目标误差函数求解，获得操作变量的最佳变化量。本发明提供的基于PSO‑DMPC的反应再生系统优化控制方法不仅减小了RRS硬件负担，还能获取更优的操作变量参数，在保证经济效益的基础上，进一步对RRS进行优化控制。

Description

基于PSO-DMPC的反应再生系统优化控制方法
技术领域
本发明属于石油化工技术领域，涉及一种基于PSO-DMPC的反应再生系统优化控制方法。
背景技术
石油化工工业在我国国民经济中占有举足轻重的地位，承担着为我国提供各种能源的重担。常规的催化裂化装置由三个部分组成，包含反应再生系统、分馏系统以及吸收稳定系统。作为催化裂化的核心部分，反应再生系统(Reaction regeneration system，RRS)将原油经过加工，生成各种各样的轻质油产品。但现有的反应再生系统为非线性反应再生系统，存在控制精度低的问题。
发明内容
鉴于上述问题，本发明的目的是提供一种基于PSO-DMPC的反应再生系统优化控制方法，以解决现有的非线性反应再生系统控制精度低的问题。
本发明提供的基于PSO-DMPC的反应再生系统优化控制方法，包括：
S1：将反应再生系统的传递函数模型转化为阶跃响应模型；
S2：建立DMPC模型，DMPC模型包括开环预测模块、稳态目标计算模块和动态矩阵控制模块；
S3：利用PSO算法，在不放松约束条件的前提下，对经济优化函数进行求解；其中，约束条件包括操作变量的硬约束和软约束，被控变量的硬约束和软约束，外部目标的约束；
S4：根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，利用PSO算法对该目标误差函数求解，获得操作变量的最佳变化量。
利用上述根据本发明提供的基于PSO-DMPC的反应再生系统优化控制方法，能够赋予粒子更高的随机性，最优粒子可以表达更大范围内的最优值，该方法不仅减小了RRS硬件负担，还能获取更优的操作变量参数，真正达到RRS的自适应最优控制。
附图说明
图1为根据本发明的基于PSO-DMPC的反应再生系统优化控制方法的流程图；
图2为根据本发明的DMPC对RRS输出的跟踪效果图；
图3为根据本发明的DMPC对RRS输入的跟踪效果；
图4为根据本发明的PSO-DMPC对RRS的输出的跟踪结果图；
图5为根据本发明的PSO-DMPC对RRS的输入的跟踪结果图。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。
名词解释
PSO：Particle Swarm Optimization algorithm，粒子群优化算法。
DMPC：The Double-layerd Model Predictive Control，双层模型预测控制。
图1示出了根据本发明的基于PSO-DMPC的反应再生系统优化控制方法的流程。
如图1所示，本发明提供的基于PSO-DMPC的反应再生系统优化控制方法，包括如下步骤：
S1：将RRS的传递函数模型转化为阶跃响应模型。
转换后的RRS的阶跃响应模型如下：
式(1)中，Δu为操作变量的变化量，k为时间，N为模型长度，为RRS操作变量的阶跃响应系数矩阵，为RRS干扰变量的阶跃响应系数矩阵,对满足
S2：建立DMPC模型，DMPC模型包括开环预测模块、稳态目标计算模块和动态矩阵控制模块。
建立开环预测模块的过程，包括如下步骤：
S211：当Δu(k+i-1)＝0、Δv(k+i-1)＝0(1≤i≤P)时，设为对y(k+p|k)的预测值，其中，P为预测时域，则有：
S212：考虑反馈校正，假设vss(k)＝vss(k-1)+Δv(k)为已知，从k时刻开始，反应再生系统的操作变量不再变化时，基于式(2)得到反应再生系统的开环预测为yol(k+i|k)，当检测到Δu(k-1)时求解得到反应再生系统的开环预测：
式(3)中，vss(k)为阶跃响应的递推模型。
S213：基于式(3)与RRS的实际输出，得到误差
S214：对误差进行一阶指数平滑处理，得到：
S215：以平滑处理后的误差为基准，对RRS的输出进行反馈校正，且反馈校正在未来所有时间点都是恒定的，记为k时刻的开环动态预测值得到：
S216：结合式(4)，得到开放稳态预测：
建立稳态目标计算模块的过程，包括如下步骤：
S221：提取所有反应再生系统的操作变量和被控变量的硬约束条件与软约束条件，并合并表达为关于稳态操作变量的变化量δuss(k)的形式：
其中，为操作变量的上限，为操作变量的理想值的集合，为稳态增益矩阵，为稳态被控变量的变化量，为被控变量的理想值的集合，k为迭代次数，t为时间。
更为具体地，稳态MV的硬约束为：
在MPC控制过程中,存在MV变化速率约束其中，M为控制时域，则增加的稳态MV的硬约束为：
对δus(k)进行限制，则增加的稳态MV的硬约束为：
稳态CV的硬约束为：
稳态CV的软约束为：
在实际过程中，总是满足另外，对Δyss(k)进行限制，则增加的稳态CV的硬约束为
CV的新稳态值仅决定于δuss(k)的大小，而与MV动态变化路径无关。稳态预测模型为：
其中，为稳态增益矩阵；为开环稳态预测。
所有条件合并表达为关于稳态操作变量的变化量δuss(k)的形式
S222：建立经济优化函数：
式(5)中，B为权重；
S223：放松约束条件，采用二次规划方法对式(5)进行求解，获得单目标下的稳态操作变量的变化量δuss(k)。
建立动态矩阵控制模块的过程，包括如下步骤：
S231：取预测时域为P，控制时域为M。在每个时刻k，可得到：
S232：当P大于N时，yol(k+j|k)＝yol(k+N|k)，j＞N，该预测值包含预测误差的反馈校正及干扰的影响，得到：
其中，D为动态控制矩阵；
S233：在动态矩阵中，根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，选择最小化的目标误差函数如下：
为了让预测输出尽可能地接近实际输出，以式(5)的解求得RRS的输出设定值和实际输出的误差为目标误差函数。
S234：对最小化的目标函数(6)求解，获得操作变量的最佳变化量。
采用MATLAB7.0为仿真平台，以RRS为对象，进行DMPC算法的研究，仿真过程中，采样周期为4分钟，权重向量B＝(122211)，Jmin＝-3，建模时域N＝30，作变量下限ui 为0，预测控制的操作变量上限为600，被控变量下限yi 为0，被控变量上限为800，稳态操作变量变化值δus(k)为100，操作变量变化值为50。
各操作变量代表名称如表1所示：
表1各操作变量代表名称
各被控变量代表名称如表2所示：
表2各被控变量代表名称
通过实验仿真，DMPC对输出的跟踪效果以及对输入的跟踪效果如图2和图3所示。
从图2和图3可以看出，在考虑各变量优先级顺序的条件下，通过放松约束条件对最佳的操作变量变化量进行求取，仿真结果表明，DMPC对RRS的输入和输出有很好的跟踪效果。然而，放松约束条件不仅对硬件设备提出了更高的要求，而且所求的最优解是通过放松约束条件后求取的最优解，并不是真正意义上的最优解。群体智能算法在不放松约束条件下，对最优化问题的求解比传统的二次规划或线性规划方法有天然的优势，因此，本发明将PSO算法引入到DMPC中。
S3：利用PSO算法，在不放松约束条件的前提下，对经济优化函数进行求解。
利用PSO算法，在不放松约束条件的前提下，对经济优化函数进行求解的过程如下：
S31：对粒子群进行初始化，设定种群大小为N，迭代次数为m，速度更新参数为c1、c2，同时给出初始化粒子的位置和速度；
S32：根据求解的目标函数设置适应度函数，并计算每个粒子的适应度值；
S33：对每个种群中的新鲜粒子进行适应度值与个体历史最优位置的适应度值的比较，如果新鲜粒子的适应度值大于个体历史最优位置的适应度值，替代原来的个体历史最优位置，成为新的个体历史最优粒子位置；
S34：对每个种群中的新鲜粒子进行适应度值与全局历史最优位置的适应度值的比较，如果新鲜粒子的适应度值大于全局历史最优位置的适应度值，则替代原来的全局历史最优位置，成为新的个体全局最优粒子位置；
S35：更新各粒子的速度和位置；其中，
粒子的速度更新公式为：
粒子的位置更新公式为：
S36：重复步骤S31-步骤S35，如果已满足PSO算法的终止条件，则该种群中具有最大适应度的个体为最优解，否则迭代进行下一次，直到满足PSO算法的终止条件，求得最优经济目标下的稳态操作变量的变化量δuss(k)。
S4：根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，利用PSO算法对该目标误差函数求解，获得操作变量的最佳变化量。
利用PSO算法对目标误差函数求解，获得操作变量的最佳变化量的过程，包括如下步骤：
S41：取预测时域为P，控制时域为M，在每个时刻k，可得到：
S42：当P大于N时，yol(k+j|k)＝yol(k+N|k)，j＞N，该预测值包含预测误差的反馈校正及干扰的影响，得到：
S43：在动态矩阵中，根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，选择最小化的目标误差函数如下：
在动态矩阵中，根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值的公式为：
式(5)中，yss(k)为反应再生系统的输出设定值，δuss(k)为PSO算法对经济优化函数求得的解，为稳态增益矩阵，由系统的稳态模型得到；为开环稳态预测，由辨识好的传递函数模型得到。
S44：利用PSO算法对最小化的目标函数求解，获得操作变量的最佳变化量。
步骤S44的操作过程请参照步骤S31-S36。
采用MATLAB7.0为仿真平台，以RRS为对象，进行各算法的研究，仿真过程中，采样周期为4分钟，建模时域N＝600，操作变量下限ui为-0.5，预测控制的操作变量上限为0.5，被控变量下限yi为-0.5，被控变量上限为0.5，稳态操作变量变化值δus(k)为0.1，操作变量变化值为0.1，B1＝[0.1 2 2]，A1＝[10 20 200]，J1max＝－3，J2max＝－4。各变量所代表意义如表1和表2所示，算法的参数取值如表3所示：
表3各算法参数取值表
PSO-DMPC对RRS输出的跟踪效果以及对输入的跟踪效果的如图4和图5所示。
从图4和图5中可以看出，通过设置RRS的经济优化函数，并采用PSO对RRS的该问题求解，在保证经济效益的基础上，进一步对RRS的过程进行稳态控制，即采用PSO对DMPC的动态矩阵控制阶段进行求解，仿真结果表明，PSO-DMPC能对RRS的被控变量和操作变量进行跟踪，表明了PSO-DMPC算法在RRS中的有效性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种基于PSO-DMPC的反应再生系统优化控制方法，其特征在于包括如下步骤：
S1：将反应再生系统的传递函数模型转化为阶跃响应模型；
S2：建立DMPC模型，DMPC模型包括开环预测模块、稳态目标计算模块和动态矩阵控制模块；
S3：利用PSO算法，在不放松约束条件的前提下，对经济优化函数进行求解；其中，约束条件包括操作变量的硬约束和软约束，被控变量的硬约束和软约束，外部目标的约束；
S4：根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，利用PSO算法对该目标误差函数求解，获得操作变量的最佳变化量。
2.根据权利要求1所述的基于PSO-DMPC的反应再生系统优化控制方法，其特征在于：反应再生系统的阶跃响应模型为：
<mrow> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msubsup> <mi>A</mi> <mi>i</mi> <mi>u</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>u</mi> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mi>i</mi> </mrow> <mo>)</mo> </mrow> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msubsup> <mi>A</mi> <mi>N</mi> <mi>u</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>u</mi> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mi>N</mi> </mrow> <mo>)</mo> </mrow> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msubsup> <mi>A</mi> <mi>i</mi> <mi>v</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>v</mi> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mi>i</mi> </mrow> <mo>)</mo> </mrow> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msubsup> <mi>A</mi> <mi>N</mi> <mi>v</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>u</mi> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mi>N</mi> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
式(1)中，Δu为操作变量的变化量，k为时间，N为模型长度，为反应再生系统的操作变量的阶跃响应系数矩阵，为反应再生系统的干扰变量的阶跃响应系数矩阵，对于满足
3.根据权利要求1所述的基于PSO-DMPC的反应再生系统优化控制方法，其特征在于：建立开环预测模块的过程，包括如下步骤：
S211：当Δu(k+i-1)＝0、Δv(k+i-1)＝0(1≤i≤P)时，设为对y(k+p|k)的预测值，其中，P为预测时域，则有：
<mrow> <mover> <mi>y</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>p</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>y</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>p</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>A</mi> <mrow> <mi>p</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>u</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>v</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>v</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
S212：考虑反馈校正，假设vss(k)＝vss(k-1)+Δv(k)为已知，从k时刻开始，反应再生系统的操作变量不再变化时，基于式(2)得到反应再生系统的开环预测为yol(k+i|k)，当检测到Δu(k-1)时求解得到反应再生系统的开环预测：
<mrow> <msup> <mi>y</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>y</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>A</mi> <mn>1</mn> <mi>u</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
其中，vss(k)为阶跃响应的递推模型。
4.根据权利要求1所述的基于PSO-DMPC的反应再生系统优化控制方法，其特征在于：建立稳态目标计算模块的过程，包括如下步骤：
S221：提取所有反应再生系统的操作变量和被控变量的硬约束条件与软约束条件，并合并表达为关于稳态操作变量的变化量δuss(k)的形式：
其中，为操作变量的上限，为操作变量的理想值的集合，为稳态增益矩阵，为稳态被控变量的变化量，为被控变量的理想值的集合，k为迭代次数，t为时间；
S222：建立经济优化函数：
<mrow> <mi>min</mi> <mi> </mi> <mi>J</mi> <mo>=</mo> <msup> <mrow> <mo>(</mo> <munder> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>&amp;NotElement;</mo> <msub> <mi>&amp;Psi;</mi> <mrow> <mi>m</mi> <mi>m</mi> </mrow> </msub> </mrow> </munder> <msub> <mi>B&amp;delta;u</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>s</mi> <mi>s</mi> </mrow> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>J</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>&amp;Psi;</mi> <mrow> <mi>m</mi> <mi>m</mi> </mrow> </msub> </mrow> </munder> <msup> <mi>B</mi> <mn>2</mn> </msup> <msub> <mi>U</mi> <mi>i</mi> </msub> <msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
式(3)中，B为权重；
S223：放松约束条件，采用二次规划方法对式(3)进行求解，获得单目标下的稳态操作变量的变化量δuss(k)。
5.根据权利要求1所述的基于PSO-DMPC的反应再生系统优化控制方法，其特征在于：建立动态矩阵控制模块的过程，包括如下步骤：
S231：取预测时域为P，控制时域为M，在每个时刻k，可得到：
<mrow> <msubsup> <mi>Y</mi> <mi>P</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>|</mo> <mi>k</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msup> <mi>y</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msup> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>y</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msup> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>+</mo> <mn>2</mn> <mo>|</mo> <mi>k</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>y</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msup> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>+</mo> <mi>P</mi> <mo>|</mo> <mi>k</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
S232：当P大于N时，yol(k+j|k)＝yol(k+N|k)，j＞N，该预测值包含预测误差的反馈校正及干扰的影响，得到：
<mrow> <msub> <mi>Y</mi> <mi>P</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>|</mo> <mi>k</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>Y</mi> <mi>P</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>|</mo> <mi>k</mi> </mrow> <mo>)</mo> </mrow> <mo>+</mo> <mi>D</mi> <mi>&amp;Delta;</mi> <mover> <mi>u</mi> <mo>~</mo> </mover> <mrow> <mo>(</mo> <mrow> <mi>k</mi> <mo>|</mo> <mi>k</mi> </mrow> <mo>)</mo> </mrow> </mrow>
其中，D为动态控制矩阵；
S233：在动态矩阵中，根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，选择最小化的目标误差函数如下：
S234：对最小化的目标函数求解，获得操作变量的最佳变化量。
6.根据权利要求4所述的基于PSO-DMPC的反应再生系统优化控制方法，其特征在于：利用PSO算法，在不放松约束条件的前提下，对经济优化函数进行求解的过程，包括如下步骤：
S31：对粒子群进行初始化，设定种群大小为N，迭代次数为m，速度更新参数为c1、c2，同时给出初始化粒子的位置和速度；
S32：根据求解的目标函数设置适应度函数，并计算每个粒子的适应度值；
S33：对每个种群中的新鲜粒子进行适应度值与个体历史最优位置的适应度值的比较，如果新鲜粒子的适应度值大于个体历史最优位置的适应度值，替代原来的个体历史最优位置，成为新的个体历史最优粒子位置；
S34：对每个种群中的新鲜粒子进行适应度值与全局历史最优位置的适应度值的比较，如果新鲜粒子的适应度值大于全局历史最优位置的适应度值，则替代原来的全局历史最优位置，成为新的个体全局最优粒子位置；
S35：更新各粒子的速度和位置；其中，
粒子的速度更新公式为：
粒子的位置更新公式为：
S36：重复步骤S31-步骤S35，如果已满足PSO算法的终止条件，则该种群中具有最大适应度的个体为最优解，否则迭代进行下一次，直到满足PSO算法的终止条件，求得最优经济目标下的稳态操作变量的变化量δuss(k)。
7.根据权利要求1所述的基于PSO-DMPC的反应再生系统优化控制方法，其特征在于：利用PSO算法对目标误差函数求解，获得操作变量的最佳变化量的过程，包括如下步骤：
S41：取预测时域为P，控制时域为M，在每个时刻k，可得到：
<mrow> <msubsup> <mi>Y</mi> <mi>P</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msup> <mi>y</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>y</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>2</mn> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>y</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>P</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
S42：当P大于N时，yol(k+j|k)＝yol(k+N|k)，j＞N，该预测值包含预测误差的反馈校正及干扰的影响，得到：
<mrow> <msub> <mi>Y</mi> <mi>P</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>Y</mi> <mi>P</mi> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>D</mi> <mi>&amp;Delta;</mi> <mover> <mi>u</mi> <mo>~</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> 3
S43：在动态矩阵中，根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，选择最小化的目标误差函数如下：
S44：利用PSO算法对最小化的目标函数求解，获得操作变量的最佳变化量。
8.根据权利要求7所述的基于PSO-DMPC的反应再生系统优化控制方法，其特征在于：在动态矩阵中，根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值的公式为：
<mrow> <msub> <mi>y</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>S</mi> <mi>N</mi> <mi>u</mi> </msubsup> <msub> <mi>&amp;delta;u</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>y</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> <mrow> <mi>o</mi> <mi>l</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
式(5)中，yss(k)为反应再生系统的输出设定值，δuss(k)为PSO算法对经济优化函数求得的解，为稳态增益矩阵；为开环稳态预测。
CN201710447640.0A 2017-06-14 2017-06-14 基于pso-dmpc的反应再生系统优化控制方法 Active CN107065576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710447640.0A CN107065576B (zh) 2017-06-14 2017-06-14 基于pso-dmpc的反应再生系统优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710447640.0A CN107065576B (zh) 2017-06-14 2017-06-14 基于pso-dmpc的反应再生系统优化控制方法

Publications (2)

Publication Number Publication Date
CN107065576A true CN107065576A (zh) 2017-08-18
CN107065576B CN107065576B (zh) 2019-10-29

Family

ID=59594509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710447640.0A Active CN107065576B (zh) 2017-06-14 2017-06-14 基于pso-dmpc的反应再生系统优化控制方法

Country Status (1)

Country Link
CN (1) CN107065576B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858062A (zh) * 2018-08-22 2020-03-03 阿里巴巴集团控股有限公司 目标优化参数的获取方法及模型训练方法、装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980470A (zh) * 2010-10-03 2011-02-23 鲁东大学 一种基于混沌粒子群优化的ofdm系统资源分配算法
CN103048927A (zh) * 2012-12-28 2013-04-17 浙江大学 用于精馏系统的模型预测控制方法
CN103425048A (zh) * 2013-05-22 2013-12-04 上海交通大学 一种基于动态优化的多模型广义预测控制系统及其控制方法
CN104765350A (zh) * 2015-04-03 2015-07-08 燕山大学 基于组合模型预测控制技术的水泥分解炉控制方法及系统
CN104992164A (zh) * 2015-07-23 2015-10-21 河海大学 一种动态振荡信号模型参数辨识方法
CN105184416A (zh) * 2015-09-23 2015-12-23 上海大学 基于粒子群优化反向传播神经网络的脉动风速预测方法
CN106354640A (zh) * 2016-08-29 2017-01-25 江苏科技大学 基于改进pso的软件可靠性模型参数估计方法
CN106570579A (zh) * 2016-10-31 2017-04-19 重庆邮电大学 一种基于改进量子粒子群算法的水火电经济调度方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980470A (zh) * 2010-10-03 2011-02-23 鲁东大学 一种基于混沌粒子群优化的ofdm系统资源分配算法
CN103048927A (zh) * 2012-12-28 2013-04-17 浙江大学 用于精馏系统的模型预测控制方法
CN103425048A (zh) * 2013-05-22 2013-12-04 上海交通大学 一种基于动态优化的多模型广义预测控制系统及其控制方法
CN104765350A (zh) * 2015-04-03 2015-07-08 燕山大学 基于组合模型预测控制技术的水泥分解炉控制方法及系统
CN104992164A (zh) * 2015-07-23 2015-10-21 河海大学 一种动态振荡信号模型参数辨识方法
CN105184416A (zh) * 2015-09-23 2015-12-23 上海大学 基于粒子群优化反向传播神经网络的脉动风速预测方法
CN106354640A (zh) * 2016-08-29 2017-01-25 江苏科技大学 基于改进pso的软件可靠性模型参数估计方法
CN106570579A (zh) * 2016-10-31 2017-04-19 重庆邮电大学 一种基于改进量子粒子群算法的水火电经济调度方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858062A (zh) * 2018-08-22 2020-03-03 阿里巴巴集团控股有限公司 目标优化参数的获取方法及模型训练方法、装置

Also Published As

Publication number Publication date
CN107065576B (zh) 2019-10-29

Similar Documents

Publication Publication Date Title
Hou et al. Lazy-learning-based data-driven model-free adaptive predictive control for a class of discrete-time nonlinear systems
CN105487385B (zh) 基于无模型自适应内模控制方法
Gao et al. Stabilization of nonlinear systems under variable sampling: a fuzzy control approach
Lin et al. Stabilization of uncertain fuzzy time-delay systems via variable structure control approach
Cao et al. Design of fractional order controllers based on particle swarm optimization
Wang et al. An improved structure for model predictive control using non-minimal state space realisation
US11409270B1 (en) Optimization decision-making method of industrial process fusing domain knowledge and multi-source data
CN107180279A (zh) 基于qpso‑dmpc的反应再生系统优化控制方法
Akinola et al. Non-linear system identification of solvent-based post-combustion CO2 capture process
Wang et al. Intelligent virtual reference feedback tuning and its application to heat treatment electric furnace control
Zuo et al. Adaptive PID and model reference adaptive control switch controller for nonlinear hydraulic actuator
CN113671831A (zh) 一种非线性互联系统的自适应跟踪控制方法
CN107045290A (zh) 基于mqpso‑dmpc的反应再生系统优化控制方法
Liu et al. Online event-based adaptive critic design with experience replay to solve partially unknown multi-player nonzero-sum games
Xie et al. GA based decomposition of large scale distributed model predictive control systems
Wang et al. Terminal constrained robust hybrid iterative learning model predictive control for complex time-delayed batch processes
Dou et al. Nonlinear aeroelastic prediction in transonic buffeting flow by deep neural network
CN107065576A (zh) 基于pso‑dmpc的反应再生系统优化控制方法
Zhao Adaptive Fuzzy Control of a Class of Discrete-Time Nonlinear Systems
He et al. Electro-hydraulic position servo system based on sliding mode active disturbance rejection compound control
Adhau et al. Embedded implementation of deep learning-based linear model predictive control
Li et al. Novel MPC‐Based Fault Tolerant Tracking Control Against Sensor Faults
CN104111605B (zh) 单输入单输出非自衡生产过程的控制器及控制方法
Francisco et al. A comparative study of deterministic and stochastic optimization methods for integrated design of processes
Arshad et al. Deep Deterministic Policy Gradient to Regulate Feedback Control Systems Using Reinforcement Learning.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170818

Assignee: WUZHOU JINZHENGYUAN ELECTRONIC TECH. Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980053985

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20231227

EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170818

Assignee: Guangzhou Yuming Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000306

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240110

Application publication date: 20170818

Assignee: Guangzhou chuangyixin Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000305

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240110

Application publication date: 20170818

Assignee: Guangzhou Shangqi Network Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000303

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240110

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170818

Assignee: GUANGZHOU XUNSU PHOTOELECTRIC TECHNOLOGY CO.,LTD.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000630

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240119

Application publication date: 20170818

Assignee: GUANGZHOU CHENGKE ELECTRONIC TECHNOLOGY CO.,LTD.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000629

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240119

Application publication date: 20170818

Assignee: Yuao Holdings Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000640

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240119

Application publication date: 20170818

Assignee: Youzhengyun (Chongqing) Technology Development Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000636

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240119

Application publication date: 20170818

Assignee: Chongqing Yiquan Small and Medium Enterprise Service Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000635

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240119

Application publication date: 20170818

Assignee: Shuwu Shenzhou (Chongqing) Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000632

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240119

Application publication date: 20170818

Assignee: GUANGZHOU DIYUE NETWORK TECHNOLOGY CO.,LTD.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000631

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240119

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170818

Assignee: Chongqing Xinghua Network Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980001290

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240126

Application publication date: 20170818

Assignee: Chongqing Shuangtu Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980001288

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240126

Application publication date: 20170818

Assignee: Chongqing Chaimi Network Technology Service Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980001287

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240126

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170818

Assignee: Foshan WanChen Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004249

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240415

Application publication date: 20170818

Assignee: FOSHAN ZHENGRONG TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004248

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240415

Application publication date: 20170818

Assignee: FOSHAN DOUQI TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004247

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240415

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170818

Assignee: Foshan helixing Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004524

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240419

Application publication date: 20170818

Assignee: Foshan qianshun Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004523

Denomination of invention: Optimization control method for reaction regeneration system based on PSO-DMPC

Granted publication date: 20191029

License type: Common License

Record date: 20240419