CN108983596A - 基于广义互熵算法的orc系统单神经元控制器及其控制方法 - Google Patents

Abstract

本发明涉及随机系统优化控制领域，具体为基于广义互熵算法的ORC系统单神经元控制器及其控制方法，解决控制ORC系统时传统控制器不具有自主学习能力，系统受到非高斯随机噪声时MSE准则不能很好地优化系统的问题，方案：控制器，包括整合器，所述整合器连接有两个单神经元。控制步骤：一、构建两个单神经元自适应控制器；二、建立多步预测准则；三、利用广义互熵算法优化控制器。优点：具有自适应能力和非线性映射能力，结构简单、无需建模、计算量小、权值学习调整时间短、利于实时控制，有较好的自适应性和鲁棒性；考虑控制输入的影响，多步预测控制思想；在废热转化回收利用领域可有效节能。

Description

基于广义互熵算法的ORC系统单神经元控制器及其控制方法

技术领域

本发明涉及随机系统优化控制领域，具体为基于广义互熵算法的ORC系统单神经元控制器及其设计方法。

背景技术

根据调查，各行业的余热总资源约占其燃料消耗总量的17％-67％，其中可回收利用的余热资源约为余热总资源的60％。目前在工业过程中常利用有机朗肯循环(OrganicRankine Cycle,ORC)技术回收工业过程低品位产生的余热，并将收集的余热转换为电能以提高余热的利用率，减少有害气体的排放，ORC系统在提高资源利用率的同时也降低了对环境的污染，减缓国内一次能源消耗的压力。

在对有机朗肯循环进行控制的过程中，不可避免地会受到随机噪声的影响，然而噪声未必服从高斯分布，也可能是非高斯噪声，如：脉冲噪声、重尾噪声，那么均值和方差就不能充分地反映系统的高阶统计特性，因此在非高斯随机噪声影响下研究有机朗肯循环的控制问题就显得尤为重要。

在ORC控制系统中，采用传统的PID(Proportion Integration Differentiation)控制器在控制时会出现超调有残差等缺陷，且由于系统受到非高斯随机噪声的影响，采用均方误差(mean square error，MSE)算法来控制性能常常会下降，因而本发明针对这两个缺点，采用基于广义互熵(Generalized correntropy，GC)算法的单神经元自适应控制器来解决这些问题。

发明内容

本发明解决在控制ORC系统时，传统的PID控制器不具有自主学习的能力，同时，当系统受到非高斯随机噪声时，MSE算法不能很好地优化系统这两个问题，提供一种基于广义互熵算法的ORC系统单神经元控制器及其控制方法。

本发明是通过以下技术方案实现的：基于广义互熵算法的ORC系统单神经元控制器，包括将输入数据与设定值(被控对象要求达到的设定值与其得到的输出值)整合的整合器，所述整合器连接有两个单神经元。被控对象的输出数据与设定值通过整合器整合后输入给两个单神经元，两个单神经元相互耦合，从而从物理连接结构上考虑控制输入对被控系统的影响，增强该控制器的自适应性和鲁棒性。

基于广义互熵算法的ORC系统单神经元控制器控制方法，包括以下操作步骤：

一、根据基于广义互熵算法的ORC系统单神经元控制器得出，每个单神经元的输入为：

控制输入u_k的表达式为：

u_k＝u_k-1+K×v_k 式2，

其中：

K＝diag{K₁,K₂} 式3，

v_k＝diag{||W_1k||^-1，||W_2k||^-1}×W_k×x_k 式4，

其中，u_k-1代表第(k-1)时刻的控制输入，K_i＞0是神经元的比例系数，

权重w_1j and w_2j(j＝1,…,6)是两个单神经元自主学习的权重；

二、建立基于广义互熵的多步预测准则：

将暂态的基于广义互熵的性能指标转化为多步预测的基于广义互熵的性能指标，利用多步预测性能指标函数对单神经元自适应控制器的权值进行训练，提高控制器的控制效果；同时，在随机控制中，将跟踪误差和控制输入对系统的影响都考虑在内，得到：

其中，i和j代表第i步和j步预测，P和M分别是跟踪误差和控制输入的预测步长，且M≤P；

对于跟踪误差，采用基于广义互熵的性能指标结合多步预测的思想得到式7等号右边第一项，即：

对系统能量的约束结合多步预测的思想得到式7等号右边第二项；

三、利用广义互熵算法优化控制器：

设计合适的自学习率，同时通过最小化性能指标来得到最优的权重 W_k；基于单神经元自适应控制器的学习规则可以通过随机梯度算法得到，如下所示：

其中η＝diag{η₁,η₂}(η_i＞0)是学习率矩阵；

由此，得到一个在非高斯重尾噪声下控制被控对象(ORC系统)的输出跟上设定值的基于广义互熵算法的ORC系统单神经元控制器控制方法。

本发明与现有的技术相比，具有如下的优点：1、传统的PID控制器的参数整定很繁琐且调节时间、超调量都难以让人满意，而本发明采用的单神经元自适应控制器具有自适应能力和非线性映射能力，不但具有结构简单、无需建模、计算量小、权值学习调整时间短、利于实时控制等优点，而且对模型参数的变化和外界扰动的影响具有较好的自适应性和鲁棒性；2、在控制ORC的过程中常常受到随机噪声的影响，面对高斯噪声,MSE算法具有良好的平滑性，但面对非高斯噪声，MSE算法的效果变差，而广义互熵算法在受到非高斯噪声的影响下具有很好的鲁棒性，因而本发明采用广义互熵作为跟踪误差的性能指标；3、相较以往的非高斯随机控制的方法，本发明在设计系统整体的性能指标时将控制输入的随机特性考虑进来，同时将以往只考虑某一刻性能指标的思想转换为考虑多步预测控制的思想；4、本发明的控制器及优化控制方法在废热转化回收利用领域可有效节能，对于节能减排具有深远意义。

附图说明

图1为基于广义互熵算法的ORC系统单神经元控制器应用环境结构示意图；其中方框内为本发明的单神经元控制器；

图2a为设定值r₁蒸汽压力发生变化的输出响应图；图2b为设定值r₂过热蒸汽温度发生变化时输出响应图；由图可以得出在本发明的控制器下被控对象的输出可以很好地跟上设定值的变化，证明本发明的控制器具有很好的跟踪效果；

图3a为设定值r₁蒸汽压力发生变化时，使用MSE算法和本发明的基于GC 算法的输出响应对比图；图3b为设定值r₂过热蒸汽温度发生变化时，使用MSE 算法和本发明的基于GC算法的输出响应对比图。由图可以得出广义互熵算法比均方误差算法在抵抗非高斯重尾噪声时具有更好的鲁棒性。

具体实施方式

本实施例是建立在附图1结构的基础上，通过Matlab2016a软件进行仿真来验证，当设定值发生变化且系统受到非高斯随机噪声时，本发明能使系统具有很好的自适应性和鲁棒性，从而证明本发明与现有技术相比具有有益效果。

首先，建立一个非高斯随机噪声下的ORC模型：该非高斯随机噪声下的ORC 模型描述为如下的状态空间形式：

其中，x＝[l_ev,P_ev,T_w,ev,P_con,T_w,con]^T是状态向量，其中，l_ev是蒸发器中汽液交换部分的长度，P_ev是蒸汽的压力，T_w,ev蒸发器壁的温度，P_con是冷凝液的压力， T_w,con是冷凝器壁的温度；u＝[N_exp,N_pp]^T是控制输入，其中，N_exp是膨胀机的转速，N_pp是泵的转速；

其次，对系统进行初始化赋值，同时设定值发生变化：

a、对每个单神经元的权重值进行初始化,选择合适的性能指标中涉及到的形状参数、核参数和预测步长，在本实施例中设置α＝6，λ＝0.1， P＝M＝5(M小于P时，其效果是一样的，无必要再另举一例)；

b、设置系统进行采样的时间1s，给出控制输入的初始值u₁＝100， u₂＝13，同时加入非高斯随机噪声；

c、针对ORC系统模型式10进行设定值的变化调整，即在100s时，设定值r₁由1516KPa增加到1530KPa，r₂由11.39℃增加到12.22℃；如图2a、图2b所示，

然后，利用基于广义互熵算法的单神经元控制器优化系统：

d、根据式9估计出系统的性能指标，利用梯度下降法求解最优权值，其中η＝0.00001：

e、通过式11计算下一时刻的控制输入：

f、收集得到的数据来更新历史值，令k＝k+1，然后重复d至f步骤；

最后，采用MSE与GC算法两种性能指标优化系统：

g、在100s时，设定值r₁由1520KPa增加到1523.2KPa，r₂由11.74℃增加到11.92℃，观察系统的输出响应图，其中性能指标MSE采用如下公式进行计算：

MSE(r,y)＝E(y-r)² 式12，

h、式12中r为系统的设定值，y为系统的输出响应，利用MSE代替式 7中性能指标J_GC-loss，利用梯度下降法求解最优权值，其中η＝0.00001：

i、循环h、e、f步骤得到使用MSE算法和本发明的基于GC算法的输出响应对比图，如图3a、图3b所示。

结果证明：1、在ORC系统中，采用单神经元自适应控制器控制系统可以使系统具有很好的自适应性和非线性映射能力，即设定值发生变化时，单神经元自适应控制器能使系统输出很好的跟上设定值；同时，通过Matlab仿真我们可以得到在系统受到非高斯随机噪声的影响下，基于广义互熵算法的ORC系统单神经元控制器比MSE具有更好的抗干扰能力；2、由图2a和图2b可以发现，该系统输出很好的跟上了设定值，比传统的PID调节更具有自适应性；3、由图3a和图 3b可以看出，当ORC系统受到非高斯随机噪声的干扰时，广义互熵算法比均方误差算法优化的系统更具鲁棒性。

Claims (2)

1.一种基于广义互熵算法的ORC系统单神经元控制器，其特征在于：包括将输入数据与设定值整合的整合器，所述整合器连接有两个单神经元。

2.一种基于广义互熵算法的ORC系统单神经元控制器控制方法，其特征在于：包括以下操作步骤：

一、根据基于广义互熵算法的ORC系统单神经元控制器得出，每个单神经元的输入为：

控制输入u_k的表达式为：

u_k＝u_k-1+K×v_k 式2，

其中：

K＝diag{K₁，K₂} 式3，

v_k＝diag{||W₁ ^k||^-1，||W_2k||^-1}×W_k×x_k 式4，

其中，u_k-1代表第(k-1)时刻的控制输入，K_i＞0是神经元的比例系数，权重w_1j and w_2j(j＝1，…，6)是两个单神经元自主学习的权重；

二、建立基于广义互熵的多步预测准则：

将暂态的基于广义互熵的性能指标转化为多步预测的基于广义互熵的性能指标，利用多步预测性能指标函数对单神经元自适应控制器的权值进行训练，提高控制器的控制效果；同时，在随机控制中，将跟踪误差和控制输入对系统的影响都考虑在内，得到：

其中，i和j代表第i步和j步预测，P和M分别是跟踪误差和控制输入的预测步长，且M≤P；

对于跟踪误差，采用基于广义互熵的性能指标结合多步预测的思想得到式7等号右边第一项，即：

对系统能量的约束结合多步预测的思想得到式7等号右边第二项；

三、利用广义互熵算法优化控制器：

设计合适的自学习率，同时通过最小化性能指标来得到最优的权重W_k；基于单神经元自适应控制器的学习规则可以通过随机梯度算法得到，如下所示：

其中η＝diag{η₁，η₂}(η_i＞0)是学习率矩阵；

由此，得到一个在非高斯重尾噪声下控制被控对象的输出跟上设定值的基于广义互熵算法的ORC系统单神经元控制器控制方法。