CN110501909B - 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 - Google Patents
基于扰动观测器的增强鲁棒特性的模糊预测控制方法 Download PDFInfo
- Publication number
- CN110501909B CN110501909B CN201910847151.3A CN201910847151A CN110501909B CN 110501909 B CN110501909 B CN 110501909B CN 201910847151 A CN201910847151 A CN 201910847151A CN 110501909 B CN110501909 B CN 110501909B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- control
- state
- matrix
- disturbance
- 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.)
- Active
Links
Images
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
Description
技术领域
本发明属于热工控制技术领域,具体涉及一种基于扰动观测器的增强鲁棒特性的模糊预测控制方法。
背景技术
电厂运行在复杂的环境下,如煤品变化、环境温湿度变化以及电网的负荷扰动等因素。同时,电厂的内部模型存在严重的失配,包括建模误差、换热器管道结焦、炉膛结焦等。这就要求控制系统的设计不能局限于稳定条件,还应考虑系统的鲁棒性以及抗扰动能力。由于机炉发电系统本质上是高度非线性的,使得基于标称模型设计的预测控制器很难实现系统的大范围变工况运行。传统管道预测控制能够显性地处理扰动,但其设计通常建立在线性的模型或具有多胞的时变线性系统,设计不免存在保守,同时面对未知的强扰动以及模型失配的问题,管道预测控制的性能会下降,甚至出现不稳定的结果。因而,面对如上提出的诸多挑战,有必要提升系统的控制性能,设计出先进的控制方案。
发明内容
本发明针对现有技术中的不足,提供一种针对复杂运行环境下的机炉发电机组设计的具有增强鲁棒特性的扰动主动补偿的模糊预测控制策略。
为实现上述目的,本发明采用以下技术方案:
基于扰动观测器的增强鲁棒特性的模糊预测控制方法,包括如下步骤:
步骤一:建立离散模糊扰动观测器模型、辅助控制器及鲁棒预测控制器;
步骤二:离线计算,求解辅助控制器反馈增益和扰动观测器增益,进而得到最小鲁棒不变集,运用该最小鲁棒不变集计算鲁棒预测控制器控制输入和状态变量的紧约束集;
为优化上述技术方案,采取的具体措施还包括:
鲁棒预测控制器的被控对象是标称的模糊模型。
离散模糊扰动观测器模型,如下式所示:
式中,θ(k)是观测器的状态变量;Lμ是观测器的设计增益;In为单位矩阵;是扰动d(k)的估计值;其中μl(v)为归一化的隶属函数,Al和Bl分别为属于第l个模糊规则的系统矩阵和控制矩阵,模糊子集的个数为L。
式中,Θ=KμΩx且Θ由下式计算得到,
正定矩阵Xi、Xk、Q,矩阵Gj,Fj,Hm,参数ρ>0,0<τ<1,满足以下三式,则系统最终有界稳定,通过以三个公式求解最小鲁棒不变集:
ρ-γ<0
式中,是一个自由控制量,Ai为第i个模糊子集的系统矩阵,Bi为第i个模糊子集的控制矩阵,xs为设定平衡点处的状态量,Q0>0,R0>0分别为状态和输入的权值矩阵,I为单位矩阵,和是对应矩阵的对角线元素,i,j,l∈NL+,且反馈控制增益为
步骤六中的标称模型是指系统中不存在扰动项的情况下的模型,标称模型的表达式如下:
本发明的有益效果是:本发明将离散的模糊扰动观测器与管道预测控制设计方案相结合,在统一框架下,有效解决未知的强扰动以及模型失配的问题,并且提升了管道预测控制的性能,使预测控制系统稳定性提高。
附图说明
图1是本发明的系统的控制框图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
一、本发明的研究模型及控制方案结构
对于一个强非线性系统,可以通过近似建模的方法,在不同的模糊区域将其表示成式(1)所示T-S模糊子模型形式,且采样周期取为Ts。
x(k+1)=Alx(k)+Bl(u(k)+d(k)) (1)
可以将L个模糊子模型建立的模糊系统写成式(2)形式。
x(k+1)=Aμx(k)+Bμ(u(k)+d(k)) (2)
从图1中,可以看出,本发明提出的控制方案包含三个部分,分别是鲁棒预测控制器,离散的模糊扰动观测器和辅助控制器。其中,鲁棒预测控制器的被控对象是标称的模糊模型,通过对标称的模糊模型实现闭环控制,所得的控制器输出标记为相对于标称模型的非线性被控对象,其建模误差以及外部扰动等通过基于标称模型的离散扰动观测器进行观测,并将观测的扰动量作为前馈输入的形式作用于被控对象的控制输入u。因而系统在某种程度上实现了扰动抑制,但考虑到离散扰动观测器的估计误差,标称模型的状态输出和实际被控对象的状态输出x之间的误差始终会存在,为了增强系统的鲁棒性,将该误差通过一个辅助控制器加以补偿,在设计该辅助控制器的过程中,将ex约束到一个充分小的鲁棒不变集内,该鲁棒不变集即为本章所涉及的“管道”。对于基于标称系统的鲁棒预测控制,其约束条件不等于原被控对象的约束,应该是将原有约束条件去除扰动补偿所引起的约束成分,即变为“紧约束”。因而预测控制的设计是在紧约束条件下完成的。这样的设计,可以保证预测控制的全局稳定性以及可回溯性。
本发明提供的基于扰动观测器的增强鲁棒特性的模糊预测控制方法如下:
步骤一:建立离散模糊扰动观测器模型、辅助控制器及鲁棒预测控制器;
步骤二:离线计算,求解辅助控制器反馈增益和扰动观测器增益,进而得到最小鲁棒不变集,并运用该最小鲁棒不变集计算鲁棒预测控制器控制输入和状态变量的紧约束集;
具体如下:
二、辅助控制器和离散模糊扰动观测器的综合设计
为了降低强扰动对预测控制的影响,离散模糊DOB和辅助控制器的设计是在同一框架下完成的,其中离散模糊DOB主要用来估计系统的扰动以便通过前馈的方式对扰动进行补偿。而辅助控制的设计主要是为了限制估计误差。将这两个控制器综合设计的目的是为了降低最终的估计误差的影响,并将误差限制在一个扰动不变集(管道)中。通过优化获取的扰动不变集,可以为预测控制设计所需的紧约束计算提供依据。
1、离散模糊扰动观测器
将模糊策略引入到扰动观测器(Disturbance obsever,DOB)中,如式(3)所示。
ed(k+1)=(Im-LμBμ)ed(k)+Δd(k+1) (4)
需要注意的是扰动的估计精度与采样时间Ts相关,也就是采样时间越小,其估计精度越高。由于扰动观测器的增益Lμ可能设计得很大从而产生不期望的暂态响应,因而,观测器的初始状态应设置为θ0=Lμx(0),其中x(0)为实际被控对象的初始状态。
2、控制参数综合设计
假设在系统(2)中不考虑扰动项的存在,可获得如式(5)标称模型。
式中,Kμ是辅助控制器的增益,其作用主要是强化系统的鲁棒性能。
结合式(2),式(5)和式(6),状态误差ex的动态表达式如式(7)和式(8)所示。
ex(k+1)=(Aμ+BμKμ)ex(k)+Bμed(k) (9)
合并式(4)和式(9),可得扩增后的误差闭环系统,见式(10)。
在已有的方法中,最小的鲁棒不变集用以描述扰动对线性系统的最小影响。但对于模糊系统,其未来的行为是不可知的,如果采用可达集的方法实现最小鲁棒不变集的计算将变得不可行。因此,本发明提出了一种方法来寻找最小的鲁棒不变集。
对于系统(9),选择ex(k)为可调输出,可以得到表达式(11)。
定义误差状态e(k):=[ex(k)T ed(k)T]T,同时给出该状态的一个李雅普诺夫函数V(k):=e(k)TPμe(k),其中Pμ是与模糊隶属函数μ相关的正定矩阵。.
现给出辅助控制器反馈增益和观测器增益的求解方法:
对于模糊系统(11),如果存在正定矩阵Xi(或Xk),Q,以及矩阵Gj,Fj,Hm,参数ρ>0和0<τ<1,满足如下不等式(12)-(14),则系统(11)是最终有界稳定的,其中反馈增益观测器增益Lm=Q-1Hm。
ρ-γ<0 (14)
根据上述求解,可得到另一个不等式约束条件(15)。
需要注意的是采用Pμ=diag{Rμ,Q}构造的分段李雅普诺夫函数可以减少因单一李雅普诺夫函数带来的保守性,其中Rμ是针对ex构建的李雅普诺夫正定矩阵,Q是针对ed构建的李雅普诺夫正定矩阵,两者以对角的形式构建Pμ。将观测器的李雅普诺夫函数采用单一的正定矩阵构造,其原因是扰动的估计误差约束可以由确定的椭圆不变集实现。
三、鲁棒模糊预测控制
系统的跟踪性能主要由预测控制决定。由于调度变量在每一个时刻是已知的。为了充分运用该信息,减小预测控制设计的保守性,本发明采用准-最小-最大鲁棒预测控制(quasi-min-maxRMPC)作为预测控制设计的方案,其核心思想就是在预测控制优化计算的过程中,第一控制决策量是相对自由的,且只受当前的模型约束,而剩余控制决策量主要用于保证系统的稳定性。
1、紧约束求解
式中,Θ=KμΩx且Θ可由式(18)计算得到。
式中,Co表示凸包的计算。
由于ex(k)TRμex(k)>0,则ed(k)TQed(k)≤ρ/(1-τ)。
2、Quasi-min-max模糊预测控制
设分段李雅普诺夫函数
然后,目标函数(20)的优化问题可转为式(22)形式。
Quasi-min-max MPC的控制输入可以被分为两个部分,即
四、控制策略的计算流程
将如上所提的控制策略总结如下:
离线计算:
在线计算:
步骤1:
步骤2:
步骤3:
步骤4:
步骤5:
本发明参考管道预测控制设计的方案,将离散的模糊扰动观测器与其结合,在统一框架下,设计出了适合电厂运行的过程控制策略,有效解决未知的强扰动以及模型失配的问题,并且提升了管道预测控制的性能,使预测控制系统稳定性提高。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.基于扰动观测器的增强鲁棒特性的模糊预测控制方法,其特征在于,包括如下步骤:
步骤一:建立离散模糊扰动观测器模型、辅助控制器及鲁棒预测控制器;
步骤二:离线计算,求解辅助控制器反馈增益和扰动观测器增益,进而得到最小鲁棒不变集,并运用该最小鲁棒不变集计算鲁棒预测控制器控制输入和状态变量的紧约束集;
步骤三:初始化,初始化系统状态变量x(0),并将其赋值给标称模型的状态变量x(0),将模糊扰动观测器的初始状态设为θ0=Lμx(0);θ0是观测器的状态变量,Lμ是观测器的设计增益;
2.根据权利要求1所述的模糊预测控制方法,其特征在于,鲁棒预测控制器的被控对象是标称的模糊模型。
4.根据权利要求1所述的模糊预测控制方法,其特征在于,步骤二中,控制输入和状态变量的紧约束集中,定义误差状态ex的鲁棒不变集 为n维实数集合,状态的紧约束由公式计算得到,其中!表示Pontryagin求差,X为状态变量约束集,为减去最小不变集后的状态变量紧约束集;
式中,Θ=KμΩx且Θ由下式计算得到,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910847151.3A CN110501909B (zh) | 2019-09-09 | 2019-09-09 | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910847151.3A CN110501909B (zh) | 2019-09-09 | 2019-09-09 | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110501909A CN110501909A (zh) | 2019-11-26 |
CN110501909B true CN110501909B (zh) | 2022-08-05 |
Family
ID=68591532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910847151.3A Active CN110501909B (zh) | 2019-09-09 | 2019-09-09 | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110501909B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111240201B (zh) * | 2020-01-17 | 2023-01-03 | 哈尔滨工程大学 | 一种扰动抑制控制方法 |
CN111221253B (zh) * | 2020-03-11 | 2021-01-26 | 国网江苏省电力有限公司宿迁供电分公司 | 适用于三相并网逆变器的鲁棒模型预测控制方法 |
CN111766781B (zh) * | 2020-05-06 | 2022-09-27 | 东北电力大学 | 基于复合学习和dob的多机电力系统自适应动态面控制器 |
CN111737642A (zh) * | 2020-05-13 | 2020-10-02 | 海洋石油工程股份有限公司 | 基于模糊网络分析法的海底管道失效风险综合评价方法 |
CN112637884B (zh) * | 2020-12-08 | 2022-09-20 | 广西电网有限责任公司电力科学研究院 | 基于扩张状态观测器的wsn的模型预测控制方法 |
CN115390459B (zh) * | 2022-10-28 | 2023-06-02 | 浙江中控技术股份有限公司 | 模型预测控制方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911864A (zh) * | 2016-06-02 | 2016-08-31 | 西北工业大学 | 基于虚拟平衡点不变集的不确定受限系统鲁棒控制方法 |
CN109507882A (zh) * | 2018-11-20 | 2019-03-22 | 中南大学 | 一种基于rbf-arx模型的快速鲁棒预测控制方法 |
-
2019
- 2019-09-09 CN CN201910847151.3A patent/CN110501909B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911864A (zh) * | 2016-06-02 | 2016-08-31 | 西北工业大学 | 基于虚拟平衡点不变集的不确定受限系统鲁棒控制方法 |
CN109507882A (zh) * | 2018-11-20 | 2019-03-22 | 中南大学 | 一种基于rbf-arx模型的快速鲁棒预测控制方法 |
Non-Patent Citations (2)
Title |
---|
Disturbance-observer-based fuzzy model predictive control for nonlinear processes with disturbances and input constraints;LeiKong等;《ISA Transactions》;20190216;第90卷;全文 * |
基于鲁棒一步集的Tube不变集鲁棒模型预测控制;秦伟伟等;《自动化学报》;20140731;第40卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110501909A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110501909B (zh) | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 | |
Abbaspour et al. | Robust adaptive neural network control for PEM fuel cell | |
Ni et al. | GrDHP: A general utility function representation for dual heuristic dynamic programming | |
Weng et al. | Data-driven robust output tracking control for gas collector pressure system of coke ovens | |
Li et al. | Offset-free fuzzy model predictive control of a boiler–turbine system based on genetic algorithm | |
Kong et al. | Nonlinear multivariable hierarchical model predictive control for boiler-turbine system | |
Wu et al. | Hierarchical optimization of boiler–turbine unit using fuzzy stable model predictive control | |
CN108134114A (zh) | 一种质子交换膜燃料电池温度控制方法 | |
Kong et al. | Disturbance-observer-based fuzzy model predictive control for nonlinear processes with disturbances and input constraints | |
Zhang et al. | Zone economic model predictive control of a coal-fired boiler-turbine generating system | |
Zhao et al. | A nonlinear industrial model predictive controller using integrated PLS and neural net state-space model | |
Prasad et al. | Frequency regulation using neural network observer based controller in power system | |
Wu et al. | GA-based nonlinear predictive switching control for a boiler-turbine system | |
Lin-Kwong-Chon et al. | A review of adaptive neural control applied to proton exchange membrane fuel cell systems | |
Zhou et al. | RBF-ARX model-based robust MPC for nonlinear systems with unknown and bounded disturbance | |
Dutta et al. | Nonlinear disturbance observer‐based adaptive feedback linearized model predictive controller design for a class of nonlinear systems | |
Wu et al. | Stable model predictive control based on TS fuzzy model with application to boiler-turbine coordinated system | |
Chen et al. | Generalized ESO based stable predictive tracking control for micro gas turbine cogeneration system | |
CN113690874B (zh) | 一种多区域电力系统的无模型自适应负荷频率控制方法 | |
Wu et al. | Stable model predictive tracking control for boiler-turbine coordinated control system | |
Tran et al. | Perturbed cooperative-state feedback strategy for model predictive networked control of interconnected systems | |
Wang et al. | Robust model predictive control with bi-level optimization for boiler-turbine system | |
Modares et al. | Safe Reinforcement Learning via a Model-Free Safety Certifier | |
CN110442028B (zh) | 基于模糊预测的反分叉控制方法 | |
Pernsteiner et al. | Efficient Sensitivity-Based Cooperation Concept for Hierarchical Multilayer Process Automation of Steam-Powered Plants |
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 |