CN110908351B - 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法 - Google Patents

一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法 Download PDF

Info

Publication number
CN110908351B
CN110908351B CN201911164271.XA CN201911164271A CN110908351B CN 110908351 B CN110908351 B CN 110908351B CN 201911164271 A CN201911164271 A CN 201911164271A CN 110908351 B CN110908351 B CN 110908351B
Authority
CN
China
Prior art keywords
matrix
disturbance
state
support vector
vector machine
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
Application number
CN201911164271.XA
Other languages
English (en)
Other versions
CN110908351A (zh
Inventor
李益国
曾令超
刘西陲
沈炯
潘蕾
吴啸
张俊礼
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201911164271.XA priority Critical patent/CN110908351B/zh
Publication of CN110908351A publication Critical patent/CN110908351A/zh
Application granted granted Critical
Publication of CN110908351B publication Critical patent/CN110908351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32368—Quality control

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，每个控制周期内，利用卡尔曼滤波对系统的增广模型进行状态估计，同时得到系统状态和等效输出扰动的估计值，对系统未来输出的预测则由基于状态空间模型的状态预测和基于支持向量机的扰动序列预测两部分组成。本发明通过引入支持向量机来预测等效输出扰动，提高了模型预测精度及自适应能力，改善了系统应对不可测扰动的响应性能，显著提高了电厂SCR脱硝系统抑制一类有一定规则性和可预测性不可测扰动的能力，降低了脱硝装置出口NOx浓度与设定值之间的偏差水平。

Description

一种融合支持向量机的SCR脱硝系统扰动抑制预测控制方法
技术领域
本发明涉及一种融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，属于热工自动控制技术领域。
背景技术
选择性催化还原(SCR)烟气脱硝技术是目前火电机组烟气脱硝技术中成本较低且技术相对成熟的一种，实际应用较为广泛。当前国内的火电机组SCR脱硝系统仍普遍采用传统的PID控制方式，而SCR脱硝系统具有大惯性、大延迟的特点，因此PID控制器往往不能达到很好的控制效果，烟气出口氮氧化物(NOx)浓度波动较大。模型预测控制能够通过预测被控对象未来的行为进行实时优化控制，并具有处理约束的能力，在化工、电力等领域的过程控制中得到了较为广泛的应用。近年来，已有众多学者将动态矩阵算法、模型预测控制算法成功应用于火电机组SCR脱硝系统中，并取得了一定的改善效果，但当系统存在较大不可测扰动时，调节效果仍较差。SCR脱硝系统特性复杂，存在着一些规律复杂不可测扰动的影响，如何提高模型预测控制的扰动抑制能力成为进一步改善SCR脱硝系统控制效果的关键。传统的预测控制算法不能有效抑制不可测扰动，特别是一类有一定的规则性和可预测性的扰动信号。
发明内容
本发明所要解决的技术问题是：提供一种融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，能够有效抑制有一定的规律性和可预测性扰动信号为代表的系统不可测扰动。
本发明为解决上述技术问题采用以下技术方案：
一种融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，包括如下步骤：
步骤1，在稳定运行状态下，将SCR脱硝系统切换到手动状态，以脱硝装置喷氨量为控制量，对脱硝装置出口NOx浓度进行开环阶跃响应试验获取运行数据，经辨识后得到由喷氨量到出口NOx浓度的传递函数Gm(s)；
步骤2，确定采样时间，将传递函数Gm(s)转换为离散状态空间模型，并将输出扰动项作为扩增项对离散状态空间模型中系统的状态变量进行扩增，得到增广状态空间模型；
步骤3，设置预测控制器的参数，包括预测时域P、控制时域M、误差权矩阵Q、控制权矩阵R；设置卡尔曼滤波的参数，包括误差协方差矩阵的初始值PK(0)、扰动协方差矩阵Qn、噪声协方差矩阵Rn；根据上述设置的参数，确定脱硝装置出口NOx浓度的预测模型；
步骤4，设置控制量约束条件umin,umax,Δumin,Δumax，以及k时刻对控制量增量ΔU(k)的约束条件，其中umin、umax依次为控制量约束的最小值、最大值，Δumin、Δumax依次为控制量增量约束的最小值、最大值；
步骤5，设置在线支持向量机的参数，包括扰动序列阶次nd、训练样本数N、正规化参数c、核参数σ；
步骤6，对预测控制器广义状态进行初始化，对在线支持向量机训练样本集及决策函数系数进行初始化，初始化完成后，在每个控制周期内，依次执行步骤7至步骤11；
步骤7，利用卡尔曼滤波对增广状态空间模型进行状态估计，得到系统广义状态的估计值
Figure BDA0002286976030000021
步骤8，
Figure BDA0002286976030000022
包含系统状态估计值
Figure BDA0002286976030000023
和等效输出扰动的估计值
Figure BDA0002286976030000024
根据等效输出扰动的估计值
Figure BDA0002286976030000025
构造新的训练样本，根据新的训练样本更新训练样本集及决策函数系数；
步骤9，根据更新后的决策函数系数，对预测时域内的扰动序列
Figure BDA0002286976030000026
进行预测；
步骤10，建立性能指标J为：
Figure BDA0002286976030000031
将步骤3得到的脱硝装置出口NOx浓度的预测模型Y(k)代入性能指标求解得到最优控制增量ΔU，其中，ΓΔU≤β为步骤4设置的约束条件，Yr(k)为k时刻出口NOx浓度的设定值；
步骤11，取步骤10计算得到的最优控制增量ΔU中的即时控制增量，计算得到即时控制量，将即时控制量送至SCR脱硝系统。
作为本发明的一种优选方案，所述步骤2的具体过程如下：
将传递函数Gm(s)转换为离散状态空间模型：
Figure BDA0002286976030000032
其中，x(k+1)、x(k)分别为k+1、k时刻系统的状态变量，u(k)为k时刻的控制量，y(k)为k时刻的被控量，即系统输出，A、B、C依次为离散状态空间模型的系统矩阵、输入矩阵、输出矩阵；
将输出扰动项作为扩增项对系统的状态变量进行扩增，得到增广状态空间模型：
Figure BDA0002286976030000033
其中，
Figure BDA0002286976030000034
为k时刻系统的广义状态变量，包含k时刻系统的状态变量x(k)和等效的输出扰动d(k)，
Figure BDA0002286976030000035
依次为增广状态空间模型的系统矩阵、输入矩阵、输出矩阵，I表示单位矩阵，O表示零矩阵。
作为本发明的一种优选方案，步骤3所述脱硝装置出口NOx浓度的预测模型为：
Figure BDA0002286976030000036
其中，Y(k)表示k时刻对预测时域内系统输出的预测值，
Figure BDA0002286976030000041
Figure BDA0002286976030000042
表示k时刻对k+i时刻系统输出的预测值，i＝1,2,…,P，
Figure BDA0002286976030000043
为k时刻系统状态向量的估计值，u(k-1)为k-1时刻的控制量，ΔU(k)＝[Δu(k) … Δu(k+M-1)]T表示控制时域内控制量的增量，
Figure BDA0002286976030000044
表示预测时域内等效输出扰动序列的预测值，P为预测时域，M为控制时域，参数矩阵F、Ψ、Φ的含义如下：
Figure BDA0002286976030000045
其中，A、B、C依次为离散状态空间模型的系统矩阵、输入矩阵、输出矩阵。
作为本发明的一种优选方案，步骤6所述对预测控制器广义状态进行初始化，对在线支持向量机训练样本集及决策函数系数进行初始化，具体为：
预测控制器广义状态初始化时取为与增广状态空间模型的系统矩阵
Figure BDA00022869760300000412
维数相同的零向量；
在线支持向量机训练样本集
Figure BDA0002286976030000046
其中
Figure BDA0002286976030000047
表示支持向量机的输入，上标p表示为已知的过去时刻扰动序列，
Figure BDA0002286976030000048
表示支持向量机的输出，上标f表示预测的未来时刻扰动值，q＝1,…,N，则初始化时，将
Figure BDA0002286976030000049
与
Figure BDA00022869760300000410
均取为相应维数的零向量；
计算决策函数系数：
Figure BDA00022869760300000411
其中，
Figure BDA0002286976030000051
Figure BDA0002286976030000052
α＝[α1 α2 … αN]T，
Figure BDA0002286976030000053
为核函数，计算方法为：
Figure BDA0002286976030000054
N为训练样本数，nd为扰动序列阶次，c为正规化参数，σ为核参数；初始化历史扰动序列Dp为1×nd维的零列向量。
作为本发明的一种优选方案，所述步骤7的具体过程如下：
7.1，对系统的广义状态变量
Figure BDA0002286976030000055
进行状态一步预测：
Figure BDA0002286976030000056
其中
Figure BDA0002286976030000057
为k-1时刻系统广义状态的估计值，u(k-1)为k-1时刻的控制量；
7.2，计算状态一步预测的协方差阵：
Figure BDA0002286976030000058
7.3，计算滤波增益矩阵：
Figure BDA0002286976030000059
7.4，k时刻系统广义状态估计：
Figure BDA00022869760300000510
7.5，更新状态估计的协方差矩阵：
Figure BDA00022869760300000511
其中，
Figure BDA00022869760300000512
依次为增广状态空间模型的系统矩阵、输入矩阵、输出矩阵，PK(k-1)为k-1时刻的协方差矩阵，Qn为扰动协方差矩阵，Rn为噪声协方差矩阵，y(k)为k时刻的被控量，I表示单位矩阵。
作为本发明的一种优选方案，所述步骤8的具体过程如下：
8.1，根据等效输出扰动的估计值
Figure BDA00022869760300000513
构造新的训练样本
Figure BDA00022869760300000514
其中
Figure BDA00022869760300000515
8.2，将矩阵H-1的第一行、第一列分别移至最后一行、最后一列，得
Figure BDA0002286976030000061
将其分块：
Figure BDA0002286976030000062
其中
Figure BDA0002286976030000063
Figure BDA0002286976030000064
计算
Figure BDA0002286976030000065
8.3，计算与新的训练样本相关的参数：
Figure BDA0002286976030000066
Figure BDA0002286976030000067
Figure BDA0002286976030000068
其中，
Figure BDA0002286976030000069
为核函数，q＝2,…,N，
Figure BDA00022869760300000610
为核函数；
8.4，计算
Figure BDA00022869760300000611
矩阵为：
Figure BDA00022869760300000612
则更新H-1为：
Figure BDA00022869760300000613
更新df为
Figure BDA00022869760300000614
更新决策函数系数：
Figure BDA00022869760300000615
8.5，更新训练样本集及历史扰动序列，训练样本集更新为
Figure BDA00022869760300000616
历史扰动序列更新为
Figure BDA00022869760300000617
作为本发明的一种优选方案，所述步骤9的具体过程如下：
9.1，初始化支持向量机输入为
Figure BDA00022869760300000618
重复执行9.2和9.3直至iP＝P+1，P为预测时域；
9.2，计算扰动序列预测值
Figure BDA00022869760300000619
Figure BDA00022869760300000620
9.3，更新支持向量机输入为
Figure BDA00022869760300000621
其中，Dp为历史扰动序列，
Figure BDA0002286976030000071
为核函数，q＝1,…,N，N为训练样本数，αq、b均表示决策函数系数。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明利用卡尔曼滤波对系统的增广模型进行状态估计，同时得到系统状态和等效输出扰动的估计值，对系统未来输出的预测则由基于状态空间模型的状态预测和基于支持向量机的扰动序列预测两部分组成。通过引入支持向量机预测等效输出扰动，提高了模型预测精度，改善了系统应对不可测扰动的响应性能，显著提高了电厂SCR脱硝系统抑制一类有一定规则性和可预测性不可测扰动的能力。
附图说明
图1是本发明融合支持向量机的SCR脱硝系统扰动抑制预测控制方法的结构原理框图。
图2是本发明每个控制周期内对扰动序列预测的流程示意图。
图3是本发明与一般预测控制在脱硝装置受正弦输出不可测扰动时的控制效果对比图。
图4是本发明与一般预测控制在脱硝装置受复杂周期性输出不可测扰动时的控制效果对比图。
图5是本发明与一般预测控制在脱硝装置受周期性较弱的复杂输出不可测扰动时的控制效果对比图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
如图1所示，本发明一种融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，包括以下步骤：
S1：在稳定运行状态下(机组负荷水平及脱硝装置入口NOx浓度基本保持不变)，将SCR脱硝系统切换到手动状态，以脱硝装置喷氨量为控制量，对脱硝装置出口NOx浓度进行开环阶跃响应试验，获取运行数据经辨识后，得到脱硝系统由喷氨量到出口NOx浓度的传递函数Gm(s)；
S2：确定采样时间Ts，通过数学软件MATLAB将传递函数Gm(s)转换为离散状态空间模型：
Figure BDA0002286976030000081
其中x(k)为k时刻系统的状态变量，u(k)为k时刻的控制量，y(k)为k时刻的被控量，即系统输出，A、B、C依次为相应的系统矩阵、输入矩阵和输出矩阵。为了得到系统等效在输出端的扰动，将输出扰动项作为扩增项对系统的状态变量进行扩增，得增广状态空间模型：
Figure BDA0002286976030000082
式中，
Figure BDA0002286976030000083
为k时刻系统的广义状态变量，包含了k时刻系统本身的状态变量x(k)和等效的输出扰动d(k)，
Figure BDA0002286976030000084
依次为增广状态空间模型的系统矩阵、输入矩阵和输出矩阵，I表示单位矩阵，O表示零矩阵。增广状态空间模型可以简记为：
Figure BDA0002286976030000085
各参数矩阵含义同上。
S3：设置预测控制器的相关参数，包括预测时域P、控制时域M、误差权矩阵Q、控制权矩阵R，预测时域P的设置应该尽可能覆盖系统阶跃响应的主要部分，在不影响计算速度的前提下，控制时域M可取为与预测时域P相同，误差权矩阵Q可取为10倍的单位阵，控制权矩阵R可取为单位阵，也可根据控制需求进行调整；设置卡尔曼滤波的相关参数，包括误差协方差矩阵的初始值PK(0)、扰动协方差矩阵Qn、噪声协方差矩阵Rn，三者一般可均取为单位矩阵；上述参数设置完毕后，可得到脱硝装置出口NOx浓度的预测模型为：
Figure BDA0002286976030000091
其中，
Figure BDA0002286976030000092
表示k时刻对预测时域内系统输出的预测值，
Figure BDA0002286976030000093
表示k时刻对k+i时刻系统输出的预测值，
Figure BDA0002286976030000094
为k时刻系统状态向量的估计值，ΔU(k)＝[Δu(k) … Δu(k+M-1)]T表示控制时域内控制量的增量，
Figure BDA0002286976030000095
表示预测时域内等效输出扰动序列的预测值，参数矩阵F、Ψ、Φ的含义如下：
Figure BDA0002286976030000096
S4：设置控制量约束条件umin,umax,Δumin,Δumax，其中umin,umax依次为控制量约束的最小值与最大值，Δumin,Δumax依次为控制量增量约束的最小值与最大值，这四个参数可根据实际控制要求进行设定，k时刻对控制量增量ΔU(k)的约束条件可以表述为：
ΓΔU(k)≤β (5)
其中，
Figure BDA0002286976030000097
u(k-1)为k-1时刻系统的控制量。
S5：设置在线支持向量机的相关参数，包括扰动序列阶次nd、训练样本数N、正规化参数c、核参数σ，因为扰动特性未知多变，扰动序列阶次和训练样本数在不影响计算速度的情况下应尽可能地取大些，正规化参数可取为c＝500，核参数可取为σ＝1；
S6：控制器广义状态的初始化和支持向量机训练样本集及决策函数系数的初始化，具体为：
系统广义状态的初值可取为相应维数的零向量；由于初始时没有扰动序列的任何信息，因此将训练样本集中的样本均取为零，即对于训练样本集
Figure BDA0002286976030000101
其中
Figure BDA0002286976030000102
表示支持向量机的输入，上标p表示为已知的过去时刻扰动序列，
Figure BDA0002286976030000103
表示支持向量机的输出，上标f表示预测的未来时刻扰动值，则初始化时，将
Figure BDA0002286976030000104
与
Figure BDA0002286976030000105
均取为相应维数的零向量，计算决策函数系数：
Figure BDA0002286976030000106
其中，
Figure BDA0002286976030000107
Figure BDA0002286976030000108
α＝[α1 α2 … αN]T，
Figure BDA0002286976030000109
为核函数，计算方法为：
Figure BDA00022869760300001010
初始化历史扰动序列Dp为1×nd维的零列向量；完成上述初始化工作后，在每个控制周期内，依次执行步骤S7至步骤S11。
S7：利用卡尔曼滤波对系统(2)进行状态估计，得到系统广义状态的估计值
Figure BDA0002286976030000111
具体为：
①对系统的广义状态
Figure BDA0002286976030000112
进行状态一步预测：
Figure BDA0002286976030000113
其中
Figure BDA0002286976030000114
为k-1时刻系统广义状态的估计值，u(k-1)为k-1时刻的控制量；
②计算状态一步预测的协方差阵：
Figure BDA0002286976030000115
③计算滤波增益矩阵：
Figure BDA0002286976030000116
④状态估计：
Figure BDA0002286976030000117
⑤更新状态估计的协方差阵：
Figure BDA0002286976030000118
此时得到的广义状态估计值
Figure BDA0002286976030000119
包含了系统状态估计值
Figure BDA00022869760300001110
和等效输出扰动的估计值
Figure BDA00022869760300001111
S8：根据等效输出扰动的估计值
Figure BDA00022869760300001112
构造新的训练样本，更新样本集及决策函数系数；具体为：
①根据当前时刻及历史时刻等效输出扰动估计值构造新的训练样本
Figure BDA00022869760300001113
其中
Figure BDA00022869760300001114
②将矩阵H-1的第一行、第一列分别移至最后一行、最后一列，得
Figure BDA00022869760300001115
将其分块：
Figure BDA00022869760300001116
其中
Figure BDA00022869760300001117
Figure BDA00022869760300001118
计算
Figure BDA00022869760300001119
③计算与新样本相关的参数：
Figure BDA00022869760300001120
Figure BDA00022869760300001121
Figure BDA00022869760300001122
④计算
Figure BDA00022869760300001123
矩阵为：
Figure BDA00022869760300001124
更新H-1为：
Figure BDA0002286976030000121
更新df为
Figure BDA0002286976030000122
更新决策函数系数：
Figure BDA0002286976030000123
⑤更新样本集及历史扰动序列，样本集更新为
Figure BDA0002286976030000124
历史扰动序列更新为
Figure BDA0002286976030000125
S9：根据更新后的决策函数系数，对预测时域内的扰动序列
Figure BDA0002286976030000126
进行预测，计算流程如图2所示；
①初始化支持向量机输入为
Figure BDA0002286976030000127
重复执行②、③至iP＝P+1；
②计算扰动序列预测值
Figure BDA0002286976030000128
Figure BDA0002286976030000129
③更新支持向量机输入为
Figure BDA00022869760300001210
S10：滚动优化，为计算最优的控制向量，制定最终的性能指标如式(8)所示：
Figure BDA00022869760300001211
其中ΓΔU≤β即为约束条件(5)，
Figure BDA00022869760300001212
其中yr(k)为k时刻出口NOx浓度的设定值，将预测方程(4)代入性能指标(8)求解得到最优控制增量ΔU；
S11：取步骤S10中计算得到的最优控制增量ΔU中的即时控制增量，计算得到即时控制量，计算方法为u(k)＝u(k-1)+Δu(k)，计算完毕后，将即时控制量送至执行器。
下面以一实施例具体说明一种融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，包括以下步骤：
S1：在稳定运行状态下将SCR脱硝系统切换到手动状态，以脱硝装置喷氨量为控制量，对脱硝装置出口NOx浓度进行开环阶跃响应试验，获取运行数据经辨识后，得脱硝系统由喷氨量到出口NOx浓度的传递函数：
Figure BDA0002286976030000131
S2：确定采样时间Ts＝10s，通过数学软件MATLAB将传递函数Gm(s)转换为离散状态空间模型：
Figure BDA0002286976030000132
其中，
Figure BDA0002286976030000133
B＝[4.05 28.63 110.85 301.75 637.80 1105.18 1625.18]T，
C＝[0 0 0 5.92×10-7 -3.99×10-8 1.12×10-9 -1.23×10-11]；
将输出扰动项作为扩增项对系统的状态变量进行扩增，得增广状态空间模型：
Figure BDA0002286976030000134
其中，
Figure BDA0002286976030000135
Figure BDA0002286976030000136
Figure BDA0002286976030000141
S3：预测控制器的相关参数中，预测时域取为P＝50、控制时域M＝50、误差权矩阵Q取为Q＝10I、控制权矩阵R取为单位阵；卡尔曼滤波的相关参数中，误差协方差矩阵的初始值PK(0)、扰动协方差矩阵Qn、噪声协方差矩阵Rn，三者均取为单位矩阵；参数矩阵F、Ψ、Φ计算如下：
Figure BDA0002286976030000142
Figure BDA0002286976030000143
S4：设置控制量约束条件umin＝10kg/h,umax＝150kg/h,Δumin＝-10kg/h,(采样周期为10s，即喷氨量每秒最快降低1kg/h)Δumax＝10kg/h，计算矩阵Γ：
Figure BDA0002286976030000144
S5：设置在线支持向量机的相关参数，扰动序列阶次取为nd＝20，训练样本数取为N＝100，正规化参数取为c＝500，核参数取为σ＝1；
S6：控制器广义状态的初始化和支持向量机训练样本集及决策函数系数的初始化，系统广义状态的初值可取为相应维数的零向量；训练样本集中的样本均取为零，即对于训练样本集
Figure BDA0002286976030000145
则初始化时，将
Figure BDA0002286976030000146
与
Figure BDA0002286976030000151
均取为相应维数的零向量，计算决策函数系数：
Figure BDA0002286976030000152
初始化历史扰动序列Dp为1×nd维的零列向量，完成上述初始化工作后，在每个控制周期内，依次执行步骤S7至步骤S11；
S7：利用卡尔曼滤波对系统增广状态空间模型进行状态估计，得到系统广义状态的估计值
Figure BDA0002286976030000153
S8：根据等效输出扰动的估计值
Figure BDA0002286976030000154
构造新的训练样本，更新样本集及决策函数系数；
S9：根据更新后的决策函数系数，对预测时域内的扰动序列
Figure BDA0002286976030000155
进行预测；
S10：滚动优化，为计算最优的控制向量，制定最终的性能指标，将预测方程及约束条件代入性能指标求解得到最优控制增量ΔU；
S11：取步骤S10中计算得到的最优控制增量ΔU中的即时控制增量，计算得到即时控制量，计算方法为u(k)＝u(k-1)+Δu(k)，计算完毕后，将即时控制量送至执行器。
利用本发明中融合在线支持向量机的扰动抑制预测控制方法(LSSVM扰动抑制预测控制算法)和一般的基于增量式状态空间模型的预测控制方法(一般预测控制算法)分别对SCR脱硝系统进行控制，在受三类输出扰动信号下系统的响应曲线对比图如图3至图5所示。各情形下，装置出口NOx浓度的设定值均为35mg/m3，仿真总时长为5000s。图3中，系统输出端加入周期性扰动，一般的预测控制算法无法抑制周期性输出扰动对装置出口NOx浓度带来的影响，而LSSVM扰动抑制预测控制算法经过一定时间就可以有效抑制该扰动，装置出口NOx浓度与设定值的偏差水平大大减小。图4中，系统输出端加入相对复杂一些的周期性扰动，LSSVM扰动抑制预测控制算法经过一定时间内依然能够很好地抑制此类扰动，装置出口NOx浓度与设定值之间的偏差水平与一般预测控制算法相比，改善效果明显。图5中系统输出端加入一类类似于正弦周期信号但周期性较弱有一定随机性的扰动信号，采用一般的预测控制算法会造成出口NOx浓度波动较大，而LSSVM扰动抑制预测控制算法经过一段时间的自适应校正后，同样能够抑制出口NOx浓度的大幅波动情况，有效改善调节效果。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，其特征在于，包括如下步骤：
步骤1，在稳定运行状态下，将SCR脱硝系统切换到手动状态，以脱硝装置喷氨量为控制量，对脱硝装置出口NOx浓度进行开环阶跃响应试验获取运行数据，经辨识后得到由喷氨量到出口NOx浓度的传递函数Gm(s)；
步骤2，确定采样时间，将传递函数Gm(s)转换为离散状态空间模型，并将输出扰动项作为扩增项对离散状态空间模型中系统的状态变量进行扩增，得到增广状态空间模型；
步骤3，设置预测控制器的参数，包括预测时域P、控制时域M、误差权矩阵Q、控制权矩阵R；设置卡尔曼滤波的参数，包括误差协方差矩阵的初始值PK(0)、扰动协方差矩阵Qn、噪声协方差矩阵Rn；根据上述设置的参数，确定脱硝装置出口NOx浓度的预测模型；
步骤4，设置控制量约束条件umin,umax,Δumin,Δumax，以及k时刻对控制量增量ΔU(k)的约束条件，其中umin、umax依次为控制量约束的最小值、最大值，Δumin、Δumax依次为控制量增量约束的最小值、最大值；
步骤5，设置在线支持向量机的参数，包括扰动序列阶次nd、训练样本数N、正规化参数c、核参数σ；
步骤6，对预测控制器广义状态进行初始化，对在线支持向量机训练样本集及决策函数系数进行初始化，初始化完成后，在每个控制周期内，依次执行步骤7至步骤11；
步骤7，利用卡尔曼滤波对增广状态空间模型进行状态估计，得到系统广义状态的估计值
Figure FDA0003851246500000011
步骤8，
Figure FDA0003851246500000012
包含系统状态估计值
Figure FDA0003851246500000013
和等效输出扰动的估计值
Figure FDA0003851246500000014
根据等效输出扰动的估计值
Figure FDA0003851246500000015
构造新的训练样本，根据新的训练样本更新训练样本集及决策函数系数；
步骤9，根据更新后的决策函数系数，对预测时域内的扰动序列
Figure FDA0003851246500000021
进行预测；
步骤10，建立性能指标J为：
Figure FDA0003851246500000022
将步骤3得到的脱硝装置出口NOx浓度的预测模型Y(k)代入性能指标求解得到最优控制增量ΔU，其中，ΓΔU≤β为步骤4设置的约束条件，Yr(k)为k时刻出口NOx浓度的设定值；
步骤11，取步骤10计算得到的最优控制增量ΔU中的即时控制增量，计算得到即时控制量，将即时控制量送至SCR脱硝系统。
2.根据权利要求1所述融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，其特征在于，所述步骤2的具体过程如下：
将传递函数Gm(s)转换为离散状态空间模型：
Figure FDA0003851246500000023
其中，x(k+1)、x(k)分别为k+1、k时刻系统的状态变量，u(k)为k时刻的控制量，y(k)为k时刻的被控量，即系统输出，A、B、C依次为离散状态空间模型的系统矩阵、输入矩阵、输出矩阵；
将输出扰动项作为扩增项对系统的状态变量进行扩增，得到增广状态空间模型：
Figure FDA0003851246500000024
其中，
Figure FDA0003851246500000025
为k时刻系统的广义状态变量，包含k时刻系统的状态变量x(k)和等效的输出扰动d(k)，
Figure FDA0003851246500000026
依次为增广状态空间模型的系统矩阵、输入矩阵、输出矩阵，I表示单位矩阵，O表示零矩阵。
3.根据权利要求1所述融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，其特征在于，步骤3所述脱硝装置出口NOx浓度的预测模型为：
Figure FDA0003851246500000031
其中，Y(k)表示k时刻对预测时域内系统输出的预测值，
Figure FDA0003851246500000032
表示k时刻对k+i时刻系统输出的预测值，i＝1,2,…,P，
Figure FDA0003851246500000033
为k时刻系统状态向量的估计值，u(k-1)为k-1时刻的控制量，ΔU(k)＝[Δu(k)…Δu(k+M-1)]T表示控制时域内控制量的增量，
Figure FDA0003851246500000034
表示预测时域内等效输出扰动序列的预测值，P为预测时域，M为控制时域，参数矩阵F、Ψ、Φ的含义如下：
Figure FDA0003851246500000035
其中，A、B、C依次为离散状态空间模型的系统矩阵、输入矩阵、输出矩阵。
4.根据权利要求1所述融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，其特征在于，步骤6所述对预测控制器广义状态进行初始化，对在线支持向量机训练样本集及决策函数系数进行初始化，具体为：
预测控制器广义状态初始化时取为与增广状态空间模型的系统矩阵
Figure FDA0003851246500000036
维数相同的零向量；
在线支持向量机训练样本集
Figure FDA0003851246500000037
其中
Figure FDA0003851246500000038
表示支持向量机的输入，上标p表示为已知的过去时刻扰动序列，nd为扰动序列阶次，
Figure FDA0003851246500000039
表示支持向量机的输出，上标f表示预测的未来时刻扰动值，q＝1,…,N，则初始化时，将
Figure FDA00038512465000000310
与
Figure FDA00038512465000000311
均取为相应维数的零向量；
计算决策函数系数：
Figure FDA00038512465000000312
其中，
Figure FDA0003851246500000041
Figure FDA0003851246500000042
α＝[α1 α2…αN]T，
Figure FDA0003851246500000043
为核函数，计算方法为：
Figure FDA0003851246500000044
N为训练样本数，c为正规化参数，σ为核参数；初始化历史扰动序列Dp为1×nd维的零列向量。
5.根据权利要求1所述融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，其特征在于，所述步骤7的具体过程如下：
7.1，对系统的广义状态变量
Figure FDA0003851246500000045
进行状态一步预测：
Figure FDA0003851246500000046
其中
Figure FDA0003851246500000047
为k-1时刻系统广义状态的估计值，u(k-1)为k-1时刻的控制量；
7.2，计算状态一步预测的协方差阵：
Figure FDA0003851246500000048
7.3，计算滤波增益矩阵：
Figure FDA0003851246500000049
7.4，k时刻系统广义状态估计：
Figure FDA00038512465000000410
7.5，更新状态估计的协方差矩阵：
Figure FDA00038512465000000411
其中，
Figure FDA00038512465000000412
依次为增广状态空间模型的系统矩阵、输入矩阵、输出矩阵，PK(k-1)为k-1时刻的协方差矩阵，Qn为扰动协方差矩阵，Rn为噪声协方差矩阵，y(k)为k时刻的被控量，I表示单位矩阵。
6.根据权利要求4所述融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，其特征在于，所述步骤8的具体过程如下：
8.1，根据等效输出扰动的估计值
Figure FDA00038512465000000413
构造新的训练样本
Figure FDA00038512465000000414
其中
Figure FDA00038512465000000415
8.2，将矩阵H-1的第一行、第一列分别移至最后一行、最后一列，得
Figure FDA0003851246500000051
将其分块：
Figure FDA0003851246500000052
其中
Figure FDA0003851246500000053
Figure FDA0003851246500000054
计算
Figure FDA0003851246500000055
8.3，计算与新的训练样本相关的参数：
Figure FDA0003851246500000056
Figure FDA0003851246500000057
Figure FDA0003851246500000058
其中，
Figure FDA0003851246500000059
为核函数，q＝2,…,N，
Figure FDA00038512465000000510
为核函数；
8.4，计算
Figure FDA00038512465000000511
矩阵为：
Figure FDA00038512465000000512
则更新H-1为：
Figure FDA00038512465000000513
更新df为
Figure FDA00038512465000000514
更新决策函数系数：
Figure FDA00038512465000000515
8.5，更新训练样本集及历史扰动序列，训练样本集更新为
Figure FDA00038512465000000516
历史扰动序列更新为
Figure FDA00038512465000000517
7.根据权利要求1所述融合支持向量机的SCR脱硝系统扰动抑制预测控制方法，其特征在于，所述步骤9的具体过程如下：
9.1，初始化支持向量机输入为
Figure FDA00038512465000000518
重复执行9.2和9.3直至iP＝P+1，P为预测时域；
9.2，计算扰动序列预测值
Figure FDA00038512465000000519
Figure FDA00038512465000000520
9.3，更新支持向量机输入为
Figure FDA0003851246500000061
其中，Dp为历史扰动序列，
Figure FDA0003851246500000062
为核函数，q＝1,…,N，N为训练样本数，αq、b均表示决策函数系数。
CN201911164271.XA 2019-11-25 2019-11-25 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法 Active CN110908351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911164271.XA CN110908351B (zh) 2019-11-25 2019-11-25 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911164271.XA CN110908351B (zh) 2019-11-25 2019-11-25 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法

Publications (2)

Publication Number Publication Date
CN110908351A CN110908351A (zh) 2020-03-24
CN110908351B true CN110908351B (zh) 2022-11-18

Family

ID=69819222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911164271.XA Active CN110908351B (zh) 2019-11-25 2019-11-25 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法

Country Status (1)

Country Link
CN (1) CN110908351B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111399458B (zh) * 2020-03-30 2022-03-11 东南大学 基于扰动抑制广义预测控制的scr脱硝系统控制方法
CN111450694B (zh) * 2020-04-10 2022-04-15 大唐环境产业集团股份有限公司 一种基于多目标优化的脱硫系统工业控制器和控制方法
CN113893685B (zh) * 2021-09-30 2024-04-09 湖北华电江陵发电有限公司 一种基于滞后惯性补偿的脱硝系统先进控制系统及方法
CN114564829B (zh) * 2022-02-28 2023-06-02 合肥工业大学 一种计及rdf掺混比的温度预测控制方法
CN114534458B (zh) * 2022-03-09 2023-04-07 山东爱亿普环保科技股份有限公司 一种喷射脱硝还原剂的控制方法和装置
CN115712243B (zh) * 2022-11-04 2024-07-09 北京和利时工业软件有限公司 一种校正方法、装置、设备及介质
CN115860450B (zh) * 2022-12-07 2024-09-03 北京和利时工业软件有限公司 一种基于状态空间模型的预测控制方法、装置及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010234321A (ja) * 2009-03-31 2010-10-21 Chugoku Electric Power Co Inc:The アンモニア注入量補正制御装置及びアンモニア注入量補正制御方法
CN105629736A (zh) * 2016-03-22 2016-06-01 东南大学 数据驱动的火电机组scr脱硝扰动抑制预测控制方法
CN106841518A (zh) * 2016-12-29 2017-06-13 东南大学 一种基于卡尔曼滤波的烟气NOx浓度测量方法
CN107158903A (zh) * 2017-05-08 2017-09-15 中国科学院自动化研究所 焦炉烟道气强制氧化脱硝过程的节能控制方法及装置
CN107694337A (zh) * 2017-11-03 2018-02-16 吉林省电力科学研究院有限公司 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法
JP2018161634A (ja) * 2017-03-27 2018-10-18 株式会社東芝 脱硝制御装置および脱硝制御方法
CN108837699A (zh) * 2018-07-02 2018-11-20 大唐环境产业集团股份有限公司 一种基于软测量和预测控制的scr脱硝智能喷氨优化方法及系统
CN108837698A (zh) * 2018-07-02 2018-11-20 大唐环境产业集团股份有限公司 基于先进测量仪表和先进控制算法的scr脱硝喷氨优化方法及系统
CN109062053A (zh) * 2018-08-31 2018-12-21 江苏国信靖江发电有限公司 一种基于多变量校正的脱硝喷氨控制方法
CN109304086A (zh) * 2018-10-31 2019-02-05 华中科技大学 一种电站锅炉scr脱硝精细化喷氨控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010234321A (ja) * 2009-03-31 2010-10-21 Chugoku Electric Power Co Inc:The アンモニア注入量補正制御装置及びアンモニア注入量補正制御方法
CN105629736A (zh) * 2016-03-22 2016-06-01 东南大学 数据驱动的火电机组scr脱硝扰动抑制预测控制方法
CN106841518A (zh) * 2016-12-29 2017-06-13 东南大学 一种基于卡尔曼滤波的烟气NOx浓度测量方法
JP2018161634A (ja) * 2017-03-27 2018-10-18 株式会社東芝 脱硝制御装置および脱硝制御方法
CN107158903A (zh) * 2017-05-08 2017-09-15 中国科学院自动化研究所 焦炉烟道气强制氧化脱硝过程的节能控制方法及装置
CN107694337A (zh) * 2017-11-03 2018-02-16 吉林省电力科学研究院有限公司 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法
CN108837699A (zh) * 2018-07-02 2018-11-20 大唐环境产业集团股份有限公司 一种基于软测量和预测控制的scr脱硝智能喷氨优化方法及系统
CN108837698A (zh) * 2018-07-02 2018-11-20 大唐环境产业集团股份有限公司 基于先进测量仪表和先进控制算法的scr脱硝喷氨优化方法及系统
CN109062053A (zh) * 2018-08-31 2018-12-21 江苏国信靖江发电有限公司 一种基于多变量校正的脱硝喷氨控制方法
CN109304086A (zh) * 2018-10-31 2019-02-05 华中科技大学 一种电站锅炉scr脱硝精细化喷氨控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Combined Design of Disturbance Model and Observer for Offset-Free Model Predictive Control;Gabriele Pannocchia;《IEEE Transactions on Automatic Control 》;20070618;全文 *
SCR 脱硝系统的线性自抗扰串级控制研究;黄宇 等;《中国电机工程学报》;20180920;第38卷(第18期);全文 *

Also Published As

Publication number Publication date
CN110908351A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110908351B (zh) 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法
CN111459051B (zh) 一种带扰动观测器的离散终端滑模无模型控制方法
Wang et al. Adaptive critic for event-triggered unknown nonlinear optimal tracking design with wastewater treatment applications
Su et al. Integral reinforcement learning-based online adaptive event-triggered control for non-zero-sum games of partially unknown nonlinear systems
CN111413938B (zh) 一种基于折算喷氨量的scr脱硝系统扰动抑制预测控制方法
CN105974795B (zh) 基于可控电抗器抑制电力系统低频振荡的模型预测控制方法
WO2009114941A1 (en) Method of multi-dimensional nonlinear control
CN108121204A (zh) 一种组合体航天器姿态无模型的自适应控制方法和系统
CN114859725B (zh) 一种非线性系统自适应事件触发控制方法及系统
Mi et al. Event-triggered MPC design for distributed systems with network communications
CN105955014A (zh) 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法
CN106054951B (zh) 一种溶解氧浓度的控制方法和系统
Abdullah et al. Real-time adaptive sparse-identification-based predictive control of nonlinear processes
CN106444362A (zh) 一种废塑料裂解炉炉膛温度的分布式pid型预测函数控制方法
CN104111605B (zh) 单输入单输出非自衡生产过程的控制器及控制方法
CN116880191A (zh) 一种基于时序预测的过程工业生产系统的智能控制方法
CN116360264A (zh) 一种污水处理过程的增强预测控制方法
CN110794676A (zh) 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法
CN111752152B (zh) Siso紧格式无模型控制器基于lstm神经网络的参数自整定方法
CN108459501A (zh) 一种网络环境下的基于ga-powell算法的约束广义预测控制器
CN114035430A (zh) 一种基于预测控制的脱硫系统pH值控制系统及方法
CN113467225A (zh) 智能pid控制器在线优化方法及系统
CN113459083A (zh) 一种事件触发下的机械臂自适应固定时间控制方法及系统
Ren et al. Dynamic event-triggered neural adaptive preassigned fast finite-time tracking control for stochastic nonaffine structure nonlinear systems
Meng et al. A novel discrete sliding mode controller for MIMO complex nonlinear systems with uncertainty

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