CN110989351A - 重油分馏系统的隐式广义预测控制方法 - Google Patents

重油分馏系统的隐式广义预测控制方法 Download PDF

Info

Publication number
CN110989351A
CN110989351A CN201911267419.2A CN201911267419A CN110989351A CN 110989351 A CN110989351 A CN 110989351A CN 201911267419 A CN201911267419 A CN 201911267419A CN 110989351 A CN110989351 A CN 110989351A
Authority
CN
China
Prior art keywords
heavy oil
model
oil fractionation
fractionation system
value
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
CN201911267419.2A
Other languages
English (en)
Other versions
CN110989351B (zh
Inventor
岑丽辉
张迪
王雅琳
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN201911267419.2A priority Critical patent/CN110989351B/zh
Publication of CN110989351A publication Critical patent/CN110989351A/zh
Application granted granted Critical
Publication of CN110989351B publication Critical patent/CN110989351B/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

本发明提供了一种重油分馏系统的隐式广义预测控制方法，包括：设定重油分馏系统输出设定值c，并输入初始值；数学建模得到重油分馏系统模型，并对该模型进行离散化处理，对离散后的模型进行解耦；在被控对象输入端加入激励信号，根据对解耦后的两部分模型进行在线辨识，分别求得相应模型参数，重要部分求得主要预测模型，次要部分作为反馈引入系统，进而求得控制器；对实际输出值进行柔化处理，与单步预测值进行比较，并把补偿部分引入，与设定值形成差值作为反馈作用于控制器；根据最优性能指标，求解控制增量作用于系统，得到实际输出。

Description

重油分馏系统的隐式广义预测控制方法
技术领域
本发明涉及重油分馏系统的广义预测技术领域，特别涉及一种重油分馏系统的隐式广义预测控制方法。
背景技术
重油分馏系统的动态特性是由一个多输入多输出的阶跃响应模型来描述。炼油过程具有控制复杂、耦合严重、对模型失配和扰动敏感等特点。对于重油分流系统的控制问题，以往的控制方法包括从经济的角度运用模型预测控制器操作反应器和分馏塔、用迭代控制的方法最小化蒸馏启动时间、使用比例积分(PI)控制器、将自适应神经网络应用于多变量测量产品预测等。以往的方法很少考虑回路之间的耦合影响，无法达到令人满意的跟踪性能。所以要想取得满意的控制效果，必须研究解耦问题。
预测控制通过在每个采样时刻利用测量到的系统当前状态参数，求解一个使预测的未来系统状态达到理想的最优化问题，将求解的控制序列的第一步施加到系统控制结构，并在每一个采样时刻重复滚动运行。
发明内容
本发明提供了一种重油分馏系统的隐式广义预测控制方法，其目的是为了解决预测控制在线求解约束优化的问题。
为了达到上述目的，本发明的实施例提供了一种重油分馏系统的隐式广义预测控制方法，包括：
步骤1，设定重油分馏系统输出设定值c，并输入初始值；
步骤2，数学建模得到重油分馏系统模型，并对该模型进行离散化处理，对离散后的模型进行解耦；
步骤3，在被控对象输入端加入激励信号，根据对解耦后的两部分模型进行在线辨识，分别求得相应模型参数，重要部分求得主要预测模型，次要部分作为反馈引入系统，进而求得控制器；
步骤4，对实际输出值进行柔化处理，与单步预测值进行比较，并把补偿部分引入，与设定值形成差值作为反馈作用于控制器；
步骤5，根据最优性能指标，求解控制增量作用于系统，得到实际输出。
其中，所述重油分馏系统采用二输入二输出重油分馏系统模型，输入为分馏器顶部产品的抽取率和分馏器侧线产品的抽取率，输出为分馏器顶部产品的提取成分和分馏器侧线产品的提取成分。
其中，所述广义预测控制由预测模型、滚动优化和反馈校正组成。
本发明的上述方案有如下的有益效果：
本发明的重油分馏系统的隐式广义预测控制方法对中有重油分馏模型进行分解，一部分作用于重油分馏主系统，一部分作为系统前馈补偿，后通过在线辨识分别对分解后的模型进行辨识，得到相应参数作用于预测模型和前馈补偿，可避免求解丢番图方程，该方法解耦彻底，削弱了系统间耦合的影响，大大减小了数值计算方法的在线计算量，具有较高的可行性。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合具体实施例进行详细描述。
本发明针对现有的预测控制在线求解约束优化的问题，提供了一种重油分馏系统的隐式广义预测控制方法。
本发明的实施例提供了一种重油分馏系统的隐式广义预测控制方法，包括：
步骤1，设定重油分馏系统输出设定值c，并输入初始值；
步骤2，数学建模得到重油分馏系统模型，并对该模型进行离散化处理，对离散后的模型进行解耦；
步骤3，在被控对象输入端加入激励信号，根据对解耦后的两部分模型进行在线辨识，分别求得相应模型参数，重要部分求得主要预测模型，次要部分作为反馈引入系统，进而求得控制器；
步骤4，对实际输出值进行柔化处理，与单步预测值进行比较，并把补偿部分引入，与设定值形成差值作为反馈作用于控制器；
步骤5，根据最优性能指标，求解控制增量作用于系统，得到实际输出。
本发明的上述实施例所述的重油分馏系统的隐式广义预测控制方法减小耦合为目标，根据模型间相对关系大小，将重油分馏模型直接分为两部分，一部分用于获得重油分馏主系统预测模型，另一部分作为系统补偿与设定值进行差值计算，该解耦方法解耦相对彻底，可削弱系统间耦合的影响；将重油分馏系统解耦与在线辨识相结合，无需求解丢番图方程，在削弱耦合的基础上，可再次减小计算量，减小了计算成本和设备成本，简化了控制设计，为N输入N输出系统的实现提供可靠性。
其中，所述重油分馏系统采用二输入二输出重油分馏系统模型，输入为分馏器顶部产品的抽取率和分馏器侧线产品的抽取率，输出为分馏器顶部产品的提取成分和分馏器侧线产品的提取成分。
其中，所述广义预测控制由预测模型、滚动优化和反馈校正组成。
其中，所述预测模型具体包括：
二输入二输出重油分馏系统模型表示如下：
Figure BDA0002313256560000031
对重油分馏模型进行离散化处理可得：
Figure BDA0002313256560000032
其中，A1(z-1)、A2(z-1)、B11(z-1)、B12(z-1)、B21(z-1)、B22(z-1)均为z-1的多项式；y1(k)、y2(k)为系统输出；u1(k)、u2(k)为系统输入；
Figure BDA0002313256560000033
系统模型的简化表示方法
可通过相对增益来描述多变量系统中各控制回路之间的关联大小，确定各操作变量与被控变量关联的重要程度。
Figure BDA0002313256560000041
为体现所提策略优势并方便分析，模型分解采用特殊形式，即保留方系统(p＝m)控制部分形成单入单出系统。
将B分解为
Figure BDA0002313256560000042
和
Figure BDA0002313256560000043
两部分：
Figure BDA0002313256560000044
因此系统分解模型变为
Figure BDA0002313256560000045
由公式(4)可知，根据相对增益关系进行解耦，可将重油分馏模型分解为两部分，可对一部分主要部分进行预测得到预测模型，另一次要部分作为补偿引入反馈。该方法解耦相对彻底，削弱了系统间耦合的影响，同时在一定程度上可减小在线计算量，具有较高的可行性。
分解系统模型(4)与丢番图方程：
I＝En(z-1)A1(z-1)△+z-nFn(z-1) (5)
可得单输出预测方程：
Figure BDA0002313256560000051
令，
Figure BDA0002313256560000052
其中，
Figure BDA0002313256560000053
单输出预测方程变为
Figure BDA0002313256560000054
由丢番图方程可知
Figure BDA0002313256560000055
由公式(9)可知相关参数可由在线辨识获得，无需求解丢番图方程，与解耦相结合，可进一步减小计算量
由此可见
Figure BDA0002313256560000056
前n项正是yi(k)关于u1(k)的单位阶跃响应gi10,gi11,…,gi1n，其他同理，gi10,gi11,…,gi1n分别由在线辨识获得；
将预测方程(8)分解成k时刻的已知量和未知量两部分，用fi(k+n)表示已知量；
Figure BDA0002313256560000061
则预测方程(8)可写为
Figure BDA0002313256560000062
则单输出预测方程矩阵形式为
Figure BDA0002313256560000063
即
Figure BDA0002313256560000064
综上可知重油分馏系统预测模型为
Figure BDA0002313256560000065
其中，
Figure BDA0002313256560000071
其中，所述滚动优化具体包括：
目标函数和最优控制律的求解将采用重油分解模型，具体分解模型如下：
Figure BDA0002313256560000072
可表示为
Figure BDA0002313256560000073
预测模型只采用
Figure BDA0002313256560000074
控制部分，
Figure BDA0002313256560000075
作为补偿引入；
预测模型为
Figure BDA0002313256560000076
引入补偿后目标函数为
Figure BDA0002313256560000077
其中，
Figure BDA0002313256560000078
求解可得控制增量为
Figure BDA0002313256560000079
其中，所述反馈校正具体包括：
将预测值与实际输出值差作为反馈，作用于系统，调节控制效果；
在性能指标中，对象输出的期望值W(t+n)采用从当前输出Y(t)到设定值的c的柔化值
Figure BDA00023132565600000710
其中，所述方法还包括在线辨识，具体为具体为根据预测方程(12)可写成矩阵的形式如下：
yi(k+n|k)＝Xi(k)θi(k) (21)
把模型参数和数据分别用向量形式记为
Figure BDA0002313256560000081
可用渐消记忆的递推最小二乘法估计参数向量
Figure BDA0002313256560000082
其中，0<μ<1为遗忘因子，K(t)为权因子，P(t)为正定的协方差阵。
本发明的采用二输入二输出重油分馏系统模型，输入为分馏器顶部产品的抽取率和分馏器侧线产品的抽取率，输出为分馏器顶部产品的提取成分和分馏器侧线产品的提取成分，N输入N输出模型处理效果相同，广义预测控制由预测模型、滚动优化和反馈校正三部分组成，接下来将分别从这三部分进行控制详细说明，并在预测模型部分说明模型分解过程，在反馈校正部分说明在线辨识方法，另外，在线辨识需要加入激励信号，可采用随机二进制序列(RBS)。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种重油分馏系统的隐式广义预测控制方法，其特征在于，包括：
步骤1，设定重油分馏系统输出设定值c，并输入初始值；
步骤2，数学建模得到重油分馏系统模型，并对该模型进行离散化处理，对离散后的模型进行解耦；
步骤3，在被控对象输入端加入激励信号，根据对解耦后的两部分模型进行在线辨识，分别求得相应模型参数，重要部分求得主要预测模型，次要部分作为反馈引入系统，进而求得控制器；
步骤4，对实际输出值进行柔化处理，与单步预测值进行比较，并把补偿部分引入，与设定值形成差值作为反馈作用于控制器；
步骤5，根据最优性能指标，求解控制增量作用于系统，得到实际输出。
2.根据权利要求1所述重油分馏系统的隐式广义预测控制方法，其特征在于，所述重油分馏系统采用二输入二输出重油分馏系统模型，输入为分馏器顶部产品的抽取率和分馏器侧线产品的抽取率，输出为分馏器顶部产品的提取成分和分馏器侧线产品的提取成分。
3.根据权利要求1所述重油分馏系统的隐式广义预测控制方法，其特征在于，所述广义预测控制由预测模型、滚动优化和反馈校正组成。
4.根据权利要求3所述重油分馏系统的隐式广义预测控制方法，其特征在于，所述预测模型具体包括：
二输入二输出重油分馏系统模型表示如下：
Figure FDA0002313256550000011
对重油分馏模型进行离散化处理可得：
Figure FDA0002313256550000012
其中，A1(z-1)、A2(z-1)、B11(z-1)、B12(z-1)、B21(z-1)、B22(z-1)均为z-1的多项式；y1(k)、y2(k)为系统输出；u1(k)、u2(k)为系统输入；
将B分解为
Figure FDA0002313256550000021
和
Figure FDA0002313256550000022
两部分：
Figure FDA0002313256550000023
因此系统分解模型变为
Figure FDA0002313256550000024
分解系统模型(4)与丢番图方程：
I＝En(z-1)A1(z-1)△+z-nFn(z-1) (5)
可得单输出预测方程：
Figure FDA0002313256550000025
令，
Figure FDA0002313256550000026
其中，
Figure FDA0002313256550000027
单输出预测方程变为
Figure FDA0002313256550000028
由丢番图方程可知
Figure FDA0002313256550000029
由此可见
Figure FDA00023132565500000210
前n项正是yi(k)关于u1(k)的单位阶跃响应gi10,gi11,…,gi1n，其他同理，gi10,gi11,…,gi1n分别由在线辨识获得；
将预测方程(8)分解成k时刻的已知量和未知量两部分，用fi(k+n)表示已知量；
Figure FDA0002313256550000031
则预测方程(8)可写为
Figure FDA0002313256550000032
则单输出预测方程矩阵形式为
Figure FDA0002313256550000033
即
Figure FDA0002313256550000034
综上可知重油分馏系统预测模型为
Figure FDA0002313256550000041
其中，
Figure FDA0002313256550000042
5.根据权利要求4所述重油分馏系统的隐式广义预测控制方法，其特征在于，所述滚动优化具体包括：
目标函数和最优控制律的求解将采用重油分解模型，具体分解模型如下：
Figure FDA0002313256550000043
可表示为
Figure FDA0002313256550000044
预测模型只采用
Figure FDA0002313256550000045
控制部分，
Figure FDA0002313256550000046
作为补偿引入；
预测模型为
Figure FDA0002313256550000047
引入补偿后目标函数为
Figure FDA0002313256550000048
其中，
Figure FDA0002313256550000049
求解可得控制增量为
Figure FDA00023132565500000410
6.根据权利要求5所述重油分馏系统的隐式广义预测控制方法，其特征在于，所述反馈校正具体包括：
将预测值与实际输出值差作为反馈，作用于系统，调节控制效果；
在性能指标中，对象输出的期望值W(t+n)采用从当前输出Y(t)到设定值的c的柔化值
Figure FDA0002313256550000051
7.根据权利要求6所述重油分馏系统的隐式广义预测控制方法，其特征在于，所述方法还包括在线辨识，具体为根据预测方程(12)可写成矩阵的形式如下：
yi(k+n|k)＝Xi(k)θi(k) (21)
把模型参数和数据分别用向量形式记为
Figure FDA0002313256550000052
可用渐消记忆的递推最小二乘法估计参数向量
Figure FDA0002313256550000053
其中，0<μ<1为遗忘因子，K(t)为权因子，P(t)为正定的协方差阵。
CN201911267419.2A 2019-12-11 2019-12-11 重油分馏系统的隐式广义预测控制方法 Active CN110989351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911267419.2A CN110989351B (zh) 2019-12-11 2019-12-11 重油分馏系统的隐式广义预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911267419.2A CN110989351B (zh) 2019-12-11 2019-12-11 重油分馏系统的隐式广义预测控制方法

Publications (2)

Publication Number Publication Date
CN110989351A true CN110989351A (zh) 2020-04-10
CN110989351B CN110989351B (zh) 2021-05-18

Family

ID=70092334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911267419.2A Active CN110989351B (zh) 2019-12-11 2019-12-11 重油分馏系统的隐式广义预测控制方法

Country Status (1)

Country Link
CN (1) CN110989351B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111812979A (zh) * 2020-06-17 2020-10-23 东南大学 一种应用于双效溴化锂吸收式制冷系统的多变量广义预测控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932699A (zh) * 2006-09-28 2007-03-21 上海交通大学 双输入双输出系统的解耦控制方法
CN103472723A (zh) * 2013-08-19 2013-12-25 上海交通大学 基于多模型广义预测控制器的预测控制方法及系统
CN104270055A (zh) * 2014-09-24 2015-01-07 武汉科技大学 一种交流伺服系统位置环ip控制器的参数自校正方法
CN104834217A (zh) * 2015-04-27 2015-08-12 北京化工大学 二元精馏塔抗饱和控制分析系统
CN104898426A (zh) * 2015-05-18 2015-09-09 河海大学常州校区 基于梯度下降法和广义预测控制的室温回路控制方法
US20180087221A1 (en) * 2016-09-23 2018-03-29 Honeywell Limited Method of Designing Model Predictive Control for Cross Directional Flat Sheet Manufacturing Processes to Guarantee Spatial Robustness and to Prevent Actuator Picketing

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932699A (zh) * 2006-09-28 2007-03-21 上海交通大学 双输入双输出系统的解耦控制方法
CN103472723A (zh) * 2013-08-19 2013-12-25 上海交通大学 基于多模型广义预测控制器的预测控制方法及系统
CN104270055A (zh) * 2014-09-24 2015-01-07 武汉科技大学 一种交流伺服系统位置环ip控制器的参数自校正方法
CN104834217A (zh) * 2015-04-27 2015-08-12 北京化工大学 二元精馏塔抗饱和控制分析系统
CN104898426A (zh) * 2015-05-18 2015-09-09 河海大学常州校区 基于梯度下降法和广义预测控制的室温回路控制方法
US20180087221A1 (en) * 2016-09-23 2018-03-29 Honeywell Limited Method of Designing Model Predictive Control for Cross Directional Flat Sheet Manufacturing Processes to Guarantee Spatial Robustness and to Prevent Actuator Picketing

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
关士远: "精馏塔广义预测控制器设计", 《自动化与仪表》 *
吴亭: "基于参数估计的多变量自适应解耦控制算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111812979A (zh) * 2020-06-17 2020-10-23 东南大学 一种应用于双效溴化锂吸收式制冷系统的多变量广义预测控制方法

Also Published As

Publication number Publication date
CN110989351B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
De Souza et al. Real time optimization (RTO) with model predictive control (MPC)
Würth et al. A two-layer architecture for economically optimal process control and operation
US9760067B2 (en) System and method for predicting future disturbances in model predictive control applications
US5682309A (en) Feedback method for controlling non-linear processes
Mansour et al. Comparison of methods for estimating real process derivatives in on-line optimization
CN110609476B (zh) 一种基于高斯过程模型的多变量非线性动态系统模型预测控制方法
Wang et al. Disturbance observer based adaptive neural control of uncertain MIMO nonlinear systems with unmodeled dynamics
Wang et al. Adaptive-critic-based hybrid intelligent optimal tracking for a class of nonlinear discrete-time systems
CN110989351B (zh) 重油分馏系统的隐式广义预测控制方法
CN105867138A (zh) 一种基于pid控制器的稳定平台控制方法及装置
Sakr et al. Improving the performance of networked control systems with time delay and data dropouts based on fuzzy model predictive control
Vadigepalli et al. Structural analysis of large-scale systems for distributed state estimation and control applications
Perez et al. Offset-free ARX-based adaptive model predictive control applied to a nonlinear process
Rego et al. Offline output feedback robust anti-windup MPC-LPV using relaxed LMI optimization
Fu et al. Adaptive optimal control of unknown nonlinear systems with different time scales
CN111240201A (zh) 一种扰动抑制控制方法
Oliveira-Silva et al. Economic MPC with modifier adaptation using transient measurements
Del Castillo Statistical process adjustment: a brief retrospective, current status, and some opportunities for further work
CN113625555B (zh) 一种基于递推子空间辨识的自适应逆控制agv转速控制方法
Zheng et al. A framework for adaptive predictive control system based on zone control
Chen et al. Optimal tracking control for unknown nonlinear systems with uncertain input saturation: A dynamic event-triggered ADP algorithm
Miletic et al. Results analysis for real-time optimization (RTO): Deciding when to change the plant operation
CN111505937A (zh) 一种多模态下的工业过程改进模型预测容错控制方法
Chang et al. Neural network model adaptation and its application to process control
Zhengshun et al. ARX-NNPLS model based optimization strategy and its application in polymer grade transition process

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