CN111812975A - 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 - Google Patents
一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 Download PDFInfo
- Publication number
- CN111812975A CN111812975A CN202010485304.7A CN202010485304A CN111812975A CN 111812975 A CN111812975 A CN 111812975A CN 202010485304 A CN202010485304 A CN 202010485304A CN 111812975 A CN111812975 A CN 111812975A
- Authority
- CN
- China
- Prior art keywords
- control
- pumped storage
- fuzzy model
- storage unit
- generalized predictive
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000001105 regulatory effect Effects 0.000 claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000010248 power generation Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000005086 pumping Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008859 change Effects 0.000 description 12
- 230000004044 response Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 241000838698 Togo Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
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
本发明涉及水利发电技术领域，公开了一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法，该方法以抽水蓄能机组调速系统的实测数据为样本，对机组调速系统控制对象进行T‑S模糊模型辨识，得到高精度抽蓄机组调速系统被控对象仿真模型，在此基础上引入广义预测控制理论对机组未来时域内的运行状态进行预测并建立目标函数，运用启发式优化算法求解目标函数获得当前最优控制规律。与现有技术相比，本发明可有效降低机组在空载低水头下进入“S”特性区域的风险，显著提高机组在低水头下的控制效果，且具有较强的鲁棒性。
Description
技术领域
本发明涉及水力发电技术领域，涉及水电机组优化控制技术领域，具体涉及一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法。
背景技术
抽水蓄能机组调速系统是抽蓄机组的核心控制系统，承担着稳定机组频率和调节机组功率的重任，与大多数工业控制系统相同，工程实际中的抽水蓄能机组调速系统一般采用比例积分微分控制器(Proportion Integration Differentiation，PID)对机组转速、导叶开度和有功功率进行调节。由于可逆式水泵水轮机在水轮机方向的运行状态中存在“S”特性区域，使机组在水轮机工况、水轮机制动工况和反水泵工况间来回转换，进而导致机频不断振动。由于“S”特性区域的存在，以及抽蓄机组运行工况的频繁变化，传统PID控制因控制参数对工况敏感和控制律计算未考虑系统内部状态等固有缺陷，难以在具有复杂水力-机械-电气耦合非线性特性的抽水蓄能机组调速系统中取得满意的控制品质。
随着控制理论的高速发展，工程实践中对水电机组(包括抽水蓄能机组)调速系统的控制品质提出了更高的要求，现代控制理论已经被应用于机组调速系统，在一定程度上改善了调速系统的控制效果。然而，现代控制理论在针对大型、复杂和不确定性的工业过程控制的局限性日益突出，主要体现在以下三个方面：(1)现在控制理论是以状态空间方程为基础的计算机控制算法，强烈依赖于被控对象精确的数学模型。(2)复杂工业过程控制中的被控对象往往具有强非线性、时变和不确定等特性，且同时遭受外来干扰和环境因素的影响，对象关键参数和模型结构可能会发生变化，以理想模型为基础设计的最优控制难以实现实际上的最优控制，无法获得令人满意的控制效果。(3)针对复杂工业过程控制中的有约束、多变量和多目标问题，现代控制理论仍存在较多的局限性。因此，急需提出一种模型要求低、鲁棒性强、控制算法简单、易于实现、控制效果好的控制理论实现抽水蓄能机组的高品质控制。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供本发明提出一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法，该方法基于抽蓄机组的实际运行数据，通过区间二型T-S模糊模型辨识得到实际抽蓄机组调速系统控制对象高精度模型，并建立基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制模型，在此基础上运用智能优化算法优化目标函数获得当前时刻的最优控制量，可有效提高抽蓄机组调速系统控制品质，提高系统的稳定性，具有很好的实用价值。
技术方案：本发明提供了一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法，该广义预测控制方法基于抽水蓄能机组调速系统，所述系统包括控制器、液压执行机构、有压过水系统、水泵水轮机、发电/电动机及负荷，所述液压执行机构、有压过水系统、水泵水轮机、发电/电动机及负荷组成被控对象，由控制器进行调节控制；该广义预测控制方法的步骤包括：
步骤1：采集实际抽水蓄能机组调速系统动态过程数据：对抽水蓄能机组被控对象施加随机扰动信号，采集机组频率组成数据样本(uk,xk)j，uk为k时刻机组调速系统被控对象的输入信号，xk为k时刻的机组频率，k＝1，..，Ns，Ns为动态过程最大采样点数，将样本集中若干动态过程样本作为训练样本；
步骤2：基于采集到的实际机组调速系统实测数据(uk,xk)j，以u(k-1)，u(k-2)，u(k-3)，x(k-1)，x(k-2)，x(k-3)为输入变量，x(k)为输出变量建立抽蓄机组被控对象的区间二型T-S模糊模型；
步骤3：将获得的区间二型抽水蓄能机组被控对象模糊模型转化为广义预测控制的受控自回归积分滑动平均模型；
步骤4：建立广义预测控制的目标函数；采用CARIMA预测系统未来的输出行为，采用被控对象的实际输出与期望输出之间的误差平方和作为预测控制的目标函数，所述广义预测控制的目标函数为：
其中，N1，N2和Nu分别为最小输出长度、最大输出长度(预测长度)和控制长度；γi为控制加权系数被用来调节系统输出误差与控制输入惩罚之间的重要程度；yr(k+j)为系统输出参考轨迹，Δumin和Δumax为控制量的参数范围；
步骤5：运用新型智能优化算法(Harris hawks optimizer，HHO)求解广义预测控制的目标函数，获得k时刻预测时域内的最优控制序列，将当前最优控制规律作用于抽水蓄能机组调速系统，直到进入下一采样周期。
进一步地，所述广义预测控制方法还包括：
将所述步骤1中所获得的数据样本分为训练样本和测试样本，在所述步骤2中区间二型T-S模糊模型训练完成后，通过测试样本测试区间二型T-S模糊模型精度，将测试样本中的[u(k-1)，u(k-2)，u(k-3)，x(k-1)，x(k-2)，x(k-3)]作为模糊模型输入数据，计算T-S模糊模型输出x(k)与测试样本实际值的均方根误差，均方根误差越小，T-S模糊模型与实际抽蓄机组调速系统中的控制对象的误差越小，从而选择最优T-S模糊模型。
进一步地，其特征在于，所述步骤5具体为：
Step 5.1：算法初始化：设置算法参数，包括群体规模N、总迭代数T、小输出长度N1、最大输出长度N2、控制长度Nu、控制加权矩阵Γ、输出柔化系数α、遗忘因子λ；确定优化变量边界[Δumin,Δumax]，Δumin和Δumax为最优控制增量的最小值和最大值，在此区间初始化群体中所有个体的位置向量，个体位置向量Xi＝[Δu(k),Δu(k+1),…,Δu(k+Nu-1)],i＝1,...N，代表一组控制序列；令当前迭代次数t＝0；
Step 5.2：计算目标函数值：从位置向量中取出当前时刻的最优控制增量序列，将最优控制增量序列输入步骤3中建立基于区间二型T-S模糊模型辨识的抽水蓄能机组控制对象仿真模型，获得机组未来输出Y＝[y(k+N1),y(k+N1+1),…,y(k+N2)]T，依据步骤4计算粒子的目标函数值fiti(t),i＝1,...N；
Step 5.3：求出当前群体的最优目标函数值
和对应的粒子向量Xcurrent_best；
Step 5.4：对所有个体Xi,i＝1,...N，进行位置更新；
Step 5.5：t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解，当前最优个体位置即为最优控制增量序列ΔU＝[Δu(k),Δu(k+1),…,Δu(k+Nu-1)]，否则，转入Step 5.2。
进一步地，所述Step 5.4中对所有个体Xi,i＝1,...N，进行位置更新的步骤为：
Step 5.4.1：更新初始能量E0，E0＝2*rand-1；
Step 5.4.2：更新个体能量E和跳跃力量J：
Step 5.4.3：如果|E|≥1：
其中，X(t)为当前迭代的个体位置向量，X(t+1)为更新后的个体位置向量，Xrand(t)为当前种群中的随机向量，Xm(t)为当前种群的平均位置向量，r1,r2,r3,r4和q为[0,1]之间的随机数；
Step 5.4.4：如果|E|＜1：
如果r≥0.5且|E|≥0.5：
如果r≥0.5且|E|＜0.5：
X(t+1)＝Xrabbit(t)-E|ΔX(t)|
如果r＜0.5且|E|＜0.5：
如果r＜0.5且|E|＜0.5：
其中：
进一步地，所述广义预测控制方法还包括：在采样时刻k，仅将当前时刻最优控制增量Δu(k|k)注入被控对象，所述k时刻的最优控制律u(k)＝u(k-1)+Δu(k)；在k+1时刻重新重复步骤5进行优化控制确定下一时刻的最优控制增量Δu(k+1|k+1)，重复滚动优化直到仿真算法停止。
进一步地，所述广义预测控制方法还包括：在实际的复杂工业过程控制中，建立离线辨识和在线更新区间二型T-S模糊模型辨识方法，在每个采样时刻采集系统实际输出值对模糊模型进行在线校正：
其中，
为过去输入输出增量序列，θ为预测模型参数，λ为遗忘因子，λ∈[0.95,1]，P(k)为协方差矩阵，K(k)为调节增益。
有益效果：
(1)本发明设计的抽水蓄能机组调速系统广义预测控制方法，利用区间二型强大的非线性描述能力建立抽蓄机组调速系统被控对象高精度模型，运用离线辨识和在线校正方法有效降低非线性、时变、模型失配和外部干扰等不确定因素对系统的不利影响，能真实反映实际机组调速系统非线性特性。
(2)本发明提出了基于区间二型模糊模型辨识的抽蓄机组调速系统广义预测控制方法，采用一种新型智能优化算法优化目标函数，具有较高全局搜索能力，有效避免在寻优过程中过早陷入局部最优的情况，可获得更有的最优控制量，与传统PID控制器相比，广义预测控制器可有效降低机组在空载低水头下进入“S”特性区域的风险，显著提高机组在低水头下的控制效果，且具有较强的鲁棒性。
附图说明
图1为本发明基于模糊模型辨识的抽蓄机组预测控制结构框图；
图2为本发明抽水蓄能机组调速系统结构图；
图3为本发明抽水蓄能机组调速系统辨识结果及误差；
图4为不同水头下抽水蓄能机组频率追踪实验方波信号频率动态响应过程；
图5为本发明低水头下抽水蓄能机组方波信号追踪实验参数变化过程及运行轨迹；
图6为本发明不同水头下抽水蓄能机组频率追踪实验阶跃信号频率动态响应过程；
图7为本发明低水头下抽水蓄能机组阶跃信号追踪实验参数变化过程及运行轨迹；
图8为水头554m下接力器时间常数Ty和机组惯性时间常数Ta变化时频率响应过程；
图9为水头546m下接力器时间常数Ty和机组惯性时间常数Ta变化时频率响应过程；
图10为水头535m下接力器时间常数Ty和机组惯性时间常数Ta变化时频率响应过程。
具体实施方式
下面结合附图对本发明进行详细的介绍。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图
及实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为说明本发明效果，下面以某一抽水蓄能机组调速系统作为本发明的实施对象对本发明方法进行详细说明：
步骤1：以我国某抽水蓄能电站为例进行抽水蓄能机组调速系统数值建模，机组相关参数如下表1所示。建立抽水蓄能机组调速系统精细化仿真模型作为实际机组调速系统。抽水蓄能机组调速系统结构图如图2所示，包括PID控制器、电液随动系统、引水系统、水泵水轮机、发电/电动机及负荷，其中，电液随动系统、引水系统、水泵水轮机、发电/电动机及负荷组成被控对象，由PID控制器进行调节控制。
基于所建立的抽水蓄能机组调速系统数值模型，给定随机调速器输出控制量uk，采集机组频率xk(k＝1,…,Ns，Ns为最大采样点数)组成数据样本(uk，xk)，选取其中一半为训练样本，剩下一半数据为测试样本。
表1抽水蓄能电站机组相关参数
步骤2：建立被控对象的区间二型T-S模糊模型。基于获得的训练样本(uk，xk)，以u(k-1)，u(k-2)，u(k-3)，x(k-1)，x(k-2)，x(k-3)为输入变量，x(k)为输出变量，建立控制对象的区间二型T-S模糊模型，图3(a)展示了训练过程和测试过程的辨识系统与实际系统对比结果，图3(b)为相应误差。实验结果表明，区间二型T-S模糊模型在抽水蓄能机组调速系统辨识中具有较高的精度。
在步骤2中区间二型T-S模糊模型训练完成后，通过步骤1中的测试样本测试区间二型T-S模糊模型精度，将测试样本中的[u(k-1)，u(k-2)，u(k-3)，x(k-1)，x(k-2)，x(k-3)]作为模糊模型输入数据，计算T-S模糊模型输出x(k)与测试样本实际值的均方根误差，均方根误差越小，T-S模糊模型与实际抽蓄机组调速系统中的控制对象的误差越小，从而选择最优T-S模糊模型。
步骤3：建立抽水蓄能机组调速系统广义预测控制的预测模型；将获得的区间二型抽水蓄能机组被控对象模糊模型转化为广义预测控制的受控自回归积分滑动平均模型(Controlled Auto-Regressive Integrated Moving Average Model，CARIMA)。
步骤4：建立广义预测控制的目标函数；广义预测预测控制算法采用CARIMA预测系统未来的输出行为，采用被控对象的实际输出与期望输出之间的误差平方和作为预测控制的目标函数：
其中，N1，N2和Nu分别为最小输出长度、最大输出长度(预测长度)和控制长度。γi为控制加权系数被用来调节系统输出误差与控制输入惩罚之间的重要程度。yr(k+j)为系统输出参考轨迹，Δumin和Δumax为控制量的参数范围。
步骤5：运用HHO算法求解广义预测控制的目标函数，获得k时刻预测时域内的最优控制序列。详细步骤包括：
Step 5.1：算法初始化：设置算法参数，群体规模N＝20、总迭代数T＝100、小输出长度N1＝1、最大输出长度(预测长度)N2＝37、控制长度Nu＝17、控制加权矩阵Γ＝100、输出柔化系数α＝0.92、遗忘因子λ＝1；确定优化变量边界[Δumin,Δumax]，Δumin和Δumax为最优控制增量的最小值和最大值，设定Δumin＝-1，Δumax＝1，在此区间初始化群体中所有个体的位置向量，个体位置向量Xi＝[Δu(k),Δu(k+1),…,Δu(k+Nu-1)],i＝1,...N，代表一组控制序列；令当前迭代次数t＝0。
Step 5.2：计算目标函数值：从位置向量中取出当前时刻的最优控制增量序列，将最优控制增量序列输入步骤(3)中建立基于区间二型T-S模糊模型辨识的抽水蓄能机组控制对象仿真模型，获得机组未来输出Y＝[y(k+N1),y(k+N1+1),…,y(k+N2)]T，依据步骤(4)计算粒子的目标函数值fiti(t),i＝1,...N。
Step 5.3：求出当前群体的最优目标函数值
和对应的粒子向量Xcurrent_best。
Step 5.4：对所有个体Xi,i＝1,...N，进行位置更新；位置更新步骤为：
Step 5.4.1：更新初始能量E0和跳跃力量J：
Step 5.4.2：更新个体能量E：
Step 5.4.3：如果|E|≥1：
其中，X(t)为当前迭代的个体位置向量，X(t+1)为更新后的个体位置向量，Xrand(t)为当前种群中的随机向量，Xm(t)为当前种群的平均位置向量，r1,r2,r3,r4和q为[0,1]之间的随机数
Step 5.4.4：如果|E|＜1：
如果r≥0.5且|E|≥0.5：
如果r≥0.5且|E|＜0.5：
X(t+1)＝Xrabbit(t)-E|ΔX(t)|
如果r＜0.5且|E|＜0.5：
如果r＜0.5且|E|＜0.5：
其中：
Step 5.5：t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解，当前最优个体位置即为最优控制增量序列ΔU＝[Δu(k),Δu(k+1),…,Δu(k+Nu-1)]，否则，转入Step 5.2。
步骤6：在采样时刻k，将当前时刻最优控制增量Δu(k|k)注入被控对象，k时刻的最优控制律u(k)＝u(k-1)+Δu(k)。在k+1时刻，为避免由于系统中存在非线性、时变、模型失配和外部干扰等不确定因素对预测控制的不利影响，采用离线辨识和在线更新区间二型T-S模糊模型辨识方法，在每个采样时刻采集系统实际输出值对模糊模型进行在线校正：
式中，其中
为过去输入输出增量序列，θ为预测模型参数，λ为遗忘因子，λ∈[0.95,1]，P(k)为协方差矩阵，K(k)为调节增益。
重新重复步骤5进行优化控制确定下一时刻的最优控制增量Δu(k+1|k+1)，重复滚动优化直到仿真算法停止。
为比较本发明所述方法的性能，与传统PID控制进行对比，其中PID控制器参数由新型智能优化算法(Harris hawks optimizer，HHO)优化所得。为进一步验证本发明提出的自适应模糊模型预测控制(Adaptive Takagi–Sugeno Fuzzy Model-Based GeneralizedPredictive Controller，ATS-GPC)控制器控制算法在低水头下的控制性能，图4至7展示了不同水头下传统PID控制器和ATS-GPC控制器频率追踪实验水锤、流量、力矩变化过程以及机组的运行轨迹，由图可知，与传统PID控制器相比，在低水头下ATS-GPC控制器频率追踪实验水锤、流量、力矩变化过程震动幅度较小，较为稳定，机组的运行轨迹仅在机组飞逸曲线附近震荡，而传统PID控制器机组的运行轨迹已进入“S”特性区域，在水轮机工况区、水轮机制动工况区和反水泵工况区来回切换，造成机组频率较大幅度的震荡。
在工程实际中，系统的特性或参数由于测量不精确或受外界环境因素的干扰将不可避免的发生变化，所设计的控制器必须在系统参数或特性发生改变的情况下仍然保证系统的正常运行，满足系统的控制要求，即控制器的鲁棒性。为分析本发明提出的ATS-GPC控制器的鲁棒性，在三种水头下，分析接力器时间常数Ty和机组惯性时间常数Ta变化时抽水蓄能机组调速系统空载频率扰动工况机组动态响应过程，如图8至10所示。由图可知，无论Ty和Ta增大或减小，ATS-GPC控制器均能获得更好的控制效果，表现出了较强的鲁棒性。相反传统PID控制器对Ty和Ta参数变化较为敏感，参数变化时机组频率动态响应过程发生较大变化，出现震荡现象，特别是机组惯性时间常数Ta的变化对传统PID控制器影响最大。
由以上结果分析可知，与传统PID控制器相比，基于区间二型模糊模型辨识的抽蓄机组广义预测控制器的控制方法可有效降低机组在空载低水头下进入“S”特性区域的风险，显著提高机组在低水头下的控制效果，且具有较强的鲁棒性。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法，其特征在于，该广义预测控制方法基于抽水蓄能机组调速系统，所述系统包括控制器、液压执行机构、有压过水系统、水泵水轮机、发电/电动机及负荷，所述液压执行机构、有压过水系统、水泵水轮机、发电/电动机及负荷组成被控对象，由控制器进行调节控制；该广义预测控制方法的步骤包括：
步骤1：采集实际抽水蓄能机组调速系统动态过程数据：对抽水蓄能机组被控对象施加随机扰动信号，采集机组频率组成数据样本(uk,xk)j，uk为k时刻机组调速系统被控对象的输入信号，xk为k时刻的机组频率，k＝1，..，Ns，Ns为动态过程最大采样点数，将样本集中若干动态过程样本作为训练样本；
步骤2：基于采集到的实际机组调速系统实测数据(uk,xk)j，以u(k-1)，u(k-2)，u(k-3)，x(k-1)，x(k-2)，x(k-3)为输入变量，x(k)为输出变量建立抽蓄机组被控对象的区间二型T-S模糊模型；
步骤3：将获得的区间二型抽水蓄能机组被控对象模糊模型转化为广义预测控制的受控自回归积分滑动平均模型；
步骤4：建立广义预测控制的目标函数；采用CARIMA预测系统未来的输出行为，采用被控对象的实际输出与期望输出之间的误差平方和作为预测控制的目标函数，所述广义预测控制的目标函数为：
其中，N1，N2和Nu分别为最小输出长度、最大输出长度和控制长度；γi为控制加权系数被用来调节系统输出误差与控制输入惩罚之间的重要程度；yr(k+j)为系统输出参考轨迹，Δumin和Δumax为控制量的参数范围；
步骤5：运用新型智能优化算法(Harris hawks optimizer，HHO)求解广义预测控制的目标函数，获得k时刻预测时域内的最优控制序列，将当前最优控制规律作用于抽水蓄能机组调速系统，直到进入下一采样周期。
2.根据权利要求1所述的基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法，其特征在于，所述广义预测控制方法还包括：
将所述步骤1中所获得的数据样本分为训练样本和测试样本，在所述步骤2中区间二型T-S模糊模型训练完成后，通过测试样本测试区间二型T-S模糊模型精度，将测试样本中的[u(k-1)，u(k-2)，u(k-3)，x(k-1)，x(k-2)，x(k-3)]作为模糊模型输入数据，计算T-S模糊模型输出x(k)与测试样本实际值的均方根误差，均方根误差越小，T-S模糊模型与实际抽蓄机组调速系统中的控制对象的误差越小，从而选择最优T-S模糊模型。
3.根据权利要求1或2所述的基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法，其特征在于，所述步骤5具体为：
Step 5.1：算法初始化：设置算法参数，包括群体规模N、总迭代数T、小输出长度N1、最大输出长度N2、控制长度Nu、控制加权矩阵Γ、输出柔化系数α、遗忘因子λ；确定优化变量边界[Δumin,Δumax]，Δumin和Δumax为最优控制增量的最小值和最大值，在此区间初始化群体中所有个体的位置向量，个体位置向量Xi＝[Δu(k),Δu(k+1),…,Δu(k+Nu-1)],i＝1,...N，代表一组控制序列；令当前迭代次数t＝0；
Step 5.2：计算目标函数值：从位置向量中取出当前时刻的最优控制增量序列，将最优控制增量序列输入步骤3中建立基于区间二型T-S模糊模型辨识的抽水蓄能机组控制对象仿真模型，获得机组未来输出Y＝[y(k+N1),y(k+N1+1),…,y(k+N2)]T，依据步骤4计算粒子的目标函数值fiti(t),i＝1,...N；
Step 5.3：求出当前群体的最优目标函数值
和对应的粒子向量Xcurrent_best；
Step 5.4：对所有个体Xi,i＝1,...N，进行位置更新；
Step 5.5：t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解，当前最优个体位置即为最优控制增量序列ΔU＝[Δu(k),Δu(k+1),…,Δu(k+Nu-1)]，否则，转入Step5.2。
4.根据权利要求3所述的基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法，其特征在于，所述Step 5.4中对所有个体Xi,i＝1,...N，进行位置更新的步骤为：
Step 5.4.1：更新初始能量E0，E0＝2*rand-1；
Step 5.4.2：更新个体能量E和跳跃力量J：
Step 5.4.3：如果|E|≥1：
其中，X(t)为当前迭代的个体位置向量，X(t+1)为更新后的个体位置向量，Xrand(t)为当前种群中的随机向量，Xm(t)为当前种群的平均位置向量，r1,r2,r3,r4和q为[0,1]之间的随机数；
Step 5.4.4：如果|E|＜1：
如果r≥0.5且|E|≥0.5：
如果r≥0.5且|E|＜0.5：
X(t+1)＝Xrabbit(t)-E|ΔX(t)|
如果r＜0.5且|E|＜0.5：
如果r＜0.5且|E|＜0.5：
其中：
5.根据权利要求4所述的基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法，其特征在于，所述广义预测控制方法还包括：在采样时刻k，仅将当前时刻最优控制增量Δu(k|k)注入被控对象，所述k时刻的最优控制律u(k)＝u(k-1)+Δu(k)；在k+1时刻重新重复步骤5进行优化控制确定下一时刻的最优控制增量Δu(k+1|k+1)，重复滚动优化直到仿真算法停止。
6.根据权利要求5所述的基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法，其特征在于，所述广义预测控制方法还包括：在实际的复杂工业过程控制中，建立离线辨识和在线更新区间二型T-S模糊模型辨识方法，在每个采样时刻采集系统实际输出值对模糊模型进行在线校正：
其中，
为过去输入输出增量序列，θ为预测模型参数，λ为遗忘因子，λ∈[0.95,1]，P(k)为协方差矩阵，K(k)为调节增益。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010485304.7A CN111812975A (zh) | 2020-06-01 | 2020-06-01 | 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010485304.7A CN111812975A (zh) | 2020-06-01 | 2020-06-01 | 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111812975A true CN111812975A (zh) | 2020-10-23 |
Family
ID=72848205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010485304.7A Pending CN111812975A (zh) | 2020-06-01 | 2020-06-01 | 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111812975A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898628A (zh) * | 2020-06-01 | 2020-11-06 | 淮阴工学院 | 一种新型t-s模糊模型辨识方法 |
| CN113848708A (zh) * | 2021-09-15 | 2021-12-28 | 昆明理工大学 | 一种柴油发电机组调速系统最优t-s模糊鲁棒控制器设计方法 |
| CN114282440A (zh) * | 2021-12-27 | 2022-04-05 | 淮阴工学院 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
| CN114330119A (zh) * | 2021-12-27 | 2022-04-12 | 淮阴工学院 | 一种基于深度学习的抽蓄机组调节系统辨识方法 |
| CN114884101A (zh) * | 2022-07-04 | 2022-08-09 | 华中科技大学 | 一种基于自适应模型控制预测的抽水蓄能调度方法 |
| CN116954086A (zh) * | 2023-08-30 | 2023-10-27 | 淮阴工学院 | 一种抽水蓄能机组调节系统智能预测控制方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106014849A (zh) * | 2016-07-05 | 2016-10-12 | 华中科技大学 | 抽水蓄能机组调速系统的快速非线性模糊预测控制方法 |
| CN108418230A (zh) * | 2018-04-08 | 2018-08-17 | 西南交通大学 | 改进的smes控制器抑制机电扰动的方法 |
| CN110889176A (zh) * | 2019-11-12 | 2020-03-17 | 河海大学常州校区 | 一种基于多目标哈里斯隼优化器的滚齿参数求解方法 |
| CN111191375A (zh) * | 2020-01-04 | 2020-05-22 | 温州大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
-
2020
- 2020-06-01 CN CN202010485304.7A patent/CN111812975A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106014849A (zh) * | 2016-07-05 | 2016-10-12 | 华中科技大学 | 抽水蓄能机组调速系统的快速非线性模糊预测控制方法 |
| CN108418230A (zh) * | 2018-04-08 | 2018-08-17 | 西南交通大学 | 改进的smes控制器抑制机电扰动的方法 |
| CN110889176A (zh) * | 2019-11-12 | 2020-03-17 | 河海大学常州校区 | 一种基于多目标哈里斯隼优化器的滚齿参数求解方法 |
| CN111191375A (zh) * | 2020-01-04 | 2020-05-22 | 温州大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIANZHONG ZHOU等: "An Adaptive Takagi–Sugeno Fuzzy Model-Based Generalized Predictive Controller for Pumped-Storage Unit", 《IEEE》 * |
| 张楠: "抽水蓄能机组调速系统非线性模型参数辨识及优化控制研究", 《万方数据知识服务平台》 * |
| 智登奎: "基于遗传算法非线性规划的约束广义预测控制", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898628A (zh) * | 2020-06-01 | 2020-11-06 | 淮阴工学院 | 一种新型t-s模糊模型辨识方法 |
| CN113848708A (zh) * | 2021-09-15 | 2021-12-28 | 昆明理工大学 | 一种柴油发电机组调速系统最优t-s模糊鲁棒控制器设计方法 |
| CN113848708B (zh) * | 2021-09-15 | 2024-03-15 | 昆明理工大学 | 一种柴油发电机组调速系统最优t-s模糊鲁棒控制器设计方法 |
| CN114282440A (zh) * | 2021-12-27 | 2022-04-05 | 淮阴工学院 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
| CN114330119A (zh) * | 2021-12-27 | 2022-04-12 | 淮阴工学院 | 一种基于深度学习的抽蓄机组调节系统辨识方法 |
| CN114330119B (zh) * | 2021-12-27 | 2023-08-25 | 淮阴工学院 | 一种基于深度学习的抽蓄机组调节系统辨识方法 |
| CN114282440B (zh) * | 2021-12-27 | 2023-08-25 | 淮阴工学院 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
| CN114884101A (zh) * | 2022-07-04 | 2022-08-09 | 华中科技大学 | 一种基于自适应模型控制预测的抽水蓄能调度方法 |
| CN114884101B (zh) * | 2022-07-04 | 2022-09-30 | 华中科技大学 | 一种基于自适应模型控制预测的抽水蓄能调度方法 |
| CN116954086A (zh) * | 2023-08-30 | 2023-10-27 | 淮阴工学院 | 一种抽水蓄能机组调节系统智能预测控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111812975A (zh) | 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 | |
| CN110285403B (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
| CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
| CN112465034B (zh) | 一种基于水轮发电机的t-s模糊模型的建立方法及系统 | |
| CN108873698B (zh) | 一种抗扰动两阶段定点伺服控制方法 | |
| CN111290282A (zh) | 火电机组协调系统的预见式预测控制方法 | |
| CN112564557A (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
| CN102393645A (zh) | 一种高速电液比例调速系统的控制方法 | |
| CN116256974A (zh) | 复杂供水网络引分水口联合自动的智能控制方法、系统及装置 | |
| Zeng et al. | DDPG-based continuous thickness and tension coupling control for the unsteady cold rolling process | |
| Xie et al. | Power regulation and load mitigation of floating wind turbines via reinforcement learning | |
| CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
| CN111240201B (zh) | 一种扰动抑制控制方法 | |
| CN117519353A (zh) | 一种机柜温度控制方法、装置及空调 | |
| Breschi et al. | NAW-NET: neural anti-windup control for saturated nonlinear systems | |
| Alagoz et al. | An efficient PID-based optimizer loop and its application in De Jong’s functions minimization and quadratic regression problems | |
| CN114397820B (zh) | 压电微动平台基于Hopfield神经网络估计器的自适应控制方法 | |
| CN113189871B (zh) | 一种面向火电机组灵活性运行的协调控制策略 | |
| CN113641193B (zh) | 一种非最小相位系统精确跟踪控制方法 | |
| Hekimoglu | Determination of AVR System PID Controller Parameters Using Improved Variants of Reptile Search Algorithm and a Novel Objective Function | |
| CN114139442A (zh) | 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 | |
| CN106773712B (zh) | 双反馈鲁棒自适应控制方法及其控制系统结构 | |
| Chen et al. | Generalized predictive control application scheme for nonlinear hydro-turbine regulation system: Based on a precise novel control structure | |
| CN109989875B (zh) | 一种水轮机调节系统参数辨识方法 | |
| CN118494790A (zh) | 氨工质推力器推力稳定控制方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |