CN112799297B - 一种温度预测控制方法、系统、设备及可读存储介质 - Google Patents

一种温度预测控制方法、系统、设备及可读存储介质 Download PDF

Info

Publication number
CN112799297B
CN112799297B CN202011254973.XA CN202011254973A CN112799297B CN 112799297 B CN112799297 B CN 112799297B CN 202011254973 A CN202011254973 A CN 202011254973A CN 112799297 B CN112799297 B CN 112799297B
Authority
CN
China
Prior art keywords
main steam
steam temperature
representing
coefficient
fuzzy
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
CN202011254973.XA
Other languages
English (en)
Other versions
CN112799297A (zh
Inventor
王永富
常永利
张忠华
杨志佳
林旭宏
伊福龙
孙华巍
贺志
刘平升
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.)
Yingkou Power Plant of Huaneng Power International Inc
Original Assignee
Yingkou Power Plant of Huaneng Power International Inc
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 Yingkou Power Plant of Huaneng Power International Inc filed Critical Yingkou Power Plant of Huaneng Power International Inc
Priority to CN202011254973.XA priority Critical patent/CN112799297B/zh
Publication of CN112799297A publication Critical patent/CN112799297A/zh
Application granted granted Critical
Publication of CN112799297B publication Critical patent/CN112799297B/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
    • 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

本申请实施例公开了一种温度预测控制方法、系统、设备及可读存储介质，通过采用二型模糊神经网络建立主蒸汽温度模型；采用在线算法更新二型模糊神经网络前件和后件参数；采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测；对广义预测控制器中的权重因子进行模糊自校正调节；基于滚动优化技术进行主蒸汽温度预测控制。考虑到二型模糊神经网络的降型操作，采用NT方法克服了KM方法费时的迭代过程；该模型能够通过反馈校正技术实时更新模型参数，克服主蒸汽温度系统参数时变的特性；从而克服主蒸汽温度系统的惯性和时滞问题，也改善了主蒸汽温度系统的动态响应品质和稳定性。

Description

一种温度预测控制方法、系统、设备及可读存储介质
技术领域
本申请实施例涉及锅炉主蒸汽温度系统的控制方法，具体涉及一种温度预测控制方法、系统、设备及可读存储介质。
背景技术
主蒸汽温度是火力发电厂热力系统中的重要参数指标之一。主蒸汽温度的控制目标是维持末级过热器出口温度在允许范围内，以保证电厂的经济运行，同时还要防止主蒸汽温度波动导致的金属疲劳，危及机组的安全运行。在过热器入口调节减温水后,由于过热器管道长度和蒸汽容积较大，主蒸汽在过热器中的吸热过程时间较长，主蒸汽温度的变化会滞后。同时,受到升降负荷、蒸汽流量、烟气侧温度、煤质等扰动的影响,主蒸汽温度的动态特性也会发生变化。因此主蒸汽温度系统表现出大惯性、大时滞、随机扰动、参数时变等复杂动态特性,成为电厂热工过程控制中的难点。
目前，在电厂主蒸汽系统中仍然大规模采用串级PI控制器,通过调节减温水实现主蒸汽温度的控制。主蒸汽温度串级PI控制结构的优势在于内环PI回路比外环PI回路调节迅速,内环的二次扰动可以被快速抑制,保证系统控制的稳定.虽然内环PI控制器解决了内环回路二次扰动的控制问题，是外环PI控制器只根据当前时刻的主蒸汽温度偏差进行调节,由于末级过热器存在惯性和时滞的动态特性,导致出现主蒸汽温度超调量大、调节周期长、难以稳定的问题。
发明内容
为此，本申请实施例提供一种温度预测控制方法、系统、设备及可读存储介质，考虑到二型模糊神经网络的降型操作，采用NT方法克服了KM方法费时的迭代过程；该模型能够通过反馈校正技术实时更新模型参数，克服主蒸汽温度系统参数时变的特性；基于二型模糊神经网络逼近的主蒸汽温度模型，采用广义预测控制器实现主蒸汽温度的多步预测和滚动优化，克服主蒸汽温度系统的惯性和时滞问题；对广义预测控制器的权重因子进行模糊自校正，以进一步改善主蒸汽温度系统的动态响应品质和稳定性。
为了实现上述目的，本申请实施例提供如下技术方案：
根据本申请实施例的第一方面，提供了一种温度预测控制方法，所述方法包括：
采用二型模糊神经网络建立主蒸汽温度模型；
采用在线算法更新二型模糊神经网络前件和后件参数；
采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测；
对广义预测控制器中的权重因子进行模糊自校正调节；
基于滚动优化技术进行主蒸汽温度预测控制。
可选地，所述采用二型模糊神经网络建立主蒸汽温度模型，按照如下公式：
Figure GDA0003887300960000021
Figure GDA0003887300960000022
Figure GDA0003887300960000023
Figure GDA0003887300960000024
Figure GDA0003887300960000025
其中，r1为主蒸汽温度，u1为控制输入；
Figure GDA0003887300960000026
为区间二型高斯模糊隶属函数的中心值、宽度和宽度区间，为前件可调节参数；ARX多项式系数
Figure GDA0003887300960000027
和
Figure GDA0003887300960000028
为后件可调节参数。
可选地，所述二型模糊神经网络采用具有闭环表达形式的NT降型方法，克服了KM方法升序排序步骤和耗时的迭代过程。
可选地，所述采用在线算法更新二型模糊神经网络前件和后件参数，包括：
定义如下的目标损失函数，以推导出二型模糊神经网络前件参数
Figure GDA0003887300960000029
Figure GDA00038873009600000210
的在线学习算法：
Figure GDA0003887300960000031
其中,r1(k)和
Figure GDA0003887300960000032
分别为实时测量的主蒸汽温度值和二型模糊神经网络预测的主蒸汽温度值。利用梯度下降算法对前件参数
Figure GDA0003887300960000033
进行在线递推更新，参数在线更新算法推导如下：
Figure GDA0003887300960000034
Figure GDA0003887300960000035
Figure GDA0003887300960000036
Figure GDA0003887300960000037
Figure GDA0003887300960000038
Figure GDA0003887300960000039
其中，η为正向学习率，η＞0；
将二型模糊神经网络模型输出采用向量形式重写为：
Figure GDA00038873009600000310
Figure GDA00038873009600000311
Figure GDA00038873009600000312
Figure GDA00038873009600000313
Figure GDA00038873009600000314
Figure GDA00038873009600000315
其中,ξ(k-1)为输入数据向量，
Figure GDA00038873009600000316
为后件辨识参数向量；
在线辨识过程中,后件参数
Figure GDA00038873009600000317
采用如下递推形式的最小二乘法进行迭代更新：
Figure GDA0003887300960000041
Figure GDA0003887300960000042
P(k)＝P(k-1)-K(k)ξT(k-1)P(k-1)
其中,P(k)为协方差矩阵，K(k)为增益矩阵。
可选地，所述采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测，包括：
主蒸汽温度系统的非线性动态过程经过二型模糊神经网络辨识后,首先进行如下的线性化操作：
A(z-1)r1(k)＝B(z-1)u1(k-d-1)
左右两边乘以Δzpep(z-1)得：
Δzpep(z-1)A(z-1)r1(k)＝Δzpep(z-1)B(z-1)u1(k-d-1)
Figure GDA0003887300960000043
Figure GDA0003887300960000044
基于线性化的主蒸汽温度模型对主蒸汽温度进行多步预测：
Figure GDA0003887300960000045
定义
Figure GDA0003887300960000046
gp(z-1)＝ep(z-1)B(z-1)，未来p步主蒸汽温度预测值为：
Figure GDA0003887300960000047
可选地，所述对广义预测控制器中的权重因子进行模糊自校正调节，包括：
引入模糊系统对广义预测控制器中的权重因子λ进行动态校正。选取主蒸汽温度k+d步预测跟踪误差
Figure GDA0003887300960000048
及其变化率
Figure GDA0003887300960000049
作为模糊自校正系统的输入：
Figure GDA00038873009600000410
锅炉实际运行过程中主蒸汽温度的控制目标为设定值附近±10℃,输入变量
Figure GDA0003887300960000051
论域选取为[-10,+10],在论域区间内均匀划分5个三角形模糊集.主蒸汽温度实际中因其惯性大的特点,温度变化率较小,因此输入变量
Figure GDA0003887300960000052
论域选取[-0.5,+0.5]，在论域区间均匀内划分5个三角形模糊集.输出变量λk论域区论域选取为[0.1,2.1]，划分9个单值模糊集。采用单值模糊化、乘积运算、加权平均反模糊化推理机,可得权重因子λk动态校正值为：
Figure GDA0003887300960000053
其中,
Figure GDA0003887300960000054
为i条模糊规则对应输入模糊集合
Figure GDA0003887300960000055
的隶属度值,
Figure GDA0003887300960000056
为i条模糊规则对应输入模糊集合
Figure GDA0003887300960000057
的隶属度值,
Figure GDA0003887300960000058
为第i条模糊规则对应输出模糊集合的中心值。
可选地，所述基于滚动优化技术进行主蒸汽温度预测控制，包括：
定义主蒸汽温度的优化目标为：
Figure GDA0003887300960000059
其中，
Figure GDA00038873009600000510
是主蒸汽温度未来超前p步预测值，R(k+p)＝φ(p)r1 sp是主蒸汽温度超前p步跟踪轨迹,φ(p)为前馈增益,r1 sp是运行操作员给定的设定温度，Δ＝1-z-1是差分算子,z-1是时序后移算子,λk+p-1是控制器第p步输入指令的权重因子，d为主蒸汽温度系统的时延,Np和Nu分别主蒸汽温度的预测域和控制域,Np＞d,Np-d≥Nu；
将上式中的滚动优化目标采用向量形式重写为：
J(k)＝[Fr1(k)+Gr1(k)+HΔU-R]T[Fr1(k)+Gr1(k)+HΔU-R]+λkΔu1(k)2
其中，
Figure GDA00038873009600000511
Figure GDA00038873009600000512
因为优化目标函数式为关于输入指令变化量Δu1(k)的二次函数,因此令
Figure GDA00038873009600000513
可得到k时刻的输入指令变化量为：
Figure GDA0003887300960000061
k时刻的输入指令为：
u1(k)＝u1(k-1)+Δu1(k)。
根据本申请实施例的第二方面，提供了一种温度预测控制系统，所述系统包括：
建模模块，用于采用二型模糊神经网络建立主蒸汽温度模型；
参数更新模块，用于采用在线算法更新二型模糊神经网络前件和后件参数；
多步预测模块，用于采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测；
模糊自校正调节模块，用于对广义预测控制器中的权重因子进行模糊自校正调节；
主蒸汽温度预测控制模块，用于基于滚动优化技术进行主蒸汽温度预测控制。
根据本申请实施例的第三方面，提供了一种设备，所述设备包括：数据采集装置、处理器和存储器；所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行第一方面任一项所述的方法。
根据本申请实施例的第四方面，提供了一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如第一方面任一项所述的方法。
综上所述，本申请实施例提供了一种温度预测控制方法、系统、设备及可读存储介质，通过采用二型模糊神经网络建立主蒸汽温度模型；采用在线算法更新二型模糊神经网络前件和后件参数；采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测；对广义预测控制器中的权重因子进行模糊自校正调节；基于滚动优化技术进行主蒸汽温度预测控制。考虑到二型模糊神经网络的降型操作，采用NT方法克服了KM方法费时的迭代过程；该模型能够通过反馈校正技术实时更新模型参数，克服主蒸汽温度系统参数时变的特性；基于二型模糊神经网络逼近的主蒸汽温度模型，采用广义预测控制器实现主蒸汽温度的多步预测和滚动优化，克服主蒸汽温度系统的惯性和时滞问题；对广义预测控制器的权重因子进行模糊自校正，以进一步改善主蒸汽温度系统的动态响应品质和稳定性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的一种温度预测控制方法流程示意图；
图2为本申请实施例提供的二型模糊神经网络结构图；
图3为本申请实施例提供的区间二型高斯隶属函数示意图；
图4为本申请实施例提供的权重因子自校正示意图；
图5为本申请实施例提供的控制结构图；
图6a为本申请实施例提供的主蒸汽温度示意图；
图6b为本申请实施例提供的控制量输入示意图；
图6c为本申请实施例提供的权重因子调节示意图；
图6d为本申请实施例提供的预测误差示意图；
图7为本申请实施例提供的一种温度预测控制系统框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了克服现有主蒸汽系统中控制方法的问题，本申请实施例提供了一种基于二型模糊神经网络的锅炉主蒸汽温度的建模与预测控制方法。该方法采用了二型模糊神经网络作为主蒸汽温度模型，考虑到二型模糊神经网络的降型操作，采用NT方法克服了KM方法费时的迭代过程；该模型能够通过反馈校正技术实时更新模型参数，克服主蒸汽温度系统参数时变的特性；基于二型模糊神经网络逼近的主蒸汽温度模型，采用广义预测控制器实现主蒸汽温度的多步预测和滚动优化，克服主蒸汽温度系统的惯性和时滞问题；对广义预测控制器的权重因子进行模糊自校正，以进一步改善主蒸汽温度系统的动态响应品质和稳定性。
图1示出了本申请实施例提供的一种温度预测控制方法，所述方法包括如下步骤：
步骤101：采用二型模糊神经网络建立主蒸汽温度模型。
步骤102：采用在线算法更新二型模糊神经网络前件和后件参数。
步骤103：采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测。
步骤104：对广义预测控制器中的权重因子进行模糊自校正调节。
步骤105：基于滚动优化技术进行主蒸汽温度预测控制。
在一种可能的实施方式中，在步骤101中，采用二型模糊神经网络对对主蒸汽温度进行建模，如图2所示：
Figure GDA0003887300960000081
Figure GDA0003887300960000082
Figure GDA0003887300960000083
Figure GDA0003887300960000084
Figure GDA0003887300960000085
其中，r1为主蒸汽温度，u1为控制输入；
Figure GDA0003887300960000086
为区间高斯二型模糊隶属函数的中心值、宽度和宽度区间，如图3所示，为前件可调节参数；ARX多项式系数
Figure GDA0003887300960000091
和
Figure GDA0003887300960000092
为后件可调节参数。
在一种可能的实施方式中，在步骤102中，采用在线算法更新二型模糊神经网络前件和后件参数：
为了推导出二型模糊神经网络前件参数
Figure GDA0003887300960000093
的在线学习算法，定义如下的目标损失函数:
Figure GDA0003887300960000094
其中,r1(k)和
Figure GDA0003887300960000095
分别为实时测量的主蒸汽温度值和二型模糊神经网络预测的主蒸汽温度值。利用梯度下降算法对前件参数
Figure GDA0003887300960000096
进行在线递推更新，参数在线更新算法推导如下:
Figure GDA0003887300960000097
Figure GDA0003887300960000098
Figure GDA0003887300960000099
Figure GDA00038873009600000910
Figure GDA00038873009600000911
Figure GDA00038873009600000912
其中，η为正向学习率，η＞0。
将二型模糊神经网络模型输出采用向量形式重写为:
Figure GDA0003887300960000101
Figure GDA0003887300960000102
Figure GDA0003887300960000103
Figure GDA0003887300960000104
Figure GDA0003887300960000105
Figure GDA0003887300960000106
其中，ξ(k-1)为输入数据向量，
Figure GDA0003887300960000107
为后件辨识参数向量。
在线辨识过程中,后件参数
Figure GDA0003887300960000108
采用如下递推形式的最小二乘法进行迭代更新:
Figure GDA0003887300960000109
Figure GDA00038873009600001010
P(k)＝P(k-1)-K(k)ξT(k-1)P(k-1) (7)
其中,P(k)为协方差矩阵，K(k)为增益矩阵。
在一种可能的实施方式中，在步骤103中，采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测：
主蒸汽温度系统的非线性动态过程经过二型模糊神经网络辨识后,首先进行如下的线性化操作：
A(z-1)r1(k)＝B(z-1)u1(k-d-1) (8)
其中,
Figure GDA00038873009600001011
Figure GDA00038873009600001012
基于线性化的主蒸汽温度模型对主蒸汽温度进行多步预测：
引入如下方程：
Figure GDA0003887300960000111
将(8)左右两边乘以Δzpep(z-1)得到
Δzpep(z-1)A(z-1)r1(k)＝Δzpep(z-1)B(z-1)u1(k-d-1) (11)
定义
Figure GDA0003887300960000112
gp(z-1)＝ep(z-1)B(z-1)，未来p步主蒸汽温度预测值为:
Figure GDA0003887300960000113
在一种可能的实施方式中，在步骤104中，对广义预测控制器中的权重因子进行模糊自校正调节：
引入模糊系统对广义预测控制器中的权重因子λ进行动态校正。选取主蒸汽温度k+d步预测跟踪误差
Figure GDA0003887300960000114
及其变化率
Figure GDA0003887300960000115
作为模糊自校正系统的输入:
Figure GDA0003887300960000116
锅炉实际运行过程中主蒸汽温度的控制目标为设定值附近±10℃,输入变量
Figure GDA0003887300960000117
论域选取为[-10,+10],在论域区间内均匀划分5个三角形模糊集.主蒸汽温度实际中因其惯性大的特点,温度变化率较小,因此输入变量
Figure GDA0003887300960000118
论域选取[-0.5,+0.5],在论域区间均匀内划分5个三角形模糊集.输出变量λk论域区论域选取为[0.1,2.1],划分9个单值模糊集。采用单值模糊化、乘积运算、加权平均反模糊化推理机,可得权重因子λk动态校正值为:
Figure GDA0003887300960000119
其中,
Figure GDA00038873009600001110
为i条模糊规则对应输入模糊集合
Figure GDA00038873009600001111
的隶属度值,
Figure GDA00038873009600001112
为i条模糊规则对应输入模糊集合
Figure GDA00038873009600001113
的隶属度值,
Figure GDA00038873009600001114
为第i条模糊规则对应输出模糊集合的中心值。
在一种可能的实施方式中，在步骤105中，采用滚动优化技术的实现主蒸汽温度预测控制：
定义主蒸汽温度的的优化目标为：
Figure GDA0003887300960000121
其中,
Figure GDA0003887300960000122
是主蒸汽温度未来超前p步预测值,R(k+p)＝φ(p)r1 sp是主蒸汽温度超前p步跟踪轨迹,φ(p)为前馈增益,r1 sp是运行操作员给定的设定温度，Δ＝1-z-1是差分算子,z-1是时序后移算子,λk+p-1是控制器第p步输入指令的权重因子，d为主蒸汽温度系统的时延,Np和Nu分别主蒸汽温度的预测域和控制域,Np＞d,Np-d≥Nu。
将上式中的滚动优化目标采用向量形式重写为：
J(k)＝[Fr1(k)+Gr1(k)+HΔU-R]T[Fr1(k)+Gr1(k)+HΔU-R]+λkΔu1(k)2 (16)
其中，
Figure GDA0003887300960000123
Figure GDA0003887300960000124
因为优化目标函数式(16)为关于输入指令变化量Δu1(k)的二次函数,因此令
Figure GDA0003887300960000125
可得到k时刻的输入指令变化量为:
Figure GDA0003887300960000126
k时刻的输入指令为:
u1(k)＝u1(k-1)+Δu1(k) (19)
具体控制器结构图如图5所示。
为了验证本发明所设计控制方法的有效性，对主蒸汽温度系统进行仿真实验，被控对象为：
Figure GDA0003887300960000131
其中，G2(s)为导前区传递函数，G1(s)为惰性区传递函数，GPI2(s)为副回路PI控制器传递函数,GM1(s)和GM2(s)分别为惰性区和导前区测量单元传递函数，采样周期5s。
二型模糊神经网络模型前件参数选取L＝3，二型高斯模糊函数中心值、宽度和宽度区间初始值选取为(1)
Figure GDA0003887300960000132
Figure GDA0003887300960000133
(2)
Figure GDA0003887300960000134
Figure GDA0003887300960000135
后件参数初始值选取为:P(0)＝106I,I为单位矩阵；
Figure GDA0003887300960000136
预测时域选取Np＝6，控制域选取Nu＝1。学习率η＝0.2。仿真结果如图6a、图6b、图6c、图6d所示。
综上所述，本申请实施例提供了一种温度预测控制方法，通过采用二型模糊神经网络建立主蒸汽温度模型；采用在线算法更新二型模糊神经网络前件和后件参数；采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测；对广义预测控制器中的权重因子进行模糊自校正调节；基于滚动优化技术进行主蒸汽温度预测控制。考虑到二型模糊神经网络的降型操作，采用NT方法克服了KM方法费时的迭代过程；该模型能够通过反馈校正技术实时更新模型参数，克服主蒸汽温度系统参数时变的特性；基于二型模糊神经网络逼近的主蒸汽温度模型，采用广义预测控制器实现主蒸汽温度的多步预测和滚动优化，克服主蒸汽温度系统的惯性和时滞问题；对广义预测控制器的权重因子进行模糊自校正，以进一步改善主蒸汽温度系统的动态响应品质和稳定性。
基于相同的技术构思，本申请实施例还提供了一种温度预测控制系统，如图7所示，所述系统包括：
建模模块701，用于采用二型模糊神经网络建立主蒸汽温度模型。
参数更新模块702，用于采用在线算法更新二型模糊神经网络前件和后件参数。
多步预测模块703，用于采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测。
模糊自校正调节模块704，用于对广义预测控制器中的权重因子进行模糊自校正调节。
主蒸汽温度预测控制模块705，用于基于滚动优化技术进行主蒸汽温度预测控制。
基于相同的技术构思，本申请实施例还提供了一种设备，所述设备包括：数据采集装置、处理器和存储器；所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行所述的方法。
基于相同的技术构思，本申请实施例还提供了一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行所述的方法。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
需要说明的是，尽管在附图中以特定顺序描述了本发明方法的操作，但这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种温度预测控制方法，其特征在于，所述方法包括：
采用二型模糊神经网络建立主蒸汽温度模型；
采用在线算法更新二型模糊神经网络前件和后件参数；
采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测；
对广义预测控制器中的权重因子进行模糊自校正调节；
基于滚动优化技术进行主蒸汽温度预测控制；
所述采用二型模糊神经网络建立主蒸汽温度模型，按照如下公式：
Figure FDA0003893830780000011
Figure FDA0003893830780000012
Figure FDA0003893830780000013
Figure FDA0003893830780000014
Figure FDA0003893830780000015
其中，r1为主蒸汽温度，u1为控制输入；
Figure FDA0003893830780000016
为区间二型高斯模糊隶属函数的中心值、宽度和宽度区间，为前件可调节参数；ARX多项式系数
Figure FDA0003893830780000017
和
Figure FDA0003893830780000018
为后件可调节参数，
Figure FDA0003893830780000019
表示ARX多项式系数
Figure FDA00038938307800000110
的第1项系数；
Figure FDA00038938307800000111
表示ARX多项式系数
Figure FDA00038938307800000112
的第2项系数；
Figure FDA00038938307800000113
表示ARX多项式系数
Figure FDA00038938307800000114
的第nr项系数；nr表示ARX多项式系数
Figure FDA00038938307800000115
的阶次，
Figure FDA00038938307800000116
表示ARX多项式系数
Figure FDA00038938307800000117
的第1项系数；
Figure FDA00038938307800000118
表示ARX多项式系数
Figure FDA00038938307800000119
的第2项系数；
Figure FDA00038938307800000120
表示ARX多项式系数
Figure FDA00038938307800000121
的第nu项系数；nu表示ARX多项式系数
Figure FDA00038938307800000122
的阶次。
2.如权利要求1所述的方法，其特征在于所述二型模糊神经网络采用具有闭环表达形式的NT降型方法。
3.如权利要求1所述的方法，其特征在于所述采用在线算法更新二型模糊神经网络前件和后件参数，包括：
定义如下的目标损失函数，以推导出二型模糊神经网络前件参数
Figure FDA0003893830780000021
的在线学习算法：
Figure FDA0003893830780000022
其中,r1(k)和
Figure FDA0003893830780000023
分别为实时测量的主蒸汽温度值和二型模糊神经网络预测的主蒸汽温度值，利用梯度下降算法对前件参数
Figure FDA0003893830780000024
进行在线递推更新，参数在线更新算法推导如下：
Figure FDA0003893830780000025
Figure FDA0003893830780000026
Figure FDA0003893830780000027
Figure FDA0003893830780000028
Figure FDA0003893830780000029
Figure FDA00038938307800000210
其中，η为正向学习率，η＞0；rout(k)表示k时刻主蒸汽温度值；
Figure FDA00038938307800000211
表示k时刻主蒸汽温度预测值；
Figure FDA00038938307800000212
表示k时刻第j个节点主蒸汽温度预测值；
Figure FDA00038938307800000213
表示k时刻主蒸汽温度预测值对k时刻二型高斯模糊隶属函数中心值
Figure FDA00038938307800000214
的导数；
Figure DA00038938307875405033
表示k时刻主蒸汽温度预测值对k时刻二型高斯模糊肃属函数宽度
Figure DA00038938307875539516
的导数；
Figure DA00038938307875421546
表示k时刻主蒸汽温度预测值对k时刻二型高斯模糊肃属函数宽度区间
Figure FDA00038938307800000216
的导数；
将二型模糊神经网络模型输出采用向量形式重写为：
Figure FDA0003893830780000031
Figure FDA0003893830780000032
Figure FDA0003893830780000033
Figure FDA0003893830780000034
Figure FDA0003893830780000035
其中，ξ(k-1)为输入数据向量；
Figure FDA0003893830780000036
为后件辨识参数向量；
在线辨识过程中，后件参数
Figure FDA0003893830780000037
采用如下递推形式的最小二乘法进行迭代更新：
Figure FDA0003893830780000038
Figure FDA0003893830780000039
P(k)＝P(k-1)-K(k)ξT(k-1)P(k-1)
其中，P(k)为协方差矩阵；K(k)为增益矩阵；
Figure FDA00038938307800000310
表示k时刻的
Figure FDA00038938307800000311
u1(k-d-1)表示k-d-1时刻的控制量；u1(k-d-nu)表示k-d-nu时刻的控制量；
Figure FDA00038938307800000312
表示k时刻ARX多项式系数
Figure FDA00038938307800000313
的第1项系数；
Figure FDA00038938307800000314
表示k时刻ARX多项式系数
Figure FDA00038938307800000315
的第nr项系数；
Figure FDA00038938307800000316
表示k时刻ARX多项式系数
Figure FDA00038938307800000317
的第1项系数；
Figure FDA00038938307800000318
表示k时刻ARX多项式系数
Figure FDA00038938307800000319
的第nu项系数；
Figure FDA00038938307800000320
表示k时刻的主蒸汽温度值。
4.如权利要求1所述的方法，其特征在于所述采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测，包括：
主蒸汽温度系统的非线性动态过程经过二型模糊神经网络辨识后，首先进行如下的线性化操作：
A(z-1)r1(k)＝B(z-1)u1(k-d-1)
左右两边乘以Δzpep(z-1)得：
Δzpep(z-1)A(z-1)r1(k)＝Δzpep(z-1)B(z-1)u1(k-d-1)
Figure FDA0003893830780000041
Figure FDA0003893830780000042
基于线性化的主蒸汽温度模型对主蒸汽温度进行多步预测：
Figure FDA0003893830780000043
定义
Figure FDA0003893830780000044
gp(z-1)＝ep(z-1)B(z-1)，未来p步主蒸汽温度预测值为：
Figure FDA0003893830780000045
其中，r1(k)表示k时刻主蒸汽温度值；u1(k-d-1)表示k-d-1时刻控制量值；Δzp表示时序后移p步后进行差分运算；
Figure FDA0003893830780000046
表示第i项第j个后件A(z-1)的系数；
Figure FDA0003893830780000047
表示第i项第j个后件B(z-1)的系数；ΔA(z-1)表示A(z-1)的差分形式；ep，0表示多项式ep(z-1)的第1个系数；ep，1表示多项式ep(z-1)的第2个系数；ep，p-1表示多项式ep(z-1)的第p个系数；fp，0表示多项式fp(z-1)的第1个系数；fp，1表示多项式fp(z-1)的第2个系数；
Figure FDA0003893830780000048
表示多项式fp(z-1)的第nr+1个系数；Δu1(k-1)表示：k-1时刻控制量的差分形式。
5.如权利要求1所述的方法，其特征在于所述对广义预测控制器中的权重因子进行模糊自校正调节，包括：
引入模糊系统对广义预测控制器中的权重因子λ进行动态校正，选取主蒸汽温度k+d步预测跟踪误差
Figure FDA0003893830780000049
及其变化率
Figure FDA00038938307800000410
作为模糊自校正系统的输入：
Figure FDA00038938307800000411
其中，
Figure FDA00038938307800000412
表示k+d时刻主蒸汽温度预测值；
Figure FDA00038938307800000413
表示k+d时刻主蒸汽温度预测跟踪误差；R(k+d)是主蒸汽温度超前d步跟踪轨迹；
锅炉实际运行过程中主蒸汽温度的控制目标为设定值附近±10℃，输入变量
Figure FDA0003893830780000051
论域选取为[-10，+10]，在论域区间内均匀划分5个三角形模糊集，主蒸汽温度实际中因其惯性大的特点，温度变化率较小，因此输入变量
Figure FDA0003893830780000052
论域选取[-0.5，+0.5]，在论域区间内均匀划分5个三角形模糊集，输出变量λk论域选取为[0.1，2.1]，划分9个单值模糊集；采用单值模糊化、乘积运算、加权平均反模糊化推理机，可得k时刻权重因子λk动态校正值为：
Figure FDA0003893830780000053
其中，
Figure FDA0003893830780000054
为i条模糊规则对应输入模糊集合
Figure FDA0003893830780000055
的隶属度值；
Figure FDA0003893830780000056
为i条模糊规则对应输入模糊集合
Figure FDA0003893830780000057
的隶属度值；
Figure FDA0003893830780000058
为第i条模糊规则对应输出模糊集合的中心值。
6.如权利要求1所述的方法，其特征在于所述基于滚动优化技术进行主蒸汽温度预测控制，包括：
定义主蒸汽温度的优化目标为：
Figure FDA0003893830780000059
其中，
Figure FDA00038938307800000510
是主蒸汽温度未来超前p步预测值；
Figure FDA00038938307800000511
是主蒸汽温度超前p步跟踪轨迹；φ(p)为前馈增益；r1 sp是运行操作员给定的设定温度；Δ＝1z-1是差分算子；z-1是时序后移算子；λk+p-1是控制器第p步输入指令的权重因子；d为主蒸汽温度系统的时延；Np和Nu分别主蒸汽温度的预测域和控制域，Np＞d，Np-d≥Nn；
将上式中的滚动优化目标采用向量形式重写为：
J(k)＝[Fr1(k)+Gr1(k)+HΔU-R]T[Fri(k)+Gr1(k)+HΔU-R]+λkΔu1(k)2
其中，
Figure FDA00038938307800000512
Figure FDA0003893830780000061
因为优化目标函数式为关于输入指令变化量Δu1(k)的二次函数，因此令
Figure FDA0003893830780000062
可得到k时刻的输入指令变化量为：
Figure FDA0003893830780000063
k时刻的输入指令为：
u1(k)＝u1(k-1)+Δu1(k)，
其中，u1(k-1)表示k-1时刻控制量；Δu1(k)表示k时刻控制量增量；G表示控制系数向量；R表示设定值向量；H表示控制量历史序列系数矩阵；F表示输出系数矩阵，λk表示k时刻权重因子。
7.一种温度预测控制系统，其特征在于，所述系统包括：
建模模块，用于采用二型模糊神经网络建立主蒸汽温度模型；
参数更新模块，用于采用在线算法更新二型模糊逻辑神经网络前件和后件参数；
多步预测模块，用于采用线性化后的二型模糊神经网络模型对主蒸汽温度进行多步预测；
模糊自校正调节模块，用于对广义预测控制器中的权重因子进行模糊自校正调节；
主蒸汽温度预测控制模块，用于基于滚动优化技术进行主蒸汽温度预测控制；
所述采用二型模糊神经网络建立主蒸汽温度模型，按照如下公式：
Figure FDA0003893830780000064
Figure FDA0003893830780000071
Figure FDA0003893830780000072
Figure FDA0003893830780000073
Figure FDA0003893830780000074
其中，r1为主蒸汽温度，u1为控制输入；
Figure FDA0003893830780000075
为区间二型高斯模糊隶属函数的中心值、宽度和宽度区间，为前件可调节参数；ARX多项式系数
Figure FDA0003893830780000076
和
Figure FDA0003893830780000077
为后件可调节参数，
Figure FDA0003893830780000078
表示ARX多项式系数
Figure FDA0003893830780000079
的第1项系数；
Figure FDA00038938307800000710
表示ARX多项式系数
Figure FDA00038938307800000711
的第2项系数；
Figure FDA00038938307800000712
表示ARX多项式系数
Figure FDA00038938307800000713
的第nr项系数；nr表示ARX多项式系数
Figure FDA00038938307800000714
的阶次，
Figure FDA00038938307800000715
表示ARX多项式系数
Figure FDA00038938307800000716
的第1项系数；
Figure FDA00038938307800000717
表示ARX多项式系数
Figure FDA00038938307800000718
的第2项系数；
Figure FDA00038938307800000719
表示ARX多项式系数
Figure FDA00038938307800000720
的第nu项系数；nu表示ARX多项式系数
Figure FDA00038938307800000721
的阶次。
8.一种计算机设备，其特征在于所述设备包括：数据采集装置、处理器和存储器；
所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-6任一项所述的方法。
CN202011254973.XA 2020-11-11 2020-11-11 一种温度预测控制方法、系统、设备及可读存储介质 Active CN112799297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011254973.XA CN112799297B (zh) 2020-11-11 2020-11-11 一种温度预测控制方法、系统、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011254973.XA CN112799297B (zh) 2020-11-11 2020-11-11 一种温度预测控制方法、系统、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112799297A CN112799297A (zh) 2021-05-14
CN112799297B true CN112799297B (zh) 2022-11-15

Family

ID=75806212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011254973.XA Active CN112799297B (zh) 2020-11-11 2020-11-11 一种温度预测控制方法、系统、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112799297B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114089795B (zh) * 2021-11-22 2022-08-16 江苏科技大学 一种基于事件触发的模糊神经网络温度控制系统及方法
CN114721446B (zh) * 2022-04-25 2024-04-02 云南电力试验研究院(集团)有限公司 一种调控svg功率模块运行温度的方法和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106765052B (zh) * 2016-11-21 2019-01-29 华北电力大学（保定） 一种电站锅炉蒸汽温度的智能计算预测控制方法
KR20190057732A (ko) * 2017-11-20 2019-05-29 부산대학교 산학협력단 기계학습을 이용한 과열저감기 제어를 위한 장치 및 방법
CN108303888B (zh) * 2018-02-07 2020-11-03 广东电网有限责任公司电力科学研究院 一种电站锅炉主蒸汽温度减温喷水控制方法及系统
CN108510060A (zh) * 2018-03-12 2018-09-07 华南理工大学 一种基于模糊神经网络的区间二型模糊认知图模型
CN110048606B (zh) * 2019-05-23 2020-12-25 哈尔滨工业大学 基于区间二型自适应模糊神经网络的dc-dc升压变换器动态滑模电压控制方法
CN110285403B (zh) * 2019-06-10 2020-06-09 华北电力大学 基于被控参数预估的主蒸汽温度控制方法
CN110601573A (zh) * 2019-10-10 2019-12-20 东北大学 一种基于改进型自适应模糊神经网络的三相整流控制方法
CN110941186B (zh) * 2019-12-26 2023-01-20 华润电力技术研究院有限公司 基于神经网络与万有引力搜索算法的汽温控制寻优方法

Also Published As

Publication number Publication date
CN112799297A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
de Oliveira et al. Application of artificial intelligence techniques in modeling and control of a nuclear power plant pressurizer system
Zhang et al. Cascade control of superheated steam temperature with neuro-PID controller
CN112799297B (zh) 一种温度预测控制方法、系统、设备及可读存储介质
CN109254530B (zh) 基于磨矿过程基础回路的无模型自适应控制方法
Xiong et al. Neural network model-based on-line re-optimisation control of fed-batch processes using a modified iterative dynamic programming algorithm
Özbek et al. Design of an optimal fractional fuzzy gain-scheduled Smith Predictor for a time-delay process with experimental application
CN111522233A (zh) 参数自整定的mimo异因子全格式无模型控制方法
Wang et al. Stochastic configuration network based cascade generalized predictive control of main steam temperature in power plants
CN111522229A (zh) 参数自整定的mimo异因子偏格式无模型控制方法
Shi et al. Adaptive output-feedback optimal control for continuous-time linear systems based on adaptive dynamic programming approach
Xiangsong et al. PID controller design based on radial basis function neural networks for the steam generator level control
Shatnan et al. Optimal Fuzzy-FOPID, Fuzzy-PID Control Schemes for Trajectory Tracking of 3DOF Robot Manipulator
Ying et al. Neural network nonlinear predictive control based on tent-map chaos optimization
Han et al. Iterative learning model predictive control with fuzzy neural network for nonlinear systems
Alkhalaf Modeling the automatic voltage regulator (AVR) using artificial neural network
Khudayarov et al. Power system steady state calculations using artificial neural networks
Li et al. Performance analysis of reheat steam temperature control system of thermal power unit based on constrained predictive control
Hajipour et al. Optimized neuro observer-based sliding mode control for a nonlinear system using fuzzy static sliding surface
Al-Hiary et al. Identification of a chemical process reactor using soft computing techniques
Yu et al. Adaptive RBF model for model-based control
Banderchuk et al. Combining robust control and machine learning for uncertain nonlinear systems subject to persistent disturbances
Yousuf et al. PSO based predictive nonlinear automatic generation control
Zhengshun et al. ARX-NNPLS model based optimization strategy and its application in polymer grade transition process
Shobana et al. Design of a novel robust recurrent neural network for the identification of complex nonlinear dynamical systems
Oysal et al. Modified descend curvature based fixed form fuzzy optimal control of nonlinear dynamical systems

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