CN113031451B - 一种适用于流程工业预测控制的稳态优化方法 - Google Patents

一种适用于流程工业预测控制的稳态优化方法 Download PDF

Info

Publication number
CN113031451B
CN113031451B CN202110598288.7A CN202110598288A CN113031451B CN 113031451 B CN113031451 B CN 113031451B CN 202110598288 A CN202110598288 A CN 202110598288A CN 113031451 B CN113031451 B CN 113031451B
Authority
CN
China
Prior art keywords
optimization problem
constraint
layer
relaxation
steady
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
CN202110598288.7A
Other languages
English (en)
Other versions
CN113031451A (zh
Inventor
褚健
刘磊
金晓明
冯凯
王家栋
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.)
Zhejiang Supcon Software Co ltd
Zhongkong Technology Co ltd
Original Assignee
Zhejiang Supcon Software Co ltd
Zhejiang Supcon Technology Co Ltd
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 Zhejiang Supcon Software Co ltd, Zhejiang Supcon Technology Co Ltd filed Critical Zhejiang Supcon Software Co ltd
Priority to CN202110598288.7A priority Critical patent/CN113031451B/zh
Publication of CN113031451A publication Critical patent/CN113031451A/zh
Application granted granted Critical
Publication of CN113031451B publication Critical patent/CN113031451B/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

本发明公开了一种适用于流程工业预测控制的稳态优化方法，包括：步骤一、构建原始稳态优化问题，设原始稳态优化问题为优化问题一；步骤二、构建松弛优化问题，设松弛优化问题为优化问题二；步骤三、采用层次分析法计算所有松弛变量权重
Figure DEST_PATH_IMAGE001
；步骤四、计算优化问题二的最优值，构建补充约束；步骤五、改造优化问题一，设改造后且必存在可行域的稳态优化问题为优化问题三；步骤六、求优化问题三的最优解，并将其送入后续的动态控制层，同时，返回步骤四，继续下一控制周期的计算。针对稳态优化问题可行域不存在的情况，利用松弛优化问题的结果，重新构造了稳态优化的数学描述形式，确保稳态优化具有经济优化的意义和效果。

Description

一种适用于流程工业预测控制的稳态优化方法
技术领域
本发明涉及预测控制领域，具体涉及一种适用于流程工业预测控制的稳态优化方法。
背景技术
伴随着流程工业的发展，生产者对生产过程的要求也逐渐提高。生产过程不仅要保证产能足够，而且要尽可能地保证产品质量和最大化经济效益。对此，传统的PID控制技术难以迎合生产者的上述要求。在这种背景下，基于优化技术的预测控制技术逐渐地被广泛应用于流程工业。
众所周知，目前流程工业的预测控制技术多为双层结构，分别为稳态优化层和动态控制层。稳态优化层利用过程的稳态增益矩阵和不等式约束，以经济效益或变量移动代价为目标，优化过程的稳态工作点；动态控制层则以稳态优化层的优化结果为目标，计算过程的操作变量并实施，驱使过程达到目标稳态工作点。如此反复执行稳态优化和动态控制，维持生产系统的稳定运行，提高生成过程的经济效益。然而，现有稳态优化技术仍然存在两点不足。
第一点，当原始稳态优化问题（设为优化问题一）不存在可行域时，需要对约束条件进行松弛，以保证稳态优化存在可行解，为动态控制提供稳态目标。然而，现有的松弛策略为：构造松弛优化问题（设为优化问题二）计算最优解，利用最优解松弛稳态优化的软约束，再重新求解稳态优化。在这种松弛策略下，软约束被松弛后的稳态优化问题确实存在可行域，但可行域里只存在一个可行解，这便意味着稳态优化失去了经济优化的作用，最优解被迫只能是唯一的可行解。另一种策略是综合考虑经济优化目标和松弛代价，将两者同时放入目标函数，并给其中一项匹配一个权衡系数。这种方法虽然综合考虑了经济优化和松弛代价，但经济优化与松弛代价之间的权衡具有不确定性，难以选取合适的权衡系数。
第二点，在构造松弛优化问题时，常用方法是对不同软约束设定等级参数，参数值越小，软约束越重要。在松弛过程中，首先用等级参数最大的软约束构建松弛问题，其余等级的软约束被视为硬约束，如果此时存在可行解，则松弛问题被解决；若不存在可行解，则将该等级的所有软约束松弛至最大范围，并设定为硬约束。再从未被松弛过的软约束中选出等级最高（重要性最低）的软约束继续构造松弛问题；如此反复，直到松弛问题存在可行解。这种策略在特殊情况下，会造成某些高等级参数（重要性较低）的约束过度松弛，进而造成对应被控变量的大幅度变化。换句话说，这种按照等级迭代式的松弛策略具有极端性，没有综合考虑不同约束松弛对可行域的影响。如果松弛高等级约束不能得到可行域，在考虑低等级约束的松弛效果之前，就毅然决然地将高等级约束松弛至最大，是欠考虑的。
发明内容
对于上述两点不足，本发明提供一种适用于流程工业预测控制的稳态优化方法。在该优化方法中，针对原始稳态优化问题（优化问题一）可行域不存在的情况，利用松弛优化问题（优化问题二）的结果，重新构造了稳态优化的数学描述形式（优化问题三），确保稳态优化具有经济优化的意义和效果。而且可以证明，当原始稳态优化问题（优化问题一）存在可行域时，新构造的优化问题三等价于原优化问题一，确保新构造的稳态优化问题适用于所有稳态优化情况。在松弛优化问题中，不采用迭代式的按等级顺序松弛方法，而是综合考虑所有软约束的重要性，利用层次分析法合理计算不同约束的加权参数，借此构建松弛优化问题的目标函数。本发明的方法对所有流程工业预测控制的稳态优化具有适用性。
术语解释：
1、稳态优化：指两层结构（稳态优化层和动态控制层）的预测控制中，稳态优化层。
2、可行解、可行域、最优解：在优化问题中，如果存在解，满足优化问题的所有约束条件，那么称这些解为可行解，可行解构成的集合称为可行域；使目标函数最小（或最大）的可行解为最优解。
3、约束松弛、松弛变量：指稳态优化不存在可行域时，此时需要扩大约束的范围，这一过程被称为约束松弛；在约束松弛过程中，代表松弛后上下限和松弛前上下限之间改变量的变量，被记为松弛变量。
4、松弛代价：指松弛变量依对应权重的加权和。
5、AHP：The analytic hierarchy process，层次分析法。
6、归一化：指向量每个元素分别除以向量元素和的特殊操作。
本发明克服其技术问题所采用的技术方案是：
一种适用于流程工业预测控制的稳态优化方法，包括如下步骤：
步骤一、构建原始稳态优化问题，设原始稳态优化问题为优化问题一，其包括目标函数一和约束集一；
步骤二、构建松弛优化问题，设松弛优化问题为优化问题二，其包括目标函数二和约束集二；目标函数二是松弛变量线性加权和，设权重为
Figure 850618DEST_PATH_IMAGE001
，定义目标函数二的最大容忍上限为Tol；约束集二包含优化问题一的硬约束，以及松弛变量的非负约束和引入松弛变量后的软约束；
步骤三、采用层次分析法计算所有松弛变量权重
Figure 177694DEST_PATH_IMAGE001
；
步骤四、在每个控制周期内，计算优化问题二的最优值，根据该最优值和最大容忍限Tol，构建一个新的约束，设为补充约束；
步骤五、改造优化问题一，将优化问题一的软约束改造为松弛优化问题中含有松弛变量的硬约束，同时把松弛变量的非负约束和补充约束加入约束集一中，设改造后且必存在可行域的稳态优化问题为优化问题三；
步骤六、求优化问题三的最优解，并将其送入后续的动态控制层，同时，返回步骤四，继续下一控制周期的计算。
进一步地，步骤一中，所述目标函数一包括操作变量的经济成本、被控变量的经济效益、操作变量的移动代价和被控变量偏离设定值的代价。
进一步地，步骤一中，所述约束集一包括被控变量与操作变量之间的稳态增益关系、操作变量的上下限约束、操作变量稳态优化增量的上下限约束、被控变量的上下限约束和被控变量稳态优化增量的上下限约束。
进一步地，步骤二中，设被控变量个数为
Figure 930887DEST_PATH_IMAGE002
，软约束为
Figure 546676DEST_PATH_IMAGE003
个，给每个软约束定义对应的非负松弛变量
Figure 840254DEST_PATH_IMAGE004
。
进一步地，步骤二中，所述约束集二中，软约束引入松弛变量后，被定义为硬约束。
进一步地，步骤四中，所述补充约束为硬约束。
进一步地，步骤三具体包括如下步骤：
第一步、定义“判断条件P”：当前分组内所有软约束是否具有相同重要性；定义“分类策略M”：把当前分组内所有软约束按照重要性划分为不超过9类分组并标记从属关系，将这些分组放入下一准则层；
第二步、记当前准则层为第0层准则层，设第0层准则层为目标层，即k=0，第0层准则层只有一类分组，该分组包含所有软约束；
第三步、检查第k层准则层的每个分组，k为正整数，若所有分组的“判断条件P”为“是”，则执行第四步；若存在某些分组的“判断条件P”为“否”，则对这些分组分别执行“分类策略M”后，进入下一层准则层，即k=k+1，继续执行第三步；
第四步、层次结构已经建立完成，从最底层准则层开始，在每个准则层中，针对与上层分组具有相同从属关系的不同分组的重要性进行两两比较，构造判断矩阵，对判断矩阵进行一致性检验和总层次一致性检验；若检验结果不通过，则调整组内判断矩阵直至通过，并计算不同准则层之间的权重系数；
第五步、根据不同准则层之间的权重系数，计算出所有松弛变量对总松弛代价的权重系数
Figure 490678DEST_PATH_IMAGE001
。
进一步地，步骤一、步骤二和步骤三均为离线操作，步骤四、步骤五和步骤六均为在线操作。
本发明的有益效果是：
1、在本发明中，含有补充约束的改进后的稳态优化问题不仅适用于原稳态优化问题不可行的情况，也适用于原稳态优化问题可行的情况，即，采用改进后的稳态优化方法可以统一处理稳态优化问题，无需单独判断原问题是否存在可行域，是一种完备的稳态优化方法，具有通用性。
2、在本发明中，针对原稳态优化问题不存在可行域的情况，改进后的稳态优化问题将松弛代价引入约束条件而非目标函数，不仅保留了控制器对经济的优化作用；而且保证了工程师对约束松弛代价的评估和控制器对经济效益的评估之间的独立性，避免了现有方法中、工程师综合考虑松弛代价和经济效益两种目标时的权衡因子的不确定性。
3、在本发明中，构建不可行问题的约束松弛问题时，目标函数全面地考虑了所有软约束的松弛影响，避免了迭代方式下的存在的被控变量过度变化问题；并利用层次分析法对松弛因子的权重系数建模，给出了权重系数计算方法。
附图说明
图1为本发明所述的适用于流程工业预测控制的稳态优化方法的流程示意图。
图2为本发明中利用层次分析法在软约束重要性评估中建立的层次结构示意图。
图3为本发明实施例中利用层次分析法在软约束重要性评估中建立的层次结构示意图。
具体实施方式
为了便于本领域人员更好的理解本发明，下面结合附图和具体实施例对本发明做进一步详细说明，下述仅是示例性的不限定本发明的保护范围。
以1987年提出的Shell重油分馏塔的过程模型为例。该过程具有三个操作变量，分别是分馏塔的塔顶产品抽取率
Figure 883613DEST_PATH_IMAGE005
、分馏塔侧线抽取率
Figure 49016DEST_PATH_IMAGE006
和分馏塔底的回流热负荷
Figure 818388DEST_PATH_IMAGE007
；过程具有三个被控变量，分别是分馏塔塔顶产品的提出成分
Figure 87434DEST_PATH_IMAGE008
、分馏塔侧线抽出成分
Figure 713587DEST_PATH_IMAGE009
和分馏塔底部回流温度
Figure 303968DEST_PATH_IMAGE010
；设定系统输入输出约束为
Figure 142611DEST_PATH_IMAGE011
,输入输出稳态优化增量约束为
Figure 298786DEST_PATH_IMAGE012
。
如图1所示，本实施例所述的适用于流程工业预测控制的稳态优化方法，包括如下步骤：
步骤一、构建原始稳态优化问题，设原始稳态优化问题为优化问题一。
首先，取优化问题一的目标函数一，如式（1）所示：
Figure DEST_PATH_IMAGE013
（1）
式（1）中，前两项为经济项，第三项考虑了操作变量的最小移动，第四项代表了与设定点的偏离程度。其中，
Figure 767945DEST_PATH_IMAGE014
和
Figure 642360DEST_PATH_IMAGE015
表示操作变量的个数和被控变量的个数，参数
Figure 19114DEST_PATH_IMAGE016
和参数
Figure 498637DEST_PATH_IMAGE017
分别代表操作变量和被控变量的成本，参数
Figure 732173DEST_PATH_IMAGE018
代表操作变量的单位移动代价，参数
Figure 31567DEST_PATH_IMAGE019
代表被控变量偏离设定点的单位惩罚，变量
Figure 8750DEST_PATH_IMAGE020
代表被控变量上一时刻的开环稳态值，变量
Figure 841315DEST_PATH_IMAGE021
代表被控变量的设定值，优化变量为
Figure 183434DEST_PATH_IMAGE022
和
Figure 32442DEST_PATH_IMAGE023
。
接下来，建立优化问题一的约束条件集合，即，约束集一。约束条件分为等式约束、不等式硬约束和不等式软约束三种。
等式约束为被控变量与操作变量之间的稳态增益关系，如式（2）所示：
Figure 485420DEST_PATH_IMAGE024
（2）
式（2）中，参数
Figure 736273DEST_PATH_IMAGE025
为第
Figure 514873DEST_PATH_IMAGE026
个被控变量与第
Figure 788859DEST_PATH_IMAGE027
个操作变量之间的稳态增益。
不等式硬约束为操作变量的稳态优化增量上下限和操作变量的上下限，如式（3）所示：
Figure 107845DEST_PATH_IMAGE028
（3）
式（3）中，参数
Figure 150887DEST_PATH_IMAGE029
和参数
Figure 897127DEST_PATH_IMAGE030
为操作变量的稳态优化增量上下限，参数
Figure 658409DEST_PATH_IMAGE031
和参数
Figure 718769DEST_PATH_IMAGE032
为操作变量的上下限，变量
Figure 678635DEST_PATH_IMAGE033
为上一时刻的开环稳态值。
不等式软约束为被控变量的稳态优化增量上下限和被控变量的上下限，如式（4）所示：
Figure 31994DEST_PATH_IMAGE034
（4）
式（4）中，参数
Figure 342889DEST_PATH_IMAGE035
和参数
Figure 941361DEST_PATH_IMAGE036
为被控变量的稳态优化增量上下限，参数
Figure 958995DEST_PATH_IMAGE037
和参数
Figure 312616DEST_PATH_IMAGE038
为被控变量的上下限。
完成步骤一后，完整的优化问题一的数学表达式如式（5）所示：
Figure 782912DEST_PATH_IMAGE039
（5）
步骤二、构建松弛优化问题，设松弛优化问题为优化问题二。
给每个软约束定义对应的非负松弛变量
Figure 247391DEST_PATH_IMAGE004
，把松弛变量加入软约束中，即把式（4）的软约束修改为式（6）的硬约束，如下所示：
Figure DEST_PATH_IMAGE040
（6）
本实施例中，优化问题二的目标是总的松弛代价最小，如式（7）所示：
Figure 322795DEST_PATH_IMAGE041
（7）
式（7）中，
Figure 847317DEST_PATH_IMAGE001
为松弛变量的加权系数。
另外，定义目标函数二的最大容忍上限为Tol，单位是%。
完成步骤二后，完整的优化问题二的数学表达式如式（8）所示，式（8）的所有约束条件均为硬约束。
Figure 804909DEST_PATH_IMAGE042
（8）
步骤三、采用层次分析法AHP计算所有松弛变量权重
Figure 807500DEST_PATH_IMAGE001
。
图2为本发明中利用层次分析法在软约束重要性评估中建立的层次结构示意图，包括第0层准则层、第1层准则层……第k层准则层……第n层准则层（最底层准则层）和方案层，第0层准则层只有一类分组，该分组包含所有软约束，其中，k为正整数，具体的上限根据实际情况决定；每一层准则层的分组不超过9类分组。为了更好的理解图2中层次分析法计算所有松弛变量权重
Figure 534147DEST_PATH_IMAGE001
的过程，通过图3对其具体化。
如图3所示，在第0层准则层（目标层）S1中，只有一个分组，包含D1……D12总代价S11；接下来，本实施例考虑到被控变量的稳态优化增量约束与被控变量的上下限约束的重要性不同，将所有约束划分为两组，分别为“D1,D2,D5,D6,D9,D10代价”S21和“D3,D4,D7,D8,D11,D12代价”S22，将上述两组放在第1准则层S2中，且分别定义与上层之间的权重系数为“
Figure DEST_PATH_IMAGE043
”S111和“
Figure 214526DEST_PATH_IMAGE044
”S111；进一步地，本实施例考虑到成分变量
Figure DEST_PATH_IMAGE045
的约束和温度变量
Figure 659413DEST_PATH_IMAGE010
的约束具有不同重要性，将“D1,D2,D5,D6,D9,D10代价”S21进一步划分为“D9,D10代价”S31和“D1,D2,D5,D6代价”S32，放在第2准则层S3中，且分别定义与上层之间的权重系数为“
Figure 403378DEST_PATH_IMAGE046
”S211和“
Figure 312429DEST_PATH_IMAGE047
”S212；将“D3,D4,D7,D8,D11,D12代价”S22进一步划分为“D11,D12代价”S33和“D3,D4,D7,D8代价”S34，放在第2准则层S3中，且分别定义与上层之间的权重系数为“
Figure 116437DEST_PATH_IMAGE048
”S221和“
Figure 48621DEST_PATH_IMAGE049
”S222；第2准则层S3直接与方案层S4相连接，方案层S4包含工作点集合S41。
参考图3，从第2层准则层S3开始，采用1-9标度法判断“D1,D2,D5,D6代价”S32相对于“D9,D10代价”S31的相对重要性尺度，记为
Figure 393014DEST_PATH_IMAGE050
，按式（9）构造矩阵
Figure 94254DEST_PATH_IMAGE051
。
Figure 69163DEST_PATH_IMAGE052
（9）
若矩阵
Figure 550960DEST_PATH_IMAGE051
不通过单层一致性检验，则调整
Figure 636728DEST_PATH_IMAGE050
直至通过检验；将矩阵
Figure 956588DEST_PATH_IMAGE051
的最大特征值
Figure 164716DEST_PATH_IMAGE053
对应的特征向量
Figure 71492DEST_PATH_IMAGE054
归一化并将其元素赋值给
Figure 960951DEST_PATH_IMAGE046
S211和
Figure 636783DEST_PATH_IMAGE047
S212，如式（10）所示。
Figure 750232DEST_PATH_IMAGE055
（10）
参考图3，继续采用1-9标度法判断“D3,D4,D7,D8代价”S34相对于“D11,D12代价”S33的相对重要性尺度，记为
Figure 878725DEST_PATH_IMAGE056
，按式（11）构造矩阵
Figure 571875DEST_PATH_IMAGE057
。
Figure 164530DEST_PATH_IMAGE058
（11）
若矩阵
Figure 652143DEST_PATH_IMAGE057
不通过单层一致性检验，则调整
Figure 533511DEST_PATH_IMAGE056
直至通过检验；将矩阵
Figure 561510DEST_PATH_IMAGE057
的最大特征值
Figure 444890DEST_PATH_IMAGE059
对应的特征向量
Figure 368984DEST_PATH_IMAGE060
归一化并将其元素赋值给
Figure 534386DEST_PATH_IMAGE048
S221和
Figure 303759DEST_PATH_IMAGE049
S222，如式（12）所示。
Figure 605427DEST_PATH_IMAGE061
（12）
完成从第2层准则层S3后，现处理第1准则层S2。
参考图3，继续采用1-9标度法判断“D3,D4,D7,D8,D11,D12代价”S22相对于“D1,D2,D5,D6,D9,D10代价”S21的相对重要性尺度，记为
Figure 434843DEST_PATH_IMAGE062
，按式（13）构造矩阵
Figure 87541DEST_PATH_IMAGE063
。
Figure 660605DEST_PATH_IMAGE064
（13）
若矩阵
Figure 20042DEST_PATH_IMAGE063
不通过单层一致性检验或总一致性检验不通过，则调整
Figure 82676DEST_PATH_IMAGE062
直至都通过检验；将矩阵
Figure 894774DEST_PATH_IMAGE063
的最大特征值
Figure 537108DEST_PATH_IMAGE065
对应的特征向量
Figure 813369DEST_PATH_IMAGE066
归一化并将其元素赋值给
Figure 483122DEST_PATH_IMAGE043
S111和
Figure 844834DEST_PATH_IMAGE044
S112，如式（14）所示。
Figure 494121DEST_PATH_IMAGE067
（14）
至此，已经得到不同分组之间的权重系数。然后按照式（15）便可计算出所有松弛变量的权重
Figure 890467DEST_PATH_IMAGE001
。
Figure 498166DEST_PATH_IMAGE068
（15）
步骤四、求解优化问题二，构建补充约束。
在每个控制周期内，计算优化问题二的最优值，记优化问题二的最优值为
Figure 284856DEST_PATH_IMAGE069
，根据该最优值和步骤二定义的最大容忍限Tol，构建如式（16）所示的补充约束，补充约束为硬约束。
Figure 800151DEST_PATH_IMAGE070
（16）
步骤五、构建优化问题三。
在每个优化周期内，改造优化问题一，将优化问题一的软约束改造为松弛优化问题中含有松弛变量的硬约束式（6），同时把松弛变量的非负约束和补充硬约束式（16）加入优化问题一中的约束集一中，设改造后且必存在可行域的稳态优化问题为优化问题三。完整的优化问题三的数学表达式如式（17）所示：
Figure 254266DEST_PATH_IMAGE071
（17）
注意到，如果稳态优化问题一存在可行域，那么
Figure 767287DEST_PATH_IMAGE072
，且补充硬约束式（16）右侧为0，此时稳态优化问题三与原稳态优化问题一等价。故改造后的稳态优化问题三是一种完备的稳态优化形式，与可行域存在与否无关。
步骤六、求解优化问题三。
在每个优化周期内，求优化问题三的最优解，得到稳态优化增量
Figure 103591DEST_PATH_IMAGE073
和
Figure DEST_PATH_IMAGE074
，并将其送入后续的动态控制层；同时，返回步骤四，依次执行步骤四、步骤五、步骤六，继续下一控制周期的计算。
以上仅描述了本发明的基本原理和优选实施方式，本领域人员可以根据上述描述做出许多变化和改进，这些变化和改进应该属于本发明的保护范围。

Claims (8)

1.一种适用于流程工业预测控制的稳态优化方法，其特征在于，包括如下步骤：
步骤一、构建原始稳态优化问题，设原始稳态优化问题为优化问题一，其包括目标函数一和约束集一；
步骤二、构建松弛优化问题，设松弛优化问题为优化问题二，其包括目标函数二和约束集二；目标函数二是松弛变量线性加权和，设权重为
Figure 745870DEST_PATH_IMAGE001
，定义目标函数二的最大容忍上限为Tol；约束集二包含优化问题一的硬约束，以及松弛变量的非负约束和引入松弛变量后的软约束；
步骤三、采用层次分析法计算所有松弛变量权重
Figure 672238DEST_PATH_IMAGE001
；
步骤四、在每个控制周期内，计算优化问题二的最优值，根据该最优值和最大容忍限Tol，构建一个新的约束，设为补充约束；
步骤五、改造优化问题一，将优化问题一的软约束改造为松弛优化问题中含有松弛变量的硬约束，同时把松弛变量的非负约束和补充约束加入约束集一中，设改造后且必存在可行域的稳态优化问题为优化问题三；
步骤六、求优化问题三的最优解，并将其送入后续的动态控制层，同时，返回步骤四，继续下一控制周期的计算。
2.根据权利要求1所述的方法，其特征在于，步骤一中，所述目标函数一包括操作变量的经济成本、被控变量的经济效益、操作变量的移动代价和被控变量偏离设定值的代价。
3.根据权利要求1所述的方法，其特征在于，步骤一中，所述约束集一包括被控变量与操作变量之间的稳态增益关系、操作变量的上下限约束、操作变量稳态优化增量的上下限约束、被控变量的上下限约束和被控变量稳态优化增量的上下限约束。
4.根据权利要求1所述的方法，其特征在于，步骤二中，设被控变量个数为
Figure 752189DEST_PATH_IMAGE002
，软约束为
Figure 856542DEST_PATH_IMAGE003
个，给每个软约束定义对应的非负松弛变量
Figure 389155DEST_PATH_IMAGE004
。
5.根据权利要求1所述的方法，其特征在于，步骤二中，所述约束集二中，软约束引入松弛变量后，被定义为硬约束。
6.根据权利要求1所述的方法，其特征在于，步骤四中，所述补充约束为硬约束。
7.根据权利要求1-6任一项所述的方法，其特征在于，步骤三具体包括如下步骤：
第一步、定义“判断条件P”：当前分组内所有软约束是否具有相同重要性；定义“分类策略M”：把当前分组内所有软约束按照重要性划分为不超过9类分组并标记从属关系，将这些分组放入下一准则层；
第二步、记当前准则层为第0层准则层，设第0层准则层为目标层，即k=0，第0层准则层只有一类分组，该分组包含所有软约束；
第三步、检查第k层准则层的每个分组，k为正整数，若所有分组的“判断条件P”为“是”，则执行第四步；若存在某些分组的“判断条件P”为“否”，则对这些分组分别执行“分类策略M”后，进入下一层准则层，即k=k+1，继续执行第三步；
第四步、层次结构已经建立完成，从最底层准则层开始，在每个准则层中，针对与上层分组具有相同从属关系的不同分组的重要性进行两两比较，构造判断矩阵，对判断矩阵进行一致性检验和总层次一致性检验；若检验结果不通过，则调整组内判断矩阵直至通过，并计算不同准则层之间的权重系数；
第五步、根据不同准则层之间的权重系数，计算出所有松弛变量对总松弛代价的权重系数
Figure 119214DEST_PATH_IMAGE001
。
8.根据权利要求1所述的方法，其特征在于，步骤一、步骤二和步骤三均为离线操作，步骤四、步骤五和步骤六均为在线操作。
CN202110598288.7A 2021-05-31 2021-05-31 一种适用于流程工业预测控制的稳态优化方法 Active CN113031451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110598288.7A CN113031451B (zh) 2021-05-31 2021-05-31 一种适用于流程工业预测控制的稳态优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110598288.7A CN113031451B (zh) 2021-05-31 2021-05-31 一种适用于流程工业预测控制的稳态优化方法

Publications (2)

Publication Number Publication Date
CN113031451A CN113031451A (zh) 2021-06-25
CN113031451B true CN113031451B (zh) 2021-08-03

Family

ID=76455911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110598288.7A Active CN113031451B (zh) 2021-05-31 2021-05-31 一种适用于流程工业预测控制的稳态优化方法

Country Status (1)

Country Link
CN (1) CN113031451B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114296354B (zh) * 2021-12-31 2024-03-08 上海电力设计院有限公司 基于多优先级约束放松的混合优化算法
CN114924490B (zh) * 2022-07-22 2022-10-25 浙江中控技术股份有限公司 一种模型预测控制中的模型共线性分析与处理方法
WO2024142173A1 (ja) * 2022-12-26 2024-07-04 日本電気株式会社 最適化装置、最適化方法、及びプログラム
CN115963795B (zh) * 2023-01-04 2023-07-07 浙江中智达科技有限公司 一种流程工业控制方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103995466A (zh) * 2014-04-24 2014-08-20 燕山大学 一种基于软约束的区间预测控制建模及优化方法
CN105740973A (zh) * 2016-01-25 2016-07-06 天津大学 基于混合整数锥规划的智能配电网综合电压无功优化方法
CN108828945A (zh) * 2018-06-28 2018-11-16 杭州电子科技大学 一种流程工业过程预测优化控制方法
CN109713713A (zh) * 2018-10-19 2019-05-03 云南电网有限责任公司 一种基于机会约束凸松弛的机组启停随机优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7376472B2 (en) * 2002-09-11 2008-05-20 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103995466A (zh) * 2014-04-24 2014-08-20 燕山大学 一种基于软约束的区间预测控制建模及优化方法
CN105740973A (zh) * 2016-01-25 2016-07-06 天津大学 基于混合整数锥规划的智能配电网综合电压无功优化方法
CN108828945A (zh) * 2018-06-28 2018-11-16 杭州电子科技大学 一种流程工业过程预测优化控制方法
CN109713713A (zh) * 2018-10-19 2019-05-03 云南电网有限责任公司 一种基于机会约束凸松弛的机组启停随机优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Double-layer model predictive control integrated with zone control";Haojie Sun 等;《ISA Transactions》;20210106;全文 *
"双层结构预测控制的稳态优化与动态控制算法研究";张利果;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315;全文 *
"循环流化床锅炉燃烧过程预测控制与经济性能优化";谢磊 等;《化工学报》;20160331;第67卷(第3期);全文 *

Also Published As

Publication number Publication date
CN113031451A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113031451B (zh) 一种适用于流程工业预测控制的稳态优化方法
US11250308B2 (en) Apparatus and method for generating prediction model based on artificial neural network
CN103425048B (zh) 一种基于动态优化的多模型广义预测控制系统及其控制方法
CN104375475B (zh) 间歇反应器中间歇反应过程的优化控制方法
US9727035B2 (en) Computer apparatus and method using model structure information of model predictive control
CN113687632B (zh) 一种间歇反应过程的变周期协同优化控制方法
CN113392594B (zh) 一种基于abc极限学习机的力学性能区间预测方法及装置
Jian et al. A variable selection method for soft sensor development through mixed integer quadratic programming
CN114936528A (zh) 一种基于变量加权自适应局部构图的极限学习机半监督软测量建模方法
CN102393645A (zh) 一种高速电液比例调速系统的控制方法
JP4698578B2 (ja) 共線性を検出し、検証し、かつ修復するための方法と物品
Zhou et al. Mixed-framework-based energy optimization of chemi-mechanical pulping
Picotti et al. Data-driven tuning of a nmpc controller for a virtual motorcycle through genetic algorithm
CN111681719A (zh) 基于fa-lssvm模型预测高含硫气藏中硫溶解度的方法
Yang et al. Efficient real time optimization using a data-driven piecewise affine model
CN114609981B (zh) 一种基于参数区间变化趋势的动态操作模式优化方法、系统及储存介质
Hošovský et al. Hybridized GA-optimization of neural dynamic model for nonlinear process
Al-Hiary et al. Identification of a chemical process reactor using soft computing techniques
Peterson et al. Hybrid modeling of the catalytic CO2 methanation using process data and process knowledge
CN112015083B (zh) Siso紧格式无模型控制器基于集成学习的参数自整定方法
CN112016243B (zh) 一种基于响应曲面的交通流量预测模型参数标定方法
JP7406664B1 (ja) 学習モデルの生成方法、情報処理装置、コンピュータプログラム、物質の選別方法及び模擬実験値の生成方法
Hille et al. Experimental Design in Simultaneous Identification and Optimization of Batch Processes under Model-Plant Mismatch
Braun et al. Multi-objective optimization with controlled model assisted evolution strategies
Veisi et al. Fractional data driven controller based on adaptive neural network optimizer

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
CP03 Change of name, title or address

Address after: 310053 No. 309 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: Zhongkong Technology Co.,Ltd.

Country or region after: China

Patentee after: ZHEJIANG SUPCON SOFTWARE Co.,Ltd.

Address before: 310053 No. 309 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province

Patentee before: ZHEJIANG SUPCON TECHNOLOGY Co.,Ltd.

Country or region before: China

Patentee before: ZHEJIANG SUPCON SOFTWARE Co.,Ltd.

CP03 Change of name, title or address