CN114326616B - 基于多元负荷改进动态矩阵预测算法的工业过程控制方法 - Google Patents
基于多元负荷改进动态矩阵预测算法的工业过程控制方法 Download PDFInfo
- Publication number
- CN114326616B CN114326616B CN202111582456.XA CN202111582456A CN114326616B CN 114326616 B CN114326616 B CN 114326616B CN 202111582456 A CN202111582456 A CN 202111582456A CN 114326616 B CN114326616 B CN 114326616B
- Authority
- CN
- China
- Prior art keywords
- neural network
- dynamic matrix
- control
- improved dynamic
- controller
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了本发明的一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法,其原理是:利用BP神经网络模型克服各种前馈因素的强耦合性,获取精准的前馈输出量;同时利用改进动态矩阵预测控制器实现稳态闭环控制。该基于多元负荷改进动态矩阵预测算法的工业过程控制方法,构建一套完整的复杂过程对象预测控制策略,结合过程对象强耦合、大滞后、非线性的特点,实现对象运行趋势的快速预测及提前控制,计算最优控制量,提升控制系统稳定性及动态特性,降低损耗,节省成本,对火力发电燃烧效率提升具有促进作用。
Description
技术领域
本发明属于火电机组过程应用控制技术领域,具体涉及一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法。
背景技术
当前火电机组控制优化策略以常规的PID控制器为主,其具有结构简单控制效果明显的特点,但火电机组过程对象种类多、特征各异,PID因其反馈滞后的控制特点,无法满足大多数复杂对象的快速控制效果,导致火力发电机组燃烧效率很难提升。为促进火力发电机组燃烧优化发展,进一步提升燃烧效率,急需寻找更加先进,适应性强的控制策略,实现火电过程对象的最优控制。
BP网络的学习算法是全局逼近的方法,它具有良好的泛化能力,此外BP神经网络还具有结构简单,容易编程实现等优点;动态矩阵控制策略则是通过模型预测、滚动优化、反馈校正的算法特征,快速的实现过程对象的提前控制,二者均被验证克服复杂对象特性具有良好的理论效果,但二者均缺少符合现场运行条件的应用方法。
发明内容
本发明的目的是提供一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法,构建一套完整的复杂过程对象预测控制策略,结合过程对象强耦合、大滞后、非线性的特点,实现对象运行趋势的快速预测及提前控制,计算最优控制量,提升控制系统稳定性及动态特性,降低损耗,节省成本,对火力发电燃烧效率提升具有促进作用。
为了达到上述目的,本发明所采用的技术方案是:一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法,利用BP神经网络模型克服各种前馈因素的强耦合性,获取精准的前馈输出量;同时利用改进动态矩阵预测控制器实现稳态闭环控制。
作为本发明的一种优选的技术方案,利用BP神经网络模型克服各种前馈因素的强耦合性,获取精准的前馈输出量;同时利用改进动态矩阵预测控制器实现稳态闭环控制;具体按照以下步骤实施:
步骤1,获取被控对象相关的运行历史数据及参数,并通过BP神经网络离线建模,建立过程对象多输入条件下的BP神经网络参数模型;
步骤2,结合被控对象的特性,将被控对象分解为多组运行工况下的运行参数;
步骤3,将步骤2得到的多组运行参数作为步骤1得到的BP神经网络模型的输入,通过BP神经网络模型计算得到的输出量,以输出量作为前馈输出量,以改进动态矩阵控制器作为闭环控制器,形成前馈+反馈闭环控制结构;
步骤4,通过PLC控制器进行步骤3的过程,将步骤1中建立好的BP神经网络参数模型的参数输入至PLC中的BP神经网络计算模块,之后调整改进动态矩阵控制器的参数,形成无扰切换,实时被控对象不同工况变换下的全程自动控制。
作为本发明的一种优选的技术方案,在所述步骤1中,采用仿真软件完成BP神经网络离线建模。
作为本发明的一种优选的技术方案,在所述步骤2中,采用过工况模型阶跃扰动试验将被控对象分解为多组运行工况下的运行参数。
作为本发明的一种优选的技术方案,在所述步骤3中,改进动态矩阵控制器采用多负荷条件下模型的预测控制,以适应火电机组复杂过程对象特征。
本发明的有益效果是:(1)本发明的一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法,采用的离线学习(步骤1内容)、在线计算的BP神经网络工业控制(步骤4内容)设计方案,解决了神经网络控制算法因数据运算量大,不适应生产实际应用的特点。BP神经网络可通过离线仿真建模,PLC在线计算封装的形式,降低神经网络数据运算对CPU的要求,以生产现场较为常见的PLC控制器的形式,应用于生产。(2)本发明的一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法,解决了常规PID控制策略控制效果滞后的特点,同时通过多元负荷改进动态矩阵算法,解决动态矩阵控制算法鲁棒性差的特点,能够实现变工况导致对象动态特性变化大的情况下,被控对象的精准控制,实现全负荷工况的自动控制,提升控制系统稳定性及动态特性,降低损耗,节省成本,对火力发电燃烧效率提升具有促进作用。
附图说明
此处说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法中BP神经网络参数模型和改进动态矩阵控制器的工作原理图;
图2为本发明的一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法中多元负荷改进预测控制算法原理图的工作原理图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
结合图1和图2,本发明的一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法,其原理是:利用BP神经网络模型克服各种前馈因素的强耦合性,获取精准的前馈输出量;同时利用改进动态矩阵预测控制器实现稳态闭环控制。具体按照以下步骤实施:
步骤1,获取被控对象相关的运行历史数据及参数,并通过BP神经网络离线建模,建立过程对象多输入条件下的BP神经网络参数模型;
步骤2,结合被控对象的特性,采用过工况模型阶跃扰动试验将被控对象分解为多组运行工况下的运行参数;图2中的g1(s)、g2(s)、g3(s)即为模型对象;
步骤3,将步骤2得到的多组运行参数作为步骤1得到的BP神经网络模型的输入,通过BP神经网络模型计算得到的输出量,以输出量作为前馈输出量,以改进动态矩阵控制器作为闭环控制器,形成前馈+反馈闭环控制结构;
步骤4,通过PLC控制器进行步骤3的过程,将步骤1中建立好的BP神经网络参数模型的参数输入至PLC中的BP神经网络计算模块,之后调整改进动态矩阵控制器的参数,形成无扰切换,实时被控对象不同工况变换下的全程自动控制。
在所述步骤1中,采用仿真软件完成BP神经网络离线建模。
在所述步骤2中,采用过工况模型阶跃扰动试验将被控对象分解为多组运行工况下的运行参数。
本发明将BP神经网络分解为离线学习与在线计算两部分(其中步骤1中的建模过程是离线学习建模,步骤4种的PLC实现为在线计算)。对于生产现场,运行数据的随机性较大,很难辨识出数据的有效性和优质性,离线学习可在离线状态下对样本进行有效性筛选,采用仿真软件对离线数据进行神经网络建模(体现在步骤1中),得到的模型再通过PLC应用于生产现场,这种方式得到的神经网络模型更精确、使用,同时需要对神经网络模型进行定期维护,防止因工况变化造成的控制品质下降。
本发明采用多元负荷改进动态矩阵预测控制替代现场常规的PID控制器,常规的PID控制器采取反馈控制手段,其控制原理具有滞后性的特点,而多元负荷改进动态矩阵预测控制器能够根据对象模型实行提前预测控制,能够较大程度的改善被控过程的动态特性,同时采用闭环控制结构也有效降低了控制的稳态误差。
本发明采用多元负荷改进动态矩阵控制算法,一般的动态矩阵控制算法虽然能起到提前控制的作用,但在实际应用过程中,过程对象往往随着运行工况的变化具有较大的特性变化,而普通的动态矩阵算法无法克服对象模型变化带来的控制鲁棒性问题,发明中根据对象特性将对象模型分为多个不同负荷段,实用加权的方式实现变工况控制系统的稳定性其原理如附图2所示。
多元负荷改进动态矩阵控制算法设计了多组预测模型,可实现多模型切换,在实际应用过程中,可根据负荷变化,建立全负荷段多个预测模型,这种变模型预测控制结构能够实现脱硝控制在变负荷过程中,始终处于模型匹配状态,达到最优的控制效果。
在所述步骤3中,改进动态矩阵控制器采用多负荷条件下模型的预测控制,以适应火电机组复杂过程对象特征。必要时还可采取串级预测+PID控制结构,外回路控制器采用改进动态矩阵预测控制器,内回路采用常规PID控制器,优化闭环控制效果。
因此,与现有技术相比,本发明的一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法,采用的离线学习(步骤1内容)、在线计算的BP神经网络工业控制(步骤4内容)设计方案,解决了神经网络控制算法因数据运算量大,不适应生产实际应用的特点。BP神经网络可通过离线仿真建模,PLC在线计算封装的形式,降低神经网络数据运算对CPU的要求,以生产现场较为常见的PLC控制器的形式,应用于生产。另外,本发明的一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法,解决了常规PID控制策略控制效果滞后的特点,同时通过多元负荷改进动态矩阵算法,解决动态矩阵控制算法鲁棒性差的特点,能够实现变工况导致对象动态特性变化大的情况下,被控对象的精准控制,实现全负荷工况的自动控制,提升控制系统稳定性及动态特性,降低损耗,节省成本,对火力发电燃烧效率提升具有促进作用。
上述说明示出并描述了发明的若干优选实施例,但如前所述,应当理解发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围,则都应在发明所附权利要求的保护范围内。
Claims (1)
1.一种基于多元负荷改进动态矩阵预测算法的工业过程控制方法,其特征在于,利用BP神经网络模型克服各种前馈因素的强耦合性,获取精准的前馈输出量;同时利用改进动态矩阵预测控制器实现稳态闭环控制;
利用BP神经网络模型克服各种前馈因素的强耦合性,获取精准的前馈输出量;同时利用改进动态矩阵预测控制器实现稳态闭环控制;具体按照以下步骤实施:
步骤1,获取被控对象相关的运行历史数据及参数,并通过BP神经网络离线建模,建立过程对象多输入条件下的BP神经网络参数模型;
步骤2,结合被控对象的特性,将被控对象分解为多组运行工况下的运行参数;
步骤3,将步骤2得到的多组运行参数作为步骤1得到的BP神经网络模型的输入,通过BP神经网络模型计算得到的输出量,以输出量作为前馈输出量,以改进动态矩阵控制器作为闭环控制器,形成前馈+反馈闭环控制结构;
步骤4,通过PLC控制器进行步骤3的过程,将步骤1中建立好的BP神经网络参数模型的参数输入至PLC中的BP神经网络计算模块,之后调整改进动态矩阵控制器的参数,形成无扰切换,实时被控对象不同工况变换下的全程自动控制;
在所述步骤1中,采用仿真软件完成BP神经网络离线建模;
在所述步骤2中,将被控对象分解为多组运行工况下的运行参数;
在所述步骤3中,改进动态矩阵控制器采用多负荷条件下模型的预测控制,以适应火电机组复杂过程对象特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582456.XA CN114326616B (zh) | 2021-12-22 | 2021-12-22 | 基于多元负荷改进动态矩阵预测算法的工业过程控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582456.XA CN114326616B (zh) | 2021-12-22 | 2021-12-22 | 基于多元负荷改进动态矩阵预测算法的工业过程控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114326616A CN114326616A (zh) | 2022-04-12 |
CN114326616B true CN114326616B (zh) | 2023-09-19 |
Family
ID=81054111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111582456.XA Active CN114326616B (zh) | 2021-12-22 | 2021-12-22 | 基于多元负荷改进动态矩阵预测算法的工业过程控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114326616B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102830625A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 基于神经网络预测控制的过程控制系统及方法 |
CN107515598A (zh) * | 2017-09-06 | 2017-12-26 | 东南大学 | 基于多参数动态矩阵控制的火电机组分布式协调控制系统 |
CN112580250A (zh) * | 2020-11-12 | 2021-03-30 | 山东纳鑫电力科技有限公司 | 基于深度学习的火电机组脱硝系统及优化控制方法 |
WO2021097738A1 (zh) * | 2019-11-21 | 2021-05-27 | 大连理工大学 | 基于改进型Smith预估器的航空发动机H∞控制方法 |
-
2021
- 2021-12-22 CN CN202111582456.XA patent/CN114326616B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102830625A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 基于神经网络预测控制的过程控制系统及方法 |
CN107515598A (zh) * | 2017-09-06 | 2017-12-26 | 东南大学 | 基于多参数动态矩阵控制的火电机组分布式协调控制系统 |
WO2021097738A1 (zh) * | 2019-11-21 | 2021-05-27 | 大连理工大学 | 基于改进型Smith预估器的航空发动机H∞控制方法 |
CN112580250A (zh) * | 2020-11-12 | 2021-03-30 | 山东纳鑫电力科技有限公司 | 基于深度学习的火电机组脱硝系统及优化控制方法 |
Non-Patent Citations (1)
Title |
---|
基于改进的广义预测控制在火力发电锅炉主汽温中的应用;王胜;章家岩;;赤峰学院学报(自然科学版)(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114326616A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107966902B (zh) | 一种不确定性间歇过程的约束2d跟踪控制方法 | |
Fang et al. | Backstepping-based nonlinear adaptive control for coal-fired utility boiler–turbine units | |
Zhao et al. | The fuzzy PID control optimized by genetic algorithm for trajectory tracking of robot arm | |
CN107515598A (zh) | 基于多参数动态矩阵控制的火电机组分布式协调控制系统 | |
CN105955210A (zh) | 余热锅炉与工业锅炉发电协调运行动态优化方法与系统 | |
CN208311185U (zh) | 一种专家pid控制的电液位置伺服装置 | |
Wang et al. | Predictive fuzzy PID control for temperature model of a heating furnace | |
CN111952965A (zh) | 一种基于预测控制与区间规划的cchp系统优化运行方法 | |
CN112015082A (zh) | 一种基于模糊增益调度预测控制的机炉协调系统控制方法 | |
Dai et al. | Multi-rate layered operational optimal control for large-scale industrial processes | |
CN114326616B (zh) | 基于多元负荷改进动态矩阵预测算法的工业过程控制方法 | |
CN110673482A (zh) | 一种基于神经网络预测的电站燃煤锅炉智能控制方法和系统 | |
Kocaarslan et al. | An adaptive control application in a large thermal combined power plant | |
Shi et al. | Predictive control research for cement burning system using two-cycle coupling optimization | |
Xiang et al. | Genetic-algorithm-optimization-based predictive functional control for chemical industry processes against partial actuator faults | |
CN113741182B (zh) | 一种基于广义值迭代的污水处理过程控制方法 | |
Zheng et al. | Double fuzzy pitch controller of wind turbine designed by genetic algorithm | |
CN113703311B (zh) | 一种燃煤机组自组织协同预测控制方法 | |
CN111538305B (zh) | 基于需求诊断的火电机组给水和燃料控制智能优化方法、系统及介质 | |
CN106647247A (zh) | 一种适用于伺服控制器的控制算法 | |
Zenghuan et al. | Optimization of furnace combustion control system based on double cross-limiting strategy | |
CN104122878A (zh) | 工业节能减排控制装置及控制方法 | |
Sun et al. | The application prospects of intelligent PID controller in power plant process control | |
CN110850710A (zh) | 基于无模型自适应控制的水电机组控制优化方法 | |
Li et al. | A parallel intelligent control system and its industrial application |
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 |