1、基于(jy)单元模型的神经网络预测控制 在过热蒸汽温度控制中的应用,电气(dinq)工程学院：何一文,第一页，共二十七页。,火电厂锅炉的过热蒸汽温度是其运行质量的重要指标之一，过热蒸汽温度过高或过低都 会影响(yngxing)电厂的安全经济运行，但汽温调节对象是一个多容环节，它的纯延迟时间和时间常数都比较大，干扰因素多，对象模型不确定，在锅炉自动调节系统中属于可控性最差的一个调节系统。,一.引言(ynyn),第二页，共二十七页。,一.引言(ynyn),目前该系统控制的主导设计方案是PID律，虽然一些先进控制技术近年来尝试在火电厂自动化中应用，但由于理论上的局限性和实现(shxin)上的具体困难
2、，均未能得到广泛应用。,第三页，共二十七页。,一.引言(ynyn),本文根据单元控制的思想，并运用神经网络预测控制的方法，应用于过热蒸汽温度控制中。使单元控制的思想得以实现，神经网络更接近生物神经网络的结构，神经网络的优势得以更好发挥(fhu)。设计出了具有较高可靠性和较强鲁棒性的控制系统。,第四页，共二十七页。,二.单元控制(kngzh)的基本思想,传统(chuntng)的预测控制系统以整体系统模型为基础，所设计的预测算法是集中式的，随着系统规模的扩大，计算量迅速增加，因此影响到其实时性。另外，很难用一个同质的，单一的集中模型来描述复杂系统，这就需要新的分析方法。,第五页，共二十七页。,二.
3、单元控制(kngzh)的基本思想,单元控制是用单元模型系统描述对象的动态过程，为受控对象建立一种结构分散化模型，它吸收了人工分析系统的经验(jngyn)知识，由定性的结构模型和定量的模型给出单元模型。既含有整体系统的因果结构，又包含单元间的相互关联。此具有网状结构的模型，按照一定意义下的主要因果关系，被抽象出一种链状结构，我们称之为单元模型系统。这种模型比一般多输入多输出系统含有更多的信息量，可以用来设计具有高可靠性和强鲁棒性要求的控制系统。,第六页，共二十七页。,基于单元的模型是一种多输入单输出系统，通过关联与其他相关单元相关联。通过自身动态变化和单元间相互影响过程，共同描述(mio sh)
4、对象的整体运动特性。针对每个单元设计单元预测系统和控制系统，它通过接受本单元相关信息和直接关联的单元的测量和预测信息，预测该单元的运动趋势，并分析判断，作出该单元的控制决策。,第七页，共二十七页。,各单元预测系统按照研究对象的关联模式相互关联，并经由关联传递单元预测信息，共同完成对整体系统未来一定时间动态特性的预测，而各单元控制系统也经由关联传递控制信息，从而完成对整体系统的控制。单元预测系统的设计和计算是独立的和并行的，单元系统可以是不同性质(xngzh)和不同模式的，能够适用于大型复杂系统地分析预测。,第八页，共二十七页。,二.单元控制(kngzh)的基本思想,第九页，共二十七页。,三.神
5、经网络模型预测(yc)控制简介,神经网络模型预测(yc)控制是使用非线性神经网络模型来预测(yc)未来模型性能。控制器计算控制输入，而控制输入在未来一段指定的时间内将最优化模型性能。模型预测(yc)第一步是要建立神经网络模型（系统辨识）；第二步是使用控制器来预测(yc)未来神经网络性能。,第十页，共二十七页。,三.神经网络模型预测控制(kngzh)简介,模型预测的第一步就是训练神经网络未来表示网络的动态机制。模型输出与神经网络输出之间的预测误差，用来(yn li)作为神经网络的训练信号。该过程如图二所示。,第十一页，共二十七页。,三.神经网络模型(mxng)预测控制简介,神经网络模型(mxng
6、)利用当前输入和输出预测神经网络未来输出值。神经网络模型(mxng)结构如图三所示。该网络可以采用批量在线训练。,第十二页，共二十七页。,三.神经网络模型(mxng)预测控制简介,模型预测方法是水平后退的方法，神经网络模型预测在指定时间内预测模型响应。预测是用数字最优化程序来确定控制信号，通过(tnggu)最优化如下的性能准则函数，即,第十三页，共二十七页。,三.神经网络模型预测控制(kngzh)简介,图四为模型预测控制的过程。控制器由神经网络模型和最优化方块组成，最优化模块确定(qudng)u（通过最小化J）,最优u值作为神经网络模型的输入,第十四页，共二十七页。,四.应用(yngyng),
7、第十五页，共二十七页。,四.应用(yngyng),常规(chnggu)主蒸汽温度控制方案（串级PID）,第十六页，共二十七页。,四.应用(yngyng),其中(qzhng),第十七页，共二十七页。,四.应用(yngyng),第十八页，共二十七页。,四.应用(yngyng),图9 主蒸汽温度设定值阶跃输入(shr)下的仿真比较,第十九页，共二十七页。,四.应用(yngyng),图十 时间常数改变(gibin)后的仿真比较,第二十页，共二十七页。,四.应用(yngyng),图十一 增益(zngy)改变后的仿真比较,第二十一页，共二十七页。,四.应用(yngyng),图十二加入(jir)烟气扰动后的
8、PID控制结构图,第二十二页，共二十七页。,四.应用(yngyng),图十三 加入(jir)烟气扰动后的对比曲线,第二十三页，共二十七页。,四.应用(yngyng),图十四 加10秒纯滞后以后的仿真(fn zhn)结果图,第二十四页，共二十七页。,四.结论(jiln),(1)本文提出的基于单元模型的神经网络预测控制主蒸汽温度控制策略既可保证对主蒸汽温度快而稳的调节，又使得所消耗的减温水量大大降低，可明显提高控制策略的安全性和经济性，符合火电厂机组(jz)运行的客观需求。(2)时间常数鲁棒性很强，而增益鲁棒性较弱，但适应能力很强。可在较短时间内适应参数的变化。(3)能很好地克服纯滞后并有较强的抗
9、干扰能力。,第二十五页，共二十七页。,五.参考文献,1 陈铁军，链系统方法及其应用,河南科技出版社,1993.2 陈铁军并行预测系统与算法.3 李果勇智能控制及其MATLAB实现，电子工业出版社，20054 杨献勇热工过程自动控制I-M北京：清华大学出版社，20005 彭钢热工PID控制算法的适应性与局限性分析J河北电力 技术(jsh)，1997，(6)：687 范伊波，等基于自适应神经元网络的过热汽温智能控制 J动力工程，1998，(2)：7108 于渤现代控制理论M北京：水利电力出版社，1995,第二十六页，共二十七页。,内容(nirng)总结,基于单元模型的神经网络预测控制(kngzh)。火电厂锅炉的过热蒸汽温度是其运行质量的重要指标之一，过热蒸汽温度过高或过低都。目前该系统控制(kngzh)的主导设计方案是PID律，虽然一些先进控制(kngzh)技术近年来尝试在火电厂自动化中应用，但由于理论上的局限性和实现上的具体困难，均未能得到广泛应用。设计出了具有较高可靠性和较强鲁棒性的控制(kngzh)系统。这种模型比一般多输入多输出系统含有更多的信息量，可以用来设计具有高可靠性和强鲁棒性要求的控制(kngzh)系统,第二十七页，共二十七页。,