基于多模型廣義預測控制器的預測控制方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種基于多模型廣義預測控制器的預測控制方法，在抑制過程擾動的同時，使預設(shè)的期望輸出值跟蹤所述最優(yōu)設(shè)定值軌跡，并采用多個固定模型和多個自適應(yīng)模型并行辨識系統(tǒng)的動態(tài)特性，獲得系統(tǒng)的實際輸出值和最優(yōu)的輸入控制量。本發(fā)明還提供了一種預測控制系統(tǒng)，采用DRTO雙層結(jié)構(gòu)，用多模型廣義預測控制器代替現(xiàn)有的單模型廣義預測控制器。本發(fā)明具有以下有益效果：更好地匹配了生產(chǎn)中的實際過程特征，降低系統(tǒng)成本消耗，提高系統(tǒng)經(jīng)濟效益；提高了系統(tǒng)暫態(tài)性能和系統(tǒng)模型參數(shù)跳變時系統(tǒng)的調(diào)節(jié)能力；可以有效的消除擾動對系統(tǒng)輸出的干擾；降低由于DRTO雙層結(jié)構(gòu)中優(yōu)化層與控制層模型不一致對經(jīng)濟效益的影響。
【專利說明】基于多模型廣義預測控制器的預測控制方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于模型預測控制(MPC)【技術(shù)領(lǐng)域】，具體涉及一種基于多模型廣義預測控制器的預測控制方法及系統(tǒng)。
【背景技術(shù)】
[0002]工業(yè)過程中日益激烈的競爭要求設(shè)備操作更加靈活來提高生產(chǎn)率，降低生產(chǎn)成本，這需要將經(jīng)濟優(yōu)化結(jié)合到設(shè)備操作中的規(guī)劃、調(diào)度、優(yōu)化、控制各個階段?，F(xiàn)有的技術(shù)像典型的雙層RTO結(jié)構(gòu)，該結(jié)構(gòu)包括一個基于經(jīng)濟指標的實時優(yōu)化器(RTO)和一個模型預測控制器(MPC)。上層的RTO層通過解決基于穩(wěn)態(tài)模型的實時優(yōu)化問題來獲取輸出對象的最優(yōu)設(shè)定值，并將最優(yōu)設(shè)定值傳給下層的MPC層，MPC層主要工作是抑制消除擾動的影響使輸出對象盡可能的追蹤最優(yōu)設(shè)定值?；诜€(wěn)態(tài)模型的雙層RTO結(jié)構(gòu)已成功運用到復雜的化工、石油工業(yè)過程中，并取得了很好的效果。但是這種雙層RTO結(jié)構(gòu)存在不足，因為RTO層采用穩(wěn)態(tài)模型，因此只能在系統(tǒng)達到穩(wěn)定時進行經(jīng)濟優(yōu)化，對于實現(xiàn)靈活性和經(jīng)濟效益存在局限性，特別是對于需要考慮系統(tǒng)動態(tài)特性的過程像存在級數(shù)轉(zhuǎn)換和批量處理的連續(xù)過程的優(yōu)化效果不理想。且當上層優(yōu)化問題和下層控制問題分別在不同的頻率和采用不同的模型來執(zhí)行時，不能準確的運用相同的信息，所以有擾動時會存在沖突或最優(yōu)運行點可能是次優(yōu)的。
[0003]為此，Kadam提出將動態(tài)實時優(yōu)化(DRTO)與MPC結(jié)合組成DRTO雙層結(jié)構(gòu)來處理大規(guī)模的工業(yè)過程，上層為一基于過程動態(tài)模型的DRTO層，在較慢的速率下執(zhí)行，下層結(jié)構(gòu)采用MPC控制器追蹤上層得出的最優(yōu)設(shè)定軌跡來處理過程中的干擾，用動態(tài)模型替代穩(wěn)態(tài)模型可以很好地處理系統(tǒng)的動態(tài)特性?，F(xiàn)有的采用DRTO雙層結(jié)構(gòu)的預測控制系統(tǒng)如圖4所示，包括動態(tài)實時優(yōu)化層、模型預測控制層和基層控制層，其中，動態(tài)實時優(yōu)化層包括初始指標生成模塊和動態(tài)實時優(yōu) 化器，模型預測控制層采用單模型廣義預測控制器；指標生成模塊確定上層的經(jīng)濟優(yōu)化指標，將最大化經(jīng)濟效益和最小化消耗成本的實現(xiàn)方式與實現(xiàn)約束體現(xiàn)在經(jīng)濟目標函數(shù)Φ和約束條件h當中；動態(tài)實時優(yōu)化器通過優(yōu)化經(jīng)濟目標函數(shù)得到對象輸出的最優(yōu)設(shè)定值軌跡yMf。x，d分別為狀態(tài)值和過程擾動，由于動態(tài)實時優(yōu)化層在一個較慢的時間尺度執(zhí)行優(yōu)化，而模型預測控制層將在一個較快的時間尺度執(zhí)行，即雙層結(jié)構(gòu)是在不同的時間尺度執(zhí)行，所以需要一個時間尺度分離器?！?t為采樣周期，即每隔Δ t時間，優(yōu)化器將進行一次重新優(yōu)化，最優(yōu)設(shè)定值軌跡進行更新，最終控制器得到最優(yōu)輸入控制量U給基層控制系統(tǒng)。I為系統(tǒng)的輸出值，根據(jù)該輸出值I估計狀態(tài)值X，進行下一次滾動優(yōu)化。
[0004]在之前學者們所設(shè)計的DRTO雙層結(jié)構(gòu)中，MPC層多采用單模型預測控制器，但實際工業(yè)過程中，經(jīng)常出現(xiàn)過程參數(shù)隨生產(chǎn)運行跳變的情況。由于實際生產(chǎn)過程非常復雜，很難建立一個簡潔的全局控制模型，因此單一模型的預測控制器很難滿足參數(shù)時變或跳變時系統(tǒng)仍處于良好控制狀態(tài)的要求。多模型的方法可以有效的處理復雜工業(yè)過程中的多工作點和參數(shù)時變問題，不少學者也已將多模型預測控制運用到化工、制藥、電力等領(lǐng)域，并取得很好的效果。但由于隨機噪聲的存在使得常規(guī)的多模型很難與實際過程特征相匹配，因此如何建立一個即可以考慮經(jīng)濟效益又可以保證系統(tǒng)的暫態(tài)性能和跳變時調(diào)節(jié)能力的控制器是目如特需解決的一個問題。

【發(fā)明內(nèi)容】

[0005]為了克服現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明提供一種采用DRTO雙層結(jié)構(gòu)的基于多模型廣義預測控制器的預測控制方法及系統(tǒng)，具體的技術(shù)方案如下:
[0006]基于多模型廣義預測控制器的預測控制方法，包括如下步驟:
[0007]步驟SI，根據(jù)最大化經(jīng)濟效益和最小化消耗成本的目的生成經(jīng)濟目標函數(shù)和約束條件；根據(jù)預設(shè)的采樣周期滾動執(zhí)行步驟S2和S3 ；
[0008]步驟S2，根據(jù)約束條件對經(jīng)濟目標函數(shù)進行動態(tài)實時優(yōu)化，獲得一最優(yōu)設(shè)定值軌跡；
[0009]步驟S3，在抑制過程擾動的同時，使預設(shè)的期望輸出值跟蹤最優(yōu)設(shè)定值軌跡，并采用多個固定模型和多個自適應(yīng)模型并行辨識系統(tǒng)的動態(tài)特性，獲得系統(tǒng)的實際輸出值和最優(yōu)的輸入控制量；
[0010]步驟S3進一步包括:
[0011]步驟S31，采用CARIMA模型描述受過程擾動的被控對象；
[0012]步驟S32，將被控對象描述為多模型集；
[0013]步驟S33，根據(jù)預設(shè)的性能指標函數(shù)，系統(tǒng)自動切換到性能指標最小的模型；該性能指標最小的模型的輸出值即為系統(tǒng)的實際輸出值；
[0014]步驟S34，設(shè)置性能優(yōu)化指標，將最優(yōu)設(shè)定值軌跡代入性能優(yōu)化指標，根據(jù)MPC算法獲得最優(yōu)的輸入控制量。
[0015]作為優(yōu)化方案，步驟S31具體為，CARIMA模型如式(I)所示:
[0016]A(z-1)y(k) = B (z-1) u (k_l) + ξ (k) / Δ (I)
[0017]其中，肩Χι)= 1 + --,ζ4 +……+ η., B(zA) = bij+blzA +,+Λ/、，式中 z-1 為后
移算子，7 00、1!(10、€ (k)分別為系統(tǒng)的實際輸出值、輸入控制量以及均值為零的白噪聲序列，Δ = l-z—1為差分算子；a、b分別為關(guān)于τ'多項式A O與Β()的元素系數(shù)；
[0018]式(I)又可以表示為:
[0019]Δ y (k) = A1 (z-1) Δ y (k)+B (z-1) Δ u (k_l) + ξ (k) (2)
[0020]其中，A1(z-l) = 1_Α(ζ_1) ο
[0021]作為優(yōu)化方案，步驟S32具體為，將被控對象描述為多模型集，如式(3)所示:
[0022]Δ y (k) = Φ (k)τ Θ 0 (k) + ξ (k) (3)
[0023]其中，Φ(k) = [-Ay (k-1)...-Ay (k_na) Δ u (k_l) +...Δ u (k-nb_l)]，
= [V.為…\;由式(3)得到多模型集的向量表示，如式(4)所示:
[0024]Δ Yi (k) = Φ i (k)τ Θ 0 (k) + ξ i (k) (4)
[0025]其中，i = 1，2...，m，m+l，m+2 ;當i = 1，2，…，m時,Θ i (k)為固定模型的恒定參數(shù)；當i = m+1, m+2時,模型為自適應(yīng)模型。
[0026]作為優(yōu)化方案，步驟S32進一步包括:[0027]自適應(yīng)模型采用遞推最小二乘算法實時辨識系統(tǒng)參數(shù)，如式(5)所示:
[0028]
【權(quán)利要求】
1.基于多模型廣義預測控制器的預測控制方法，其特征在于，包括如下步驟: 步驟Si，根據(jù)最大化經(jīng)濟效益和最小化消耗成本的目的生成經(jīng)濟目標函數(shù)和約束條件；根據(jù)預設(shè)的采樣周期滾動執(zhí)行步驟S2和S3 ； 步驟S2，根據(jù)所述約束條件對所述經(jīng)濟目標函數(shù)進行動態(tài)實時優(yōu)化，獲得一最優(yōu)設(shè)定值軌跡； 步驟S3，在抑制過程擾動的同時，使預設(shè)的期望輸出值跟蹤所述最優(yōu)設(shè)定值軌跡，并采用多個固定模型和多個自適應(yīng)模型并行辨識系統(tǒng)的動態(tài)特性，獲得系統(tǒng)的實際輸出值和最優(yōu)的輸入控制量； 所述步驟S3進一步包括: 步驟S31，采用CARIMA模型描述受過程擾動的被控對象； 步驟S32，將所述被控對象描述為多模型集； 步驟S33，根據(jù)預設(shè)的性能指標函數(shù)，系統(tǒng)自動切換到性能指標最小的模型；該性能指標最小的模型的輸出值即為系統(tǒng)的實際輸出值； 步驟S34，設(shè)置性能優(yōu)化指標，將所述最優(yōu)設(shè)定值軌跡代入所述性能優(yōu)化指標，根據(jù)MPC算法獲得最優(yōu)的輸入控制量。
2.根據(jù)權(quán)利要求1所述的基于多模型廣義預測控制器的預測控制方法，其特征在于，所述步驟S31具體為,所述CARIMA模型如式(I)所示:
3.根據(jù)權(quán)利要求2所述的基于多模型廣義預測控制器的預測控制方法，其特征在于，所述步驟S32具體為，將所述被控對象描述為多模型集，如式(3)所示:
Δ y (k) = φ (k)τ Θ 0(k) + ξ (k) (3)其中，Φ(10 = [ - Δ y (k-1)...- Δ y (k-na) Δ u (k~l) +...Δ u (k-nb-l)],…H由式(3)得到多模型集的向量表示,如式(4)所示:
Δ Yi (k) = Φ i (k)τ Θ 0 (k) + ξ i (k) (4) 其中，i = l, 2...，m，m+l，m+2 ;當i = 1，2，…，m時，Θ Jk)為固定模型的恒定參數(shù)；當i = m+1, m+2時,模型為自適應(yīng)模型。
4.根據(jù)權(quán)利要求3所述的基于多模型廣義預測控制器的預測控制方法，其特征在于，所述步驟S32進一步包括: 所述自適應(yīng)模型采用遞推最小二乘算法實時辨識系統(tǒng)參數(shù)，如式(5)所示:
5.根據(jù)權(quán)利要求3或4所述的基于多模型廣義預測控制器的預測控制方法，其特征在于，所述步驟S33具體為: 所述性能指標函數(shù)如式(6)所示:
6.根據(jù)權(quán)利要求5所述的基于多模型廣義預測控制器的預測控制方法，其特征在于，所述步驟S34具體為: 采用階梯式控制策略，將控制增量規(guī)劃為一階指數(shù)形式，所述控制增量即為所述輸入控制量的增量，如式(7)所示:
Δu(k+j k) = β Δ (k+j-1 k), j = I, 2...，Nu-1 (7) 其中，Au(k+j|k)為k時刻對k+j時刻的控制增量，Nu為控制時域，β為階梯因子； 設(shè)置k時刻的性能優(yōu)化指標，如式(8)所示: -V-Vr-
min J(k) = E{X [y(k + j\K)-wr(k+ j)f 十藝 χ[Διι(* +./ — 11 kf}.,1-"(S) 其中，E{.}為數(shù)學期望，Nu為控制時域，λ為控制加權(quán)系數(shù)，N為優(yōu)化時域終止時刻，wr (k+j) = a Wr (k+j-1)+ (1-α)產(chǎn)(k+j)為所述期望輸出值，式中α為柔化因子，O < α<1，yref為所述最優(yōu)設(shè)定值軌跡； 引入丟番圖方程，如式(9)和式(10)所示:
I = Ej (ζ_1)Α(ζ_1) Δ +Z-jFj (z_1) (9)
7.根據(jù)權(quán)利要求1所述的基于多模型廣義預測控制器的預測控制方法，其特征在于，還包括步驟S4:消除所述過程擾動對系統(tǒng)的實際輸出值的影響，得到最終輸出值。
8.基于多模型廣義預測控制器的預測控制系統(tǒng)，包括:動態(tài)實時優(yōu)化層和模型預測控制層，其特征在于， 所述動態(tài)實時優(yōu)化層包括初始指標生成模塊和動態(tài)實時優(yōu)化器；其中，所述初始指標生成模塊用于生成經(jīng)濟目標函數(shù)和約束條件，所述動態(tài)實時優(yōu)化器用于，根據(jù)所述約束條件對所述經(jīng)濟目標函數(shù)進行動態(tài)實時優(yōu)化，輸出一最優(yōu)設(shè)定值軌跡； 所述模型預測控制層包括多模型廣義預測控制器，所述多模型廣義預測控制器內(nèi)包括多個預測模型，所述預測模型中包括多個固定模型和多個自適應(yīng)模型；所述多模型廣義預測控制器用于在抑制過程擾動的同時，使預設(shè)的期望輸出值跟蹤所述最優(yōu)設(shè)定值軌跡，并采用多個固定模型和多個自適應(yīng)模型并行辨識系統(tǒng)的動態(tài)特性，獲得系統(tǒng)的實際輸出值和最優(yōu)的輸入控制 量。
9.根據(jù)權(quán)利要求8所述的基于多模型廣義預測控制器的預測控制系統(tǒng)，其特征在于，還包括基層控制層，所述基層控制層用于消除所述過程擾動對系統(tǒng)的實際輸出值的影響，輸出最終輸出值到一執(zhí)行機構(gòu)。
10.根據(jù)權(quán)利要求9所述的基于多模型廣義預測控制器的預測控制系統(tǒng)，其特征在于，所述基層控制層包括PID控制器。
【文檔編號】G05B13/04GK103472723SQ201310363168
【公開日】2013年12月25日 申請日期:2013年8月19日 優(yōu)先權(quán)日:2013年8月19日
【發(fā)明者】王昕 , 宋治強 申請人:上海交通大學