神经网络预测控制大全.ppt

基于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 电气工程学院：何一文 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 一.引言 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上的具体困难，均未能得到广泛应用。一.引言 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。设计出了具有较高可靠性和较强鲁棒性的控制系统。二.单元控制的基本思想 传统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。二.单元控制的基本思想 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。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。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和 不同模式的，能够适用于大型复杂系统地分析预 测。二.单元控制的基本思想 边 界jNi,jNi,ZjZjjNi,ZicZiZicZjZhcZhZhZscZsZsiicihchhscss三.神经网络模型预测控制简介 神经网络模型预测控制是使用非线性神经网络模型来预测未来模型性能。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未来神经网络性能。三.神经网络模型预测控制简介 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，用来作为神经网络的训练信号。该过程如图二所示。对对 象象神神 经经 网网 络络 模模 型型学学 习习 算算 法法umy+_e三.神经网络模型预测控制简介 神经网络模型利用当前输入和输出预测神经网络未来输出值。神经网络模型结构如图三所示。该网络可以采用批量在线训练。TDLLW1.1b1TDLLW1.2+LW2.1b2+y(k)u(k)1S11(1)m ky输输入入第第一一层层第第二二层层三.神经网络模型预测控制简介 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，通过最优化如下的性能准则函数，即 222112UNNrmjjy k jy k ju kjju kj 222ji5三.神经网络模型预测控制简介 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u（通过最小化J）,最优u值作为神经网络模型的输入 优优化化神神经经网网络络模模型型对对象象控控制制器器myry*uuy四.应用 四.应用 常规主蒸汽温度控制方案（串级PID）四.应用 其中 1012()8()()(1 15)sWsW ss20231()1.125()()(125)sWsss12()()0.1HHWsWs2111()(1),()250.574aaWsWss四.应用 四.应用 图9 主蒸汽温度设定值阶跃输入下的仿真比较 四.应用 图十 时间常数改变后的仿真比较 四.应用 图十一 增益改变后的仿真比较 四.应用 图十二加入烟气扰动后的PID控制结构图 四.应用 图十三 加入烟气扰动后的对比曲线 四.应用 图十四 加10秒纯滞后以后的仿真结果图 四.结论(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干扰能力。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，2005 4 杨献勇热工过程自动控制I-M北京：清华大学出版社，2000 5 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，1997，(6)：68 7 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)：710 8 于渤现代控制理论M北京：水利电力出版社，1995