一种基于向量机在线辨识预测的协调控制方法技术

本发明专利技术属于火电机组自动化控制领域，具体涉及一种基于向量机在线辨识预测的协调控制方法；采用的技术方案为：S1:在线辨识模型数据的获取及处理；S2:在线辨识模型的结构设计与参数优化；S3:预测控制器的设计与输出计算；S4:下一个时刻点K+1时刻点，依次重复S1至S3的步骤内容；本发明专利技术火电机组协调控制方法，解决了传递函数模型参数与实际对象模型失配的问题，从根本上改善火电机组参与调峰过程中协调控制系统的控制品质。控制系统的控制品质。控制系统的控制品质。

【技术实现步骤摘要】
一种基于向量机在线辨识预测的协调控制方法


[0001]本专利技术属于火电机组自动化控制领域，具体涉及一种基于向量机在线辨识预测的协调控制方法。

技术介绍

[0002]随着全球能源危机与环境保护问题的日益突出，全球的电力发展走向低碳发展的方向，近年来我国大规模发展新能源，为解决新能源机组发电并网的问题，火电机组参与电网深度调峰已成为常态化要求。
[0003]火电机组在调峰过程中，锅炉与汽轮机两侧差异化的动态响应特性，使得机组的响应速率受到极大的限制，为改善机组对中调AGC指令的响应速度，提高机组的经济性，需要开展新的控制策略研究。
[0004]在机组变负荷过程中，一方面机组机炉协调控制系统中的被控对象特性持续发生变化，现有的基于额定工况辨识的传递函数模型参数与实际对象模型失配，使得协调控制系统的控制品质变差；另一方面，常规的定参数PID控制策略，加剧了机组变负荷过程中的响应偏差，综上，在现有控制策略下，机组深度调峰过程中难以取得满意的控制效果。

技术实现思路

[0005]本专利技术克服了现有技术存在的不足，提供了一种支持向量机可以使得火电机组机炉协调系统在机组宽负荷调峰过程中保证控制系统具有较好的控制品质和鲁棒性的在线辨识预测的火电机组协调控制方法。
[0006]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于向量机在线辨识预测的协调控制方法，通过以下步骤实现：
[0007]S1:在线辨识模型数据的获取及处理；
[0008]针对协调控制系统中主蒸汽压力控制回路，设定时刻K，获取该控制模型的输入数据集u(k)和输出数据集y(k)，设定采样数据组为L组，得出辨识数据集T
L
；辨识数据集T
L
采用滚动时间窗确定，其表示为：
[0009]T
L
＝{(u
k
‑
L+1
,y
k
‑
L+1
),(u
k
‑
L+2
,y
k
‑
L+2
),...,(u
k
,y
k
)},u∈R,y∈R
[0010]将模型辨识所用的输入、输出数据采用如下表达式归一化到[
‑
1,1]区间：
[0011][0012]式中，x、x
′
分别表示数据归一化前、后的值。
[0013]对所述控制模型的输入数据集u(k)和输出数据集y(k)进行归一化处理；
[0014]对归一化处理后的数据集进行随机划分，确定模型训练数据集和模型验证数据集；
[0015]S2:在线辨识模型的结构设计与参数优化；
[0016]给定支持向量机模型参数超参数误差惩罚因子γ和高斯核宽度参数σ的初值；
[0017]利用所述训练数据集，采用遗传算法搜索参数惩罚因子γ和高斯核宽度参数σ的最优值，并通过所述验证数据集进行模型泛化能力的验证；
[0018]S3:预测控制器的设计与输出计算；
[0019]设置预测时域P和控制时域M，计算预测模型的输出；
[0020]计算系统输出值与模型输出值的误差e
m
(k)；
[0021]利用所述误差e
m
(k)对预测模型的输出进行反馈修正，得出校正后的预测模型输出值；
[0022]依据输出误差和控制增量的二次型优化目标计算控制序列；
[0023]S4:下一个时刻点K+1时刻点，依次重复S1至S3的步骤内容。
[0024]所述步骤S2中的在线辨识模型采用最小二乘支持向量机模型，最小二乘支持向量机模型计算公式如下：
[0025]对于给定的数据D{(x
i
,y
i
):i＝1,2,...,l}，
[0026]其中，x
i
∈R
n
为n维输入向量，y
i
∈R为目标输出向量；
[0027]通过非线性映射φ(x)，所述y
i
＝W
T
φ(x
i
)+b，W∈R
n
、b∈R
ꢀꢀꢀ
(1
‑
1)；
[0028]依据求解目标和结构化风险最小原则，上式(1
‑
1)需满足如下条件：
[0029]|y
i
‑
W
T
φ(x
i
)
‑
b|≤X
[0030][0031]定义误差损失函数为误差的二次项上式(1
‑
2)可表示为：
[0032]式中γ为所述误差惩罚因子
ꢀꢀꢀ
(1
‑
3)；
[0033]优化上述误差问题：
[0034][0035]式中，α
i
∈R为Lagrange乘子，对上式(1
‑
4)进行优化，得：
[0036][0037][0038][0039][0040]消除W，e，可得如下矩阵方程：
[0041][0042]其中：
[0043]y＝[y1,y2,...,y
l
]T
[0044]l＝[1,1,...,1]T
∈R
l
[0045]α＝[α1,α2,...,α
l
][0046]Ω＝{Ω
ij
}
l
×
l
,Ω
ij
＝φ
T
(x
i
)φ(x
j
)＝K(x
i
,x
j
)
[0047]其中，Ω为对称矩阵，K(.,.)为核函数。
[0048]最小二乘支持向量机预测函数表示为：
[0049][0050]径向基函数作为预测函数中的核函数，表示如下：
[0051][0052]式中，σ为高斯核宽度参数。
[0053]遗传算法搜索参数惩罚因子γ和高斯核宽度参数σ的最优值的过程中，适应度函数为如下公式：
[0054][0055]模型泛化能力评价函数采用均方根误差，表示如下：
[0056][0057]所述步骤S3中K时刻最小二乘支持向量机的单步预测模型计算公式如下：
[0058]y
m
(k+1)＝f
LS
‑
SVM
[y
p
(k),y
p
(k
‑
1),u(k)]ꢀꢀꢀ
(2
‑
1)
[0059]在单步预测的基础上进行多步迭代，实现多步预测；
[0060]y
m
(k+j)＝f
LS
‑
SVM
[y
p
(k+j<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于向量机在线辨识预测的协调控制方法，其特征在于，通过以下步骤实现：S1:在线辨识模型数据的获取及处理；针对协调控制系统中主蒸汽压力控制回路，设定时刻K，获取该控制模型的输入数据集u(k)和输出数据集y(k)，设定采样数据组为L组，得出辨识数据集T
L
；对所述控制模型的输入数据集u(k)和输出数据集y(k)进行归一化处理；对归一化处理后的数据集进行随机划分，确定模型训练数据集和模型验证数据集；S2:在线辨识模型的结构设计与参数优化；给定支持向量机模型参数超参数误差惩罚因子γ和高斯核宽度参数σ的初值；利用所述训练数据集，采用遗传算法搜索参数惩罚因子γ和高斯核宽度参数σ的最优值，并通过所述验证数据集进行模型泛化能力的验证；S3:预测控制器的设计与输出计算；设置预测时域P和控制时域M，计算预测模型的输出；计算系统输出值与模型输出值的误差e
m
(k)；利用所述误差e
m
(k)对预测模型的输出进行反馈修正，得出校正后的预测模型输出值；依据输出误差和控制增量的二次型优化目标计算控制序列；S4:下一个时刻点K+1时刻点，依次重复S1至S3的步骤内容。2.根据权利要求1所述的一种基于向量机在线辨识预测的协调控制方法，其特征在于，所述步骤S2中的在线辨识模型采用最小二乘支持向量机模型，最小二乘支持向量机模型计算公式如下：对于给定的数据D{(x
i
,y
i
):i＝1,2,...,l}，其中，x
i
∈R
n
为n维输入向量，y
i
∈R为目标输出向量；通过非线性映射φ(x)，所述y
i
＝W
T
φ(x
i
)+b，W∈R
n
、b∈R
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1
‑
1)；依据求解目标和结构化风险最小原则，上式(1
‑
1)需满足如下条件：|y
i
‑
W
T
φ(x
i
)
‑
b|≤X定义误差损失函数为误差的二次项上式(1
‑
2)可表示为：式中γ为所述误差惩罚因子
ꢀꢀꢀꢀ
(1
‑
3)；优化上述误差问题：式中，α
i
∈R为Lagrange乘子，对上式(1
‑
4)进行优化，得：4)进行优化，得：
消除W，e，可得如下矩阵方程：其中：y＝[y1,y2,...,y
l
]
T
l＝[1,1,...,1]
T
∈R
l
α＝[α1,α2,...,α
l
]Ω＝{Ω
ij
}
l
×
l
,Ω
ij
＝φ
T
(x
i
)φ(x
j
)＝K(x
i
,x
j
)其中，Ω为对称矩阵，K(.,.)为核函数。最小二乘...

【专利技术属性】
技术研发人员：杜鸿飞，贾峰生，刘建辉，王建，吕建，张钦，李晓军，刘建华，
申请(专利权)人：山西世纪中试电力科学技术有限公司，
类型：发明
国别省市：