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技术

本发明专利技术公开了本发明专利技术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。率提升具有促进作用。率提升具有促进作用。

【技术实现步骤摘要】
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


[0001]本专利技术属于火电机组过程应用控制
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为了达到上述目的，本专利技术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。
[0006]作为本专利技术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：
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]作为本专利技术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。
[0012]作为本专利技术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。
[0013]作为本专利技术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。
[0014]本专利技术的有益效果是：(1)本专利技术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)本专利技术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
[0015]此处说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0016]图1为本专利技术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；
[0017]图2为本专利技术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
[0018]下面详细描述本专利技术的实施例，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，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0019]结合图1和图2，本专利技术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：
[0020]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；
[0021]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；
[0022]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；
[0023]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。
[0024]在所述步骤1中，采用仿真软件完成BP神经网络离线建模。
[0025]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。
[0026]本专利技术将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。
[0027]本专利技术采用多元负荷改进动态矩阵预本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。2.根据权利要求1所述的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；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...

【专利技术属性】
技术研发人员：铉佳欢，袁智，马博洋，董蔚，胡嘉铭，马迪，李金拓，郭明超，
申请(专利权)人：大唐东北电力试验研究院有限公司，
类型：发明
国别省市：