一种基于动态优化的多模型广义预测控制系统及其控制方法技术方案

一种基于动态优化的多模型广义预测控制系统，其包括动态优化层、MPC层以及基础控制层；所述动态优化层位于上层，其计算出关键控制变量的优化值作为MPC层的最优设定值；所述MPC层位于下层在待优化变量满足模型动态行为的条件下采用滚动优化的预测算法对该待优化变量进行调节，使其跟踪S1中得出的最优设定值；所述基础控制层位于底层，将该待优化变量的最终优化值送至执行机构。本发明专利技术降低系统成本消耗，提高系统经济效益，并且可以提高系统暂态性能以及系统模型参数跳变的调节能力，同时还可以有效的消除扰动对系统输出的干扰。

【技术实现步骤摘要】
一种基于动态优化的多模型广义预测控制系统及其控制方法
本专利技术涉及控制优化领域，尤其涉及一种基于动态优化的多模型广义预测控制系统的设计方法。
技术介绍
生产全球化加剧的市场竞争使得对降低成本消耗，提高经济效益的要求越来越高。过程的操作性能优化可以为企业生产创造巨大的利益，因此需要更有效、更先进的优化和控制策略应用到相关的工业设备中。基于稳态模型的传统过程优化技术已经取得了非凡的成就，对于模型时变不强烈的过程有良好的优化效果。但在实际工业中,经常出现模型时变强烈的现象，导致基于稳态模型的传统优化技术很难满足现代化工业的要求。动态优化可以较好的处理具有强烈时变、反应机理较为复杂的工业过程，并且很多学者将动态优化与模型预测控制结合组成分层式预测控制结构来对工业设备进行优化，并取得了不错地效果。传统的动态优化与模型预测控制结合组成分层式预测控制结构中，MPC层多采用单模型预测控制器，但实际工业过程中，经常出现过程参数随生产运行跳变的情况。由于实际生产过程非常复杂，很难建立一个简洁的全局控制模型，因此单一模型的预测控制器很难满足参数时变或跳变时系统仍处于良好控制状态的要求。多模型的方法可以有效的处理复杂工业过程中的多工作点和参数时变问题，不少学者也已将多模型预测控制运用到化工、制药、电力等领域，并取得很好的效果。但由于随机噪声的存在使得常规的多模型很难与实际过程特征相匹配。因此如何建立一个即可以考虑经济效益又可以保证系统的暂态性能和跳变时调节能力的控制器是目前特需解决的一个问题。
技术实现思路
1.为解决上述难题，本专利技术提供了一种基于动态优化的多模型广义预测控制系统，其特征在于，包括动态优化层、MPC层以及基础控制层；所述动态优化层位于上层，其采用控制向量参数化与粒子群优化算法的结合对经济目标函数进行动态优化获得关键变量的最优值的轨迹，该最优值作为所述MPC层的优化设定值；所述MPC层位于下层，其在待优化变量满足模型动态行为的条件下采用滚动优化的预测算法对待优化变量进行调节，使其跟踪所述最优设定值；所述基础控制层位于底层，其用于将待优化变量的最终优化值送至执行机构。较佳地，所述模型动态行为包括模型参数变化与干扰影响。较佳地，所述MPC层采用多个固定模型和自适应模型来并行辨识系统的动态特性。较佳地，所述基础控制层包括一PID控制器，所述PID控制器用于抑制、消除进入到过程中的扰动对输出的影响。本专利技术还提供了种基于动态优化的多模型广义预测控制系统的工作方法，其包括以下步骤：S1：所述动态优化层针对系统的经济目标函数及其时变约束采用控制向量参数化与粒子群优化算法的结合的方法获取关键变量的最优值轨迹，并将该轨迹将作为下层MPC层的最优设定值参考轨迹；S2：所述MPC层采用滚动优化的预测算法对过程中待优化的变量满足模型参数变化和干扰影响动态行为的条件下进行调节，使其跟踪S1中得出的该变量的最优设定值轨迹，并且采用多个固定模型和自适应模型来并行辨识系统的动态特性；S3：所述基础层通过PID作用抑制、消除进入到过程中的扰动对输出的影响，并将该变量的最终优化值送到执行结构。较佳地，所述关键变量的最优值轨迹的获取过程包括以下步骤：S11：首先将时间区间[t0,tf]分成相同的多段，每段用分段常数轨迹近似最优轨迹，得到多个待优化控制参数；S12：粒子群初始化：设置粒子数m、维数D、两个学习因子c1,c2，位置上下界xmax,xmin及最大迭代次数M，初始位置，初始速度，初始化全局最优解gBest以及局部最优解pBest；S13：计算各粒子适应度，更新局部最优值和全局最优值；S14：计算更新速度与更新位置，如果位置超过上下界则设定为边界值；S15：判断是否达到最大迭代次数，若没有则返回c)继续计算。若满足条件则输出当前最优值。较佳地，在步骤S2中，被控对象为：A(z-1)y(k)=B(z-1)u(k-1)+ξ(k)/Δ，多模型集表示为：Δyi(k)=φi(k)Tθ0(k)+ξi(k)i=1,2…,m,m+1,m+2其中φ(k)=[-Δy(k-1)…-Δy(k-na)Δu(k-1)+…Δu(k-nb-1)]；自适应模型采用如下递推最小二乘法进行系统动态特性的辨识：K(k)=P(k-1)φ(k)[φ(k)TP(K-1)φ(k)+μ]-1式中0<μ<1为遗忘因子，K(k)为权因子，P(k)为正定协方差阵；多模型切换指标表示为：i=1,2,...,m+2上式为模型i在时刻k的性能指标，其中ei(k)为第i个模型在k时刻的输出误差，γ和η是当前和过去时刻的误差权重，ρ为误差遗忘因子，L为过去时刻误差长度，在k时刻，会根据性能指标Ji最小切换到相应模型。较佳地，所述PID的性能优化指标为式中E{·}为数学期望，wr为输出期望值，Nu为控制时域，λ为控制加权系数，k表示时刻；对象输出的期望值为wr(k+j)=w(k+j)j∈{1,2,…,N}，式中w(k+j)为上层动态优化所给的关键变量设定值，N为优化时域终止时刻。与现有技术相比，本专利技术的有益效果如下：1.降低系统成本消耗，提高系统经济效益；2.提高系统暂态性能；3.提高系统模型参数跳变的调节能力；4.可以有效的消除扰动对系统输出的干扰。附图说明图1为本专利技术实施例提供的控制器的结构示意图；图2为本专利技术实施例提供的多模型切换结构示意图；图3为本专利技术实施例提供的控制器仿真结果示意图。具体实施例本专利技术提供了一种基于动态优化的多模型广义预测控制系统，如图1所示，包括动态优化层、MPC层以及基础控制层；所述动态优化层位于上层，其计算出关键控制变量的最优值作为MPC层的最优设定值；所述MPC层位于下层在该待优化变量满足模型动态行为的条件下采用滚动优化的预测算法对该待优化变量进行调节，使其跟踪S1中得出的最优设定值；所述基础控制层位于底层，将该待优化变量的最终优化值送至执行机构。本专利技术具体的控制过程包括以下步骤：包括以下步骤：S1：所述动态优化层针对系统的经济目标函数及其时变约束采用控制向量参数化与粒子群优化算法的结合的方法获取关键变量的最优值轨迹，并将该轨迹将作为下层MPC层的参考轨迹；S2：所述MPC层采用滚动优化的预测算法对过程中待优化的变量满足模型参数变化和干扰影响动态行为的条件下进行调节，使其跟踪S1中得出的该变量的最优设定值轨迹，并且采用多个固定模型和自适应模型来并行辨识系统的动态特性；S3：所述基础层通过PID作用抑制、消除进入到过程中的扰动对输出的影响，并将该变量的最终优化值送到执行结构。步骤S1中，动态优化求取关键变量的最优值轨迹步骤如下：S11首先将时间区间[t0,tf]分成相同的N段，每段用分段常数轨迹近似最优轨迹，得到N个的待优化控制参数。S12粒子群初始化：设置粒子数m、维数D、两个学习因子c1,c2，位置上下界xmax,xmin及最大迭代次数M，初始位置，初始速度，初始化全局最优解gBest和局部最优解pBestS13计算各粒子适应度，更新局部最优值和全局最优值。S14计算更新速度和更新位置。如果位置超过上下界设定为边界值S15判断是否达到最大迭代次数，若没有则返回c)继续计算。若满足条件则输出当前最优值步骤S2中关于多模型广义预测控制器设计如下被控对象表示为：本文档来自技高网...

【技术保护点】
一种基于动态优化的多模型广义预测控制系统，其特征在于，包括动态优化层、MPC层以及基础控制层；所述动态优化层位于上层，其采用控制向量参数化与粒子群优化算法的结合对经济目标函数进行动态优化获得关键变量的最优值的轨迹，该最优值作为所述MPC层的优化设定值；所述MPC层位于下层，其在待优化变量满足模型动态行为的条件下采用滚动优化的预测算法对待优化变量进行调节，使其跟踪所述最优设定值；所述基础控制层位于底层，其用于将待优化变量的最终优化值送至执行机构。

【技术特征摘要】
1.一种基于动态优化的多模型广义预测控制系统的优化方法，其特征在于，包括以下步骤：S1：动态优化层针对系统的经济目标函数及其时变约束采用控制向量参数化与粒子群优化算法的结合的方法获取关键变量的最优值轨迹，并将该轨迹将作为下层MPC层的最优设定值参考轨迹；S2：MPC层采用滚动优化的预测算法对过程中待优化的变量满足模型参数变化和干扰影响动态行为的条件下进行调节，使其跟踪S1中得出的该MPC层的最优设定值参考轨迹，并且采用多个固定模型和自适应模型来并行辨识系统的动态特性；S3：基础层通过PID作用抑制、消除进入到过程中的扰动对输出的影响，并将该变量的最终优化值送到执行结构；所述关键变量的最优值轨迹的获取过程包括以下步骤：S11：首先将时间区间[t0,tf]分成相同的多段，每段用分段常数轨迹近似最优轨迹，得到多个待优化控制参数；S12：粒子群初始化：设置粒子数m、维数D、两个学习因子c1,c2，位置上下界xmax,xmin及最大迭代次数M，初始位置，初始速度，初始化全局最优解gBest以及局部最优解pBest；S13：计算各粒子适应度，更新局部最优值和全局最优值；S14：计算更新速度与更新位置，如果位置超过上下界则设定为边界值；S15：判断是否达到最大迭代次数，若没有则返回S13继续计算,若满足条件则输出当前最优值；在步骤S2中，被控对象为：A(z-1)y(k)＝B(z-1)u(k-1)+ξ(k)/Δ，多模型集表示为：Δyi(k)＝φi(k)Tθ0(k)+ξi(k)i＝1,2…,m,m+1,m+2其中为实际优化目标对象模型的系统参数，φ(k)为泛指由实际优化目标对象输入输出值按φ(k)＝[-Δy(k-1)…-Δy(k-na)Δu(k-1)+…Δu(k-nb-1)]形式组成的向量集合，φi(k)为第i个模型的输入输出值按φ(k)＝[-Δy(k-1)…-Δy(k-na)Δu(k-1)+…Δu(k-nb-1)]形式组成的向量集合，其中，Δy(k-1)为k-1时刻系统的输出值y(k-1)与k-2时刻系统输出值y(k-2)的差值，Δu(k-1)为k-1时刻系统输入值u(k-1)与k-2时刻系统输入值u(k-2)的差值；其中，ξi(k)表示在k时刻系统的噪声；na表示被控对象；A(z-1)y(k)＝B(z-1)u(k-1)+ξ(k)/Δ中的A(z-1)的阶次，nb表示被控对象A(z-1)y(k)＝B(z-1)u(k-1)+ξ(k)/Δ的B(z-1)的阶次；表示根据递推最小二乘法进行系统动态特性辨识时在k-1时刻的θ0估计值；当i＝1,2,…,m时，θi(k)为固定模型的恒定值，相对于单个模型，m个固定模型可以提高系统的暂态性能，其中，式中z-1为后移算子；y(k)、u(k)、ξ(k)分别为系统的输出，输入和均值为零的白噪声序列；Δ＝1-z-1为差分算子；自适应模型采用如下递推最小二乘法进行系统动态特性的辨识：K(k)＝P(k-1)φ(k)[φ(k)TP(k-1)φ(k)+μ]-1式中0<μ<1为遗忘因子，K(k)为权因子，P(k)为正定协方差阵；多模型切换指标表示为：上式为模型i在时刻k的性能指标，其中ei(k)为第i个模型在k时刻的输出误差，γ和η是当前和过去时刻的误差权重，ρ为误差遗忘因子，L为过去时刻误差长度，在k时刻，会根据性能指标Ji最小切换到相应模型；所述PID的性能优化指标为:

【专利技术属性】
技术研发人员：王昕，宋治强，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：