基于多模型的自适应预测控制算法应用研究

发布时间：2020-06-08 08:59

【摘要】：工业现场中的热工对象往往具有迟延大、惯性大、时变性强、未知干扰因素多的特性,因此,传统控制器很难在被控对象模型发生变化时取得令人满意的控制品质。火电厂中,上述对象更是普遍存在。针对这种被控系统,研究者提出使用多模型自适应控制策略解决热力系统在变工况运行时的时变特性;同样,动态矩阵控制(Dynamic Matrix Control,DMC)算法的提出也是针对解决类似被控对象而出现的控制算法,动态矩阵控制算法作为一种新型的先进控制算法,在近30年中,算法的发展取得了丰硕的成果,形成了具有滚动优化特色的不确定性系统稳定和鲁棒设计的理论体系等优点。基于此,本文在算法设计中将多模型自适应策略与预测控制算法结合起来,构成基于多模型集的动态矩阵控制算法。本文首先将多模型动态矩阵控制算法编写并装载在以西门子S7-300为硬件的设备中,其次,本文为了能够验证算法模块的控制有效性以及对算法进行改进,在实验室建立了一套以双容水箱为非线性被控对象的物理实验平台,实验过程中对模块参数进行改进,最终验证了多模型动态矩阵模块的控制有效性。最后,本文结合国电某二次再热全仿真机组的再热汽温优化项目,利用本文设计的多模型动态矩阵控制模块进行控制。根据实际仿真运行情况,成功验证了控制设备能够有效地克服二次再热系统的大迟延、非线性特性,取得了令人满意的控制效果。
【图文】：

对象z 1z uk uk 0ppI +-Td Naa 1a 1 0 Pd d1y k N1~ Nhh 1h 1z 01101010 ++ 1~yk cor 1~0yk N ykN0~ ykP0~++ y ~1S控制预测 图 2-1 动态矩阵控的算法结构框图优化

（1）第一种是基于加权函数的切换原则，基于概率加权的方法最早出现0 世纪 80 年代后期，其核心，将所有控制器的控制作用按照某种性能指标合加在一起，，共同形成最终的控制作用。（2）第二种是依据切换策略，这种方法同样需要依据某一种性能指标，实时计算出能够使性能指标为最小的控制器，同时选取相应的控制模型。这法在运用过程中，因为需要经常性的切换控制器，往往会对被控对象造成输不稳定性。所有控制任务的首要目标是要求控制的稳定性，通常使用最多的控制为“间接切换控制”。.2 基于加权算法的多模型控制算法研究本文提出的多模型控制系统原理框图如图 3-1 所示，其思想在于,把整个对作空间划分为若干子空间,而每个子空间可以找到一个较精确的固定模型,再加权子模型获得复杂对象的全局近似模型作为预测模型,然后采用线性优化线性优化方法计算预测控制器输出[14]。多模型预测控制算法相较于单一模型算法，主要是通过有效的调度算法合理的分配控制器集中各个控制器的输出是多模型控制区别于单一模型控制之处。
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM621;TP273

【相似文献】

相关期刊论文 前10条

1 刘锦;聂诗良;;基于稳定平台的广义预测控制算法[J];传感器世界;2012年10期

2 徐金榜;罗泠;周永鹏;万淑芸;;升压变换器的电流环预测控制算法[J];华中科技大学学报(自然科学版);2007年07期

3 王子洋;吴刚;郑涛;;一种具有大工作域的非线性预测控制算法(英文)[J];中国科学技术大学学报;2007年12期

4 陈希平,朱秋琴,王彩霞;广义预测控制算法的研究[J];控制工程;2005年S1期

5 初学导;刘晓华;;一种自校正广义预测控制算法[J];曲阜师范大学学报(自然科学版);1989年04期

6 杨平,彭道刚,韩璞,于希宁;神经网络预测控制算法及其应用[J];控制工程;2003年04期

7 雎刚,徐治皋;一种基于变结构的预测控制算法及其应用研究[J];中国电机工程学报;2001年07期

8 雎刚,陈来九;一种新的预测控制算法:模糊预测控制算法[J];控制理论与应用;1998年01期

9 舒迪前;预测控制算法的内模结构及其统一格式[J];控制与决策;1994年01期

10 侯宁;;预测控制算法的研究现状与展望[J];湖北广播电视大学学报;2013年11期

相关会议论文 前10条

1 邹志云;刘建友;李福庆;于鲁平;吴春华;桂新军;;一种新型的线性约束系统预测控制算法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年

2 古钟璧;王祯学;王苇;;具有误差预测修正的预测控制算法[A];1991年控制理论及其应用年会论文集（上）[C];1991年

3 毛志忠;陈晓峰;;一种简化的预测控制算法[A];1995中国控制与决策学术年会论文集[C];1995年

4 张阿卜;倪春木;;基于模糊模型的一步超前预测控制算法[A];2001年中国智能自动化会议论文集（上册）[C];2001年

5 薛振框;李少远;;多模型预测控制算法及其在热工过程中的应用[A];第二十二届中国控制会议论文集（下）[C];2003年

6 孙银山;李平;窦仁菊;石向星;;采用综合偏差的自调节灰色预测控制算法[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年

7 田仕军;戴文战;杨爱萍;;一种改进的多变量广义预测控制算法[A];第24届中国控制与决策会议论文集[C];2012年

8 阎纲;梁昔明;龙祖强;李翔;;一种新的提前一步预测控制算法[A];第二十七届中国控制会议论文集[C];2008年

9 王平;田学民;;一种基于敏感度方程的非线性预测控制算法[A];第二十七届中国控制会议论文集[C];2008年

10 田仕军;戴文战;杨爱萍;;一种改进的广义预测控制算法在大时滞系统中的应用[A];第24届中国控制与决策会议论文集[C];2012年

相关博士学位论文 前10条

1 刘振;应用于嵌入式系统的快速模型预测控制算法研究[D];浙江大学;2018年

2 李奇安;广义预测控制算法简化实现方法研究[D];浙江大学;2005年

3 李志勇;迭代预测控制算法及其应用研究[D];中南大学;2006年

4 李素真;监督预测控制算法的应用研究[D];华北电力大学;2015年

5 牛健;双时标预测控制算法的研究[D];浙江大学;2010年

6 余世明;预测控制算法及其应用研究[D];浙江大学;2001年

7 李丽娟;最小二乘支持向量机建模及预测控制算法研究[D];浙江大学;2008年

8 罗秋滨;一类非线性系统预测控制中的建模问题[D];哈尔滨工业大学;2008年

9 赵慧荣;多目标经济预测控制算法及其在锅炉低氮燃烧优化中的应用研究[D];东南大学;2017年

10 万娇娜;基于有限精度求解的非线性预测控制算法研究[D];浙江大学;2011年

相关硕士学位论文 前10条

1 刘冠甫;基于多模型的自适应预测控制算法应用研究[D];华北电力大学;2019年

2 杨娜云;鲁棒分布式模型预测控制算法研究[D];华北电力大学(北京);2019年

3 王鑫;分布曲线对象的形态预测控制算法研究[D];浙江大学;2019年

4 袁一丁;基于非参数模型的协调系统预测控制算法研究[D];华北电力大学;2018年

5 梁薇;基于物理平台的多变量大迟延系统的预测控制算法研究及实现[D];华北电力大学;2018年

6 靳俊发;基于IELM-ARMAX组合模型的水泥熟料烧成系统预测控制算法研究[D];燕山大学;2017年

7 王凯宸;基于物理平台的大迟延对象预测控制算法研究及实现[D];华北电力大学;2017年

8 张雨辰;基于预测控制算法的无线并联变换器延时补偿研究[D];安徽工业大学;2016年

9 张小艳;基于机理模型的双层结构工业预测控制算法的研究[D];浙江大学;2015年

10 李济炜;基于多步控制策略的随机乘型系统预测控制算法设计[D];上海交通大学;2013年

本文编号：2702841