基于多模型广义预测控制器的预测控制方法及系统的制作方法
【专利摘要】本发明公开了一种基于多模型广义预测控制器的预测控制方法，在抑制过程扰动的同时，使预设的期望输出值跟踪所述最优设定值轨迹，并采用多个固定模型和多个自适应模型并行辨识系统的动态特性，获得系统的实际输出值和最优的输入控制量。本发明还提供了一种预测控制系统，采用DRTO双层结构，用多模型广义预测控制器代替现有的单模型广义预测控制器。本发明具有以下有益效果：更好地匹配了生产中的实际过程特征，降低系统成本消耗，提高系统经济效益；提高了系统暂态性能和系统模型参数跳变时系统的调节能力；可以有效的消除扰动对系统输出的干扰；降低由于DRTO双层结构中优化层与控制层模型不一致对经济效益的影响。
【专利说明】基于多模型广义预测控制器的预测控制方法及系统
【技术领域】
[0001]本发明属于模型预测控制(MPC)【技术领域】，具体涉及一种基于多模型广义预测控制器的预测控制方法及系统。
【背景技术】
[0002]工业过程中日益激烈的竞争要求设备操作更加灵活来提高生产率，降低生产成本，这需要将经济优化结合到设备操作中的规划、调度、优化、控制各个阶段。现有的技术像典型的双层RTO结构，该结构包括一个基于经济指标的实时优化器(RTO)和一个模型预测控制器(MPC)。上层的RTO层通过解决基于稳态模型的实时优化问题来获取输出对象的最优设定值，并将最优设定值传给下层的MPC层，MPC层主要工作是抑制消除扰动的影响使输出对象尽可能的追踪最优设定值。基于稳态模型的双层RTO结构已成功运用到复杂的化工、石油工业过程中，并取得了很好的效果。但是这种双层RTO结构存在不足，因为RTO层采用稳态模型，因此只能在系统达到稳定时进行经济优化，对于实现灵活性和经济效益存在局限性，特别是对于需要考虑系统动态特性的过程像存在级数转换和批量处理的连续过程的优化效果不理想。且当上层优化问题和下层控制问题分别在不同的频率和采用不同的模型来执行时，不能准确的运用相同的信息，所以有扰动时会存在冲突或最优运行点可能是次优的。
[0003]为此，Kadam提出将动态实时优化(DRTO)与MPC结合组成DRTO双层结构来处理大规模的工业过程，上层为一基于过程动态模型的DRTO层，在较慢的速率下执行，下层结构采用MPC控制器追踪上层得出的最优设定轨迹来处理过程中的干扰，用动态模型替代稳态模型可以很好地处理系统的动态特性。现有的采用DRTO双层结构的预测控制系统如图4所示，包括动态实时优化层、模型预测控制层和基层控制层，其中，动态实时优化层包括初始指标生成模块和动态实时优 化器，模型预测控制层采用单模型广义预测控制器；指标生成模块确定上层的经济优化指标，将最大化经济效益和最小化消耗成本的实现方式与实现约束体现在经济目标函数Φ和约束条件h当中；动态实时优化器通过优化经济目标函数得到对象输出的最优设定值轨迹yMf。x，d分别为状态值和过程扰动，由于动态实时优化层在一个较慢的时间尺度执行优化，而模型预测控制层将在一个较快的时间尺度执行，即双层结构是在不同的时间尺度执行，所以需要一个时间尺度分离器。△ t为采样周期，即每隔Δ t时间，优化器将进行一次重新优化，最优设定值轨迹进行更新，最终控制器得到最优输入控制量U给基层控制系统。I为系统的输出值，根据该输出值I估计状态值X，进行下一次滚动优化。
[0004]在之前学者们所设计的DRTO双层结构中，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如特需解决的一个问题。
【发明内容】
[0005]为了克服现有技术中存在的缺陷，本发明提供一种采用DRTO双层结构的基于多模型广义预测控制器的预测控制方法及系统，具体的技术方案如下:
[0006]基于多模型广义预测控制器的预测控制方法，包括如下步骤:
[0007]步骤SI，根据最大化经济效益和最小化消耗成本的目的生成经济目标函数和约束条件；根据预设的采样周期滚动执行步骤S2和S3 ；
[0008]步骤S2，根据约束条件对经济目标函数进行动态实时优化，获得一最优设定值轨迹；
[0009]步骤S3，在抑制过程扰动的同时，使预设的期望输出值跟踪最优设定值轨迹，并采用多个固定模型和多个自适应模型并行辨识系统的动态特性，获得系统的实际输出值和最优的输入控制量；
[0010]步骤S3进一步包括:
[0011]步骤S31，采用CARIMA模型描述受过程扰动的被控对象；
[0012]步骤S32，将被控对象描述为多模型集；
[0013]步骤S33，根据预设的性能指标函数，系统自动切换到性能指标最小的模型；该性能指标最小的模型的输出值即为系统的实际输出值；
[0014]步骤S34，设置性能优化指标，将最优设定值轨迹代入性能优化指标，根据MPC算法获得最优的输入控制量。
[0015]作为优化方案，步骤S31具体为，CARIMA模型如式(I)所示:
[0016]A(z-1)y(k) = B (z-1) u (k_l) + ξ (k) / Δ (I)
[0017]其中，肩Χι)= 1 + --,ζ4 +……+ η., B(zA) = bij+blzA +,+Λ/、，式中 z-1 为后
移算子，7 00、1!(10、€ (k)分别为系统的实际输出值、输入控制量以及均值为零的白噪声序列，Δ = l-z—1为差分算子；a、b分别为关于τ'多项式A O与Β()的元素系数；
[0018]式(I)又可以表示为:
[0019]Δ y (k) = A1 (z-1) Δ y (k)+B (z-1) Δ u (k_l) + ξ (k) (2)
[0020]其中，A1(z-l) = 1_Α(ζ_1) ο
[0021]作为优化方案，步骤S32具体为，将被控对象描述为多模型集，如式(3)所示:
[0022]Δ y (k) = Φ (k)τ Θ 0 (k) + ξ (k) (3)
[0023]其中，Φ(k) = [-Ay (k-1)...-Ay (k_na) Δ u (k_l) +...Δ u (k-nb_l)]，
= [V.為…\;由式(3)得到多模型集的向量表示，如式(4)所示:
[0024]Δ Yi (k) = Φ i (k)τ Θ 0 (k) + ξ i (k) (4)
[0025]其中，i = 1，2...，m，m+l，m+2 ;当i = 1，2，…，m时,Θ i (k)为固定模型的恒定参数；当i = m+1, m+2时,模型为自适应模型。
[0026]作为优化方案，步骤S32进一步包括:[0027]自适应模型采用递推最小二乘算法实时辨识系统参数，如式(5)所示:
[0028]
【权利要求】
1.基于多模型广义预测控制器的预测控制方法，其特征在于，包括如下步骤: 步骤Si，根据最大化经济效益和最小化消耗成本的目的生成经济目标函数和约束条件；根据预设的采样周期滚动执行步骤S2和S3 ； 步骤S2，根据所述约束条件对所述经济目标函数进行动态实时优化，获得一最优设定值轨迹； 步骤S3，在抑制过程扰动的同时，使预设的期望输出值跟踪所述最优设定值轨迹，并采用多个固定模型和多个自适应模型并行辨识系统的动态特性，获得系统的实际输出值和最优的输入控制量； 所述步骤S3进一步包括: 步骤S31，采用CARIMA模型描述受过程扰动的被控对象； 步骤S32，将所述被控对象描述为多模型集； 步骤S33，根据预设的性能指标函数，系统自动切换到性能指标最小的模型；该性能指标最小的模型的输出值即为系统的实际输出值； 步骤S34，设置性能优化指标，将所述最优设定值轨迹代入所述性能优化指标，根据MPC算法获得最优的输入控制量。
2.根据权利要求1所述的基于多模型广义预测控制器的预测控制方法，其特征在于，所述步骤S31具体为,所述CARIMA模型如式(I)所示:
3.根据权利要求2所述的基于多模型广义预测控制器的预测控制方法，其特征在于，所述步骤S32具体为，将所述被控对象描述为多模型集，如式(3)所示:
Δ y (k) = φ (k)τ Θ 0(k) + ξ (k) (3)其中，Φ(10 = [ - Δ y (k-1)...- Δ y (k-na) Δ u (k~l) +...Δ u (k-nb-l)],…H由式(3)得到多模型集的向量表示,如式(4)所示:
Δ Yi (k) = Φ i (k)τ Θ 0 (k) + ξ i (k) (4) 其中，i = l, 2...，m，m+l，m+2 ;当i = 1，2，…，m时，Θ Jk)为固定模型的恒定参数；当i = m+1, m+2时,模型为自适应模型。
4.根据权利要求3所述的基于多模型广义预测控制器的预测控制方法，其特征在于，所述步骤S32进一步包括: 所述自适应模型采用递推最小二乘算法实时辨识系统参数，如式(5)所示:
5.根据权利要求3或4所述的基于多模型广义预测控制器的预测控制方法，其特征在于，所述步骤S33具体为: 所述性能指标函数如式(6)所示:
6.根据权利要求5所述的基于多模型广义预测控制器的预测控制方法，其特征在于，所述步骤S34具体为: 采用阶梯式控制策略，将控制增量规划为一阶指数形式，所述控制增量即为所述输入控制量的增量，如式(7)所示:
Δu(k+j k) = β Δ (k+j-1 k), j = I, 2...，Nu-1 (7) 其中，Au(k+j|k)为k时刻对k+j时刻的控制增量，Nu为控制时域，β为阶梯因子； 设置k时刻的性能优化指标，如式(8)所示: -V-Vr-
min J(k) = E{X [y(k + j\K)-wr(k+ j)f 十艺 χ[Διι(* +./ — 11 kf}.,1-"(S) 其中，E{.}为数学期望，Nu为控制时域，λ为控制加权系数，N为优化时域终止时刻，wr (k+j) = a Wr (k+j-1)+ (1-α)产(k+j)为所述期望输出值，式中α为柔化因子，O < α<1，yref为所述最优设定值轨迹； 引入丢番图方程，如式(9)和式(10)所示:
I = Ej (ζ_1)Α(ζ_1) Δ +Z-jFj (z_1) (9)
7.根据权利要求1所述的基于多模型广义预测控制器的预测控制方法，其特征在于，还包括步骤S4:消除所述过程扰动对系统的实际输出值的影响，得到最终输出值。
8.基于多模型广义预测控制器的预测控制系统，包括:动态实时优化层和模型预测控制层，其特征在于， 所述动态实时优化层包括初始指标生成模块和动态实时优化器；其中，所述初始指标生成模块用于生成经济目标函数和约束条件，所述动态实时优化器用于，根据所述约束条件对所述经济目标函数进行动态实时优化，输出一最优设定值轨迹； 所述模型预测控制层包括多模型广义预测控制器，所述多模型广义预测控制器内包括多个预测模型，所述预测模型中包括多个固定模型和多个自适应模型；所述多模型广义预测控制器用于在抑制过程扰动的同时，使预设的期望输出值跟踪所述最优设定值轨迹，并采用多个固定模型和多个自适应模型并行辨识系统的动态特性，获得系统的实际输出值和最优的输入控制 量。
9.根据权利要求8所述的基于多模型广义预测控制器的预测控制系统，其特征在于，还包括基层控制层，所述基层控制层用于消除所述过程扰动对系统的实际输出值的影响，输出最终输出值到一执行机构。
10.根据权利要求9所述的基于多模型广义预测控制器的预测控制系统，其特征在于，所述基层控制层包括PID控制器。
【文档编号】G05B13/04GK103472723SQ201310363168
【公开日】2013年12月25日 申请日期:2013年8月19日 优先权日:2013年8月19日
【发明者】王昕 , 宋治强 申请人:上海交通大学