1、單神經元無辨識自適應預估控制算法及在過熱汽溫控制中的仿真研究第25卷第2期2005年1月中國電機工程Vo1.25No.2Jan.2005!蘭望2005Chin.Soc.forElec.Eng.文章編號:0258-8013(2005)02-0103-06中圖分類號:TP223;TK273文獻標識碼:A學科分類號:470.20單神經元無辨識自適應預估控制算法及在過熱汽溫控制中的仿真研究羅文廣,覃偉年(廣西工學院電子信息與控制工程系,廣西壯族自治區柳州市545006)ADAPTIVEPREDICTIVECoNTRoLALGoRITHMoFSDGLENEURoNIDENTIFICATIoN-FREEA

2、LGoRITI玎ANDSIII.ATIoNRESEARCHoFSUPERHEATEDSTEAMTEN.ERATURECoNTRoLLUOWenguang,QINWeinian(DepartmentofElectronicandControlEngineering,GuangxiUniversityofTechnology,Liuzhou545006,GuangxiZhuangAutonoumousRegion,China)ABSTRACT:ForimplementingexcellentcontroltOnonlinearsystemswithlongtime-delay,anoveladap

3、tivepredictivecontrolalgorithmofidentification-freealgorithmisproposedbycombiningasingleneuronwiththeidentification-freeadaptivecontrolalgorithm.TherestrictionconditiontOselectanappropriateweighttOreplacetheoriginalcontrolparameter,isderivedbasedonthebasicprincipleappliedtOderivetheself-adjustingequ

4、ationoftheidentificationfreecontrolparameter.Andtheimprovedweight-learningalgorithmwithmomentumitemreplacestheself-adjustingequationinordertOenhanceitsself-adjustingabllity.Asimulationforsuperheatedsteamtemperaturecontrolofasupercriticalonce-through600MWboilerusingpresentedalgorithmiscarriedout,andt

5、heresultsshowtheapplicability,theexcellentcontrolperformanceandenhancedrobustnessandself-adaptabilityoftheschemeinsolvingcomplicatedsystem.ThecontrolparametersareeasytosetbecauseofundemandingprecisiontOthepredictivemodel,therefore,theschemeiseasyforapplication.KEYWORDS:ThermalPowerengineering;Predic

6、tivecontrol;Identification-free:Adaptivecontrol:Neuron;SuperheatedSteamtemperature摘要:為了實現非線性,大時滯系統的良好控制,提出了一種新型的無辨識自適應預估控制算法.該算法將神經元結合到無辨識自適應控制律中,借鑒推導無辨識自適應控制參數自校正算式的基本思想建立約束條件,據此選擇適當的權值取代原控制參數,并用加入動量項的改進算法取代該參數的校正計算式,提高控制參數的自校正能力.將該算法應用基金項目:廣西科學基金項目(桂科自0135065;桂科基0448012).于600MW超臨界機組直流鍋爐的過熱汽溫控制,進行仿

7、真研究,結果表明該算法的有效性,并具有良好的控制品質,較強的魯棒性和自適應能力;且該算法對預估模型的精度要求不高,控制參數容易整定,易于工程實現.關鍵詞:熱能動力工程;預估控制:無辨識:自適應控制;神經元;過熱汽溫1引言Marsik和Strejc提出了一種無辨識自適應控制算法【l】,該法無需建立過程的數學模型,只需在線檢測過程的實際輸出及期望輸出便可實現過程自適應控制.該算法計算工作量小,容易實現,無疑為解決不確定過程,時變系統控制難的問題提供了一條好的途徑;但它卻不能解決工業過程中普遍存在的大時滯問題.為此一些學者對算法進行改進.文獻【2】借鑒Smith預估控制的思想,在無辨識控制中加入Sm

8、ith預估器,解決了該算法的大時滯過程控制問題;文獻【3】則用神經網絡預估模型代替常規的Smith預估器;文獻【4】利用具有預測功能的模糊控制器校正無辨識自適應控制律.火電廠鍋爐過熱器的過熱蒸汽溫度是一類大時滯,大慣性,時變性和非線性的典型對象,其控制系統目前主要采用常規的串級式PID控制,但由于系統受到的干擾因素很多,干擾量通常也較大,因此很難獲得好的控制效果,尤其工況發生變化時甚至造成系統不穩定.為此,人們提出一些自適應控!中國電機工程第25卷制方法來改善其控制品質.文獻【5】采用模糊規則和推理自適應地調節PID的參數;文獻【6】采用模糊自適應預測函數控制策略;文獻【7】則提出一種具有一定

9、適應能力的PID型模糊控制器;文獻【8】研究一種適用的模糊神經網絡預測控制器;文獻【910使用遺傳算法來優化PID控制器的參數.這些自適應控制方法均能有效地提高鍋爐汽溫控制系統性能.本文利用單神經元控制器結構簡單,具有自組織自學習能力,對系統(對象)模型精度要求不高以及抗干擾能力和魯棒性強等特點,在文【2】的基礎上,將神經元與無辨識自適應控制律結合起來,進一步提高控制系統的魯棒性和自適應能力.將所提出的新型預估算法應用于過熱汽溫的控制,最后經仿真研究證實其有效性.2新型預估算法2.1單神經元無辨識自適應控制算法Marsik和S骶ic提出的無辨識自適應控制算法可描述為au(k):g(足)【P(足

10、)+2(足)(足)+2(足)P(足)】(1)其中au(k)為控制器的輸出增量;e(k),Ae(k),AP(足)分別為系統偏差及其一階,二階差分;g(k)為控制器增益;瓦(足)為控制器參數,它們具有如下的在線校正方法:(足)=L*sgnIAe(k)l-(七一1)lP(足)1(2)其中,0.05r0.1.ag(k)=sgn=sgn)】(3)Ig(k)=0.75g(k一1)sgne(k)】sgne(k一1)】其中,0.025C0.05.上述控制器的自適應問題其實就是參數g(k),(足)在線校正問題,因此這些參數的初值及其自校正算式中參數的選擇對控制系統性能有很大影響.三輸入的神經元控制特性描述為Au

11、(k)=K(k)Z(足)(足)-K(k)(足)(足)(4)i=13wi(k)=wj(足)/1wj(足)I(5)i=1其中(足)為比例系數;(足)為權值,其學習算法采用加入動量項的改進算法,即(足+1)=(足)+rlir(k)一y(k)lxi(足)+a/w/(足)一w/(七一1)】(6)式中r(k)為給定信號;y(k)為被控對象的實際輸出;r/i為學習率;為動量系數,取值范圍為0.11t”】,通常取0.9.狀態變量取為I.(足)=P(足)xa(k)=ae(k)=xl(足)一(七一1)(7)【x3(k)=Ae(k)=xa(k)一xa(k一1)這樣,式(4)變換為Au(k)=(足)【P(足)+w2(

12、k)Ae(k)+w3(k)AP(足)】(8)將上述的無辨識自適應控制和神經元控制進行比較:(1)由式(1)與式(8)可見兩者具有相同的結構形式,這是兩者結合的基礎.(2)兩者均為自適應控制.無辨識自適應控制的參數g(k),(足)在線校正;神經元控制的權值在線學習,比例系數無對應的自調整算式.(3)式(2)和式(6)均只需在線檢測過程的實際輸出及期望輸出(給定值)即可實現參數的在線校正.式(2)的調整范圍受到一定限制,校正能力弱些,而式(6)的校正能力較強.(4)無辨識自適應控制的參數g(k)的自校正算式來源于穩定性分析,而推導參數(足)的自校正算式時主要考慮控制效果n】.為此,結合兩者的優點,

13、構造一種新型的單神經元無辨識自適應控制算法.構造新算法首先要必須保證其穩定性,其次考慮其性能問題.構造算法如下:(1)控制律保持為式(1),即本質上仍為無辨識控制.(2)神經元的比例系數K(k)用g(k)代替,因而具有了自校正能力.K(k)取值受穩定性限制.神經元控制系統的閉環穩定性分析存在一定困難,文121借用線性系統的穩定性分析方法,利用復變函數中的Rouche定理,針對常見的一類工業過程(二階慣性加時滯),得到穩定性條件為K(k)<1/Ko(9)式中為對象的開環增益.式(9)作為K(k)在線校正的約束條件.(3)關于控制參數瓦(足)的校正計算,這里提供兩種方案.第2期羅文廣

14、等:單神經元無辨識自適應預估控制算法及在過熱汽溫控制中的仿真研究105第1種方案:用神經元學習獲得的權值w2(k),以(足)分別取代式(1)中的2L(k),2(足),即2(足)=(足),2(足)=以(足),而(足)的校正計算式仍然采用式(2),這時該參數的作用已經降低,不再是控制算式的直接控制參數,而僅僅作為校正g(k)的一個參數.該方案實際上改變了式(1)中第2,第3項的系數關系,本質上對無辨識控制律作了較大修改.第2種方案:用以(足)取代2(k),或用以(足)取代2(足),兩者取其一,保持式(1)中第2,第3項的系數關系.該方案嚴格地保持了無辨識控制律,只是用權值的學習算法取代了,(k)的

15、校正算式.由于(k),(足)分別通過各自學習而得到,一般說兩者的結果不一致,因此,在實時的調節過程中兩者必須擇其一.下面給出選擇權值的約束條件.約束條件的推導來源于Marsik和Strejc推導控制參數自校正算式的基本思想【l】:使組成增量型控制算法的各項控制量絕對值的平均值相等.該思想可以使控制器獲得較好的控制效果.以式(8)來說,應有I(足)I=w2(k)lAe(k)I=Wa(k).A2e(k)l(10)要絕對滿足式(10)的可能性不大,可采用近似相等的關系.若以(足)計算,有)Iw2(k)lAe(k)I以及)I寺(k).A2e(k)l,定義(足)【(足)l】D121e(k)¨l

16、一若以以()計算,有Ie()Iw3(k)A2e(k)I以及l(足)l,/2w3(足)IAe(k)I,定義:2le(k)I遵循無辨識控制參數校正的思想,選擇(k),以(足)的約束條件為:若lD1-1I<IDE-1I則選擇(k),反之選擇以(足),即選擇的權值應使或D1最接近1.以下的討論是基于第2種方案開展的.2.2新型預估控制算法用單神經元無辨識自適應控制器取代文獻2】中的無辨識控制器,即可得到新型的預估控制算法,如圖1所示.圖1中,G(z)為預估模型;d=f/,為純滯后時間;d為預估的純滯后時間.由于工業過程(對象)特性通常是時變的,純滯后時間也會是時變的,精確預估出純滯后時間

17、難度較大,這里引用文獻【2】的搜索算法,即G(z)一z一【G(z)min(13)該搜索算法的基本思想是給出純滯后時間的搜索范圍,在系統的實時過程中按式(13)進行搜索,以獲得滿意的純滯后時間.圖1單神經元無辨識自適應預估控制算法框圖Fig.1Blockdiagramofadaptivepredictivecontrolalgorithmofsingleneuronidentification-freealgorithm本新型預估控制算法的計算步驟如下:步驟1給出預估模型G(Z),選用一階慣性環節模型即可;步驟2給出純滯后時間的搜索范圍In1,2】;步驟3由預估模型計算出無滯后的輸出,即)(足)

18、,)(七一1),)(七一);步驟4根據搜索算法,按下式進行搜索()=rrfiny(k)一Y(k)naJ,l2獲得的.口為d;步驟5計算預估輸出yP(k)及其偏差ep(k);步驟6將預估值代入式(6)進行權值學習,獲得權值;步驟7計算DI和D,由約束條件選擇權值;步驟8校正g(k),考慮式(9)的約束;步驟9根據式(1)計算出控制量Au(k)及u(k):步驟10k=k+1,轉步驟3,進行新一輪計算.3仿真研究文獻5】給出了600MW超臨界機組直流鍋爐高溫過熱器的過熱汽溫的數學模型,其研究表明模型參數隨著工況變化將有很大的變化,工況參數主蒸汽流量D,壓力P和溫度對其均有影響,尤其主蒸汽流量影響最大

19、.本文僅考慮100%和75%負荷下的工況.已知對象的傳遞函數G1()100%=0.815/(1+18s)(14)106中國電機工程第25卷G2()l00%=1.276/(1+18.4s).(15)Gl()75%=1.657/(1+20s)(16)G2()75%=1.202/(1+27.1s)(17)上述式中下標”1”為前導區;”2”為惰性區;“100%”為滿負荷(主蒸汽流量D=527.8kg/s);“75%”為75%的負荷(主蒸汽流量D=347.9kgs).現有的過熱汽溫控制主要采用常規的串級式PID控制,主回路采用PID控制器,副回路采用P控制器.若保持副回路的控制器不變,用單神經元無辨識自

20、適應預估控制取代主回路控制器,如圖2所示.圖2中G()為預估模型,為預估的純滯后時間,r為給定值,n為擾動值.為了便于仿真,將P,Gl(S),G2(S)處理為廣義對象G():(18)1+P.Gl()運用pade近似方法進行降階處理以及將大慣性環節轉換為純滯后環節后,獲得典型的二階慣性環節加純滯后環節的等效近似方程(處理過程中P=25【】,100%負荷時:G()=一e(19)1796s+56s+l175%負荷時:G(s)=一e-62(20)圖2過熱汽溫的單神經元無辨識自適應預估控制結構圖Fig.2Blockdiagramofsingleneuronidentification?freepredi

21、ctortosuperheatedstesmtemperature仿真實驗結果如圖3圖8所示.圖中,曲線1為采用本文方法的結果(整定的初始參數g(0)=1.25,C=0.05,權值初值(0)=14,w3(0)=0.01,學習率772=14,r/3=0.1),曲線2為采用文獻2】提出的無辨識自適應預估控制算法的結果(整定的初始參數g(0)=1.25,rv(0)=1.7,r=0.05,C=0.05),曲線3為采用常規的串級式PID控制的結果(Ke=1.2,KI=0.0127,K=28.6).以上參數是在超臨界態(即100%負荷)下設定的.純滯后時間的搜索范圍為30,80】.預估模型選擇如式(21)

22、所示的一階慣性環節,采用零階保持器方法進行離散化.以下討論中,預估模型的參數取為K1=2.5,=86,且G()=一(21)7+1本文采用的機理模型與實際對象動態特性之間存在一定的偏差,但用于驗證算法的有效性是可行的.仿真實驗結果說明:(1)圖3表明本文算法和文獻2】算法對過熱汽溫的控制均具有良好的控制效果,明顯優于常規的串級式PID控制,且本文算法還具有響應速度快的特點.圖4則說明前兩種算法在控制過程中噴水量的變化更易于穩定.(2)圖5說明本文算法應用于諸如過熱汽溫等大時滯系統(對象)具有更好的抗擾動能力.(3)圖6為預估模型發生較大變化時(K1=1.42,=45)本文算法和文獻2】算法的實驗

23、結果,以及K保持不變,=100時本文算法的實驗結果(曲線1.).兩種算法均能有效地保持控制的穩定性和穩態精度,說明它們對預估模型精度要求不高.本文算法具有更好的控制效果:較小的超調量和較短的調節時間.由曲線1.可見,在預估模型開環增益不變的情況下,慣性時間常數的變化幾乎對控制性能不產生影響,該實驗結果進一步說明本文算法對預估模型精度要求不高.(4)圖7顯示本文算法的w2(0)由14變化為0.01和文獻2】算法的rv(0)由1.7變化為7后的響應曲線,與圖3比較可知,本文算法的控制效果幾乎沒有變化,而文獻2】算法在參數變化后產生較大的超調和調節時間增加.該結果說明,本文算法對控制器參數變化具有更

24、強的魯棒性.(5)圖8顯示鍋爐過熱器的負荷由100%切換至75%(由超臨界態切換至亞臨界態),即在控制對象參數變化時,控制器參數不變情況下的控制效果.由圖8可見,常規的串級式PID控制已無法保證系統的穩定性.在預估模型保持不變情況下,本文算法和文獻2】算法仍然能有效地保持控制的穩定性和穩態精度,說明它們對控制對象工況變化具有較強的魯棒性,且本文算法具有更好的控制效果和更強的魯棒性.曲線1為本文算法在控制器參數不變情況下預估模型適應性地變化為(=1.8,=100)時的控制結果.可見,工況變化時預估模型適應性修改可使系統獲得更好的控制效果.由于算法對預估模型精度要求不高,所以對預估模型參第2期羅文

25、廣等:單神經元無辨識自適應預估控制算法及在過熱汽溫控制中的仿真研究數進行適應性修改是比較容易實現的,一般方法是,其開環增益通過對實際工況測試獲得,慣性時間常數取值原則是:負荷大時取較小值,反之則取較大值.圖3給定值作單位階躍時系統輸出響應曲線Fig.3Systemoutputresponsecurveassetpointstep02O040O6OOtls圖7控制參數變化時系統輸出響應曲線vi.7Systemoutput蜮curveascmltrp|虹堪chan04008ool20os圖8負荷由100%切換至75%時系統輸出響應曲線Fig.8Systemoutputresponsecurve88

26、leadsfrom100to75percent020o4oo600t/s圖4給定值作單位階躍時噴水量的變化曲線4結淪Fig.4Changingcurveofspray-waterflowassetpointstep圖5擾動作單位階躍變化時系統輸出響應曲線Fig.5Systemoutputresponsecurveasdisturbancestep圖6預測模型變化時系統輸出響應曲線Fig.6Systemoutputresponsecurveaspredictivemodelchanging本文在文獻2】的基礎上,將神經元結合到無辨識自適應控制中,構造一種新的單神經元無辨識自適應預估控制算法,使其

27、能夠應用于大慣性,大時滯,非線性和時變性系統(對象)的控制.在算法構建過程中,嚴格保持無辨識自適應控制律,利用推導無辨識自適應控制參數自校正算式的基本思想,建立約束條件選擇適當的權值取代原控制參數,(足),用權值的學習算法取代,(足)的自校正算式,提高控制參數的自校正能力,并采用加入動量項的改進的算法提高權值的學習能力和速度.將該算法應用于6o0Mw超臨界機組直流鍋爐的高溫過熱器的過熱汽溫控制,仿真實驗結果表明該算法具有良好的控制品質,并且對控制器參數變化,控制對象工況(參數)變化具有強的魯棒性,對預測模型的精度要求不高.若工況發生變化時,本算法在控制器參數不變的情況下,只要對預估模型參數進行

28、適當的適應性修改,就會取得更好的控制效果.參考文獻1】Marsik.J,StreicVApplicationofIdentification-freealgorithmsforadaptivecontrol【J】.Automatica.1989,25(2):273-277.108中國電機工程第25卷2】江青茵.無辨識自適應控制預估算法及應用J】.自動化,1997,23(1):107111.JiangQingyin.Predictivealgorithmsofidentification-freealgorithmsforadaptivecontrolanditsapplicationJ,ACT

29、AAutomaticaSinica,1997,23(1):107-l11.3】靳其兵,謝祖榮,田野,等.無辨識自適應算法的大滯后對象的控制方法.石油化工高等學校,2002,l5(2):68.71.JinQibing,XieZurong,TianYeeta1.Acontrolschemeforplantwithlargedelayusingidendfication-freealgorithmforadaptivecontrolJ.JournalofPetrochemicalUniversity,2002,l5(2):68-71.【44喬俊飛,孫雅明,柴天佑.基于模糊預測的自適應控制方法及應用.

30、電工技術,2000,l5(4):67-70.QiaoJunfei,Sunyarning,ChaiTianyou.AdaptivecontrolmethodbasedonfuzzpredictionanditsapplicationJ.TransactionsofChinaElectrontechnicalSociety,2000,15(4):67-70.5】范永勝,徐治皋,陳來九.基于動態特性機理分析的鍋爐過熱汽溫自適應模糊控制系統研究J】.中國電機工程,1997,l7(1):2328.FanYongsheng,XuZhigao,ChenLaijiu.Studyofadaptivefuzzyc

31、ontrolofboilersuperhearteds”釉temperatttrebasedondynamicmechanismanalysis冊.ProceedingsoftheCSEE,1997,l7(1):2328.6】王國玉,梅華,韓璞,等.主汽溫系統模糊自適應預測函數控制J.中國電機工程,2003,23(10):230-235.WangGuoyu,MeiHua,HanPueta1.FuzzyadaptivepredictivefunctioncontrolinmainsteamtemperaturesystemJ.ProceedingsoftheCSEE,2003,23(10):230-235.7】胡一倩,呂劍虹,張鐵軍.一類自適應模糊控制方法研究及在鍋爐汽溫控制中的應用.