CN106444388A - 一种焦炭炉炉膛压力的分布式pid型动态矩阵控制方法 - Google Patents
一种焦炭炉炉膛压力的分布式pid型动态矩阵控制方法 Download PDFInfo
- Publication number
- CN106444388A CN106444388A CN201611111853.8A CN201611111853A CN106444388A CN 106444388 A CN106444388 A CN 106444388A CN 201611111853 A CN201611111853 A CN 201611111853A CN 106444388 A CN106444388 A CN 106444388A
- Authority
- CN
- China
- Prior art keywords
- delta
- intelligent body
- moment
- output
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种焦炭炉炉膛压力的分布式PID型动态矩阵控制方法。本发明首先通过采集实时阶跃响应数据建立被控对象的动态矩阵模型向量,再将大规模***的在线优化实现问题转化为各个小规模子***的优化求解问题,并把网络环境下的每个子***看作一个智能体,同时各智能体之间通过网络通信完成信息交换。然后通过引入PID算子建立一种改进的性能指标,并依据纳什最优思想来设计各智能体的PID型动态矩阵控制器,再将当前时刻的即时控制律作用于每个智能体,并将时域滚动到下一时刻,重复上述优化过程,从而完成整个大规模***的优化任务。本发明在保证***整体控制品质的同时,有效弥补了传统 DDMC方法的不足,并提高了控制参数设计的自由度。
Description
技术领域
本发明属于自动化技术领域,涉及一种焦炭炉炉膛压力的分布式PID型动态矩阵控制方法。
背景技术
实际过程中往往存在着大量复杂高维的大规模***,其变量和约束的数目通常有几十个甚至上百个之多,因而针对这样一类大规模预测控制的在线实施问题便显得尤为重要。分布式动态矩阵控制(DDMC)作为分布式预测控制(DMPC)的一个主要分支,综合利用网络通信技术和控制理论,把一个复杂大规模***的在线求解问题分散到各个子***中分布实现,有效降低了问题的规模和复杂性,能很好的控制存在多变量、强耦合、不确定的被控对象,改善了***的控制性能。然而传统DDMC方法通常在线计算量较大,采样周期也不宜过小,从而不能使扰动受到快速抑制。因而对于模型阶次,环境扰动、非线性等方面存在不确定性较大的控制***,常规的DDMC方法通常难以达到预期的控制效果。传统的PID控制由于其控制结构简单、操作方便、鲁棒性强等优点,一直被广泛的应用于实际工业过程中。如果能够在实际过程中将PID控制同DDMC方法相结合,在保证***良好控制性能的同时,又提高了控制参数设计的自由度。
发明内容
本发明目的是针对传统DDMC方法应用于模型阶次,环境扰动、非线性等方面存在不确定性较大的控制***的不足之处,提出了一种焦炭炉炉膛压力的分布式PID型动态矩阵控制方法。该方法将PID控制同常规的DDMC方法相结合,弥补了传统DDMC方法的不足,并保证了良好的控制性能。本发明方法首先通过采集实时阶跃响应数据建立被控对象的动态矩阵模型向量,再将大规模***的在线优化实现问题转化为各个小规模子***的优化求解问题,并把网络环境下的每个子***看作一个智能体,同时各智能体之间通过网络通信完成信息交换,以保证***整体的控制品质。然后通过引入PID算子建立一种改进的性能指标,并依据纳什最优思想来设计各智能体的PID型动态矩阵控制器,再将当前时刻的即时控制律作用于每个智能体,并将时域滚动到下一时刻,重复上述优化过程,从而完成整个大规模***的优化任务。
本发明的技术方案是通过数据采集、模型建立、预测机理、优化等手段,确立了一种焦炭炉炉膛压力的分布式PID型动态矩阵控制方法,利用该方法能很好的处理***模型阶次,环境扰动、非线性等方面存在不确定性较大的控制问题,并在保证良好控制品质的同时,提高控制参数设计的自由度。
本发明方法的步骤包括:
步骤1.通过焦炭炉炉膛压力对象的实时阶跃响应数据建立被控对象动态矩阵控制的阶跃响应模型向量,具体方法是:
1.1根据分布式控制的思想,将一个N输入N输出的大规模***分散为N个智能体子***;
1.2在稳态工况下,以第j个智能体控制量为输入对第i个智能体输出量进行阶跃响应实验,分别记录第j(1≤j≤N)个输入对第i(1≤i≤N)个输出的阶跃响应曲线;
1.3将步骤1.2得到的阶跃响应曲线进行滤波处理,然后拟合成一条光滑曲线,记录光滑曲线上每个采样时刻对应的阶跃响应数据,第一个采样时刻为Ts,相邻两个采样时刻的间隔时间为Ts,采样时刻顺序为Ts、2Ts、3Ts ……;被控对象的阶跃响应将在某一个时刻tL=LijTs后趋于平稳,当aij(t)(t>Lij)与aij(Lij)的误差和测量误差有相同的数量级时,即可认为aij(Lij)近似等于阶跃响应的稳态值。建立第j个输入对第i个输出的阶跃响应模型向量aij:
aij=[aij(1),aij(2),…,aij(Lij)]T
其中T为矩阵的转置符号,aij(k)为t=kTs时刻第j个输入对第i个输出的阶跃响应采样值,Lij为第j个输入对第i个输出的建模时域。
步骤2.设计第i个智能体的PID型动态矩阵控制器,具体方法如下:
2.1利用步骤1获得的模型向量aij建立被控对象的动态矩阵,其形式如下:
其中Aij为第j个智能体输入对第i个智能体输出的P×M阶动态矩阵,P为动态矩阵控制算法的优化时域,M为动态矩阵控制算法的控制时域,且Lij=L(1≤i≤3,1≤j≤3),M<P<L,L为***的统一建模时域,N=3为输入输出个数;
2.2获取第i个智能体当前k时刻的模型预测初始响应值yi,0(k)
首先,在k-1时刻加入控制增量Δu1(k-1),Δu2(k-1),…,Δun(k-1),得到第i个智能体的模型预测值yi,P(k-1):
其中,
yi,P(k-1)=[yi,1(k|k-1),yi,1(k+1|k-1),…,yi,1(k+L-1|k-1)]T
yi,0(k-1)=[yi,0(k|k-1),yi,0(k+1|k-1),…,yi,0(k+L-1|k-1)]T,
Aii,0=[aii(1),aii(2),…,aii(L)]T,Aij,0=[aij(1),aij(2),…,aij(L)]T
yi,1(k|k-1),yi,1(k+1|k-1),…,yi,1(k+L-1|k-1)分别表示第i个智能体在k-1时刻对k,k+1,…,k+L-1时刻的模型预测值,yi,0(k|k-1),yi,0(k+1|k-1),…,yi,0(k+L-1|k-1)表示第i个智能体k-1时刻对k,k+1,…,k+L-1时刻的初始预测值,Aii,0,Aij,0分别为第i个智能体和第j个智能体对第i个智能体的阶跃响应数据建立的矩阵,Δu1(k-1),Δu2(k-1),…,Δun(k-1)为k-1时刻各智能体的输入控制增量;
然后,可以得到k时刻第i个智能体的模型预测误差值ei(k):
ei(k)=yi(k)-yi,1(k|k-1)
其中yi(k)表示k时刻测得的第i个智能体的实际输出值;
进一步得到k时刻修正后的模型输出值yi,cor(k):
yi,cor(k)=yi,0(k-1)+h*ei(k)
其中,
yi,cor(k)=[yi,cor(k|k),yi,cor(k+1|k),…,yi,cor(k+L-1|k)]T,h=[1,α,…,α]T
yi,cor(k|k),yi,cor(k+1|k),…,yi,cor(k+L-1|k)分别表示第i个智能体在k时刻模型的修正值,h为误差补偿的权矩阵,α为误差校正系数;
最后得到k时刻第i个智能体的模型预测的初始响应值yi,0(k):
yi,0(k)=Syi,cor(k)
其中,S为L×L阶的状态转移矩阵,
2.3计算第i个智能体在M个连续的输入控制增量Δui(k),Δui(k+1),…,Δui(k+M-1)下的模型预测输出yi,PM,具体方法是:
其中,
yi,PM(k)=[yi,M(k+1|k),yi,M(k+2|k),…,yi,M(k+P|k)]T
yi,P0(k)=[yi,0(k+1|k),yi,0(k+2|k),…,yi,0(k+P|k)]T
Δui,M(k)=[Δui(k),Δui(k+1),…,Δui(k+M-1)]T
Δuj,M(k)=[Δuj(k),Δuj(k+1),…,Δuj(k+M-1)]T
yi,P0(k)是yi,0(k)的前P项,yi,0(k+1|k),yi,0(k+2|k),…,yi,0(k+P|k)为第i个智能体k时刻对k+1,k+2,…,k+P时刻的初始预测输出值;
2.4建立第i个智能体的性能指标Ji(k),形式如下:
wi(k)=[ωi(k+1),ωi(k+2),…,ωi(k+P)]T
ωi(k+ε)=λεyi(k)+(1-λε)c(k)(ε=1,2,…,P)
Δwi(k)=[Δωi(k+1),Δωi(k+2),…,ωi(k+P)]T
Δyi,PM(k)=[Δyi,M(k+1|k),Δyi,M(k+2|k),…,Δyi,M(k+P|k)]T
Δ2wi(k)=[Δ2ωi(k+1),Δ2ωi(k+2),…,Δ2ωi(k+P)]T
Δ2yi,PM(k)=[Δ2yi,M(k+1|k),Δ2yi,M(k+2|k),…,Δ2yi,M(k+P|k)]T
Δωi(k+ε)=ωi(k+ε)-ωi(k+ε-1)
Δyi,M(k+ε|k)=yi,M(k+ε|k)-yi,M(k+ε-1|k)
Δ2ωi(k+ε)=Δωi(k+ε)-Δωi(k+ε-1)
Δ2yi,M(k+ε|k)=Δyi,M(k+ε|k)-Δyi,M(k+ε-1|k)
其中ωi(k+ε)为第i个智能体给定期望输出的参考轨迹,yi(k)为k时刻第i个智能体的过程实际输出,c(k)为k时刻第i个智能体的期望输出,λ为参考轨迹的柔化因子,分别为第i个智能体的比例系数矩阵、积分系数矩阵、微分系数矩阵;为第i个智能体的控制加权系数矩阵。
2.5将步骤2.4中的性能指标变换为如下形式:
进一步得到
同理可得
其中
引入矩阵
进而有
进一步可将性能指标转化为
其中,
2.6依据纳什最优的思想,以Δui,M(k)为控制变量,由求解最优控制律,形式如下:
其中,
2.7由步骤2.2到步骤2.6,可以得到k时刻第i个智能体的新一轮迭代最优解为:
进一步得到整个***在k时刻的最优控制律:
其中:
ω(k)=[ω1(k),ω2(k),…,ωn(k)]T,yP0(k)=[y1,P0(k),y2,P0(k),…,yn,P0(k)]T
2.8将第i个智能体k时刻的纳什最优解的首项作为即时控制增量Δui(k),得到第i个智能体的实际控制量ui(k)=ui(k-1)+Δui(k)作用于第i个智能体;
2.9在下一时刻,重复步骤2.2到2.8继续求解第i个智能体的即时控制增量Δui(k+1),进而得到整个***的最优控制律Δu(k+1),并依次循环。
本发明提出了一种焦炭炉炉膛压力的分布式PID型动态矩阵控制方法。该方法通过采集实时阶跃响应数据建立被控对象的动态矩阵模型向量,并依据纳什优化的思想设计了一种新型分布式动态矩阵控制器,在保证***整体控制品质的同时,有效弥补了传统DDMC方法的不足,并提高了控制参数设计的自由度。
具体实施方式
以焦炭炉炉膛压力控制为例:
焦炭炉炉膛压力控制***是一个典型的多变量耦合过程,调节手段采用控制烟道挡板的阀门开度。
步骤1.通过焦炭炉炉膛压力对象的实时阶跃响应数据建立被控对象动态矩阵控制的阶跃响应模型向量,具体方法是:
1.1根据分布式控制的思想,将一个N输入N输出的大规模***分散为N个炉膛子***;
1.2在稳态工况下,以第j个炉膛控制量为输入对第i个炉膛输出量进行阶跃响应实验,分别记录第j(1≤j≤N)个输入对第i(1≤i≤N)个输出的阶跃响应曲线;
1.3将步骤1.2得到的阶跃响应曲线进行滤波处理,然后拟合成一条光滑曲线,记录光滑曲线上每个采样时刻对应的阶跃响应数据,第一个采样时刻为Ts,相邻两个采样时刻的间隔时间为Ts,采样时刻顺序为Ts、2Ts、3Ts ……;被控对象的阶跃响应将在某一个时刻tL=LijTs后趋于平稳,当aij(t)(t>Lij)与aij(Lij)的误差和测量误差有相同的数量级时,即可认为aij(Lij)近似等于阶跃响应的稳态值。建立第j个输入对第i个输出的阶跃响应模型向量aij:
aij=[aij(1),aij(2),…,aij(Lij)]T
其中T为矩阵的转置符号,aij(k)为t=kTs时刻第j个输入对第i个输出的阶跃响应采样值,Lij为第j个输入对第i个输出的建模时域。
步骤2.设计第i个炉膛的PID型动态矩阵控制器,具体方法如下:
2.1利用步骤1获得的模型向量aij建立被控对象的动态矩阵,其形式如下:
其中Aij为第j个炉膛输入对第i个炉膛输出的P×M阶动态矩阵,P为动态矩阵控制算法的优化时域,M为动态矩阵控制算法的控制时域,且Lij=L(1≤i≤3,1≤j≤3),M<P<L,L为***的统一建模时域,N=3为输入输出个数;
2.2获取第i个炉膛当前k时刻的模型预测初始响应值yi,0(k)
首先,在k-1时刻加入控制增量Δu1(k-1),Δu2(k-1),…,Δun(k-1),得到第i个炉膛的模型预测值yi,P(k-1):
其中,
yi,P(k-1)=[yi,1(k|k-1),yi,1(k+1|k-1),…,yi,1(k+L-1|k-1)]T
yi,0(k-1)=[yi,0(k|k-1),yi,0(k+1|k-1),…,yi,0(k+L-1|k-1)]T,
Aii,0=[aii(1),aii(2),…,aii(L)]T,Aij,0=[aij(1),aij(2),…,aij(L)]T
yi,1(k|k-1),yi,1(k+1|k-1),…,yi,1(k+L-1|k-1)分别表示第i个炉膛在k-1时刻对k,k+1,…,k+L-1时刻的模型预测值,yi,0(k|k-1),yi,0(k+1|k-1),…,yi,0(k+L-1|k-1)表示k-1时刻对k,k+1,…,k+L-1时刻的初始预测值,Aii,0,Aij,0分别为第i个炉膛和第j个炉膛对第i个炉膛的阶跃响应数据建立的矩阵,Δu1(k-1),Δu2(k-1),…,Δun(k-1)为k-1时刻各个炉膛的阀门开度增量;
然后,可以得到k时刻第i个炉膛的模型预测误差值ei(k):
ei(k)=yi(k)-yi,1(k|k-1)
其中yi(k)表示k时刻测得的第i个炉膛的实际输出值;
进一步得到k时刻修正后的模型输出值yi,cor(k):
yi,cor(k)=yi,0(k-1)+h*ei(k)
其中,yi,cor(k)=[yi,cor(k|k),yi,cor(k+1|k),…,yi,cor(k+L-1|k)]T,h=[1,α,…,α]T yi,cor(k|k),yi,cor(k+1|k),…,yi,cor(k+L-1|k)分别表示第i个炉膛在k时刻模型的修正值,h为误差补偿的权矩阵,α为误差校正系数;
最后得到k时刻第i个炉膛的模型预测的初始响应值yi,0(k):
yi,0(k)=Syi,cor(k)
其中,S为L×L阶的状态转移矩阵,
2.3计算第i个炉膛在M个连续的阀门开度增量Δui(k),Δui(k+1),…,Δui(k+M-1)下的预测输出值yi,PM,具体方法是:
其中,
yi,PM(k)=[yi,M(k+1|k),yi,M(k+2|k),…,yi,M(k+P|k)]T
yi,P0(k)=[yi,0(k+1|k),yi,0(k+2|k),…,yi,0(k+P|k)]T
Δui,M(k)=[Δui(k),Δui(k+1),…,Δui(k+M-1)]T
Δuj,M(k)=[Δuj(k),Δuj(k+1),…,Δuj(k+M-1)]T
yi,P0(k)是yi,0(k)的前P项,yi,0(k+1|k),yi,0(k+2|k),…,yi,0(k+P|k)为第i个炉膛k时刻对k+1,k+2,…,k+P时刻的初始预测输出值;
2.4建立第i个炉膛的性能指标Ji(k),形式如下:
wi(k)=[ωi(k+1),ωi(k+2),…,ωi(k+P)]T
ωi(k+ε)=λεyi(k)+(1-λε)c(k)(ε=1,2,…,P)
Δwi(k)=[Δωi(k+1),Δωi(k+2),…,ωi(k+P)]T
Δyi,PM(k)=[Δyi,M(k+1|k),Δyi,M(k+2|k),…,Δyi,M(k+P|k)]T
Δ2wi(k)=[Δ2ωi(k+1),Δ2ωi(k+2),…,Δ2ωi(k+P)]T
Δ2yi,PM(k)=[Δ2yi,M(k+1|k),Δ2yi,M(k+2|k),…,Δ2yi,M(k+P|k)]T
Δωi(k+ε)=ωi(k+ε)-ωi(k+ε-1)
Δyi,M(k+ε|k)=yi,M(k+ε|k)-yi,M(k+ε-1|k)
Δ2ωi(k+ε)=Δωi(k+ε)-Δωi(k+ε-1)
Δ2yi,M(k+ε|k)=Δyi,M(k+ε|k)-Δyi,M(k+ε-1|k)
其中ωi(k+ε)为第i个炉膛给定期望输出的参考轨迹,yi(k)为k时刻第i个炉膛的过程实际输出,c(k)为k时刻第i个炉膛的期望输出,λ为参考轨迹的柔化因子,分别为第i个炉膛的比例系数矩阵、积分系数矩阵、微分系数矩阵;为第i个炉膛的控制加权系数矩阵。
2.5将步骤2.4中的性能指标变换为如下形式:
进一步得到
同理可得
其中
引入矩阵
进而有
进一步可将性能指标转化为
其中,
2.6依据纳什最优的思想,以Δui,M(k)为控制变量,由求解最优控制律,形式如下:
其中,
2.7由步骤2.2到步骤2.6,可以得到k时刻第i个炉膛的新一轮迭代最优解为:
进一步得到整个***在k时刻的最优控制律:
其中:
ω(k)=[ω1(k),ω2(k),…,ωn(k)]T,yP0(k)=[y1,P0(k),y2,P0(k),…,yn,P0(k)]T
2.8将第i个炉膛k时刻的纳什最优解首项作为即时控制增量Δui(k),得到第i个炉膛的实际控制量ui(k)=ui(k-1)+Δui(k)作用于第i个炉膛;
2.9在下一时刻,重复步骤2.2到2.8继续求解第i个炉膛的即时控制增量Δui(k+1),进而得到整个***的最优控制律Δu(k+1),并依次循环。
Claims (1)
1.一种焦炭炉炉膛压力的分布式PID型动态矩阵控制方法,其特征在于该方法包括以下步骤:
步骤1.通过焦炭炉炉膛压力对象的实时阶跃响应数据建立被控对象动态矩阵控制的阶跃响应模型向量,具体是:
1.1根据分布式控制的思想,将一个N输入N输出的大规模***分散为N个智能体子***;
1.2在稳态工况下,以第j个智能体控制量为输入对第i个智能体输出量进行阶跃响应实验,分别记录第j(1≤j≤N)个输入对第i(1≤i≤N)个输出的阶跃响应曲线;
1.3将步骤1.2得到的阶跃响应曲线进行滤波处理,拟合成一条光滑曲线,记录光滑曲线上每个采样时刻对应的阶跃响应数据,第一个采样时刻为Ts,相邻两个采样时刻的间隔时间为Ts,采样时刻顺序为Ts、2Ts、3Ts……;被控对象的阶跃响应将在某一个时刻tL=LijTs后趋于平稳,当aij(t)(t>Lij)与aij(Lij)的误差和测量误差有相同的数量级时,即可认为aij(Lij)近似等于阶跃响应的稳态值;建立第j个输入对第i个输出的阶跃响应模型向量aij:
aij=[aij(1),aij(2),…,aij(Lij)]T
其中T为矩阵的转置符号,aij(k)为t=kTs时刻第j个输入对第i个输出的阶跃响应采样值,Lij为第j个输入对第i个输出的建模时域;
步骤2.设计第i个智能体的PID型动态矩阵控制器,具体如下:
2.1利用步骤1获得的模型向量aij建立被控对象的动态矩阵,其形式如下:
其中Aij为第j个智能体输入对第i个智能体输出的P×M阶动态矩阵,P为动态矩阵控制算法的优化时域,M为动态矩阵控制算法的控制时域,且Lij=L(1≤i≤3,1≤j≤3),M<P<L,L为***的统一建模时域,N=3为输入输出个数;
2.2获取第i个智能体当前k时刻的模型预测初始响应值yi,0(k)
首先,在k-1时刻加入控制增量Δu1(k-1),Δu2(k-1),…,Δun(k-1),得到第i个智能体的模型预测值yi,P(k-1):
其中,
yi,P(k-1)=[yi,1(k|k-1),yi,1(k+1|k-1),…,yi,1(k+L-1|k-1)]T
yi,0(k-1)=[yi,0(k|k-1),yi,0(k+1|k-1),…,yi,0(k+L-1|k-1)]T,
Aii,0=[aii(1),aii(2),…,aii(L)]T,Aij,0=[aij(1),aij(2),…,aij(L)]T
yi,1(k|k-1),yi,1(k+1|k-1),…,yi,1(k+L-1|k-1)分别表示第i个智能体在k-1时刻对k,k+1,…,k+L-1时刻的模型预测值,yi,0(k|k-1),yi,0(k+1|k-1),…,yi,0(k+L-1|k-1)表示第i个智能体k-1时刻对k,k+1,…,k+L-1时刻的初始预测值,Aii,0,Aij,0分别为第i个智能体和第j个智能体对第i个智能体的阶跃响应数据建立的矩阵,Δu1(k-1),Δu2(k-1),…,Δun(k-1)为k-1时刻各智能体的输入控制增量;
然后,得到k时刻第i个智能体的模型预测误差值ei(k):
ei(k)=yi(k)-yi,1(k|k-1)
其中yi(k)表示k时刻测得的第i个智能体的实际输出值;
进一步得到k时刻修正后的模型输出值yi,cor(k):
yi,cor(k)=yi,0(k-1)+h*ei(k)
其中,
yi,cor(k)=[yi,cor(k|k),yi,cor(k+1|k),…,yi,cor(k+L-1|k)]T,h=[1,α,…,α]T
yi,cor(k|k),yi,cor(k+1|k),…,yi,cor(k+L-1|k)分别表示第i个智能体在k时刻模型的修正值,h为误差补偿的权矩阵,α为误差校正系数;
最后得到k时刻第i个智能体的模型预测的初始响应值yi,0(k):
yi,0(k)=Syi,cor(k)
其中,S为L×L阶的状态转移矩阵,
2.3计算第i个智能体在M个连续的输入控制增量Δui(k),Δui(k+1),…,Δui(k+M-1)下的模型预测输出yi,PM,具体是:
其中,
yi,PM(k)=[yi,M(k+1|k),yi,M(k+2|k),…,yi,M(k+P|k)]T
yi,P0(k)=[yi,0(k+1|k),yi,0(k+2|k),…,yi,0(k+P|k)]T
Δui,M(k)=[Δui(k),Δui(k+1),…,Δui(k+M-1)]T
Δuj,M(k)=[Δuj(k),Δuj(k+1),…,Δuj(k+M-1)]T
yi,P0(k)是yi,0(k)的前P项,yi,0(k+1|k),yi,0(k+2|k),…,yi,0(k+P|k)为第i个智能体k时刻对k+1,k+2,…,k+P时刻的初始预测输出值;
2.4建立第i个智能体的性能指标Ji(k),形式如下:
wi(k)=[ωi(k+1),ωi(k+2),…,ωi(k+P)]T
ωi(k+ε)=λεyi(k)+(1-λε)c(k)(ε=1,2,…,P)
Δwi(k)=[Δωi(k+1),Δωi(k+2),…,ωi(k+P)]T
Δyi,PM(k)=[Δyi,M(k+1|k),Δyi,M(k+2|k),…,Δyi,M(k+P|k)]T
Δ2wi(k)=[Δ2ωi(k+1),Δ2ωi(k+2),…,Δ2ωi(k+P)]T
Δ2yi,PM(k)=[Δ2yi,M(k+1|k),Δ2yi,M(k+2|k),…,Δ2yi,M(k+P|k)]T
Δωi(k+ε)=ωi(k+ε)-ωi(k+ε-1)
Δyi,M(k+ε|k)=yi,M(k+ε|k)-yi,M(k+ε-1|k)
Δ2ωi(k+ε)=Δωi(k+ε)-Δωi(k+ε-1)
Δ2yi,M(k+ε|k)=Δyi,M(k+ε|k)-Δyi,M(k+ε-1|k)
其中ωi(k+ε)为第i个智能体给定期望输出的参考轨迹,yi(k)为k时刻第i个智能体的过程实际输出,c(k)为k时刻第i个智能体的期望输出,λ为参考轨迹的柔化因子, 分别为第i个智能体的比例系数矩阵、积分系数矩阵、微分系数矩阵;为第i个智能体的控制加权系数矩阵;
2.5将步骤2.4中的性能指标变换为如下形式:
进一步得到
同理可得
其中
引入矩阵
进而有
进一步可将性能指标转化为
其中,
2.6依据纳什最优的思想,以Δui,M(k)为控制变量,由求解最优控制律,形式如下:
其中,
2.7由步骤2.2到步骤2.6,得到k时刻第i个智能体的新一轮迭代最优解为:
进一步得到整个***在k时刻的最优控制律:
其中:
ω(k)=[ω1(k),ω2(k),…,ωn(k)]T,yP0(k)=[y1,P0(k),y2,P0(k),…,yn,P0(k)]T
2.8将第i个智能体k时刻的纳什最优解的首项作为即时控制增量Δui(k),得到第i个智能体的实际控制量ui(k)=ui(k-1)+Δui(k)作用于第i个智能体;
2.9在下一时刻,重复步骤2.2到2.8继续求解第i个智能体的即时控制增量Δui(k+1),进而得到整个***的最优控制律Δu(k+1),并依次循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611111853.8A CN106444388A (zh) | 2016-12-06 | 2016-12-06 | 一种焦炭炉炉膛压力的分布式pid型动态矩阵控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611111853.8A CN106444388A (zh) | 2016-12-06 | 2016-12-06 | 一种焦炭炉炉膛压力的分布式pid型动态矩阵控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106444388A true CN106444388A (zh) | 2017-02-22 |
Family
ID=58217614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611111853.8A Pending CN106444388A (zh) | 2016-12-06 | 2016-12-06 | 一种焦炭炉炉膛压力的分布式pid型动态矩阵控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106444388A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728481A (zh) * | 2017-11-14 | 2018-02-23 | 江西理工大学 | 一种基于模型预测控制的闭环建模方法及装置 |
CN111123708A (zh) * | 2019-12-30 | 2020-05-08 | 杭州电子科技大学 | 基于分布式动态矩阵控制优化的焦化炉炉膛压力控制方法 |
CN111506037A (zh) * | 2020-05-26 | 2020-08-07 | 杭州电子科技大学 | 动态矩阵优化的工业加热炉***分布式控制方法 |
CN112363411A (zh) * | 2020-11-14 | 2021-02-12 | 大连理工大学 | 一种航空发动机动态矩阵控制器的设计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1463979B1 (en) * | 2002-01-10 | 2006-09-06 | Cutler Technology Corporation | Method for removal of pid dynamics from mpc models |
CN103676651A (zh) * | 2013-12-02 | 2014-03-26 | 国家电网公司 | 基于状态观测模型的锅炉汽温预测控制方法 |
CN103760931A (zh) * | 2014-01-22 | 2014-04-30 | 杭州电子科技大学 | 动态矩阵控制优化的油气水卧式三相分离器压力控制方法 |
US9026900B1 (en) * | 2012-02-10 | 2015-05-05 | Google Inc. | Invisible overlay for dynamic annotation |
CN104765350A (zh) * | 2015-04-03 | 2015-07-08 | 燕山大学 | 基于组合模型预测控制技术的水泥分解炉控制方法及*** |
CN105388764A (zh) * | 2015-12-15 | 2016-03-09 | 重庆科技学院 | 基于动态矩阵前馈预测的电液伺服pid控制方法及*** |
CN105955014A (zh) * | 2016-05-11 | 2016-09-21 | 杭州电子科技大学 | 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法 |
-
2016
- 2016-12-06 CN CN201611111853.8A patent/CN106444388A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1463979B1 (en) * | 2002-01-10 | 2006-09-06 | Cutler Technology Corporation | Method for removal of pid dynamics from mpc models |
US9026900B1 (en) * | 2012-02-10 | 2015-05-05 | Google Inc. | Invisible overlay for dynamic annotation |
CN103676651A (zh) * | 2013-12-02 | 2014-03-26 | 国家电网公司 | 基于状态观测模型的锅炉汽温预测控制方法 |
CN103760931A (zh) * | 2014-01-22 | 2014-04-30 | 杭州电子科技大学 | 动态矩阵控制优化的油气水卧式三相分离器压力控制方法 |
CN104765350A (zh) * | 2015-04-03 | 2015-07-08 | 燕山大学 | 基于组合模型预测控制技术的水泥分解炉控制方法及*** |
CN105388764A (zh) * | 2015-12-15 | 2016-03-09 | 重庆科技学院 | 基于动态矩阵前馈预测的电液伺服pid控制方法及*** |
CN105955014A (zh) * | 2016-05-11 | 2016-09-21 | 杭州电子科技大学 | 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法 |
Non-Patent Citations (3)
Title |
---|
MA PING等: "Study of a Dynamic Predictive PID Control Algorithm", 《2015 FIFTH INTERNATIONAL CONFERENCE ON INSTRUMENTATION AND MEASUREMENT,COMPUTER,COMMUNICATION AND CONTROL》 * |
PING REN 等: "A simplified algorithm for dynamic matrix control with pid structure", 《2008 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 * |
窦秀华: "啤酒发酵温度SMITH补偿分布式预测控制算法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728481A (zh) * | 2017-11-14 | 2018-02-23 | 江西理工大学 | 一种基于模型预测控制的闭环建模方法及装置 |
CN111123708A (zh) * | 2019-12-30 | 2020-05-08 | 杭州电子科技大学 | 基于分布式动态矩阵控制优化的焦化炉炉膛压力控制方法 |
CN111123708B (zh) * | 2019-12-30 | 2022-10-18 | 杭州电子科技大学 | 基于分布式动态矩阵控制优化的焦化炉炉膛压力控制方法 |
CN111506037A (zh) * | 2020-05-26 | 2020-08-07 | 杭州电子科技大学 | 动态矩阵优化的工业加热炉***分布式控制方法 |
CN112363411A (zh) * | 2020-11-14 | 2021-02-12 | 大连理工大学 | 一种航空发动机动态矩阵控制器的设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Modeling for indoor temperature prediction based on time-delay and Elman neural network in air conditioning system | |
WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN106444388A (zh) | 一种焦炭炉炉膛压力的分布式pid型动态矩阵控制方法 | |
CN106483853A (zh) | 炼油加热炉炉膛压力的分数阶分布式动态矩阵控制方法 | |
CN102444784B (zh) | 基于动态矩阵控制的钢铁企业蒸汽管网压力控制*** | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
Yin et al. | Methods to improve prediction performance of ANN models | |
CN107045289A (zh) | 一种电加热炉温度的非线性神经网络优化pid控制方法 | |
CN101750964B (zh) | 烧成***基于脉冲响应模型的多变量预测控制方法 | |
CN106681146A (zh) | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 | |
CN109084415A (zh) | 基于神经网络和遗传算法的中央空调运行参数寻优方法 | |
Zhang et al. | A simplified linear iterative predictive functional control approach for chamber pressure of industrial coke furnace | |
CN102360181B (zh) | 基于ga-sqp混合优化策略的低温热实时优化*** | |
CN108224446A (zh) | 一种垃圾焚烧过程的自动燃烧优化决策方法 | |
CN105955014A (zh) | 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法 | |
CN106200379A (zh) | 一种非自衡对象的分布式动态矩阵控制方法 | |
CN111522229A (zh) | 参数自整定的mimo异因子偏格式无模型控制方法 | |
CN103399488B (zh) | 基于自学习的多模型控制方法 | |
CN111506037A (zh) | 动态矩阵优化的工业加热炉***分布式控制方法 | |
CN111123708B (zh) | 基于分布式动态矩阵控制优化的焦化炉炉膛压力控制方法 | |
CN110554617B (zh) | 一种自动控制实验教学装置及方法 | |
CN106896795A (zh) | 一种火电厂变负荷协调控制品质评价方法 | |
CN105652666B (zh) | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 | |
CN106444362A (zh) | 一种废塑料裂解炉炉膛温度的分布式pid型预测函数控制方法 | |
CN106371321A (zh) | 一种焦化炉炉膛压力***模糊网络优化pid控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |