【技术实现步骤摘要】
本专利技术涉及的是一种模型预测控制领域的技术，具体是一种高效运行的模型预测控制器优化实现方法。
技术介绍
1、模型预测控制(mpc)在每个采样时刻解决一个有限时域多约束的优化问题，具有处理显示约束的能力。其在线应用的一个主要难点是具有大量变量或要求高采样率的优化问题求解需要大量计算时间。
2、在现有的技术中，针对提高模型预测控制的处理速度，基于数据驱动，机器学习等方法被广泛应用。利用机器学习等数据驱动的方法，离线学习设计好的控制器，得到近似控制器，在线应用时，将采集到的现场过程变量的测量信号输入近似控制器，得到输出作用于系统，避免复杂的在线优化求解过程，加快控制器运行速度。由于近似控制器不可避免的存在误差，会影响控制器稳定性性能。
技术实现思路
1、本专利技术针对现有技术无法在多约束，非线性约束情况下快速求解预测控制问题，提高控制频率的不足，提出一种高效运行的模型预测控制器设计方法，采用基于数据的方法，考虑近似控制器的误差，对预测控制器参数进行调整，通过增加学习数据集来保证在一定的置信度下能够保证误差边界，在避免复杂的在线优化求解过程，加快控制器运行速度的同时，保证运行近似预测控制器时系统的稳定性和优化性能。
2、本专利技术是通过以下技术方案实现的：
3、本专利技术涉及一种模型预测控制器优化实现方法，通过构建非等温连续搅拌反应釜模型并基于该模型建立原形预测控制器，在离线阶段通过原形预测控制器生成系统反馈输出输入数据并以此训练近似控制器；在在线阶段
4、所述的原形预测控制器，具体为：其中：tk为当前采样时刻，n为总预测控制步长，l为预测控制目标函数，为时刻τ的系统预测状态，为状态导数，uc为系统输出，f是状态到状态导数映射函数，g为输入到状态导数映射函数，x(tk)为初始时刻tk状态，xn，uc分别为输入输出约束集，xf为终端状态约束集。
5、所述的近似控制器为包含一个输入层、两个隐藏层和一个输出层的反向传播神经网络(bpnn)，其中：第一隐藏层包含七个神经元，第二隐藏层包含五个神经元。
6、本专利技术涉及一种实现上述方法的系统，包括：原形预测控制器、近似控制器和系统执行机构，其中：原形预测控制器根据系统输入状态信息进行模型预测控制求解，得到输出结果，近似控制器根据原形预测控制器输入输出信息训练神经网络，得到输入到输出表征的近似控制器，系统执行机构根据近似控制器输出信息，作用于实际系统，得到控制下的系统状态。
7、技术效果
8、本专利技术考虑近似控制器的误差，对原型控制器参数进行调整；在设计近似控制器时，通过增加学习数据集来保证在一定的置信度下能够保证误差边界。与现有技术相比，本专利技术保证控制器执行速度，同时能够保证控制器的输出在用到系统上后，系统的输出在一定置信度下满足安全生产对输出的范围的要求，并能够在一定置信度下收敛到设定值。
本文档来自技高网...【技术保护点】
1.一种模型预测控制器优化实现方法，其特征在于，通过构建非等温连续搅拌反应釜模型并基于该模型建立原形预测控制器，在离线阶段通过原形预测控制器生成系统反馈输出输入数据并以此训练近似控制器；在在线阶段的每个控制周期内，采集连续搅拌反应釜的现场过程变量反应釜浓度信息和反应釜温度信号并输入至训练后的近似控制器，再将得到控制信号输出至实际连续搅拌反应釜系统执行机构。
2.根据权利要求1所述的模型预测控制器优化实现方法，其特征是，所述的非等温连续搅拌反应釜模型，具体为：其中：F为进气流速，T0为进气温度，V为反应釜体积，ΔH为反应热，k0为指前因子，E为活化能，R为气体常数，σ为液体密度，Cp为热容，CA为反应釜浓度，T为反应釜温度；CAs，Ts分别为稳态下的浓度和温度；状态变量为x＝[CA-CAs，T-Ts]T；Q为外界输入/排出的热量，Qs为稳态下的热量，CA0为入口反应物浓度，CA0s为稳态进气浓度；输入为u＝[u1，u2]T＝[CA0-CA0s，Q-QS]T。
3.根据权利要求1所述的模型预测控制器优化实现方法，其特征是，所述的原形预测控制器，具体为：其中：t
4.根据权利要求1所述的模型预测控制器优化实现方法，其特征是，所述的近似控制器为包含一个输入层、两个隐藏层和一个输出层的反向传播神经网络，其中：第一隐藏层包含七个神经元，第二隐藏层包含五个神经元。
5.根据权利要求1-4中任一所述的模型预测控制器优化实现方法，其特征是，具体包括：
6.一种实现权利要求1-5中任一所述模型预测控制器优化实现方法的系统，其特征在于，包括：原形预测控制器、近似控制器和系统执行机构，其中：原形预测控制器根据系统输入状态信息进行模型预测控制求解，得到输出结果，近似控制器根据原形预测控制器输入输出信息训练神经网络，得到输入到输出表征的近似控制器，系统执行机构根据近似控制器输出信息，作用于实际系统，得到控制下的系统状态。
...【技术特征摘要】
1.一种模型预测控制器优化实现方法，其特征在于，通过构建非等温连续搅拌反应釜模型并基于该模型建立原形预测控制器，在离线阶段通过原形预测控制器生成系统反馈输出输入数据并以此训练近似控制器；在在线阶段的每个控制周期内，采集连续搅拌反应釜的现场过程变量反应釜浓度信息和反应釜温度信号并输入至训练后的近似控制器，再将得到控制信号输出至实际连续搅拌反应釜系统执行机构。
2.根据权利要求1所述的模型预测控制器优化实现方法，其特征是，所述的非等温连续搅拌反应釜模型，具体为：其中：f为进气流速，t0为进气温度，v为反应釜体积，δh为反应热，k0为指前因子，e为活化能，r为气体常数，σ为液体密度，cp为热容，ca为反应釜浓度，t为反应釜温度；cas，ts分别为稳态下的浓度和温度；状态变量为x＝[ca-cas，t-ts]t；q为外界输入/排出的热量，qs为稳态下的热量，ca0为入口反应物浓度，ca0s为稳态进气浓度；输入为u＝[u1，u2]t＝[ca0-ca0s，q-qs]t。
3.根据权利要求1所述的模型预测控制器优化实现方法，其特征是，所述的原形...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。