论文部分内容阅读
模型预测控制(MPC)是当今石油、化工等过程工业中应用最为成功的先进控制技术之一，它是指用动态模型对未知系统的未来行为进行预测，并进而根据该模型对系统进行优化控制的一类控制策略。随着生产过程规模的扩大和复杂程度的提高，建立系统的机理模型已经变得越来越困难，利用可测量的实验或生产数据建立辨识模型已成为必然的选择。近年来，建立在统计学习理论基础之上的支持向量机(SVM)已经在模式识别、系统辨识等许多领域中得到成功应用。因此，本文针对一类具有非线性特性的复杂被控对象，研究其基于SVM的智能建模方法及相应的提前多步预测和控制量的寻优策略。本文的主要贡献：1．针对非线性多输入多输出(MIMO)系统，提出基于二次多项式核函数SVM的提前一步非线性模型预测控制(NMPC)的结构和算法。通过考虑输入、输出分量间的耦合，利用SVM对每个输出分量单独建模，再将所有分量的模型集成为向量形式，根据预测控制机理推导出关于提前一步的各个最优控制分量与已知输入、输出量间的解析方程组，再通过数值方法进行求解。2．针对非线性MIMO系统，提出基于二次多项式核函数并行SVMs的提前多步NMPC的结构和算法，给出关于提前多步的各个最优控制分量与已知输入、输出量间的解析方程组。其中，基于并行SVMs的提前多步各预测模型间相互独立，无误差累积；同时，提出新的适用于具有并行提前多步预测模型的MPC反馈校正策略。3．提出基于SVM多分类的多模型切换策略，将基于并行SVMs的MPC(SVMs-MPC)技术推广，使其能够控制具有多种工况的复杂对象。该方法首先对每个工况分别建立SVM模型，同时实现各自的SVMs-MPC算法，然后对多个工况建立SVM多分类模型。实时控制时，通过SVM多分类模型辨识当前工况，并激活相应的SVMs-MPC控制器。该控制策略将基于SVM的分类和拟合有机地结合，为工况经常要发生跃变的复杂过程提供新的控制思路。4．分析了基于线性核函数并行SVMs的提前多步MPC的鲁棒稳定性。根据SVM模型，给出SVMs-MPC闭环稳定的充分必要条件；再应用小增益定理，得出对于一定的模型／对象偏差，上述稳定条件仍能保持鲁棒稳定的约束集。仿真实验表明对于未知的线性和弱非线性对象，可根据稳定条件和鲁棒稳定约束集调整预测控制参数，以得到具有较大稳定裕度的闭环特性。5．提出用基于线性核函数的SVM和基于Spline核函数的SVM串联的多核模型结构辨识非线性系统，给出具体的辨识方法；并在此模型结构的基础上，将NMPC转化为线性模型预测控制(LMPC)，得出具有统一形式的提前多步预测控制律解析解，不需在线迭代寻优，计算量小，实时性高。6．提出基于自组织映射(SOM)和SVM结合的电力负荷短期预测方法。该方法在SVM预测前对预测日进行SOM聚类，能够互补二者优势，有效提高算法的精度和速度，促进算法实用化；同时，讨论了建模前的常规数据预处理以及SVM参数选取对模型精度的影响。