一种煤气化炉系统的炉温自学控制方法

摘要

本发明公开了一种煤气化炉系统的炉温自学控制方法，其包括：构建一个基于数据的煤气化炉系统炉温自学系统模型，用于确定煤气化炉炉温变化；利用三层BP神经网络构建输入煤中元素含量比例的煤质模型，用于确定煤质；利用三层BP神经网络构建输入量参考控制模型，用于确定煤气化炉系统输入参考量；将构建的煤气化炉系统炉温自学系统模型误差、煤质模型误差和输入量参考控制模型误差与系统外部扰动转化为煤气化炉系统炉温自学系统控制模型的扰动控制变量；基于迭代自适应动态规划自学最优控制方法，在所述扰动控制变量对所述系统温度控制误差影响最大的情况下建立求解最优控制的函数，最终获得系统控制。

主权项

一种煤气化炉系统的炉温自学习控制方法，其包括：S1、构建一个基于数据的煤气化炉系统炉温自学习系统模型，用于确定煤气化炉炉温变化；S2、基于系统运行数据，利用三层BP神经网络构建输入煤中元素含量比例的煤质模型，用于确定煤质；S3、基于系统运行数据，利用三层BP神经网络构建输入量参考控制模型，用于确定煤气化炉系统输入参考量；S4、将构建的煤气化炉系统炉温自学习系统模型误差、煤质模型误差和输入量参考控制模型误差与系统外部扰动转化为煤气化炉系统炉温自学习系统控制模型的扰动控制变量；S5、基于迭代自适应动态规划自学习最优控制方法，在所述扰动控制变量对所述系统温度控制误差影响最大的情况下建立求解最优控制的函数，最终获得系统的最优控制；其中所述最优控制表示使得煤气化炉炉温达到设定温度的煤气化炉的输入量；其中，在步骤S1中构建的煤气化炉系统炉温自学习系统模型表示为：$\left\{\begin{array}{c}\hat{x}(k+1)=\hat{F}(x\left(k\right),u\left(k\right),\Theta \left(k\right))={\hat{W}}_{m1}^T\left(k\right)\sigma \left(z\left(k\right)\right)\\ \hat{y}\left(k\right)=\hat{G}(x\left(k\right),u\left(k\right),\Theta \left(k\right))={\hat{W}}_{m2}^T\left(k\right)\sigma \left(z\left(k\right)\right)\end{array}\right.$其中，为构建所述煤气化炉系统炉温自学习系统模型使用的神经网络近似函数，为煤气化炉系统炉温自学习系统模型中炉温的神经网络权值，为煤气化炉系统炉温自学习系统模型中输出的神经网络权值，z(k)＝[x^T(k),u^T(k),Θ^T(k)]^T为构建所述煤气化炉系统炉温自学习系统模型使用的神经网络的输入，为k+1时刻煤气化炉系统炉温自学习系统模型的炉温值，为k时刻煤气化炉系统炉温自学习系统模型的输出，x(k)为k时刻实际的炉温，u(k)为k时刻实际的各组分输入流量，Θ(k)为k时刻的实际煤质，σ(·)为训练系统控制模型使用的神经网络双极S型激活函数，如下表示：$\sigma \left(z\right)=\frac{e^z-e^{-z}}{e^z+e^{-z}};$所述煤质模型如下表示：$\hat{\Theta }\left(k\right)={\hat{F}}_{\Theta }\left(x\right(k),x(k+1),y(k),u(k\left)\right)={\hat{W}}_{\Theta }^T\left(k\right)\sigma \left(z_{\Theta }\right(k\left)\right)$其中，表示煤质模型输出，表示煤质模型的神经网络近似函数，为煤质模型神经网络权值，z_Θ(k)＝[x^T(k),x^T(k+1),y^T(k),u^T(k)]^T为煤质模型输入，x(k)为k时刻的实际炉温，u(k)为k时刻的实际各组分输入流量，y(k)为k时刻煤气化炉的实际输出组分流量，σ(·)为训练煤质模型使用的神经网络双极S型激活函数，如下表示：$\sigma \left(z\right)=\frac{e^z-e^{-z}}{e^z+e^{-z}}$所述煤质模型的具体权值如下更新得到：${\hat{W}}_{\Theta }^{j+1}\left(k\right)={\hat{W}}_{\Theta }^j\left(k\right)-l_{\Theta }\sigma \left(z_{\Theta }\right(k\left)\right){\tilde{\Theta }}^j\left(k\right),$其中，l_Θ>0是学习率，为k时刻煤气化炉系统运行过程中测量得到的实际煤质Θ(k)和根据所述煤质模型输出的煤质的差值；j＝0,1,…，为迭代指标；所述输入量参考控制模型如下所示：${\hat{u}}_f\left(k\right){\hat{F}}_u\left(x\right(k),x(k+1),\Theta (k\left)\right)={\hat{W}}_u^T\left(k\right)\sigma \left(z_u\right(k\left)\right)$其中，表示输入量参考控制模型的输出，表示参考控制函数，为输入量参考控制模型神经网络权值，z_u(k)＝[x^T(k),x^T(k+1),Θ^T(k)]^T为输入量参考控制模型输入，x(k)为k时刻的实际炉温，Θ(k)为k时刻的实际煤质，σ(·)为训练输入量参考控制模型使用的神经网络双极S型激活函数，如下表示：$\sigma \left(z\right)=\frac{e^z-e^{-z}}{e^z+e^{-z}}$所述输入量参考控制模型权值更新如下：${\hat{W}}_u^{j+1}\left(k\right)={\hat{W}}_u^j\left(k\right)-l_u\sigma \left(z_u\right(k\left)\right){\tilde{u}}_f^j\left(k\right),$其中，l_u>0为神经网络学习率，为k时刻煤气化炉系统运行过程中测量得到的实际输入量u(k)和所述输入量参考控制模型输出的输入量的差值；在步骤S4中转化后的煤气化炉系统炉温自学习系统的扰动控制变量使用如下所示的误差函数e(k)表示：$e(k+1)=\bar{F}\left(e\right(k),u_e(k),\hat{\Theta }(k\left)\right)+w\left(k\right)$其中$\bar{F}\left(e\right(k),u_e(k),\hat{\Theta }(k\left)\right)=\hat{F}\left(\right(e\left(k\right)+\eta ),(u_e\left(k\right)+{\hat{u}}_d\left(k\right)),\hat{\Theta }(k\left)\right)-\eta ,$$w\left(k\right)=▿\left({\xi }_u\right){ϵ}_u\left(k\right)+▿\left({\xi }_{\Theta }\right){ϵ}_{\Theta }\left(k\right)+{ϵ}_{m1}\left(k\right)+\Delta u\left(k\right),$为所述扰动控制变量，Δu(k)为系统外部扰动，η为设定炉温，e(k)＝x(k)‑η，为k时刻的炉温误差，x(k)为k时刻的炉温，u_e(k)为k时刻煤气化炉系统运行过程中测量得到的实际输入量u(k)与额定输入量u_d(k)的差值，表示输入量参考控制模型输出值，表示煤质模型的输出，Θ(k)为k时刻煤气化炉系统运行过程中测量得到的实际煤质，ε_m1(k)为系统控制模型建模误差，ε_Θ(k)为煤质模型建模误差，ε_u(k)为输入量参考控制模型建模误差；其中，$▿\left({\xi }_u\right)=\frac{\partial \hat{F}\left(x\right(k),{\xi }_u,\Theta (k\left)\right)}{\partial {\xi }_u},▿\left({\xi }_{\Theta }\right)=\frac{\partial \hat{F}\left(x\right(k),u(k\left){\xi }_{\Theta }\right)}{\partial {\xi }_{\Theta }}$$\left\{\begin{array}{c}{\xi }_u=c_{u}u\left(k\right)+(1+c_u)\left(u_e\right(k)+{\hat{u}}_d(k)+{ϵ}_u(k\left)\right)\\ {\xi }_{\Theta }=c_{\Theta }\Theta \left(k\right)+(1-c_{\Theta })\hat{\Theta }\left(k\right)\end{array}\right.$其中，0≤c_u≤1，0≤c_Θ≤1为常数，为输入参考控制模型；在步骤S5中所建立的求解最优控制的函数如下所示：$\left\{\begin{array}{c}{w}^{*}\left(e\left(k\right)\right)=\arg \underset{w\left(k\right)}{max}\left\{U\right(e\left(k\right),u_e\left(k\right),w\left(k\right))+J*(e(k+1)\left)\right\},\\ u_e^{*}\left(e\right(k\left)\right)=\arg \underset{u_e\left(k\right)}{min}\left\{U\right(e\left(k\right),u_e\left(k\right),w^{*}\left(e\left(k\right)\right))+J*(e\left(k+1\right)\left)\right\}·\end{array}\right.$$U\left(e\right(k),u_e(k),w\left(k\right))=e^T\left(k\right)Ae\left(k\right)+u_e^T\left(k\right){\mathrm{Bu}}_e\left(k\right)-w^T\left(k\right)Cw\left(k\right)$$J^{*}\left(e\right(k\left)\right)=\underset{u_e\left(k\right)}{min}\underset{w\left(k\right)}{max}\{U\left(e\right(k),u_e(k),w(k\left)\right)+J^{*}\left(e\right(k+1\left)\right)\}$其中，w^*(e(k))为对系统性能影响达到最大时的系统扰动值；为系统扰动取w^*(e(k))时使得性能指标函数取得最小值时的煤气化炉系统炉温自学习系统输入；U(e(k),u_e(k),w(k))为效用函数，e(k)为表示扰动控制变量的系统误差函数；u_e(k)为系统输入；w(k)为扰动控制变量，J^*(e(k))为离散时间HJI方程定义的最优性能指标函数，A、B、C为正定矩阵；k表示当前时刻k。