基于T-S模型的模糊预测控制在列车速度控制器中的应用研究

针对列车的速度控制特点,提出了基于Takagi-Sugeno(T-S)模型的模糊预测函数控制方法.设计了一种列车速度模糊预测函数控制器,并针对不同运行状况以及列车在启动、停止以及运行过程中的特点采取相应的控制策略,将整个控制过程分为多个子空间,每个子空间对应一个线性预测模型,通过仿真研究,验证了该控制器具有良好特性曲线跟踪能力.     

高密度离散灰色建模及其预测应用

为定量描述复杂系统动态过程特征,针对生产过程空间整体参数的监测及控制问题,借助灰色系统理论的设计方法,给出一种利用多变量离散灰色模型预测控制算法.该算法利用线性矩阵级数展开求和设计一个空间高密度多点预测模型,基于该模型实现空间高密度多点预测模型的建模和预测.仿真算例证实了算法的有效性及可行性,为通用非线性预测提供一种新的控制思路.     

基于T-S模型的模糊预测控制在聚合釜中的应用

针对具有大滞后、大惯性、强非线性的工业过程,提出了基于Takagi-Sugeno（T-S）模型的预测函数控制（Predictive Functional Control,PFC）方法。设计了一种适用于聚合釜的模糊预测控制器;将各分阶段定义为多个子空间,每个子空间对应一个预测模型。仿真结果验证了该控制器具有较好的适应性和鲁棒性。     

自适应反归一化改进多层神经网络轴流转桨水轮机协联功率预测

轴流转桨水轮机现场协联试验受经济和时间成本限制,获取的数据量有限,难以全面指导机组协联运行参数设置。为提高协联试验效率,实现水轮机协联工况下的功率追踪,同时避免水轮机物理模型高度非线性化难以模拟实际现场问题,提出一种基于改进多层神经网络数学预测模型,采用Rule函数、L2正则化、Adam优化器并用PSO算法优化其梯度参数。针对神经网络实际预测缺乏真实值的问题,提出自适应反归一化区间端值判断策略提高实际预测准确度。通过协联与非协联仿真分析,结果表明所提出预测模型和区间策略能够在小样本情况下对轴流转桨水轮机协联工况实现有效的实际预测,具有较高精度。     

黑箱系统的一种简便自适应预测控制策略

采用一种输入输出增量式一元线性回归模型作为黑箱系统的预测模型,应用投影算法估计模型参数.该模型将对象输出增量分解为2个分量:一个为非零控制增量作用下的强制分量,另一个为控制增量为零时的自由分量,是一种非齐次时变线性模型.此外,应用广义预测控制理论,提出了一种基于该模型的自适应多步预测控制策略,导出了基于该模型的多步最优预测算式和最优控制律.该控制策略不仅具有广义预测控制的强自适应能力和强鲁棒性,且模型参数少,算法简单,适用于黑箱系统的控制.仿真结果表明该控制策略是有效的.     

基于实时车辆信息共享的公交动态控制策略

为了应对越来越多的乘客利用手机软件实时查看车辆位置信息以帮助其计划出发时间这一发展趋势,探究实时车辆信息共享程度对公交动态控制策略的影响,结合长短时记忆网络(long short term memory, LSTM)预测模型和遗传算法(genetic algorithm, GA)构建GA-LSTM实时混合公交运行轨迹预测模型;在实时公交运行轨迹预测模型的基础上,建立考虑乘客接受实时车辆信息共享程度、以最小化车头时距偏差和乘客乘车时间为目标的公交动态驻站控制策略;通过西安市实际数据测试实时公交运行轨迹预测模型和公交动态驻站控制策略的有效性,并讨论不同最大驻站控制时间、接受实时信息乘客比例对公交动态驻站控制策略的影响。研究结果表明：利用GA-LSTM预测模型预测停车服务时间和站间运行时间的均方根误差(RMSE)相较于传统LSTM预测模型的预测结果分别降低了21.19%和44.55%;考虑实时车辆信息共享的动态控制策略预测结果比未考虑信息共享的动态控制策略目标函数预测结果降低了31.66%;随着最大驻站时间增加,目标函数值减少到定值后保持稳定;随着接受实时信息乘客比例增加,目标函数值持续减少...     

基于模型预测的双馈电机并网策略

根据电网电压矢量控制的双馈电机数学模型,推导出一种转子电流和转子电压近似解耦的状态空间方程。基于该状态空间方程的离散模型,预测双馈风力发电机系统未来的状态量和输出量。以快速达到最终稳定为目的,设计预测模型和评价函数;以该预测模型和评价函数提出了一种模型预测控制器,并将提出的模型预测控制器与转子位置初始误差补偿控制器结合,提出一种双馈电机的分步并网控制策略。仿真结果显示虽然有时模型预测控制器在跟随参考值会有超调略大的情况,但其在并网和功率阶跃响应时显示出了良好的动态特性以及稳定性,验证了模型预测控制器与分步并网控制策略的有效性以及控制器良好的控制性能。     

基于特征模型的预测函数控制

传统的预测函数控制通常采用一阶的预测模型，该预测模型不能完全表征被控对象，因此使得传统的预测函数控制的鲁棒性受到一定限制．特征模型是一种比动力学模型简单，但能表征被控对象特征的模型．该文针对预测函数控制算法的缺陷，提出利用二阶特征模型来构成预测模型．通过工程建模获取了被控对象的特征模型，实现了基于特征模型的新型预测函数控制，并通过与采用一阶预测模型的预测函数控制进行比较．理论分析与实验结果均表明，采用特征模型的预测函数控制具有比一阶预测模型更好的控制效果，该算法在SUPCON-JX300X集散控制系统上实现．     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制     

基于 PFC -PID 的锅炉汽包水位控制系统

根据预测函数控制（Predictive Functional Control,PFC）的基本原理和应用特点,在分析其一般算法的基础上,设计了余热锅炉汽包水位控制系统的预测函数控制器。通过内回路采用传统 PID,外回路采用预测函数控制———预测函数控制与PID 串级控制相结合,取代传统的汽包水位三冲量串级 PID 控制。MATLAB 仿真结果表明,与传统 PID 控制策略相比,PFC PID 控制策略能快速消除给水流量的扰动,且具有较强的鲁棒性,动态品质良好。     

基于NLJ优化算法的多变量预测函数控制

基于差分方程模型推导了多变量预测函数控制算法,使其具有更加广泛的适用性.利用NLJ算法处理预测函数控制中的约束问题,简单明了,没有繁琐的数学公式推导,仿真结果证明了该算法的有效性,为预测控制约束问题的处理提供了一种新的途径.     

PVC配混自动控制系统的研究

针对目前PVC配混控制系统的自动化程度不高、控制精度差等问题,采用PLC与工业控制计算机共同构成控制系统,并且应用PID控制算法实现了对PVC配混系统的高精度、高可靠性控制。该系统在实际运行中取得了良好的控制效果。     

分批重复过程迭代学习广义预测控制

针对一类分批重复操作过程,提出迭代学习广义预测控制(ILGPC)算法·该算法利用以前的过程输入输出信息,在GPC结构中增加干扰预测估计的迭代学习前馈回路,通过对部分可重复干扰的估计和学习,提高了分批重复操作过程的控制品质,减小了跟踪误差·对算法的稳定性做了分析,并以间歇聚合反应过程为仿真对象,研究了算法的稳定性和鲁棒性·     

具有混合约束的多变量系统的优化控制

给出了多变量预测控制的算法描述 ,解决了工业生产中存在的混合约束问题。并运用协调优化的原则对带有硬约束的操作变量进行了协调。当找不到满足所有约束条件的可行解时 ,对被控变量进行约束软化处理。采取线性和二次型相结合的惩罚函数 ,对预测时域上每个时刻的激活值进行惩罚 ,不仅可以保证可行解的存在 ,而且改进了控制系统的性能。理论分析证明 ,该算法能够保证闭环系统的稳定性 ,并具有较强的鲁棒性。仿真结果也证实了算法的有效性。     

基于动态递归神经网络的动态矩阵控制

给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性     

The real time cascade generalized predictive control and application to a boiler circuit system

Boiler-circuit system in a circulating fluidized bed conrbustion boiler is a complex and typical industrial process with a large lag and time-delay. Conventional PID algorithm can not obtain satisfied performance, especially in the presence of disturbance. A cascade generalized predictive control (CGPC) strategy, is which the inner loop can restrain the disturbance while the outer loop can eliminate the offset, is proposed in this paper. We develop cascade GPC algorithm instead of conventional PID algorithm in the boiler-circuit system. Simulation on experimental boiler-circuit models of circulating fluidized bed combustion boiler shows strong robustness.     

基于改进的隐式广义预测控制在燃气发电锅炉主汽压中的应用

针对燃气发电锅炉主汽压控制系统存在非线性、模型参数不确定等问题,提出了一种改进的隐式广义预测控制策略。首先,使用遗忘因子递推最小二乘法进行模型参数辨识,建立主汽压的离散数学模型;其次,在常规广义预测控制理论基础上建立主汽压的隐式广义预测控制系统,简化控制算法,通过在目标函数中增加PI结构,提高系统的鲁棒性。仿真结果表明,相比串级PID和常规隐式广义预测控制,所提控制策略在模型适配时调节时间最多减少20 s,模型失配时超调量最多减少5.08%,调节时间最多降低36 s,系统鲁棒性和抗干扰能力增强;工程应用表明,使用所提策略后主汽压控制偏差在±0.2 MPa之间,控制精度显著提高。改进的隐式广义预测控制较好地满足了工业生产中对主汽压的控制要求,具有较高的研究和应用价值。