第19卷第4期2007年2月
系统仿真学报@
JournalofSystemSimulation
、,01.19No.4
Feb.,2007
基于粒子群算法混合优化的广义预测控制器研究
肖本贤1,朱志国1,刘一福2
(1.合肥工业大学自动化研究所,合肥230009;2.安徽省电力科学研究院,合肥230022)
摘要:提出一种基于粒子群算法混合优化的广义预测控制器(generalizedpredictivecontrolbased
particleswarmoptimization,简称PSOGPC),将粒子群优化算法r(particleswarmoptimization,xI司-x-称PSO)于l入到广义预测控制的滚动寻优过程中,有效解决了广义预测控制在被控对象存在约束时难以获得最优预测控制输入及求解复杂的问题。并对普通粒子群优化算法进行了改进,提高了优化过程的求解精度和收敛速度。多种约束情况和对电厂锅炉的主汽温控制系统的仿真结果表明了该
on
方法的有效性和优良的控制性能。
关键词:广义预测控制;粒子群优化算法;混合优化策略;约束中图分类号:TP301,TP391.9文献标识码:A文章编号:1004—731X(2007)04—0820.05
ResearchofHybridOptimizedGeneralizedPredictiveController
BasedonParticleSwarmOptimization
X1AO
(1.Institute
Ben-xianl,ZHUZhi-gu01,LIUIq-fu2
Institute,Hefei
ofIndustrialAutomation,HefeiUniversityofTechnology,Hefci230009,China;2.AnhuiElectricPowerResearch230022,china)
Abstract:Anew
hybridoptim垃edgeneralizedpredictivecontrol(GPC)based
on
thePSotechniqIue(PSOGPC)wasthecomplicatedsolvingequation
process
proposed
in
whichthePsois
usedfor
iterativeoptimization.Themethod
cansolve
problemwhenGPCisFurthermore,PSOwas
d聊culttoobtain
modified
theoptimumpredictioncontrolinputbecauseoftheconstraintofthecontrol
heretoimprovethesolvingprecisionandconvergentratesofoptimizationprocedure.The
multiexamplesimulationresultsshowthemethod’svalidityandsuperiorcontrolperformance.Keywords:generalizedpredictivecontrol(GPC);particleswarrtloptimization;hybrid
optimization
strategy;constraint
引言
广义预测控制吸收了预测控制与自适应控制的优点,利
优化的广义预测控制器,既能应用于无约束工业过程实时控制,也适用存在约束的工业过程控制。
用对象的实际输出和已施加的输入对模型参数实时进行在线辨识与校正,不断优化控制输入的方法,可用于时滞、时
变的动态系统,在实际工业生产过程中得到成功的应用。传统的广义预测控制是假设被控过程是线性无约束,用梯度寻优法对所取的含有系统输出对期望值的误差,以及控制增量加权项的二次型目标函数极小化寻优获得最优预测控制增量。但在实际工业过程中完全无约束控制系统很少存在,大多数系统存在各种各样的约束条件:如对控制量和其变化率的饱和约束,系统输出量的约束等等。在考虑这些约束的情况下则需求解有约束的二次规划,要求目标函数和约束条件可微,而且一般只能求得局部最优解。求解线性有约束预测控制算法通常有Lemeke算法、内罚函数法、遗传函数法等【1。31,这些方法算法复杂。要提高广义预测控制的性能与应用范围,必须寻找有效的解决优化问题的方法[41。
粒子群优化算法由于其采用的速度一位移模型具有容易理解、易于实现、不要求目标函数和约束条件可微,并能以较大概率快速求得全局最优解的特点,目前已在许多优化问题中得到成功应用[5-6]。文章提出的基子粒子群算法混合
1广义预测控制算法
1.1
CARIMA预测模型
在广义预测控制算法中,用受控自回归积分滑动平均
auto
(controlled
regressiveintegratedmovingaverage,
CARaMA)模型描述受随机干扰的被控对象【2】:
A(q一1沙∞)=毋(g一1Ⅻ@一1)+C(g一1)眚@)/△式中:A(q一1)=l+alq一1+…+a。q一“;
B(q一1)=bo+blq_1+…+b。q“;C(q一)=co+clq1+…+clq一1;
差分因子△=1一q一,,J,@)、甜∞)分别是系统输出和输入,{考@)}表示零均值随机的噪声序列。
(1)
1.2模型多步输出预测
引入下列丢番图(Diophantine)方程:
12易(g。M(g。1)△+g√E(g。)
式中:
易(g一1)=1+勺,lq-!+…+白,』-1q—u一1);
(2)
巧(日‘1)韦,o奶,-g。1+..‘奶,。q1;
A=I—q一1:
对于SISO系统,利用CARIMA模型式(1)和丢番图方
程(2),并假设C(q。1)=1,利用至k时刻为止的输入、输出的
搜索“diyifanwen.net”或“第一范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读,第一范文网,提供最新人文社科基于粒子群算法混合优化的广义预测控制器研究全文阅读和word下载服务。
相关推荐: