本發(fā)明涉及控制優(yōu)化領(lǐng)域，尤其涉及一種基于動(dòng)態(tài)優(yōu)化的多模型廣義預(yù)測(cè)控制系統(tǒng)的設(shè)計(jì)方法。

背景技術(shù)：
生產(chǎn)全球化加劇的市場(chǎng)競(jìng)爭(zhēng)使得對(duì)降低成本消耗，提高經(jīng)濟(jì)效益的要求越來(lái)越高。過(guò)程的操作性能優(yōu)化可以為企業(yè)生產(chǎn)創(chuàng)造巨大的利益，因此需要更有效、更先進(jìn)的優(yōu)化和控制策略應(yīng)用到相關(guān)的工業(yè)設(shè)備中?；诜€(wěn)態(tài)模型的傳統(tǒng)過(guò)程優(yōu)化技術(shù)已經(jīng)取得了非凡的成就，對(duì)于模型時(shí)變不強(qiáng)烈的過(guò)程有良好的優(yōu)化效果。但在實(shí)際工業(yè)中,經(jīng)常出現(xiàn)模型時(shí)變強(qiáng)烈的現(xiàn)象，導(dǎo)致基于穩(wěn)態(tài)模型的傳統(tǒng)優(yōu)化技術(shù)很難滿足現(xiàn)代化工業(yè)的要求。動(dòng)態(tài)優(yōu)化可以較好的處理具有強(qiáng)烈時(shí)變、反應(yīng)機(jī)理較為復(fù)雜的工業(yè)過(guò)程，并且很多學(xué)者將動(dòng)態(tài)優(yōu)化與模型預(yù)測(cè)控制結(jié)合組成分層式預(yù)測(cè)控制結(jié)構(gòu)來(lái)對(duì)工業(yè)設(shè)備進(jìn)行優(yōu)化，并取得了不錯(cuò)地效果。傳統(tǒng)的動(dòng)態(tài)優(yōu)化與模型預(yù)測(cè)控制結(jié)合組成分層式預(yù)測(cè)控制結(jié)構(gòu)中，MPC層多采用單模型預(yù)測(cè)控制器，但實(shí)際工業(yè)過(guò)程中，經(jīng)常出現(xiàn)過(guò)程參數(shù)隨生產(chǎn)運(yùn)行跳變的情況。由于實(shí)際生產(chǎn)過(guò)程非常復(fù)雜，很難建立一個(gè)簡(jiǎn)潔的全局控制模型，因此單一模型的預(yù)測(cè)控制器很難滿足參數(shù)時(shí)變或跳變時(shí)系統(tǒng)仍處于良好控制狀態(tài)的要求。多模型的方法可以有效的處理復(fù)雜工業(yè)過(guò)程中的多工作點(diǎn)和參數(shù)時(shí)變問(wèn)題，不少學(xué)者也已將多模型預(yù)測(cè)控制運(yùn)用到化工、制藥、電力等領(lǐng)域，并取得很好的效果。但由于隨機(jī)噪聲的存在使得常規(guī)的多模型很難與實(shí)際過(guò)程特征相匹配。因此如何建立一個(gè)即可以考慮經(jīng)濟(jì)效益又可以保證系統(tǒng)的暫態(tài)性能和跳變時(shí)調(diào)節(jié)能力的控制器是目前特需解決的一個(gè)問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：
1.為解決上述難題，本發(fā)明提供了一種基于動(dòng)態(tài)優(yōu)化的多模型廣義預(yù)測(cè)控制系統(tǒng)，其特征在于，包括動(dòng)態(tài)優(yōu)化層、MPC層以及基礎(chǔ)控制層；所述動(dòng)態(tài)優(yōu)化層位于上層，其采用控制向量參數(shù)化與粒子群優(yōu)化算法的結(jié)合對(duì)經(jīng)濟(jì)目標(biāo)函數(shù)進(jìn)行動(dòng)態(tài)優(yōu)化獲得關(guān)鍵變量的最優(yōu)值的軌跡，該最優(yōu)值作為所述MPC層的優(yōu)化設(shè)定值；所述MPC層位于下層，其在待優(yōu)化變量滿足模型動(dòng)態(tài)行為的條件下采用滾動(dòng)優(yōu)化的預(yù)測(cè)算法對(duì)待優(yōu)化變量進(jìn)行調(diào)節(jié)，使其跟蹤所述最優(yōu)設(shè)定值；所述基礎(chǔ)控制層位于底層，其用于將待優(yōu)化變量的最終優(yōu)化值送至執(zhí)行機(jī)構(gòu)。較佳地，所述模型動(dòng)態(tài)行為包括模型參數(shù)變化與干擾影響。較佳地，所述MPC層采用多個(gè)固定模型和自適應(yīng)模型來(lái)并行辨識(shí)系統(tǒng)的動(dòng)態(tài)特性。較佳地，所述基礎(chǔ)控制層包括一PID控制器，所述PID控制器用于抑制、消除進(jìn)入到過(guò)程中的擾動(dòng)對(duì)輸出的影響。本發(fā)明還提供了種基于動(dòng)態(tài)優(yōu)化的多模型廣義預(yù)測(cè)控制系統(tǒng)的工作方法，其包括以下步驟：S1：所述動(dòng)態(tài)優(yōu)化層針對(duì)系統(tǒng)的經(jīng)濟(jì)目標(biāo)函數(shù)及其時(shí)變約束采用控制向量參數(shù)化與粒子群優(yōu)化算法的結(jié)合的方法獲取關(guān)鍵變量的最優(yōu)值軌跡，并將該軌跡將作為下層MPC層的最優(yōu)設(shè)定值參考軌跡；S2：所述MPC層采用滾動(dòng)優(yōu)化的預(yù)測(cè)算法對(duì)過(guò)程中待優(yōu)化的變量滿足模型參數(shù)變化和干擾影響動(dòng)態(tài)行為的條件下進(jìn)行調(diào)節(jié)，使其跟蹤S1中得出的該變量的最優(yōu)設(shè)定值軌跡，并且采用多個(gè)固定模型和自適應(yīng)模型來(lái)并行辨識(shí)系統(tǒng)的動(dòng)態(tài)特性；S3：所述基礎(chǔ)層通過(guò)PID作用抑制、消除進(jìn)入到過(guò)程中的擾動(dòng)對(duì)輸出的影響，并將該變量的最終優(yōu)化值送到執(zhí)行結(jié)構(gòu)。較佳地，所述關(guān)鍵變量的最優(yōu)值軌跡的獲取過(guò)程包括以下步驟：S11：首先將時(shí)間區(qū)間[t0,tf]分成相同的多段，每段用分段常數(shù)軌跡近似最優(yōu)軌跡，得到多個(gè)待優(yōu)化控制參數(shù)；S12：粒子群初始化：設(shè)置粒子數(shù)m、維數(shù)D、兩個(gè)學(xué)習(xí)因子c1,c2，位置上下界xmax,xmin及最大迭代次數(shù)M，初始位置，初始速度，初始化全局最優(yōu)解gBest以及局部最優(yōu)解pBest；S13：計(jì)算各粒子適應(yīng)度，更新局部最優(yōu)值和全局最優(yōu)值；S14：計(jì)算更新速度與更新位置，如果位置超過(guò)上下界則設(shè)定為邊界值；S15：判斷是否達(dá)到最大迭代次數(shù)，若沒(méi)有則返回c)繼續(xù)計(jì)算。若滿足條件則輸出當(dāng)前最優(yōu)值。較佳地，在步驟S2中，被控對(duì)象為：A(z-1)y(k)=B(z-1)u(k-1)+ξ(k)/Δ，多模型集表示為：Δyi(k)=φi(k)Tθ0(k)+ξi(k)i=1,2…,m,m+1,m+2其中φ(k)=[-Δy(k-1)…-Δy(k-na)Δu(k-1)+…Δu(k-nb-1)]；自適應(yīng)模型采用如下遞推最小二乘法進(jìn)行系統(tǒng)動(dòng)態(tài)特性的辨識(shí)：K(k)=P(k-1)φ(k)[φ(k)TP(K-1)φ(k)+μ]-1式中0<μ<1為遺忘因子，K(k)為權(quán)因子，P(k)為正定協(xié)方差陣；多模型切換指標(biāo)表示為：i=1,2,...,m+2上式為模型i在時(shí)刻k的性能指標(biāo)，其中ei(k)為第i個(gè)模型在k時(shí)刻的輸出誤差，γ和η是當(dāng)前和過(guò)去時(shí)刻的誤差權(quán)重，ρ為誤差遺忘因子，L為過(guò)去時(shí)刻誤差長(zhǎng)度，在k時(shí)刻，會(huì)根據(jù)性能指標(biāo)Ji最小切換到相應(yīng)模型。較佳地，所述PID的性能優(yōu)化指標(biāo)為式中E{·}為數(shù)學(xué)期望，wr為輸出期望值，Nu為控制時(shí)域，λ為控制加權(quán)系數(shù)，k表示時(shí)刻；對(duì)象輸出的期望值為wr(k+j)=w(k+j)j∈{1,2,…,N}，式中w(k+j)為上層動(dòng)態(tài)優(yōu)化所給的關(guān)鍵變量設(shè)定值，N為優(yōu)化時(shí)域終止時(shí)刻。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：1.降低系統(tǒng)成本消耗，提高系統(tǒng)經(jīng)濟(jì)效益；2.提高系統(tǒng)暫態(tài)性能；3.提高系統(tǒng)模型參數(shù)跳變的調(diào)節(jié)能力；4.可以有效的消除擾動(dòng)對(duì)系統(tǒng)輸出的干擾。附圖說(shuō)明圖1為本發(fā)明實(shí)施例提供的控制器的結(jié)構(gòu)示意圖；圖2為本發(fā)明實(shí)施例提供的多模型切換結(jié)構(gòu)示意圖；圖3為本發(fā)明實(shí)施例提供的控制器仿真結(jié)果示意圖。具體實(shí)施例本發(fā)明提供了一種基于動(dòng)態(tài)優(yōu)化的多模型廣義預(yù)測(cè)控制系統(tǒng)，如圖1所示，包括動(dòng)態(tài)優(yōu)化層、MPC層以及基礎(chǔ)控制層；所述動(dòng)態(tài)優(yōu)化層位于上層，其計(jì)算出關(guān)鍵控制變量的最優(yōu)值作為MPC層的最優(yōu)設(shè)定值；所述MPC層位于下層在該待優(yōu)化變量滿足模型動(dòng)態(tài)行為的條件下采用滾動(dòng)優(yōu)化的預(yù)測(cè)算法對(duì)該待優(yōu)化變量進(jìn)行調(diào)節(jié)，使其跟蹤S1中得出的最優(yōu)設(shè)定值；所述基礎(chǔ)控制層位于底層，將該待優(yōu)化變量的最終優(yōu)化值送至執(zhí)行機(jī)構(gòu)。本發(fā)明具體的控制過(guò)程包括以下步驟：包括以下步驟：S1：所述動(dòng)態(tài)優(yōu)化層針對(duì)系統(tǒng)的經(jīng)濟(jì)目標(biāo)函數(shù)及其時(shí)變約束采用控制向量參數(shù)化與粒子群優(yōu)化算法的結(jié)合的方法獲取關(guān)鍵變量的最優(yōu)值軌跡，并將該軌跡將作為下層MPC層的參考軌跡；S2：所述MPC層采用滾動(dòng)優(yōu)化的預(yù)測(cè)算法對(duì)過(guò)程中待優(yōu)化的變量滿足模型參數(shù)變化和干擾影響動(dòng)態(tài)行為的條件下進(jìn)行調(diào)節(jié)，使其跟蹤S1中得出的該變量的最優(yōu)設(shè)定值軌跡，并且采用多個(gè)固定模型和自適應(yīng)模型來(lái)并行辨識(shí)系統(tǒng)的動(dòng)態(tài)特性；S3：所述基礎(chǔ)層通過(guò)PID作用抑制、消除進(jìn)入到過(guò)程中的擾動(dòng)對(duì)輸出的影響，并將該變量的最終優(yōu)化值送到執(zhí)行結(jié)構(gòu)。步驟S1中，動(dòng)態(tài)優(yōu)化求取關(guān)鍵變量的最優(yōu)值軌跡步驟如下：S11首先將時(shí)間區(qū)間[t0,tf]分成相同的N段，每段用分段常數(shù)軌跡近似最優(yōu)軌跡，得到N個(gè)的待優(yōu)化控制參數(shù)。S12粒子群初始化：設(shè)置粒子數(shù)m、維數(shù)D、兩個(gè)學(xué)習(xí)因子c1,c2，位置上下界xmax,xmin及最大迭代次數(shù)M，初始位置，初始速度，初始化全局最優(yōu)解gBest和局部最優(yōu)解pBestS13計(jì)算各粒子適應(yīng)度，更新局部最優(yōu)值和全局最優(yōu)值。S14計(jì)算更新速度和更新位置。如果位置超過(guò)上下界設(shè)定為邊界值S15判斷是否達(dá)到最大迭代次數(shù)，若沒(méi)有則返回c)繼續(xù)計(jì)算。若滿足條件則輸出當(dāng)前最優(yōu)值步驟S2中關(guān)于多模型廣義預(yù)測(cè)控制器設(shè)計(jì)如下被控對(duì)象表示為：A(z-1)y(k)=B(z-1)u(k-1)+ξ(k)/Δ(1)其中式中z-1為后移算子；y(k)、u(k)、ξ(k)分別為系統(tǒng)的輸出，輸入和均值為零的白噪聲序列；Δ=1-z-1為差分算子。多模型集表示為：Δyi(k)=φi(k)Tθ0(k)+ξi(k)(2)i=1,2…,m,m+1,m+2其中φ(k)=[-Δy(k-1)…-Δy(k-na)Δu(k-1)+…Δu(k-nb-1)]當(dāng)i=1,2,…,m時(shí)，θi(k)為固定模型的恒定值，相對(duì)于單個(gè)模型，m個(gè)固定模型可以提高系統(tǒng)的暫態(tài)性能。當(dāng)i=m+1,m+2時(shí)，模型為一個(gè)自適應(yīng)模型和一個(gè)可賦值自適應(yīng)模型。自適應(yīng)模型在線實(shí)時(shí)辨識(shí)系統(tǒng)參數(shù)不僅可以消除穩(wěn)態(tài)誤差保證了系統(tǒng)的收斂性而且能夠保證系統(tǒng)的穩(wěn)定性，可賦初值的自適應(yīng)模型的引入則進(jìn)一步提高了系統(tǒng)的暫態(tài)性能，增加了系統(tǒng)的快速性。可采用如下遞推最小二乘算法進(jìn)行模型參數(shù)的辨識(shí)K(k)=P(k-1)φ(k)[φ(k)TP(K-1)φ(k)+μ]-1式中0<μ<1為遺忘因子；K(k)為權(quán)因子；P(k)為正定協(xié)方差陣多模型切換指標(biāo)表示為：i=1,2,...,m+2(4)式（4）為模型i在時(shí)刻k的性能指標(biāo)，式中ei(k)為第i個(gè)模型在k時(shí)刻的輸出誤差；γ和η是當(dāng)前和過(guò)去時(shí)刻的誤差權(quán)重；ρ為誤差遺忘因子；L為過(guò)去時(shí)刻誤差長(zhǎng)度。在k時(shí)刻，會(huì)根據(jù)性能指標(biāo)Ji最小切換到相應(yīng)模型。控制器設(shè)計(jì)：k時(shí)刻的性能優(yōu)化指標(biāo)為式中E{·}為數(shù)學(xué)期望；wr為輸出期望值；Nu為控制時(shí)域；λ為控制加權(quán)系數(shù)對(duì)象輸出的期望值為wr(k+j)=w(k+j)j∈{1,2,…,N}(6)式中為上層動(dòng)態(tài)優(yōu)化所給的關(guān)鍵變量設(shè)定值(模型輸出設(shè)定值)，N為優(yōu)化時(shí)域終止時(shí)刻。為了利用公式（1）來(lái)計(jì)算出第i步后輸出預(yù)測(cè)值，首先引入引入丟番圖方程1=Ej(z-1)A(z-1)Δ+z-jFj(z-1)(7)Ej(z-1)B(z-1)=Gj(z-1)+z-jHj(z-1)(8)式中Ej(z-1)=ej,0+ej,1z-1+…+ej,j-1z-(j-1)Gj(z-1)=gj,0+gj,1z-1+…+gj,j-1z-(j-1)式中F(z-1)=[F1(z-1),…,FN(z-1)]TH(z-1)=[H1(z-1),…HN(z-1)]T由此可得實(shí)際輸出控制量為u(k)=u(k-1)+Δu(k|k)。實(shí)施例S1動(dòng)態(tài)優(yōu)化層設(shè)為如下過(guò)程數(shù)學(xué)模型：x(0)=[300]T,0≤δ(k)≤30,k∈[0,kf](11)式中，f為經(jīng)濟(jì)目標(biāo)函數(shù)，xA,xB為與關(guān)鍵變量δ（k)有關(guān)的兩個(gè)參數(shù)。將時(shí)間區(qū)間分成相同的10段，然后PSO參數(shù)設(shè)置粒子數(shù)取m=10，維數(shù)D=10，學(xué)習(xí)因子c1=2,c2=2，最大迭代次數(shù)為500.通過(guò)動(dòng)態(tài)優(yōu)化得到關(guān)鍵變量的設(shè)定值，并將此設(shè)定值作為多模型廣義預(yù)測(cè)控制器的參考軌跡。S2MPC層被控對(duì)象表示為：y(k)+a1y(k-1)+a2y(k-2)=b1u(k-1)+b2u(k-2)+ξ(k)/Δ控制步數(shù)取為300，a1=-1.8，a2=1.2，b1=1，b2=2，在150步時(shí)系統(tǒng)參數(shù)發(fā)生跳變。跳變?yōu)閍1=-0.8，a2=-1.2，b1，b2保持不變。ξ(k)為[0.1,-0.1]均勻分布的白噪聲固定模型取為a1={-2,-1}，a2={-2,-1,1,1.5,2}，b1=1，b2=2共10個(gè)，自適應(yīng)模型參數(shù)初始值均取為0.1。對(duì)應(yīng)的多模型切換指標(biāo)為：具體切換執(zhí)行形式如附圖2所示，根據(jù)切換指標(biāo)切換到相應(yīng)模型作為對(duì)象輸出的模型k時(shí)刻的性能優(yōu)化指標(biāo)去為對(duì)象輸出的期望值。即MPC中的參考軌跡有下式得到wr(k+j)=w(k+j)j∈{1,2,…,N}式中w()為S1求出的關(guān)鍵變量的參考軌跡(模型輸出設(shè)定值)，N為優(yōu)化時(shí)域終止時(shí)刻。引入引入丟番圖方1=Ej(z-1)A(z-1)Δ+z-jFj(z-1)Ej(z-1)B(z-1)=Gj(z-1)+z-jHj(z-1)得由此可得實(shí)際輸出控制量為u(k)=u(k-1)+Δu(k|k)從圖3的仿真效果可以看出，在達(dá)到穩(wěn)態(tài)前，本發(fā)明設(shè)計(jì)的暫態(tài)性能更優(yōu)，輸出量變化更加平緩，隨干擾的波動(dòng)較小，即對(duì)于參考軌跡的跟蹤性能更好，在第150步發(fā)生跳變后的控制性能也得到明顯的提高。與現(xiàn)有技術(shù)相比，本發(fā)明降低系統(tǒng)成本消耗，提高系統(tǒng)經(jīng)濟(jì)效益，并且可以提高系統(tǒng)暫態(tài)性能以及系統(tǒng)模型參數(shù)跳變的調(diào)節(jié)能力，同時(shí)還可以有效的消除擾動(dòng)對(duì)系統(tǒng)輸出的干擾。以上公開(kāi)的本發(fā)明優(yōu)選實(shí)施例只是用于幫助闡述本發(fā)明。優(yōu)選實(shí)施例并沒(méi)有詳盡敘述所有的細(xì)節(jié)，也不限制該發(fā)明僅為所述的具體實(shí)施方式。顯然，根據(jù)本說(shuō)明書(shū)的內(nèi)容，可作很多的修改和變化。本說(shuō)明書(shū)選取并具體描述這些實(shí)施例，是為了更好地解釋本發(fā)明的原理和實(shí)際應(yīng)用，從而使所屬技術(shù)領(lǐng)域技術(shù)人員能很好地理解和利用本發(fā)明。本發(fā)明僅受權(quán)利要求書(shū)及其全部范圍和等效物的限制。