本發(fā)明涉及爐膛溫度模型預(yù)測控制，特別是涉及一種模糊寬度爐膛溫度模型預(yù)測控制方法。

背景技術(shù)：

1、全球城市化進(jìn)程的加速促使城市固廢(msw)問題日益顯著，已成為全球面臨的主要環(huán)境挑戰(zhàn)。未妥善處理的msw將釋放有害氣體和污染物，從而加重空氣污染和溫室效應(yīng)。此外，固廢堆放場的滲濾液可能污染地下水，危及人類健康和生態(tài)安全。msw處理方式直接影響環(huán)境保護(hù)和資源利用，已成為全球亟需解決的問題。由于具有減量化、無害化和資源化等優(yōu)勢，城市固廢焚燒(mswi)成為促進(jìn)全球城市可再生能源循環(huán)、可持續(xù)發(fā)展和環(huán)境保護(hù)的關(guān)鍵技術(shù)。然而，焚燒過程中可能釋放二噁英和重金屬等有害氣體和微粒，因此需要采用先進(jìn)的燃燒控制技術(shù)以確保排放達(dá)到環(huán)保標(biāo)準(zhǔn)。綜上，必須發(fā)展大型、集成和智能的mswi控制系統(tǒng)，通過高效智能控制技術(shù)優(yōu)化焚燒過程，實(shí)現(xiàn)mswi的智能、低碳、無害和高效的可持續(xù)發(fā)展。

2、爐膛溫度(ft)作為mswi過程中的關(guān)鍵被控變量，其穩(wěn)定控制有助于固廢完全焚燒、減少有害氣體生成和排放以及優(yōu)化熱能回收效率等。然而，msw組分的多樣性導(dǎo)致了熱值波動(dòng)和設(shè)備老化等，需要過程變量頻繁調(diào)整，為ft的穩(wěn)定控制帶來了不確定性干擾。自動(dòng)燃燒控制(acc)系統(tǒng)已在歐美日等國家廣泛應(yīng)用。盡管引進(jìn)到國內(nèi)的acc系統(tǒng)已歷經(jīng)多年工業(yè)應(yīng)用，但我國mswi廠的控制技術(shù)仍依賴于領(lǐng)域?qū)＜沂謩?dòng)控制。因此，在缺乏經(jīng)驗(yàn)積累和面對國外技術(shù)封鎖的挑戰(zhàn)下，需要結(jié)合多年實(shí)踐經(jīng)驗(yàn)以研究具有我國本土化特色的ft智能控制算法。

3、然而，現(xiàn)有面向mswi過程ft的mpc控制仍存在以下挑戰(zhàn):(1)復(fù)雜非線性系統(tǒng)的高度不確定性使得預(yù)測模型的構(gòu)建困難，這需要采用具備強(qiáng)不確定性處理和非線性映射能力的建模算法予以解決。(2)pso作為元啟發(fā)式優(yōu)化算法，雖具有強(qiáng)大的全局搜索能力，但其計(jì)算復(fù)雜度高，難以滿足mpc的實(shí)時(shí)性要求。此外，初始粒子位置不佳可能導(dǎo)致pso早熟收斂于局部最優(yōu)解，降低優(yōu)化性能。(3)在復(fù)雜動(dòng)態(tài)環(huán)境中，代理模型的精度和可靠性難以保持，導(dǎo)致mpc控制律偏離最優(yōu)解甚至出現(xiàn)控制失誤。盡管已有研究探索了代理模型的在線更新機(jī)制，但多基于離線數(shù)據(jù)或啟發(fā)式方法，未能充分利用系統(tǒng)運(yùn)行過程中積累的知識(shí)與數(shù)據(jù)。(4)當(dāng)前mpc中的代理模型主要關(guān)注降低計(jì)算消耗，未有效利用粒子分布知識(shí)輔助求解控制律，且缺乏基于樣本和粒子檔案數(shù)據(jù)庫的安全求解策略，無法確保控制輸出的穩(wěn)定性與安全性。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種模糊寬度爐膛溫度模型預(yù)測控制方法。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種模糊寬度爐膛溫度模型預(yù)測控制方法，包括：

4、構(gòu)建爐膛溫度預(yù)測模型，其中，爐膛溫度預(yù)測模型為it2fbls預(yù)測模型，所述it2fbls預(yù)測模型包括：輸入層、it2fnn層、增強(qiáng)層和輸出層；

5、根據(jù)所述爐膛溫度預(yù)測模型得到校正輸出變量；

6、根據(jù)梯度粒子群優(yōu)化算法和校正輸出變量對爐膛溫度預(yù)測模型對應(yīng)的mpc的目標(biāo)函數(shù)進(jìn)行求解確定最優(yōu)的操縱變量集；

7、根據(jù)所述最優(yōu)的操縱變量集確定mpc的最優(yōu)控制律；

8、根據(jù)最優(yōu)控制律，將待輸入控制變量輸入到所述爐膛溫度預(yù)測模型，得到初始的被控變量，其中，所述控制變量為二次風(fēng)量，所述被控變量為爐膛溫度；

9、根據(jù)當(dāng)前時(shí)刻的預(yù)測誤差對所述初始的被控變量進(jìn)行校正和補(bǔ)償，得到最終的被控變量。

10、優(yōu)選地，所述校正輸出變量的計(jì)算表達(dá)式為：

11、

12、υ(t)為校正輸出變量求解誤差向量，為初始的被控變量，y(t)為實(shí)際輸出值，為預(yù)測模型對未來第ip時(shí)刻的預(yù)測值，hp為mpc的預(yù)測時(shí)域，即ip的最大值，yp(t+ip)為預(yù)測模型對未來第ip時(shí)刻的校正輸出值。

13、優(yōu)選地，所述初始的被控變量計(jì)算表達(dá)式為：

14、

15、其中，h(t)為爐膛溫度預(yù)測模型的增強(qiáng)層輸出向量，g為預(yù)測模型的模糊映射層節(jié)點(diǎn)個(gè)數(shù)，g＝1,…,g表示第g個(gè)節(jié)點(diǎn)，l為增強(qiáng)層節(jié)點(diǎn)個(gè)數(shù)，l＝1,…,l表示第l個(gè)增強(qiáng)節(jié)點(diǎn)，zg(t)和hl(t)分別為模糊映射層和增強(qiáng)層中第g個(gè)節(jié)點(diǎn)和第l個(gè)增強(qiáng)節(jié)點(diǎn)的輸出值，為初始的被控變量，wf(t)＝[wf1(t),…,wfg(t)]t為it2fnn層輸出與輸出層之間的權(quán)重向量，其中wfg(t)是該權(quán)重向量中的第g個(gè)權(quán)重標(biāo)量；we(t)＝[we1(t),…,wel(t)]t為增強(qiáng)層輸出與輸出層之間的權(quán)重向量，其中wel(t)是該權(quán)重向量中的第l個(gè)權(quán)重標(biāo)量。

16、優(yōu)選地，所述根據(jù)梯度粒子群優(yōu)化算法和校正輸出變量對爐膛溫度預(yù)測模型對應(yīng)的mpc的目標(biāo)函數(shù)進(jìn)行求解確定最優(yōu)的操縱變量集：

17、根據(jù)校正輸出變量求解誤差向量；

18、根據(jù)所述誤差向量，基于gd計(jì)算得到當(dāng)前的最優(yōu)控制序列；

19、根據(jù)所述最優(yōu)控制序列對操作變量進(jìn)行更新，得到更新操作變量；

20、判斷當(dāng)前時(shí)刻是否達(dá)到閾值，若達(dá)到，則將當(dāng)前時(shí)刻對應(yīng)的更新操作變量集構(gòu)建ssdb，初始化kdd模型并將所述當(dāng)前時(shí)刻對應(yīng)的更新操作變量集確定為pso粒子初值；

21、根據(jù)所述pso粒子初值，利用pso算法計(jì)算最小化kdd模型的輸出值；

22、根據(jù)所述最小化kdd模型的輸出值確定pso過程的優(yōu)良解并構(gòu)建padb并持續(xù)更新所述padb；

23、根據(jù)所述padb和所述ssdb確定候選解集；

24、根據(jù)候選解集確定最優(yōu)的操縱變量集。

25、優(yōu)選地，ssdb的公式為：

26、

27、優(yōu)選地，kdd模型基于ssdb中的系統(tǒng)狀態(tài)信息與歷史知識(shí)，采用高斯過程回歸模型構(gòu)建，如下所示：

28、jssdb～n(μ0,σ0)

29、其中，μ0＝[μ0(u1),…,μ0(uk)]為均值函數(shù)，k為ssdb中樣本個(gè)數(shù)，σ0為協(xié)方差矩陣。

30、優(yōu)選地，所述根據(jù)所述pso粒子初值，利用pso算法最小化所述kdd模型的輸出值，包括：

31、確定當(dāng)前粒子的速度和位置；

32、根據(jù)所述當(dāng)前粒子的速度和位置確定所述kdd模型的輸出值；

33、其中，當(dāng)前粒子的速度和位置的計(jì)算公式為：

34、

35、其中，vi,o(t+1)為第i個(gè)粒子的第o維速度，ai,o(t+1)為第i個(gè)粒子的第o維位置，ω(t)、c1和c2分別為第一權(quán)值參數(shù)、第二權(quán)值參數(shù)和第三權(quán)值參數(shù)，r1和r2為取值在[0，1]范圍內(nèi)的隨機(jī)數(shù)。

36、本發(fā)明公開了以下技術(shù)效果：

37、本發(fā)明提供了一種模糊寬度爐膛溫度模型預(yù)測控制方法，包括：構(gòu)建爐膛溫度預(yù)測模型，根據(jù)所述爐膛溫度預(yù)測模型得到校正輸出變量；根據(jù)梯度粒子群優(yōu)化算法和校正輸出變量對爐膛溫度預(yù)測模型對應(yīng)的mpc的目標(biāo)函數(shù)進(jìn)行求解確定最優(yōu)的操縱變量集；根據(jù)所述最優(yōu)的操縱變量集確定mpc的最優(yōu)控制律；根據(jù)最優(yōu)控制律，將待輸入控制變量輸入到所述爐膛溫度預(yù)測模型，得到初始的被控變量，其中，所述控制變量為二次風(fēng)量，所述被控變量為爐膛溫度；根據(jù)當(dāng)前時(shí)刻的預(yù)測誤差對所述初始的被控變量進(jìn)行校正和補(bǔ)償，得到最終的被控變量。本發(fā)明首先，采用區(qū)間二型模糊寬度學(xué)習(xí)系統(tǒng)(it2fbls)構(gòu)建mpc的預(yù)測模型，增強(qiáng)非線性建模和不確定性處理能力，其次，在滾動(dòng)優(yōu)化過程中，引入梯度下降與pso的協(xié)同策略，確保快速收斂并提升全局搜索性能，利用系統(tǒng)樣本數(shù)據(jù)庫(ssdb)和粒子檔案數(shù)據(jù)庫(padb)構(gòu)建基于知識(shí)-數(shù)據(jù)驅(qū)動(dòng)(kdd)的代理模型以降低計(jì)算消耗.最后，結(jié)合設(shè)計(jì)的操縱變量(mv)基線求解策略，提高控制輸出的安全性和可靠性。