[发明专利]一种钢铁生产能耗免疫预测控制模型

摘要

一种钢铁生产能耗免疫预测控制模型，建立基于粗集-免疫预测控制的能耗成本预测模型，利用克隆选择算法实现滚动优法，避免了求解Diophantine方程及逆矩阵。在预测模型直接采用非线性自回归滑动平均模型。基于免疫反馈调节原理，并根据控制对象采用非线性自回归滑动平均模型，对控制反馈误差为优化性能指标，利用基于免疫克隆的进化计算来实现滚动优法，设计了基于免疫参数辨识的预测控制器，避免了求Diophantine方程及逆矩阵，在线优化相对增益参数及时滞参数，弱化了模型误差对系统控制的影响。

主权项

1.一种钢铁生产能耗免疫预测控制模型，其中免疫预测控制通过预测模型，利用免疫进化策略寻找最优控制量，设预测时域为，控制时域为，一般地，设被控对象为：(1)其中u，y，分别为系统的输入和输出和扰动矢量，p和q分别为和的阶次，为线性或非线性函数；根据和一系列观测值，通过免疫预测建立输入与输出之间的非线性映射关系，并通过免疫实现滚动优化，基于克隆选择的免疫预测控制通过预测模型，利用克隆选择算法寻找最优控制量，设预测时域为P，控制时域为L，其特征在于，具体实现方法如下：第一步：抗原与抗体定义及编码：将目标函数作为抗原，预测时域P内的P步控制增量作为抗体，采用浮点数编码；第二步：初始化：初始时必须选取合适的算法参数并对抗体初始化，由于抗体是对控制增量编码，可以采用全零初始化或采用式(2)对抗体初始化；(2）算法主要包括下面参数：抗体规模N，抗体种群的大小，一般选20~40；抗体选择率ps，在种群中选取参与克隆的优良抗体的比例；取50%~70%；最大克隆数目，抗体最大复制数量，取5~10；变异概率pm，取0.01~0.1；最大变异率，取0.1~0.5；死亡率per，被淘汰重新初始化抗体所占比率，取0.1~0.3； 第三步：目标函数：对于能耗问题，可以将多目标控制要求转换为一个求最小值的多目标函数；一般情况下，要求快速跟踪给定轨迹并且超调尽可能小，控制量尽量平滑，可以采用式（3）的二次目标函数； （3）式中：为输入输出维数，为预测时域，误差系数，控制系数，控制参考轨迹，模型预测值由预测模型求得，误差修正后的预测值，预测误差；本算法能适应各种预测模型表达式，具有较好的通用性；第四步：约束条件的处理：在预测的免疫优化中，对于控制增量的边界约束条件可通过限制抗体编码中基因取值范围来实现；对其它约束采用罚函数法来实现；采用罚函数法就是在生成个体时不考虑约束条件，而在目标函数上添加一个惩罚项，将原来的约束问题变成了无约束问题,如式（4）所示；每个约束条件构成一个罚函数，x为约束条件的自变量；罚函数的选择必须根据约束条件类型来选取；（4）第五步：亲和力函数：抗体与抗原之间的亲和力反映抗体与抗原之间的匹配程度，亲和力越高的抗体对应的预测控制量越满足控制要求，抗体与抗原亲和力函数定义如式（5）所示；当目标函数值J→0时，→1；J→∞,→0；（5）第六步：抗体克隆：根据每个抗体可以计算出其对应的、、J及亲和力aff，从群体中选择个亲和力较高的优良个体进行克隆；为了充分利用优良个体，加快收敛速度，采用自适应克隆方法，即抗体越优良，克隆越多，个体克隆规模由式（6）计算；（6）第七步：抗体变异以变异概率pm来选择克隆后的子群体的基因，对被选中的基因进行变异操作，计算自适应变异率，按式（7）进行变异操作（7）第八步：抗体的选择：重新计算克隆变异后的每个子抗体的、、J及亲和力aff，选择亲和力更好的子体替代原有抗体；第九步：抗体的淘汰：在抗体集中选择个抗体，将其淘汰而重新初始化；第十步：终止条件：当达到设定的运行代数或者连续10代最好个体的亲和力不再变化时，停止寻优，将最佳个体对应的长度为L（控制时域）的控制量用式（8）平滑处理后输出；（8）式中，为最佳抗体基因对应的控制矢量，实际控制矢量，为权系数。