[发明专利]基于PSO-DMPC的反应再生系统优化控制方法

摘要

本发明公开了一种基于PSO‑DMPC的反应再生系统优化控制方法，包括：S1：将反应再生系统的传递函数模型转化为阶跃响应模型；S2：建立DMPC模型，包括开环预测模块、稳态目标计算模块和动态矩阵控制模块；S3：利用PSO算法中粒子在搜索空间内的强随机性，在不放松约束条件的前提下，在更大的范围内对经济优化函数进行求解；S4：根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，最后利用PSO算法对该目标误差函数求解，获得操作变量的最佳变化量。本发明提供的基于PSO‑DMPC的反应再生系统优化控制方法不仅减小了RRS硬件负担，还能获取更优的操作变量参数，在保证经济效益的基础上，进一步对RRS进行优化控制。

主权项

1.一种基于PSO‑DMPC的反应再生系统优化控制方法，其特征在于包括如下步骤：S1：将反应再生系统的传递函数模型转化为阶跃响应模型；S2：建立DMPC模型，DMPC模型包括开环预测模块、稳态目标计算模块和动态矩阵控制模块；其中，反应再生系统的阶跃响应模型为：式(1)中，Δu为操作变量的变化量，k为时间，N为模型长度，为反应再生系统的操作变量的阶跃响应系数矩阵，为反应再生系统的干扰变量的阶跃响应系数矩阵，对于满足建立开环预测模块的过程，包括如下步骤：S211：当Δu(k+i‑1)＝0、Δv(k+i‑1)＝0，1≤i≤P时，设为对y(k+p|k)的预测值，其中，P为预测时域，则有：S212：考虑反馈校正，假设v_ss(k)＝v_ss(k‑1)+Δv(k)为已知，从k时刻开始，反应再生系统的操作变量不再变化时，基于式(2)得到反应再生系统的开环预测为y^ol(k+i|k)，当检测到Δu(k‑1)时求解得到反应再生系统的开环预测：其中，v_ss(k)为阶跃响应的递推模型；建立稳态目标计算模块的过程，包括如下步骤：S221：提取所有反应再生系统的操作变量和被控变量的硬约束条件与软约束条件，并合并表达为关于稳态操作变量的变化量δu_ss(k)的形式：其中，为操作变量的上限，为操作变量的理想值的集合，为稳态增益矩阵，为稳态被控变量的变化量，为被控变量的理想值的集合，k为迭代次数，t为时间；S222：建立经济优化函数：式(3)中，B为权重；S223：放松约束条件，采用二次规划方法对式(3)进行求解，获得单目标下的稳态操作变量的变化量δu_ss(k)；建立动态矩阵控制模块的过程，包括如下步骤：S231：取预测时域为P，控制时域为M，在每个时刻k，可得到：S232：当P大于N时，y^ol(k+j|k)＝y^ol(k+N|k)，j＞N，该预测值包含预测误差的反馈校正及干扰的影响，得到：其中，D为动态控制矩阵；S233：在动态矩阵中，根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，选择最小化的目标误差函数如下：S234：对最小化的目标函数求解，获得操作变量的最佳变化量；S3：利用PSO算法，在不放松约束条件的前提下，对经济优化函数进行求解；其中，约束条件包括操作变量的硬约束和软约束，被控变量的硬约束和软约束，外部目标的约束；S4：根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，利用PSO算法对该目标误差函数求解，获得操作变量的最佳变化量。