论文部分内容阅读
工业过程对象由于操作点在整个操作区域范围内频繁变化,往往呈现非线性特性。实际工业过程中还存在大量的物理约束。因此,解约束非线性优化控制问题是工业过程面临的一个巨大挑战。模型预测控制是一种基于模型的先进优化控制策略,它采用滚动时域方式,并且直接处理过程约束。传统的模型预测控制策略往往只针对线性系统有效。一般情况下,非线性模型预测控制采用序列二次规划、罚函数法、KKT条件等方法来在线解优化问题。对大部分复杂系统来说,得到的非线性优化问题往往是非凸的,且在线计算负担很大。本文研究了非线性模型预测控制优化方法和其在复杂系统中的应用,主要工作概括如下:考虑一种仿射型非线性状态空间模型,提出了一种基于输入输出反馈线性化的非线性模型预测控制策略。构造了可以保证算法收敛性的迭代二次规划方法来处理约束。该算法可以在整个预测时域上得到可行解。在连续系统数字例子和连续搅拌反应器的例子中证明了其有效性。所构造的基于输入输出反馈线性化的预测控制策略进而推广应用到风力发电系统的双馈电机控制和永磁同步电机控制上。这两种快过程都具有很强的非线性,也包含很多不确定性因素。双馈电机的动态性能和风速相关,其转矩是定子和转子电流的非线性函数。永磁电机内部具有非线性耦合,以及不可测的扰动,而且参数变化,负载也会频繁变化。由于双馈电机模型中总相对阶小于状态变量个数,双馈电机只能进行输入输出反馈线性化。而永磁电机模型中总相对阶等于状态变量个数,永磁电机可以进行精确的状态反馈线性化。和现有的控制方法相比,这种策略在保证算法收敛性的同时能够降低在线计算负担,保证控制系统的实时性。超超临界机组是一种高效、高燃料利用率、低排放的先进发电设备。由于系统规模庞大、大范围变工况下具有强非线性等特性,常规控制难以实现在负荷跟踪和电网频率扰动情况下的快速稳定响应的协调控制。本文构造了包含经济指标优化层和跟踪性能优化层的多层控制结构,在此多层控制结构基础上构造了超超临界机组的分级非线性模型预测协调控制。在此结构中,上层基于超超临界机组的非线性模型,对包含经济指标和环境指标的目标函数进行优化获得下层机组运行的给定值。上层的目标是降低机组的运行成本,抑制机组本身和电网产生的扰动。下层实现超超临界机组对上层产生的优化给定值的精确跟踪。因为分级非线性模型预测协调控制的优化问题是非凸问题,对超超临界机组采用模糊神经网络建模使其转为凸二次规划。针对负荷跟踪和电网频率扰动问题进行了详细分析,仿真证明了所提出的分级非线性模型预测协调控制策略的有效性。