基于rbf网络gpc在火电单元机组中应用研究

《基于rbf网络gpc在火电单元机组中应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学兔兔www.xuetutu.com第6期(总第151期)机械工程与自动化No．62008年12月MECHANICALENGINEERING＆AUT0MAT10NDeC．文章编号：1672．6413(2008)06—0005—04基于RBF网络的GPC在火电单元机组中的应用研究宋涛，凌呼君，王春风，冯家鹏(内蒙古工业大学信息学院，内蒙古呼和浩特010080)摘要：大型火电单元机组是一个多变量、强耦合、大时滞的非线性系统，用传统的控制方法很难得到最佳的运行效果采用基于RBF网络的广义预测控制(GPC)策略，用RBF算法建立模型，用广义预测解

2、决时滞问题。该算法具有良好的动态响应和较强的鲁棒性，仿真结果表明了其有效性。关键词：RBF神经网络；广义预测控制；火电单元机组中图分类号：TM31：TP183文献标识码：A0引言干扰能力。‘火电单元机组是一个具有不确定性的复杂多变量1理论研究被控对象，电网综合自动化对单元机组协调控制系统1．1基于RBF神经网络的预测模型(CCS)的控制品质提出了越来越高的要求。事实上，许RBF神经网络在结构上通常由输人层、隐含层和多电厂的CCS并不能很好地投入自动化运行。实现大输出层组成，在网络特征上与BP网络相似，也属于一型单元机组鲁棒性的协调控制，可

3、显著提高电力企业种多层前向网络。与BP网络的不同之处在于RBF网的经济效益，明显降低生产过程的能源消耗，减少设络的作用函数采用的是径向基函数，它具有输出对参备故障率，是实现电厂综合自动化的关键部分。数局部线性的特点，网络训练可避开非线性优化，因广义预测控制(GPC)是随着自适应控制的研究而而不存在局部极小问题，而且在学习过程中即可确定发展起来的一种预测控制方法。GPC是1978年Clark网络的拓扑结构，使网络权系数计算的复杂性得以降等人在最小方差控制的基础上提出的，引入了不相等低，学习过程得以加速，所以RBF算法的学习速度要的预测水平和

4、控制水平，系统设计灵活方便，具有预比BP算法快得多。RBF网络的结构见图1。测模型、滚动优化和在线反馈校正等特征，呈现出优良的控制性能和鲁棒性。然而，广义预测控制只是针对线性系统的，对于非线性系统的预测控制，由于很难得到精确的模型，现在还没有很好的解决办法。径向基函数(RBF，RadialBasisFunction)神经网络是一种新颖有效的前馈式神经网络，具有较高的运算速度。特别是它的较强的非线性映射能力，能以任意精度全局逼近一个非线性函数。本文提出了一种基图1RBF网络的结构图于RBF神经网络的广义预测控制方法，首先用RBFRBF基函数

5、选用高斯函数，即：网络对非线性、不确定性对象进行辨识，然后将其作lI：g--CilI2为预测模型，通过预测控制算法实时给出优化控制量。a，()：==，(1Iz—f／，)一e一—。⋯(1)该算法具有算法简单、控制量给出迅速及优化跟踪效其中：c是第J个基函数中心；是一个可以自由选择果好等特点，可用于系统实时控制。通过对300MW火的参数，它决定了该基函数围绕中心点的宽度；cIz—力单元机组仿真，结果表明其具有较好的鲁棒性和抗c是向量—c的范数，它通常表示z和C，之间的距*国家自然科学基金资助项目(69964001)；内蒙古自然科学基金资助项目

6、(200408020802)收稿日期：2008—05—04；修回日期：2008—06—25作者简介：宋涛(1974一)，男，辽宁阜新人．硕士研究生，研究方向：控制理论与控制工程学兔兔www.xuetutu.com·6·机械工程与自动化2008年第6期离；是一个径向对称的函数，它在C』处有一个唯一此，由：o可得最小二乘递推算法(RIs)：的最大值，随着Il—c的增大，迅速衰减到零。WP(￡)一WP(卜一1)+K(f)[-ap—g；(f)WP(f一对于给定的输入z∈R，只有一小部分靠近中心z的1)]。⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(6)

7、处理单元被激活。K()：P，(￡_1)q[q；(￡)P(￡一1)qp(￡)+网络的输出为：以(P)]～。⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(7)。nyi=厶OAiaj(x)。⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(2)P(f)一[，一K0)q]P(f一1)。⋯⋯⋯⋯⋯(8)其中：表示节点到节点i的连接权系数。其中：q(f)代表第户个隐节点的输出，q()一Eqp(￡)，设有P组输入／输出“，／d，，P一1，2，⋯，，定q2(￡)，⋯，qmp(f)]，是隐节点数。义目标函数为：1．2广义预测控制L，：1∑一Ilz=1∑()z。1．2．1滚动优化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯

8、⋯⋯⋯⋯⋯⋯⋯⋯⋯(3)在GPC中，t时刻的优化性能指标具有以下形式：Ⅳ2其中：是输人下网络的输出向量。学习的目的是minJ(t)：E{∑．[(￡+)一训(f+)]z+使≤e，RBF网络的学习