單元機(jī)組的小波神經(jīng)網(wǎng)絡(luò)廣義預(yù)測(cè)控制
凌呼君，朱俊峰，李曉明
內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院，內(nèi)蒙古呼和浩特010080
摘 要：針對(duì)大型火電機(jī)組具有控制對(duì)象復(fù)雜、非線性、大滯后、模型難以建立等特點(diǎn)，設(shè)計(jì)協(xié)調(diào)控制系統(tǒng)的控制策略。小波神經(jīng)網(wǎng)絡(luò)具有良好的函數(shù)逼近能力和模式分類能力，廣義預(yù)測(cè)控制對(duì)比較復(fù)雜的工業(yè)生產(chǎn)過程呈現(xiàn)良好的控制性能和魯棒性：通過訓(xùn)練小波神經(jīng)網(wǎng)對(duì)大型火電機(jī)組建模得到預(yù)測(cè)模型，然后利用了模型辨識(shí)過程中已獲得的數(shù)據(jù)，計(jì)算廣義預(yù)測(cè)控制率，避免了廣義預(yù)測(cè)控制求解丟番圖方程帶來在線計(jì)算量較大的缺陷二仿真結(jié)果表明，該方法能保證功率、主蒸汽壓力快速平穩(wěn)地跟蹤其設(shè)定值，具有較好的魯棒性，為解決大型單元機(jī)組協(xié)調(diào)控制問題提供了一條有效的途徑
關(guān)鍵詞：?jiǎn)卧獧C(jī)扭；小渡神經(jīng)網(wǎng)絡(luò)；廣義預(yù)測(cè)控制
中圖分類號(hào)：tp 273 文獻(xiàn)標(biāo)識(shí)碼：a
1引言
火電廠大型單元機(jī)組控制對(duì)象具有非線性、強(qiáng)耦合、大滯后、模型難以準(zhǔn)確建立等特點(diǎn)，屬于復(fù)雜難控的大型生產(chǎn)過程。在常規(guī)局部控制系統(tǒng)基礎(chǔ)上發(fā)展起來的協(xié)調(diào)控制系統(tǒng)是解決這個(gè)問題的有效途徑。協(xié)調(diào)控制系統(tǒng)控制策略的設(shè)計(jì)直接決定了系統(tǒng)的控制品質(zhì)。因此，先進(jìn)控制技術(shù)在其中的應(yīng)用研究對(duì)提高資源利用率和保證電廠的安全穩(wěn)定運(yùn)行具有重要的意義。目前，小波神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的優(yōu)點(diǎn)引起了人們的極大關(guān)注，并成為非線性系統(tǒng)建模與控制的重要方法。預(yù)測(cè)控制是近年來發(fā)展起來的一種新型的計(jì)算機(jī)控制算法。由于其對(duì)模型的依賴性弱、易于實(shí)現(xiàn)、控制的綜合效果好等諸多優(yōu)點(diǎn)，在工業(yè)過程控制中得到了廣泛的應(yīng)用。
本文利用小波神經(jīng)網(wǎng)絡(luò)對(duì)大型單元機(jī)組進(jìn)行辨識(shí)和預(yù)測(cè)，用廣義預(yù)測(cè)控制方法進(jìn)行控制，為解決大型單元機(jī)組防調(diào)控制問題提供一條有效的途徑。
2小波神經(jīng)網(wǎng)絡(luò)廣義預(yù)測(cè)控制算法
1)基于小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型 小波變換通過尺度的伸縮和平移對(duì)信號(hào)進(jìn)行多尺度分析，能有效提取信號(hào)的局部信息。神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)和容錯(cuò)性等特點(diǎn)，是一類通用的函數(shù)逼近器。結(jié)合神經(jīng)網(wǎng)絡(luò)和小波分析的優(yōu)點(diǎn)，1992年，zhang qinghua和benveniste茸先提出了小波神經(jīng)網(wǎng)絡(luò)( wniy)的概念和算法口。小波神經(jīng)網(wǎng)絡(luò)的基本思想是用小波元代替神經(jīng)元，即用已定位的小波函數(shù)代替sigmoid函數(shù)作激勵(lì)函數(shù)，通過仿射變換建立起小波變換與網(wǎng)絡(luò)參數(shù)之問的聯(lián)系。小波神經(jīng)網(wǎng)絡(luò)能夠通過訓(xùn)練自適應(yīng)地調(diào)整小波基的形狀實(shí)現(xiàn)小波變換，同時(shí)具有良好的函數(shù)逼近能力和模式分類能力j3j。多輸入多輸出小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，如圖1所示。
圖中，xk為輸入層的第k個(gè)輸入樣本，yj為輸出層的第j個(gè)輸出值，vik為連接輸入層節(jié)點(diǎn)k和隱層節(jié)點(diǎn)i的權(quán)值，wij為連接隱層節(jié)點(diǎn)i和輸出層節(jié)點(diǎn)j的權(quán)值。
若ai和bi分別為隱層第i個(gè)節(jié)點(diǎn)的伸縮平移系數(shù)，p為輸入樣本的模式個(gè)數(shù)，m為輸入層節(jié)點(diǎn)個(gè)數(shù)，n為隱層節(jié)點(diǎn)個(gè)數(shù)，n為輸出節(jié)點(diǎn)個(gè)數(shù)。
則網(wǎng)絡(luò)隱層第i個(gè)節(jié)點(diǎn)輸入為
隱層第i個(gè)輸出是由母小波函數(shù)經(jīng)過伸縮平移后產(chǎn)生一組小波基函數(shù)，數(shù)學(xué)表達(dá)式為
輸出層第j個(gè)輸入為
則小波神經(jīng)網(wǎng)絡(luò)的模型可以表示為
本文中小波神經(jīng)網(wǎng)絡(luò)采用誤差反向傳遞算法進(jìn)行訓(xùn)練，自適應(yīng)地調(diào)整小波伸縮平移系數(shù)和網(wǎng)絡(luò)權(quán)值。若設(shè)xbp為第p個(gè)模式的第k個(gè)輸入，yjp為第p個(gè)模式的第j個(gè)網(wǎng)絡(luò)輸出，群為第p個(gè)模式的第j個(gè)期望輸出，定義誤差函數(shù)為
| 
