基于神经网络的预测控制模型仿真.pdf
版权申诉
189 浏览量
2021-11-24
04:42:29
上传
评论
收藏 668KB PDF 举报
基于神经网络的预测控制模型仿真
摘要：本文利用一种权值可以在线调整的动态 BP 神经网络对模型预测误差进行
拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动
态补偿能力的预测控制算法。该算法显著提高了预测精度，增强了预测控制算法
的鲁棒性。
关键词：预测控制 神经网络 动态矩阵 误差补偿
1.引言
动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目
前已广泛应用于工业过程控制。它基于对象阶跃响应系数建立预测模型，因此建模简单，同
时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和
较强的鲁棒性。
但是，DMC 算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，
并会不同程度地影响系统性能。DMC 在实际控制中产生模型失配的原因主要有 2 个，一是诸
如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起 DMC 的模型失配；二是实
际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响
应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型
失配。针对 DMC 模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其
中有基于 DMC 控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及
用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。这些算法尽管进行在
线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随
机噪声干扰较敏感。针对以上问题，出现了基于误差校正的动态矩阵控制算法。这些文献用
基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。有人还将这种
误差预测方法引入动态矩阵控制，并应用于实际。这种方法虽然使系统表现出良好的稳定性，
但建立精确的误差数学模型还存在一定的困难。
本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用 BP
神经网络进行预测误差补偿的 DMC 预测控制模型。其中神经网络预测误差描述了在预测模型
中未能包含的一切不确定性信息，可以归结为用 BP 神经网络基于一系列过去的误差信息预
测未来的误差，它作为模型预测的重要补充，不仅降低建立数学模型的负担，而且还可以弥
补在对象模型中已简化或无法加以考虑的一切其他因素。
本文通过进行仿真，验证了基于神经网络误差补偿的预测控制算法的有效性及优越性，
剩余19页未读，继续阅读
资源评论
