單元機組的小波神經網絡廣義預測控制
凌呼君，朱俊峰，李曉明
內蒙古工業大學信息工程學院，內蒙古呼和浩特010080
摘 要：針對大型火電機組具有控制對象復雜、非線性、大滯后、模型難以建立等特點，設計協調控制系統的控制策略。小波神經網絡具有良好的函數逼近能力和模式分類能力，廣義預測控制對比較復雜的工業生產過程呈現良好的控制性能和魯棒性：通過訓練小波神經網對大型火電機組建模得到預測模型，然后利用了模型辨識過程中已獲得的數據，計算廣義預測控制率，避免了廣義預測控制求解丟番圖方程帶來在線計算量較大的缺陷二仿真結果表明，該方法能保證功率、主蒸汽壓力快速平穩地跟蹤其設定值，具有較好的魯棒性，為解決大型單元機組協調控制問題提供了一條有效的途徑
關鍵詞：單元機扭；小渡神經網絡；廣義預測控制
中圖分類號：tp 273 文獻標識碼：a
1引言
火電廠大型單元機組控制對象具有非線性、強耦合、大滯后、模型難以準確建立等特點，屬于復雜難控的大型生產過程。在常規局部控制系統基礎上發展起來的協調控制系統是解決這個問題的有效途徑。協調控制系統控制策略的設計直接決定了系統的控制品質。因此，先進控制技術在其中的應用研究對提高資源利用率和保證電廠的安全穩定運行具有重要的意義。目前，小波神經網絡以其獨特的優點引起了人們的極大關注，并成為非線性系統建模與控制的重要方法。預測控制是近年來發展起來的一種新型的計算機控制算法。由于其對模型的依賴性弱、易于實現、控制的綜合效果好等諸多優點，在工業過程控制中得到了廣泛的應用。
本文利用小波神經網絡對大型單元機組進行辨識和預測，用廣義預測控制方法進行控制，為解決大型單元機組防調控制問題提供一條有效的途徑。
2小波神經網絡廣義預測控制算法
1)基于小波神經網絡的預測模型 小波變換通過尺度的伸縮和平移對信號進行多尺度分析，能有效提取信號的局部信息。神經網絡具有自學習、自適應和容錯性等特點，是一類通用的函數逼近器。結合神經網絡和小波分析的優點，1992年，zhang qinghua和benveniste茸先提出了小波神經網絡( wniy)的概念和算法口。小波神經網絡的基本思想是用小波元代替神經元，即用已定位的小波函數代替sigmoid函數作激勵函數，通過仿射變換建立起小波變換與網絡參數之問的聯系。小波神經網絡能夠通過訓練自適應地調整小波基的形狀實現小波變換，同時具有良好的函數逼近能力和模式分類能力j3j。多輸入多輸出小波神經網絡的結構圖，如圖1所示。
圖中，xk為輸入層的第k個輸入樣本，yj為輸出層的第j個輸出值，vik為連接輸入層節點k和隱層節點i的權值，wij為連接隱層節點i和輸出層節點j的權值。
若ai和bi分別為隱層第i個節點的伸縮平移系數，p為輸入樣本的模式個數，m為輸入層節點個數，n為隱層節點個數，n為輸出節點個數。
則網絡隱層第i個節點輸入為
隱層第i個輸出是由母小波函數經過伸縮平移后產生一組小波基函數，數學表達式為
輸出層第j個輸入為
則小波神經網絡的模型可以表示為
本文中小波神經網絡采用誤差反向傳遞算法進行訓練，自適應地調整小波伸縮平移系數和網絡權值。若設xbp為第p個模式的第k個輸入，yjp為第p個模式的第j個網絡輸出，群為第p個模式的第j個期望輸出，定義誤差函數為
| 
