一种基于I2T2FB-MPC的炉膛温度控制方法

本发明涉及城市固体废物处理，特别是涉及一种基于i2t2fb-mpc的炉膛温度控制方法。

背景技术：

1、当前，全球城市固废物(msw)逐年增长，已在世界范围内对大量城市的生态环境造成了严重破坏，已成为碳排放的主要来源之一。传统的msw处理方法，包括：填埋处理和堆肥处理，仍存在污染土壤环境的风险。近年来，城市固废焚烧(mswi)技术因其高减容率和减质率，且能够无害化处理msw，逐渐成为全球主流的msw处理技术]。其中，炉膛温度作为mswi过程的关键工艺变量，对整体流程的稳定运行以及污染物排放浓度有着直接影响。然而，mswi作为复杂工业过程，具有强不确定性和非线性特征，使得炉膛温度难以精确控制。因此，设计一种基于改进区间ii型模糊宽度模型预测控制(i2t2fb-mpc)的炉膛温度控制方法是十分有必要的。

技术实现思路

1、本发明的目的是提供一种基于i2t2fb-mpc的炉膛温度控制方法，能够实现mswi过程炉膛温度控制，便于使用。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于i2t2fb-mpc的炉膛温度控制方法，包括如下步骤：

4、步骤1：构建基于i2t2fbls的预测模型模块；

5、步骤2：构建误差补偿模块对预测模型模块的输出进行误差补偿；

6、步骤3：构建在线优化控制模块对预测模型模块进行在线优化控制。

7、可选的，步骤1中，构建基于i2t2fbls的预测模型模块，具体为：

8、构建基于i2t2fbls的预测模型模块，其中，预测模型模块包括基于批次数据训练的预测模型构建子模块、基于在线触发式参数更新的预测模型更新子模块及基于自适应结构优化的预测模型更新子模块，通过预测模型构建子模块构建预测模型，通过基于在线触发式参数更新的预测模型更新子模块及基于自适应结构优化的预测模型更新子模块对预测模型进行更新。

9、可选的，步骤2中，通过基于自适应结构优化的预测模型更新子模块对预测模型进行更新，具体为：

10、通过基于自适应结构优化的预测模型更新子模块对预测模型进行自适应结构优化，其中，包括结构扩展及结构缩减，其中，结构扩展将系统实际输出与跟踪设定值的控制误差e0(t)作为结构扩展的判断指标，计算控制误差，为：

11、e0(t)＝y(t)-yr(t)                          (1)

12、当控制误差的平方大于某阈值时，则增加一组增强节点，记为j+1，规则为：

13、

14、式中，gth∈[0,1]为结构扩展判断阈值，为归一化后的控制误差，hj+1和we,j+1分别为结构扩展后的增强层输出向量和权值向量，展开为：

15、hj+1＝[h1(t),h2(t),…,hj(t),hj+1(t)]                    (3)

16、we,j+1＝[we,1,we,2,...,we,j,we,j+1]t                     (4)

17、式中，hj+1(t)＝tanh(z(t)wj+1(t)+βj+1(t))，wj+1和βj+1分别为结构扩展后的连接权值和偏置项；

18、设网络t时刻满足结构扩展规则，对于增加的增强层节点，各参数初始值设置为：

19、

20、式中，rand(0,1)表示0到1之间内服从均匀分布的随机数；

21、结构缩减：采用无用率作为结构缩减的判断指标，通过每组增强节点在判断周期内起重要作用的积累次数计算无用率，以第j组增强节点为例，过程为：

22、

23、式中，rate_uselessj为第j组增强节点的无用率，rj为第j组增强节点未起重要作用的次数，td为结构缩减判断周期，对于rj，计算过程为：

24、

25、式中，rj初始值为0，rth为增强节点重要作用判断阈值，hj(t)为第j组增强节点在t时刻的输出值，t＝1,2,...,td；

26、当无用率其超过某阈值时删除该组节点，规则为：

27、

28、式中，dth为结构缩减判断阈值，hj-1和we,j-1分别为缩减后的输出向量和权值向量，维度减1；

29、对网络参数进行补偿，设第组增强节点与被删除节点欧氏距离最小，对其参数进行如下补偿：

30、

31、式中，分别为第组增强节点补偿前的对应参数，分别为第组增强节点补偿后的对应参数。

32、可选的，步骤2中，构建误差补偿模块对预测模型模块的输出进行误差补偿，具体为：

33、计算当前时刻的预测误差ε(t)，补偿后续预测时域内的一系列预测模型输出，过程为：

34、

35、

36、可选的，步骤3中，构建在线优化控制模块对预测模型模块进行在线优化控制，具体为：

37、构建在线优化控制模块对预测模型模块进行在线优化控制，将系统代价函数改写为：

38、

39、式中，r(t)为跟踪值向量，yp(t)为预测值向量，δu(t)为控制变化量向量，表示为：

40、r(t)＝[r(t+1),r(t+2),...,r(t+hp)]t                     (13)

41、yp(t)＝[yp(t+1),yp(t+2),...,yp(t+hp)]t                   (14)

42、δu(t)＝[δu(t),δu(t+1),...,δu(t+hu-1)]t                   (15)

43、针对预测模型，采用梯度下降法实现在线优化控制，过程为：

44、

45、

46、式中，η2＞0为控制量优化学习率；

47、针对梯度项对改写的系统代价函数对偏微分，得到：

48、

49、带入得到：

50、

51、式中，梯度项为一雅可比矩阵，展开描述为：

52、

53、通过雅可比矩阵递归计算方法计算，过程为：

54、设存在下式为：

55、

56、通过求解未来时刻的预测输出对未来控制输入序列各项的偏导数，可得到雅可比矩阵中的各项元素，表示为：

57、

58、进行展开，并通过迭代归纳法，得到：

59、

60、其中，

61、

62、

63、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于i2t2fb-mpc的炉膛温度控制方法，该方法包括构建基于i2t2fbls的预测模型模块，构建误差补偿模块对预测模型模块的输出进行误差补偿，构建在线优化控制模块对预测模型模块进行在线优化控制，结合了宽度学习(bl)和mpc，采用it2fbls构建系统的预测模型，构建了it2fb-mpc方法，实验结果显示该方法的控制性能和鲁棒性均强于其他mpc方法，针对it2fbls设计了tpu和aso策略，构建了i2t2fbls，tpu策略通过多组判断机制，有效避免了参数的冗余更新及其带来的额外计算量，aso策略包含结构扩展和结构缩减，在控制过程中根据实际信息自适应调整增强层宽度，从而获得最佳网络结构，将it2fb-mpc方法成功应用于mswi过程的炉膛温度控制中，为该领域提供了一种新的有效的控制方法。