基于最小二乘支持向量機(jī)的參數(shù)變化模型辨識及其預(yù)測控制.pdf

1、預(yù)測控制是現(xiàn)階段工業(yè)過程中應(yīng)用最廣泛的先進(jìn)控制算法，成功應(yīng)用于石油，化工，電力，航天航空等領(lǐng)域，并取得了巨大的經(jīng)濟(jì)效益。預(yù)測控制是基于模型的控制，模型對系統(tǒng)的逼近效果直接影響了算法的控制性能。針對現(xiàn)實(shí)過程中的復(fù)雜非線性及時變系統(tǒng)，如何便捷高效地獲取系統(tǒng)模型，成為了能否實(shí)施預(yù)測控制的關(guān)鍵。
　　預(yù)測控制起初是為處理線性系統(tǒng)控制問題提出的，然而現(xiàn)實(shí)工業(yè)過程大部分都不是單純的線性系統(tǒng)，用單一線性模型對其近似難以取得讓人滿意的效果。

2、>　　線性參數(shù)變化模型是近年來提出的針對非線性或時變系統(tǒng)建模的一種有效手段。該模型架構(gòu)在全局范圍內(nèi)可以是非線性的，模型參數(shù)與調(diào)度變量取值相關(guān)。但在局部工作點(diǎn)，模型具有線性結(jié)構(gòu)，可以利用線性系統(tǒng)的理論進(jìn)行控制器的設(shè)計。該算法的有效性也在化工，航空航天等領(lǐng)域得到了驗(yàn)證。
　　本文在針對參數(shù)變化模型辨識及預(yù)測控制方面所做的工作如下:
　　1.對于系統(tǒng)參數(shù)隨調(diào)度變量非線性變化的單輸入單輸出系統(tǒng)，運(yùn)用基于LSSVM-LPV辨識算法進(jìn)行

3、建模。針對模型辨識過程中參數(shù)尚無好的優(yōu)化方法，提出結(jié)合網(wǎng)格法和多重循環(huán)法完成參數(shù)整定。將該辨識算法推廣到兩個調(diào)度變量的情況，使其可以應(yīng)用于更廣泛的系統(tǒng)。針對現(xiàn)實(shí)中廣泛存在著MIMO系統(tǒng)，進(jìn)一步將算法推廣到MIMO參數(shù)變化系統(tǒng)的辨識。而針對該算法因LSSVM導(dǎo)致的模型稀疏性喪失，影響在線更新模型的效率，又提出了基于重要度加權(quán)的模型稀疏算法，有效地對模型進(jìn)行了簡化。
　　2.將辨識算法在實(shí)驗(yàn)室中央空調(diào)平臺上進(jìn)行驗(yàn)證，從實(shí)際的數(shù)據(jù)和建模

4、的效果來看，該算法能取得較高的建模精度，并且辨識實(shí)驗(yàn)簡單，適合于工業(yè)過程。
　　3.針對帶有參數(shù)變化特性的復(fù)雜系統(tǒng)，提出了基于LSSVM-LPV的預(yù)測控制策略。針對SISO系統(tǒng)，因LSSVM-LPV局部模型具有CARIMA結(jié)構(gòu)，故可直接和廣義預(yù)測控制算法結(jié)合。而針對MIMO系統(tǒng)，進(jìn)一步搭建了基于帶最優(yōu)保留策略的遺傳算法預(yù)測控制框架。
　　4.將基于LSSVM-LPV的廣義預(yù)測控制算法在中央空調(diào)平臺上進(jìn)行試驗(yàn)，并將實(shí)驗(yàn)效果與P

5、ID控制進(jìn)行比較。從控制的效果來看，該算法能在工況點(diǎn)發(fā)生變動的時候，較好地實(shí)現(xiàn)設(shè)定值的跟蹤，使冷凍水溫保持在7℃。
　　5.針對參數(shù)變化的MIMO耦合系統(tǒng)，進(jìn)一步提出了基于LSSVM-LPV模型的逆系統(tǒng)架構(gòu)。利用LSSVM-LPV算法辨識得到系統(tǒng)逆模型，并與原系統(tǒng)組合得到已解耦的一組偽線性系統(tǒng)。再對偽線性系統(tǒng)設(shè)計廣義預(yù)測控制器，完成MIMO耦合參數(shù)變化系統(tǒng)的控制器設(shè)計。仿真結(jié)果表明，該控制框架，對外界干擾和模型失配存在較強(qiáng)的抑制能