Điều khiển nhiệt độ hơi bão hòa trong nhà máy nhiệt điện sử dụng phương pháp điều khiển dự báo (mpc) trên nền loogic mờ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ KHOA HỌC ĐIỀU KHIỂN NHIỆT ĐỘ HƠI BÃO HOÀ TRONG NHÀ MÁY NHIỆT ĐIỆN SỬ DỤNG PHƯƠNG PHÁP ĐIỀU KHIỂN DỰ BÁO (MPC) TRÊN NỀN LOGIC MỜ NGÀNH: MẠNG VÀ HỆ THỐNG ĐIỆN NGUYỄN ĐỨC PHONG Người hướng dẫn khoa học: PGS.TS PHAN XUÂN MINH HÀ NỘI 2009 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu thực Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khoa học Tác giả luận văn NGUYỄN ĐỨC PHONG Trang MỤC LỤC MỞ ĐẦU CHƯƠNG I 10 CƠ SỞ TOÁN HỌC CỦA ĐIỀU KHIỂN DỰ BÁO TỰA MƠ HÌNH 10 1.1 TỔNG QUAN 10 1.2 CẤU TRÚC VÀ CÁC THÀNH PHẦN CỦA MPC 11 1.3 LƯU ĐỒ THUẬT TỐN CỦA BỘ ĐIỀU KHIỂN DỰ BÁO THEO MƠ HÌNH 15 CHƯƠNG II 17 XÂY DỰNG MƠ HÌNH DỰ BÁO TRÊN CƠ SỞ HỆ LOGIC MỜ 17 2.1 HỆ LOGIC MỜ 17 2.2 MƠ HÌNH MỜ: 18 2.2.1 Xây dựng mơ hình mờ dự báo cho hệ phi tuyến 18 2.2.2 Cấu trúc hệ mờ dự báo cho đối tượng phi tuyến 19 2.2.3 Lựa chọn thành phần vector hồi quy 20 2.2.4 Tính tốn, định thơng số cho mơ hình mờ 22 2.2.4.1 Bình phương cực tiểu mẻ (Batch least Squares) 22 2.2.4.2 Bình phương cực tiểu hồi quy (Recursive least Squares) .25 CHƯƠNG III 30 THUẬT TOÁN ĐIỀU KHIỂN MPC TRÊN NỀN FLS 30 3.1 CẤU TRÚC ĐIỀU KHIỂN: 30 3.1.1 Khối tạo “Tạo tín hiệu chuẩn” 30 3.1.2 Khối “Mơ hình” 31 3.1.3 Khối “hàm mục tiêu” 36 3.1.4 Khối “Tối ưu hoá” 37 3.2.PHƯƠNG PHÁP GIẢI PHIẾM HÀM MỤC ĐÍCH: 37 Trang 3.2.1 Phương pháp thuật giải di truyền (Genetic Algorithm) 38 3.2.1.1 Mã hoá nhiễm sắc thể 40 3.2.1.2 Khởi tạo quần thể 41 3.2.1.3 Xây dựng hàm thích nghi 41 3.2.1.4 Các phép toán thuật toán di truyền 42 3.2.1.5 Cấu trúc thuật toán di truyền tổng quát 45 3.2.2 Phương pháp rẽ nhánh giới hạn (Branch and Bound) 47 3.2.2.1 Nguyên lý hoạt động 47 3.2.2.2 Ưu nhược điểm phương pháp hướng khắc phục 49 3.3 ĐIỀU KHIỂN DỰ BÁO CHO QUÁ TRÌNH ĐIỀU KHIỂN NHIỆT ĐỘ HƠI QUÁ NHIỆT 52 CHƯƠNG IV 54 ỨNG DỤNG PHƯƠNG PHÁP MPC TRÊN NỀN FLS CHO HỆ THỐNG ĐIỀU KHIỂN NHIỆT ĐỘ BAO HƠI NHÀ MÁY NHIỆT ĐIỆN PHẢ LẠI 54 4.1 GIỚI THIỆU VỀ Q TRÌNH CƠNG NGHỆ SẢN XUẤT HƠI TẠI NHÀ MÁY NHIỆT ĐIỆN PHẢ LẠI 54 4.1.1 Giới thiệu tổng quan nhà máy 54 4.1.2 Chu trình nước 55 4.1.3 Tổng quan lò 59 4.2 PHÁT BIỂU BÀI TOÁN ĐIỀU KHIỂN 72 4.3 XÂY DỰNG CẤU TRÚC HỆ THỐNG ĐIỀU KHIỂN 77 4.4 THIẾT KẾ LUẬT ĐIỀU KHIỂN TRÊN CƠ SỞ MPC VÀ MÔ PHỎNG KIỂM CHỨNG TRÊN NỀN MATLAB-SIMULINK 79 4.4.1 Thu thập liệu 79 4.4.2 Xây dựng mơ hình mờ dự báo cho đối tượng “Hơi q nhiệt” 80 4.4.2.1 Xác định phần tử hồi quy thích hợp ( ϕ ) 81 4.4.2.2 Xác định cấu trúc mơ hình mờ 82 4.4.2.3 Xác định tham số thích hợp cho mơ hình mờ ( θ ) 82 4.4.2.4 Thực thi thuật tốn xây dựng mơ hình mờ dự báo .83 Trang 4.4.2.4 Kết nhận dạng 84 4.4.3 Xây dựng điều khiển theo phương pháp Rẽ nhánh giới hạn – B&B 90 4.4.3.1 Chỉnh định hệ số tỉ lệ γ 90 4.4.3.2 Thực thi điều khiển B&B 90 4.4.3.2 Kết mô điều khiển B&B 91 KẾT LUẬN 97 TÀI LIỆU THAM KHẢO 98 DANH MỤC HÌNH VẼ H 1.1: Hệ thống điều khiển số 12 H 1.2: Các thành phần điều khiển dự báo 12 H 1.3: Dự báo tín hiệu điều khiển với khoảng dự báo Nu 13 H 1.4 Dự báo tín hiệu với tầm dự báo Ny 13 Hình 1.5 Lưu đồ thuật toán MPC 15 Hình 2.1 Tìm kiếm để chọn thành phần hồi quy 21 Hình 3.1 Sơ đồ khối hệ thống điều khiển dự báo 30 Hình 3.2 Quỹ đạo quy chiếu 31 Hình 3.3 Đáp ứng xung 33 Hình 3.4 Đáp ứng bước nhảy 34 Hình 3.5 Bánh xe quay Roulette 43 Hình 3.6 Sơ đồ thực thi giải thuật di truyền 46 Hình 3.7 Sơ đồ minh hoạ nguyên lý thuật tốn Branch and Bound 47 Hình 4.1 Tổng quan chu trình nước nhà máy nhiệt điện Phả Lại 55 Hình 4.2 Tổng quan chu trình nhiệt nhà máy 56 Hình 4.3 Hệ thống nước tuần hồn hình chữ U bình ngưng 57 Trang Hình 4.4 Chu trình gia nhiệt hạ áp 58 Hình 4.5 Chu trình gia nhiệt cao áp 58 Hình 4.6 Mơ lị 61 Hình 4.7 Cấu tạo buồng đốt 64 Hình 4.8 Bộ nhiệt 65 Hình 4.9 Giàn ống sinh 66 Hình 4.10 Bao lò 69 Hình 4.11 Mặt cắt bao 70 Hình 4.12 Các nhiệt lò 74 Hình 4.13 Mạch điều khiển điều khiển PID truyền thống 75 Hình 4.14 Tín hiệu nhiệt độ từ cảm biến nhiệt đưa vào xử lý đầu tín hiệu trung bình đưa vào điều khiển MPC 76 Hình 4.15 Mơ hình điều khiển dùng PID 77 Hình 4.16 Hàm thành viên cho mơ hình 78 Hình 4.17 Mơ hình điều khiển dự báo dựa Logic mờ 79 Hình 4.18 Kết thu thập liệu 80 Hình 4.19 Bộ điều khiển B&B: lamda=0.1;Hp=10,NN=7 92 Hình 4.20 Bộ điều khiển B&B: lamda=0.1;Hp=20,NN=7 93 Hình 4.21 Bộ điều khiển B&B: lamda=0.1;Hp=10,NN=7 94 Hình 4.22 Bộ điều khiển B&B: lamda=0.1;Hp=20,NN=7 94 Hình 4.23 Bộ điều khiển B&B: lamda=0.1;Hp=10,NN=7 95 Hình 4.24 Bộ điều khiển B&B: lamda=0.1;Hp=20,NN=7 96 Hình 4.25 Bộ điều khiển B&B: lamda=0.1;Hp=10,NN=7 96 Hình 4.26 Bộ điều khiển B&B: lamda=0.1;Hp=20,NN=7 97 Trang DANH MỤC CÁC BẢNG Bảng 4.1 Đặc tính kỹ thuật lị phụ tải cực đại định mức 59 Bảng 4.2 Đặc tính kỹ thuật than 62 Bảng 4.3 Đặc tính kỹ thuật dầu 63 DANH MỤC VIẾT TẮT MPC Model Predictive Control GPC General Predictive Controller PID Proportional Differential Derivative GA Genetic Algorithm B&B Branch and Bound MIMO Multi Input Multi Output FIS Fuzzy Inference System TS, TSK Tagaki – Sugeno Model FLS Fuzzy Logic System DCS Distributed Control System DANH MỤC CÁC KÝ TỰ i số j số k thời gian, số p số q số un đầu vào thứ n q trình ym đầu thứ m mơ hình, trình Trang u vector đầu vào trình y vector đầu trình yd đầu trình thực  yd đầu dự báo mơ hình θ vector tham số xi vector đầu vào ϕ vector hồi quy yref vector tín hiệu đặt q trình U vector tín hiệu điều khiển dự báo toàn miền điều khiển Y vector đầu dự báo mơ hình tồn miền dự báo Yo  Y vector quỹ đạo tự phi tuyến toàn miền dự báo Yref vector tín hiệu đặt tồn miền dự báo t biến thời gian J phiếm hàm mục tiêu E hàm mục tiêu  vector đầu dự báo trình tồn miền dự báo θ vector tham số dự báo I ma trận đơn vị e vector sai lệch ek sai lệch bước thứ k g vector gradient pm xác suất đột biến pc xác suất lai ghép λ trọng số phiếm hàm mục tiêu Hc giới hạn điều khiển Trang Hp giới hạn dự báo TDLu đường dây trễ đầu TDLy đường dây trễ đầu Nu số đầu vào trình Ny số đầu trình DANH MỤC CÁC KÝ HIỆU ET chuyển vị ma trận E P-1 ma trận nghịch đảo mà trận P v chuẩn vector v Trang MỞ ĐẦU Phương pháp điều khiển dự báo đời cách khoảng hai thập kỷ có nhiều ứng dụng thành công công nghiệp Hiện nay, điều khiển dự báo chiến lược điều khiển sử dụng phổ biến việc điều khiển trình Bộ điều khiển dự báo dung mơ hình để đốn trước đáp ứng tương lai đối tượng điều khiển thời điểm rời rạc phạm vi dự báo định Dựa vào đáp ứng dự báo này, thuật tốn tối ưu hố sử dụng để tính tốn chuỗi tín hiệu điều khiển tương lai phạm vi điều khiển cho sai lệch đáp ứng dự báo mơ hình tín hiệu chuẩn cho trước tối thiểu Phương pháp điều khiển dự báo phương pháp tổng quát thiết kế điều khiển miền thời gian áp dụng cho hệ tuyến tính hệ phi tuyến, nhiên thực tế, việc áp dụng chiến lược điều khiển dự báo cho hệ phi tuyến gặp nhiều khó khăn: - Thứ phải xây dựng mơ hình để dự báo xác trạng thái q trình cần điều khiển phạm vi dự báo Đối với hệ phi tuyến, việc xây dựng mơ hình tốn học xác tốn khó đặc tính phi tuyến đa dạng - Thứ hai phải giải toán tối ưu phi tuyến để tính tốn chuỗi tín hiệu điều khiển phạm vi điều khiển, thường tốn tối ưu khơng lồi có nhiều cực trị cục Tất toán tối ưu hoá phi tuyến thuật toán lặp địi hỏi số lượng phép tính lớn, điều làm hạn chế khả áp dụng chiến lược điều khiển dự báo vào hệ thống tốc độ cao Các nghiên cứu thiết kế điều khiển dự báo cho hệ phi tuyến chủ yếu tập trung vào việc giải hai khó khăn vừa nêu Trang 85 Selecting input ANFIS model 11: y(k-1) y(k-2) > trn=0.0004, chk=0.0006 ANFIS model 12: y(k-1) y(k-3) > trn=0.0006, chk=0.0008 ANFIS model 13: y(k-1) y(k-4) > trn=0.0008, chk=0.0011 ANFIS model 14: y(k-1) u(k-1) > trn=0.0036, chk=0.0050 ANFIS model 15: y(k-1) u(k-2) > trn=0.0034, chk=0.0047 ANFIS model 16: y(k-1) u(k-3) > trn=0.0031, chk=0.0043 ANFIS model 17: y(k-1) u(k-4) > trn=0.0028, chk=0.0039 ANFIS model 18: y(k-1) u(k-5) > trn=0.0025, chk=0.0036 ANFIS model 19: y(k-1) u(k-6) > trn=0.0023, chk=0.0032 Currently selected inputs: y(k-1) y(k-2) Selecting input ANFIS model 20: y(k-1) y(k-2) y(k-3) > trn=0.0002, chk=0.0002 ANFIS model 21: y(k-1) y(k-2) y(k-4) > trn=0.0002, chk=0.0002 ANFIS model 22: y(k-1) y(k-2) u(k-1) > trn=0.0002, chk=0.0003 ANFIS model 23: y(k-1) y(k-2) u(k-2) > trn=0.0002, chk=0.0003 ANFIS model 24: y(k-1) y(k-2) u(k-3) > trn=0.0002, chk=0.0002 ANFIS model 25: y(k-1) y(k-2) u(k-4) > trn=0.0001, chk=0.0001 ANFIS model 26: y(k-1) y(k-2) u(k-5) > trn=0.0002, chk=0.0002 ANFIS model 27: y(k-1) y(k-2) u(k-6) > trn=0.0003, chk=0.0004 Currently selected inputs: y(k-1) y(k-2) u(k-4) Elapsed time = 2.719000 Như kết lựa chọn vector hồi quy là: y(k-1) y(k-2) u(k-4) Thời gian tính tốn để chọn vector hồi quy là: 2.719 s FMPC2 Trang 86 Selecting input ANFIS model 1: y(k-1) > trn=0.0069, chk=0.0063 ANFIS model 2: y(k-2) > trn=0.0138, chk=0.0126 ANFIS model 3: y(k-3) > trn=0.0206, chk=0.0188 ANFIS model 4: y(k-4) > trn=0.0274, chk=0.0250 ANFIS model 5: u(k-1) > trn=0.2021, chk=0.1617 ANFIS model 6: u(k-2) > trn=0.1994, chk=0.1603 ANFIS model 7: u(k-3) > trn=0.1965, chk=0.1587 ANFIS model 8: u(k-4) > trn=0.1933, chk=0.1570 ANFIS model 9: u(k-5) > trn=0.1898, chk=0.1550 ANFIS model 10: u(k-6) > trn=0.1862, chk=0.1528 Currently selected inputs: y(k-1) Selecting input ANFIS model 11: y(k-1) y(k-2) > trn=0.0004, chk=0.0004 ANFIS model 12: y(k-1) y(k-3) > trn=0.0006, chk=0.0006 ANFIS model 13: y(k-1) y(k-4) > trn=0.0008, chk=0.0008 ANFIS model 14: y(k-1) u(k-1) > trn=0.0035, chk=0.0039 ANFIS model 15: y(k-1) u(k-2) > trn=0.0033, chk=0.0036 ANFIS model 16: y(k-1) u(k-3) > trn=0.0030, chk=0.0033 ANFIS model 17: y(k-1) u(k-4) > trn=0.0027, chk=0.0030 ANFIS model 18: y(k-1) u(k-5) > trn=0.0024, chk=0.0027 ANFIS model 19: y(k-1) u(k-6) > trn=0.0022, chk=0.0025 Currently selected inputs: y(k-1) y(k-2) Selecting input ANFIS model 20: y(k-1) y(k-2) y(k-3) > trn=0.0002, chk=0.0002 Trang 87 ANFIS model 21: y(k-1) y(k-2) y(k-4) > trn=0.0002, chk=0.0002 ANFIS model 22: y(k-1) y(k-2) u(k-1) > trn=0.0002, chk=0.0002 ANFIS model 23: y(k-1) y(k-2) u(k-2) > trn=0.0002, chk=0.0002 ANFIS model 24: y(k-1) y(k-2) u(k-3) > trn=0.0001, chk=0.0001 ANFIS model 25: y(k-1) y(k-2) u(k-4) > trn=0.0001, chk=0.0001 ANFIS model 26: y(k-1) y(k-2) u(k-5) > trn=0.0002, chk=0.0002 ANFIS model 27: y(k-1) y(k-2) u(k-6) > trn=0.0003, chk=0.0003 Currently selected inputs: y(k-1) y(k-2) u(k-4) Elapsed time = 2.422000 Như kết lựa chọn vector hồi quy là: y(k-1) y(k-2) u(k-4) Thời gian tính tốn để chọn vector hồi quy là: 2.422 s FMPC3 Selecting input ANFIS model 1: y(k-1) > trn=0.0066, chk=0.0060 ANFIS model 2: y(k-2) > trn=0.0132, chk=0.0119 ANFIS model 3: y(k-3) > trn=0.0198, chk=0.0178 ANFIS model 4: y(k-4) > trn=0.0263, chk=0.0236 ANFIS model 5: u(k-1) > trn=0.1632, chk=0.2086 ANFIS model 6: u(k-2) > trn=0.1619, chk=0.2046 ANFIS model 7: u(k-3) > trn=0.1604, chk=0.2006 ANFIS model 8: u(k-4) > trn=0.1586, chk=0.1963 ANFIS model 9: u(k-5) > trn=0.1566, chk=0.1919 ANFIS model 10: u(k-6) > trn=0.1543, chk=0.1874 Currently selected inputs: y(k-1) Selecting input Trang 88 ANFIS model 11: y(k-1) y(k-2) > trn=0.0005, chk=0.0005 ANFIS model 12: y(k-1) y(k-3) > trn=0.0007, chk=0.0007 ANFIS model 13: y(k-1) y(k-4) > trn=0.0009, chk=0.0009 ANFIS model 14: y(k-1) u(k-1) > trn=0.0042, chk=0.0039 ANFIS model 15: y(k-1) u(k-2) > trn=0.0039, chk=0.0036 ANFIS model 16: y(k-1) u(k-3) > trn=0.0035, chk=0.0033 ANFIS model 17: y(k-1) u(k-4) > trn=0.0032, chk=0.0030 ANFIS model 18: y(k-1) u(k-5) > trn=0.0029, chk=0.0027 ANFIS model 19: y(k-1) u(k-6) > trn=0.0026, chk=0.0025 Currently selected inputs: y(k-1) y(k-2) Selecting input ANFIS model 20: y(k-1) y(k-2) y(k-3) > trn=0.0002, chk=0.0002 ANFIS model 21: y(k-1) y(k-2) y(k-4) > trn=0.0002, chk=0.0002 ANFIS model 22: y(k-1) y(k-2) u(k-1) > trn=0.0003, chk=0.0002 ANFIS model 23: y(k-1) y(k-2) u(k-2) > trn=0.0002, chk=0.0002 ANFIS model 24: y(k-1) y(k-2) u(k-3) > trn=0.0001, chk=0.0001 ANFIS model 25: y(k-1) y(k-2) u(k-4) > trn=0.0001, chk=0.0001 ANFIS model 26: y(k-1) y(k-2) u(k-5) > trn=0.0002, chk=0.0002 ANFIS model 27: y(k-1) y(k-2) u(k-6) > trn=0.0003, chk=0.0003 Currently selected inputs: y(k-1) y(k-2) u(k-4) Elapsed time = 2.453000 Như kết lựa chọn vector hồi quy là: y(k-1) y(k-2) u(k-4) Thời gian tính toán để chọn vector hồi quy là: 2.453 s FMPC4 Selecting input Trang 89 ANFIS model 1: y(k-1) > trn=0.0071, chk=0.0064 ANFIS model 2: y(k-2) > trn=0.0142, chk=0.0129 ANFIS model 3: y(k-3) > trn=0.0212, chk=0.0193 ANFIS model 4: y(k-4) > trn=0.0282, chk=0.0256 ANFIS model 5: u(k-1) > trn=0.1783, chk=0.1811 ANFIS model 6: u(k-2) > trn=0.1762, chk=0.1787 ANFIS model 7: u(k-3) > trn=0.1738, chk=0.1761 ANFIS model 8: u(k-4) > trn=0.1712, chk=0.1732 ANFIS model 9: u(k-5) > trn=0.1683, chk=0.1701 ANFIS model 10: u(k-6) > trn=0.1651, chk=0.1668 Currently selected inputs: y(k-1) Selecting input ANFIS model 11: y(k-1) y(k-2) > trn=0.0005, chk=0.0005 ANFIS model 12: y(k-1) y(k-3) > trn=0.0007, chk=0.0008 ANFIS model 13: y(k-1) y(k-4) > trn=0.0009, chk=0.0010 ANFIS model 14: y(k-1) u(k-1) > trn=0.0039, chk=0.0043 ANFIS model 15: y(k-1) u(k-2) > trn=0.0036, chk=0.0039 ANFIS model 16: y(k-1) u(k-3) > trn=0.0033, chk=0.0035 ANFIS model 17: y(k-1) u(k-4) > trn=0.0029, chk=0.0032 ANFIS model 18: y(k-1) u(k-5) > trn=0.0027, chk=0.0028 ANFIS model 19: y(k-1) u(k-6) > trn=0.0025, chk=0.0026 Currently selected inputs: y(k-1) y(k-2) Selecting input ANFIS model 20: y(k-1) y(k-2) y(k-3) > trn=0.0002, chk=0.0002 ANFIS model 21: y(k-1) y(k-2) y(k-4) > trn=0.0002, chk=0.0002 Trang 90 ANFIS model 22: y(k-1) y(k-2) u(k-1) > trn=0.0003, chk=0.0003 ANFIS model 23: y(k-1) y(k-2) u(k-2) > trn=0.0002, chk=0.0002 ANFIS model 24: y(k-1) y(k-2) u(k-3) > trn=0.0001, chk=0.0001 ANFIS model 25: y(k-1) y(k-2) u(k-4) > trn=0.0002, chk=0.0002 ANFIS model 26: y(k-1) y(k-2) u(k-5) > trn=0.0003, chk=0.0003 ANFIS model 27: y(k-1) y(k-2) u(k-6) > trn=0.0003, chk=0.0005 Currently selected inputs: y(k-1) y(k-2) u(k-3) Elapsed time = 2.563000 Như kết lựa chọn vector hồi quy là: y(k-1) y(k-2) u(k-3) Thời gian tính tốn để chọn vector hồi quy là: 2.563 s 4.4.3 Xây dựng điều khiển theo phương pháp Rẽ nhánh giới hạn – B&B 4.4.3.1 Chỉnh định hệ số tỉ lệ γ Ta sử dụng mơ hình mờ để chỉnh định hệ số tỉ lệ γ theo sở phân tích trên: - Khi ∆e(k ) nhỏ eˆ(k + Hp ) nhỏ, tức hệ gần tới trạng thái xác lập, tín hiệu điều khiển cần thay đổi chậm, tức γ (k ) → - Khi ∆e(k ) lớn eˆ(k + Hp ) lớn, - hệ chưa tới trạng thái xác lập, tín hiệu điều khiển cần thay đổi mạnh, tức γ (k ) → Như vậy, mơ hình mờ chỉnh định hệ số γ có đầu vào ∆e(k ) eˆ(k + Hp ) 4.4.3.2 Thực thi điều khiển B&B Bộ điều khiển B&B xây dựng hàm sau: Trang 91 out=mpc_BB(myfis,TDLy,TDLu,lamda,model,Ts,range,range_du,gamafis, Hc,Hp,NN,anpha,Amp,K_fb,Tmax); Trong đó: myfis: mơ hình mờ dự báo đối tượng điều khiển TDLy,TDLu: đường dây trễ y đường dây trễ u lamda: trọng số phiếm hàm mục tiêu model: đối tượng cần điều khiển Ts: chu kì trích mẫu range: dải giá trị đầu vào range_du: dải biến thiên du gamafis: mơ hình mờ chỉnh định hệ số tỉ lệ γ Hc: giới hạn điều khiển Hp: giới hạn dự báo NN: số mức lượng tử biến thiên tín hiệu điều khiển anpha: hệ số lọc tín hiệu đặt Amp: biên độ tín hiệu đặt K_fb: hệ số khuếch đại mạch phản hồi Tmax: thời gian mô 4.4.3.2 Kết mô điều khiển B&B Kết mô sau: FMPC1: lamda=0.1;Hp=10,NN=7 >>TDLy=[1 2];TDLu=[4]; NL_mpc03b(Myfis_1,TDLy,TDLu,0.1,model_1,Ts,[0 1],[0.5 0.5],gamafis_vdk,2,10,7,0,0.8,1,300); Trang 92 Hình 4.19 Bộ điều khiển B&B: lamda=0.1;Hp=10,NN=7 Nhận xét: Chất lượng điều khiển cải thiện đáng kể so với phương pháp kinh điển, thời gian bước tính nhanh Tuy nhiên đáp ứng cịn điều chỉnh * Để cải thiện chất lượng bám tín hiệu đặt tốc độ hội tụ, ta tăng giới hạn dự báo Hp từ 10 bước lên 20 bước thu kết sau: lamda=0.1;Hp=20,NN=7 >>TDLy=[1 2];TDLu=[4]; NL_mpc03b(Myfis_1,TDLy,TDLu,0.1,model_1,Ts,[0 1],[0.5 0.5],gamafis_vdk,2,20,7,0,0.8,1,300); Trang 93 Hình 4.20 Bộ điều khiển B&B: lamda=0.1;Hp=20,NN=7 Nhận xét: Việc tăng giới hạn dự báo làm cải thiện đáng kể chất lượng bám tín hiệu đặt tốc độ hội tụ lời giải Đáp ứng hệ khơng có trình điều chỉnh ổn định với nhiễu Thời gian bước tính nhanh Đối với FMPC2, FMPC3, FMPC4 việc tăng giới hạn dự báo có tác dụng tốt tương tự FMPC2: lamda=0.1;Hp=10,NN=7 >>TDLy=[1 2];TDLu=[4]; NL_mpc03b(Myfis_2,TDLy,TDLu,0.1,model_2,Ts,[0 1],[0.5 0.5],gamafis_vdk,2,10,7,0,0.8,1,300); Trang 94 Hình 4.21 Bộ điều khiển B&B: lamda=0.1;Hp=10,NN=7 lamda=0.1;Hp=20,NN=7 >>TDLy=[1 2];TDLu=[4]; NL_mpc03b(Myfis_2,TDLy,TDLu,0.1,model_2,Ts,[0 1],[0.5 0.5],gamafis_vdk,2,20,7,0,0.8,1,300); Hình 4.22 Bộ điều khiển B&B: lamda=0.1;Hp=20,NN=7 Trang 95 FMPC3: lamda=0.1;Hp=10,NN=7 >>TDLy=[1 2];TDLu=[4]; NL_mpc03b(Myfis_3,TDLy,TDLu,0.1,model_3,Ts,[0 1],[0.5 0.5],gamafis_vdk,2,10,7,0,0.8,1,300); Hình 4.23 Bộ điều khiển B&B: lamda=0.1;Hp=10,NN=7 lamda=0.1;Hp=20,NN=7 >>TDLy=[1 2];TDLu=[4]; NL_mpc03b(Myfis_3,TDLy,TDLu,0.1,model_3,Ts,[0 1],[0.5 0.5],gamafis_vdk,2,20,7,0,0.8,1,300); Trang 96 Hình 4.24 Bộ điều khiển B&B: lamda=0.1;Hp=20,NN=7 FMPC4: lamda=0.1;Hp=10,NN=7 >>TDLy=[1 2];TDLu=[3]; NL_mpc03b(Myfis_4,TDLy,TDLu,0.1,model_4,Ts,[0 1],[0.5 0.5],gamafis_vdk,2,10,7,0,0.8,1,300); Hình 4.25 Bộ điều khiển B&B: lamda=0.1;Hp=10,NN=7 Trang 97 lamda=0.1;Hp=20,NN=7 >>TDLy=[1 2];TDLu=[3]; NL_mpc03b(Myfis_4,TDLy,TDLu,0.1,model_4,Ts,[0 1],[0.5 0.5],gamafis_vdk,2,20,7,0,0.8,1,300); Hình 4.26 Bộ điều khiển B&B: lamda=0.1;Hp=20,NN=7 KẾT LUẬN Phương pháp MPC sử dụng mơ hình mờ dự báo thuật toán tối ưu phiếm hàm mục tiêu Rẽ nhánh & Giới hạn cho kết điều khiển tốt Mơ hình bao chia thành ứng với khoảng giá trị công suất tải giúp cho mơ hình bám sát thực tế điều khiển xác Nhờ cơng nghệ điện tử phát triển, lực tính tốn máy tính nhanh giúp giảm thời gian tính tốn bước tính nâng cao chất lượng điều khiển online Phương pháp điều khiển MPC sử dụng mơ hình mờ dự báo tương lai áp dụng nhiều công nghiệp để phát huy ưu điểm vượt trội so với phương pháp điều khiển truyền thống Trang 98 TÀI LIỆU THAM KHẢO [1] - N.D.Phước, P.X.Minh, Lý thuyết điều khiển mờ, NXB Khoa học kỹ thuật, 2000 [2] – E.S> Camacho, C.Bordons, Model predictive control in process industry, Springer, London, 1995 [3] – Kevin M.Passino, Stephen Yurkovich _ Fuzzy Control - Addison Wesle [4] – Jairo Espinosa, Joo Vandewalle and Vicent Wertz – Fuzzy Logic, Indentification and predictive Control – Springer [5] – Y.-Z.Lu, M.He, C.-W.Xu, Fuzzy modeling and expert optimization control for industrial processes, IEEE Trans Control Systems Technol (1997) 2-12 [6] – T Tagaki, M.Sugeno, Fuzzy identification of systems and its applycation to modeling and control, IEEE Trans Systems, Man and Cybernetics 15 (1985) [7] – Li-Xin Wang, Design and Analysis of Fuzzy Identifiers of Nonlinear Dynamic Systems, IEEE Trans - actions on Automatic Control, Vol 40, No1, Jan 1995 [8] – J.M Sousa, R Babuska, H.B Verbruggen, Fuzzy predictive control applied to an airconditioning system, Control Engineering Practice (1997) 1395-1406 [9] – J.M Sousa, M Setnes, L.F Baptista J.M.G SQ da Costa, Model Predictive Algorithms Based on Fuzzy Discrete Alternatives, IEEE Trang 99 International Fuzzy Systems Conference Proceedings, August 22-25, 1999, Seoul, Korea [10] – J.M Sousa, Optimization Issues in Predictive Control with Fuzzy Objective Functions, International journal of intelligent systems, VOL.15, 879-899-2000 [11] – Robert Babuska, Fuzzy Systems, Modeling and Identification [12] – J.A Roubos, S Mollov, R Babuska, H.B Verbuggen, Fuzzy modelbased predictive control using [13] – Tagaki-Sugeno models, International Journal of Approximate Reasoning 22 (1999) 3-30 [14] J.M Sousa, Fuzzy model – based control of complex processes [15] – Jairo Espinosa, Joos Vandewalle and Vicent Wertz, Fuzzy Logic, Identification and Predictive Control, Springer Verlag London, UK [16] – J.M Sousa, M Setnes, U.Kaymak, Adaptive decision alternatives in fuzzy predictive control, in : FUZZY-IEEE, Vol 1, Anchorage, Alaska, 1998, pp 698-703 [17] – Mitchell Melanie, An Introduction to Genetic Algorithms, A Bradford Book The MIT Press, FIfth Printing, 1999 [18] – M Boumehraz, K.Benmahammed, Constrained Non-linear Model Based Predictive Control using Genetic Algorithms [19] – Randy L Haupt, Sue Ellen Haupt, Practical Genetic algorithms, 2004 A John Wiley & Sons, inc Publication ... toán điều khiển nhiệt nhà máy nhiệt điện chương trình bày phương pháp xây dựng mơ hình dự báo sở hệ logic mờ mơ hình dự báo gọi mơ hình dự báo mờ Trang 17 CHƯƠNG II XÂY DỰNG MƠ HÌNH DỰ BÁO TRÊN... 54 ỨNG DỤNG PHƯƠNG PHÁP MPC TRÊN NỀN FLS CHO HỆ THỐNG ĐIỀU KHIỂN NHIỆT ĐỘ BAO HƠI NHÀ MÁY NHIỆT ĐIỆN PHẢ LẠI 54 4.1 GIỚI THIỆU VỀ Q TRÌNH CƠNG NGHỆ SẢN XUẤT HƠI TẠI NHÀ MÁY NHIỆT ĐIỆN PHẢ... MỞ ĐẦU Phương pháp điều khiển dự báo đời cách khoảng hai thập kỷ có nhiều ứng dụng thành công công nghiệp Hiện nay, điều khiển dự báo chiến lược điều khiển sử dụng phổ biến việc điều khiển trình