[發明專利]一種基于GRU-PID的鍋爐調壓預測控制方法

有效

• 申請號: 202010699723.0
• 申請日: 2020-07-20
• 公開（公告）號: CN111708388B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 張艷;胡興柳;楊忠
• 申請（專利權）人: 金陵科技學院
• 主分類號: G05D16/20
• 分類號: G05D16/20;G05B11/42;F22B35/18;G06N3/04
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.一種基于GRU-PID的鍋爐調壓預測控制方法，具體步驟如下，其特征在于，

步驟1：建立鍋爐壓力調節控制系統；

所述步驟1中的鍋爐壓力調節控制系統，主要由可調節風量的鼓風機，燃料進氣管，燃燒室，鍋爐室，壓力反饋機構，蒸汽輸出管組成,其中，壓力反饋機構基于壓電傳感器電信號經放大器產生壓力值，實時獲取鍋爐的壓力值P，并通過電路將壓力值上傳到上位機,整個鍋爐控制系統，通過調控鼓風機的風量u，改變燃料進氣管的燃料進給速率，從而控制鍋爐產生的蒸汽壓力；

步驟2：使用訓練好的GRU算法模型預測鍋爐未來多個時步的壓力；

所述步驟2中使用GRU算法為門控循環單元算法，GRU算法模型預測鍋爐壓力的步驟是，

步驟2.1從上位機中提取出當前時刻t前T時間內的鼓風機風量和鍋爐壓力值，作為GRU算法的輸入原始時間序列

式中，表示k時刻的鼓風機風量和鍋爐壓力值組成的向量；

步驟2.2對歸一化處理，即對中每一個元素中計算得出歸一化后的值，

式中，P_k,u_k表示歸一化后k時刻的鍋爐壓力和鼓風機風量，分別表示GRU算法訓練時的歸一化處理訓練集的鍋爐壓力和鼓風機風量的最大值和最小值，則歸一化后的時間序列可表示為X＝[x_t-T+1,...x_k,...,x_t]，簡化下標格式為X＝[x₁,...x_k,...,x_T]，作為GRU每個單元的輸入節點；

步驟2.3基于預先訓練好的鍋爐壓力預測GRU模型，先計算GRU算法模塊k時刻更新門節點值z_k，

z_k＝g(W_xzx_k+W_hzh_k-1)

然后，計算GRU模塊算法k時刻重置門節點值r_k，

r_k＝g(W_xrx_k+W_hrh_k-1)

接著，計算GRU模塊算法k時刻記憶單元節點值c_k，

最后，計算GRU模塊算法k時刻隱含層節點值h_k，

式中，W_xz、W_hz、W_xr、W_hr、W_xc、W_hc為權重矩陣，為點乘操作，g()為sigmoid激活函數，f()為tanh激活函數；

步驟2.4重復步驟2.3，依次算出每個時步k時刻隱含層節點值h_k，其中k＝1,2,3,…,T，最終將隱含層節點矩陣H＝[h₁,...h_k,...,h_T]輸入到全連接層來映射出預測向量O＝[o₁,...,o_j,...,o_d]，式中，o_j表示第t+j時刻(即未來第j時刻)的鍋爐壓力預測值；

步驟3：計算基于鍋爐壓力多時步控制誤差的關聯函數；

所述步驟3中所述計算t時刻基于鍋爐壓力多時步控制誤差的關聯函數具體為，

式中，o_j表示鍋爐壓力預測GRU模塊輸出第t+j時刻(即未來第j時刻)的預測值，req_j表示的是第t+j時刻(即未來第j時刻)所需的鍋爐壓力值，α_j表示的是每個時刻的權重系數；

步驟4：計算基于上述關聯函數的鍋爐控制系統輸出；

所述步驟4中計算基于上述關聯函數的鍋爐控制系統輸出，具體為：

計算控制變量鼓風機風量的控制差值

式中，u_I為積分比例因子，u_D為微分比例因子，k_p為控制比例因子；

最后計算出控制變量鼓風機風量的t+1時刻控制值以實現控制

P_t+1＝P_t+ΔP_t。

2.根據權利要求1所述的一種基于GRU-PID的鍋爐調壓預測控制方法，其特征在于：

所述步驟2.3中所述鍋爐壓力預測GRU模型的訓練方法，具體步驟為:

2.3.1分別采集多組連續的鍋爐壓力和鼓風機風量數據，并根據步驟2.2的公式對數據進行歸一化處理，計算出分別表示GRU算法訓練時的歸一化處理訓練集的鍋爐壓力和鼓風機風量的最大值和最小值；

2.3.2使用動態視窗的方法，在每一組數組提取出樣本，其中樣本的輸入為長度為T的序列，輸出為長度為d的序列，將提取出的樣本集作為原始訓練集；

2.3.3對原始訓練集的樣本每個數值隨機加高斯噪聲，并將生成的數據樣本填入到原始訓練集中，生成最終的訓練集；

2.3.4隨機初始化鍋爐壓力預測GRU模型的每個權重矩陣；

2.3.5將訓練集的樣本依次喂入GRU網絡，根據步驟2.3的公式前向計算鍋爐壓力預測GRU模型每個神經元的輸出值；

2.3.6計算GRU模型最終輸出預測的鍋爐壓力O＝[o₁,...,o_j,...,o_d]與訓練集樣本的輸出鍋爐壓力真值序列的均方根誤差；

2.3.7反向計算每個神經元的誤差項，基于誤差項利用Adam優化算法計算相應的權重梯度，然后更新梯度；

2.3.8根據更新后的梯度計算出GRU模型的每個權重矩陣并更新；

2.3.9將訓練樣本集順序打亂，重復步驟2.3.4-2.3.7，直到計算出的均方根誤差小于閾值，方可認定鍋爐壓力預測模型收斂，訓練完畢。