本發(fā)明屬于石油化工技術(shù)領(lǐng)域，涉及一種基于mqpso-dmpc的反應(yīng)再生系統(tǒng)優(yōu)化控制方法。

背景技術(shù)：

石油化工工業(yè)在我國國民經(jīng)濟中占有舉足輕重的地位，承擔(dān)著為我國提供各種能源的重?fù)?dān)。常規(guī)的催化裂化裝置由三個部分組成，包含反應(yīng)再生系統(tǒng)、分餾系統(tǒng)以及吸收穩(wěn)定系統(tǒng)。作為催化裂化的核心部分，反應(yīng)再生系統(tǒng)(reactionregenerationsystem，rrs)將原油經(jīng)過加工，生成各種各樣的輕質(zhì)油產(chǎn)品。但現(xiàn)有的反應(yīng)再生系統(tǒng)存在能耗較高，且不穩(wěn)定的問題。

技術(shù)實現(xiàn)要素：

鑒于上述問題，本發(fā)明的目的是提供一種基于mqpso-dmpc的反應(yīng)再生系統(tǒng)優(yōu)化控制方法，以解決現(xiàn)有的rrs存在能耗較高，且不穩(wěn)定的問題。

本發(fā)明提供的基于mqpso-dmpc的反應(yīng)再生系統(tǒng)優(yōu)化控制方法，包括：

s1：將反應(yīng)再生系統(tǒng)的傳遞函數(shù)模型轉(zhuǎn)化為階躍響應(yīng)模型；

s2：建立dmpc模型，dmpc模型包括開環(huán)預(yù)測模塊、穩(wěn)態(tài)目標(biāo)計算模塊和動態(tài)矩陣控制模塊；

s3：利用mqpso算法，在不放松約束條件的前提下，對經(jīng)濟優(yōu)化和能源消耗的多目標(biāo)優(yōu)化函數(shù)進行求解；其中，約束條件包括操作變量的硬約束和軟約束，被控變量的硬約束和軟約束，外部目標(biāo)的約束；

s4：根據(jù)mqpso算法對經(jīng)濟優(yōu)化和能源消耗的多目標(biāo)優(yōu)化函數(shù)求得的解獲得反應(yīng)再生系統(tǒng)的輸出設(shè)定值，并與實際輸出的偏差作為單目標(biāo)誤差函數(shù)，利用qpso算法對該單目標(biāo)誤差函數(shù)求解，獲得操作變量的最佳變化量。

利用上述根據(jù)本發(fā)明提供的基于mqpso-dmpc的反應(yīng)再生系統(tǒng)優(yōu)化控制方法，通過設(shè)置rrs的經(jīng)濟以及能耗多目標(biāo)優(yōu)化函數(shù)，并采用mqpso對rrs的多目標(biāo)優(yōu)化問題求解，在保證經(jīng)濟效益以及減少能耗的基礎(chǔ)上，進一步對rrs的過程進行穩(wěn)態(tài)控制，即采用qpso對dmpc的動態(tài)矩陣控制階段進行求解從而對rrs的過程進行穩(wěn)態(tài)控制。

附圖說明

圖1為根據(jù)本發(fā)明的基于mqpso-dmpc的反應(yīng)再生系統(tǒng)優(yōu)化控制方法的流程圖；

圖2為根據(jù)本發(fā)明的dmpc對rrs輸出的跟蹤效果圖；

圖3為根據(jù)本發(fā)明的dmpc對rrs輸入的跟蹤效果；

圖4為根據(jù)本發(fā)明的mqpso-dmpc對rrs的輸出的跟蹤結(jié)果圖；

圖5根據(jù)本發(fā)明的mqpso-dmpc對rrs的輸出的跟蹤結(jié)果圖。

具體實施方式

在下面的描述中，出于說明的目的，為了提供對一個或多個實施例的全面理解，闡述了許多具體細(xì)節(jié)。然而，很明顯，也可以在沒有這些具體細(xì)節(jié)的情況下實現(xiàn)這些實施例。在其它例子中，為了便于描述一個或多個實施例，公知的結(jié)構(gòu)和設(shè)備以方框圖的形式示出。

名詞解釋

mqpso：multi-objectivequantum-behavedparticleswarmoptimizationalgorithm，多目標(biāo)量子粒子群優(yōu)化算法。

dmpc：thedouble-layerdmodelpredictivecontrol，雙層模型預(yù)測控制。

qpso：quantum-behavedparticleswarmoptimizationalgorithm，量子粒子群優(yōu)化算法。

圖1示出了根據(jù)本發(fā)明的基于mqpso-dmpc的反應(yīng)再生系統(tǒng)優(yōu)化控制方法的流程。

如圖1所示，本發(fā)明提供的基于mqpso-dmpc的反應(yīng)再生系統(tǒng)優(yōu)化控制方法，包括如下步驟：

s1：將rrs的傳遞函數(shù)模型轉(zhuǎn)化為階躍響應(yīng)模型。

轉(zhuǎn)換后的rrs的階躍響應(yīng)模型如下：

式(1)中，δu為操作變量的變化量，k為時間，n為模型長度，為rrs操作變量的階躍響應(yīng)系數(shù)矩陣，為rrs干擾變量的階躍響應(yīng)系數(shù)矩陣,對滿足

s2：建立dmpc模型，dmpc模型包括開環(huán)預(yù)測模塊、穩(wěn)態(tài)目標(biāo)計算模塊和動態(tài)矩陣控制模塊。

建立開環(huán)預(yù)測模塊的過程，包括如下步驟：

s211：當(dāng)δu(k+i-1)＝0、δv(k+i-1)＝0(1≤i≤p)時，設(shè)為對y(k+p|k)的預(yù)測值，其中，δν為干擾變量的變化量，p為預(yù)測時域，則有：

s212：考慮反饋校正，假設(shè)vss(k)＝vss(k-1)+δv(k)為已知，從k時刻開始，反應(yīng)再生系統(tǒng)的操作變量不再變化時，基于式(2)得到反應(yīng)再生系統(tǒng)的開環(huán)預(yù)測為y^ol(k+i|k)，當(dāng)檢測到δu(k-1)時求解得到反應(yīng)再生系統(tǒng)的開環(huán)預(yù)測：

s213：基于式(3)與rrs的實際輸出，得到誤差：

s214：對誤差進行一階指數(shù)平滑處理，得到

其中，vss(k)為階躍響應(yīng)的遞推模型；

s215：以平滑處理后的誤差為基準(zhǔn)，對rrs的輸出進行反饋校正，且反饋校正在未來所有時間點都是恒定的，記為k時刻的開環(huán)動態(tài)預(yù)測值得到：

s216：結(jié)合式(4)，得到開放穩(wěn)態(tài)預(yù)測：

建立穩(wěn)態(tài)目標(biāo)計算模塊的過程，包括如下步驟：

s221：提取所有反應(yīng)再生系統(tǒng)的操作變量和被控變量的硬約束條件與軟約束條件，并合并表達為關(guān)于穩(wěn)態(tài)操作變量的變化量δuss(k)的形式：

其中，為操作變量的上限，為操作變量的理想值的集合，為穩(wěn)態(tài)增益矩陣，為穩(wěn)態(tài)被控變量的變化量，為被控變量的理想值的集合，k為迭代次數(shù)，t為時間。

更為具體地，穩(wěn)態(tài)mv的硬約束為：

在mpc控制過程中,存在mv變化速率約束其中，m為控制時域，則增加的穩(wěn)態(tài)mv的硬約束為：

對δus(k)進行限制，則增加的穩(wěn)態(tài)mv的硬約束為：

穩(wěn)態(tài)cv的硬約束為：

穩(wěn)態(tài)cv的軟約束為：

在實際過程中，總是滿足另外，對δyss(k)進行限制，則增加的穩(wěn)態(tài)cv的硬約束為

cv的新穩(wěn)態(tài)值僅決定于δuss(k)的大小，而與mv動態(tài)變化路徑無關(guān)，穩(wěn)態(tài)預(yù)測模型為：

其中，為穩(wěn)態(tài)增益矩陣；為開環(huán)穩(wěn)態(tài)預(yù)測；

所有條件合并表達為關(guān)于穩(wěn)態(tài)操作變量的變化量δuss(k)的形式：

s222：建立經(jīng)濟優(yōu)化j1和能耗消耗j2的雙目標(biāo)優(yōu)化函數(shù)：

式(5)中，b為權(quán)重。

s223：放松約束條件，采用二次規(guī)劃方法對式(5)進行求解，獲得多目標(biāo)下的穩(wěn)態(tài)操作變量的變化量δuss(k)。

建立動態(tài)矩陣控制模塊的過程，包括如下步驟：

s231：取預(yù)測時域為p，控制時域為m。在每個時刻k，可得到：

s232：當(dāng)p大于n時，y^ol(k+j|k)＝y(tǒng)^ol(k+n|k)，j＞n，該預(yù)測值包含預(yù)測誤差的反饋校正及干擾的影響，得到：

其中，d為動態(tài)控制矩陣；

s233：在動態(tài)矩陣中，根據(jù)mqpso算法對經(jīng)濟優(yōu)化和能源消耗的多目標(biāo)優(yōu)化函數(shù)求得的解獲得反應(yīng)再生系統(tǒng)的輸出設(shè)定值，并與實際輸出的偏差作為單目標(biāo)誤差函數(shù)，選擇最小化的單目標(biāo)誤差函數(shù)如下：

為了讓預(yù)測輸出盡可能地接近實際輸出，以式(5)的解求得rrs的輸出設(shè)定值和實際輸出的誤差為單目標(biāo)誤差函數(shù)。

s234：對最小化的目標(biāo)函數(shù)(6)求解，獲得穩(wěn)態(tài)操作變量的最佳變化量。

采用matlab7.0為仿真平臺，以rrs為對象，進行dmpc算法的研究，仿真過程中，采樣周期為4分鐘，權(quán)重向量b＝(122211)，jmin＝-3，建模時域n＝30，作變量下限ui為0，預(yù)測控制的操作變量上限為600，被控變量下限yi為0，被控變量上限為800，穩(wěn)態(tài)操作變量變化值δus(k)為100，操作變量變化值為50。

各操作變量代表名稱如表1所示：

表1各操作變量代表名稱

各被控變量代表名稱如表2所示：

表2各被控變量代表名稱

通過實驗仿真，dmpc對輸出的跟蹤效果以及對輸入的跟蹤效果如圖2和圖3所示。

從圖2和圖3可以看出，在考慮各變量優(yōu)先級順序的條件下，通過放松約束條件對最佳的操作變量變化量進行求取，仿真結(jié)果表明，dmpc對rrs的輸入和輸出有很好的跟蹤效果。然而，放松約束條件不僅對硬件設(shè)備提出了更高的要求，而且所求的最優(yōu)解是通過放松約束條件后求取的最優(yōu)解，并不是真正意義上的最優(yōu)解。群體智能算法在不放松約束條件下，對最優(yōu)化問題的求解比傳統(tǒng)的二次規(guī)劃或線性規(guī)劃方法有天然的優(yōu)勢，因此，本發(fā)明將mqpso算法引入到dmpc中。

s3：利用mqpso算法，在不放松約束條件的前提下，對經(jīng)濟優(yōu)化和能源消耗的多目標(biāo)優(yōu)化函數(shù)進行求解。

其中，約束條件包括操作變量的硬約束和軟約束，被控變量的硬約束和軟約束，外部目標(biāo)的約束。

s31：初始化系統(tǒng)參數(shù)，包括種群規(guī)模n、最大迭代次數(shù)t，隨機生成n個粒子x1,x2，…,xn、粒子維數(shù)m、壓縮-擴張因子α和令外部存檔集q，q為空；

s32：評價每個粒子的適應(yīng)度，并根據(jù)優(yōu)劣對個體最優(yōu)值和全局最優(yōu)值進行替換；

s33：將每個粒子的當(dāng)前適應(yīng)度pi和個體最優(yōu)適應(yīng)度進行比較，如果當(dāng)前適應(yīng)度pi支配個體最優(yōu)適應(yīng)度則將當(dāng)前適應(yīng)度pi代替?zhèn)€體最優(yōu)適應(yīng)度否則，保留原有的個體最優(yōu)適應(yīng)度

s34：更新外部存檔集q，將種群中所有的非支配集加入外部存檔集q，并刪除被支配的粒子；

s35：利用擁擠機制和禁忌算法在外部存檔集q中隨機選擇一個粒子作為全局最優(yōu)值；

s36：更新作為全局最優(yōu)值的粒子的位置xij(t)，更新公式為：

xij(t+1)＝eij(t)±α|cij(t)-xij(t)|×ln[1/uij(t)]

eij(t)＝βpij(t)+(1-β)pgj(t)

其中，cij(t)表示所有粒子的平均最優(yōu)位置，xij(t+1)表示作為全局最優(yōu)值的粒子更新后的位置，pij為第i個粒子第j維的當(dāng)前最優(yōu)位置，pgj為全局最優(yōu)位置，uij與β分別為0到1之間的隨機數(shù)；α為擴張-收縮因子，會影響單個粒子的收斂性，從1至0.5隨迭代次數(shù)自適應(yīng)變化；

s37：判斷當(dāng)前全局最優(yōu)解是否滿足條件或者迭代次數(shù)是否達到最大迭代次數(shù)t，如果是，則輸出當(dāng)前全局最優(yōu)解，否則，跳轉(zhuǎn)至步驟s32進行重復(fù)計算，直到當(dāng)前全局最優(yōu)解滿足條件或者迭代次數(shù)達到最大迭代次數(shù)t為止；

s38：不放松約束條件，利用mqpso對建立的經(jīng)濟優(yōu)化j1和能耗消耗j2的雙目標(biāo)優(yōu)化函數(shù)進行求解，求得多目標(biāo)下的穩(wěn)態(tài)操作變量的變化量δuss(k)。

s4：根據(jù)mqpso算法對經(jīng)濟優(yōu)化和能源消耗的多目標(biāo)優(yōu)化函數(shù)求得的解獲得反應(yīng)再生系統(tǒng)的輸出設(shè)定值，并與實際輸出的偏差作為單目標(biāo)誤差函數(shù)，利用qpso算法對該單目標(biāo)誤差函數(shù)求解，獲得操作變量的最佳變化量。

利用qpso算法對單目標(biāo)誤差函數(shù)求解，獲得操作變量的最佳變化量的過程，包括如下步驟：

s41：取預(yù)測時域為p，控制時域為m，在每個時刻k，可得到：

s42：當(dāng)p大于n時，y^ol(k+j|k)＝y(tǒng)^ol(k+n|k)，j＞n，該預(yù)測值包含預(yù)測誤差的反饋校正及干擾的影響，得到：

s43：在動態(tài)矩陣中，根據(jù)mqpso算法對經(jīng)濟優(yōu)化和能源消耗的多目標(biāo)優(yōu)化函數(shù)求得的解獲得反應(yīng)再生系統(tǒng)的輸出設(shè)定值，并與實際輸出的偏差作為單目標(biāo)誤差函數(shù)，選擇最小化的單目標(biāo)誤差函數(shù)如下：

在動態(tài)矩陣中，根據(jù)mqpso算法對經(jīng)濟優(yōu)化和能源消耗的多目標(biāo)優(yōu)化函數(shù)求得的解獲得反應(yīng)再生系統(tǒng)的輸出設(shè)定值的公式為：

式(5)中，yss(k)為反應(yīng)再生系統(tǒng)的輸出設(shè)定值，δuss(k)為mqpso算法對經(jīng)濟優(yōu)化和能源消耗的多目標(biāo)優(yōu)化函數(shù)求得的解，為穩(wěn)態(tài)增益矩陣，由系統(tǒng)的穩(wěn)態(tài)模型得到；為開環(huán)穩(wěn)態(tài)預(yù)測，由辨識好的傳遞函數(shù)模型得到。

s44：利用qpso算法對最小化的目標(biāo)函數(shù)求解，獲得操作變量的最佳變化量。

采用matlab7.0為仿真平臺，以rrs為對象，進行各算法的研究，仿真過程中，采樣周期為4分鐘，建模時域n＝600，操作變量下限ui為-0.5，預(yù)測控制的操作變量上限為0.5，被控變量下限yi為-0.5，被控變量上限為0.5，穩(wěn)態(tài)操作變量變化值δus(k)為0.1，操作變量變化值為0.1，多目標(biāo)優(yōu)化中，b1＝[0.122]，a1＝[1020200]，j1max＝－3，j2max＝－4。各變量所代表意義如表1和表2所示，算法的參數(shù)取值如表3所示：

表3各算法參數(shù)取值表

mqpso-dmpc對rrs輸出的跟蹤效果以及對輸入的跟蹤效果的如圖4和圖5所示。

從圖4和圖5中可以看出，通過設(shè)置rrs的經(jīng)濟以及能耗多目標(biāo)優(yōu)化函數(shù)，并采用mqpso對rrs的多目標(biāo)優(yōu)化問題求解，在保證經(jīng)濟效益以及減少能耗的基礎(chǔ)上，進一步對rrs的過程進行穩(wěn)態(tài)控制，即采用qpso對dmpc的動態(tài)矩陣控制階段進行求解，仿真結(jié)果表明，mqpso-dmpc能對rrs的被控變量和操作變量進行跟蹤，表明了mqpso-dmpc算法在rrs中的有效性。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)所述以權(quán)利要求的保護范圍為準(zhǔn)。