基于智能在线虚拟参考反馈整定的控制方法研究

Virtual Reference Feedback Tuning (VRFT) is a novel off-line data-driven control method. To solve the theoretical problems of VRFT and extend its applications, a new intelligent VRFT is proposed in this project where VRFT is considered as a global optimization problem instead of an identification problem in the previous research work. Compared with the traditional VRFT methods, the virtual reference model (VRM) and the structure of controllers (SoC) of VRFT are also introduced and optimized by intelligent optimization algorithms together with the parameters of controllers, which can solve the problems on the choice of VRM and SoC and achieve the globally best control performance. By further developing the constrains of the closed-loop stability of VRFT, simplifying the process of VRFT and introducing heuristic strategies, we will present the closed-loop stable VRFT method and the online VRFT method which can guarantee the closed-loop stability of the designed controllers and control the time-variant nonlinear objects effectively and efficiently, respectively. Finally, the presented intelligent VRFT methods are improved and validated in power plant control. In this project, we study the VRFT methods as optimization problems and solve them by the improved intelligent optimization algorithms, which creates a brand new perspective to research and tackle the VRFT problems. And thus this work is of important theoretical significance and has a very promising application future.

虚拟参考反馈整定(Virtual Reference Feedback Tuning，VRFT)是一种新颖的离线数据驱动控制方法。本项目针对VRFT现有的理论瓶颈与应用难题，提出智能VRFT方法，通过将VRFT从传统的参数辨识问题扩展为一个全局优化问题，采用改进的智能优化算法对其虚拟参考模型、控制器结构与参数协同全局优化，解决虚拟参考模型与控制器结构设计缺乏理论指导的不足，真正意义上实现VRFT最优控制器设计。在此基础上给出VRFT闭环控制稳定约束条件、优化算法流程并引入启发式策略，提出闭环稳定与在线VRFT方法，解决现有VRFT方法无法保证闭环稳定和难以有效应用于非线性、时变对象的缺陷。最终在电站控制中验证改进提出的智能VRFT方法。本项目从全局优化的角度思考、研究VRFT方法，采用智能优化算法进行求解，为VRFT的研究提供了一个全新的思路、方法与实现手段，具有重要的理论意义与应用前景。

近年来数据驱动控制的研究获得了国内外控制界的高度重视，特别是大数据技术为数据驱动控制的发展与应用提供了一个广阔前景。在这一背景下，课题深入研究了虚拟参考反馈整定(Virtual Reference Feedback Tuning，VRFT)这一新型离线数据驱动控制方法。针对VRFT 现有的理论瓶颈与应用难题，课题研究提出了新型智能VRFT方法（Intelligent Virtual Reference Feedback Tuning，IVRFT），将VRFT从传统的参数辨识问题扩展为一个全局优化问题，采用人类学习优化（Human Learning Optimization，HLO）算法等智能优化算法对其参考模型、控制器结构与参数进行协同全局优化，解决了参考模型与控制器结构设计缺乏理论指导的不足，从而能够真正意义上实现VRFT 最优控制器设计。.基于IVRFT这一新方法，进一步研究提出了闭环稳定IVRFT方法、在线IVRFT方法，解决传统VRFT方法无法保证闭环稳定和难以有效应用于非线性、时变对象的缺陷。特别是通过将IVRFT与李雅普诺夫自适应模糊控制、无模型自适应控制、同时扰动随机逼近等闭环稳定或在线数据驱动控制方法相结合，进一步提高了控制性能，扩展了IVRFT研究与应用领域。.针对IVRFT优化设计控制器中对智能优化算法的需求，受人类学习行为启发，研究提出了一种全新的元启发式智能优化算法——人类学习优化算法，有效提高了IVRFT控制器优化设计性能，满足了Pareto多目标控制器设计等应用需求。进一步结合实际工业应用需求提出了非最小相位系统、串级系统、大时延系统、多输入多输出系统等智能VRFT方法，有效解决了不同工业对象的VRFT应用问题。.课题成果为VRFT 的研究与应用提供了一个全新的思路与方法，拓展了VRFT理论方法，具有重要的理论价值；同时提出的IVRFT方法实现简单、仅需被控对象一组输入输出数据即可实现，很好地满足了工业应用需求，具有实际工业应用优势与良好的应用前景。