[发明专利]一种基于神经网络的预测控制算法

说明书

本发明公开了一种基于神经网络的预测控制算法。涉及工业控制方法领域，该方法考虑在面对非线性、延迟性及模型不确定性的控制系统时，常规的经典控制算法存在着很多不足之处，而预测控制是一种基于预测模型的控制算法，只要预测模型具备预测能力即可。很多控制策略需要基于精确的数学模型，而实际生产生活中，很多情况模型是未知的，本发明利用神经网络的强大的刻画能力，结合被控对象的历史数据，训练神经网络模型，作为预测控制的预测模型，如此便可以摆脱控制算法对数学模型的依赖，提高控制系统的控制精度和泛化能力，提高了预测控制的性能。

技术领域

本发明涉及工业控制方法领域，尤其涉及一种基于神经网络的预测控制算法方法。

背景技术

随着经济和科技的快速发展，很多传统工业在原有的生产过程中，也不断的升级和改进，尤其是几年随着计算机网络的快速发展，更加提高了生产过程智能化水平。工业炉作为传统生产工业的重要组成部分，无论是以前还是现在都扮演着十分重要的角色。工业炉是工业换热的关键设备，广泛应用于国民经济的各行各业，量大面广，品种多，同时工业炉又是高能耗装备。我国在工业炉节能方面，具有相当大的潜力，如何节约能源提高能源利用水平，仍是当务之急。

工业炉是一个典型的复杂工业被控对象，工业炉的温度控制一直是控制界的热门话题，它具有多变量、强非线性、多耦合、大时滞等特点，而且由于炉温分布难以测量、外界扰动因素多，很难对其进行准确建模和控制。主要表现在工艺复杂性、控制复杂性和扰动的多样性。引起扰动的因素是多方面的，包括：加热介质的在不同温度压力下的物性参数变化、工业炉处于待机工况引起的工业炉的工况不稳定和扰动等等。

同时，对于复杂的工业对象，对模型的辨识需要花费很大的代价，而且模型与实际被控对象之间仍然存在着误差，这样就给基于传递函数或者状态方程的控制算法带来困难。基于这一点，发明一种基于神经网络的预测控制方法，只需要工业炉的输入输出历史数据，训练模型用以刻画被控对象，不仅精度高，而且适应范围广。

发明内容

本发明目的在于针对工业炉炉温控制数学模型的未知性，没有精确的数学模型导致很多现有的基于数学模型的控制算法，都存在着或多或少的缺陷，常规的基于模型控制算法，在面对这样的控制对象时，很难达到理想的控制下效果传统工业问题，提出一种新的基于神经网络的预测控制算法。

为了实现上述发明目的，本发明采用一种基于神经网络的预测控制算法，可选地，所述方法包括以下步骤：

步骤一：利用被控对象输入输出构建多步级联BP神经网络作为预测控制中的预测模型，对该模型就行训练和测试，并保存；

步骤二：对神经网络多步预测模型的输出进行反馈校正；

步骤三：根据对象历史多步输入输出，以及反馈校正后的预测输出，构建二次性能指标函数，通过最小化性能指标函数得到该步长内的控制输入；

步骤四：利用PSO全局优化算法，对该性能指标函数的最优值进行初步寻优；

步骤五：将PSO寻优的结构作为N-R的初值，在利用N-R局部优化算法进行寻优，先求解Hessian矩阵，再求解Jacobian矩阵，通过控制精度或者控制迭代次数终止迭代，得到该步长的控制输入，将控制输入传输给被控对象，从而得到控制输出；

步骤六：将上一次N-R实现滚动优化得到的控制输入，作为下一次滚动优化中PSO算法的最佳位置的初值，从而降低PSO寻优的时间成本；

步骤七：重复步骤二至六实现预测控制。

可选地，步骤一利用多步级联BP神经网络得到预测模型包括如下步骤：

步骤一：设定参考轨迹，常见做法就是对设定值进行柔化处理，使得当前时刻输出以相对平缓的方式过渡到设定值，计算公式为：