基于优化控制平台的神经网络预测控制方法.pdf

《基于优化控制平台的神经网络预测控制方法.pdf》由会员分享，可在线阅读，更多相关《基于优化控制平台的神经网络预测控制方法.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010329580.4 (22)申请日 2020.04.20 (71)申请人 杭州意能电力技术有限公司 地址 310012 浙江省杭州市西湖区文三路 253号9楼902室 申请人 国网浙江省电力有限公司电力科学 研究院 华北电力大学 （保定） (72)发明人 苏烨丁宁孙坚栋郑可轲 董泽姜炜段亚灿凌路加 张悦孙明 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 9/455(2。

2、006.01) G06F 9/52(2006.01) G06F 9/54(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种基于优化控制平台的神经网络预测控 制方法 (57)摘要 本发明公开了一种基于优化控制平台的神 经网络预测控制方法， 包括： A、 取被控对象一定 输入输出范围内的样本， 建立神经网络的初始学 习集； B、 根据控制对象选择神经网络的初始参 数， 包括层数和节点数； C、 神经网络初始化， 主要 是网络权值和阈值的初始化； D、 训练LSTM神经网 络， 得到神经网络预测模型； E、 计算期望输入的 参考轨迹； F、 由神经网络预测模型输出， 。

3、经反馈 校正生成预测输出； G、 计算预测误差； H、 求二次 性能函数， 获得最优控制解， 跳转至步骤E， 从而 不断调整控制信号。 本发明能够改进现有技术的 不足， 可直接在火电站应用实施， 完美解决现有 高级算法热工控制平台所面临的难题。 权利要求书2页 说明书9页 附图5页 CN 111582562 A 2020.08.25 CN 111582562 A 1.一种基于优化控制平台的神经网络预测控制方法， 其特征在于： 所述优化控制平台包括上位平台和下位平台， 上位平台将高级算法容器的各种信息保 存至STL标准库容器中， 从而实现高级算法封装， 下位平台采用多线程的结构来实现上下位 数据。

4、交互以及高级算法运行功能， 上下位数据交互则开启通信线程， 首先是广播SAMA线程， 此线程函数是将运算线程中每个模块的运算结果广播到上位平台中； 优化控制平台支持两 种类型的高级算法容器， 一种是CC+类型的高级算法容器， 另一种是Python类型高级算法 容器； 神经网络预测控制过程包括， A、 取被控对象一定输入输出范围内的样本， 建立神经网络的初始学习集； B、 根据控制对象选择神经网络的初始参数， 包括层数和节点数； C、 神经网络初始化， 主要是网络权值和阈值的初始化； D、 训练LSTM神经网络， 得到神经网络预测模型； E、 计算期望输入的参考轨迹； F、 由神经网络预测模型输。

5、出， 经反馈校正生成预测输出； G、 计算预测误差； H、 求二次性能函数， 获得最优控制解， 跳转至步骤E， 从而不断调整控制信号。 2.一种权利要求1所述的基于优化控制平台的神经网络预测控制方法， 其特征在于： 步 骤D中， 预测模型LSTM的建立包括以下步骤， D1、 初始化LSTM模型参数， 权值初始化； D2、 给定用于训练的输入向量和目标输出向量； D3、 正向计算神经网络各层的输出， 得到系统实际输出和预测输出的误差； D4、 计算反向传播误差信号， 同时调整神经网络各层权值系数； D5、 如果误差不符合系统给定标准误差值， 返回步骤D3继续训练调整权值系数。 3.根据权利要求2。

6、所述的基于优化控制平台的神经网络预测控制方法， 其特征在于： 上 位平台利用MFC语言搭建人机交互界面， 提供工程师站和操作员站的各项功能； 在VS2017平 台上借助微软提供的Windows SDK， 实现上位平台在Win7/Win10系统上的兼容； 同时借助PC 机的双网卡配置， 实现双网段的冗余， 保证在线命令下发和在线接收下位广播参数的可靠 性； 在上位平台上利用共享内存代替extreDB数据库， 通过严谨的数据结构， 实现各进程之 间数据的共享与交互， 保证数据的高效读写。 4.根据权利要求3所述的基于优化控制平台的神经网络预测控制方法， 其特征在于： 下 位平台硬件由控制单元控制站。

7、、 工业电源、 交换机组成， 均为双冗余结构设计， 其中控制单 元控制站由高运算能力处理器芯片、 内存、 固态硬盘以及串口、 网口、 USB口、 VGA口等输入输 出接口组成； 控制单元内部运行Linux嵌入式操作系统， 在windows平台上通过VS2017远程 对目标机进行编程调试， 最终实现SAMA运算、 卡件通讯、 广播、 指令下发、 主从冗余、 文件下 装等功能。 5.根据权利要求4所述的基于优化控制平台的神经网络预测控制方法， 其特征在于： 优 化控制平台采用FTP协议进行文件下装； 在上位平台进行离线组态之后， 将控制策略文件和 数据库文件下装到下位平台； 采用FTP作为传输协议。

8、， 支持跨平台传输数据， 提高系统的可 移植性； 优化控制平台采用TCP协议进行在线命令下发； 上位平台通过TCP报文的方式将系 权利要求书 1/2 页 2 CN 111582562 A 2 统指令下发给下位平台， 保证命令下发的可靠性和稳定性； 优化控制平台采用UDP协议进行 在线参数广播； 下位平台通过UDP报文的方式将运行结果和现场参数广播给上位平台， 支持 多套下位平台同时在线运行， 保证数据传输的实时性和高效性。 6.根据权利要求5所述的基于优化控制平台的神经网络预测控制方法， 其特征在于： 打 开上位平台时， 依次读取放置在系统全局变量路径中的文件， 将文件中保存的信息初始化 到保。

9、存高级算法的向量中； 上位平台中， 高级算法容器在排序过程中与普通的运算模块执 行一致的过程函数进行排序， 并将排序信息保存到下装文件中， 同时高级算法模块的使用 同普通运算模块的使用方法完全一致； 高级算法通过FTP或者文件拷贝的形式发送到下位 平台中， 下位平台在运行时， 将高级算法中的代码映射到程序的共享库内存映射区域， 实现 高级算法运行功能。 7.根据权利要求6所述的基于优化控制平台的神经网络预测控制方法， 其特征在于： 下 位平台开启运算线程， 此线程根据上位平台发送的下装文件， 读取控制策略中的各个模块 的种类、 参数， 以及模块间的连接关系， 并根据这些信息进行实时运算， 计算。

10、出控制策略中 每个模块的运算结果。 8.根据权利要求7所述的基于优化控制平台的神经网络预测控制方法， 其特征在于： 对 于上位平台发送的控制命令字， 包括修改控制策略中模块的可调参数、 设置强制、 保持等操 作， 下位平台开启接收上位命令线程， 接收上位控制命令， 对不同的命令字， 进行相对应的 处理， 该线程使用TCP通信协议进行数据交互。 同样， 为了接收下位广播的数据， 上位平台同 样开启了接受下位广播的线程， 在控制策略软件中开辟了两个与下位平台进行通信的线 程， 分别接收模块输出参数与模块中间参数。 9.根据权利要求8所述的基于优化控制平台的神经网络预测控制方法， 其特征在于： 根 。

11、据定时器、 互斥锁来实现线程启动与线程挂起， 解决多个线程中同时访问相同的资源过程 中出现的互斥访问权， 同时也保证运算的实时性； 下位平台内部运行Linux嵌入式操作系 统； 配合使用互斥锁机制， 不同的线程可以有序的访问相同资源， 效地实现线程同步与线程 异步， 在完成每个运算周期的运算后线程挂起， 不占用CPU时间， 减少系统资源的占用。 权利要求书 2/2 页 3 CN 111582562 A 3 一种基于优化控制平台的神经网络预测控制方法 技术领域 0001 本发明涉及热工控制技术领域， 尤其是一种基于优化控制平台的神经网络预测控 制方法。 背景技术 0002 随着我国新能源电力快速。

12、发展以及能源结构的变化， 常规燃煤火电站面临的运行 环境日益复杂， 传统的火电机组控制技术已经难以在各种工况下实现对大惯性、 大迟延、 非 线性、 时变对象的最优控制， 无法满足新时代火电厂环保、 调峰、 生产等指标要求。 在此背景 下， 高级算法在热工领域的实施已是大势所趋。 0003 目前， 各种高级先进控制算法层出不穷， 但更多的停留在仿真实验阶段， 少部分算 法已实现工程应用， 但存在控制效果不理想、 开发周期长、 难以维护等一系列问题。 发明内容 0004 本发明要解决的技术问题是提供一种基于优化控制平台的神经网络预测控制方 法， 能够解决现有技术的不足， 可直接在火电站应用实施， 。

13、完美解决现有高级算法热工控制 平台所面临的难题。 0005 为解决上述技术问题， 本发明所采取的技术方案如下。 0006 一种基于优化控制平台的神经网络预测控制方法， 0007 所述优化控制平台包括上位平台和下位平台， 上位平台将高级算法容器的各种信 息保存至STL标准库容器中， 从而实现高级算法封装， 下位平台采用多线程的结构来实现上 下位数据交互以及高级算法运行功能， 上下位数据交互则开启通信线程， 首先是广播SAMA 线程， 此线程函数是将运算线程中每个模块的运算结果广播到上位平台中； 优化控制平台 支持两种类型的高级算法容器， 一种是CC+类型的高级算法容器， 另一种是Python类型。

14、高 级算法容器； 0008 神经网络预测控制过程包括， 0009 A、 取被控对象一定输入输出范围内的样本， 建立神经网络的初始学习集； 0010 B、 根据控制对象选择神经网络的初始参数， 包括层数和节点数； 0011 C、 神经网络初始化， 主要是网络权值和阈值的初始化； 0012 D、 训练LSTM神经网络， 得到神经网络预测模型； 0013 E、 计算期望输入的参考轨迹； 0014 F、 由神经网络预测模型输出， 经反馈校正生成预测输出； 0015 G、 计算预测误差； 0016 H、 求二次性能函数， 获得最优控制解， 跳转至步骤E， 从而不断调整控制信号。 0017 作为优选， 步。

15、骤D中， 预测模型LSTM的建立包括以下步骤， 0018 D1、 初始化LSTM模型参数， 权值初始化； 0019 D2、 给定用于训练的输入向量和目标输出向量； 说明书 1/9 页 4 CN 111582562 A 4 0020 D3、 正向计算神经网络各层的输出， 得到系统实际输出和预测输出的误差； 0021 D4、 计算反向传播误差信号， 同时调整神经网络各层权值系数； 0022 D5、 如果误差不符合系统给定标准误差值， 返回步骤D3继续训练调整权值系数。 0023 作为优选， 上位平台利用MFC语言搭建人机交互界面， 提供工程师站和操作员站的 各项功能； 在VS2017平台上借助微软。

16、提供的Windows SDK， 实现上位平台在Win7/Win10系统 上的兼容； 同时借助PC机的双网卡配置， 实现双网段的冗余， 保证在线命令下发和在线接收 下位广播参数的可靠性； 在上位平台上利用共享内存代替extreDB数据库， 通过严谨的数据 结构， 实现各进程之间数据的共享与交互， 保证数据的高效读写。 0024 作为优选， 下位平台硬件由控制单元控制站、 工业电源、 交换机组成， 均为双冗余 结构设计， 其中控制单元控制站由高运算能力处理器芯片、 内存、 固态硬盘以及串口、 网口、 USB口、 VGA口等输入输出接口组成； 控制单元内部运行Linux嵌入式操作系统， 在windo。

17、ws平 台上通过VS2017远程对目标机进行编程调试， 最终实现SAMA运算、 卡件通讯、 广播、 指令下 发、 主从冗余、 文件下装等功能。 0025 作为优选， 优化控制平台采用FTP协议进行文件下装； 在上位平台进行离线组态之 后， 将控制策略文件和数据库文件下装到下位平台； 采用FTP作为传输协议， 支持跨平台传 输数据， 提高系统的可移植性； 优化控制平台采用TCP协议进行在线命令下发； 上位平台通 过TCP报文的方式将系统指令下发给下位平台， 保证命令下发的可靠性和稳定性； 优化控制 平台采用UDP协议进行在线参数广播； 下位平台通过UDP报文的方式将运行结果和现场参数 广播给上位。

18、平台， 支持多套下位平台同时在线运行， 保证数据传输的实时性和高效性。 0026 作为优选， 打开上位平台时， 依次读取放置在系统全局变量路径中的文件， 将文件 中保存的信息初始化到保存高级算法的向量中； 上位平台中， 高级算法容器在排序过程中 与普通的运算模块执行一致的过程函数进行排序， 并将排序信息保存到下装文件中， 同时 高级算法模块的使用同普通运算模块的使用方法完全一致； 高级算法通过FTP或者文件拷 贝的形式发送到下位平台中， 下位平台在运行时， 将高级算法中的代码映射到程序的共享 库内存映射区域， 实现高级算法运行功能。 0027 作为优选， 下位平台开启运算线程， 此线程根据上位。

19、平台发送的下装文件， 读取控 制策略中的各个模块的种类、 参数， 以及模块间的连接关系， 并根据这些信息进行实时运 算， 计算出控制策略中每个模块的运算结果。 0028 作为优选， 对于上位平台发送的控制命令字， 包括修改控制策略中模块的可调参 数、 设置强制、 保持等操作， 下位平台开启接收上位命令线程， 接收上位控制命令， 对不同的 命令字， 进行相对应的处理， 该线程使用TCP通信协议进行数据交互。 同样， 为了接收下位广 播的数据， 上位平台同样开启了接受下位广播的线程， 在控制策略软件中开辟了两个与下 位平台进行通信的线程， 分别接收模块输出参数与模块中间参数。 0029 作为优选，。

20、 根据定时器、 互斥锁来实现线程启动与线程挂起， 解决多个线程中同时 访问相同的资源过程中出现的互斥访问权， 同时也保证运算的实时性； 下位平台内部运行 Linux嵌入式操作系统； 配合使用互斥锁机制， 不同的线程可以有序的访问相同资源， 效地 实现线程同步与线程异步， 在完成每个运算周期的运算后线程挂起， 不占用CPU时间， 减少 系统资源的占用。 0030 采用上述技术方案所带来的有益效果在于： 本发明据我国火电厂的实际情况， 同 说明书 2/9 页 5 CN 111582562 A 5 时结合智能控制的发展现状， 将火电厂锅炉机组大惯性、 大迟延、 非线性时变对象作为研究 对象， 提出采。

21、用基于神经网络的预测控制策略对其进行控制。 神经网络具有十分强大的臼 适应学习能力， 这种能力能够很好地适应控制环境的变化， 可以通过简单的工具自动进行 特征提取， 产生有用的数据。 本发明克服了被控对象的大惯性、 大迟延、 非线性和时变等难 以用常规PID实现控制的特性， 减小了控制系统的超调量和调节时间， 增加了系统的抗干扰 能力， 使得系统控制过程更加平稳， 波动性小， 大大提高了被控对象的控制品质， 增加了火 电厂锅炉机组运行的安全性。 同时将神经网络预测控制算法封装入自主研发的优化控制平 台， 可直接在火电站应用实施， 完美解决现有高级算法热工控制平台所面临的难题。 本发明 可依托优。

22、化控制平台， 直接应用于热工过程控制核心区， 完美突破高级算法开发周期长、 难 维护的困境。 0031 现有基于神经网络的预测控制多数选择BP神经网络或者CNN卷积神经网络进行建 模。 虽然同样作为神经网络都可以很好拟合具有非线性变化特点的被控对象， 但是BP神经 网络在训练模型过程中不考虑模型的每组输出的数据之间的时序联系性， 所以建立的预测 模型对于具有大惯性、 大迟延的被控对象的预测精度不高， 比如电厂锅炉主汽温控制系统。 而CNN侧重于空间映射， 并不完全适用于学习时间序列， 因此会需要各种辅助性处理， 且效 果也不一定好。 本发明在建立预测模型部分应用LSTM， 把LSTM应用于预测。

23、控制。 预测模型可 以展示系统未来动态行为， 在预测控制中针对下一步预测需要处理之前每一步的预测数 据， 要求预测数据具有时间上的关联。 为了满足这个要求， 应用LSTM建立预测模型将是很好 的选择。 所以， 面对时间序列敏感的问题和任务， 选择LSTM比较合适。 同时在设计滚动优化 控制器时采用一维黄金分割法的寻优算法。 一维黄金分割法在进行寻优计算时可以避免求 导运算， 求解速度快， 可以得到较优的解。 同时， 比起其他优化算法， 比如神经网络优化算 法、 遗传算法等， 一维黄金分割法最大的优势是计算量小， 简化了系统的仿真过程。 而且对 于控制量和被控量成单峰变化时， 比如锅炉主汽温控制。

24、系统中主蒸汽温度和减温水阀门开 度的变化， 应用一维黄金分割法寻找最优值最为快捷准确。 0032 现有的支持高级算法应用实施的热工优化控制平台采用的设计方案为： 平台开发 人员根据业主提供的算法需求(业主可能会提供算法的数学表达形式或者算法的python源 码)， 将算法用平台开发语言(C或者C+语言)封装成模块， 供业主使用。 这种设计方案虽然 能够实现高级算法在火电站现场的应用实施， 但是开发周期长， 难度大， 成本高， 毕竟用 matlab或者python第三方库能够较容易实现的高级算法， 换用C语言或者C+语言开发， 难 度是相当高的。 同样， 上述开发方案更暴露出一个严重问题， 火电。

25、控制相关科研院所多年工 程经验积累与理论研究所得的优化控制算法， 为了能够依托优化控制平台在现场应用实 施， 不得不将算法 “拱手相让” ， 交由平台方进行开发。 目前， 大部分的热工优化控制平台更 多的是以平台支持某种高级算法为卖点， 比如DMC动态矩阵控制， 基本上不支持高级算法的 定制。 定制不仅会带来开发上的问题， 更会导致后期维护的巨额成本。 不同火电站或科研机 构要求定制不同的算法模块， 将给后期维护带来巨大压力。 本发明的优化控制平台高级算 法容器乃真正意义上的 “容器” ， 海纳百川， 有容乃大。 依托高级算法容器， 电站现场实施人 员或者火电控制相关科研院所工作人员， 可直接。

26、将高级算法的动态链接库或者python源码 嵌入优化控制平台下位控制器， 然后在上位进行简单组态， 即可实现高级算法的模块化应 用。 这种设计开发方案， 摆脱了平台开发人员二次开发的困境， 可由业主直接完成算法的应 说明书 3/9 页 6 CN 111582562 A 6 用实施， 节省了上述设计方案的开发、 维护的巨额开销。 附图说明 0033 图1是本发明神经网络预测控制过程的流程图。 0034 图2是本发明预测模型LSTM建立过程的流程图。 0035 图3是本发明一个具体实施方式中主汽温预测控制结构图。 0036 图4是本发明一个具体实施方式中LSTM模型训练和验证的结果曲线对比图。 0。

27、037 图5是本发明一个具体实施方式中LSTM模型的预测输出值与主汽温控制系统输出 值的对比图。 0038 图6是本发明一个具体实施方式中预测模型输出与系统实际输出误差。 0039 图7是本发明一个具体实施方式中二次性能目标函数的变化图。 0040 图8是本发明一个具体实施方式中系统控制量的变化曲线图。 0041 图9是本发明一个具体实施方式中预测控制系统预测值和系统实际输出值以及给 定值的变化。 具体实施方式 0042 参照图1-2， 本实施例包括， 0043 优化控制平台包括上位平台和下位平台， 上位平台将高级算法容器的各种信息保 存至STL标准库容器中， 从而实现高级算法封装， 下位平台。

28、采用多线程的结构来实现上下位 数据交互以及高级算法运行功能， 上下位数据交互则开启通信线程， 首先是广播SAMA线程， 此线程函数是将运算线程中每个模块的运算结果广播到上位平台中； 优化控制平台支持两 种类型的高级算法容器， 一种是CC+类型的高级算法容器， 另一种是Python类型高级算法 容器； 0044 神经网络预测控制过程包括， 0045 A、 取被控对象一定输入输出范围内的样本， 建立神经网络的初始学习集； 0046 B、 根据控制对象选择神经网络的初始参数， 包括层数和节点数； 0047 C、 神经网络初始化， 主要是网络权值和阈值的初始化； 0048 D、 训练LSTM神经网络，。

29、 得到神经网络预测模型； 0049 E、 计算期望输入的参考轨迹； 0050 F、 由神经网络预测模型输出， 经反馈校正生成预测输出； 0051 G、 计算预测误差； 0052 H、 求二次性能函数， 获得最优控制解， 跳转至步骤E， 从而不断调整控制信号。 0053 步骤D中， 预测模型LSTM的建立包括以下步骤， 0054 D1、 初始化LSTM模型参数， 权值初始化； 0055 D2、 给定用于训练的输入向量和目标输出向量； 0056 D3、 正向计算神经网络各层的输出， 得到系统实际输出和预测输出的误差； 0057 D4、 计算反向传播误差信号， 同时调整神经网络各层权值系数； 005。

30、8 D5、 如果误差不符合系统给定标准误差值， 返回步骤D3继续训练调整权值系数。 0059 上位平台利用MFC语言搭建人机交互界面， 提供工程师站和操作员站的各项功能； 说明书 4/9 页 7 CN 111582562 A 7 在VS2017平台上借助微软提供的Windows SDK， 实现上位平台在Win7/Win10系统上的兼容； 同时借助PC机的双网卡配置， 实现双网段的冗余， 保证在线命令下发和在线接收下位广播 参数的可靠性； 在上位平台上利用共享内存代替extreDB数据库， 通过严谨的数据结构， 实 现各进程之间数据的共享与交互， 保证数据的高效读写。 0060 下位平台硬件由控。

31、制单元控制站、 工业电源、 交换机组成， 均为双冗余结构设计， 其中控制单元控制站由高运算能力处理器芯片、 内存、 固态硬盘以及串口、 网口、 USB口、 VGA 口等输入输出接口组成； 控制单元内部运行Linux嵌入式操作系统， 在windows平台上通过 VS2017远程对目标机进行编程调试， 最终实现SAMA运算、 卡件通讯、 广播、 指令下发、 主从冗 余、 文件下装等功能。 0061 优化控制平台采用FTP协议进行文件下装； 在上位平台进行离线组态之后， 将控制 策略文件和数据库文件下装到下位平台； 采用FTP作为传输协议， 支持跨平台传输数据， 提 高系统的可移植性； 优化控制平台。

32、采用TCP协议进行在线命令下发； 上位平台通过TCP报文 的方式将系统指令下发给下位平台， 保证命令下发的可靠性和稳定性； 优化控制平台采用 UDP协议进行在线参数广播； 下位平台通过UDP报文的方式将运行结果和现场参数广播给上 位平台， 支持多套下位平台同时在线运行， 保证数据传输的实时性和高效性。 0062 打开上位平台时， 依次读取放置在系统全局变量路径中的文件， 将文件中保存的 信息初始化到保存高级算法的向量中； 上位平台中， 高级算法容器在排序过程中与普通的 运算模块执行一致的过程函数进行排序， 并将排序信息保存到下装文件中， 同时高级算法 模块的使用同普通运算模块的使用方法完全一致。

33、； 高级算法通过FTP或者文件拷贝的形式 发送到下位平台中， 下位平台在运行时， 将高级算法中的代码映射到程序的共享库内存映 射区域， 实现高级算法运行功能。 0063 下位平台开启运算线程， 此线程根据上位平台发送的下装文件， 读取控制策略中 的各个模块的种类、 参数， 以及模块间的连接关系， 并根据这些信息进行实时运算， 计算出 控制策略中每个模块的运算结果。 0064 对于上位平台发送的控制命令字， 包括修改控制策略中模块的可调参数、 设置强 制、 保持等操作， 下位平台开启接收上位命令线程， 接收上位控制命令， 对不同的命令字， 进 行相对应的处理， 该线程使用TCP通信协议进行数据交。

34、互。 同样， 为了接收下位广播的数据， 上位平台同样开启了接受下位广播的线程， 在控制策略软件中开辟了两个与下位平台进行 通信的线程， 分别接收模块输出参数与模块中间参数。 0065 根据定时器、 互斥锁来实现线程启动与线程挂起， 解决多个线程中同时访问相同 的资源过程中出现的互斥访问权， 同时也保证运算的实时性； 下位平台内部运行Linux嵌入 式操作系统； 配合使用互斥锁机制， 不同的线程可以有序的访问相同资源， 效地实现线程同 步与线程异步， 在完成每个运算周期的运算后线程挂起， 不占用CPU时间， 减少系统资源的 占用。 0066 优化控制平台高级算法容器可容纳两种类型的算法， 一类为。

35、已经封装为C/C+动 态链接库形式高级算法， 一类为高级算法的python脚本。 0067 上位对高级算法进行模块化封装， 使其具有同普通运算模块的一致性操作， 包括 模块组态界面、 模块连接关系、 模块强制保持等等。 上位对高级算法模块的一致性定义， 直 接体现在sysmange组态软件的可视化操作中， 隐含体现在下装文件(SAMA文件、 数据库文 说明书 5/9 页 8 CN 111582562 A 8 件)中。 0068 高级算法容器DefineModul和普通运算模块(上图中的各种模块)继承同一个基类 CLnRect， 共享基类CLnRect提供的方法， 诸如模块排序、 模块广播、 模。

36、块强制保持等等。 0069 依托上述功能块类的派生层次， 上位将高级算法容器的各种信息保存至STL标准 库容器中， 从而实现高级算法封装。 打开上位时， 会依次读取放置在系统全局变量路径中的 文件， 将文件中保存的信息初始化到保存高级算法的向量中。 根据所需的高级算法通过设 置模块的名称、 模拟量输入输出个数、 数字量输入输出个数、 模拟量可调参数、 数字量可调 参数、 中间参数等模块属性， 即可组态生成高级算法模块。 0070 下位控制站中实质上没有高级算法模块、 普通算法模块的概念， 所有算法模块一 视同仁， 通过解析上位下发的下装文件后， 开始进行运算。 唯一的区别在于， 控制站运行时，。

37、 普通运算模块调用平台自带的运算函数， 高级算法模块调用平台使用者放置在控制站指定 文件夹下的动态链接库或者python脚本。 0071 对于C/C+动态链接库形式的高级算法， Linux操作系统为动态链接器提供了接 口， 允许下位控制站应用程序在运行时加载和链接动态链接库。 0072 对于python脚本， 下位控制站应用程序采用C语言编写， 具体实现即为C运行环境 中调用python。 首先， 初始化python环境。 然后调用CPython接口加载高级算法的python模 块(xxx.py脚本)。 在python中， 一切事物即对象， 对象有共同的基类PyObject。 此时已经在 运行。

38、环境中加载了高级算法的python模块， 按照一切皆PyObject的思想， 该模块也可视为 以PyObject为基类的对象， 通过调用API函数， 可将该模块转化为类型为PyObject的moudle 对象。 该对象实际上是一个python中特殊的dict对象， 里面包含了这个moudle对象中所有 的类以及函数的信息。 通过调用API函数将该moudle对象返回成dict对象， 获取对象中定义 的函数、 类。 完成了C运行环境中python模块的导入、 函数、 类接口的获得后， 即可以对函数、 类接口进行调用， 开始运算。 0073 本发明采用火电机组主汽温作为控制对象， 来说明本发明的优。

39、势所在。 0074 参看图3， Tr是主汽温给定值， u是系统控制量输入值， T是主汽温实际输出值， Tp为 LSTM预测模型的主汽温预测输出值， e为模型预测输出值与实际值得误差。 0075 单输入单输出的锅炉主汽温控制系统模型为： 0076 T(k)fT(k-1)， ， T(k-n)， 0077 u(k-1)， ， u(k-m) 0078 其中， u(k)， T(k)分别是控制量输入、 被控量输出， m， n分别为系统输入、 输出阶次； f()为未知非线性函数， 用LSTM神经网络来拟合。 0079 Tp(k)fNNT(k-1)， ， T(k-n)， 0080 u(k-1)， ， u(k-。

40、m) 0081 其中， fNN是神经网络拟合函数， Tp(k)是预测模型输出值， LSTM训练的结果是使Tp (k)接近于T(k)。 0082 这里使用递推多步预测模型， 可以得到系统N步超前预测输出， 其中假设迟延d 0。 0083 Tp(k+1)fNNT(k)， ， T(k-n+1)， u(k)， ， u(k-m+1) 0084 说明书 6/9 页 9 CN 111582562 A 9 0085 Tp(k+i)fNNTp(k)， ， Tp(k-n+i)， u(k)， ， u(k-m+i) 0086 0087 Tp(k+N)fNNTp(k)， ， Tp(k-n+N)， u(k)， ， u(k。

41、-m+N) 0088 这里k时刻之后的预测值为： 0089 Tp(k+i)， i1， N-1 0090 对于k时刻和k时刻以前的预测值， 用真实值代替： 0091 Tp(k+i-t)T(k+i-t)， kt， t1， ， n 0092 由图4可知， 当训练轮数达到250轮时， 神经网络输出的训练误差和验证误差基本 已经接近零， 表示LSTM预测模型的泛化能力很好。 0093 从图5中明显看出经过修正后的LSTM模型的预测输出值与主汽温控制系统的输出 值基本符合。 0094 对于主汽温控制系统， 控制过程产生的随机干扰很大， 为了提高预测精度， 使用反 馈校正进行修正。 在神经网络预测控制算法中。

42、， 每一步都要检测实际输出， 并与模型构成误 差信息并对神经网络模型进行修正。 校正算法如下： 0095 (1)预测误差比较大时， 分为两级校正。 0096 第一级为神经网络输出校正： 0097 0098 Tp(k+1)， u(k+1) 0099 第二级为主汽温系统的预测输出校正： 0100 0101 Tp(k+1)， u(k+1) 0102其中，为非线性函数。 0103 k+1时刻对象未来的输出值未知， 所以根据当前时刻和历史信息进行校正， 0104 0105 0106 (2)预测误差比较小时， 通过一级校正满足要求， 校正公式为： 0107 TN(k+1)Tp(k+1)+h2(T(k)-T。

43、p(k) 0108 h1， h2分别是修正神经网络模型输出和主汽温控制系统的输出， 其值可采用经验试 凑， 通过多次实验得到一个合适的值。 0109 从图6可以看出， 经过预测模型不断地修正， 模型输出值和系统实际输出值的误差 最终几乎减小为零。 0110 运用一维黄金分割法实现主汽温控制系统的滚动优化。 0111 设二次性能目标函数为： 说明书 7/9 页 10 CN 111582562 A 10 0112 0113 其中， N是是预测时域的长度， M是控制时域的长度， c是控制权系数。 0114 u(k+i-1)u(k+i-1)-u(k+i-2) 0115 其中， J是关于u(k+i-1)。

44、的二次式， 优化的目标是当Jmin时， 求得u， 由于主蒸汽 温度随减温水喷水量的变化是单峰的， 即有且仅有一个极值， 所以令求得u。 0116 具体步骤为： 0117(1)设初始域 1， 1umin， umax， 当精度 足够小且 0时， 求测试域r1， 0118 r1- 1+(1-0.618)( 1- 1) 0119 0120计算J(r1)，另k1； 0121(2)如果k- k ， 则结果得到最优值否则， 当 时， 跳至(3)； 当时， 转至(4)； 0122(3)令 k+1rk， k+1 k，求： 0123并且计算之后跳至(5)； 0124(4)令 k+1 k，求rk+1 k+1+(1-。

45、0.618)( k+1- k+1)， 并且计算 J(rk+1)， 之后跳至(5)； 0125 (5)， 令kk+1， 返回(2)。 0126 图7所示仿真结果是利用一维黄金分割法进行滚动优化时的二次性能目标函数的 变化曲线， 随着仿真时间的变化， 二次性能目标函数逐渐减小为零， 达到最小值。 0127 建立了LSTM神经网络模型之后， 对预测模型的输出进行反馈校正， 然后建立主汽 温优化控制器， 得到完整的主汽温预测控制系统。 0128 这里使用75负荷下的主汽温对象连续工况进行仿真。 被控对象传递函数为： 0129 0130 定系统预测步长为18步， 仿真时间为1000s。 如图8所示为系统。

46、控制量的变化曲线。 0131 由图9可以看出， 被控对象能在较短的步数内跟踪参考轨迹， 几乎没有超调和振 荡， 并且进入稳定状态， 主汽温不再有明显的变化， 始终跟踪参考轨迹。 0132 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。 本行业的技术 说明书 8/9 页 11 CN 111582562 A 11 人员应该了解， 本发明不受上述实施例的限制， 上述实施例和说明书中描述的只是说明本 发明的原理， 在不脱离本发明精神和范围的前提下， 本发明还会有各种变化和改进， 这些变 化和改进都落入要求保护的本发明范围内。 本发明要求保护范围由所附的权利要求书及其 等效物界定。 说明书 9/9 页 12 CN 111582562 A 12 图1 说明书附图 1/5 页 13 CN 111582562 A 13 图2 图3 说明书附图 2/5 页 14 CN 111582562 A 14 图4 图5 说明书附图 3/5 页 15 CN 111582562 A 15 图6 图7 说明书附图 4/5 页 16 CN 111582562 A 16 图8 图9 说明书附图 5/5 页 17 CN 111582562 A 17 。