技术摘要：
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  全部
背景技术：
随着我国新能源电力快速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。 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。
技术实现要素：
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，完美解决现有高级算法热工控制 平台所面临的难题。 为解决上述技术问题，本发明所采取的技术方案如下。 一种基于优化控制平台的神经网络预测控制方法， 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C\C 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。 作为优选，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； 4 CN 111582562 A 说　明　书 2/9 页 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。 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。 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。 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。 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。 作为优选，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。 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。 作为优选，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。 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 5 CN 111582562 A 说　明　书 3/9 页 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。 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。 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 6 CN 111582562 A 说　明　书 4/9 页 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 图1是本发明神经网络预测控制过程的流程图。 图2是本发明预测模型LSTM建立过程的流程图。 图3是本发明一个