[發(fā)明專利]一種基于優(yōu)化控制平臺的神經(jīng)網(wǎng)絡(luò)預(yù)測控制方法

在審

• 申請?zhí)枺?/td>: 202010329580.4
• 申請日: 2020-04-20
• 公開（公告）號: CN111582562A
• 公開（公告）日: 2020-08-25
• 發(fā)明（設(shè)計(jì)）人: 蘇燁;丁寧;孫堅(jiān)棟;鄭可軻;董澤;姜煒;段亞燦;凌路加;張悅;孫明
• 申請（專利權(quán)）人: 杭州意能電力技術(shù)有限公司;國網(wǎng)浙江省電力有限公司電力科學(xué)研究院;華北電力大學(xué)（保定）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06F9/455;G06F9/52;G06F9/54;G06Q50/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于優(yōu)化控制平臺的神經(jīng)網(wǎng)絡(luò)預(yù)測控制方法，包括：A、取被控對象一定輸入輸出范圍內(nèi)的樣本，建立神經(jīng)網(wǎng)絡(luò)的初始學(xué)習(xí)集；B、根據(jù)控制對象選擇神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，包括層數(shù)和節(jié)點(diǎn)數(shù)；C、神經(jīng)網(wǎng)絡(luò)初始化，主要是網(wǎng)絡(luò)權(quán)值和閾值的初始化；D、訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)，得到神經(jīng)網(wǎng)絡(luò)預(yù)測模型；E、計(jì)算期望輸入的參考軌跡；F、由神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸出，經(jīng)反饋校正生成預(yù)測輸出；G、計(jì)算預(yù)測誤差；H、求二次性能函數(shù)，獲得最優(yōu)控制解，跳轉(zhuǎn)至步驟E，從而不斷調(diào)整控制信號。本發(fā)明能夠改進(jìn)現(xiàn)有技術(shù)的不足，可直接在火電站應(yīng)用實(shí)施，完美解決現(xiàn)有高級算法熱工控制平臺所面臨的難題。

技術(shù)領(lǐng)域

本發(fā)明涉及熱工控制技術(shù)領(lǐng)域，尤其是一種基于優(yōu)化控制平臺的神經(jīng)網(wǎng)絡(luò)預(yù)測控制方法。

背景技術(shù)

隨著我國新能源電力快速發(fā)展以及能源結(jié)構(gòu)的變化，常規(guī)燃煤火電站面臨的運(yùn)行環(huán)境日益復(fù)雜，傳統(tǒng)的火電機(jī)組控制技術(shù)已經(jīng)難以在各種工況下實(shí)現(xiàn)對大慣性、大遲延、非線性、時(shí)變對象的最優(yōu)控制，無法滿足新時(shí)代火電廠環(huán)保、調(diào)峰、生產(chǎn)等指標(biāo)要求。在此背景下，高級算法在熱工領(lǐng)域的實(shí)施已是大勢所趨。

目前，各種高級先進(jìn)控制算法層出不窮，但更多的停留在仿真實(shí)驗(yàn)階段，少部分算法已實(shí)現(xiàn)工程應(yīng)用，但存在控制效果不理想、開發(fā)周期長、難以維護(hù)等一系列問題。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是提供一種基于優(yōu)化控制平臺的神經(jīng)網(wǎng)絡(luò)預(yù)測控制方法，能夠解決現(xiàn)有技術(shù)的不足，可直接在火電站應(yīng)用實(shí)施，完美解決現(xiàn)有高級算法熱工控制平臺所面臨的難題。

為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案如下。

一種基于優(yōu)化控制平臺的神經(jīng)網(wǎng)絡(luò)預(yù)測控制方法，

所述優(yōu)化控制平臺包括上位平臺和下位平臺，上位平臺將高級算法容器的各種信息保存至STL標(biāo)準(zhǔn)庫容器中，從而實(shí)現(xiàn)高級算法封裝，下位平臺采用多線程的結(jié)構(gòu)來實(shí)現(xiàn)上下位數(shù)據(jù)交互以及高級算法運(yùn)行功能，上下位數(shù)據(jù)交互則開啟通信線程，首先是廣播SAMA線程，此線程函數(shù)是將運(yùn)算線程中每個(gè)模塊的運(yùn)算結(jié)果廣播到上位平臺中；優(yōu)化控制平臺支持兩種類型的高級算法容器，一種是C\C++類型的高級算法容器，另一種是Python類型高級算法容器；

神經(jīng)網(wǎng)絡(luò)預(yù)測控制過程包括，

A、取被控對象一定輸入輸出范圍內(nèi)的樣本，建立神經(jīng)網(wǎng)絡(luò)的初始學(xué)習(xí)集；

B、根據(jù)控制對象選擇神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，包括層數(shù)和節(jié)點(diǎn)數(shù)；

C、神經(jīng)網(wǎng)絡(luò)初始化，主要是網(wǎng)絡(luò)權(quán)值和閾值的初始化；

D、訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)，得到神經(jīng)網(wǎng)絡(luò)預(yù)測模型；

E、計(jì)算期望輸入的參考軌跡；

F、由神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸出，經(jīng)反饋校正生成預(yù)測輸出；

G、計(jì)算預(yù)測誤差；

H、求二次性能函數(shù)，獲得最優(yōu)控制解，跳轉(zhuǎn)至步驟E，從而不斷調(diào)整控制信號。

作為優(yōu)選，步驟D中，預(yù)測模型LSTM的建立包括以下步驟，

D1、初始化LSTM模型參數(shù)，權(quán)值初始化；

D2、給定用于訓(xùn)練的輸入向量和目標(biāo)輸出向量；

D3、正向計(jì)算神經(jīng)網(wǎng)絡(luò)各層的輸出，得到系統(tǒng)實(shí)際輸出和預(yù)測輸出的誤差；

D4、計(jì)算反向傳播誤差信號，同時(shí)調(diào)整神經(jīng)網(wǎng)絡(luò)各層權(quán)值系數(shù)；

D5、如果誤差不符合系統(tǒng)給定標(biāo)準(zhǔn)誤差值，返回步驟D3繼續(xù)訓(xùn)練調(diào)整權(quán)值系數(shù)。