CN104536294B - 基于连续搅拌反应釜的多目标分层预测控制方法 - Google Patents

Abstract

本发明公开了一种基于连续搅拌反应釜的多目标分层预测控制方法。该发明通过引入双层预测控制算法，改变传统连续搅拌釜反应釜(CSTR)控制过程中，只考虑动态控制目标，忽略经济指标的现状。在控制过程中，采用两级分层预测控制结构，动态控制层引入扩展卡尔曼观测器对状态进行无偏估计，稳态优化层采用多目标分层优化，优先满足重要的优化目标。同时，整个控制系统采用有限元正交配置法将非线性优化控制命题转化为非线性规划问题，模型方程作为约束条件，配置点上的值作为预测值，不必通过线性化或阶跃响应获取预测模型，从而避免线性化误差，存在积分对象需单独处理等问题。

Description

基于连续搅拌反应釜的多目标分层预测控制方法

技术领域

本发明属于流程工业优化控制领域，特别涉及一种基于非线性模型离散化的多目标双层预测控制方法。

背景技术

连续搅拌反应釜是一种具有强非线性的化学反应器，是化工生产过程中的核心设备。控制性能的好坏直接影响生产效率和产品质量，因此，很多学者致力于CSTR控制方法的研究，但是该模型具有复杂的非线性，至今对其仍未有一致的控制方法。

单纯考虑控制目标的控制方法虽然保证了产品质量，但是忽略了经济效益，从长远来看对工厂生产不利。采用稳态目标函数为各优化目标函数加权的两级分层控制方法，虽然考虑了控制目标和经济效益，但各优化目标函数的优先级很难保证，权重的选择尚未有一定的准则。采用模型线性化的两级分层控制方法，存在线性化误差，对CSTR这种强非线性、实时控制的系统，误差带来的影响尤其不能忽视。同时，对CSTR这种需要控制出口浓度值，该值又很小的系统扰动不容忽视。因此，本发明基于CSTR模型特点，已存在的CSTR控制方法的不足，提出一种基于连续搅拌反应釜的多目标分层预测控制方法。

发明内容

本发明的目的在于针对CSTR强非线性、生产过程中需要兼顾控制性能和经济指标的特点，提出一种CSTR多目标双层预测控制方法，该方法能够处理扰动对控制算法的影响，避免对模型进行线性化处理，同时能够按照优先级保证控制优化目标。

本发明的目的是通过以下技术方案实现的：一种基于连续搅拌反应釜的多目标分层预测控制方法，该方法包括以下步骤：

(1)采集状态变量x(t)和输入变量u(t)的初始值，所述状态变量x(t)包括出口浓度、反应器体积、反应器温度，所述输入变量u(t)包括反应器之间的传热量、反应器出口阀位；

(2)将步骤1中的状态变量x(t)和输入变量u(t)的初始代入到CSTR动态模型y(t)＝g(x(t))中。很据动态模型得到CSTR稳态优化模型y(t)＝g(x(t))，为x(t)的导数；y(t)表示输出变量，所述输出变量包括反应器混合物出口浓度、反应器温度，f、g表示模型方程；

(3)对CSTR稳态优化模型、CSTR动态模型采用联立法中的有限元正交配置法进行离散化处理，确定输入变量u(t)的预测值和输出变量y(t)的预测值，并确定使工厂经济效益最大化的输出最优值输入最优值为动态控制层提供最优控制目标，所述通过以下方法得到：

(3.1)可稳性判断，确定系统稳定时输入变量允许波动的范围u'_min,u'_max；

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

u_min≤u_s≤u_max

其中，J₁表示可稳性优化目标，y(k_t+l|k_t)、y(k_t+l-1|k_t)分别表示k_t时刻对k_t+l、k_t+l-1时刻的输出预测值，w_y表示输出变量的权重矩阵，τ_ij表示第i个有限元第j个插值点，φ_k(τ_ij)表示状态变量的拉格朗日插值函数，x_ik表示第i个有限元第k个插值点处状态变量的值，N_E表示有限元个数，K表示插值点的个数，h_i表示第i个有限元的长度，f(x_ij,u_ij)表示模型状态方程，y_ij表示通过公式y_ij＝g(x_ij)计算得到的第i个有限元第j个插值点处对应的输出变量的值，x_iK、x_(i+1)K、x_s分别表示第i个有限元第K个插值点的状态值、第i+1个有限元第K个插值点的状态值、稳态时的状态值，u_iK、u_(i+1)K、u_s分别表示第i个有限元第K个插值点的输入值、第i+1个有限元第K个插值点的输入值、稳态时的输入变量值，u_min、u_max分别表示初始要求允许的输入变量的最小、最大值，若在初始要求允许的范围内，J₁≠0，系统的可稳性条件不满足，控制器停止运行，将u_min、u_max分别调整为u'_min,u'_max，使得J₁＝0。

(3.2)可行性分析，确定系统稳定时输出变量允许波动的范围y'_min,y'_max；

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

y(k_t+l|k_t)-y(k_t+l-1|k_t)＝0

u′_min≤u_s≤u′_max

y_min-δ_y≤y_s≤y_max+δ_y

δ_y≥0

其中，J₂表示可行性优化目标，δ_y用来衡量实际输出值是否在控制要求允许波动范围内，u_s表示输入变量稳态值，w_y是输出变量y对应的优先权重矩阵；y_min、y_max分别为初始要求允许的输出变量的最小值和最大值；若在初始要求允许的范围内，J₂≠0，不满足可行性条件，将y_min、y_max按照以下方式进行调整，使得J₂＝0。

y'_min←inf(g(x_NEK),y_min)y'_max＝sup(g(x_NEK),y_max)

其中x_NEK表示第NE个有限元，第K个配置点处的状态变量值。

(3.3)经济优化，确定全厂经济效益最大化时的输入变量值和输出变量值

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

y(k_t+l|k_t)-y(k_t+l-1|k_t)＝0

u′_min≤u_s≤u′_max

y′_min≤y_s≤y′_max

其中，J₃表示经济优化目标，IRV_u、IRV_y由全厂优化层给出，a₁、a₂分别为u_s，y_s的二次权重；在u′_min≤u_s≤u′_max和y′_min≤y_s≤y′_max条件下，求出使得J₃值最小的并将u′_min，u′_max，y′_min，y′_max做如下修改：

(3.4)工作点优化，确定扰动条件下的最优输入变量值

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

其中，J₄表示工作点优化目标，是k_t-1时刻操纵变量的最佳稳态值，w_u是输入变量u对应的优先权重矩阵。在和条件下，求出使得J₄值最小的

(4)根据稳态优化层提供的控制目标和确定动态优化命题：

其中，J_A为动态优化命题，jj表示采样时间点，y(k_t+jj|k_t)表示根据当前k_t时刻的输出值y(k_t)和动态离散化模型对未来k_t+jj时刻的输出预测值，y(k_t)＝g(x(k_t))，x(k_t)通过扩展卡尔曼观测器得到；u(k_t+jj)表示未来k_t+jj时刻的操作变量值，Δu(k_t+jj)表示输入变量改变量，Δu(k_t+jj)＝u(k_t+jj)-u(k_t+jj-1)，Q_jj、R_jj、T_jj分别表示输出变量权重矩阵、输入变量权重矩阵、输入变量改变量权重矩阵，P、M分别表示预测时域、控制时域。

(5)对输出预测值y(k_t+jj|k_t)通过以下方式进行校正：

其中,J_B为校正后的动态优化命题，表示k_t+jj时刻的真实值y(k_t+jj)与预测值y(k_t+jj|k_t)之间的差，采用内点法求解器IPOPT对改进后的动态优化命题进行求解，确定当前k_t时刻操作变量的值。

(6)不断重复上述步骤，使得y(k_t)不断接近于直到当前k_t时刻操作变量的值与最优稳态输入值的值相同，J_B＝0，y(k_t)等于完成多目标分层预测的控制。

本发明的有益效果：本发明提出了一种基于连续搅拌反应釜的多目标分层预测控制方法，与传统方法相比，该方法在处理模型方面更加精确，对扰动具有较好的抑制作用，在稳态优化方面能够按照优先级保证优化目标，为连续反应搅拌釜的控制与优化提供了一种较好的方法。

附图说明

图1为预测控制两级分层结构图；

图2为有限元正交配置图；

图3为分层优化流程图；

图4为带观测器的预测控制结构图；

图5为对状态进行扩展对结果影响图。

具体实施方式

本发明基于连续搅拌反应釜的多目标分层预测控制方法，如图1，结合具体实施例和附图详细说明，包括以下步骤：

(1)采集状态变量x(t)和输入变量u(t)的初始值，所述状态变量x(t)包括出口浓度、反应器体积、反应器温度，所述输入变量u(t)包括反应器之间的传热量、反应器出口阀位；如表1和表2所示。

表1

状态变量	初值
		A反应釜体积V1	200
A反应釜出料产品浓度q1	0.0357
		A反应釜温度T1	446.471
B反应釜体积V2	100
		B反应釜出料产品浓度q2	0.0018
B反应釜温度T2	453.2585

表2

输入变量	初值
		B反应釜的出口阀位u1	2
传递到A反应釜的热量u2	0

(2)将步骤1中的状态变量x(t)和输入变量u(t)的初始代入到CSTR动态模型y(t)＝g(x(t))中，获取CSTR稳态优化模型y(t)＝g(x(t))，为x(t)的导数；y(t)表示输出变量，所述输出变量包括反应器混合物出口浓度、反应器温度，f、g表示模型方程；

(3)对CSTR稳态优化模型、CSTR动态模型采用联立法中的有限元正交配置法进行离散化处理，确定输入变量u(t)的预测值和输出变量y(t)的预测值。

其中有限元正交配置法通过如下方法实现：

定义有限元个数为N_E，每个有限元上配置点数为K，在有限元上对状态变量x(t)和控制变量u(t)进行拉格朗日多项式逼近：

状态变量：

控制变量：

i＝1...NE，xⁱ(t),uⁱ(t)分别为状态变量轨迹x(t)及控制变量u(t)在第i个有限元上的拉格朗日插值多项式逼近，为配置点，i代表第i个有限元，代表插值系数，Φ、Ψ分别代表状态变量和控制变量对应的拉格朗日插值函数，如图2。

上述动态模型离散化后为：

y_ij＝g(x_ij)

x₁₀-x₀＝0

x_(i+1)0＝x_iK

稳态模型离散化后为：

h_if(x_ij,u_ij)＝0,i＝1...NE,j＝1...K

y_ij＝g(x_ij)

x₁₀-x₀＝0

x_(i+1)0＝x_iK

h_i表示每个有限元的长度，φ_k表示状态变量对应的拉格朗日插值函数，τ_ij代表配置点，x_ik表示第i个有限元上第k个配置点的状态变量值，u_ij表示第i个有限元上第j个配置点的操作变量值，x₁₀为第一个有限元的第0个配置点的值，即状态的初值，该值由工业现场获得，x_(i+1)0表示第i+1个有限元的第0个配置点的状态值，x_iK表示第i个有限元的第K个配置点的状态值。

(4)确定使工厂经济效益最大化的输出最优值输入最优值为动态控制层提供最优控制目标，所述通过以下方法得到：

(4.1)可稳性判断，确定系统稳定时输入变量允许波动的范围u′_min,u′_max；

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

u_min≤u_s≤u_max

其中，J₁表示可稳性优化目标，y(k_t+l|k_t)、y(k_t+l-1|k_t)分别表示k_t时刻对k_t+l、k_t+l-1时刻的输出预测值，w_y表示输出变量的权重矩阵，τ_ij表示第i个有限元第j个插值点，φ_k(τ_ij)表示状态变量的拉格朗日插值函数，x_ik表示第i个有限元第k个插值点处状态变量的值，N_E表示有限元个数，K表示插值点的个数，h_i表示第i个有限元的长度，f(x_ij,u_ij)表示模型状态方程，y_ij表示通过公式y_ij＝g(x_ij)计算得到的第i个有限元第j个插值点处对应的输出变量的值，x_iK、x_(i+1)K、x_s分别表示第i个有限元第K个插值点的状态值、第i+1个有限元第K个插值点的状态值、稳态时的状态值，u_iK、u_(i+1)K、u_s分别表示第i个有限元第K个插值点的输入值、第i+1个有限元第K个插值点的输入值、稳态时的输入变量值，u_min、u_max分别表示初始要求允许的输入变量的最小、最大值，如表3，若在初始要求允许的范围内，J₁≠0，表示系统的可稳性条件不满足，控制器停止运行，将u_min、u_max分别调整为u′_min,u′_max，使得J₁＝0。

表3

输入变量	上下限
		B反应釜的出口阀位u1	0-1
传递到A反应釜的热量u2	0-0.6

(4.2)可行性分析，确定系统稳定时输出变量允许波动的范围y'_min,y'_max；

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

y(k_t+l|k_t)-y(k_t+l-1|k_t)＝0

u′_min≤u_s≤u′_max

y_min-δ_y≤y_s≤y_max+δ_y

δ_y≥0

其中，J₂表示可行性优化目标，δ_y用来衡量实际输出值是否在控制要求允许波动范围内，u_s表示输入变量稳态值，w_y是输出变量y对应的优先权重矩阵；y_min、y_max分别为初始要求允许的输出变量的最小值和最大值，如表4；若在初始要求允许的范围内，J₂≠0，不满足可行性条件，将y_min、y_max按照以下方式进行调整，使得J₂＝0。

y'_min←inf(g(x_NEK),y_min)y'_max＝sup(g(x_NEK),y_max)

其中x_NEK表示第NE个有限元，第K个配置点处的状态变量值。

表4

输出变量	控制要求
		A反应釜的出料产品浓度Ca1	0.004-0.006
B反应釜温度T2	480-495

(4.3)经济优化，确定全厂经济效益最大化时的输入变量值和输出变量值

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

y(k_t+l|k_t)-y(k_t+l-1|k_t)＝0

u′_min≤u_s≤u′_max

y′_min≤y_s≤y′_max

其中，J₃表示经济优化目标，IRV_u、IRV_y由全厂优化层给出，a₁、a₂分别为u_s，y_s的二次权重；在u′_min≤u_s≤u′_max和y′_min≤y_s≤y′_max条件下，求出使得J₃值最小的并将u′_min，u′_max，y′_min，y′_max做如下修改：

本实例中选取B反应釜温度T2作为经济优化指标，IRV_y＝489。

(4.4)工作点优化，确定扰动条件下的最优输入变量值

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

其中，J₄表示工作点优化目标，是k_t-1时刻操纵变量的最佳稳态值，w_u是输入变量u对应的优先权重矩阵。在和条件下，求出使得J₄值最小的程序流程图如图3。

(5)根据稳态优化层提供的控制目标和确定动态优化命题：

其中，J_A为动态优化命题，y(k_t+jj|k_t)表示根据当前k_t时刻的输出值y(k_t)和动态离散化模型对未来k_t+jj时刻的输出预测值，y(k_t)＝g(x(k_t))，x(k_t)通过扩展卡尔曼观测器得到，如图4；u(k_t+jj)表示未来k_t+jj时刻的输入变量值，Δu(k_t+jj)表示输入变量改变量，Δu(k_t+jj)＝u(k_t+jj)-u(k_t+jj-1)，Q_jj、R_jj、T_jj分别表示输出变量权重矩阵、输入变量权重矩阵、输入变量改变量权重矩阵，P、M分别表示预测时域、控制时域。

其中x(k_t)可以通过如下方式得到：

(5.1)对状态x(k_t)扩展，对扰动建模

采用扰动建模，状态扩展的方式获取状态x_k的精确估计值，消除误差。通常认为不可测扰动d为随机过程，不失一般性，我们假设扰动d通过如下方程获得：

其中ξ是均值为零，协方差为Q_ξ的高斯白噪声，A^w,B^w,C^w为扰动模型参数对状态进行扩展得到如下联合扰动模型：

F_ts表示对模型方程进行一步积分、离散化，表示扩展后的状态变量，B1^w为过程噪声矩阵，为过程噪声，为测量噪声；两者分别为均值为零、协方差为R_w、R_v的高斯白噪声。

(5.2)通过扩展卡尔曼观测器实现状态估计

上述联合扰动模型的预测模型如下：

上述预测模型的测量校正模型如下：

其中表示扩展卡尔曼增益矩阵，L_x、L_d表示状态、扰动卡尔曼增益矩阵，该值根据卡尔曼增益矩阵求解公式在线实时求解得到，表示k_t-1时刻的状态值，表示k_t-1时刻对k_t时刻的状态预测值，表示k_t-1时刻对k_t时刻的扰动预测值，表示修正后k_t时刻的扰动值，表示修正后k_t时刻的状态估计值，即x(k_t)的值。状态有无扩展对控制结果的影响如图5。

(6)对输出预测值y(k_t+jj|k_t)通过以下方式进行校正：

其中,J_B为校正后的动态优化命题，表示k_t+jj时刻的真实值y(k_t+jj)与预测值y(k_t+jj|k_t)之间的差，采用内点法求解器IPOPT对改进后的动态优化命题进行求解，确定当前k_t时刻操作变量的值。

(7)不断重复上述步骤2、3、4、5，使得y(k_t)不断接近于直到当前k_t时刻操作变量的值与最优稳态输入值的值相同，J_B＝0为止。此时输出变量、输入变量的结果如表5，表6，完成多目标分层预测的控制。

表5

输出变量	稳态值
		A反应釜的出料产品浓度Ca1	0.0042
B反应釜温度T2	489.3997

表6

输入变量	稳态值
		B反应釜的出口阀位u1	0.9013
传递到A反应釜的热量u2	0.5602

由表5看出输入、输出变量的稳态值均在控制目标要求范围内，同时B反应釜温度T2＝489.3997与工厂经济优化目标T2＝489相差为0.3997，几乎为零可以忽略，因此认为满足经济优化指标，证明该方法的有效性。

以上实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改或改变，都落入本发明的保护范围。

Claims (3)

1.一种基于连续搅拌反应釜的多目标分层预测控制方法，其特征在于，包括以下步骤：

(1)采集状态变量x(t)和输入变量u(t)的初始值，所述状态变量x(t)包括出口浓度、反应器体积、反应器温度，所述输入变量u(t)包括反应器之间的传热量、反应器出口阀位；

(2)将步骤1中的状态变量x(t)和输入变量u(t)的初始代入到CSTR动态模型中；根据动态模型得到CSTR稳态优化模型 为x(t)的导数；y(t)表示输出变量，所述输出变量包括反应器混合物出口浓度、反应器温度，f、g表示模型方程；

(3)对CSTR稳态优化模型、CSTR动态模型采用联立法中的有限元正交配置法进行离散化处理，确定输入变量u(t)的预测值和输出变量y(t)的预测值，并确定使工厂经济效益最大化的输出最优值输入最优值为动态控制层提供最优控制目标，所述通过以下方法得到：

(3.1)可稳性判断，确定系统稳定时输入变量允许波动的范围u′_min,u′_max；

$\begin{array}{cc}\min & J_1=\left|\right|y(k_t+l|k_t)-y(k_t+l-1|k_t)|{|}_{w_y}^2\end{array}$

$\begin{array}{cc}s.t& \underset{k=0}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\φ}}_k\left({\mathrm{\τ}}_{ij}\right)x_{ik}-h_{i}f(x_{ij},u_{ij})=0\end{array},i=\mathrm{1...}NE,j=\mathrm{1..}K$

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

u_min≤u_s≤u_max

其中，J₁表示可稳性优化目标，y(k_t+l|k_t)、y(k_t+l-1|k_t)分别表示k_t时刻对k_t+l、k_t+l-1时刻的输出预测值，w_y表示输出变量的权重矩阵，τ_ij表示第i个有限元第j个插值点，φ_k(τ_ij)表示状态变量的拉格朗日插值函数，x_ik表示第i个有限元第k个插值点处状态变量的值，NE表示有限元个数，K表示插值点的个数，h_i表示第i个有限元的长度，f(x_ij,u_ij)表示模型状态方程，y_ij表示通过公式y_ij＝g(x_ij)计算得到的第i个有限元第j个插值点处对应的输出变量的值，x_iK、x_(i+1)K、x_s分别表示第i个有限元第K个插值点的状态值、第i+1个有限元第K个插值点的状态值、稳态时的状态值，u_iK、u_(i+1)K、u_s分别表示第i个有限元第K个插值点的输入值、第i+1个有限元第K个插值点的输入值、稳态时的输入变量值，u_min、u_max分别表示初始要求允许的输入变量的最小、最大值，若在初始要求允许的范围内，J₁≠0，系统的可稳性条件不满足，控制器停止运行，将u_min、u_max分别调整为u′_min,u′_max，使得J₁＝0；

(3.2)可行性分析，确定系统稳定时输出变量允许波动的范围y'_min,y'_max；

$\begin{array}{cc}\min & J_2=\left|\right|{\mathrm{\δ}}_y|{|}_{w_y}^2\end{array}$

$\begin{array}{cc}s.t& \underset{k=0}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\φ}}_k\left({\mathrm{\τ}}_{ij}\right)x_{ik}-h_{i}f(x_{ij},u_{ij})=0\end{array},i=\mathrm{1...}NE,j=\mathrm{1..}K$

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

y(k_t+l|k_t)-y(k_t+l-1|k_t)＝0

u′_min≤u_s≤u′_max

y_min-δ_y≤y_s≤y_max+δ_y

δ_y≥0

其中，J₂表示可行性优化目标，δ_y用来衡量实际输出值是否在控制要求允许波动范围内，u_s表示输入变量稳态值，w_y是输出变量y对应的优先权重矩阵；y_min、y_max分别为初始要求允许的输出变量的最小值和最大值；若在初始要求允许的范围内，J₂≠0，不满足可行性条件，将y_min、y_max按照以下方式进行调整，使得J₂＝0；

y'_min←inf(g(x_NEK),y_min)y'_max＝sup(g(x_NEK),y_max)

其中x_NEK表示第NE个有限元，第K个配置点处的状态变量值；

(3.3)经济优化，确定全厂经济效益最大化时的输入变量值和输出变量值

$\begin{array}{cc}\min & J_3=\left|\right|u_s-{\mathrm{IRV}}_u|{|}_{a_1}^2+||y_s-{\mathrm{IRV}}_y|{|}_{a_2}^2\end{array}$

$\begin{array}{cc}s.t& \underset{k=0}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\φ}}_k\left({\mathrm{\τ}}_{ij}\right)x_{ik}-h_{i}f(x_{ij},u_{ij})=0\end{array},i=\mathrm{1...}NE,j=\mathrm{1..}K$

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

y(k_t+l|k_t)-y(k_t+l-1|k_t)＝0

u′_min≤u_s≤′u_max

y′_min≤y_s≤y′_max

其中，J₃表示经济优化目标，IRV_u、IRV_y由全厂优化层给出，a₁、a₂分别为u_s，y_s的二次权重；在u′_min≤u_s≤u′_max和y′_min≤y_s≤y′_max条件下，求出使得J₃值最小的并将u′_min，u′_max，y′_min，y′_max做如下修改：

$u_{\min }^{\′}=u_{\max }^{\′}\←u_s^{*}$

$y_{\min }^{\′}=y_{\max }^{\′}\←y_s^{*}$

(3.4)工作点优化，确定扰动条件下的最优输入变量值

$\begin{array}{cc}\min & J_4=\left|\right|u_s-u_{prev}^{*}|{|}_{W_u}^2\end{array}$

$\begin{array}{cc}s.t& \underset{k=0}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\φ}}_k\left({\mathrm{\τ}}_{ij}\right)x_{ik}-h_{i}f(x_{ij},u_{ij})=0\end{array},i=\mathrm{1...}NE,j=\mathrm{1..}K$

y_ij＝g(x_ij)

x_iK＝x_(i+1)K＝x_s,i＝1...NE

u_iK＝u_(i+1)K＝u_s,i＝1...NE

$u_{prev}=u_s^{*}$

$y_s=y_s^{*}$

其中，J₄表示工作点优化目标，是k_t-1时刻操纵变量的最佳稳态值，w_u是输入变量u对应的优先权重矩阵；在和条件下，求出使得J₄值最小的

(4)根据稳态优化层提供的控制目标和确定动态优化命题：

$\begin{array}{cc}\min & J_A=\underset{jj=1}{\overset{P}{\mathrm{\Σ}}}\left|\right|y(k_t+jj|k_t)-y_s^{*}|{|}_{Q_{jj}}^2+\underset{jj=0}{\overset{M-1}{\mathrm{\Σ}}}||u(k_t+jj)-u_s^{**}|{|}_{R_{jj}}^2+\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\left|\right|\mathrm{\Δ}u(k_t+jj)|{|}_{T_{jj}}^2\end{array}$

其中，J_A为动态优化命题，jj表示采样时刻，y(k_t+jj|k_t)表示根据当前k_t时刻的输出值y(k_t)和动态离散化模型对未来k_t+jj时刻的输出预测值，y(k_t)＝g(x(k_t))，x(k_t)通过扩展卡尔曼观测器得到；u(k_t+jj)表示未来k_t+jj时刻的操作变量值，Δu(k_t+jj)表示输入变量改变量，Δu(k_t+jj)＝u(k_t+jj)-u(k_t+jj-1)，Q_jj、R_jj、T_jj分别表示输出变量权重矩阵、输入变量权重矩阵、输入变量改变量权重矩阵，P、M分别表示预测时域、控制时域；

(5)对输出预测值y(k_t+jj|k_t)通过以下方式进行校正：

$\begin{array}{cc}\min & J_B=\underset{jj=1}{\overset{P}{\mathrm{\Σ}}}\left|\right|y(k_t+jj|k_t)+e_{k_t+jj}-y_s^{*}|{|}_{Q_{jj}}^2+\underset{jj=0}{\overset{M-1}{\mathrm{\Σ}}}||u(k_t+jj)-u_s^{*}|{|}_{R_{jj}}^2+\underset{jj=0}{\overset{M-1}{\mathrm{\Σ}}}\left|\right|\mathrm{\Δ}u(k_t+jj)|{|}_{T_{jj}}^2\end{array}$

其中,J_B为校正后的动态优化命题，表示k_t+jj时刻的真实值y(k_t+jj)与预测值y(k_t+jj|k_t)之间的差，采用内点法求解器IPOPT对改进后的动态优化命题进行求解，确定当前k_t时刻操作变量的值；

(6)不断重复上述步骤，使得y(k_t)不断接近于直到当前k_t时刻操作变量的值与最优稳态输入值的值相同，J_B＝0，y(k_t)等于完成多目标分层预测的控制。

2.根据权利要求1所述的方法，其特征在于，所述步骤2中的有限元正交配置法具体为：

把计算域剖分为NE个互不重叠且相互连接的单元，在有限元上选取K个点作为配置点，选取拉格朗日多项式为插值函数，对步骤1中的动态模型和稳态模型分别进行离散化，得到如下动态离散模型：

$\underset{k=0}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\φ}}_k\left({\mathrm{\τ}}_{ij}\right)x_{ik}-h_{i}f(x_{ij},u_{ij})=0,i=\mathrm{1...}NE,j=\mathrm{1...}K$

y_ij＝g(x_ij)

x₁₀-x₀＝0

x_(i+1)0＝x_iK

得到如下稳态离散模型：

h_if(x_ij,u_ij)＝0,i＝1...NE,j＝1...K

y_ij＝g(x_ij)

x₁₀-x₀＝0

x_(i+1)0＝x_iK

h_i表示每个有限元的长度，φ_k表示状态变量对应的拉格朗日插值函数，τ_ij代表配置点，x_ik表示第i个有限元上第j个配置点的状态变量值，u_ij表示第i个有限元上第j个配置点的操作变量值，x₁₀为第一个有限元的第0个配置点的值，即状态的初值，x_(i+1)0表示第i+1个有限元的第0个配置点的状态值，x_iK表示第i个有限元的第K个配置点的状态变量值。

3.根据权利要求1所述的方法，其特征在于，所述步骤4中的根据当前k_t时刻的输出值y(k_t)和动态离散化模型预测未来k_t+jj时刻的输出预测值y(k_t+jj|k_t)的预测方法具体为：

通过扩展卡尔曼观测器得到k_t时刻状态估计值x(k_t)，作为第一个有限元第0个配置点的初值x₁₀，根据动态离散模型得到x₁₁...x_1K的值，再结合y_ij＝g(x_ij)得到输出预测值y(k_t+jj|k_t)。