CN106647250A - 基于离线优化/在线查表方式的双层结构预测控制方法 - Google Patents

Abstract

本发明涉及基于离线优化/在线查表方式的双层结构预测控制方法，包括以下步骤：稳态优化层对目标函数进行优化得到控制变量和输出变量的稳态优化值，输出至动态控制层；动态控制层将稳态优化层的稳态优化值作为设定点，通过模型预测控制得到控制输入值，发送至基础控制层用于控制被控对象。本发明降低了双层结构预测控制系统计算复杂度、提高控制实时性、解决稳态优化无解问题、有效消除扰动对稳态优化的干扰。

Description

基于离线优化/在线查表方式的双层结构预测控制方法

技术领域

本发明涉及一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制方法，属于过程工业控制领域。

背景技术

随着当前激烈的市场竞争和人类科学技术的发展，工业过程越来越复杂，传统的经典控制方法很难满足大延时、强时变和非线性等特性的过程，因此，在降低能耗、节约资源和包含环境的前提下，一种能够适应复杂工业过程，并且能够保证产品高质量、高价值的控制方法成为控制领域的研究热点。由于预测控制能够有效地处理多变量、约束和纯滞后，在航空、航天、环境、石油、化工等领域得到了广泛的应用。

目前应用广泛的预测控制系统采用双层结构，包括稳态优化层和动态控制层两个部分。稳态优化层用于计算稳态控制输入、状态或被控输出的期望目标值，并以此作为动态控制层的设定值。虽然采用此结构的控制系统能够取得良好的经济效益，减少过程变量的波动，实现卡边控制，但由于通常稳态目标层和动态控制层采用相同的计算周期，即在每一个采样周期，需在线进行稳态目标计算和动态控制，导致双层结构预测控制实施计算量大、计算时间长，严重制约了其在高实时性领域的应用。目前尚无针对双层结构预测控制的计算复杂度进行优化的良好方法，因此针对双层结构预测控制方法进行全面分析和优化是一个特需解决的问题。

发明内容

本发明针对上述现有技术中存在的问题，提出了一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制方法，该方法有效的解决了复杂、大量的问题优化计算问题，在保证精度的情况下，提高了控制系统实时性，并且证实其在实时性能方面明显优于在线实时优化双层结构预测控制。

本发明解决其技术问题所采用的技术方案是：基于离线优化/在线查表方式的双层结构预测控制方法，包括以下步骤：

(1)稳态优化层对目标函数进行优化得到控制变量和输出变量的稳态优化值，输出至动态控制层；

(2)动态控制层将稳态优化层的稳态优化值作为设定点，通过模型预测控制得到控制输入值，发送至基础控制层用于控制被控对象。

所述对目标函数进行优化得到控制变量和输出变量的稳态优化值包括以下步骤：

步骤S1，生成目标函数并形成线性规划问题；

步骤S2，通过离线求解线性规划问题，建立离线数据表；

步骤S3，通过在线查找离线数据表获取下一时刻的稳态优化值。

所述生成目标函数并形成线性规划问题具体为由下式构成关于变量u_ss(k)、y_ss(k)、Δf_ss(k)、e(k)的线性规划问题：

线性规划问题的目标函数：

或

线性规划问题的约束条件：

Δy_ss(k)＝G_uΔu_ss(k)+G_fΔf_ss(k)+e(k)

u_LL≤u_ss(k)+Δu_ss(k)≤u_HH

(1c)

y_LL≤y_ss(k)+Δy_ss(k)≤y_HH

Δu_LL≤Δu_ss(k)≤Δu_HH

其中，u∈U∈R^m,y∈Y∈Rⁿ分别代表被控过程的控制输入和被控输出；Δy_ss(k)＝y_ss(k+1)-y_ss(k)，Δu_ss(k)＝u_ss(k+1)-u_ss(k)分别为k时刻被控输出稳态值的增量和控制输入稳态值的增量，u_ss(k)和y_ss(k)为k时刻控制输入稳态值和被控输出稳态值；α^T＝[α₁,α₂,…α_m]和β^T＝[β₁,β₂,…β_n]分别表示控制输入稳态变量和被控输出稳态变量的代价系数；C^T＝[c₁,c₂,…c_m]为由α和β线性组合构成的代价系数向量；扰动输入增量为Δf_ss(k)＝f_ss(k)-f_ss(k-1)，f_ss(k)为k时刻扰动输入；G_u，G_f为稳态增益矩阵；e(k)为k时刻稳态误差修正量，u_LL,u_HH,y_LL,y_HH和Δu_LL,Δu_HH分别为理想控制输入变量的上下限，理想被控输出变量的上下限和理想控制输入变量增量的上下限。

所述通过离线求解线性规划问题，建立离线数据表包括以下步骤：

步骤S21，分别将控制输入稳态值u_ss(k)、被控输出稳态值y_ss(k)、扰动输入增量Δf_ss(k)、稳态偏差e(k)进行变量分段，分别分为m-1、n-1、p-1、q-1段，则相应的离散取值点如下：

u_i＝u_LL+i×(u_HH-u_LL)/m(i＝0,1,…,m)

y_j＝y_LL+j×(y_HH-y_LL)/n(j＝0,1,…,n)

Δf_k＝Δf_LL+k×(Δf_HH-Δf_LL)/p(k＝0,1,…,p) (2)

e_l＝e_LL+l×(e_HH-e_LL)/q(l＝0,1,…,q)

其中，u_HH、u_LL分别为理想控制输入变量的上下限，y_HH、y_LL分别为理想被控输出变量的上下限；Δf_HH和Δf_LL分别为扰动变量的上下限；e_HH、e_LL分别为稳态偏差的上下限；

步骤S22，离线计算各离散点处最优控制输入增量及被控输出增量稳态值，具体为：

将u_i、y_j、Δf_k、e_l分别代入线性规划问题中的被控输入稳态值u_ss(k)、被控输出稳态值y_ss(k)、扰动输入增量Δf_ss(k)、稳态误差e(k)，形成在该取值点处的线性规划问题，求解得到在该取值点处的控制输入稳态值的增量和被控输出稳态值的增量，分别记为稳态优化增量值Δu_i,j,k,l、Δy_i,j,k,l；

步骤S23，根据稳态优化增量值得到控制输入、被控输出的最优值：

u_i,j,k,l＝u_i+Δu_i,j,k,l

(3)

y_i,j,k,l＝y_j+Δy_i,j,k,l

建立u_i、y_j、Δf_k、e_l、u_i,j,k,l、y_i,j,k,l对应为一组的数据表。

所述通过在线查找离线数据表获取下一时刻的稳态优化值包括以下步骤：

步骤S31，采集当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)；

步骤S32，判断当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)是否在数据表中查找到；如果是则执行步骤S33：直接查表，将得到的u_i,j,k,l、y_i,j,k,l分别作为k+1时刻最优稳态值u_ss(k+1)、y_ss(k+1)；否则转到下一步骤；

步骤S34，以当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)为基础，得到与其距离最近的N个可查表的点；

步骤S35，根据N个点对应的u_i、y_j、Δf_k、e_l，查数据表获得各点对应的稳态优化值u_i,j,k,l、y_i,j,k,l，记为(u_a1,b1,c1,d1,y_a1,b1,c1,d1)，…(u_aN,bN,cN,dN,y_aN,bN,cN,dN)；

步骤S36，通过加权的方式，计算下一时刻最优稳态值u_ss(k+1)、y_ss(k+1)：

L_i为N中第i个点与P的距离。

所述以当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)为基础，得到与其距离最近的N个点具体为：当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)设为4维空间的一点P，计算距离P最近的N个可查表的点

P₁＝(u_a1,y_b1,Δf_c1,e_d1)，…P_N＝(u_aN,y_bN,Δf_cN,e_dN)，

u_ai,y_bi,Δf_ci,e_di分别为与点P最近的第i个点对应的u_i、y_j、Δf_k、e_l；

各点与P的距离分别为L₁，…L_N，且L₁≤L₂≤…≤L_N：

本发明具有以下有益效果及优点：

(1)采用在线查表、加权计算稳态优化值，解决传统的在线求解线性规划问题时存在的大量的迭代和搜索过程，因此大大降低了计算复杂度并提高了控制实时性。

(2)采用加权方法计算稳态优化值，解决稳态优化无解问题

(3)采用将扰动变量及稳态误差变量分段，可以有效的消除扰动对稳态优化的干扰。

附图说明

图1为本发明的控制系统结构图；

图2为本发明的控制系统的控制方法；

图3为发明步骤S2的流程图；

图4为发明步骤S3的流程图；

图5为在线实时稳态优化的双层结构预测控制系统控制输入结果图；

图6为采用本发明的控制输入结果图；

图7为在线实时稳态优化的双层结构预测控制系统被控输出结果图；

图8为采用本发明的被控输出结果图；

图9为在线实时稳态优化的双层结构预测控制系统优化计算耗时结果图；

图10为采用本发明的优化计算耗时结果图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明。

本发明针对复杂系统中双层结构预测控制的实时稳态优化层计算时间长、不满足实时性的问题，提出一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制系统。该发明对过程对象的变量进行分段；通过离线优化计算，建立可供查表的数据表；在线实时计算过程中，选择与当前时刻距离最近的多个可查表点，然后通过加权的方法计算稳态优化值；以此优化值作为动态控制的设定值，通过动态控制算法计算最优控制输入并通过基础控制层实施到执行机构。

本发明提出了一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制系统，包括稳态优化层、动态控制层，系统结构如图1所示；

所述稳态优化层位于上层，其采用经济自优化函数或目标跟踪函数作为优化目标函数，计算关键变量的最优值，该最优值作为所述动态控制层的设定值。

所述的动态控制层位于下层，其通过模型预测、滚动优化和反馈校正计算最优控制输入值，以达到跟踪所述稳态优化层的最优值。

一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制系统，其包含如下步骤，如图2所示：

步骤S1，以经济自优化方式生成目标函数，根据工艺和稳态模型构建约束条件，形成线性规划(LP)问题。所述目标函数和约束条件如式(1a)和式(1b)所示：

Δy_ss(k)＝G_uΔu_ss(k)+G_fΔf_ss(k)+e(k)

u_LL≤u_ss(k)+Δu_ss(k)≤u_HH

(1b)

y_LL≤y_ss(k)+Δy_ss(k)≤y_HH

Δu_LL≤Δu_ss(k)≤Δu_HH

其中，u∈U∈R^m,y∈Y∈Rⁿ分别代表被控过程的控制输入和被控输出。Δy_ss(k)＝y_ss(k+1)-y_ss(k)，Δu_ss(k)＝u_ss(k+1)-u_ss(k)分别为k时刻被控输出稳态值的增量和控制输入稳态值的增量，其中u_ss(k)和y_ss(k)为k时刻控制输入稳态值和被控输出稳态值；α^T＝[α₁,α₂,…α_m]和β^T＝[β₁,β₂,…β_n]分别表示控制输入稳态变量和被控输出稳态变量的代价系数，即生产过程的成本和效益系数。因Δu_ss(k)和Δy_ss(k)之间是线性关系，故式(1a)可描述为：

其中，C^T＝[c₁,c₂,…c_m]为由成本系数α和效益系数β的线性组合构成的代价系数向量。

由于扰动无法预测，因此扰动输入增量为Δf_ss(k)＝f_ss(k)-f_ss(k-1)，f_ss(k)为k时刻扰动输入；G_u，G_f为稳态增益矩阵；e(k)为k时刻稳态误差修正量，由于稳态值无法测量，因此采用作为稳态误差修正量，其中y(k)为k时刻被控输出值，为k-1时刻对k时刻的被控输出预测值。u_LL,u_HH,y_LL,y_HH和Δu_LL,Δu_HH分别为理想控制输入变量的上下限，理想被控输出变量的上下限和理想控制输入变量增量的上下限约束。

由式(1a)、(1b)、(1c)构成关于变量u_ss(k)、y_ss(k)、Δf_ss(k)、e(k)的线性规划问题。

步骤S2，通过离线求解LP问题，建立稳态优化离线数据表；

步骤S3，在实时优化过程中通过在线查找步骤S2所获取的离线数据表，获取下一时刻的稳态优化值；

步骤S4，将上层的稳态优化值传递到下层的动态控制层，并作为动态控制层的设定值，通过动态控制算法计算最优的控制输入，并将最优控制输入给执行机构。返回步骤S3，进入下一循环周期(k→k+1)。

所述步骤S2进一步包括(如图3所示)：

步骤S21，综合考虑工艺、计算量及优化精度因素，对控制输入变量、被控输出变量、误差变量及扰动变量分段。具体为：在综合考虑离线计算量、精度的基础上，根据u_ss(k),y_ss(k),Δf_ss(k),e(k)的取值范围，进行变量分段，设分别分为m-1、n-1、p-1、q-1段，则相应的取值点如式(2)：

u_i＝u_LL+i×(u_HH-u_LL)/m(i＝0,1,…,m)

y_j＝y_LL+j×(y_HH-y_LL)/n(j＝0,1,…,n)

Δf_k＝Δf_LL+k×(Δf_HH-Δf_LL)/p(k＝0,1,…,p) (2)

e_l＝e_LL+l×(e_HH-e_LL)/q(l＝0,1,…,q)

Δf_HH和Δf_LL分别为扰动变量的上下限；e_HH、e_LL分别为稳态偏差的上下限。

其中，变量分段依据以下几个方面：

(1)工艺：根据相关工艺，对生产过程影响较大的变量应尽量提高分段数量，影响较小的可以少分段；

(2)优化精度：根据精度要求，设置分段数的下限，即最小分段数。例如，要求某个变量的精度为S，变化范围为R，则分段数应不小于R/S。

(3)计算量：由于在线采用查表、加权计算方式，其计算量较小，分段的多少对计算时间的影响是线性的，可以不考虑；离线的计算量主要是求解各分段点处的线性规划问题，以内点法求解标准线性规划问题为例，其求解的时间复杂度为O[(m·n·p·q)·M⁴L]，表示计算复杂度为(m·n·p·q)·M⁴L相同数量级的数，其中，M为变量总数，L为约束方程个数，在同一过程中M、L视为常数。若要求计算时间小于T，则根据计算机的处理能力可得到关于T及m、n、p、q的方程

f(T)＝O[(m·n·p·q)·M⁴L]

求解即可得出m·n·p·q，即得到各分段数的乘积数，然后再根据工艺要求、精度要求进行各变量分段数的分配。

步骤S22，离线计算各离散点处最优控制输入增量及被控输出增量稳态值。具体为：由步骤S21确定的取值点u_i、y_j、Δf_k、e_l(i＝0,1,…m；j＝0,1,…n；k＝0,1,…p；l＝0,1,…q)代替式(1a-1c)中u_ss(k),y_ss(k),Δf_ss(k),e(k)形成在该取值点处的线性规划(LP)问题，求解该LP问题得到稳态优化增量值，记为Δu_i,j,k,l和Δy_i,j,k,l。

步骤S23，根据最优稳态值增量值计算最优值，建立数据表格。具体为：计算优化值，如式(3)：

u_i,j,k,l＝u_i+Δu_i,j,k,l

(3)

y_i,j,k,l＝y_j+Δy_i,j,k,l

由此可构造关于u_i、y_j、Δf_k、e_l、u_i,j,k,l、y_i,j,k,l的数据表；

如图4所示，所述步骤S3进一步包括：

步骤S31，采集当前时刻(k时刻)的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)；

步骤S32，判断当前时刻(k时刻)的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)是否可在数据表中查找到，是则转到步骤S33，否则转到步骤S34；

步骤S33，直接查表，得到k+1时刻最优稳态值u_ss(k+1)、y_ss(k+1)，转至步骤S4；

步骤S34，以当前时刻(k时刻)的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)为基础，计算其距离最近的N个点，距离为L_i，i＝1,2,…N。具体为：当前时刻(k时刻)的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)设为4维空间的一点P，计算距离P最近的N个可查表的点P₁＝(u_a1,y_b1,Δf_c1,e_d1)，…P_N＝(u_aN,y_bN,Δf_cN,e_dN)，其距离分别为L₁，…L_N，其中：

步骤S35，查表，获得N个点所对应的稳态优化值，记为(u_a1,b1,c1,d1,y_a1,b1,c1,d1)，…(u_aN,bN,cN,dN,y_aN,bN,cN,dN)；

u_ai,y_bi,Δf_ci,e_di分别为与点P最近的第i个点对应的u_i、y_j、Δf_k、e_l；

步骤S36，通过加权的方式，计算最优的稳态值u_ss(k+1)、y_ss(k+1)；具体为：通过加权方法计算当前时刻(k时刻)的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)对应的稳态优化值，如下式(5)：

下面举实例对上述方法进行说明，针对2输入2输出的被控对象进行仿真，并加以分析。该被控对象的数学模型如下式(6)

y(s)＝G_U(s)u(s)+G_F(s)f(s) (6)

其中，则该对象对应的稳态数学模型为式(7)

系统控制输入约束为[-0.5，0.5]，被控输出约束为[-0.5，0.5]，控制输入变量的增量约束被限定为0.1，控制输入的代价系数向量C^T＝[-2,-1]，分段数为m＝n＝p＝q＝11，可查表点N＝16，仿真步长为20s。根据上述步骤S1至S4及其详细子步骤设计仿真验证程序，并与在线实时进行稳态优化的双层结构预测控制系统对比，结果如图5-图10所示。其中图5-图8为采用稳态优化的双层结构预测控制系统及采用本发明的控制输入、被控输出结果图，可见，控制输入及被控输出的曲线接近，说明两种方法在控制优化的效果上是接近的；图9为在线实时稳态优化的双层结构预测控制系统每个运行周期耗时，其单个运行周期平均耗时0.0879s；图10为基于离线优化/在线查表的稳态优化的双层结构预测控制系统每个运行周期耗时，其单个运行周期平均耗时0.0015s；由图5和图6可以看出，在确保要求控制精度范围内，基于离线优化/在线实时查表方式的稳态优化的双层预测控制方法实时性好，能够更好的适用于高实时性领域。

Claims (6)

1.基于离线优化/在线查表方式的双层结构预测控制方法，其特征在于包括以下步骤：

(1)稳态优化层对目标函数进行优化得到控制变量和输出变量的稳态优化值，输出至动态控制层；

(2)动态控制层将稳态优化层的稳态优化值作为设定点，通过模型预测控制得到控制输入值，发送至基础控制层用于控制被控对象。

2.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制方法，其特征在于所述对目标函数进行优化得到控制变量和输出变量的稳态优化值包括以下步骤：

步骤S1，生成目标函数并形成线性规划问题；

步骤S2，通过离线求解线性规划问题，建立离线数据表；

步骤S3，通过在线查找离线数据表获取下一时刻的稳态优化值。

3.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制系统，其特征在于所述生成目标函数并形成线性规划问题具体为由下式构成关于变量u_ss(k)、y_ss(k)、Δf_ss(k)、e(k)的线性规划问题：

线性规划问题的目标函数：

$\underset{{\mathrm{\Δu}}_{\mathrm{\∞}}\left(k\right),{\mathrm{\Δy}}_{ss}\left(k\right)}{min}J={\mathrm{\α}}^T{\mathrm{\Δu}}_{ss}\left(k\right)+{\mathrm{\β}}^T{\mathrm{\Δy}}_{ss}\left(k\right)---\left(1a\right)$

或

$\underset{{\mathrm{\Δu}}_{SS}\left(k\right)}{min}J=C^T{\mathrm{\Δu}}_{ss}\left(k\right)---\left(1b\right)$

线性规划问题的约束条件：

Δy_ss(k)＝G_uΔu_ss(k)+G_fΔf_ss(k)+e(k)

u_LL≤u_ss(k)+Δu_ss(k)≤u_HH (1c)

y_LL≤y_ss(k)+Δy_ss(k)≤y_HH

Δu_LL≤Δu_ss(k)≤Δu_HH

其中，u∈U∈R^m,y∈Y∈Rⁿ分别代表被控过程的控制输入和被控输出；Δy_ss(k)＝y_ss(k+1)-y_ss(k)，Δu_ss(k)＝u_ss(k+1)-u_ss(k)分别为k时刻被控输出稳态值的增量和控制输入稳态值的增量，u_ss(k)和y_ss(k)为k时刻控制输入稳态值和被控输出稳态值；α^T＝[α₁,α₂,…α_m]和β^T＝[β₁,β₂,…β_n]分别表示控制输入稳态变量和被控输出稳态变量的代价系数；C^T＝[c₁,c₂,…c_m]为由α和β线性组合构成的代价系数向量；扰动输入增量为Δf_ss(k)＝f_ss(k)-f_ss(k-1)，f_ss(k)为k时刻扰动输入；G_u，G_f为稳态增益矩阵；e(k)为k时刻稳态误差修正量，u_LL,u_HH,y_LL,y_HH和Δu_LL,Δu_HH分别为理想控制输入变量的上下限，理想被控输出变量的上下限和理想控制输入变量增量的上下限。

4.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制方法，其特征在于所述通过离线求解线性规划问题，建立离线数据表包括以下步骤：

步骤S21，分别将控制输入稳态值u_ss(k)、被控输出稳态值y_ss(k)、扰动输入增量Δf_ss(k)、稳态偏差e(k)进行变量分段，分别分为m-1、n-1、p-1、q-1段，则相应的离散取值点如下：

u_i＝u_LL+i×(u_HH-u_LL)/m(i＝0,1,…,m)

y_j＝y_LL+j×(y_HH-y_LL)/n(j＝0,1,…,n)

Δf_k＝Δf_LL+k×(Δf_HH-Δf_LL)/p(k＝0,1,…,p) (2)

e_l＝e_LL+l×(e_HH-e_LL)/q(l＝0,1,…,q)

其中，u_HH、u_LL分别为理想控制输入变量的上下限，y_HH、y_LL分别为理想被控输出变量的上下限；Δf_HH和Δf_LL分别为扰动变量的上下限；e_HH、e_LL分别为稳态偏差的上下限；

步骤S22，离线计算各离散点处最优控制输入增量及被控输出增量稳态值，具体为：

将u_i、y_j、Δf_k、e_l分别代入线性规划问题中的被控输入稳态值u_ss(k)、被控输出稳态值y_ss(k)、扰动输入增量Δf_ss(k)、稳态误差e(k)，形成在该取值点处的线性规划问题，求解得到在该取值点处的控制输入稳态值的增量和被控输出稳态值的增量，分别记为稳态优化增量值Δu_i,j,k,l、Δy_i,j,k,l；

步骤S23，根据稳态优化增量值得到控制输入、被控输出的最优值：

u_i,j,k,l＝u_i+Δu_i,j,k,l

y_i,j,k,l＝y_j+Δy_i,j,k,l (3)

建立u_i、y_j、Δf_k、e_l、u_i,j,k,l、y_i,j,k,l对应为一组的数据表。

5.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制方法，其特征在于所述通过在线查找离线数据表获取下一时刻的稳态优化值包括以下步骤：

步骤S31，采集当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)；

步骤S32，判断当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)是否在数据表中查找到；如果是则执行步骤S33：直接查表，将得到的u_i,j,k,l、y_i,j,k,l分别作为k+1时刻最优稳态值u_ss(k+1)、y_ss(k+1)；否则转到下一步骤；

步骤S34，以当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)为基础，得到与其距离最近的N个可查表的点；

步骤S35，根据N个点对应的u_i、y_j、Δf_k、e_l，查数据表获得各点对应的稳态优化值u_i,j,k,l、y_i,j,k,l，记为(u_a1,b1,c1,d1,y_a1,b1,c1,d1)，…(u_aN,bN,cN,dN,y_aN,bN,cN,dN)；

步骤S36，通过加权的方式，计算下一时刻最优稳态值u_ss(k+1)、y_ss(k+1)：

$u_{ss}(k+1)=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_{ai,bi,ci,di}\×L_{N-i+1}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{L}_i},y_{ss}(k+1)=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_{ai,bi,ci,di}\×L_{N-i+1}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{L}_i}---\left(4\right)$

L_i为N中第i个点与P的距离。

6.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制方法，其特征在于所述以当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)为基础，得到与其距离最近的N个点具体为：当前k时刻的数据u_ss(k),y_ss(k),Δf_ss(k),e(k)设为4维空间的一点P，计算距离P最近的N个可查表的点

P₁＝(u_a1,y_b1,Δf_c1,e_d1)，…P_N＝(u_aN,y_bN,Δf_cN,e_dN)，

u_ai,y_bi,Δf_ci,e_di分别为与点P最近的第i个点对应的u_i、y_j、Δf_k、e_l；

各点与P的距离分别为L₁，…L_N，且L₁≤L₂≤L≤L_N：

$L_i=\sqrt{{(u_{ai}-u_{ss}(k\left)\right)}^2+{(y_{bi}-y_{ss}(k\left)\right)}^2+{({\mathrm{\Δf}}_{ci}-{\mathrm{\Δf}}_{ss}(k\left)\right)}^2+{(e_{di}-e(k\left)\right)}^2},i=1,2,...,N.$