CN108579929B - 一种基于rbf神经网络预测控制的双进双出球磨机控制系统及控制方法 - Google Patents

Abstract

本发明公开了一种基于RBF神经网络预测控制的双进双出球磨机控制系统及控制方法，控制系统包括基于RBF神经网络模型的预测控制器、控制量初始化模块以及被控对象，被控对象为双进双出球磨机模型，其输出连续被控量经离散化后生成的离散被控量和被控量当前设定值输入控制量初始化模块和预测控制器，控制量初始化模块输出控制量初始值输入给预测控制器，预测控制器输出离散控制向量经零阶保持器转换为连续控制量输出给双进双出球磨机模型。控制方法采用RBF神经网络正向模型和RBF神经网络逆向模型实现对被控对象的预测控制。本发明可以对系统进行提前控制和调节，适用于大滞后系统的控制，被控量响应快、超调量小，同时具有良好的鲁棒性。

Description

一种基于RBF神经网络预测控制的双进双出球磨机控制系统 及控制方法

技术领域

本发明涉及热能动力工程及自动控制系统和方法，特别是涉及一种基于RBF神经网络预测控制的双进双出球磨机控制系统及控制方法。

背景技术

随着对火电机组节能改造工程的推进，降低煤耗以及减少厂用电当下已经成为节能方向的热门研究课题。作为常见电厂大型重要组成系统之一的双进双出球磨机煤粉制备系统，其用电量可以达到厂用电的15％～25％，有巨大的节能潜力，因此通过研究制粉系统的优化控制从而提高系统的运行效率对于节能改造具有重要意义。双进双出球磨机制粉系统是一个多变量大滞后时变非线性系统，若采用传统PID控制，达不到理想的效果，因此需要我们探索其他更好的控制方案。

发明内容

发明目的：本发明针对双进双出球磨机制粉系统的大滞后非线性特性提出了一种基于RBF神经网络预测控制的双进双出球磨机控制系统及控制方法。

技术方案：本发明提供了一种基于RBF神经网络预测控制的双进双出球磨机控制系统，所述控制系统包括基于RBF神经网络模型的预测控制器、控制量初始化模块以及被控对象，所述被控对象为双进双出球磨机模型，所述双进双出球磨机模型输出连续被控量经离散化后生成离散被控量，离散被控量和被控量当前设定值输入控制量初始化模块，控制量初始化模块输出的控制量初始值、双进双出球磨机模型输出的离散被控量和被控量当前设定值均输入给预测控制器，预测控制器输出离散控制向量经零阶保持器转换为连续控制量输出给双进双出球磨机模型。

优选的，所述控制量初始化模块包括用于未来被控量预测的RBF神经网络模型和用于控制量预测的RBF神经网络逆模型，所述预测控制器采用用于未来被控量预测的RBF神经网络模型。

本发明还提供了一种基于上述RBF神经网络预测控制的双进双出球磨机控制系统的控制方法，包括以下步骤：

(1)建立被控对象模型，即双进双出球磨机模型；

(2)检测被控对象的控制量及被控量M个历史时刻值作为训练样本集；

(3)采用训练样本集分别训练RBF神经网络正向模型RBF_for,x和RBF神经网络逆向模型RBF_inv；

(4)预测控制器和控制量初始化模块采用训练得到的RBF神经网络正向模型RBF_for,x和RBF神经网络逆向模型RBF_inv对被控对象进行预测控制。

进一步的，所述步骤(1)中被控对象的控制量为v＝[F_incoal,μ_L,μ_H]，被控量为x＝[L_coal,T_out,F_outcoal]，建立的被控对象模型，即双进双出球磨机模型为：

其中，F_L为冷风流量，F_H为热风流量，为冷风门最大风流量，为热风门最大风流量，C₁为一次风的比热容，T_L为冷一次风温度，T_H为热一次风温度,T_in为磨入口一次风温度，B_air为旁路风流量，L_air为负荷风流量，W_air为一次风流量，为磨煤机内部水分的蒸发量，θ_mc为原煤水分，Q为运行磨煤机所消耗的电流总量，F_incoal为给煤量，μ_L为冷风门开度，μ_H为热风门开度，L′_coal为料位，T_out为磨出口温度，F_outcoal为磨出口煤粉流量，N_i是双进双出球磨机模型的待辨识参数，i＝1,2,…,15；被控对象的控制量为μ_H。

更进一步的，所述双进双出球磨机模型的待辨识参数是通过预测误差最小化方法来辨识获得的，该方法以加权的预测误差范数作为目标函数，公式如下：

其中，K₁为双进双出球磨机模型输入输出的数据样本组数，K₂为输出变量个数，e_i(t)是双进双出球磨机模型第t个时刻第i个被控量的实测输出值x_i(t)和双进双出球磨机模型被控量的预测输出值之差：

求解N_i(i＝1,2,…,14)需要满足的约束条件是：

e≤1。

进一步的，所述步骤(3)中RBF神经网络由输入、隐藏和输出三层组成，隐藏层包含了L个节点，RBF神经网络正向模型RBF_for,x的输入层将离散控制量作为输入变量分配给L个隐藏层节点，所有隐藏层节点对应于表示输入空间中RBF中心的中心向量，第l个隐藏节点的输入变量μ_l(v_k)对应于第k个控制量v_k和隐藏节点中心向量c_l之间的欧几里得距离：

其中，v_i,k表示与第k个控制量中第i个分量的值，c_i,l表示第l个隐层节点中心向量中第i个分量的值，K为采用的输入输出训练样本数，即双进双出球磨机模型的控制量和被控量的组合数，这里采用的激活函数是高斯函数，产生每个隐藏节点的输出：

其中，σ_l是第l个隐藏节点的高斯函数的宽度，通过P-最近邻居算法计算得到；对应于第k个输入的网络输出层的响应x(k)是隐藏层节点输出的加权线性组合：

x(k)＝g_k·W；

其中，x(k)为对应于第k个输入的网络输出层的响应，即第k个被控量，W是L×M权值矩阵，g_k＝[g(μ₁),g(μ₂),…,g(μ_L)]是关于第k个输入的L个隐藏层节点的输出行向量，采用模糊均值算法计算隐藏层节点的数量和位置中心c_l，采用标准线性回归求解权值矩阵W，建立系统的离散动态RBF正向模型RBF_for,x；

通过建立的双进双出球磨机离散动态正向模型RBF_for,x，被控量的下一个预测值表示为当前被控量x(k)和控制量v(k)的函数：

训练RBF神经网络逆向模型RBF_inv时，神经网络输入层将离散被控量作为输入变量，网络输出层的响应为v_k。

进一步的，所述步骤(4)中预测控制器在每个离散时间点k处制定优化问题，通过求解性能指标函数得到将被控量驱动到相应被控量的设定值的控制量v(k)；性能指标函数由两部分组成，一部分是模型预测输出值与设定值ω(k)之差的最小化，另一部分是控制范围内控制移动的最小化：

其中，Θ和Ω是误差和移动抑制系数，h_c和h_p是控制范围和预测范围，Δv＝v(k+i)-v(k+i-1)是两个后续控制动作之差；最小化问题通过一系列约束来描述，约束如下：

其中，E(k)为建模误差，即当前输出与上一时刻预测输出的差：

E(k)＝x(k)-RBF_for,x(x(k-1),v(k-1))；

在整个预测范围内，认为建模误差是相同的，在整个控制范围内，控制量受定义的下限值v_min和上限v_max的限制：

v_min≤v(k+i)≤v_max,1≤i≤h_c；

对于两个连续控制量的值，有如下约束：

|v(k+i)-v(k+i-1)|≤v_deltabound；

其中，v_deltabound为设定阈值；

控制时域的最后控制量保持不变直到预测时域结束：

Δv(k+i)＝0,h_c+1≤i≤h_p；

预测控制器产生的离散控制量可以通过零阶保持器转换为连续控制量输出给被控对象，该连续控制量为：

v(t)＝v(kT),kT≤t<(k+1)T；

其中，T是采样周期。

更进一步的，为求解性能指标函数最优解，控制量初始化模块采用RBF神经网络逆向模型RBF_inv，通过递推关系求解控制量初始值，并将控制量初始值传送给预测控制器，RBF神经网络逆向模型RBF_inv的输入为被控量x(k)，输出为控制量v(k)，该模型将当前被控量设定值ω(k)和当前被控量x(k)关联到当前控制量v(k)：

v(k)＝RBF_inv(x(k),ω(k))；

控制量初始化过程如下所示：

输入：

x(k)＝[x₁(k),x₂(k),…,x_N(k)]：系统当前状态向量，即被控量；

ω(k)：被控量设定值；

h_c：预测控制范围大小；

输出：

控制量初始值；

(1)当i＝1:h_c执行以下操作；

(2)设置

(3)将和ω(k)反馈给逆向模型RBF_inv，求解在一个采样周期内驱动被控对象输出变为被控量设定值ω(k)的控制量预测值

(4)设置

(5)将和反馈给正向模型RBF_for,x，预测系统未来状态即系统被控量预测值；

(6)若i<h_c，返回步骤(2)继续执行；若i＝h_c，则结束；

将控制量初始值V_init(k)传送给预测控制器，预测控制器经计算求解性能指标函数，在每一个时刻将控制量v(k)传送给被控对象实施控制作用，再以k+1时刻为基点进行下一时刻的最优控制量计算，实现滚动优化。

有益效果：与现有技术相比，本发明具有以下优点：

(1)本发明的一种基于RBF神经网络预测控制的双进双出球磨机控制系统，通过预测控制，可以有效地提前控制动作，使得系统制粉出力能够良好地跟踪指令变化，稳定制粉出力的关键参数，提高制粉系统运行的可靠性；

(2)本发明提出的控制量初始化功能模块可以预测求解当前时刻的控制量初始值，并将控制量初始值送入预测控制器作为优化问题求解的初始值，极大提升了预测控制在线优化速度，与传统优化求解方法相比，解决优化问题所需时间大大减少，提升了控制系统的快速性与准确性，同时具有良好的鲁棒性。

附图说明

图1是本发明的控制系统示意图；

图2是本发明的控制方法示意图；

图3～图5为本发明实施例预测控制效果图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案进行详细的说明。

如图1所示为一种基于RBF神经网络预测控制的双进双出球磨机控制系统示意图，预测控制器(MPC控制器)用作反馈回路的控制器，在控制量初始化回路中采用RBF神经网络方法进行控制量初始值计算。通过预测控制技术能够保证被控系统在稳定性和安全性的前提下，提升双进双出球磨机制粉系统调节的快速性，使制粉出力良好地跟踪指令变化，并在制粉出力调节过程中，保持系统的稳定性，提高系统调节速度和准确性。预测控制器通过RBF神经网络方法利用双进双出球磨机运行的历史数据建立RBF预测模型；通过RBF神经网络利用双进双出球磨机运行的历史数据建立控制量初始化模型。具体为：该控制系统包括基于RBF神经网络模型的预测控制器、控制量初始化模块以及被控对象，被控对象为双进双出球磨机模型，双进双出球磨机模型输出连续被控量经离散化后生成离散被控量，离散被控量和被控量当前设定值输入控制量初始化模块，控制量初始化模块输出的控制量初始值、双进双出球磨机模型输出的离散被控量和被控量当前设定值均输入给预测控制器，预测控制器输出离散控制向量经零阶保持器转换为连续控制量输出给双进双出球磨机模型。控制量初始化模块包括用于未来被控量预测的RBF神经网络模型和RBF神经网络逆模型，预测控制器采用用于未来被控量预测的RBF神经网络模型。

本发明针对被控对象(双进双出球磨机)建立了一个三输入三输出模型，三个输入分别是给煤量、冷风门开度、热风门开度，三个输出分别是料位、磨出口温度及磨出口煤粉流量。针对该被控对象提出了一种基于RBF神经网络预测控制的双进双出球磨机控制系统及预测控制方法，采用RBF神经网络算法建立双进双出球磨机的RBF正向模型作为预测控制的预测模型，通过采用了被控对象RBF神经网络正向及逆向模型的控制量初始化模块计算控制量初始值，并将控制量初始值传送给预测控制器(MPC控制器)，解决了预测控制在线优化计算负担大的问题。针对双进双出球磨机(被控对象)进行基于RBF神经网络预测控制器设计，该控制系统所采用的控制器为预测控制器(MPC控制器)，分别将料位的设定值、磨出口温度的设定值和磨出口煤粉流量的设定值以及三者的实际值送入到基于RBF神经网络模型的预测控制器与控制量初始化模块，预测控制器求解得到给煤量、冷风门开度及热风门开度的最优控制序列，并取最优控制序列当前时刻的控制作用于建立的双进双出球磨机三输入三输出模型，得到料位、磨出口温度及磨出口煤粉流量的输出，下一个时刻重复同样计算，实现在线滚动优化预测控制。

如图2所示为本实施例的一种基于RBF神经网络预测控制的双进双出球磨机控制系统的控制方法框图。该方法通过检测双进双出球磨机被控对象的控制量及被控量历史2000个时刻的数据样本作为RBF学习样本，建立双进双出球磨机离线的RBF神经网络正向模型RBF_for,x及逆向模型RBF_inv，并作为MPC控制器(预测控制器)及控制量初始化模块的预测模型。检测双进双出球磨机当前时刻的被控量并离散化得到x(k)，与被控向量当前设定值ω(k)共同作为控制量初始化模块的输入，经控制量初始化模块计算求解得到控制量初始值V_init(k)，与x(k)及ω(k)作为MPC控制器输入，经计算求解得到离散控制量v(k),经零阶保持元件得到连续控制量v(t),传递给双进双出球磨机被控对象实现控制作用。

具体包括以下步骤：

(1)建立被控对象模型，即双进双出球磨机模型；

被控对象模型(双进双出球磨机模型)为一三输入三输出模型，三个输入分别是给煤量F_incoal、冷风门开度μ_L、热风门开度μ_H，三个输出分别是料位L_coal、磨出口温度T_out、磨出口煤粉流量F_outcoal，针对该研究对象，即本例的控制量为v＝[F_incoal,μ_L,μ_H]，被控量为x＝[L_coal,T_out,F_outcoal]。建立的双进双出球磨机数学模型如下：

其中，F_L为冷风流量(kg/s)，F_H为热风流量(kg/s)，为冷风门最大风流量(kg/s)，为热风门最大风流量(kg/s)，C₁为一次风的比热容(J/(kg·K))，T_L为冷一次风温度(℃)，T_H为热一次风温度(℃)，T_in为磨入口一次风温度(℃)，B_air为旁路风流量(kg/s)，L_air为负荷风流量(kg/s)，W_air为一次风流量(kg/s)，为磨煤机内部水分的蒸发量(kg/s)，θ_mc为原煤水分(无量纲)，Q为运行磨煤机所消耗的电流总量(A)，F_incoal为给煤量(kg/s)，μ_L为冷风门开度(无量纲)，μ_H为热风门开度(无量纲)，L_coal为料位(Pa)，T_out为磨出口温度(℃)，F_outcoal为磨出口煤粉流量(kg/s)，N_i是模型的待辨识参数，i＝1,2,…,15。

上述待辨识参数是通过预测误差最小化方法(PEM)来辨识获得的，该方法以加权的预测误差范数作为目标函数，计算公式为：

其中，K₁为用于模型参数辨识的双进双出球磨机模型输入输出的数据样本组数，本实施例中为2000，K₂为双进双出球磨机模型输出变量个数，本实施例中为3，即3个被控量：料位、温度、煤粉量；e_i(t)是双进双出球磨机模型第t个时刻第i个被控量的实测输出值x_i(t)和双进双出球磨机模型被控量的预测输出值之差：

这里求解N_i(i＝1,2,…,15)需要满足的约束条件是：

e≤1 (4)。

(2)检测被控对象的控制量及被控量N个历史时刻值作为训练样本集；

检测双进双出球磨机被控对象的控制量及被控量历史2000个时刻的数据样本作为RBF学习样本，即训练样本集。该训练样本集包括2000组训练样本，每一组对应一个时刻的输入输出，即6个变量值(给煤量F_incoal、冷风门开度μ_L、热风门开度μ_H，料位L_coal、磨出口温度T_out、磨出口煤粉流量F_outcoal)为一组训练样本。

(3)采用训练样本集分别训练RBF神经网络正向模型RBF_for,x和RBF神经网络逆向模型RBF_inv；

预测控制器中所采用的预测模型为双进双出球磨机RBF神经网络正向模型RBF_for,x，RBF神经网络由输入、隐藏和输出三层组成，输入输出层均为3个节点，隐藏层包含了L个节点，RBF神经网络正向模型RBF_for,x的输入层将被控对象模型的离散控制量作为输入变量的数据分配给L个隐藏层节点，所有隐藏层节点对应于表示输入空间中RBF中心的中心向量，第l个隐藏节点的输入变量μ_l(v_k)对应于第k个控制量v_k和隐藏层节点中心向量c_l之间的欧几里得距离：

其中，v_i,k表示与第k个控制量中第i个分量的值，c_i,l表示第l个隐藏节点中心向量中第i个分量的值，K为采用的输入输出训练样本数，本实施例中为6000，即采用双进双出球磨机历史运行数据进行RBF神经网络训练样本的组数，每组包含一个时刻的所有输入输出6个量。v_k＝[F_incoal(k),μ_L(k),μ_H(k)]，这里采用的激活函数是高斯函数，产生每个隐藏层节点的输出：

其中，σ_l是第l个隐藏节点的高斯函数的宽度，通过P-最近邻居算法计算得到。对应于第k个输入的网络输出层的响应x(k)是隐藏节点输出的加权线性组合：

x(k)＝g_k·W (7)；

其中，x(k)为对应于第k个输入(控制量)的网络输出层的响应，即第k个被控量，W是L×M权值矩阵，g_k＝[g(μ₁),g(μ₂),…,g(μ_L)]是关于第k个输入的L个隐藏层节点的输出行向量。采用模糊均值(FM)算法计算隐藏节点的数量(58个)和位置中心c_l，采用标准线性回归求解权值矩阵W，建立系统的离散动态RBF正向模型RBF_for,x。

通过建立的双进双出球磨机离散动态正向RBF模型，被控量的下一个预测值表示为当前被控量x(k)和控制量v(k)的函数：

训练RBF神经网络逆向模型RBF_inv时，神经网络输入层将离散被控量作为输入变量，网络输出层的响应为v_k。其步骤与RBF神经网络正向模型RBF_for,x一致。

(4)预测控制器和控制量初始化模块采用训练得到的RBF神经网络正向模型RBF_for,x和RBF神经网络逆向模型RBF_inv对被控对象进行预测控制；

预测控制器在每个离散时间点k处制定优化问题，通过求解性能指标函数得到将被控量驱动到相应设定值的控制量。性能指标函数由两部分组成，一部分是模型预测输出值与设定值ω(k)之差的最小化，另一部分是控制范围内控制移动的最小化：

其中，Θ和Ω是误差和移动抑制系数，h_c和h_p是控制范围和预测范围，Δv＝v(k+i)-v(k+i-1)是两个后续控制动作之差；最小化问题通过一系列约束来描述，约束如下：

其中，E(k)为建模误差，即当前被控量输出与上一时刻被控量预测输出的差：

E(k)＝x(k)-RBF_for,x(x(k-1),v(k-1)) (11)；

在整个预测范围内，认为建模误差是相同的。在整个控制范围内，控制量受定义的下限值v_min和上限v_max的限制：

v_min≤v(k+i)≤v_max,1≤i≤h_c (12)；

对于两个连续控制量的值，有如下约束：

|v(k+i)-v(k+i-1)|≤v_deltabound (13)；

其中，v_deltabound由操作人员利用经验值根据具体情况进行设定。

控制时域的最后控制量保持不变直到预测时域结束：

Δv(k+i)＝0,h_c+1≤i≤h_p (14)；

预测控制器产生的离散控制量可以通过零阶保持元件转换为连续控制量输出给被控对象，该连续控制量为：

v(t)＝v(kT),kT≤t<(k+1)T (15)；

其中T是采样周期。

为求解性能指标函数最优解，采用以下基于RBF神经网络正向模型及逆向模型的控制量初始化模块，通过递推关系求解控制量初始值，并将控制量初始值传送给预测控制器。双进双出球磨机离散动态RBF逆向模型通过上述RBF神经网络方法求解表示为RBF_inv，其输入为双进双出球磨机模型的被控量x(k)，输出为双进双出球磨机模型的控制量v(k)，该模型将当前被控量设定值ω(k)和当前被控量x(k)关联到当前控制量v(k)：

v(k)＝RBF_inv(x(k),ω(k)) (16)；

控制量初始化过程如下所示：

输入：

x(k)＝[x₁(k),x₂(k),…,x_N(k)]：系统当前状态向量，即被控量；

ω(k)：被控量设定值；

h_c：预测控制范围大小，即预测控制的管辖范围，对未来几个时间步骤进行计算。

输出：

控制量初始值；

(1)当i＝1:h_c执行以下操作；

(2)设置

(3)将和ω(k)反馈给逆向模型RBF_inv，求解在一个采样周期内驱动被控对象输出变为被控量设定值ω(k)的控制量预测值

(4)设置

(5)将和反馈给正向模型RBF_for,x，预测系统未来状态即系统被控量预测值；

(6)若i<h_c，返回步骤(2)继续执行；若i＝h_c，则结束；

将控制量初始值V_init(k)传送给预测控制器，预测控制器经计算求解性能指标函数，在每一个时刻将控制量v(k)传送给被控对象实施控制作用，再以k+1时刻为基点进行下一时刻的最优控制量计算，实现滚动优化。

下面以某电厂600MW超(超)临界机组建立的双进双出球磨机制粉系统为例，采用本发明改进的预测控制系统，详细说明本发明内容。双进双出球磨机模型参数辨识结果如表1所示，预测控制器参数设置如表2所示。

表1辨识得到的模型参数

表2预测控制器参数设置

仿真试验中磨煤机制粉出力的控制指令先在T＝50s由F_outcoal＝14kg/s，L_coal＝557.28Pa，T_out＝94.5℃，调至F_outcoal＝15kg/s，L_coal＝580Pa，T_out＝95℃，然后在T＝1000s由F_outcoal＝15kg/s，L_coal＝580Pa，T_out＝95℃，调至F_outcoal＝13kg/s，L_coal＝550Pa，T_out＝90℃。采用本发明的预测控制方案的被控量曲线如图3～图5所示。

由控制曲线图可以看出，双进双出球磨机仿真模型的制粉出力跟踪控制指令展现了良好的快速性及准确性，并且具有良好的鲁棒性。

以上仿真试验表明：本实施例的基于RBF神经网络预测控制的双进双出球磨机控制系统，能有效解决制粉出力大滞后的问题，双进双出球磨机的料位、磨出口温度及磨出口煤粉流量都能快速地响应设定值变化，超调小，稳定性好，并且维持在安全运行范围内，双进双出球磨机运行的经济性和安全性均得到保障。

Claims (8)

1.一种基于RBF神经网络预测控制的双进双出球磨机控制系统，其特征在于：所述控制系统包括基于RBF神经网络模型的预测控制器、控制量初始化模块以及被控对象，所述被控对象为双进双出球磨机模型，所述双进双出球磨机模型输出连续被控量经离散化后生成离散被控量，离散被控量和被控量当前设定值输入控制量初始化模块，控制量初始化模块输出的控制量初始值、双进双出球磨机模型输出的离散被控量和被控量当前设定值均输入给预测控制器，预测控制器输出离散控制向量经零阶保持器转换为连续控制量输出给双进双出球磨机模型。

2.根据权利要求1所述的一种基于RBF神经网络预测控制的双进双出球磨机控制系统，其特征在于：所述控制量初始化模块包括用于未来被控量预测的RBF神经网络模型和用于控制量预测的RBF神经网络逆模型，所述预测控制器采用用于未来被控量预测的RBF神经网络模型。

3.一种基于权利要求1-2任一项所述的基于RBF神经网络预测控制的双进双出球磨机控制系统的控制方法，其特征在于，包括以下步骤：

(1)建立被控对象模型，即双进双出球磨机模型；

(2)检测被控对象的控制量及被控量M个历史时刻值作为训练样本集；

(3)采用训练样本集分别训练RBF神经网络正向模型RBF_for,x和RBF神经网络逆向模型RBF_inv；

(4)预测控制器和控制量初始化模块采用训练得到的RBF神经网络正向模型RBF_for,x和RBF神经网络逆向模型RBF_inv对被控对象进行预测控制。

4.根据权利要求3所述的一种基于RBF神经网络预测控制的双进双出球磨机控制系统的控制方法，其特征在于，所述步骤(1)中被控对象的控制量为v＝[F_incoal,μ_L,μ_H]，被控量为x＝[L_coal,T_out,F_outcoal]，建立的被控对象模型，即双进双出球磨机模型为：

其中，F_L为冷风流量，F_H为热风流量，为冷风门最大风流量，为热风门最大风流量，C₁为一次风的比热容，T_L为冷一次风温度，T_H为热一次风温度,T_in为磨入口一次风温度，B_air为旁路风流量，L_air为负荷风流量，W_air为一次风流量，为磨煤机内部水分的蒸发量，θ_mc为原煤水分，Q为运行磨煤机所消耗的电流总量，F_incoal为给煤量，μ_L为冷风门开度，μ_H为热风门开度，为料位，T_out为磨出口温度，F_outcoal为磨出口煤粉流量，N_i是双进双出球磨机模型的待辨识参数，i＝1,2,…,15；被控对象的控制量为v＝[F_incoal,μ_L,μ_H]。

5.根据权利要求4所述的一种基于RBF神经网络预测控制的双进双出球磨机控制系统的控制方法，其特征在于，所述双进双出球磨机模型的待辨识参数是通过预测误差最小化方法来辨识获得的，该方法以加权的预测误差范数作为目标函数，公式如下：

其中，K₁为双进双出球磨机模型输入输出的数据样本组数，K₂为输出变量个数，e_i(t)是双进双出球磨机模型第t个时刻第i个被控量的实测输出值x_i(t)和双进双出球磨机模型被控量的预测输出值之差：

求解N_i(i＝1,2,…,15)需要满足的约束条件是：

e≤1。

6.根据权利要求3所述的一种基于RBF神经网络预测控制的双进双出球磨机控制系统的控制方法，其特征在于，所述步骤(3)中RBF神经网络由输入、隐藏和输出三层组成，隐藏层包含了L个节点，RBF神经网络正向模型RBF_for,x的输入层将离散控制量作为输入变量分配给L个隐藏层节点，所有隐藏层节点对应于表示输入空间中RBF中心的中心向量，第l个隐藏节点的输入变量μ_l(v_k)对应于第k个控制量v_k和隐藏节点中心向量c_l之间的欧几里得距离：

其中，v_i,k表示与第k个控制量中第i个分量的值，c_i,l表示第l个隐层节点中心向量中第i个分量的值，K为采用的输入输出训练样本数，即双进双出球磨机模型的控制量和被控量的组合数，这里采用的激活函数是高斯函数，产生每个隐藏节点的输出：

其中，σ_l是第l个隐藏节点的高斯函数的宽度，通过P-最近邻居算法计算得到；对应于第k个输入的网络输出层的响应x(k)是隐藏层节点输出的加权线性组合：

x(k)＝g_k·W；

其中，x(k)为对应于第k个输入的网络输出层的响应，即第k个被控量，W是L×M权值矩阵，g_k＝[g(μ₁),g(μ₂),…,g(μ_L)]是关于第k个输入的L个隐藏层节点的输出行向量，采用模糊均值算法计算隐藏层节点的数量和位置中心c_l，采用标准线性回归求解权值矩阵W，建立系统的离散动态RBF正向模型RBF_for,x；

通过建立的双进双出球磨机离散动态正向模型RBF_for,x，被控量的下一个预测值表示为当前被控量x(k)和控制量v(k)的函数：

训练RBF神经网络逆向模型RBF_inv时，神经网络输入层将离散被控量作为输入变量，网络输出层的响应为v_k。

7.根据权利要求3所述的一种基于RBF神经网络预测控制的双进双出球磨机控制系统的控制方法，其特征在于，所述步骤(4)中预测控制器在每个离散时间点k处制定优化问题，通过求解性能指标函数得到将被控量驱动到相应被控量的设定值的控制量v(k)；性能指标函数由两部分组成，一部分是模型预测输出值与设定值ω(k)之差的最小化，另一部分是控制范围内控制移动的最小化：

其中，Θ和Ω是误差和移动抑制系数，h_c和h_p是控制范围和预测范围，△v＝v(k+i)-v(k+i-1)是两个后续控制动作之差；最小化问题通过一系列约束来描述，约束如下：

其中，E(k)为建模误差，即当前输出与上一时刻预测输出的差：

E(k)＝x(k)-RBF_for,x(x(k-1),v(k-1))；

在整个预测范围内，认为建模误差是相同的，在整个控制范围内，控制量受定义的下限值v_min和上限v_max的限制：

v_min≤v(k+i)≤v_max,1≤i≤h_c；

对于两个连续控制量的值，有如下约束：

|v(k+i)-v(k+i-1)|≤v_deltabound；

其中，v_deltabound为设定阈值；

控制时域的最后控制量保持不变直到预测时域结束：

△v(k+i)＝0,h_c+1≤i≤h_p；

预测控制器产生的离散控制量可以通过零阶保持器转换为连续控制量输出给被控对象，该连续控制量为：

v(t)＝v(kT),kT≤t<(k+1)T；

其中，T是采样周期。

8.根据权利要求7所述的一种基于RBF神经网络预测控制的双进双出球磨机控制系统的控制方法，其特征在于：为求解性能指标函数最优解，控制量初始化模块采用RBF神经网络逆向模型RBF_inv，通过递推关系求解控制量初始值，并将控制量初始值传送给预测控制器，RBF神经网络逆向模型RBF_inv的输入为被控量x(k)，输出为控制量v(k)，该模型将当前被控量设定值ω(k)和当前被控量x(k)关联到当前控制量v(k)：

v(k)＝RBF_inv(x(k),ω(k))；

控制量初始化过程如下所示：

输入：

x(k)＝[x₁(k),x₂(k),…,x_N(k)]：系统当前状态向量，即被控量；

ω(k)：被控量设定值；

h_c：预测控制范围大小；

输出：

控制量初始值；

(1)当i＝1:h_c执行以下操作；

(2)设置

(3)将和ω(k)反馈给逆向模型RBF_inv，求解在一个采样周期内驱动被控对象输出变为被控量设定值ω(k)的控制量预测值

(4)设置

(5)将和反馈给正向模型RBF_for,x，预测系统未来状态即系统被控量预测值；

(6)若i<h_c，返回步骤(2)继续执行；若i＝h_c，则结束；

将控制量初始值V_init(k)传送给预测控制器，预测控制器经计算求解性能指标函数，在每一个时刻将控制量v(k)传送给被控对象实施控制作用，再以k+1时刻为基点进行下一时刻的最优控制量计算，实现滚动优化。