CN114253140B - 基于库普曼模型的明渠系统预测控制方法、系统及设备 - Google Patents

Abstract

本公开实施例中提供了一种基于库普曼模型的明渠系统预测控制方法、系统及设备，属于数据识别技术领域，具体包括：采集渠池内多个采样点并计算全部采样点的系统状态；根据Koopman算子理论得到升维状态；根据系统状态和升维状态迭代训练初始控制模型，得到目标控制模型；根据目标控制模型求解控制函数，得到最优控制增量序列。通过本公开的方案，对明渠系统的渠池进行采样得到系统状态，并将系统状态映射到更高维的特征空间，然后，通过重复的学习训练，得到一个误差最小的目标控制模型，并根据目标控制模型求解控制函数，得到最优控制增量序列对明渠系统水位进行控制，提高了明渠系统预测控制的适应性、鲁棒性和控制精度。

Description

基于库普曼模型的明渠系统预测控制方法、系统及设备

技术领域

本公开实施例涉及自动控制技术领域，尤其涉及一种基于库普曼模型的明渠系统预测控制方法、系统及设备。

背景技术

目前，明渠系统是一种典型的渠道系统，其动态特性符合流体的一般规律，它的机理模型脱胎于奈维斯托克斯方程，是一组双曲型拟线性偏微分方程，名为圣维南方程。圣维南方程无法解析求解，难以直接用于一般的控制策略。常用的手段是通过离散化、线性化等方式将偏微分方程简化为更简单的形式，如常微分方程、代数方程。然而，一方面，对原方程的简化必然导致系统模型精度的丢失；另一方面，现行的线性化方法总是在平衡点附近的线性化，这样得到的模型会随着系统状态远离平衡点而精度越来越低，逐渐超出控制算法鲁棒性的极限，导致系统故障。

可见，亟需一种适应性、鲁棒性和控制精度高的基于库普曼模型的明渠系统预测控制方法。

发明内容

有鉴于此，本公开实施例提供一种基于库普曼模型的明渠系统预测控制方法、系统及设备，至少部分解决现有技术中存在适应性、鲁棒性和控制精度较差的问题。

第一方面，本公开实施例提供了一种基于库普曼模型的明渠系统预测控制方法，包括：

采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；

将所述状态数据和所述控制数据输入升维函数，得到升维状态；

根据所述系统状态和所述升维状态迭代训练初始控制模型，根据Koopman算子理论得到目标控制模型；

根据所述目标控制模型求解控制函数，得到最优控制增量序列。

根据本公开实施例的一种具体实现方式，所述采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态的步骤，包括：

将全部所述采样点离散化，并随机给所述明渠系统的一组闸门的控制序列；

根据预设算法计算全部所述采样点的水位和流量在N个时间步长内的数值，并将所述数值作为所述系统状态。

根据本公开实施例的一种具体实现方式，所述将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态的步骤之前，所述方法还包括：

采用三个隐层全连接神经网络拟合，并将所述隐层全连接神经网路的神经元维数都设置为1，得到所述升维函数。

根据本公开实施例的一种具体实现方式，所述神经元的正向传播表达式为

h₁＝tanh(W₀x+b₀)

h_i+1＝tanh(W_ih_i+b_i),i＝1,2

Ψ(x)＝tanh(W₃h₃+b₃)，

其中，W₀∈R^l×d,b₀∈R^l，W_i∈R^l×l,b_i∈R^l,i＝1,2，W₃∈R^M×l，b₀∈R^M分别为神经网络的权重和偏置，h_i为隐层神经元输出，tanh为双曲正切函数。

根据本公开实施例的一种具体实现方式，所述根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型的步骤，包括：

将预设的期望模型转换为状态空间方程；

基于所述状态空间方程、根据所述系统状态和所述升维状态，固定所述初始控制模型的可调节参数后优化模型矩阵；

根据优化后的模型矩阵求解所述可调节参数并计算损失函数；

迭代优化所述模型矩阵并在每次迭代后计算所述损失函数，直至所述损失函数的值小于阈值时，根据本次迭代得到的模型矩阵和可调节参数形成所述目标控制模型。

根据本公开实施例的一种具体实现方式，所述根据所述目标控制模型求解控制函数，得到最优控制增量序列的步骤之后，所述方法还包括：

根据所述最优控制增量序列控制所述明渠系统的闸门开度。

第二方面，本公开实施例提供了一种基于库普曼模型的明渠系统预测控制系统，包括：

采集模块，用于采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；

升维模块，用于将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态；

训练模块，用于根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型；

计算模块，用于根据所述目标控制模型求解控制函数，得到最优控制增量序列。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于库普曼模型的明渠系统预测控制方法。

本公开实施例中的基于库普曼模型的明渠系统预测控制方案，包括：采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态；根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型；根据所述目标控制模型求解控制函数，得到最优控制增量序列。

本公开实施例的有益效果为：通过本公开的方案，对明渠系统的渠池进行采样得到系统状态，并将系统状态映射到更高维的特征空间，然后，通过重复的学习训练，得到一个误差最小的目标控制模型，并根据目标控制模型求解控制函数，得到最优控制增量序列对明渠系统水位进行控制，提高了基于库普曼模型的明渠系统预测控制的适应性、鲁棒性和控制精度。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的一种基于库普曼模型的明渠系统预测控制方法的流程示意图；

图2为本公开实施例提供的一种明渠系统的结构示意图；

图3为本公开实施例提供的一种神经网络拟合升维函数示意图；

图4为本公开实施例提供的一种基于库普曼模型的明渠系统预测控制系统的结构示意图；

图5为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种基于库普曼模型的明渠系统预测控制方法，所述方法可以应用于工业现场的明渠系统水位控制过程中。

参见图1，为本公开实施例提供的一种基于库普曼模型的明渠系统预测控制方法的流程示意图。如图1所示，所述方法主要包括以下步骤：

S101，采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；

可选的，步骤S101所述的，采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态，包括：

将全部所述采样点离散化，并随机给定所述明渠系统的一组闸门的控制序列；

根据预设算法计算全部所述采样点的水位和流量在N个时间步长内的数值，并将所述数值作为所述系统状态。

考虑到明渠系统是一种典型的渠道系统，其结构如图2所示，一般由渠池和闸门组成。通过控制闸门的闸门开度，可以控制流过闸门的水流流速，进而影响整个渠池内的水位和流量。明渠系统的动力学模型，可由一组偏微分方程描述，即圣维南方程：

其中，x∈[0,L]是沿着水流方向的空间坐标，L为渠段长度，t是时间坐标。H(x,t)和Q(x,t)分别表示在x处t时刻的水位高度和横截面流量，g为重力加速度，A为湿水面积，是关于水位H的函数。S₀为渠道坡降，为水力坡降，/>其中R为水力半径，n为渠道糙率。

圣维南方程没有解析解，导致其很难直接用于一般的控制策略。现有的方法通常利用线性化、离散化等手段，将圣维南方程简化为常微分方程或代数方程，再对简化后的模型施加控制。然而，传统的线性化简化方法，多是在平衡点附近的线性化，当系统状态远离平衡点时，这样的简化模型往往不再适用。

具体实施时，对于一个明渠系统，其动力学模型可以由圣维南方程描述，然后取渠池中p个点作为采样，将系统离散化，并随机给定一组闸门的控制序列U，利用偏微分方程的数值计算方法，如preissmann隐式差分法，计算这p个点的水位H和流量Q在N个时间步长内的数值x＝[x₁,x₂,…,x_N]作为系统状态,其中这样就得到了d×N维的状态数据和2×N维的控制数据，其中d＝2p。

S102，将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态；

可选的，步骤S102所述的，将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态之前，所述方法还包括：

采用三个隐层全连接神经网络拟合，并将所述隐层全连接神经网路的神经元维数都设置为1，得到所述升维函数。

进一步的,所述神经元的正向传播表达式为

h₁＝tanh(W₀x+b₀)

h_i+1＝tanh(W_ih_i+b_i),i＝1,2

Ψ(x)＝tanh(W₃h₃+b₃)，

其中，W₀∈R^l×d,b₀∈R^l，W_i∈R^l×l,b_i∈R^l,i＝1,2，W₃∈R^M×l，b₀∈R^M分别为神经网络的权重和偏置，h_i为隐层神经元输出，tanh为双曲正切函数。

具体实施时，对于一个Koopman算子的实际问题，最大的难点在于，如何选取一个合适的映射，或者叫升维函数，使得在映射后的高维空间下，系统动态尽可能接近线性。用一个三隐层全连接神经网络来拟合升维函数，其结构图如图3所示,其中隐层神经元维数都假设为l，神经元正向传播表达式设为：

h₁＝tanh(W₀x+b₀)

h_i+1＝tanh(W_ih_i+b_i),i＝1,2

Ψ(x)＝tanh(W₃h₃+b₃) (2)

其中，W₀∈R^l×d,b₀∈R^l；W_i∈R^l×l,b_i∈R^l,i＝1,2；W₃∈R^M×l，b₀∈R^M分别为神经网络的权重和偏置，h_i为隐层神经元输出；tanh为双曲正切函数，在这里用作激活函数，增强网络的非线性特性，所有可调节参数可以用θ＝表示，其中包含l(d+1)+(2l+M)(l+1)个标量。当然，所述隐层全连接神经网络的数量可以根据实际需求进行调整。

S103，根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型；

可选的，步骤S103所述的，根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型，包括：

将预设的期望模型转换为状态空间方程；

基于所述状态空间方程、根据所述系统状态和所述升维状态，固定所述初始控制模型的可调节参数后优化模型矩阵；

根据优化后的模型矩阵求解所述可调节参数并计算损失函数；

迭代优化所述模型矩阵并在每次迭代后计算所述损失函数，直至所述损失函数的值小于阈值时，根据本次迭代得到的模型矩阵和可调节参数形成所述目标控制模型。

具体实施时，在得到所述升维状态后，把期望得到的模型写成状态空间方程形式：

X(k+1)＝AX(k)+BU(k)

Y(k)＝CX(k) (3)

其中，k为时间参数，X(k)＝Ψ(x(k))为系统状态经式(2)表述的神经网络映射后的升维状态，U为系统原输入，Y为系统输出，A,B,C为模型矩阵。

期望通过学习和训练得到一个误差最小的模型(3)，即得到最优的升维函数参数θ和模型矩阵A,B,C。训练过程分两步进行：

第一步：固定θ，优化A,B,C

由于θ固定，则升维函数Ψ确定，相应的升维状态X也确定。令X_k＝[X₁,X₂,…,X_N-1]，X_k+1＝[X₂,X₃,…,X_N]，先求：A,B：

因此，

其中，上标+表示矩阵伪逆。令Y＝[Y₁,Y₂,…,Y_N]，C可由下式计算：

C＝YX⁺ (6)

第二步：固定A,B,C，求θ

当模型参数A,B,C固定，求解最优参数θ，使模型误差最小，这是一个标准的机器学习问题，可以利用反向传播的梯度下降算法训练网络参数θ，损失函数设定为：

需要说明的是，这里的梯度下降在实际训练过程中，通常用随机梯度下降或其变种的算法代替，以减小计算量。

重复迭代上面两个步骤，直到损失函数收敛到某个需要的精度，可以得到一个升维函数Ψ以及对应的高维线性模型作为所述目标控制模型。

S104，根据所述目标控制模型求解控制函数，得到最优控制增量序列。

具体实施时，在系统每个采样时刻，求解一个最优化问题：

其中，式(8.1)为目标函数，式(8.2)为Koopman模型；N_p，N_c分别为预测时域、控制时域，W_p，W_c为权矩阵，Y^ref为参考输出，ΔU为控制输入增量最优控制增量序列。通过求解式(8)，得到一组长度为N_c的最优控制增量序列，可以把其中的第一个作用于系统，在下一个系统的采样时刻，重复这个过程，这样就得到了一个不断向前滚动的优化控制器，同时，也提高了基于库普曼模型的明渠系统预测控制的适应性、鲁棒性和控制精度。

在上述实施例的基础上，步骤S104所述的，根据所述目标控制模型求解控制函数，得到最优控制增量序列之后，所述方法还包括：

根据所述最优控制增量序列控制所述明渠系统的闸门开度。

具体实施时，在得到所述最优控制增量序列后，可以根据所述最优控制增量序列在不同的时间点控制所述明渠系统的闸门开度，以使得能根据实际需求控制流过闸门的水流流速，进而影响整个渠池内的水位和流量，达到控制明渠系统的效果。

本实施例提供的基于库普曼模型的明渠系统预测控制方法，通过对明渠系统的渠池进行采样得到系统状态，并将系统状态映射到更高维的特征空间，然后，通过重复的学习训练，得到一个误差最小的目标控制模型，并根据目标控制模型求解控制函数，得到最优控制增量序列对明渠系统的水位进行控制，提高了基于库普曼模型的明渠系统预测控制的适应性、鲁棒性和控制精度。

与上面的方法实施例相对应，参见图4，本公开实施例还提供了一种基于库普曼模型的明渠系统预测控制系统40，包括：

采集模块401，用于采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；

升维模块402，用于将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态；

训练模块403，用于根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型；

计算模块404，用于根据所述目标控制模型求解控制函数，得到最优控制增量序列。

图4所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图5，本公开实施例还提供了一种电子设备50，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于库普曼模型的明渠系统预测控制方法。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备50的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备50可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备50操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备50与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备50，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种基于库普曼模型的明渠系统预测控制方法，其特征在于，包括：

采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；

将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态；

所述将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态的步骤之前，所述方法还包括：

采用三个隐层全连接神经网络拟合，并将所述隐层全连接神经网络的神经元维数都设置为1，得到所述升维函数；

所述神经元的正向传播表达式为

h₁＝tanh(W₀x+b₀)

h_i+1＝tanh(W_ih_i+b_i),i＝1,2

Ψ(x)＝tanh(W₃h₃+b₃)，

其中，W₀∈R^l×d,b₀∈R^l，W_i∈R^l×l,b_i∈R^l,i＝1,2，W₃∈R^M×l，b₀∈R^M分别为神经网络的权重和偏置，h_i为隐层神经元输出，tanh为双曲正切函数；

根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型；

所述根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型的步骤，包括：

将预设的期望模型转换为状态空间方程；

基于所述状态空间方程、根据所述系统状态和所述升维状态，固定所述初始控制模型的可调节参数后优化模型矩阵；

根据优化后的模型矩阵求解所述可调节参数并计算损失函数；

迭代优化所述模型矩阵并在每次迭代后计算所述损失函数，直至所述损失函数的值小于阈值时，根据本次迭代得到的模型矩阵和可调节参数形成所述目标控制模型；

根据所述目标控制模型求解控制函数，得到最优控制增量序列。

2.根据权利要求1所述的方法，其特征在于,所述采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态的步骤，包括：

将全部所述采样点离散化，并随机给定所述明渠系统的一组闸门的控制序列；

根据预设算法计算全部所述采样点的水位和流量在N个时间步长内的数值，并将所述数值作为所述系统状态。

3.根据权利要求1所述的方法，其特征在于,所述根据所述目标控制模型求解控制函数，得到最优控制增量序列的步骤之后，所述方法还包括：

根据所述最优控制增量序列控制所述明渠系统的闸门开度。

4.一种基于库普曼模型的明渠系统预测控制系统，其特征在于，包括：

采集模块，用于采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；

升维模块，用于将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态；

所述升维模块的具体处理过程还包括：

采用三个隐层全连接神经网络拟合，并将所述隐层全连接神经网络的神经元维数都设置为1，得到所述升维函数；

所述神经元的正向传播表达式为

h₁＝tanh(W₀x+b₀)

h_i+1＝tanh(W_ih_i+b_i),i＝1,2

Ψ(x)＝tanh(W₃h₃+b₃)，

其中，W₀∈R^l×d,b₀∈R^l，W_i∈R^l×l,b_i∈R^l,i＝1,2，W₃∈R^M×l，b₀∈R^M分别为神经网络的权重和偏置，h_i为隐层神经元输出，tanh为双曲正切函数；

训练模块，用于根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型；

所述训练模块的具体过程包括：

将预设的期望模型转换为状态空间方程；

基于所述状态空间方程、根据所述系统状态和所述升维状态，固定所述初始控制模型的可调节参数后优化模型矩阵；

根据优化后的模型矩阵求解所述可调节参数并计算损失函数；

迭代优化所述模型矩阵并在每次迭代后计算所述损失函数，直至所述损失函数的值小于阈值时，根据本次迭代得到的模型矩阵和可调节参数形成所述目标控制模型；

计算模块，用于根据所述目标控制模型求解控制函数，得到最优控制增量序列。

5.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-3中任一项所述的基于库普曼模型的明渠系统预测控制方法。