题目：基于预测策略的神经网络非线性控制及应用

作为智能控制的重要分支，人工神经网络具有良好的非线性映射能力和高度的并行信息处理能力，是解决非线性系统辨识与控制的一条新途径。为此，本论文研究了基于神经网络的建模方法和实时控制策略，提出了几种基于预测控制思想的神经网络非线性控制方案。本论文首先研究了神经网络在非线性模型辨识和时变参数预测中的应用。在分析了影响多层前馈神经网络泛化性能各项因素的基础上，利用贝叶斯正规化方法训练神经网络，对一个微型锅炉非线性对象进行了模型辨识。另一方面，为控制需要，利用最优停止法建立了室外气象参数和空调负荷的神经网络预测模型。为克服神经网络非线性预测控制在线优化算法计算量大的缺点，本论文提出了基于带预测误差补偿NARMA-L2模型的时滞非线性系统预测控制方案。采用NARMA-L2模型结构对非线性系统进行模型辨识，使得所预测时刻的输出与当前控制输入之间呈线性关系，提高了算法的快速性；考虑到模型辨识产生的截断误差和随机干扰会对系统性能造成影响，还利用神经网络进行预测误差实时预测；同时，在控制过程中对输出预测模型进行了在线修正。采用该控制方案对某导弹模型进行了控制仿真，结果表明，该方法可用于对含有时滞特性的快速系统进行控制。逆控制方法简单实用的特性使之在工程上得到了广泛关注，但是，目前缺乏对离散非线性系统逆控制理论基础的研究。本论文分析了一般离散非线性系统的逆系统理论，研究了离散非线性系统函数可控性和相关逆系统成立的条件，证明了具有函数可控性的MIMO离散非线性系统可以利用逆系统方法实现解耦控制。在此基础上，提出了基于多步预测控制思想的非线性MIMO系统逆控制方法，为充分利用多步预测控制鲁棒性强的优势，在控制过程中对每一步预测结果进行了误差预测校正。对微型锅炉和间隙非线性系统的控制结果证明了该算法的有效性。变风量(Variable Air Volume-VAV)空调系统是一种既节约能源又能同时满足室内要求的智能化空调系统，但是目前在变风量空调控制方面还存在很多问题。本论文对蓄能变风量系统各子系统的动态特性进行了分析，讨论了各子系统的状态空间动态模型。然后，提出了建立能源管理和控制系统的综合控制方案，对能源价格、实测参数、所预测负荷、建筑物运行策略和系统模型进行综合考虑，以实现系统级的优化控制。最优控制理论中，优化算法的鲁棒性和算法的简化和实用性问题一直以来是研究热点。本论文提出了一种神经网络非线性预测优化控制算法，采用基于Hamilton-Jacobi-Bellman(HJB)及Euler-Lagrange(EL)方程和预测滚动优化思想训练多层前馈神经网络，然后将其作为优化反馈控制器来求解MIMO非线性系统的优化反馈解，可以在计算量和占用存储区容量适中的情况下解决非线性系统的优化控制问题，同时引入多步预测优化性能指标来克服各种不确定性和复杂变化的影响；此外，在控制过程中还对系统时变参数进行了实时预测，并对预测结果进行了在线修正。将该算法用于变风量空调系统的控制，实现了既满足舒适性要求，又节能和节省运行费用的目的。