買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉大連理工大學申請的專利一種數據驅動的閉環動態實時運行優化與預測控制方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120447396B 。

龍圖騰網通過國家知識產權局官網在2025-09-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510921849.0，技術領域涉及：G05B13/04；該發明授權一種數據驅動的閉環動態實時運行優化與預測控制方法是由張欣雨;韓中洋;趙珺;王偉設計研發完成，并于2025-07-04向國家知識產權局提交的專利申請。

本一種數據驅動的閉環動態實時運行優化與預測控制方法在說明書摘要公布了：本發明公開了一種數據驅動的閉環動態實時運行優化與預測控制方法，屬于工業過程優化控制技術領域，面向具有復雜動態特性和經濟優化需求的工業過程，提出一種數據驅動的閉環動態實時運行優化與預測控制相結合的框架。首先采集真實工業過程數據，并整理操作約束和經濟性能評價指標；其次，建立數據驅動的閉環動態實時優化模型，作為上層優化模型，經上層優化模型計算得到下層控制模型的最優設定軌跡；再建立魯棒數據驅動預測控制模型，作為下層控制模型，求解下層控制模型計算出最優的控制策略。最后，實施計算出的第一個控制動作進行滾動優化，并將結果反饋至上層優化模型。本發明在提高運行經濟性的同時，能夠保持良好的動態控制性能。

本發明授權一種數據驅動的閉環動態實時運行優化與預測控制方法在權利要求書中公布了：1.一種數據驅動的閉環動態實時運行優化與預測控制方法，其特征在于，包括：首先采集真實工業過程數據，對采集到的數據進行預處理，并整理操作約束和經濟性能評價指標；其次，針對設備運行經濟性，考慮閉環反饋對未來響應的影響，建立數據驅動的閉環動態實時優化模型，作為上層優化模型，以最大化過程經濟效益為目標，計算得到未來一段時間內的最優設定點軌跡；再針對設備控制跟蹤性能，建立魯棒數據驅動預測控制模型，作為下層控制模型，以精確跟蹤最優設定點軌跡為目標，計算得到最優控制序列；最后，實施最優控制序列中的第一個控制動作進行滾動優化，并將結果反饋至上層優化模型； 具體包括以下步驟： S1：數據采集與預處理： 針對目標工業過程控制系統，簡稱“目標系統”，采集其設備的歷史和實時運行數據作為原始數據，對原始數據進行預處理；將預處理后的數據整理成輸入輸出數據對序列，存儲于運行數據庫中；同時，整理并設定目標系統的操作約束和經濟性能指標； S2：構建數據驅動的閉環動態實時優化模型，作為上層優化模型： 建立數據驅動的閉環動態實時優化模型，作為上層優化模型，其外層是一個動態實時優化DRTO問題，內層則嵌入一個數據驅動預測控制DDPC子問題： S2.1：構建外層DRTO模型；外層DRTO模型目標函數為： （1） 式中，是外層DRTO模型經濟性能目標函數，和分別是外層DRTO模型在當前時刻決定的未來步預測時域內的輸出和輸入參考軌跡，和分別是提供給DDPC子問題的輸出和輸入設定點軌跡，亦為上層優化模型最終輸出的當前最優設定值；和分別是外層DRTO模型在當前時刻決定的未來步預測時域內的預測輸入和預測輸出；為外層DRTO模型的預測時域長度；是待優化的系數向量，是的正則化系數；為松弛變量，是的正則化系數； 外層DRTO模型的約束條件包括： 1）數據驅動的預測模型約束： （2） 式中，表示基于歷史輸入輸出數據構建的漢克爾矩陣，和分別是運行數據庫中可用的歷史輸入和輸出數據；是目標系統的階數，表示矩陣轉置變換； 2）初始狀態約束： （3） 其中，表示外層DRTO模型的預測時域的步長，在這里取0到，表示預測軌跡的初始個值，和分別表示外層DRTO模型第步的預測輸入和預測輸出，式（3）表示預測軌跡的初始個輸入和輸出值分別與當前時刻之前的個實際測量的輸入和輸出保持一致； 3）運行操作約束： （4） 其中，和分別表示外層DRTO模型預測輸入的下限和上限，和分別表示外層DRTO模型預測輸出的下限和上限； 4）設定點傳遞約束： （6） 其中，表示由外層DRTO模型確定的參考軌跡和與傳遞給其內嵌DDPC子問題進行跟蹤的設定點軌跡和之間轉換關系； 5）外層DRTO模型與DDPC子問題變量關系約束： （7） （8） 式（7）表示在外層DRTO模型預測時域的第步，其決定的預測輸入是由其內嵌的DDPC子問題計算得到的最優控制序列的第一個控制動作提供；式（8）表示采用DDPC子問題計算的最優控制序列的第一個控制變量，其中，表示DDPC子問題的預測時域的步長，是DDPC子問題的預測時域；表示求解DDPC子問題得到控制序列，表示DDPC子問題的目標函數； S2.2：構建內嵌DDPC子問題模型： 內嵌DDPC子問題模型的目標函數為最小化跟蹤誤差： （9） 其中，和分別表示沿外層DRTO模型預測時域第步時，內嵌DDPC子問題模型的預測輸出和預測輸入；和分別表示沿外層DRTO模型預測時域第步內嵌DDPC子問題模型從外層DRTO模型參考軌跡中提取的輸入設定點和輸出設定點，矩陣和分別是預測輸出和預測輸入與其相應的設定點、之間距離的懲罰權重矩陣；和分別為系數向量及其正則項系數，和分別為松弛變量及其正則項系數； 內嵌DDPC子問題模型的約束條件如下： 1）數據驅動的預測模型約束： （10） 其中，為內嵌DDPC子問題模型用于預測的漢克爾矩陣的歷史數據窗口長度，和分別表示內嵌DDPC子問題模型中用于預測的歷史輸入和輸出數據； 2）初始狀態約束： （11） 式（11）用于保證預測的內部狀態與目標系統在時刻的實際內部狀態保持一致；式中和表示內嵌DDPC子問題模型的輸出和輸入的初始前個變量；和表示目標系統在時刻之前的個實際測量輸入和輸出； 3）控制變量約束： （14） 式中，為需滿足的上下限約束集； S2.3：求解上層優化模型： 采用同時求解策略，將每一個內嵌DDPC子問題模型替換為其等效的一階卡羅需-庫恩-塔克KKT最優性條件，則上層優化模型被重新表述為一個單級的、包含互補約束的數學規劃問題MPCC，通過MPCC求解器進行求解，得到使目標系統未來經濟性能最優的操作設定點軌跡序列，作為當前時刻下層控制模型的目標設定點； S3：構建魯棒數據驅動預測控制模型，作為下層控制模型： 基于實時更新的運行數據庫，建立下層魯棒數據驅動預測控制模型，作為下層控制模型； S3.1：下層控制模型的目標函數為最小化設定點跟蹤誤差： （27） 式（27）中，為目標系統預測時域，和分別是下層控制模型預測的未來輸入和未來輸出，和是在線計算可達目標穩態點，和分別為系數向量及其正則項系數，和分別為松弛變量及其正則項系數，是控制輸入跟蹤誤差權重矩陣，是控制輸出跟蹤誤差權重矩陣，是控制輸入終端約束懲罰權重矩陣，是控制輸出終端約束懲罰權重矩陣； S3.2：下層控制模型的約束條件包括： （28） （29） （30） （31） 式（28）為漢克爾矩陣的預測模型，其中和是下層控制模型用于預測未來趨勢的歷史輸入和輸出數據；式（29）是初始狀態約束，用于確保下層控制模型預測的未來輸入和未來輸出軌跡的前個輸入和輸出值和與時刻的實際內部狀態一致，和表示時刻之前的個實際測量輸入和輸出；式（30）是對下層控制模型預測的未來輸入和未來輸出軌跡的最后個輸入和輸出值的終端等式約束，和分別表示下層控制模型預測的未來輸入和未來輸出軌跡的最后個變量；式（31）表示對的約束，和分別表示下層控制模型控制變量的下限和上限； 在每個控制周期內求解下層控制模型，求解后得到最優控制序列； S4：控制實施與數據更新： 執行最優控制序列的第一個控制動作，在下一個采樣時刻，測量目標系統新的實際輸出；根據新獲取的輸入和更新運行數據庫；具體更新方式如下： S4.1數據集更新：將最新的數據對加入到運行數據庫中； （32） S4.2滾動優化：完成數據更新后，重復步驟S2至S4，形成閉環的動態實時優化與預測控制； 最終通過不斷優化設定點和實施精確控制，使得目標系統在滿足各種約束的前提下，持續趨向并維持在經濟效益更優的運行狀態。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人大連理工大學，其通訊地址為：116024 遼寧省大連市甘井子區凌工路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。