1.一种基于事件触发的神经网络预测串级温度控制系统的控制方法，其中，基于事件触发的神经网络预测串级温度控制系统包括：预测主控制回路、副控制回路，所述预测主控制回路与副控制回路构成串级回路；

所述预测主控制回路包括：主控制气温对象、主检测变送器、T‑S模糊神经网络控制器、事件触发器、在线优化器、模糊反馈自校正器；

所述主控制气温对象的输出信号分别传递给所述T‑S模糊神经网络控制器、主检测变送器；所述副控制回路的输出信号分别传递给所述主控制气温对象、T‑S模糊神经网络控制器；所述主检测变送器的输出信号传递给所述模糊反馈自校正器；所述T‑S模糊神经网络控制器的输出信号分别传递给所述事件触发器、模糊反馈自校正器；所述事件触发器的输出信号传递给所述在线优化器；所述模糊反馈自校正器的输出信号传递给所述在线优化器；

所述在线优化器的输出信号传递给所述副控制回路；

所述副控制回路包括：副控制器、执行器、减温器、副检测变送器；

所述在线优化器的输出信号、副检测变送器的输出信号均传递给所述副控制器；所述副控制器的输出信号传递给所述执行器；所述执行器与所述减温器连接；所述减温器的输出信号分别传递给所述主控制气温对象、T‑S模糊神经网络控制器、副检测变送器，其特征在于，所述基于事件触发的神经网络预测串级温度控制系统的控制方法，包括同时运行的预测主控制过程、副控制过程，所述预测主控制过程包括如下步骤：

步骤A1：主检测变送器获取主控制温度对象的温度信号；

T‑S模糊神经网络控制器获取副控制回路输出的温度信号和主控制温度对象的温度信号；

步骤A2：T‑S模糊神经网络控制器根据接收到的温度信号建立气温全局非线性动态模型，基于T‑S型神经网络的动态过程辨识方法，建立主蒸汽温度模型，T‑S型神经网络模型对主蒸汽温度复杂非线性动态函数进行实时建模，然后输出矩阵信号，对主控制气温对象进行预测；

其中，主蒸汽温度模型用非线性自回归模型描述为：

r1(k)＝F[r1(k‑1),...,r1(k‑nr),u1(k‑d‑1),...,u1(k‑d‑nu)]+ζ(k)nr和nu分别是主蒸汽温度r1(k)和输入指令u1(k)的阶次，锅炉主蒸汽温度的非线性动态函数为：F[·]: ζ(k)为零均值白噪声；

主蒸汽温度模型为：

步骤A3：模糊反馈自校正器将接收到的输入信号进行模糊化，并根据模糊规则库进行模糊推理运算，对温度信号进行反馈矫正，形成矫正信号，其中，模糊自校正控制器组成有预测跟踪误差及其变化率的输入模糊化，模糊反馈自校正器的输入为主蒸汽温度k+d步预测的跟踪误差 以及跟踪误差的变化率事件触发器根据矩阵信号判断是否触发事件，当触发事件时，事件触发器将接收的矩阵信号作为输出信号输出；当不触发事件时，事件触发器不输出信号；

步骤A4：在线优化器根据事件触发器输出的矩阵信号、矫正信号，利用LM算法进行在线滚动优化，输出优化控制信号，作为副控制回路的控制信号；

所述副控制过程包括如下步骤：

步骤B1：副检测变送器获取减温器的状态信号；

步骤B2：副控制器根据优化控制信号、状态信号形成副控制信号；

步骤B3：执行器根据副控制信号调整减温器状态。

2.如权利要求1所述的基于事件触发的神经网络预测串级温度控制系统的控制方法，其特征在于，所述事件触发器的触发条件为：T T T

[j((k+i)h)‑j(kh)]Ω1[j((k+i)h)‑j(kh)]≥αj (kh)Ω2j(kh)+βj ((k+i)h)Ω2j((k+i)h)其中，Ω1和Ω2是正定对称矩阵，α和β是预先设定的有界常数，h为采样周期，kh为第k个采样周期，(k+i)h为第(k+i)个采样周期，i＝1,2，…，为正整数，j((k+1)h)为所述T‑S模糊神经网络的当前时刻输出信号，j(kh)为所述在线优化器的上一时刻输出信号。

3.如权利要求1所述的基于事件触发的神经网络预测串级温度控制系统的控制方法，其特征在于，所述执行器对处在和所述减温器相连的减温水管道上的减温阀进行调节，对流入所述减温器相连的减温水管道的水流量进行调节控制。