时间序列预测与智能控制结合的参数在线整定方法与系统技术方案

本发明专利技术提出了一种基于时间序列预测的小波神经网络在线PID整定方法和采用了该方法的系统，方法具体包括参数初始化，计算控制参数并修正在线整定参数，计算控制量，计算或采集系统输出，计算预测结果，系统具体包括控制决策器、在线整定器、控制执行器、被控对象、在线预测器、控制扰动源和预测扰动源，控制决策器实现参数初始化，在线整定器用于计算控制参数并修正在线整定算法参数，控制执行器用于计算控制量，在线预测器用于计算预测结果，控制决策器用于判断算法是否结束。该方法将小波神经网络和经典控制方法结合，解决了控制领域对系统运行前参数配置工作的依赖问题，使得控制系统具有预测、学习、参数在线优化、自适应的效果。

【技术实现步骤摘要】
本专利技术提出了一种时间序列预测与智能控制结合的参数在线整定方法和采用了该方法的系统，可应用于控制与智能控制、人工智能与辅助决策等领域。
技术介绍
到目前为止，控制科学研究的控制方法的特征是(I)控制系统的控制方法由控制算法和控制参数构成；(2)控制算法用确定的规则(模型、公式)描述；(3)控制参数的配置和整定方法存在两种形式(3. I)控制参数在控制系统正式运行前进行初始化配置、初 步整定和最终整定，正式运行后控制参数固定不变，例如比例微分积分控制方法、模糊控制方法等；(3. 2)控制参数在控制系统正式运行前进行初始化和初步整定，正式运行后控制系统自身按照确定的规则和目标对控制参数进行整定，例如神经网络控制方法；(4)控制参数调整的依据又可以分为两种情况(4. I)可以根据控制系统各状态的历史、当前值进行调整，例如比例微分积分控制、模糊控制、神经网络控制等方法；(4. 2)还可以根据状态的预测值进行调整，例如预测控制。特征(I)是由数学建模方法和计算机原理决定的。目前数学建模方法是描述客观规律的最有效的方法，而计算机是实现控制最有效的工具。因此基于控制算法和控制参数模型的控制方法的发展受上述两项基础学科发展的制约。对于特征(I)的突破需要对上述两项研究基础进行突破。特征(2)很大程度上受人工智能科学发展约束，由于目前人工智能主要方法主要在推理系统、神经计算科学等方法的领域，因此控制算法的模式很大程度上与人工智能算法近似。对于特征(2)的突破关键在于对人工智能方法的突破。本研究主要针对特征(3)和特征(4)进行改进，最终小波神经网络、时间序列预测技术与经典的控制方法进行结合，创造了一种新的算法。首先对特征(3)和特征(4)的涉及到的经典算法的研究现状进行介绍比例微分积分控制是最经典应用最广的控制方法，该方法的核心思想是将控制的实施方式分为三种情况，即连续施控、突击施控和延缓施控三种方式，从而解决控制系统被控对象的三类特征，即达到某一目标需要持续受力、启动时或需要快速响应时需要受大力、受力过大导致系统不稳定。该方法的优点是结构简单，实施方便。该方法的问题是缺乏智能，无法在线应对控制系统发生的变化，例如被控对象发生变化时，控制系统自身无法对控制参数进行调整，从而应对这种变化；此外该方法自身无法根据环境变化有目标地智能地尝试优化控制参数。模糊控制方法可以事先将针对不同情况的控制参数配置到控制系统中，当情况变化时，控制参数可以根据预先设定的规则改变控制参数，解决了控制系统适应变化的问题，但无法像经典的比例微分积分控制那样应对被控对象的三类特性；同样模糊控制方法自身也无法根据环境变化有目标地智能地尝试优化控制参数。神经网络控制方法的特点是可以根据环境变化有目标地智能地尝试优化控制参数，而且调整参数的过程可以是非线性的。这种方法具有了一定的智能性，其原因一是由于该方法的算法基础是人脑的生物学数学模型。该方法的问题是无法像经典的比例微分积分控制那样应对被控对象的三类特性。预测控制方法的特点是控制参数的调整依据增加了对控制实施后结果的预测，因此控制具备了超前性；但该方法的问题除了无法像经典的比例微分积分控制那样应对被控对象的三类特性之外，还存在该方法对被控对象模型的依赖问题，如果预测模型不准确，则会导致预测结果不准确，预测方法基于被控对象的数学模型，预测结果的准确性和可靠性缺乏保障；
技术实现思路
本本专利技术主要解决的问题本专利技术提出了一种时间序列预测与智能控制结合的参数在线整定方法和采用了该方法的系统，可应用于可应用于控制与智能控制、人工智能与辅助决策等领域。该方法将 小波神经网络和经典控制方法结合，解决了控制领域对系统运行前参数配置工作的依赖问题；对系统输出采用向量时间序列方法进行处理，使得控制方法具有了预测效果，且该预测具有统计检验保证；该技术方案将小波神经网络和预测技术同时与经典控制方法相结合，使得控制系统具有了较为高级的人工智能，具有预测、学习、参数在线优化、自适应的效果。本专利技术的创新点在于(I)采用小波神经网络实现了对经典控制方法的控制参数在线优化；(2)采用了向量时间序列方法实现了对控制系统的预测控制；(3)同时采用了小波神经网络和向量时间序列方法实现带有预测效果的控制参数在线优化；(4)针对本专利技术提出的上述方法，设计了采用该方法的技术硬件系统；编写了完整的计算机仿真程序，可以验证该方法的各项效果和控制结果的稳定性；该程序及其子程序可以直接应用于采用了该方法的技术硬件系统中去；本专利技术采取的技术方案为了实现上述目的，解决上述问题，本专利技术采取了如下技术方案I.时间序列预测与智能控制结合的参数在线整定方法，其特征在于包括以下5个步骤，即步骤I. O至步骤1.5 :步骤I. O参数初始化该步骤为计算过程中涉及到的各变量分别赋予初始值；包括以下12个子步骤，即步骤I. O. I至步骤I. O. 12 I. O. I设定算法当前执行次数t、执行总次数T 当算法连续运行有限次的情况时设当前执行次数初始值t = I ;执行和调整总次数T的取值原则是要保证系统运行总次数O. 8T次后控制结果(1300)能够稳定在控制目标(1000)附近；其中能够稳定的含义是当执行次数达到O. 8T以后，控制结果(1300)Ysystem(t)与控制目标(1000)rin(t)之间的误差在±3%以内，参见公式I :本文档来自技高网...

【技术保护点】
时间序列预测与智能控制结合的参数在线整定方法，其特征在于：包括以下5个步骤，即步骤1.0至步骤1.5：？步骤1.0参数初始化：？该步骤为计算过程中涉及到的各变量分别赋予初始值；包括以下12个子步骤，即步骤1.0.1至步骤1.0.12：？1.0.1设定算法当前执行次数t、执行总次数T：？当算法连续运行有限次的情况时：设当前执行次数初始值t＝1；执行和调整总次数T的取值原则是：要保证系统运行总次数0.8T次后控制结果（1300）能够稳定在控制目标（1000）附近；其中能够稳定的含义是：当执行次数达到0.8T以后，控制结果（1300）ysystem(t)与控制目标（1000）rin(t)之间的误差在±3％以内，参见公式1：？公式1？执行和调整总次数T的设置方法是：？1.0.1.1设执行总次数T＝5000；？1.0.1.2运行系统，及执行T次本方法全部步骤，再根据运行结果进行调整；？1.0.1.3如果运行结果显示算法执行0.8T次以后，控制结果（1300）无法稳定于控制目标（1000），则将T增大10％，并跳转到步骤1.0.1.2；？1.0.1.4如果运行结果显示算法过早就可以将控制结果（1300）收敛于控制目标（1000），即当执行次数达到0.5T以前，控制结果（1300）ysystem(t)与控制目标（1000）rin(t)之间的误差在±3％以内，则将T减小10％，并跳转到步骤1.0.1.2；？上述步骤的结果是：系统运行总次数0.8T次后控制结果（1300）能够稳定在控制目标（1000）附近，至此T的设置工作完成；？当算法连续运行从不终止的情况时：设当前执行次数初始值t＝1；设执行？总次数T＝0，当T＝0时该算法不断循环，算法不会终止；？1.0.2设定每个时刻的控制目标（1000）值rin(t)，rin(t)可以是一常数rin，也可以是以t为自变量的函数；？1.0.3设定启动预测时刻Tpteaict，Tpredict为正整数，根据工程经验，其取值范围参考为：5％·T≤Tpredict≤10％·T；？1.0.4设定在线预测算法（401）需要的历史数据的个数Kpredict,Kpredict为正整数，其取值由在线预测算法的假设检验统计指标决定，根据工程经验，其取值范围参考为：10≤Kpreaict≤5％·T；？1.0.5设定预测步长为Lpredict,Lpredict为正整数，根据工程经验，其取值范围参考为：1≤Lpredict≤10％·T；？1.0.6设定控制结果初始值为零,即ysystem(t)＝0；？1.0.7设定控制结果预测值为零,即ypredict(t)＝0；？1.0.8设定预测结果初始值为零,即your(t)＝0；？1.0.9设定小波神经网络各层神经元数量M、Q、L，取值范围一般是M≤10，M≤Q≤5M，L≤M区间内的正整数区间内的；？其中M表示小波神经网络的输入层神经元数量，即小波神经网络由M个输入层神经元构成；Q表示小波神经网络的隐含层神经元数量，即小波神经网络由Q个隐含层神经元构成；L表示小波神经网络的输出层神经元数量，即小波神经网络由L个输出层神经元构成；？1.0.10设定t＝1次计算过程中的输入层、隐含层、输出层各神经元的输入变量输入层与隐含层的连接权值矩阵隐含层输出层各神经元的的连接权值矩阵？隐含层神经元的活化函数尺度变换参数矩阵aj(t)和bj(t)中的每个元素为0至1开区间内的随机小数；？上述变量右上角标“(1)”表示神经网络的第一层——输入层，隐含层用“(2)”表示，输出层用“(3)”表示，右下角标“i”表示输入层神经元序号，？“j”表示隐含层神经元序号，“k”表示输出层神经元序号；？1.0.11设定神经网络的学习速率η和惯性系数α：其中η的取值范围是0.01至0.7闭区间内的小数；α的取值范围是0.01？0.2闭区间内的小数；？1.0.12设定控制量u(t)和误差量error(t)的初始值和时间序列值为零：u(t)＝0、u(t？1)＝0、u(t？2)＝0、error(t)＝0、error(t？1)＝0、error(t？2)＝0；？步骤1.1计算控制参数Kc并修正在线整定算法参数w：？该步骤根据控制目标（1000）rin(t)和预测结果（1400）your(t？1)，采用在线整定算法（101），计算得出控制参数（1100）Kc(t)，并修正在线整定算法参数w(t+1)；在线整定算法（101）采用时间序列预测与智能控制结合的参数在线整定方法中的在线整定算法，或者采用非基于时间序列预测的或非神经网络方法在线整定控...

【技术特征摘要】
1.时间序列预测与智能控制结合的参数在线整定方法，其特征在于包括以下5个步骤，即步骤I. O至步骤1.5 : 步骤I. O参数初始化 该步骤为计算过程中涉及到的各变量分别赋予初始值；包括以下12个子步骤，即步骤I. O. I 至步骤 I. O. 12 I. O. I设定算法当前执行次数t、执行总次数T 当算法连续运行有限次的情况时设当前执行次数初始值t = I ;执行和调整总次数T的取值原则是要保证系统运行总次数O. 8T次后控制结果(1300)能够稳定在控制目标(1000)附近；其中能够稳定的含义是当执行次数达到O. 8T以后，控制结果(1300)Ysystem(t)与控制目标(1000)rin(t)之间的误差在±3%以内，参见公式I :2.根据权利要求I所述的时间序列预测与智能控制结合的参数在线整定方法的步骤I. 2计算控制量，其特征在于 算法的输入是控制参数(1100) Ke(t)、控制量(1200) u(t)和误差error(t)时间序列值； 算法的输出是控制量(1200) u (t)； 控制算法(201)可以采用、位置式PID控制算法、增量式PID控制算法、模糊控制算法、专家控制算法； 采用增量式PID控制算法时，u (t)的计算参见公式44 u (t) =u (t-1) +Kp (t) · (error (t) -error (t-1)) +Ki (t) · error (t)公式 4 4 +Kd (t) · (error(t)_2error(t_l)+error(t_2)) ο3.根据权利要求I所述的时间序列预测与智能控制结合的参数在线整定方法的步骤I. 3采集或计算系统输出，其特征在于 当该系统为计算机仿真应用的情况时，被控对象(300)采用确定的控制系统被控对象数学模型，该数学模型的输入是控制量u(t)，通过计算机仿真计算得出的结果即为控制结果ysyst (t);上述计算机仿真计算，即通过对被控对象建立连续传递函数模型，进而对该连续传递函数采用Z变换进行离散化，得到根据U(t)和ysystM(t)时间序列值计算出Ysystem (t)的计算公式；在Matlab中z变换通过c2d()函数和tfdata()函数实现；具体实现过程请参见本专利说明书中实施例部分； 当该系统为真实控制系统应用的情况时因此控制结果ysystM(t)不是通过计算机仿真计算得到的，而是通过对真实控制系统输出采样得到的。4.根据权利要求I所述的时间序列预测与智能控制结合的参数在线整定方法的步骤I. 4计算预测结果，其特征在于 首先判断当前t时刻是否到达启动预测是可启动预测时刻Tpredirt 如果当前t时刻小于启动预测时刻TpMdic;t，则不启动预测，控制结果(1300)ysyst (t)直接充当预测结果(1400) yQUt(t),即 yQUt(t) = ysystem(t)； 如果当前t时刻大于等于启动预测时刻Tpredirt，则启动预测，采集当前时刻的控制扰动源(500)产生的控制扰动量(1500)rTOf(t)以及预测扰动源(600)产生的预测扰动量(1600)rorf ⑴； 在线预测算法(401)的输入分别是控制参数(1100)的时间序列Ke(t)、Ke(t-l)、Kc(t_2)、· · ·、Kc (t_Kpredict)、控制量(1200)的时间序列 u(t)、u (t-1)、u(t_2)、…、u (t-Kpredict)、控制结果(1300)的时间序列 ysysteni(t)、ysystem (t-1)、ysystem (t-2)、…、Ysystem (t-Kpredict)、控制扰动量(1500)的时间序列 Lef (t)、I^ef (t_I)、Γοε (t~2)、…、roef (t-Kpredict)、预测扰动量(1600)的时间序列 rOTf (t)、rotf (t-1)、rorf (t-2)、…、r〇rf (t Kpre(jict); 其中，控制扰动源(500 )是除控制量(1200 )以外的对被控对象产生作用的控制环境中的其他装置；预测扰动源(600)是除控制参数(1100)、控制量(1200)、控制结果(1300)以外的对在线预测器(400)产生影响的控制环境中的其他装置；控制扰动量(1500)是由控制扰动源(500)产生的与控制量(1200)—起作用于被控对象(300)，并对其输出产生影响的输入，在理想的情况下，控制扰动量(1500)rTOf(t)可以为常数0，即忽略不计；其中，预测扰动量(1600)是由预测扰动源(600)产生的与控制参数(1100)、控制量(1200)、控制结果(1300) —起作用于在线预测器(400)，并对在线预测算法(401)的输出产生影响的输入，在理想情况下，即可以忽略控制系统内外环境中其他装置的扰动影响的情况下，控制扰动源(500)和预测扰动源(600)可以忽略，即不存在控制扰动源(500)和预测扰动源(600)，此时控制扰动量(1500)1^(0和预测扰动量(1600) rOTf(t)为常数O ; 在线预测算法(401)的输出是控制结果预测值(1401)5Vediet(t)； 当前t时刻大于等于启动预测时刻TpMdic;t的这种情况下，将控制结果预测值(1401)Ypredict (t)作为预测结果(1400) yQUt(t)，即 y_(t) = Ypredict (t)； 综上所述，预测结果(1400) yout (t)的取值见公式45 5.根据权利要求4所述的在线预测算法(401)，其特征在于 在线预测算法(401)可以采用经典的向量时间序列预测方法即VARMA方法、神经网络预测方法、线性回归预测方法、非线性回归预测方法、曲线函数拟合方法，也可以采用满足输入是由时间序列控制参数(1100)、时间序列控制量(1200)、时间序列控制结果(1300)、时间序列控制扰动量(1500)、时间序列预测扰动量(1600)，输出是控制结果预测值(1401)的预测算法； 采用VARMA算法时，nAR和nMA参数的取值范围为5至10闭区间内的正整数；在MatIab中VARMA预测算法通过vgxsetO、vgxvarx ()、vgxpred()三个函数实现；具体实现过程请参见本专利说明书中实施例部分56.采用了时间序列预测与智能控制结合的参数在线整定方法的系统，其特征在于由第〇装置一控制决策器(O)、第一装置一在线整定器(100)、第二装置一控制执行器(200)、第三装置一被控对象(300)、第四装置一在线预测器(400)、第五装置一控制扰动源(500)和第六装置一预测扰动源(600)七组装置组成；.1.1各组装置内部构成以及输入、输出接口情况 I. I. O第〇装置——控制决策器(O)可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器、或移动终端； 当第〇装置一控制决策器(O)采用计算机(I)时，其输出接口可以是以太网接口，通过网线及网络交换设备与第一装置一在线整定器(100)的输入接口相连接； I. I. I第一装置一在线整定器(100)可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器； 当第一装置一在线整定器(100)采用计算机(100)时，其两个输入接口可以是以太网接口，通过网...

【专利技术属性】
技术研发人员：刘经纬，王普，杨蕾，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：