向量时间序列预测专家模糊变比控制参数优化方法和系统

摘要

向量时间序列预测专家模糊变比控制参数优化方法和系统，可应用到控制、决策、人工智能等领域。本发明方案：（1）根据控制系统各状态和输出的时间序列采用向量时间序列预测方法预测输出作为控制参数在线优化整定的输入，（2）采用专家规则表或模糊控制器预测控制参数在线优化整定的变比值进而在线优化整定控制参数，（3）将上述两点结合经典的控制方法形成了向量时间序列预测专家模糊变比控制参数优化方法，进一步设计具体的装置、链接关系并构成了系统。本发明使得控制器参数可以根据工作环境的差异和不确定性进行在线优化整定控制参数，控制系统可以对于环境的各种突发性变化进行应对，动态性能和抗扰性能、静态性能提高；克服了超调。

主权项

一种向量时间序列预测专家模糊变比控制参数优化方法，其特征在于：该方法由步骤001至步骤014共14个步骤组成：步骤001：初始化：初始化最大计算周期Kmax：其中Kmax＝0或Kmax∈N,N表示自然数，如果Kmax＝0，表示控制算法永远不终止；初始化当前计算时刻k：k＝1；初始化被控对象的目标值rin(k)：rin(k)＝f(k),其中f(k)表示控制目标函数，即根据时刻k给出控制目标；初始化预测步长为L_predict,L_predict为正整数，根据工程经验，其取值范围：1≤L_predict≤50；初始化预测启动时刻T_predict，根据工程经验，其取值范围：5％·Kmax≤T_predict≤10％·Kmax，如果Kmax＝0，10·L_predict≤T_predict≤100；初始化系统输出yout(k)＝0；确定专家模糊变比推理规则和初始化专家模糊变比推理规则参数；步骤002：系统真实输出采集：当该方法用于真实系统时，yout_real(k)是真实存在的被控对象产生的，通过采集装置，采集被控对象产生真实输出yout_real(k)；‑步骤003：判断是否启动预测：如果当前时刻尚未到达预测启动时刻，即k＜T_predict，则不启动预测，跳转到步骤004；如果当前时刻到达预测启动时刻，即k≥T_predict，则启动预测，跳转到步骤005；步骤004：直接赋值：尚未启动预测，则参与误差计算的yout(k)＝yout_real(k‑1)；步骤005：预测输出：启动了预测，则参与误差计算的yout(k)＝y_predict(k)；计算方法采用向量时间序列预测方法：向量时间序列预测算法的输入序列为以下五个变量的时间序列：比例控制参数时间序列K_p(1)，K_p(2)，...，K_p(k)、积分控制参数时间序列K_i(1)，K_i(2)，...，K_i(k)、微分控制参数时间序列K_d(1)，K_d(2)，...，K_d(k)、控制量时间序列u(1)，u(2)，...，u(k)、系统的真实输出时间序列yout_real(1)，yout_real(2)，...，yout_real(k)；向量时间序列预测算法的输出为k时刻后第L_predict时刻的系统输出y_predict(k)；步骤006：误差计算：根据被控对象当前时刻的采样值yout(k)与被控对象的目标值rin(k)计算出当前时刻误差e(k)，其中e(k)＝yout(k)‑rin(k)；步骤007：误差变化率计算：计算当前时刻误差e(k)与前一时刻的误差e(k‑1)之间的误差变化率ec(k)，其中ec(k)＝e(k)‑e(k‑1)；步骤008：控制参数变比计算：根据模糊控制器参数T_FA或者专家规则表T_EA，采用模糊计算或者查询专家规则表的方法，模糊计算方法或者查询专家规则表方法的输入为：当前时刻误差e(k)和误差变化率ec(k)，模糊计算方法或者查询专家规则表方法的输出为控制参数变比R_p(k)、R_i(k)、R_d(k)；步骤009：控制参数计算：根据公式1、公式2、公式3计算出控制参数K_p(k)、K_i(k)、K_d(k)；K_p(k)＝R_p(e(k)，ec(k))·K_p(k‑1)  公式1K_i(k)＝R_i(e(k)，ec(k))·K_i(k‑1)  公式2K_d(k)＝R_d(e(k)，ec(k))·K_d(k‑1)  公式3步骤010：计算控制量：采用数字PID算法，数字PID算法的输入是控制参数K_p(k)、K_i(k)、K_d(k)，输出是控制量u(k)；步骤011：被控对象产生真实输出：当该方法用于真实系统时，控制量作用于被控对象，被控对象产生真实输出yout_real(k)；步骤012：计算周期自增：即当前时刻k＝k+1；步骤013：判断是否结束：如果最大执行周期Kmax＞0且当前时刻k＞Kmax，则跳转到步骤014：结束；如果最大执行周期Kmax＝0，则跳转到步骤002，重复执行过程；步骤014：结束。