[发明专利]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

说明书

技术领域

本发明提出了一种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。

背景技术

如何使控制系统能够模拟人的思维，根据应用环境自动在线整定（优化）控制参数，并且获得更好的控制性能是自动控制领域科学家长期以来努力的目标，也是本发明解决的问题。本领域的专家学者将人工智能的方法与经典的控制方法相结合的方式得到了各种先进的智能控制方法，可以划分为两类：第一类是基于规则推理机制的智能控制方法（统一简称为R-PID控制方法），例如专家PID(Expert PID,E-PID)在线整定方法、模糊PID(Fuzzy PID,F-PID)在线整定方法；第二类是基于神经计算科学的智能控制方法（本研究统一简称为XNN-PID控制系统），例如BP神经网络PID(Back propagation neural networks PID,BPNN-PID)在线整定方法、RBF神经网络PID（Radial basis function neural networks PID,RBFNN-PID）在线整定方法。

上述第一类（基于规则推理机制的智能控制）方法（技术）存在的问题是：（1）控制参数、控制量突变导致系统输出不稳定、过程不平稳；（2）系统的动态性能（系统响应快速性、抗扰恢复快速性）、静态性能（静态误差）差，有待提高；（3）控制系统智能程度（预测能力、学习能力、自适应能力）差，有待提高。

上述问题反映在生产生或应用中主要表现在：（1）控制器参数无法根据工作环境、被控对象等的差异和不确定性进行在线优化整定控制参数，控制系统每一次应用之前，工程师都要反复调试控制参数，且系统运行一段时间后，工程师有得反复检查在调试控制参数；（2）控制系统对于环境的各种突发性变化缺乏应对机制，只能根据当前的情况作出控制决策，即使控制决策对于系统未来的输出是有害的，也只能等到有害效果产生后再做出响应；（3）控制系统的动态性能和抗扰性能有待提高；（4）控制系统的静态性能有待提高；（5）在一些应用中会产生超调，而一些工程应用不允许出现超调的情况。

发明内容

本发明提出了一种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，可以具体实例化为以下两套实施例：（1）向量时间序列预测变比专家控制（VARMA-EA-PID）方法和系统；（2）向量时间序列预测变比模糊控制（VARMA-EA-PID）方法和系统。

一、本发明的目的：

本发明的目的是解决上述生产生活应用中的5方面问题。即目标1是解决控制器参数无法根据工作环境、被控对象等的差异和不确定性进行在线优化整定控制参数，控制系统每一次应用之前，工程师都要反复调试控制参数，且系统运行一段时间后，工程师有得反复检查在调试控制参数的问题；目标2是解决控制系统对于环境的各种突发性变化缺乏应对机制，只能根据当前的情况作出控制决策，即使控制决策对于系统未来的输出是有害的，也只能等到有害效果产生后再做出响应的问题；目标3是解决控制系统的动态性能和抗扰性能有待提高的问题；目标4是解决控制系统的静态性能有待提高的问题；目标5是解决在一些应用中会产生超调，而一些工程应用不允许出现超调的情况的问题。

二、本发明要解决的技术问题：

1.解决如何使控制系统的输出可以根据系统内各状态的时间序列和输出的时间序列进行预测，控制决策（控制参数的优化调整）可以根据未来的系统输出进行计算；

2.预测的结果如何与控制参数在线证定方法相结合，充分发挥出经典PID控制系统、人工智能方法（专家系统、模糊控制系统）和预测控制系统的优点；

3.解决模糊PID和专家PID方法控制参数、控制量突变导致系统输出不稳定、过程不平稳的问题；模糊PID和专家PID方法的动态性能（系统响应快速性、抗扰恢复快速性）、静态性能（静态误差）差的问题；模糊PID和专家PID方法智能程度（预测能力、学习能力、自适应能力）差的问题。

三、本发明采用的技术方案

为了实现上述目的，本发明采取了如下技术方案：

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；

初始化当前计算周期k:k＝1;