[發(fā)明專利]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的多父代遺傳算法空氣源熱泵多目標(biāo)優(yōu)化控制方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811619928.2
• 申請(qǐng)日: 2018-12-28
• 公開(kāi)（公告）號(hào): CN109634121B
• 公開(kāi)（公告）日: 2021-08-03
• 發(fā)明（設(shè)計(jì)）人: 徐英杰;陳寧;許亮峰;蔣寧
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G05B13/04
• 分類號(hào): G05B13/04
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

1.一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的多父代遺傳算法空氣源熱泵多目標(biāo)優(yōu)化控制方法，其特征在于，所述方法包括以下步驟：

步驟1、根據(jù)用戶需求將輸入輸出變量輸入進(jìn)系統(tǒng)中；

選擇壓縮機(jī)頻率f、膨脹閥開(kāi)度p、水泵頻率n作為輸入變量，系統(tǒng)COP和制熱量Q_h或者二氧化碳釋放量m和制熱量Q_h作為輸出變量，并對(duì)輸入訓(xùn)練的樣本數(shù)據(jù)作歸一化處理，使其處于[0,1]之間，歸一化公式如下：

其中k為歸一化后的值，x為被歸一化的數(shù)據(jù)，x_min、x_max分別為被歸一化數(shù)據(jù)中的最小值和最大值；

步驟2、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的創(chuàng)建、訓(xùn)練以及測(cè)試，過(guò)程如下：

2.1初始化參數(shù)，設(shè)置隱含層的神經(jīng)元個(gè)數(shù)，神經(jīng)元個(gè)數(shù)的計(jì)算根據(jù)經(jīng)驗(yàn)公式：確定，其中n、l分別為輸入神經(jīng)元的個(gè)數(shù)和輸出神經(jīng)元的個(gè)數(shù)，a通常取1～10；輸入層的神經(jīng)元個(gè)數(shù)由輸入變量的個(gè)數(shù)決定，輸出層的神經(jīng)元個(gè)數(shù)由輸出變量決定，其中壓縮機(jī)頻率、膨脹閥開(kāi)度、水泵頻率是該神經(jīng)網(wǎng)絡(luò)的輸入變量，系統(tǒng)COP和制熱量或二氧化碳釋放量和制熱量是該神經(jīng)網(wǎng)絡(luò)的輸出變量，此外還要設(shè)置學(xué)習(xí)率、動(dòng)量因子、訓(xùn)練誤差和初始的權(quán)值、閾值；

2.2訓(xùn)練神經(jīng)網(wǎng)絡(luò)，將步驟1中的數(shù)據(jù)分成訓(xùn)練集和測(cè)試集兩個(gè)部分，隨機(jī)地選取訓(xùn)練集中的數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算隱含層和輸出層的值，采用Kmeans算法得到隱含層神經(jīng)元中心即基函數(shù)中心c，再根據(jù)梯度下降法進(jìn)行迭代得到神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置，用于神經(jīng)網(wǎng)絡(luò)的建立；

2.3測(cè)試神經(jīng)網(wǎng)絡(luò)，完成所有的數(shù)據(jù)訓(xùn)練后，用測(cè)試集里的數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，直至滿足訓(xùn)練誤差規(guī)定的范圍，自此徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型構(gòu)建完成；

2.4利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，在給定實(shí)際狀態(tài)下的輸入變量，通過(guò)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)得到預(yù)測(cè)參數(shù)，所述預(yù)測(cè)參數(shù)為系統(tǒng)COP和制熱量或者二氧化碳釋放量和制熱量，將系統(tǒng)COP和制熱量或者二氧化碳釋放量和制熱量進(jìn)行反歸一化處理得到實(shí)際值，反歸一化公式為：

x＝k·(x_max-x_min)+x_min

步驟3、基于訓(xùn)練完成的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，利用多父代遺傳算法對(duì)空氣源熱泵進(jìn)行多目標(biāo)優(yōu)化；

步驟4通過(guò)上述步驟根據(jù)Pareto解得到最優(yōu)解的輸入變量的參數(shù)值，將得到的輸入變量值傳遞給系統(tǒng)來(lái)調(diào)節(jié)熱泵的控制量。

2.如權(quán)利要求1所述的基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的多父代遺傳算法空氣源熱泵多目標(biāo)優(yōu)化控制方法，其特征在于，所述步驟2.2中，基函數(shù)中心求取方法為：

a.從訓(xùn)練樣本中隨機(jī)選取h個(gè)數(shù)據(jù)作為初始聚類中心；

b.將輸入的樣本數(shù)據(jù)按最近鄰規(guī)則分組，計(jì)算每個(gè)數(shù)據(jù)與聚類中心的距離，根據(jù)最小距離進(jìn)行劃分；

c.計(jì)算各聚類集合中樣本的平均值作為新的聚類中心c_j，規(guī)定聚類中心的收斂誤差為訓(xùn)練終止條件，若達(dá)到要求則此時(shí)的c_j為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的最終基函數(shù)中心，否則返回步驟b進(jìn)行下一輪的中心求解。

3.如權(quán)利要求1或2所述的基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的多父代遺傳算法空氣源熱泵多目標(biāo)優(yōu)化控制方法，其特征在于，所述步驟3的過(guò)程如下：

3.1參數(shù)和種群初始化：采用實(shí)數(shù)編碼的方式對(duì)種群及個(gè)體進(jìn)行編碼，設(shè)置種群的規(guī)模N₁，進(jìn)化次數(shù)G，交叉概率P_c和變異概率P_m，種群規(guī)模N₁根據(jù)熱泵的實(shí)際情況而定，取值范圍為10～100，進(jìn)化次數(shù)為100～1000，交叉概率P_c的取值范圍為0.25～1，變異概率P_m的取值范圍為0.001～0.1，設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t＝0和最大進(jìn)化代數(shù)G，隨機(jī)生成初始父代種群2P_t；

3.2計(jì)算目標(biāo)函數(shù)：計(jì)算種群中各個(gè)體的目標(biāo)函數(shù)值，基于訓(xùn)練完成的網(wǎng)絡(luò)，將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的輸入輸出的映射關(guān)系中的輸出作為多父代遺傳算法的目標(biāo)函數(shù)值；

3.3非支配排序和擁擠度計(jì)算：在非支配排序中，非支配序等級(jí)較高的個(gè)體優(yōu)先被選擇，若兩個(gè)個(gè)體屬于同一個(gè)非支配層，則要依據(jù)擁擠度來(lái)選擇；擁擠度用來(lái)表示種群中給定個(gè)體的周圍個(gè)體的密度，為了更好地取到種群中不同的個(gè)體，要選取周圍較不擁擠的個(gè)體，即擁擠度較大的個(gè)體；根據(jù)非支配排序和擁擠度比較算子，將比較算子作為種群的適應(yīng)度值，選擇適應(yīng)度較高的P_t個(gè)個(gè)體組成新的父代種群；

3.4多父代交叉、變異和選擇：從父代種群中選取多條染色體進(jìn)行下一代染色體的操作，通過(guò)染色體的交叉組合來(lái)產(chǎn)生新的個(gè)體；將變異算子作用于群體，對(duì)于選中的個(gè)體中改變某一個(gè)或者某一些基因后得到子代種群Q_t；將交叉變異后得到的子代種群與父代種群合并為新種群R_t，依據(jù)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型計(jì)算得到的種群目標(biāo)函數(shù)值對(duì)個(gè)體進(jìn)行非支配排序和擁擠度計(jì)算，根據(jù)非支配排序和擁擠度比較算子，將比較算子作為種群的適應(yīng)度值，選擇適應(yīng)度較高的個(gè)體組成新的父代種群P_t+1；

3.5是否滿足終止條件：計(jì)算是否滿足最大進(jìn)化次數(shù)，若滿足最大進(jìn)化次數(shù)，則計(jì)算結(jié)束；若不滿足最大進(jìn)化次數(shù)則返回步驟3.4，直至滿足進(jìn)化次數(shù)為止；計(jì)算結(jié)束后在所有剩余的個(gè)體中依據(jù)非支配排序和擁擠度比較算子選取所需的個(gè)體作為最終的Pareto解。