[發明專利]有源濾波器的自反饋遞歸模糊神經網絡預測控制方法

有效

• 申請號: 202011102769.6
• 申請日: 2020-10-15
• 公開（公告）號: CN112257338B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 劉倫豪杰;費峻濤
• 申請（專利權）人: 河海大學常州校區
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06N3/04;G06N3/08;H02J3/01
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 丁濤

1.一種有源濾波器的自反饋遞歸模糊神經網絡預測控制方法，其特征在于，包括以下步驟：

S1：建立有源電力濾波器的預測控制數學模型,具體步驟如下：

S1-1：有源電力濾波器補償電流的非線性動態模型用差分方程表示如下：

i_c(t+1)＝f(i_c(t),x(t)) (1)；

其中，i_c(t)為t時刻的補償電流，x(t)為t時刻的控制狀態量；

S1-2：將有源電力濾波器中的參考電流信號和補償電流信號的預測問題轉化為對補償誤差的預測問題，則有源電力濾波器的預測控制數學模型設計如下：

y(t+1)＝h(y(t),x(t)) (2)；

其中，y(t)為t時刻參考電流信號與系統輸出補償電流信號的差，x(t)為t時刻的控制狀態量，設跟蹤任務為c(t)，則跟蹤目標為：y(t)跟蹤上c(t)，且c(t)≡0；

S2：根據步驟S1建立的預測控制數學模型構建自反饋遞歸模糊神經網絡預測模型；

S3：設計神經網絡預測模型參數學習策略，計算得到神經網絡的自適應率，其具體步驟如下：

S3-1：選取神經網絡的損失函數如下：

其中，為自反饋遞歸模糊神經網絡預測模型的輸出，即神經網絡對實際值的預測值，y(t)是預測值的實際值；

S3-2：由梯度下降法，得到神經網絡的自適應率如下：

其中，分別為神經網絡各層的權值參數，η₁,η₂,η₃,η₄,η₅,η₆分別為各參數的學習率；

S4：根據步驟S3得到的神經網絡預測模型設計自反饋遞歸模糊神經網絡模型預測控制率，實時優化控制器,具體步驟如下：

S4-1：設計控制器損失函數如下：

Δu(t)＝[Δu(t),Δu(t+1),...,Δu(t+H_u-1)]^T (12)；

其中，ρ₁,ρ₂是控制權值因子，為神經網絡對實際值的預測值，具體為t時刻預測的未來Hp個時刻參考電流向量與補償電流向量的差，Δu(t)是t時刻預測的未來H_u個時刻的控制變化量，H_p為預測步長，H_u為控制步長；

S4-2：優化策略為選擇最優的控制輸入隊列使得損失函數最小，根據梯度尋優算法，控制輸入隊列通過如下公式更新：

其中，η_c是控制輸入隊列的學習率；

S4-3：損失函數對控制輸入隊列求偏導，計算如下：

由此，可得控制輸入隊列的變化量如下：

其中，是一個雅克比矩陣，由神經網絡模型通過鏈式法則求解得到。

2.根據權利要求1所述的一種有源濾波器的自反饋遞歸模糊神經網絡預測控制方法，其特征在于，所述步驟S3中構建的自反饋遞歸模糊神經網絡預測模型結構如下：

第一層：輸入層

所述輸入層完成對輸入信號的傳遞，輸入參數為當前時刻的狀態量和控制量；

第二層：模糊化層

所述模糊化層中，輸入層的每個輸出與模糊化層的三個神經元連接，通過高斯函數對輸入信號進行模糊化操作；

第三層：規則層

所述規則層對模糊化層的各組節點的輸出進行數據綜合處理，在規則層中每個節點的輸出為模糊化層中各組節點輸出值的乘積；

第四層：自反饋遞歸層

所述自反饋遞歸層由自反饋遞歸神經元組成，將歷史信息存儲下來，并對歷史信息進行倍數的衰減用于當前計算，最后經過非線性激活傳遞到第五層；

第五層：輸出層

所述輸出層采用加權平均得到神經網絡的輸出，輸出是對下一時刻的狀態量的預測。