[发明专利]有源滤波器的自反馈递归模糊神经网络预测控制方法

权利要求书

1.一种有源滤波器的自反馈递归模糊神经网络预测控制方法，其特征在于，包括以下步骤：

S1：建立有源电力滤波器的预测控制数学模型,具体步骤如下：

S1-1：有源电力滤波器补偿电流的非线性动态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)为t时刻的补偿电流，x(t)为t时刻的控制状态量；

S1-2：将有源电力滤波器中的参考电流信号和补偿电流信号的预测问题转化为对补偿误差的预测问题，则有源电力滤波器的预测控制数学模型设计如下：

y(t+1)＝h(y(t),x(t)) (2)；

其中，y(t)为t时刻参考电流信号与系统输出补偿电流信号的差，x(t)为t时刻的控制状态量，设跟踪任务为c(t)，则跟踪目标为：y(t)跟踪上c(t)，且c(t)≡0；

S2：根据步骤S1建立的预测控制数学模型构建自反馈递归模糊神经网络预测模型；

S3：设计神经网络预测模型参数学习策略，计算得到神经网络的自适应率，其具体步骤如下：

S3-1：选取神经网络的损失函数如下：

其中，为自反馈递归模糊神经网络预测模型的输出，即神经网络对实际值的预测值，y(t)是预测值的实际值；

S3-2：由梯度下降法，得到神经网络的自适应率如下：

其中，分别为神经网络各层的权值参数，η₁,η₂,η₃,η₄,η₅,η₆分别为各参数的学习率；

S4：根据步骤S3得到的神经网络预测模型设计自反馈递归模糊神经网络模型预测控制率，实时优化控制器,具体步骤如下：

S4-1：设计控制器损失函数如下：

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

其中，ρ₁,ρ₂是控制权值因子，为神经网络对实际值的预测值，具体为t时刻预测的未来Hp个时刻参考电流向量与补偿电流向量的差，Δu(t)是t时刻预测的未来H_u个时刻的控制变化量，H_p为预测步长，H_u为控制步长；

S4-2：优化策略为选择最优的控制输入队列使得损失函数最小，根据梯度寻优算法，控制输入队列通过如下公式更新：

其中，η_c是控制输入队列的学习率；

S4-3：损失函数对控制输入队列求偏导，计算如下：

由此，可得控制输入队列的变化量如下：

其中，是一个雅克比矩阵，由神经网络模型通过链式法则求解得到。

2.根据权利要求1所述的一种有源滤波器的自反馈递归模糊神经网络预测控制方法，其特征在于，所述步骤S3中构建的自反馈递归模糊神经网络预测模型结构如下：

第一层：输入层

所述输入层完成对输入信号的传递，输入参数为当前时刻的状态量和控制量；

第二层：模糊化层

所述模糊化层中，输入层的每个输出与模糊化层的三个神经元连接，通过高斯函数对输入信号进行模糊化操作；

第三层：规则层

所述规则层对模糊化层的各组节点的输出进行数据综合处理，在规则层中每个节点的输出为模糊化层中各组节点输出值的乘积；

第四层：自反馈递归层

所述自反馈递归层由自反馈递归神经元组成，将历史信息存储下来，并对历史信息进行倍数的衰减用于当前计算，最后经过非线性激活传递到第五层；

第五层：输出层

所述输出层采用加权平均得到神经网络的输出，输出是对下一时刻的状态量的预测。