[发明专利]基于T-S模糊模型的制冷站负荷和能效比动态建模方法

权利要求书

1.一种基于T-S模糊模型的制冷站负荷和能效比动态建模方法，其特征在于，该动态建模方法由模型前件结构辨识、模型后件参数辨识、模型性能验证三部构成，动态模型的动态建模方法通过采集制冷站系统数据，构建负荷预测模型并完成T-S模糊模型结构辨识、构建能效比预测模型并完成T-S模糊模型参数辨识，进而得到基于T-S模糊模型的制冷站负荷和能效比动态模型，包括以下步骤：

S1、采集制冷站的室外温度T_to[k]、室外湿度T_ho[k]、当前时刻负荷值Q[k]、前一天负荷值Q_dayago[k]以及前一周负荷值Q_weekago[k]，构建负荷预测模型，其中，所述负荷预测模型的输出层为下一时刻的负荷预测值Q[k+1]；

S2、采集制冷站的室外温度T_to[k]、室外湿度T_ho[k]、当前时刻负荷值Q[k]、当前时刻系统能效比EER[k]、冷冻水供水温度设定值T_chwset[k]、冷冻水泵频率f_pumpch[k]、冷却水泵频率f_pumpc[k]以及冷却塔风机频率f_tower[k]，构建能效比预测模型，其中，所述能效比预测模型的输出层为下一时刻系统能效比EER[k+1]；

S3、利用PSO算法对FCM算法的目标函数进行全局寻优，采用PSO算法代替FCM迭代过程，得到聚类中心和聚类半径，完成T-S模糊模型结构辨识；

S4、利用扩展卡尔曼滤波进行T-S模糊模型参数辨识；

S5、将数据输入到T-S模糊模型进行验证；

在步骤S3中，T-S模糊模型结构辨识中，在T-S模糊模型的前件结构辨识部分引入基于PSO的改进FCM算法，利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心，使其跳出局部极小值，实现模糊聚类，得到聚类中心{c₁,...,c_i,...,c_n}，最终完成结构辨识，具体的步骤包括：

(1)、初始化聚类个数c、加权参数m，最大迭代次数D_max，最小惯性权重w_min和最大惯性权重w_max，设置粒子速度范围v_id(t)∈[v_min,v_max]，给定数据样本集X＝{x₁,...,x_j,...,x_n}；

(2)、在样本集X中初始化粒子群位置，计算此时个体极值p_id和全局极值p_gd，初始化每个粒子的速度；计算公式为：

其中，u_ij表示第j个样本x_j属于某一类的隶属度，其表达式为：

式中，m为加权参数(1≤m≤∞)；且u_ij的限制条件为：

初始化每个粒子的速度计算公式为：

式中：c₁、c₂为加速常数；rand()是服从均匀分布在0～1之间的一个随机数；v_id和x_id为d维粒子速度和位置；w为惯性权重，表达公式为：

式中，D为当前迭代次数，D_max为最大迭代次数；

(3)、更新粒子位置，更新此时个体适应度值和群体适应度值，记录此时个体极值p_id和全局极值p_gd，计算公式为：

x_id(t+1)＝x_id(t)+v_id(t+1)；

(4)、根据适应度函数计算每个粒子的适应度值，更新个体极值，p_id和全局极值p_gd，更新粒子群速度，其中，计算每个粒子的适应度值公式：

更新粒子群速度的公式为：

x_id(t+1)＝x_id(t)+v_id(t+1)；

(5)、判断此时迭代次数是否达到D_max或者p_gd是否小于预设ε，若是，则结束，否则D＝D+1，返回步骤(3)；

(6)、得到样本X的聚类中心c_i，计算得到模糊半径σ_ij，结构辨识结束，计算公式为：

在步骤S4中，扩展卡尔曼滤波进行T-S模糊模型参数辨识，首先对后件参数及其协方差矩阵进行初始化，然后利用卡尔曼滤波框架预测下一时刻参数p(k|k-1)，结合p的协方差矩阵P(k|k-1)，计算卡尔曼增益K(k)，最后更新p(k|k)和P(k|k-1)，直到迭代完成，得到了多组if-then的线性的模糊规则，即多变量的非线性系统特性被多组if-then的模糊规则描述，具体包括以下步骤：

1)、初始化后件参数p；

2)、初始化后件参数的协方差矩阵P；

3)、计算P(k|k-1)，计算公式为：

P(k|k-1)＝Φ(k)P(k-1|k-1)+Φ^T(k)

其中，P(k|k-1)是所预测的估计协方差；

4)、计算T-S模糊模型输出值计算公式为：

其中，表示第i条规则的后件参数集合；y_i表示负荷或系统能效比预测模型输出；k为当前采样时刻；

5)、计算下一时刻的模糊模型输出，计算公式为：

其中，w_i定义为：

其中β_i表示第i条if-then规则的适应度，其定义为：

β_i＝u(A_i¹)×·,·u(A_i^j),··×u(A_iⁿ)

式中u(A_i^j)表示隶属度函数，其表达式为：

其中σ_ij、c_ij分别表示样本的模糊半径和模糊中心；

6)、计算卡尔曼增益K(k)，计算公式为：

K(k)＝Φ(k)P(k|k-1)C^T(k)×

(C(k)P(k|k-1)C^T(k)+R_e)^-1

7)、更新x(k|k)，计算公式为:

9)、更新P，计算公式为：

P(k|k-1)＝Φ(k)P(k-1|k-1)+Φ^T(k)

10)、循环是否完成，若否，则转步骤3)；若是，流程结束；

上述中，将系统状态看作T-S模糊模型待辨识的后件参数p，T-S模糊模型后件参数为p(k)，y(k)模糊模型输出值：

p(k+1)＝ψp(k)

y(k)＝h(x(k),p(k))+e(k)

式中，ψ是p(k)的参数矩阵，e(k)表示模型输出中的不确定性白噪声，此时系统的雅可比矩阵为：

Φ(p(k))＝ψ

Γ(p(k))＝0

式中，为模糊模型参数向量的当前估计值；表示使用前一时刻的估计状态所产生的当前时刻状态估计值，表示所更新的当前时刻k的估计状态；P(k|k-1)是所预测的估计协方差，P(k|k)是所更新的估计协方差矩阵；K(k)为卡尔曼增益，y(k)为估计输出，R_e为噪声协方差矩阵，由R_e＝E(e(k)e^T(k))计算得出。