[发明专利]一种基于神经网络的预测控制算法

权利要求书

1.一种基于神经网络的预测控制算法，其特征在于，所述方法包括以下步骤：

步骤一：利用被控对象输入输出构建多步级联BP神经网络作为预测控制中的预测模型，对该模型就行训练和测试，并保存；

步骤二：对神经网络多步预测模型的输出进行反馈校正；

步骤三：根据对象历史多步输入输出，以及反馈校正后的预测输出，构建二次性能指标函数，通过最小化性能指标函数得到该步长内的控制输入；

步骤四：利用PSO全局优化算法，对该性能指标函数的最优值进行初步寻优；

步骤五：将PSO寻优的结构作为N-R的初值，在利用N-R局部优化算法进行寻优，先求解Hessian矩阵，再求解Jacobian矩阵，通过控制精度或者控制迭代次数终止迭代，得到该步长的控制输入，将控制输入传输给被控对象，从而得到控制输出；

步骤六：将上一次N-R实现滚动优化得到的控制输入，作为下一次滚动优化中PSO算法的最佳位置的初值，从而降低PSO寻优的时间成本；

步骤七：重复步骤二至六实现预测控制。

2.根据权利要求1所述的一种基于神经网络的预测控制算法，其特征在于，步骤一利用多步级联BP神经网络得到预测模型包括如下步骤：

步骤一：设定参考轨迹，常见做法就是对设定值进行柔化处理，使得当前时刻输出以相对平缓的方式过渡到设定值，计算公式为：

其中r为设定值，α为柔化系数，其取值范围是(0，1)，数值越大，曲线就越平缓。可以根据实际的被控对象性质设置次参数。

步骤二：获得预测模型，计算公式为：

y_m(k+1)＝LW×a(k)+b₂ (2)

其中LW为隐藏层到输出层的权值，a(k)表示隐藏层的输出量，b₂是相应的阈值。

3.根据权利要求1所述的一种基于神经网络的预测控制算法，其特征在于，步骤二根据预测模型的输出进行反馈校正包括以下步骤：

步骤一：在采样时刻k时，控制系统可以通过实际测量得到被控对象的实际输出y(k)，通过与k时刻时神经网络预测模型的预测值y_m(k)进行比较得到误差e(k)，计算公式为：

e(k)＝y_m(k)-y(k) (3)

步骤二：利用该误差对预测模型预测输出进行校正，传递给优化算法，具体的反馈校正计算公式为；

y_p(k+1)＝y_m(k+1)+h(y_m(k)-y(k)) (4)

其中y_p(k+1)是对预测模型输出y_m(k+1)反馈校正后的输出，h为误差修正因子。

4.根据权利要求1所述的一种基于神经网络的预测控制算法，其特征在于，步骤三构建二次性能指标函数，通过最小化性能指标函数得到该步长内的控制输入：

其中λ为权重因子，且大于等于0，λ越大则指标函数更注重控制量的变化，越小则越重视预测输出的精度，y_r是设定值r经过柔化处理后的参考输入，y_p是预测模型的预测输出，u表示输入量。