广义动态模糊神经网络及其在热工辨识中的应用.pdf

第 25卷第 7期 电 力 科 学 与 工 程 V01．25．No．7 38 2009年 7月 ElectricPowerScienceandEngineering Ju1．，2009 广义动态模糊神经网络及其在热工辨识中的应用 李 岩，王东风，韩 璞 (华北电力大学控制科学与工程学院，河北保定071003) 摘要：针对热工过程难以建立精确数学模型的特点，将广义动态模糊神经网络应用于热工复杂系统的辨识。 该算法以模糊一完备性作为高斯函数宽度的确定准则，避免初始化选择的随机性。同时，该算法不仅能对 模糊规则而且能对输入变量的重要性做出评价，从而使得每个输入变量和模糊规则都可以根据误差减少率 进行修正。通过对莱电厂一次风量和平均床温实测数据的仿真实验结果表明，该方法具有较高的辨识精度 和效率。 关键词：模糊规则；广义动态模糊神经网络；热工辨识；仿真实验 中图分类号：TP181；TK229 文献标识码：A 自动增加、删除或者修改模糊规则来优化模糊模 O 引 言 型，并确定模糊神经网络的结构 口。通过对某电厂 一 次风量和平均床温数据的仿真实验结果表明，该 系统辨识是控制理论研究的一个重要分支，是 方法具有较高的辨识精度和效率 。 控制系统设计的基础。多年来，对于线性、非时变 系统的辨识已取得了很大的进展，但是，热工过程 1 GD—FNN的结构 往往表现出非线性、慢时变、大迟延和不确定性的 特点，难 以建立精确的数学模型。由于常规线性模 广义动态模糊神经网络的结构如图1所示。 型的控制系统在过程工况发生变化时，控制品质将 A1I 会下降，甚至影响控制系统的正常运行，因此，建 立热工过程精确的数学模型是提高控制系统性能的 基础 川。 近年来，人们采用神经网络建立过程的非线性 模型获得了满意的效果，但由于常用的多层神经网 络计算量大、收敛速度慢，且容易陷入局部极小 点，因而影响了它们的应用。模糊神经网络不仅善 于利用已有的经验知识，而且，由于引入了神经网 络的学习机制，增强了网络的自适应能力，这就使 得模糊神经网络同时具有推理能力强和 自适应能力 强的优点。同时，由于模糊神经网络同神经网络一 样具有逼近任意连续非线性映射的特性，所以正越 来越多地被应用于对系统辨识的研究。 广义动态模糊神经网络 (GD—FNN)不仅参数 可以在学习过程中调整，同时，可以根据样本数据 收稿 日期：2009—04—21． 作者简介：李岩 (1982一)，男，华北电力大学控制科学与工程学院硕士研究生 第 7期 李 岩，等 广义动态模糊神经网络及其在热工辨识中的应用 39 到 (6)。 (x3=exp[一(五一C)／c；『] (1) (5)如果满足e ，则产生新规则，决定该规 式中 是 的第 个隶属函数，和分别为蕊的第 则的参数，并计算出误差减小率和第 条规则的重 个隶属函数的中心和宽度。如果用于计算每个规则 要性 q=m，2，…， )，否则 自动调整已存在的 触发权的 范数算子是乘法，那么第 3层的第 个 规则的后件参数。 规则马的输出是： (6)如果满足 ei也，则调整已存在规则前件参 『 r ] 数中的宽度 ，再调整规则的后件参数，否则 自动调 勿 ，，…，)=expJ一∑ 一白)。／J (2) 整已存在规则的后件参数。