申请/专利权人：首都经济贸易大学

申请日：2020-05-18

公开（公告）日：2023-06-06

公开（公告）号：CN111752144B

主分类号：G05B11/42

分类号：G05B11/42;G05B13/04;G05B13/02;G05B19/05;G06F17/16;G06N3/045;G06N3/044;G06N3/0464;G06N3/0499;G06N3/084;G06Q10/04

优先权：

专利状态码：有效-授权

法律状态：2023.06.06#授权;2020.10.30#实质审查的生效;2020.10.09#公开

摘要：循环涟漪纹波预测方法与智能控制系统，可以应用到预测、智能控制、电机转速控制等领域。本发明通过构造循环涟漪纹波矩阵，将控制系统输入、输出、状态的时间序列历史数据转化为带有时间序列数据信息的图像，进而基于深度神经网络方法，实现能够根据多维时间序列数据去预测其中一维时间序列的未来值。将上述方法应用于智能控制系统和电机转速控制系统，预测系统输出的未来值替代当前值，实现控制性能的提升。本发明提出的方法实现了多维时间序列的更精准预测，本发明提出的系统实现了智能控制系统性能的提升。

主权项：1.一种循环涟漪纹波预测方法，其特征在于，包括两个流程：预测配置流程5100和预测流程5200；用于电机转速控制时，输入是PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值，输出是电机转速在未来时刻的预测值；1预测配置流程5100由步骤5101至步骤5102共2个步骤构成：步骤5101：配置预测器参数：初始化预测步长为L_predict，L_predict为正整数；初始化神经网络，用XNN表示，神经网络采用前馈型神经网络、反馈型神经网络或者深度神经网络；如果XNN是卷积神经网络CNN，网络的配置方法是：神经网络的总层数大于4层不超过10层，卷积层与池化层分别大于1层不超过3层，采用Adam算法迭代更新神经网络的权重，神经网络学习率在0.001到0.007之间；配置构成涟漪纹波图像矩阵的向量时间序列的向量个数P，0＜P＜N-1，是正整数的平方；步骤5102：配置涟漪纹波图像矩阵模板：构造和初始化涟漪纹波图像矩阵模板，用Model_RRW表示，其中涟漪纹波图像矩阵的维度用D_RRW表示，D_RRW是正奇数；步骤5102的输入是：D_RRW行D_RRW列的二维全零矩阵；步骤5102的输出是：涟漪纹波图像矩阵模板Model_RRW；步骤5102的计算方法是：对于矩阵Model_RRW，矩阵中每一个位置的坐标是r，c，其中r表示行号，c表示列号，该位置的值为Model_RRWr，c；矩阵正中央的位置是：r_center＝c_center＝D_RRW+12；Model_RRW矩阵中任何一个元素Model_RRWr，c距离矩阵中心点Model_RRWr_center，c_center的距离表示为： 将所有的距离Distancer，c进行排序，将r_center，c_center最近的矩阵元素r_center，c_center的值Model_RRWr_center，c_center设置为1；将距离r_center，c_center第二近的位置r，c上的元素Model_RRWr，c设置为2，将距离r_center，c_center第三近的位置r，c上的元素Model_RRWr，c设置为3，并以此类推；将距离r_center，c_center最远的位置r，c上的元素Model_RRWr，c设置为M，则构成Model_RRW所有位置元素，参见公式1； 设M＝L_predict或者M＞L_predict，M＝L_predict时与预测参与计算的数据量一致；预测配置流程5100结束；2预测流程5200，由步骤5201至步骤5206共6个步骤构成：步骤5201：构造向量时间序列：步骤5201的输入是：外部时间序列Inn，t，期中n表示不同时间序列的编号，n＝1，2，...，N，即一共有N个时间序列，t＝0，1，2，...，T，即每个时间序列包含T个时刻；用于电机转速控制时，外部时间序列Inn，t是由PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值拼接成的，其中In1，t是PID控制器的比例参数，In2，t是PID控制器的积分参数时间序列，In3，t是PID控制器的微分参数时间序列，In4，t是PID控制器的目标转速时间序列，In5，t是PID控制器的实际转速时间序列，In6，t是PID控制器输出给电机的驱动电压时间序列；步骤5201的输出是：多个时间序列，分为两部分：一是用于训练算法的训练样本的特征值Train_xn，t，其中n＝1，2，...，N-1，t＝1，2，...，T；二是用于训练算法的训练样本的标签值Train_yt，其中t＝M+L_predict，2，...，T；步骤5201的计算方法是：上述Train_xn，t的计算方法是：接收算法的输入Inn，t中的n＝1，2，...，N-1；t＝1，2，...，T部分，参见公式2；Train_xn，t＝Inn，t，n＝1，2，...，N-1，t＝1，2，...，T；2上述Train_yt的计算方法是：接收算法的输入Inn，t中的n＝N，t＝1+L_predict，2，...，T部分，参见公式3；Train_yt＝InN，t，t＝1，2，...，T3上述计算的特征是：将1，2，...，T时刻的特征值作为训练样本的特征值，将1，2，...，T的标签值作为训练样本的标签值，从而进行训练；步骤5202：标准化计算：为了消除由于量纲相差较大所引起的计算误差，对多个时间序列中的Train_xn，t、Train_yt进行标准化计算；步骤5202的输入是：多个时间序列；步骤5202的输出是：标准化结果，均值和标准差；步骤5202的计算方法是：Train_xn，t的均值为Mean_xn，n＝1，2，...，N-1，Train_yt的均值为Mean_y，均值的计算方法见公式4和公式5，Train_xn，t的标准差为Std_xn，n＝1，2，...，N，Train_yt的标准差为Std_y，标准差的计算方法见公式5和公式6，根据均值和标准差计算出标准化的训练样本特征值向量Train_x_stdn，t，n＝1，2，...，N-1，t＝1，2，...，T，标准化的训练样本标签值向量Train_y_stdt，t＝1，2，...，T，标准化的计算方法见公式8和公式9； 步骤5203：向量降维计算：由于拼接计算5205步骤的输入需要P个向量，期中P在步骤配置预测器参数5101步骤中已经配置为正整数的平方，因此要将N-1个时间序列向量在尽可能保留信息量的情况下降维为P个向量，即P是小于N-1的正整数的平方；步骤5203的输入是：步骤5202标准化后的结果Train_x_stdn，t，n＝1，2，...，N-1，是N-1维向量，t＝1，2，...，T；步骤5203的输出是：正整数的平方P个时间序列，Train_x_std_lowdimp，t，p＝1，2，...，P，t＝1，2，...，T；当本方法用于电机转速控制时，降维后得到的P个时间序列每个时刻的值都是标准化后的结果的每个时刻值的线性组合；步骤5203的计算方法是：使用降维算法DECtoLowDim，将步骤5202标准化后的N-1维向量Train_x_stdn，t，n＝1，2，...，N-1，t＝1，2，...，T降维为P维向量Train_x_std_lowdimp，t，p＝1，2，...，P，t＝1，2，...，T，降维方法见公式10；Train_x_std_lowdimp，t＝DECtoLowDimTrain_x_stdn，tp＝1，2，...，P，n＝1，2，...，N-1，t＝1，2，...，T10步骤5204：循环置入计算：将正整数的平方P个时间序列按照涟漪纹波图像矩阵模板置入，得到P个涟漪纹波图像矩阵；步骤5204的输入是：正整数的平方P个时间序列，即Train_x_std_lowdimp，t，其中p＝1，2，...，P，t＝1，2，...，T和涟漪纹波图像矩阵模板，即Model_RRW，Model_RRW的定义见公式1；步骤5204的输出是：P个D_RRW行D_RRW列的涟漪纹波图像矩阵，第p个时间序列在t＝M，M+1，...，T每个时刻均生成一个图像，即Train_x_std_lowdim_rrwp，t，p＝1，2，...，P，t＝M，M+1，...，T，对于第p个序列，在每个时刻t，共有M个历史时刻数据参与构成图像，该图像为上述涟漪纹波图像矩阵，即Train_x_std_lowdim_rrwp，t，其中Train_x_std_lowdim_rrwp，t是一个r行c列的矩阵，即Train_x_std_lowdim_rrwp，t＝IMGp，t，r，c，r＝1，2，...，D_RRW，c＝1，2，...，D_RRW；步骤5204的计算方法见公式11： 步骤5204的计算结果展开式见公式12，临时使用T_l表示Train_x_std_lowdim： 其中p＝1，2，...，P，t＝1，2，...，T，M是历史时刻数据的个数；步骤5205：拼接计算：将P个涟漪纹波图像矩阵拼接为1个一维涟漪纹波图像矩阵；步骤5205的输入是：涟漪纹波图像矩阵Train_x_std_lowdim_rrwp，t，其中p＝1，2，...，P，t＝M，M+1，...，T；步骤5205的输出是：行列的涟漪纹波图像矩阵，记为Train_x_std_lowdim_rrw_Pt，t＝M，M+1，...，T，其中行列数为步骤5205的计算方法是：将P个涟漪纹波图像矩阵按照从上至下，从左至右的顺序拼接，Train_x_std_lowdim_rrw_Pt在第r行c列的元素Train_x_std_lowdim_rrw_Pr，c，t的计算方法见公式13； 步骤5205的计算结果展开式见公式14，临时使用T_r表示Train_x_std_lowdim_rrw： 其中p＝1，2，...，P，t＝M，M+1，...，T；步骤5206：预测计算：步骤5206的输入是：第一个输入是训练样本的特征值：“P合1”涟漪纹波矩阵，即Train_x_std_lowdim_rrw_Pt，t＝M，M+1，...，T-L_predict，第二个输入是训练样本的标签值：标准化结果、均值和标准差中的训练样本标签值向量Train_y_stdt+M+L_predict-1，t＝1，2，...，T-M_L_predict+1，第三个输入是测试样本的特征值：Train_x_std_lowdim_rrw_PT；步骤5206的输出是：预测计算结果，用y_std_predictT+L_predict表示；步骤5206的计算方法是：将“P合1”涟漪纹波矩阵即Train_x_std_lowdim_rrw_Pt，t1＝M，M+1，...，T-L_predict作为神经网络算法XNN训练样本的特征，标准化的训练样本标签值向量Train_y_stdt+M+L_predict-1，t2＝1，2，...，T-M-L_predict+1，作为神经网络算法XNN训练样本的标签，使用Train方法对神经网络算法XNN的神经元参数进行训练，见公式15； 训练完成后，将Train_x_std_lowdim_rrw_PT作为神经网络算法XNN测试样本的特征值，使用Fit方法进行预测，此时计算神经网络的输出值为y_std_predict，计算方法见公式16；y_std_predict＝FitXNN，Train_x_std_lowdim_rrw_PT16步骤5207：反标准化计算：将神经网络算法得到的预测计算结果进行反标准化，得到系统输出预测结果；步骤5207的输入是：神经网络算法XNN的预测结果y_std_predict，均值Mean_y和标准差Std_y；步骤5207的输出是：系统输出预测结果，yout_predict；步骤5207的计算方法参见公式17：yout_predict＝y_std_predict×Std_y+Mean_y17步骤5208：返回预测结果：将系统输出预测结果输出到外部，用yout_predict表示；当本方法用于电机转速控制时，系统输出预测结果是电机调速系统未来时刻的转速值，即T+L_predict时刻的转速值；预测流程5200结束。

全文数据：

权利要求：

百度查询： 首都经济贸易大学 循环涟漪纹波预测方法与智能控制系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD