申请/专利权人：江南大学

申请日：2020-10-09

公开（公告）日：2024-03-12

公开（公告）号：CN112163376B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/006;G06F18/214;G06F18/2431;G06F18/27;G06N20/20;G06F119/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2021.01.19#实质审查的生效;2021.01.01#公开

摘要：一种基于天牛须搜索的极端随机树炉温预测控制方法，属于工业燃烧过程炉温预测和控制领域。通过建立影响温度的关键变量与燃烧室温度之间的回归关系，从而实时获得燃烧室内炉温的预测值，该方法使得炉温的预测精度达到了±1.5℃。考虑到原有系统的控制精度不高，同时设计天牛须搜索算法，选取预测控制中常用的二次性能指标函数为天牛的适应度函数，通过该算法的嗅觉搜索机制，搜索得到最优控制量，使得整个系统的控制效果更好。

主权项：1.一种基于天牛须搜索的极端随机树炉温预测控制方法，其特征在于，步骤如下：步骤1、采集燃烧过程中过去及当前时刻的控制输入和输出数据，作为原始数据集O；步骤2、采用交叉验证的方式将原始数据集O分为训练集N1和测试集N2；步骤3、对所有的训练集利用极端随机树ET算法进行训练，建立回归预测模型；步骤4、利用建立好的回归预测模型对测试集进行仿真预测，得到炉膛温度的预测值，引入反馈校正环节，对预测得到的炉温进行修正；步骤5、将炉膛的设定温度、修正后的预测温度以及历史控制量作为输入，根据天牛须搜索算法求解目标函数J得到最优燃气控制量uk，实现对控制量的滚动优化；步骤2所述的交叉验证法的具体步骤为：步骤2.1、将原始数据集O通过k次分层采样，得到k个大小相似的互斥子集，步骤2.2、每次使用k-1个互斥子集的并集作为训练集，剩余的一个子集作为测试集；共得到k组训练集和测试集，从而进行k次建模，最终输出测试结果的均值；对于采集到的数据集Ω＝{A1,y1,A2,y2…Ai,yi…AN,yN}，其中Ai是1×5维的行向量，为建模样本输入，yi是Ai所对应样本的真实输出值，i＝1,2…N，N为样本组数，基于极端随机树算法对数据进行训练，具体的训练过程如下：步骤3.1、给定训练数据集：在采集到的数据集Ω中通过交叉验证法选取N1组数据对应的Ω1作为训练集，对该数据集进行训练；设置最大迭代次数T，初始化迭代次数t＝1；步骤3.2、节点数据集的随机划分：对于第t次迭代，从训练集N1中随机选取σ个特征序列{a1,a2,…aσ}作为最初的节点，并从选定的特征中随机选取相对应的一组序列{s1,s2,…,sσ}作为特征属性的阈值，该阈值的取值范围在特征的最大值与最小值之间；特征序列中ax的阈值大于sx，x＝1,2,…,σ的样本归到树枝的左节点，其余样本归到右节点，实现该节点下的随机划分；步骤3.3、获取随机特征下的最佳分裂值：针对该方法的数值特性，以均方根误差作为量化评估准则；遍历左右节点上的所有特征值，计算对应节点上每个特征值的均方根误差，选择最小均方根误差对应的特征值为分裂点；步骤3.4、判断是否满足分裂结束条件，若满足条件，则跳转到步骤3.5，否则更新迭代次数，执行t＝t+1，并重复步骤3.2～3.3；分裂结束条件满足如下任意一个条件即可：1树的最大深度max_depth；2内部节点再划分所需最小样本数min_samples_split；3叶子节点最少样本数min_samples_leaf；步骤3.5、分裂结束，获得第t次迭代得到的决策树ft；步骤3.6、若t＝T转到步骤3.7，否则t＝t+1，转到步骤3.2；步骤3.7、将生成的T棵决策树使用均值法组合得到预测模型为：将测试集输入到预测模型中得到预测输出N2是测试集的组数，并使用相应的评价指标衡量预测效果；所述步骤3.3中，当选定特征为ai∈{a1,a2,…aσ}时，经步骤3.2划分后，该特征左右两侧样本分别为ail＝α1,α2,…,αi,…,αp，air＝β1,β2,…,βj,…,βq，其中：αi为分配到左侧的样本，i＝1,2,…p；βj为分配到右侧的样本，j＝1,2,…q；p和q分别为左右两侧样本数量；则左节点每个特征值对应的均方根误差RMSEi为： 其中选择均方根误差最小的特征进行分裂；右节点计算方式与左节点相同；步骤5所述的天牛须搜索算法的具体步骤为：步骤5.1、给出对应的目标函数： 其中：Tr为参考端输入；Tp为修正后的预测输出；u为控制变量；λ为权重系数，0＜λ＜1；d为预测步数；定义e为模型误差向量：e＝[Trk+1-Tpk+1,…,Trk+d-Tpk+d]T定义Δu为控制量的增量：Δu＝[uk-uk-1,…,uk+d-1-uk+d-2]T根据上述两式，将f定义为:f＝[eTλΔuT]T；筛选某个d维控制向量u*让目标函数J达到最小值，通过f的定义式可以获取J为最小时的数学式：minJ＝fT×f；步骤5.2、读取上一时刻极端随机树ET算法执行后的数据，代入目标函数中，对天牛须搜索算法进行参数初始化；参数初始化包括：问题维度为d，两须之间的距离为D0，初始步长为δ，两须之间距离的衰减系数为eta_D0，步长的衰减系数为eta_δ，迭代次数为n，质心坐标： 其中：u0为目标函数中的待优化量，是一个0,1内的随机初始值；rands表示随机生成的向量；步骤5.3、令左须坐标表示为uleft，右须坐标表示为uright，则左右两须之间的关系可以表示为：uleft-uright＝D0·dir，dir表示归一化的随机向量，经过l次迭代后，两须坐标分别为： 其中：u0l为第l次迭代时的质心坐标；D0l为第l次迭代时两须之间的距离；代入目标函数，确定左右两须的气味强度：Jleft＝Juleft、Jright＝Juright，并比较两者的大小；若Jleft＜Jright，则天牛向左方向前进，此时质心坐标为：u0l+1＝u0l+δl·dirJleft-Jright若Jleft＞Jright，则天牛向右方向前进，此时质心坐标为：u0l+1＝u0l-δl·dirJleft-Jright如上两式可以使用符号函数sign统一写成：u0l+1＝u0l-δl·dir·signJleft-Jright步骤5.4、确定第l+1次迭代后的气味强度，并更新此时的步长和两须之间的距离：δl+1＝eta_δ·δlD0l+1＝eta_D0·D0l其中：δl+1为第l+1次迭代时天牛的移动步长；D0l+1为第l+1次迭代时天牛两须之间的距离；步骤5.5、判断是否达到迭代截止的条件：达到一定的迭代次数，或者质心坐标连续未变；如果符合迭代截止条件，就输出全局的最优值u*，即为最优控制量，如果不符合则需要重复操作步骤5.2～步骤5.4直到符合条件。

全文数据：

权利要求：

百度查询： 江南大学 一种基于天牛须搜索的极端随机树炉温预测控制方法

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