一種熱工非線性系統辨識方法、系統、介質、設備及終端
1.本發明屬于火電機組熱工過程非線性系統辨識技術領域，尤其涉及一種熱工非線性系統辨識方法、系統、介質、設備及終端。
背景技術：
2.目前，系統辨識是現代控制科學與工程領域的其中一個部分，用于研究和建立一個以數學模型為基礎的系統的技術方法。從實際角度來說，系統辨識需要根據輸入輸出選擇一個可以良好擬合實際系統中輸入輸出關系的有效模型。本質上說，系統辨識是一類優化問題，依靠建立系統參數模型，辨識方法可以將辨識問題轉化為參數估計問題。系統辨識方法的主要困難是難以用于非線性系統，而對于線性系統可以取得良好的辨識效果。在實際生活中，收到各種因素的影響，絕大多數系統都是非線性的，因此非線性系統辨識是一項重要且困難的任務，受到研究者的廣泛關注。
3.非線性系統與日常生產生活密不可分，當前非線性系統辨識的研究仍在發展階段。建立有效的描述非線性系統的模型是研究非線性問題的基礎，常見的非線性系統研究方法主要是將某些非線性情況忽略，或者使用線性關系近似替代非線性關系，從而使用線性系統辨識理論進行解決。隨著科學技術的飛速發展，線性系統辨識理論逐漸無法滿足復雜控制系統對控制精度的要求。許多復雜的工業過程，包括火電廠熱工生產過程，由于現場設備方面的大量的隨機特性變化，或者過程外部影響因素的隨機特性變化，有時嚴重影響到對象動態特性辨識。如何在對象動態特性辨識過程中，運用系統工程方法，先系統地對對象的基本特性、外部擾動特性、設備擾動特性進行分析，尋求出最能代表對象動態特性的動態特性數據，然后采用智能優化算法，準確分析對象最主要的動態特性是本發明的主要工作內容。
4.隨著人工智能技術的不斷發展，以模糊神經網絡模型為代表的方法在模式識別、機器學習、智能計算等方面有著極其廣泛且深遠的發展。模糊神經網絡模型具有強大的非線性逼近能力。借助模糊集合理論和非線性逼近器，可以讓模糊寬度學習系統具有模糊推理和自適應的特點，能夠擬合非線性系統中復雜的輸入輸出關系。然而，已有的用于非線性系統辨識的模糊神經網絡模型普遍存在計算效率低、辨識效果差、泛化能力弱等特點，無法充分滿足非線性系統辨識的精度需求。
5.模糊寬度學習系統是一種新穎的模糊神經網絡，與已有的模糊神經網絡相比，模糊寬度學習系統繼承了寬度學習系統扁平結構的優勢，能夠通過模糊子系統和增強節點的橫向擴展實現模型性能的有效提升。得益于結構優勢，模糊寬度學習系統可以有效擬合非線性系統的輸入輸出關系，從而充分提升模型的辨識能力。盡管模糊寬度學習系統在非線性系統辨識中已經取得了具有競爭力的效果，然而該模型包含多個超參數需要調整，這直接影響到模糊寬度學習系統在非線性系統辨識中的穩定性，模型性能還有待進一步提高。因此，在面對日益復雜的非線性系統時，在沒有確定最優的模糊寬度學習系統結構情況下，模糊寬度學習系統的非線性系統辨識效果并不是最佳的。
6.通過上述分析，現有技術存在的問題及缺陷為：
7.(1)現有的用于非線性系統辨識的模糊神經網絡模型普遍存在計算效率低、辨識效果差、泛化能力弱等特點，無法充分滿足非線性系統辨識的精度和速度需求。
8.(2)模糊寬度學習系統具有比其他神經模糊模型更優的逼近能力，然而將模糊寬度學習系統模型用于非線性系統辨識，需要調整多個超參數以獲得最佳性能。目前尚且缺乏用于模糊寬度學習系統參數尋優的啟發式算法，因此無法滿足實際工程應用中對精度和速度的要求。
9.(3)在面對復雜擾動的非線性系統時，在沒有確定最優的模糊寬度學習系統結構情況下，模糊寬度學習系統的非線性系統辨識效果并不是最佳的。
技術實現要素：
10.針對現有電廠熱工非線性系統存在的模型辨識問題，本發明提供了一種熱工非線性系統辨識方法、系統、介質、設備及終端，尤其涉及一種基于nsfpso-fbls的熱工非線性系統辨識方法、系統、介質、設備及終端，旨在克服模糊寬度學習系統在解決熱工非線性系統辨識任務中的不足。
11.本發明是這樣實現的，一種熱工非線性系統辨識方法，所述熱工非線性系統辨識方法包括：通過模糊寬度學習系統構建熱工非線性系統的輸入輸出關系，使用嶺回歸算法更新模糊寬度學習系統的權重，并利用nsfpso算法(節點適應度粒子算法)搜索最優模糊寬度學習系統結構，進而實現熱工非線性系統的辨識。
12.進一步，所述熱工非線性系統辨識方法包括以下步驟：
13.步驟一，針對主蒸汽壓力系統主蒸汽溫度系統進行仿真，獲得用于模型熱工非線性系統辨識的樣本集，并將樣本集劃分為訓練集和測試集兩部分；
14.步驟二，將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統中的模糊子系統進行推理，嶺回歸算法用于更新模糊寬度學習系統的權重；通過nsfpso算法對模糊寬度學習系統的模糊規則nr、模糊子系統nf和增強節點ne三個參數進行搜索，確定最優模型結構；
15.步驟三，根據測試集樣本，利用經過優化搜索的最優模糊寬度學習系統結構進行預測，使用均方誤差rmse指標評估預測效果，同時評估模型測試所需時間。
16.進一步，所述步驟一中，根據不同的非線性系統公式分別生成500個訓練樣本和200個測試樣本；將500個訓練樣本用于訓練fbls模型，200個測試樣本用于在fbls模型上進行測試。
17.進一步，所述步驟二中的模糊寬度學習系統包含tsk模糊子系統、增強層和輸出層；
18.tsk模糊子系統的輸入樣本數量和維數分別為n和m，表示為：
19.20.模糊子系統的輸出為其中為基于高斯核函數的加權強度，是第s條模糊規則的結果；
21.增強層的輸出為：h＝(h1,h2,...,h
l
)；其中，l(q＝1,2,...,l)表示增強節點組的數量；第q增強節點組的輸出表示為hq＝ε(zw
eq
+bq)；w
eq
和bq為隨機生成的矩陣和偏差項；ε代表增強層的非線性激活函數；
22.輸出層的輸出為其中，w
df
是模糊子系統到輸出層的權重矩陣，wh是增強層到輸出層的權重矩陣。
23.進一步，所述步驟二中的將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統進行訓練和推理；通過節點適應度粒子算法對模糊寬度學習系統的模糊規則nr、模糊子系統nf和增強節點ne三個參數進行搜索包括：
24.(1)初始化體操作，種規模為n，學習因子為c1和c2，慣性權重為w，速度為v；其中不同粒子的位置信息x包括模糊規則數量、tsk模糊子系統數量和增強節點數量；
25.(2)對于第t次迭代，計算nsfpso的適應度函數；根據粒子給定信息利用節點敏感適應度函數計算每個粒子的適應度；通過對比每個粒子適應度值和當前最優全局適應度值，獲得當前個體最優值pbest和體最優值gbest；節點敏感適應度函數可以表達為：
26.sum＝nr+nf+ne+1
[0027][0028][0029]
其中，適應度函數fitness由兩部分指標組成，均方誤差rmse和節點敏感度參數nr、nf和ne；y和分別為模糊寬度學習系統的期望輸出值和實際輸出值；α、β、ε、γ和θ分別為適應度函數的權衡系數；
[0030]
(3)判斷是否達到迭代終止條件－－判斷是否達到最大迭代次數，若未達到最大迭代次數，則獲得粒子位置信息和速度信息；
[0031]
(4)更新每個粒子的位置信息和速度信息，其中位置信息更新為：
[0032]wt
＝(w
ini-w
end
)(g
max-g)/g
max
+w
end
；
[0033]
其中，g
max
是最大迭代次數，w
ini
是初始慣性權重，w
end
是最大迭代次數對應的慣性權重，速度信息的更新為：
[0034]
vi＝w
×
vi+c1
×
rand
×
(pbest
i-xi)+c2
×
rand
×
(gbest
i-xi)；
[0035]
其中，vi是粒子的速度，i＝1,2,...,n是粒子的數量；w是慣性因子，用于權衡局部搜索能力和全局搜索能力；rand為0～1之間的隨機數；
[0036]
(5)根據步驟(3)獲得的速度信息，對第t+1次迭代位置信息x進行更新：
[0037]
x
t+1
＝x
t
+v
t+1
；
[0038]
(6)根據步驟(5)獲得的粒子位置信息，通過嶺回歸算法訓練模糊寬度學習系統，并返回步驟(2)；
[0039]
(7)根據步驟(3)，若達到最大迭代次數，則輸出最佳粒子信息－－最佳參數組合，最終選擇最優的節點數作為輸出結果。
[0040]
進一步，所述初始粒子種數量為30，學習因子c1和c2均為2.1，慣性權重w
ini
和w
end
分別為0.9和0.3，適應度權衡參數α、β、ε、γ和θ的初始值分別為0.2，0.5，0.3，0.2，0.8。
[0041]
所述步驟(6)中，通過嶺回歸算法訓練模糊寬度學習系統時還包括：
[0042]
1)隨機初始化操作，隨機生成模糊子系統去模糊權重
[0043]
2)根據公式獲得模糊子系統地去模糊化輸出，其中f
ip
是模糊子系統的輸出，是基于高斯核函數的加權強度，是去模糊化隨機權重，是模糊規則的結果；
[0044]
3)根據公式計算不同模糊子系統地去模糊化輸出；
[0045]
4)根據公式hq＝ε(zw
eq
+bq)計算增強層的輸出；
[0046]
5)根據嶺回歸算法訓練模糊寬度學習系統fbls權重的計算公式w
fbls
＝(z,h)
+
y＝(λi+(z,h)
t
(z,h))-1
(z,h)
t
y計算模糊寬度學習系統的權重，其中y是模型的期望輸出。
[0047]
其中，初始模糊子系統的節點數量為4，模糊規則的節點數量為10，增強節點的節點數量為6。
[0048]
本發明的另一目的在于提供一種應用所述的熱工非線性系統辨識方法的熱工非線性系統辨識系統，所述熱工非線性系統辨識系統包括：
[0049]
樣本集獲取模塊，用于獲得用于模型熱工非線性系統辨識的樣本集，并將樣本集劃分為訓練集和測試集兩部分；
[0050]
模型訓練模塊，用于將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統進行訓練和推理；
[0051]
參數搜索模塊，用于通過節點適應度粒子算法對模糊寬度學習系統的模糊規則nr、模糊子系統nf和增強節點ne三個參數進行搜索；
[0052]
系統預測模塊，用于根據測試集樣本，利用經過優化搜索的最優模糊寬度學習系統結構進行預測。
[0053]
本發明的另一目的在于提供一種計算機設備，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行所述的熱工非線性系統辨識方法的步驟。
[0054]
本發明的另一目的在于提供一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時，使得所述處理器執行所述的熱工非線性系統辨識方法的步驟。
[0055]
本發明的另一目的在于提供一種信息數據處理終端，所述信息數據處理終端用于實現所述的熱工非線性系統辨識系統。
[0056]
結合上述的技術方案和解決的技術問題，本發明所要保護的技術方案所具備的優點及積極效果為：
[0057]
本發明提供了一種基于nsfpso-fbls的熱工非線性系統辨識方法，通過模糊寬度學習系統構建非線性系統的輸入輸出關系，使用嶺回歸算法更新模糊寬度學習系統的權重，并利用nsfpso算法搜索最優模糊寬度學習系統結構，相比較于原始的模糊寬度學習系統，本發明提供的方法的系統辨識能力更高，能夠很好地描述系統的輸入輸出映射關系，具有收斂速度快，訓練過程穩定，泛化能力強，辨識精度高的優點，在非線性系統辨識中具有較高的應用價值。
[0058]
相比于現有的技術，本發明提供的模糊寬度學習系統去除了冗余操作，網絡結構較為簡單，計算效率高，通過嶺回歸算法計算模糊子系統的后件參數和增強節點權重，可以快速更新整個網絡的權重，再結合nsfpso算法搜索模糊寬度學習系統超參數，從而獲取最佳模糊寬度學習系統結構，解決了模糊寬度學習系統超參數難以調整，對復雜非線性系統辨識效果不佳的問題，不僅有效提升了擬合非線性系統的精度，還穩定了模型整體的訓練過程。
[0059]
本發明提供的模糊寬度學習系統結構簡單，去除了冗余結構，擬合能力強，計算效率高，可以有效提升非線性系統辨識精度。本發明的nsfpso算法用于搜索最優模糊寬度學習系統結構，通過計算節點敏感適應度參數，加速算法收斂過程，能夠以更快的速度尋到最優的模型結構，使得訓練過程更加穩定，同時提升了模型在非線性系統辨識任務中的泛化能力。本發明的嶺回歸算法是一種正則化權重更新算法，能夠緩解過擬合和欠擬合問題，其運算速度快，無需迭代更新，能夠進行參數全局更新，獲得令人滿意的模糊寬度學習系統。
[0060]
使用本發明的nsfpso-fbls模型在獲得最優結構之后，與bls寬度學習系統在相同測試樣本上進行rmse均方誤差和運行時間對比，可以看出，本發明的nsfpso-fbls可以獲得更小的rmse和運行時間，說明nsfpso-fbls具有更精確的辨識能力和更高的計算效率，同時nsfpso-fbls可以使用更少的節點數量獲得滿意的性能，能夠有效反映非線性系統的輸入輸出映射關系。
[0061]
本發明提供的熱工非線性系統辨識方法，具有辨識精度高，穩定性強，計算效率高的優點，能夠實現對非線性系統輸入輸出映射的快速有效逼近。
[0062]
本發明提供了一種有效搜索模糊寬度學習系統最優結構的節點適應度粒子算法，可以確保參數搜索過程快速收斂到全局最優值。該算法可以擴展到其他寬度學習系統變體結構的最優結構搜索，確保模型獲得最優參數組合。
[0063]
本發明提供的模型計算復雜度低，計算推理過程簡單高效，能夠同時用于神經網絡逼近和模糊推理，具有快速確定最優模型結構和快速更新模型權重的優點，不僅可以有效提升模型在熱工非線性系統中的辨識效果，還可以推廣到其他非線性系統辨識任務中。因此，本發明提供的方法在非線性系統辨識任務中具有較強的應用價值。
[0064]
本發明的技術方案填補了國內外業內技術空白：不同領域的非線性系統辨識任務存在較大差異，已有的神經網絡模型的泛化能力有限，無法使用一種通用的模型用于不同的非線性系統辨識任務。本發明提供的非線性系統辨識方法具有較強的泛化能力，可以廣泛拓展到其他非線性系統辨識領域，充分彌補了不同非線性系統辨識領域模型不兼容的缺
點，從而填補了非線性系統辨識模型不足的空白。
[0065]
本發明的技術方案是否解決了人們一直渴望解決、但始終未能獲得成功的技術難題：火力發電作為我國電力主要來源之一，其中利用熱工對象進行動態特性辨識，已經成為過程控制領域應用的基礎。建立更加精確的系統辨識模型，更加快速有效地逼近真實輸出是當前企業在生產調度、預測仿真環節的主要需求。一方面，現行的基于神經網絡模型的非線性系統辨識算法性能有限，無法對擾動較大，復雜度較高的非線性系統進行逼近；另一方面，已有的辨識方法實時性較差，無法在有效時間獲取控制器的輸出，實際工程應用難度較高。本發明提供了一種用于熱工非線性系統辨識的新方法，克服了熱工系統難以精確擬合輸入輸出復雜非線性關系，在有效擬合非線性系統真實輸出的同時確保模型的實時性，促進神經網絡模型的工程實際應用落地。
附圖說明
[0066]
為了更清楚地說明本發明實施例的技術方案，下面將對本發明實施例中所需要使用的附圖做簡單的介紹，顯而易見地，下面所描述的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下還可以根據這些附圖獲得其他的附圖。
[0067]
圖1是本發明實施例提供的熱工非線性系統辨識方法流程圖；
[0068]
圖2是本發明實施例提供的熱工非線性系統辨識方法原理圖；
[0069]
圖3是本發明實施例提供的模糊寬度學習系統結構的原理圖；
[0070]
圖4是本發明實施例提供的步驟2的具體流程圖；
[0071]
圖5是本發明實施例提供的步驟26的具體流程圖；
[0072]
圖6是本發明實施例提供的基于nsfpso-fbls的迭代適應度函數收斂圖；
[0073]
圖7是本發明實施例提供的基于nsfpso-fbls輸出、bls輸出和真實系統輸出數據對比圖；
[0074]
圖8是本發明實施例提供的基于nsfpso-fbls與bls預測誤差對比圖。
具體實施方式
[0075]
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
[0076]
針對現有技術存在的問題，本發明提供了一種熱工非線性系統辨識方法、系統、介質、設備及終端，下面結合附圖對本發明作詳細的描述。
[0077]
為了使本領域技術人員充分了解本發明如何具體實現，該部分是對權利要求技術方案進行展開說明的解釋說明實施例。
[0078]
如圖1所示，本發明實施例提供的熱工非線性系統辨識方法包括以下步驟：
[0079]
s101，利用給定的非線性系統生成樣本集，并將樣本集劃分為訓練集和測試集兩部分；
[0080]
s102，將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統進行訓練；
[0081]
s103，通過節點適應度粒子算法對模糊寬度學習系統的模糊規則nr、模糊子系
統nf和增強節點ne三個參數進行搜索；
[0082]
s104，根據測試集樣本，利用經過優化搜索的最優模糊寬度學習系統結構進行預測。
[0083]
相比于現有的技術，本發明實施例提供的模糊寬度學習系統去除了冗余操作，網絡結構較為簡單，計算效率高，通過嶺回歸算法計算模糊子系統的后件參數和增強節點權重，可以快速更新整個網絡的權重，再結合節點適應度粒子算法(nsfpso算法)搜索模糊寬度學習系統超參數，從而獲取最佳模糊寬度學習系統結構，解決了模糊寬度學習系統超參數難以調整，對復雜非線性系統辨識效果不佳的問題，不僅有效提升了擬合非線性系統的精度，還穩定了模型整體的訓練過程。
[0084]
作為優選實施例，如圖2所示，本發明實施例提供的基于nsfpso-fbls的熱工非線性系統辨識方法具體包括以下步驟：
[0085]
步驟1：利用給定的非線性系統生成樣本集，并將樣本集劃分為訓練集和測試集兩部分；
[0086]
所使用到的非線性系統可以具體描述為如下式子：
[0087][0088]
訓練和測試使用不同的生成的樣本集，其中訓練和測試的可以分別表達為：
[0089][0090][0091]
其中y為輸出變量，u為輸入變量。根據不同的非線性系統公式分別生成500個訓練樣本和200個測試樣本。將500個訓練樣本用于訓練fbls模型，200個測試樣本用于在fbls模型上進行測試。
[0092]
本發明實施例通過使用不同的非線性系統生成訓練和測試樣本，可以充分評估模型在收斂能力，預測能力上的表現。
[0093]
步驟2：將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統進行訓練和推理，并通過節點適應度粒子算法(nsfpso)對模糊寬度學習系統(fuzzy broad learning system，fbls)的模糊規則nr、模糊子系統nf和增強節點ne三個參數進行搜索；
[0094]
模糊寬度學習系統是一種新型的模糊神經網絡，具有良好的非線性逼近能力，學習速度快，節點參數少，且計算效率較高。
[0095]
如圖3所示，其為本發明一個實施例中所使用的模糊寬度學習系統結構的原理圖。在模糊寬度學習系統中，包含takagi
–
sugeno
–
kang(tsk)模糊子系統、增強層和輸出層。tsk模糊子系統由多個tsk模糊系統組成，用于在模糊寬度學習系統中執行模糊變換，其中包含模糊化、模糊推理和去模糊化過程。在增強層，經過去模糊化的模糊子系統被輸入以進行非線性變換，使得模型具有更強的逼近能力。在輸出層，將模糊子系統的輸出和增強層的輸出輸入輸出層，用于全局更新權重。在本發明中，模糊寬度學習系統的輸入樣本數量為n，每個樣本的維數為m。
[0096]
tsk模糊子系統的輸入樣本數量和維數分別為n和m，具體可以表示下述為：
[0097][0098]
其中xi(i＝1,2,...,n)表示第i輸入樣本，x
ij
(j＝1,2,...,m)表示第i輸入樣本的第j輸入特征。對于第p模糊子系統，s
p
(s＝1,2,...,s
p
)模糊規則可以表示為：
[0099][0100]
其中模糊集a
p
由s
p
模糊規則組成。在tsk模糊子系統中，第s條模糊規則的結果可以表示為如下形式：
[0101][0102]
其中表示隨機參數，用于調整輸入xi。fbls使用高斯核函數作為隸屬度劃分函數，其形式如下：
[0103][0104]
其中表示聚類中心，表示高斯核函數的寬度。對于第p模糊子系統中的第s條模糊規則，基于高斯核函數的加權耐火強度可以進一步表示為：
[0105][0106]
第i個樣本在模糊子系統的輸出為其中為基于高斯核函數的加權強度，是第s條模糊規則的結果；
[0107]
對于k(p＝1,2,...,k)個tsk模糊子系統來說，可以得到z＝(z1,z2,...,zk)，其中z
p
＝(z
1p
,z
2p
,...,z
np
)
t
表示所有樣本在第p個模糊子系統的輸出。
[0108]
增強層的輸出為：h＝(h1,h2,...,h
l
)；
[0109]
其中l(q＝1,2,...,l)表示增強節點組的數量。第q增強節點組的輸出可以表示為hq＝ε(zw
eq
+bq)。w
eq
和bq為隨機生成的矩陣和偏差項。ε代表增強層的非線性激活函數；
[0110]
輸出層的輸出為
[0111]
其中w
df
是模糊子系統到輸出層的權重矩陣，wh是增強層到輸出層的權重矩陣。
[0112]
本發明實施例提供的模糊寬度學習系統結構簡單，去除了冗余結構，擬合能力強，計算效率高，可以有效提升非線性系統辨識精度。
[0113]
本發明實施例將初始模糊子系統的節點數量設置為4，模糊規則的節點數量設置為10，增強節點的節點數量設置為6。
[0114]
粒子算法(particle swarm optimization，以下簡稱pso)是一種基于仿生的全局優化算法，作為一種隨機搜索算法，能夠根據個體的適配信息實現有記憶的并行搜索。由于pso算法只依靠粒子的速度進行更新，因此相比于其他啟發式算法具有更加簡單地計算原理，更少的參數量以及更簡易地實現過程。在使用模糊寬度學習系統進行非線性系統辨識的過程中，由于含有多個節點參數需要調整，使用網格搜索等方法進行參數搜索將非常耗時，無法在有限時間內獲得穩定的參數組合。因此，為了獲得最優的模型結構，引入基于節點敏感的pso算法(nsfpso)，該方法是在原始pso算法基礎上根據模糊寬度學習系統的節點特性改進而來。依靠不同節點對性能指標的敏感性差異，改進的適應度函數可以盡可能避開容易陷入局部最優的情況，確保pso算法更快收斂。該方法可以在更短時間內到模糊寬度學習系統的最優結構，提升模糊寬度學習系統的系統辨識精度，有效減少參數搜索帶來的時間損耗。
[0115]
如圖4所示，其為本發明一個實施例中步驟2的具體流程圖，具體包括如下步驟：
[0116]
步驟21：初始化體操作，種規模為n，學習因子為c1和c2，慣性權重為w，速度為v。其中不同粒子的位置信息x包括模糊規則數量、tsk模糊子系統數量和增強節點數量；
[0117]
步驟22：對于第t次迭代，計算nsfpso的適應度函數。根據粒子給定信息利用節點敏感適應度函數計算每個粒子的適應度。通過對比每個粒子適應度值和當前最優全局適應度值，獲得當前個體最優值pbest和體最優值gbest。節點敏感適應度函數可以表達為：
[0118]
sum＝nr+nf+ne+1
[0119][0120][0121]
其中適應度函數fitness由兩部分指標組成，均方誤差rmse和節點敏感度參數nr、nf和ne。y和分別為模糊寬度學習系統的期望輸出值和實際輸出值，α、β、ε、γ和θ分別為適應度函數的權衡系數。
[0122]
在一個實施例中，初始粒子種數量為30，學習因子c1和c2均為2.1，慣性權重w
ini
和w
end
分別為0.9和0.3，適應度權衡參數α、β、ε、γ和θ的初始值分別為0.2，0.5，0.3，0.2，0.8。本發明實施例通過選擇更加合適的參數值，可以提升模型的收斂速度，預測的準確率。
[0123]
步驟23：判斷是否達到迭代終止條件，即是否達到最大迭代次數，若未達到最大迭代次數，則獲得粒子位置信息和速度信息；
[0124]
步驟24：更新每個粒子的位置信息和速度信息，其中位置信息更新為：
[0125]wt
＝(w
ini-w
end
)(g
max-g)/g
max
+w
end
[0126]
其中g
max
是最大迭代次數，w
ini
是初始慣性權重，w
end
是最大迭代次數對應的慣性權重。速度信息的更新為：
[0127]
vi＝w
×
vi+c1
×
rand
×
(pbest
i-xi)+c2
×
rand
×
(gbest
i-xi)
[0128]
其中vi是粒子的速度，i＝1,2,...,n是粒子的數量，w是慣性因子，用于權衡局部
搜索能力和全局搜索能力，rand為0～1之間的隨機數；
[0129]
步驟25：根據步驟23獲得的速度信息，對第t+1次迭代位置信息x進行更新：
[0130]
x
t+1
＝x
t
+v
t+1
[0131]
步驟26：根據步驟25獲得的粒子位置信息，通過嶺回歸算法訓練模糊寬度學習系統，接著回到步驟22。
[0132]
在寬度網絡中，偽逆(pseudoinverse)可以被認為是一種非常便捷的方法去求解神經網絡的輸出層權重。區別于已有的通用計算逆的方法，例如迭代的方法、正交逆以及奇異值分解(singular value decomposition)，偽逆可以通過求解線性等式的最小二乘估計，可以通過最小訓練誤差搜索輸出權重，從而有效求解高維的訓練樣本。嶺回歸算法(ridge regression algorithms)是偽逆的一種特殊情況，主要是求解l2范數正則化問題，可以有效避免過擬合問題。因此，使用嶺回歸算法可以快速且有效求解神經網絡的權重，而無需消耗大量迭代訓練時間。
[0133]
如圖5所示，其為本發明一個實施例中步驟26的具體流程圖。在模糊寬度學習系統的全局權重更新中，通過嶺回歸算法訓練模糊子系統和增強層權重，具體包含以下步驟：
[0134]
步驟261：隨機初始化操作，隨機生成模糊子系統去模糊權重
[0135]
步驟262：根據公式獲得模糊子系統地去模糊化輸出，其中f
ip
是模糊子系統的輸出，是基于高斯核函數的加權強度，是去模糊化隨機權重，是模糊規則的結果；
[0136]
步驟263：根據公式計算不同模糊子系統地去模糊化輸出；
[0137]
步驟264：根據公式hq＝ε(zw
eq
+bq)計算增強層的輸出；
[0138]
最終的輸出可以由模糊子系統的輸出和增強層的輸出以及對應的權重w
df
(weights of defuzzified output)和wh(weights of enhancement layer)表示，最終輸出可以表示為：
[0139][0140]
步驟265：根據嶺回歸算法訓練模糊寬度學習系統fbls權重，具體可以描述為最小化兩個2范數的優化目標函數，使用argmin函數描述該優化目標形式：
[0141][0142][0143]
其中模糊子系統的輸出z和增強層的輸出h的加號逆，可以使用上述極限形式進行表示。
[0144]wfbls
＝[z,h]
+
y＝(λi+[z,h][z,h]
t
)-1
[z,h]
ty[0145]
其中i表示單位矩陣，λ為權衡公式復雜度的平衡系數，w
fbls
表示fbls模型的最終權重，可以使用本發明提供的上述形式進行權重更新。
[0146]
在本發明實施例中，將λ設置為2-30
，此時可以獲得最優的權重。
[0147]
本發明實施例所提供的嶺回歸算法是一種正則化權重更新算法，能夠緩解過擬合和欠擬合問題，其運算速度快，無需迭代更新，能夠進行參數全局更新，獲得令人滿意的模糊寬度學習系統。
[0148]
步驟27：根據步驟23，若達到最大迭代次數，則輸出最佳粒子信息，即最佳參數組合。最終，選擇最優的節點數作為輸出結果。
[0149]
本發明實施例提供的nsfpso算法用于搜索最優模糊寬度學習系統結構，通過計算節點敏感適應度參數，加速算法收斂過程，能夠以更快的速度尋到最優的模型結構，使得訓練過程更加穩定，同時提升了模型在非線性系統辨識任務中的泛化能力。
[0150]
步驟3：根據測試集樣本，利用經過優化搜索的最優模糊寬度學習系統結構進行預測。
[0151]
本發明實施例提供的熱工非線性系統辨識系統包括：
[0152]
樣本集獲取模塊，用于獲得用于模型熱工非線性系統辨識的樣本集，并將樣本集劃分為訓練集和測試集兩部分；
[0153]
模型訓練模塊，用于將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統進行訓練和推理；
[0154]
參數搜索模塊，用于通過節點適應度粒子算法對模糊寬度學習系統的模糊規則nr、模糊子系統nf和增強節點ne三個參數進行搜索；
[0155]
系統預測模塊，用于根據測試集樣本，利用經過優化搜索的最優模糊寬度學習系統結構進行預測。
[0156]
為了證明本發明的技術方案的創造性和技術價值，該部分是對權利要求技術方案進行具體產品上或相關技術上的應用實施例。
[0157]
本應用實施例主要用于某電廠機組自動發電控制(agc)控制系統工程師，結合模型預測控制算法，設計先進的鍋爐蒸汽壓力控制系統，從而提升機組的主汽壓力、機爐協調等機組關鍵運行指標。agc鍋爐采用nsfpso-fbls方法動態辨識汽壓對象模型，采用廣義預測控制(gpc)算法對被控對象動態特性模型進行控制。在鍋爐汽壓控制系統中，控制算法采用廣義預測控制gpc型預測控制算法，將鍋爐主控pid強制為階躍上升信號，汽機主控保持功率控制回路為自動定制，可以獲得輸入輸出傳遞函數。接著，可以根據輸入輸出生成樣本集，結合本發明的非線性系統辨識方法及自校正機制，實現動態魯棒辨識。
[0158]
本發明實施例在研發或者使用過程中取得了一些積極效果，和現有技術相比的確具備很大的優勢，下面內容結合實驗過程的數據、圖表等進行描述。
[0159]
下面通過幾組實驗來驗證本發明提供的方法的有效性。
[0160]
(1)nsfpso-fbls的迭代收斂性分析
[0161]
通過本發明實施例提供的nsfpso-fbls模型進行迭代計算適應度值，并記錄每一次迭代產生的適應度值，如圖6所示，其是基于nsfpso-fbls的迭代收斂圖，從實驗結果可以看出，本發明實施例提出的nsfpso-fbls模型可以快速地快速地收斂，并且可以收斂到一個
令人滿意的結果，確保模型的系統辨識精度的同時，盡可能使用較少的節點參數，獲得最優的模型結構。
[0162]
(2)與bls寬度學習系統、期望輸出對比分析
[0163]
使用本發明實施例提出的nsfpso-fbls模型獲得最優的模糊寬度學習系統結構，利用200個測試樣本進行測試，獲得最終的測試輸出。同樣的，在bls寬度學習系統使用相同的樣本進行訓練和測試，通過對比兩種模型實際輸出和期望輸出進行分析。如圖7所示，其是基于nsfpso-fbls輸出、bls輸出和真實系統輸出數據對比圖，從實驗結果可以看出，本發明實施例所提出的基于nsfpso-fbls模型在預測非線性系統輸出時可以取得更加準確的輸出結果，要明顯優于原始bls寬度學習系統的輸出結果。
[0164]
(3)與bls寬度學習系統預測誤差對比分析
[0165]
和第二個實驗相同，使用本發明實施例提出的nsfpso-fbls模型獲得最優的模糊寬度學習系統結構，以及bls寬度學習系統，利用200個測試樣本進行測試，獲得實際輸出與期望輸出的差，即預測誤差。如圖8所示，其是基于nsfpso-fbls預測誤差和bls預測誤差的對比圖，實驗結果充分說明了本發明提出的方法擁有更小的預測誤差，進一步驗證了本發明實施例中方法的有效性及可行性。非線性系統辨識方法整體性能對比見表1。
[0166]
表1非線性系統辨識方法整體性能對比
[0167]
模型rmse節點數量運行時間(s)bls3.526e-7310.23nsfpso-fbls2.331e-7240.21
[0168]
如表1所示，使用本發明實施例提出的nsfpso-fbls模型在獲得最優結構之后，與bls寬度學習系統在相同測試樣本上進行rmse均方誤差和運行時間對比，可以看出，本發明實施例提出的nsfpso-fbls可以獲得更小的rmse和運行時間，說明nsfpso-fbls具有更精確的辨識能力和更高的計算效率，同時nsfpso-fbls可以使用更少的節點數量獲得滿意的性能，能夠有效反映非線性系統的輸入輸出映射關系。
[0169]
與已有技術相比，本發明實施例提供了一種基于nsfpso-fbls的熱工非線性系統辨識方法，通過模糊寬度學習系統構建非線性系統的輸入輸出關系，使用嶺回歸算法更新模糊寬度學習系統的權重，并利用nsfpso算法快速搜索最優模糊寬度學習系統結構，相比較于原始的模糊寬度學習系統，本發明所提供的方法的系統辨識能力更高，能夠很好地描述系統的輸入輸出映射關系，具有收斂速度快，訓練過程穩定，泛化能力強，辨識精度高的優點，在非線性系統辨識中具有較高的應用價值。
[0170]
應當注意，本發明的實施方式可以通過硬件、軟件或者軟件和硬件的結合來實現。硬件部分可以利用專用邏輯來實現；軟件部分可以存儲在存儲器中，由適當的指令執行系統，例如微處理器或者專用設計硬件來執行。本領域的普通技術人員可以理解上述的設備和方法可以使用計算機可執行指令和/或包含在處理器控制代碼中來實現，例如在諸如磁盤、cd或dvd-rom的載體介質、諸如只讀存儲器(固件)的可編程的存儲器或者諸如光學或電子信號載體的數據載體上提供了這樣的代碼。本發明的設備及其模塊可以由諸如超大規模集成電路或門陣列、諸如邏輯芯片、晶體管等的半導體，或者諸如現場可編程門陣列、可編程邏輯設備等的可編程硬件設備的硬件電路實現，也可以用由各種類型的處理器執行的軟件實現，也可以由上述硬件電路和軟件的結合例如固件來實現。
[0171]
以上所述，僅為本發明的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，凡在本發明的精神和原則之內所做的任何修改、等同替換和改進等，都應涵蓋在本發明的保護范圍之內。
技術特征：
1.一種熱工非線性系統辨識方法，其特征在于，所述熱工非線性系統辨識方法包括：通過模糊寬度學習系統構建非線性系統的輸入輸出關系，使用嶺回歸算法更新模糊寬度學習系統的權重，并利用nsfpso算法搜索最優模糊寬度學習系統結構，進而實現熱工非線性系統的辨識。2.如權利要求1所述的熱工非線性系統辨識方法，其特征在于，所述熱工非線性系統辨識方法包括以下步驟：步驟一，針對主蒸汽壓力系統主蒸汽溫度系統進行仿真，獲得用于模型熱工非線性系統辨識的樣本集，并將樣本集劃分為訓練集和測試集兩部分；步驟二，將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統中的模糊子系統進行推理，嶺回歸算法用于更新模糊寬度學習系統的權重；通過nsfpso算法對模糊寬度學習系統的模糊規則nr、模糊子系統nf和增強節點ne三個參數進行搜索，確定最優模型結構；步驟三，根據測試集樣本，利用經過優化搜索的最優模糊寬度學習系統結構進行預測，使用均方誤差rmse指標評估預測效果，同時評估模型測試所需時間。3.如權利要求2所述的熱工非線性系統辨識方法，其特征在于，所述步驟一中，根據不同的非線性系統公式分別生成500個訓練樣本和200個測試樣本；將500個訓練樣本用于訓練fbls模型，200個測試樣本用于在fbls模型上進行測試。4.如權利要求2所述的熱工非線性系統辨識方法，其特征在于，所述步驟二中的模糊寬度學習系統包含tsk模糊子系統、增強層和輸出層；tsk模糊子系統的輸入樣本數量和維數分別為n和m，表示為：模糊子系統的輸出為其中為基于高斯核函數的加權強度，是第s條模糊規則的結果；增強層的輸出為：h＝(h1,h2,...,h
l
)；其中，l(q＝1,2,...,l)表示增強節點組的數量；第q增強節點組的輸出表示為h
q
＝ε(zw
eq
+b
q
)；w
eq
和b
q
為隨機生成的矩陣和偏差項；ε代表增強層的非線性激活函數；輸出層的輸出為其中，w
df
是模糊子系統到輸出層的權重矩陣，w
h
是增強層到輸出層的權重矩陣。5.如權利要求2所述的熱工非線性系統辨識方法，其特征在于，所述步驟二中的將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統進行訓練和推理；通過節點適應度粒子算法對模糊寬度學習系統的模糊規則nr、模糊子系統nf和增強節點ne三個參數進行搜索包括：
(1)初始化體操作，種規模為n，學習因子為c1和c2，慣性權重為w，速度為v；其中不同粒子的位置信息x包括模糊規則數量、tsk模糊子系統數量和增強節點數量；(2)對于第t次迭代，計算nsfpso的適應度函數；根據粒子給定信息利用節點敏感適應度函數計算每個粒子的適應度；通過對比每個粒子適應度值和當前最優全局適應度值，獲得當前個體最優值pbest和體最優值gbest；節點敏感適應度函數可以表達為：sum＝nr+nf+ne+1sum＝nr+nf+ne+1其中，適應度函數fitness由兩部分指標組成，均方誤差rmse和節點敏感度參數nr、nf和ne；y和分別為模糊寬度學習系統的期望輸出值和實際輸出值；α、β、ε、γ和θ分別為適應度函數的權衡系數；(3)判斷是否達到迭代終止條件－－判斷是否達到最大迭代次數，若未達到最大迭代次數，則獲得粒子位置信息和速度信息；(4)更新每個粒子的位置信息和速度信息，其中位置信息更新為：w
t
＝(w
ini-w
end
)(g
max-g)/g
max
+w
end
；其中，g
max
是最大迭代次數，w
ini
是初始慣性權重，w
end
是最大迭代次數對應的慣性權重，速度信息的更新為：v
i
＝w
×
v
i
+c1
×
rand
×
(pbest
i-x
i
)+c2
×
rand
×
(gbest
i-x
i
)；其中，v
i
是粒子的速度，i＝1,2,...,n是粒子的數量；w是慣性因子，用于權衡局部搜索能力和全局搜索能力；rand為0～1之間的隨機數；(5)根據步驟(3)獲得的速度信息，對第t+1次迭代位置信息x進行更新：x
t+1
＝x
t
+v
t+1
；(6)根據步驟(5)獲得的粒子位置信息，通過嶺回歸算法訓練模糊寬度學習系統，并返回步驟(2)；(7)根據步驟(3)，若達到最大迭代次數，則輸出最佳粒子信息－－最佳參數組合，最終選擇最優的節點數作為輸出結果。6.如權利要求5所述的熱工非線性系統辨識方法，其特征在于，所述初始粒子種數量為30，學習因子c1和c2均為2.1，慣性權重w
ini
和w
end
分別為0.9和0.3，適應度權衡參數α、β、ε、γ和θ的初始值分別為0.2，0.5，0.3，0.2，0.8；所述步驟(6)中，通過嶺回歸算法訓練模糊寬度學習系統時還包括：1)隨機初始化操作，隨機生成模糊子系統去模糊權重2)根據公式獲得模糊子系統地去模糊化輸出，其中f
ip
是模糊子系統的輸出，是基于高斯核函數的加權強度，是去模糊化隨機權重，是模糊規則的結果；
3)根據公式計算不同模糊子系統地去模糊化輸出；4)根據公式h
q
＝ε(zw
eq
+b
q
)計算增強層的輸出；5)根據嶺回歸算法訓練模糊寬度學習系統fbls權重的計算公式w
fbls
＝(z,h)
+
y＝(λi+(z,h)
t
(z,h))-1
(z,h)
t
y計算模糊寬度學習系統的權重，其中y是模型的期望輸出；其中，初始模糊子系統的節點數量為4，模糊規則的節點數量為10，增強節點的節點數量為6。7.一種應用如權利要求1～6任意一項所述的熱工非線性系統辨識方法的熱工非線性系統辨識系統，其特征在于，所述熱工非線性系統辨識系統包括：樣本集獲取模塊，用于獲得用于模型熱工非線性系統辨識的樣本集，并將樣本集劃分為訓練集和測試集兩部分；模型訓練模塊，用于將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統進行訓練和推理；參數搜索模塊，用于通過節點適應度粒子算法對模糊寬度學習系統的模糊規則nr、模糊子系統nf和增強節點ne三個參數進行搜索；系統預測模塊，用于根據測試集樣本，利用經過優化搜索的最優模糊寬度學習系統結構進行預測。8.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行如權利要求1～6任意一項所述的熱工非線性系統辨識方法的步驟。9.一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時，使得所述處理器執行如權利要求1～6任意一項所述的熱工非線性系統辨識方法的步驟。10.一種信息數據處理終端，其特征在于，所述信息數據處理終端用于實現如權利要求7所述的熱工非線性系統辨識系統。
技術總結
本發明屬于火電機組熱工過程非線性系統辨識技術領域，公開了一種熱工非線性系統辨識方法、系統、介質、設備及終端，獲得用于模型熱工非線性系統辨識的樣本集，將樣本集劃分為訓練集和測試集兩部分；將訓練集樣本作為模型訓練的輸入樣本，通過模糊寬度學習系統進行訓練和推理；通過節點適應度粒子算法對模糊寬度學習系統的模糊規則r、模糊子系統f和增強節點e三個參數進行搜索；根據測試集樣本，利用經過優化搜索的最優模糊寬度學習系統結構進行預測。本發明的計算過程簡單高效，能夠同時用于神經網絡逼近和模糊推理，具有快速確定最優模型結構的優點，有效提升模型非線性系統辨識能力，在非線性系統辨識任務中具有較強的應用價值。用價值。用價值。
