人工神经网络控制在电力系统中的应用研究

(1)

山东师范大学硕士学位论文

人工神经网络控制在电力系统中的应用研究姓名：张洁琦

申请学位级别：硕士专业：计算机软件与理论

指导教师：刘弘

20070410

(2)

山东师范大学硕士学位论文

摘要

近年来，随着现代控制理论和数字计算机技术的高速发展，出现了许多比较先进的控制算法，如广义预测控制算法（ｃＰＣ），内模控制算法０ＭＣ）等，并开始应用于工业生产中。但是就目前而言，比例积分微分（ＰＩＤ）控制器在过程控制中仍然起着主要作用，其原因是常规的ＰＩＤ调节器具有结构简单、鲁棒性强、

适应性好、能够对很大一类工业对象进行有效控制等一系列优点。但是在实际的工业生产过程中，往往具有非线性，时变不确定性，因而难以建立精确的数学模型。从控制的角度看，寻求高可靠、鲁棒性、适应性、智能型和简便易行的控制理论和方法，以满足复杂系统高维数、非线性、强干扰、不确定、难建模、实滞未知、快速多变的要求，一直是控制学科追求的目标。因此，设计一个具有自适应、自学习能力的神经智能控制器，对提高这类系统的控制效果和鲁棒性有积极意义。

由于人工神经网络具有对任意非线性映射的任意逼近能力，近年来，已经被引入非线性系统的辨识中，用来模拟实际系统的输入／输出关系。而利用神经网络的自学习、自适应以及并行处理能力，可以方便地给出工程上易于实现的学习算法，经过训练得到动态系统的前向或逆向模型。 ^一

与传统非线性辨识方法不同的是，神经网络辨识不受非线性模型的限制。

它依据被控系统的输入输出数据，通过学习得到一个描述系统输入输出关系的非线性映射．给定一个输入，即可得到一个输出，而不需要知道输入和输出之间存在着怎样的数学关系。这是目前非线性系统辨识中一个引人注目的新途径。

本文有针对性地对人工神经网络的各种网络模型及学习算法进行了研究，

提出一了种基于人工神经网络的电厂主汽温控制系统。主要内容包括：

（１）分析了人工神经网络各种网络模型的结构特点，及在智能控制中适用的范围。・

（２）在学习了控制领域的ＰＩＤ控制原理的基础上，分析了传统ＰＩＤ控制存在的不足，提出了一种基于人工神经网络的智能控制系统。在对非线性系统的辨识模型的研究和对ＢＰ网络算法深入研究的基础上，选择ＢＰ网络作为神经控制系统中神经网络辨识器的在线辨识网络，使用基于Ｈｃｂｂ学习规则的神经网络根据系统的运行状态，在线调节ＰＩＤ控制器的控制参数，以使系统性能指标达到最优。

（３）选择电力系统中火电厂主汽温作为被控对象，根据本文所提出的控制

(3)

山东师范大学硕士学位论空

算法进行仿真试验，结果表明该控制系统表现出良好的控制特性，能很好地解决响应快速性和稳定性的矛盾。

关键词：人工神经网络，人工神经网络控制，ＰＩＤ控制，主汽温

Ⅱ

(4)

山东师范大学颂ｔ学位论文

Ａｂｓｔｒａｃｔ

Ｉｎｒｅｃｅｎｔｙｅａｒｓ．谢ｔ｝Ｉｔｈｅｈｉｇｈ－ｓｐｅｅｄ

ｄｅｖｅｌｏｐｍｅｎｔ

^ｏｆ

ｍｏｄｅｍ

ｃｏｎｔｒｏｌｔｈｅｏｒｙ

ａｎｄ

ｄｉｇｉｔａｌｃｏｍｐｕｔｅｒｔｅｃｈｎｏｌｏｇｙ，ｍａｎｙａｄｖａｎｃｅｄｃｏｎｔｒｏｌａｌｇｏｒｉｔｈｍｓａｐｐｅａｒｓ，ｓｕｃｈ ^ａｓ

ｇｅｎｅｒａｌｉｚｅｄ

ｐｒｅｄｉｃｔｉｖｅｃｏｎｔｒｏｌ（６ＰＣ），ｉｎｔｅｒｎａｌｍｏｄｅｌｃｏｎｔｒｏｌ（ＩＭＣ），ｅｒｅ，ｔｈｅｙ^ｈａｄ

ｂｅｅｎａｐｐｌｉｅｄｉｎｉｎｄｕｓｔｒｙ．Ｂｕｔ^ａｓｆａｒａｓｉｔｇｏｅｓ，ＰＩＤｃｏｎｔｒｏｌｌｅｒ

ｉｓ

_{ｓｔｉｌｌｐｌａｙ} _ａ_{ｌｅａｄｉｎｇ} ｒｏｌｅｉｎｐｒｏｃｅｓｓｃｏｎｔｒｏｌｆｏｒｉｔｓ

ｓｉｍｐｌｅｓｔｎｌｃｔｕｒｅ，ｈｉｇｈ

ｒｏｂｕｓｔ，ｇｏｏｄａｄａｐｔａｂｉｌｉｔｙａｎｄ^ｃａｎｄｏ

ｅｆｆｅｃｔｉｖｅ

ｃｏｎｔｒｏｌｏｌｌｍａｎｙ

ｉｎｄｕｓｔｒｉａｌ

ｏｂｊｅｅｔｓ．Ｂｔａｔ

^ｔｈｅｐｒａｃｔｉｃａｌｉｎｄｕｓｌｒｉａｌ

ｐｒｏｄｕｃｔｉｏｎｉｓ

ｓｏｍｅｔｉｍｅｓｎｏｎｌｉｎｅａｒ

ａｎｄ

ｔｉｍｅ－ｖａｒｙｉｎｇ，ｓｏ

^ｉｔ’ｓ

ｄｉｆｆｉｃｕｌｔ

ｔｏｅｓｔａｂｌｉｓｈｉｔｓｐｒｅｃｉｓｅ

ｍａｔｈｅｍａｔｉｃ

ｍｏｄｅｌ．Ｃｏｎｓｉｄｅｒ

ｆｒｏｍｃｏｎｔｒｏｌ，ｔｏｆｉｎｄ

^ａｋｉｎｄｏｆｃｏｎｔｒｏｌｔｈｅｏｒｙ－

ｗｈｉｃｈ

_{ｉｓｈｉｇｈ}

ｄｅｐｅｎｄａｂｌｅ，ｒｏｂｕｓｔ，ｇｏｏｄ

ａｄａｐｔａｂｉｌｉｔｙ，ｉｎｔｅｌｌｉｇｅｎｔａｎｄｅａｓｙ

ｔｏ

ｂｅｒｅａｌｉｚｅｄ

ｔｏｎ１鳅ｔｈｅｃｏｍｐｌｅｘｓｙｓｔｅｍ＇ｓｈｉｇｈ

ｄｉｍｅｎｓｉｏｎ，ｎｏｎｌｉｎｅａｒ，ｕｎｃｅｒｔａｉｎ，ｄｉｆｆｉｃｕｌｔ

ｔｏ

ｍｏｄｅｌｉｎｇ

^ｉｓ

ｔｈｅ

_{ｇｏａｌｏｆ} ｃｏｎｔｒ０１．Ｔｈｕｓ，ｄｅｓｉｇｎ ^ａｓｅｌｆ－ａｄａｐｔａｂｉｌｉｔｙ，ｓｅｒｆ－ｌｅａｒｎｉｎｇ

ｉｎｔｅｌｌｉｇｅｎｔ

ｎｅｕｒａｌｃｏｎｔｒｏｌｌｅｒｉｓｓｉｇｎｉｆｉｃａｔｉｖｅ

ｔｏｉｍｐｒｏｖｅｔｈｅ

ｃｏｎｔｒｏｌ

ｅｆｆｅｃｔ

ａｎｄｒｏｂｕｓｔ

ｏｆｓｕｃｈｓｙｓｔｅｍ．

Ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｈａｄｂｅｅｎ

ａｐｐｌｉｅｄｉｎｔｈｅ

ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｎｏｎｌｉｎｅａｒ ^ｔｏ

ｓｉｍｕｌａｔｅ

ｔｈｅｐｒａｃｔｉｃａｌ

ｓｙｓｔｅｍ＇ｓ

ｉｎｐｕｔ／ｏｕｔｐｕｔｒｅｌａｔｉｏｎｂｅｃａｕｓｅ

ｏｆｉｔｓ

_{ａｂｉｌｉｔｙ}

ｔｏ

ａｐｐｒｏａｃｈａｎｙ

ｎｏｎｌｉｎｅａｒｍａｐｐｉｎｇ．Ｕｓｉｎｇ

ｔｈｅｓｅｌｆ－ｌｅａｒｎｉｎｇ，ｓｅｌＢａｄａｐｔｉｖｅａｎｄｐａｒａｌｌｅｌｐｒｏｃｅｓｓａｂｉｌｉｔｙｏｆｎｅｕｒａｌｎｅｔｗｏｒｋ

ｗｅ

ｃａｎｅａｓｉｌｙｇｅｔａｎ_{ｅａｓｙｔｏ} ｂｅ代ａＩｉ翘ｄ

_{ａｌｇｏｒｉｔｈｍ，}

ａｎｄｇｅｔｔｈｅｍｏｄｅｌ

ｏｆｔｈｅｄｙｎａｍｉｃｓｙｓｔｅｍ

ｂｙｔｒａｉｎｉｎｇ．

Ｄ趋Ｆｅｒｅｎｔ

ｆｒｏｍｔｈｅ

ｔｒａｄｉｔｉｏｎａｌｎｏｎｌｉｎｅａｒｉｄｅｎｔｉｆｉｃａｔｉｏｎ

ｍｅｔｈｏｄ，ＮＮＩ

ｉｓｎｏｔｒｅｓｔｒｉｃｔｅｄｂｙ

ｔｈｅ

_{ｎｏｎｌｉｎｅａｒ}

ｍｏｄｅｌ．Ｉｔ

_ｇｅｔ

ｔｈｅ

ｎｏｎｌｉｎｅａｒｍａｐ＃ｎｇ

^ｔｏ

ｄｅｓｃｒｉｂｅｔｈｅｒｅｌａｔｉｏｎｏｆｔｈｅ

ｓｙｓｔｅｍ’ｓ

ｉｎｐｕｔａｎｄ

ｏｕｔｐｍ

ｂｙｌｅａｒｎｉｎｇｔｈｅｃｏｎｔｒｏｌｌｅｄ

ｓｙｓｔｅｍ’ｓｉｎｐｕｔ

ａｎｄｏｕｔｐｕｔｄａｔａ．Ｉｔｃａｎ_ｇｅｔａｌｌｏｕｔｐｕｔ

ｆｒｏｍ

ａｎ_{ｉｎｐｕｔ}

ｗｉｔｈｏｕｔ

ｋｎｏｗｉｎｇｔｈｅ

ｍａｔｈｅｍａｔｉｃ

ｒｅｌａｔｉｏｎ

ｏｆｉｎｐｕｔ

ａｎｄｏｕｔｐｕｔ．Ｔｈｉｓｉｓ ^ａｎｏｔｉｃｅａｂｌｅｎｃｗｍｅｔｈｏｄ ^ｏｆｎｏｎｌｉｎｅａｒ

_{ｓｙｓｔｅｍ}

ｉｄｅｎｔｉｆｉｃａｔｉｏｎ．

Ｔｌｌｉｓｔｈｅｓｉｓ

ｒｅｓｅａｒｃｈｅｄ

ｔｈｅ

ｍｏｄｅｌｓａｎｄｔｈｅｌｅａｒｎｉｎｇ

Ｍｇｏｄｔｈｍ

^{ｏｆｎｅｕｒａｌ}

ｎｅｔｗｏｒｋ，

ｒａｉｓｅｄａ

ｍａｉｎ

ｓｔｅａｍｃｏｎｔｒｏｌ

ｓｙｓｔｅｍｏｆｐｏｗｅｒ

^{ｓｔａｔｉｏｎ}

ｂａｓｅｄ

ｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ．

Ｆｏｌｌｏｗｉｎｇｉｓｔｈｅｍａｉｎ^{ｃｏｎｔｅｎｔ．}

（１）Ａｎａｌｙｚｅｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｓ ^ａｎｄ

ｔｈｅｉｒ

_{ａｐｐｌｙ} ｒａｎｇｅｉｎ

ｉｎｔｅｌｌｉｇｅｎｔ

ｃｏｎｔｒ０１．

（２）ＡｎａｌｙｚｅｄｔｈｅｓｈｏｒｔａｇｅｏｆｔｒａｄｉｔｉｏｎａｌＰＩＤｃｏｎｔｒｏｌａｎｄ

ｒａｉｓｅｄ

ａｌｌｉｎｔｅｌｌｉｇｅｎｔ

ｃｏｎｔｒｏｌｓｙｓｔｅｍ

^{ｂａｓｅｄ}^ｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ．ＣｈｏｓｅＢＰｎｅｔｗｏｒｋａｓｔｈｅｎｅｕｒａｌ

ｎｅｔｗｏｒｋｏｆｔｈｅ

ＮＮｌｉｎ

ｔｈｅｎｅｕｒａｌ

ｃｏｎ仃ｏｌ

ｓｙｓｔｅｍ．ｔｈｅ

ｎｅｕｒａｌ

ｎｅｔｗｏｒｋｏｆＮＮＣ

ａｄｊｕｓｔｔｈｅｃｏｎｔｒｏｌ

ｐａｒａｍｅｔｅｒ

^{ｏｆＰＩＤ} ｃｏｎｔｒｏｌｌｅｒｏｎｌｉｎｅａｃｃｏｒｄｉｎｇｔｈｅ

ｓｙｓｔｅｍ＇ｓ

^{ｓｔａｔｕｓ}

ｔｏｏｐｔｉｍｉｚｃｔｈｅｓｙｓｔｅｍ’ｓｃａｐａｂｉｌｉｔｙ，ｉｔ

ｔａｋｅｔｈｅＨｅｂｂｒｕｌｅａｓｔｈｅｌｅａｒｎｉｎｇ

ａｌｇｏｒｉｔｈｍ．

（３）Ｃｈｏｓｅ^ｔｈｅ

^{ｍａｉｎ－ｓｔｅａｍ}

ｔｅｍｐｅｒａｍｍ

^ｏｆ

ｐ嘶惯ｓｔａｔｉｏｎ^ａｓ

^ｔｈｅ

^{ｃｏｎｔｒｏｌ} ｏｂｊｅｃｔ，

ｃｏｎｔｒｏｌｔｈｅｔｅｍｐｅｒａｔｕｒｅ

ｕｓｉｎｇ^ｔｈｅ

ａｌｇｏｒｉｔｈｍ

ｐｒｏｐｏｓｅｄｉｎｔｈｉｓｔｈｅｓｉｓ，ｔｈｅ

ｓｉｍｕｌａｔｉｏｎｓｈｏｗｓ

ｔｈｉｓｃｏｎｔｒｏｌｌｅｒｈａｓ _ａｇｏｏｄｃｏｎｔｒｏｌａｂｉｌｉｔｙ，ｃａｎ ^{ｓｏｌｖｅ}

^ｔｈｅ

^{ｃｏｎｆｌｉｃｔ}

^{ｂｅｔｗｅｅｎ}

ｓｐｅｅｄｉｎｅｓｓａｎｄ

ｓｔａｂｉｌｉｔｙｅｆｆｅｃｔｕａｌｌｙ．

Ｋｅｙｗｏｒｄｓ：Ａｒｔｉｆｉｃｉａｌ

ｎｅｕｒａｌｎｅｔｗｏｒｋ，ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｔｒｏｌ，ＰＩＤｃｏｎｔｒｏｌ。

ｍａｉｎ－ｓｔｅａｍｔｅｍｐｅｒａｔｏｒｅ

Ⅲ

(5)

独创声明

本人声明所呈黛的学位论文是本人在导师指导下进杼的研究工作殷取得的研究成莱。鬃我茨氧，豫彳文孛蒋鬟鸯耩毅标注葶瑟致瀵戆逮方努，涂文孛不包鑫茭氇又毫经发豪或撰写过的研究成聚，也不包含为获得（注：如没膏其他需要特别声明的，本栏可空）成其他教育机构的学位或诞书使用过的材料。与我一同工作的同志对本磺究濒皴夔｛王嚣炎蘸稳已在论文审终了唆确敕谖鹱并表示澎意。

学位论文作者签名：办玮奄‘

^{导师签字：}

学位论文版权使用授权书

刹勿

本学位论文作者完全了解堂控有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权堂控可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文．（保密的学位论文在解密后适用本授权书）

学位论文储躲彬未两

签字日期：２。。７锋月一口日

导师签字：

刻勿

签字日期：２００

７年铂ｐ日

(6)

山东师范大学预ｌ学位论文

１．１研究背景及意义

第一章绪论

神经生理学和神经解剖学证明了人的思维是由脑完成的。神经元是组成人脑的最基本单元，能够接受并处理信息。人脑约由１０１１一１０１２个神经元组成，其中每个神经元约与ｌＯ匕１０５个神经元通过突触连接，因此人脑是一个复杂的信恳并行加工处理巨系统。探索脑组织的结构、工作原理及信息处理的机制，是整，

个人类面ｌ临的一项挑战，也是整个自然科学的前沿领域。

人工神经网络系统理论是以人脑的智能功能为研究对象且以人体神经细胞ｉ信息处理方法为背景的智能计算理论，是目前国际上非常活跃的前沿研究领域‘

之一．１９４３年，心理学家Ｗ．Ｓ．ＭｃＣｕｌｌｏｃｈ和数理逻辑学家ＷＰｉｔｔｓ建立了神经网络的数学模型，称为ＭＰ模型。他们通过ＭＰ模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代．人工神经网络是人脑及其活动的一个理论化的数学模型，

它由大量的处理单元以适当的方式互连构成，是一个大规模的非线性自适应系统。人工神经网络不仅在形式上模拟了生物神经系统，它也具有大脑的一些基本特征。从系统构成的形式上看，从神经元本身到联接模式，基本上都是以与生物神经系统相似的方式工作的。从表现特征上来看，它力求模拟生物神经系统的基本运行方式．

例如，可以通过相应的学习Ｐ训练算法，将隐含在一个较大数据集中的数１据联系抽象出来，就像人们可以不断地摸索规律、总结经验一样，可以从先前得到的例子按要求产生出新的实例，在一定程度上实现“举一反三”的功能。

电力系统是指由进行电能生产、变换、输送、分配、消费的各种设备按照一定的技术和经济要求有机组成统一系统的总称【Ｉ】，是一个巨维数的典型动态大系统，它具有强非线性和时交性且参数不确切可知，并含有大量未建模动态部分。电力系统地域分布广阔，大部分元件具有延迟，磁滞、饱和等等复杂的物理特性，对这样的系统实现有效控制是极为困难的。但也正是由于问题的复杂性而使得现代控制理论褥以在这一领域充分发挥其自身的优势。根据电力系统的特点，除了线性最优控制、自适应控制，变结构控制，Ｈ＼．∞鲁棒控制、微分几何控制等控制手段外，智能控制技术中的各种控制手段也因具有一定的“智能’’特性，如可以引入专家的经验知识、能够处理不确定性问题、具有自学习的能力、适于处理非线性问题等，在电力系统中也得到了广泛的关注，获得了大

(7)

山东师范人学颈：Ｉ：学位论文

量的研究成果，成为电力系统研究中一个重要的研究领域。

人工神经网络从１９４３年出现，经历了六、七十年代的研究低潮发展到现在．

在模型结构及学习算法等方面取得了大量的研究成果。提出了误差反向传播（ＢＰ）

模型，Ｈｏｐｆｉｅｌｄ离散和连续模型，小脑模型连续控制器（ＣＭＡＣ）模型，径向基函数网络（ＲＢＦ）模型，Ｋｏｈｏｎｅｎ自组织特征映射模型，自适应谐振理论（ＡＲＴ）模型，

Ｂｏｌｍｎａｎ机，递归神经网络（Ｉ｛Ｎｌｆ）模型等很多各具特色的神经网络模型及其计算结果。其中研究得最为成熟，运用得也最为广泛的是误差反传模型，它的网络结构及算法直观、简单，在电力系统中的应用也较多［２１。人工神经网络由于具有自适应和自组织的能力，可以根据电力系统的输入和输出找出它们之间的非线性关系，而不需要电力系统的数学模型。其容错性和自适应性使之可以应付电力系统在运行过程中众多的不确定因素，提高电力系统的抗干扰能力。它的固有并行结构和并行处理能力使它可以快速处理电力系统的各种数据。

神经网络控制是２０世纪８０年代以来，由人工神经网络研究所取得的突破性进展，与控制理论相结合，而发展起来的自动控制领域的前沿学科之一。它已成为智能控制的一个新的分支，为解决复杂的非线性［４２１、不确定、不确知系统的控制问题开辟了新途径。因此，对于电力系统这个存在着大量非线性因素的复杂大系统来讲，神经网络理论在电力系统中的应用具有很大的潜力．

１．２人工神经网络在电力系统的应用现状１．２．１在电力负荷预报方面的应用

电力负荷预报是神经网络应用于电力系统最早也是研究得最多的一个重要课题，有的研究成果已达到了实用阶段。文献【３】将负荷与天气变量的关系特性分成周、日、时三个模型，每一个部分都进一步地分解为更为基本的部分并用神经阿络来建模。也就是说。整个神经网络短期负荷预报器包括三部分，每个部分独立地产生自己的预报，最后再通过自适应滤波器将它们结合起来产生最终的预报。这里采用的是三层ＢＰ网络，并在预测过程中自适应地调节权值，以使预测基于最新的负荷信息，得到更精确的结果。

１．２．２在电压稳定裕度计算中的应用

２

系统负荷过重导致的电压稳定问题一直是电力公司关心的主要问题。文献【４】

(8)

山东师范尺学颂卜学位论文

报道了用人工神经网络在电压稳定评估中应用的研究，建议在电压稳定裕度计算中采用带误差反向传播学习功能的多层人工神经网络。

１．２．３在建立负荷模型方面的应用

电力系统负荷的动态特性是获得运行点预测和较好的稳定性计算结果的关键。但负荷母线上的各分量的构成使其总体特性十分复杂，难以用简单的形式表示．文献［５】利用神经网络的拟合理论设计了描述负荷复杂动态特性的负荷模型，

用实际的现场数据训练并验证了模型的有效性。

１．２．４在发电机的稳定控制方面的应用

文献【６】用ＢＰ弼络以及模型理论根据系统运行状态的变化调整最优控制的增益，进而修改模型规则，并最终实现发电机的稳定控制。仿真结果表明其在系统运行点发生变化时鲁棒性要优于最优控制方法。

１．２．５在发电机自适应控制方面的应用

文献们构造了含有两个ＡＮＮ的汽轮发电机的自适应控制器，其中一个用于在线辨识，另一个用来实时控制，但不足之处是ＡＮＮ需要离线地进行训练。

１．２．６在潮流计算中的应用

由于神经网络具有并行处理的特点，因而它较之大规模电力系统中一些计算量较大，用于实时经济调度有困难的基于数学规划技术的优化理论具有一定的优越性．但目前在实施中仍主要通过串行的模拟来进行，其优势的体现尚需依赖神经网络硬件的进一步发展。文献【８】用Ｈｏｐｆｉｅｌｄ连续ＡＮＮ模型进行最优潮流计算，它首先将最优潮流问题表示为顺序的二次规划闯题，然后用ＡＮＮ求解。文章还探讨了鳃的可行性与Ｈｏｐｆｉｅｌｄ连续ＡＮＮ模型的能量函数中的参数取值之间的关系。

３

(9)

山东师范大学硕￡学位论文

１．３本文的主要内容及组织结构１．３。１主要内容

本文在系统地分析了人工神经网络的基本概念、特征，以及常见的几种网络模型和控制中常用的的几种算法的基础上，对人工神经网络在控制领域的应用进行了探索性的研究，主要针对神经网络和ＰＩＤ控制相结合的控制方法．主

要内容包括如下几个方面：

（１）系统地介绍了人工神经网络控制的基本原理，神经网络辨识器及基于人工神经网络的控制系统的设计方法，分析了常见的几种神经网络模型的特点，并结合实际的控制应用对其性能进行了分析比较，总结了这些网络模型各自的优缺点及其在控制领域的适用范国。

（２）在认真研究神经ＰＩＤ控制的基础上，针对传统主汽温控制中存在的问题，

结合各种网络结构及学习算法的特点，提出了基于ＢＰ网络的神经网络系统辨识器和神经ＰＩＤ控制器，通过仿真实验证明该控制方法能较好地解决响应快速性和稳定性的矛盾，适用于大迟延过程的控制。

１．３．２本文的结构

本文共分六章，各章的主要内容如下：

第一章绪论，简要介绍了课题的研究背景、当前国内外的研究现状和论文的主要内容及组织结构。

第二章人工神经网络，内容包括：人工神经网络的定义、基本特征、分类等基本概念，几种常见的网络模型，人工神经网络的几种学习算法．

第三章基于人工神经网络的系统辨识，介绍了系统辨识的基本原理，人工神经网络应用于系统辨识的概述和神经网络辨识器的设计，对神经网络辨识器和传统的系统辨识做了比较。

第四章人工神经网络控制，内容包括：传统控制理论及其局限性，神经网络控制概述，基于人工神经网络的系统辨识，神经网络控制的设计，神经ＰＩＤ控制。

第五章神经ＰＩＤ控制在电厂主汽温控制中的应用，内容包括：电厂主汽温控制中存在的问题，系统在线辨识器ＮＮＩ，神经ＰＩＤ控制器ＮＮＣ，ＰＩＤ控制应用仿真。

４

(10)

山东师范人学硕士学位论文

第六章结束语，对本文的研究成果进行概括并指明今后的研究方向。

(11)

山东Ｉｉ｜ｊ范人掌硕｝’学位论文

第二章人工神经网络

２．１人工神经网络的基本概念２．１．１人工神经网络的定义

人工神经网络（ＡＮＮ，Ａｘｔｉｆｉｃｉａｌ

^{Ｎｅｕｒａｌ}

Ｎｅｔｗｏｒｋｓ），也简称为神经网络

（ＮＮｓ）或称作连接模型（ＣｏｎｎｅｃｔｉｏｎｉｓｔＭｏｄｅｌ），是在现代神经科学研究成果的基础上，受人脑功能的启发而发展起来的，人工神经网络理论提出的、由大量处理单元互联组成的非线性、自适应信息处理系统，是对人脑或自然神经网络（Ｎａｔｕｒａｌ

Ｎｅｕｒａｌ

Ｎｅｔｗｏｒｋ）若干基本特性的抽象和模拟。它试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络涉及生物、电子、计算机、数学和物理等学科，它的发展对目前和未来的科学技术的发展将有重要的影响。

人工神经网络作为对人脑的某种抽象、简化和模拟，反映了人脑功能的若干基本特征：

一（１）网络的信息处理由处理单元间的相互作用来实现，并具有并行处理的特点。

（２）知识与信息的存储，表现为处理单元之间分布式的物理联系。

（３）网络的学习和识别，取决于处理单元连接权系的动态演化过程。

（４）具有联想记忆（ＡＭ，ＡｓｓｏｃｉａｔｉｖｅＭｅｍｏｒｙ）的特性。

人工神经网络的工作方式由两个阶段组成：学习期和工作期。

１）学习期

学习（训练）过程是人获得知识、掌握技能的过程，学习是人的重要智能之一。学习方法是体现人工神经网络智能特性的主要标志，正是由于有学习算法。人工神经网络才具有了自适应、自组织和自学习的能力。

学者们建立的多种神经网络模型，模拟人的学习机理，有多种学习规则。

在学习期，神经元之间的连接权值可由学习规则进行调整，搜索寻优以使准则（或称目标）函数达到最小。从而改善网络自身性能。

２）工作期

连接权值不变，由网络的输入得到相应的输出。

６

(12)

山东帅范犬学硕士学位论文

２．１．２人工神经网络的基本特征

人的大脑是自然界所造就的最高级产物。思维是人类智能的集中体现。

人的思维主要可概括为逻辑思维（包括联想）和形象思维两种。过去以规则为基础的知识系统可被认为是模拟人的逻辑思维。而人工神经元网络可被认为是探索人的形象思维。

人工神经元网络是生理学上的真实人脑神经网络的结构和功能，以及若干基本特征的某种理论抽象、简化和模拟而构成的一种信息处理系统．从系统观点看，人工神经元网络是由大量神经元通过极其丰富和完善的联系而构成的自适应非线性动态系统．由于神经元之间有着不同的连接方式，所以组成不同结构形态的神经网络系统是可能的。

由大量的神经元相互连接组成入工神经元网络将显示出入脑的某些特征：

１学习能力

人工神经网络可以接受用户提交的样本集合，依照系统给定的算法，不断地修正用来确定系统行为的神经元之间联接的强度，而且在网络的基本构成确定之后，这种修正是根据其接受的样本集合自然地进行的。用户不需要再根据所遇到的样本集合去对网络的学习算法做相应的调整。也就是说，人工神经网络具有良好的学习功能。在学习过程中，人工神经网络不断地从所接受的样本集合中提取该集合所隐含的基本要素，并将其以神经元之间的联接权重的形式存放于系统中。例如，对于某一模式，可以用它的含有不同噪声的数据去训练一个网络，在这些数据选择得比较恰当的前提下，可以使得网络今后在遇到类似的即使含有一定缺陷的数据时，仍然能够得到它对应的完整的模式。

２普化能力

．由于其运算的不精确性，人工神经网络在被训练后，对输入的微小变化是不反应的，与事物的两面性相对应，虽然在要求高精度计算时，这种不精确性是一个缺陷，但是，有些场合又可以利用这一点获取系统的良好性能。

例如，可以使这种不精确性表现成“去噪音、容残缺”的能力，而这对模式识别有时是非常重要的．还可以利用这种不精确性，比较自然地实现模式的自动分类。人工神经网络的这种特性不是通过隐含在专门设计的计算机程序中的人类的智能来实现的，而是其自身的结构所固有的特性所给定的。

３信息的分布存放

信息的分布存放给人工神经网络提供了另一种特殊的功能。由于一个信

７

(13)

山东师范大学坝上学位论文

息不是存储在一个地方，而是被按内容分布存放在几乎整个网络中，所以，

当其中的某一个点或者某几个点被破坏时，网络仍能恢复出原来正确的完整信息，信息仍然可以被存取，从而保证系统在受到一定的损伤时还可以正常工作。这就是网络具有容错性和联想记忆功能，显现出较强的鲁棒性。由于信息的分布存放，对某一类网来说。当它完成学习后，如果再让它学习新的知识，就会破坏已学会的知识，如ＢＰ网就是这类网。

４适用性

人工神经网络适用于形象思维的问题，包括两个方面：①对大量的数据进行分类，并且只有较少的几种情况：②必须学习一个复杂的非线性映射。

这两个方面对传统的人工智能技术来说是比较困难的。目前，人工神经网络主要用于语音、视觉、知识处理、辅助决策等方面。此外，在数据压缩、模式匹配、系统建模、模糊控制、求组合优化闯题的最佳解的近似解（不是最佳近似解）等方面也有较好的应用。

５大规模并行处理

人工神经元网络在结构上是并行的，而且网络的各个单元可以同时进行类似的处理过程。因此，网络中的信息处理是在大量单元中平行而又有层次

地进行。运算速度高，大大超过传统的序列式运算数字机．

６自学习，自组织和自适应性

学习和适应要求在时间过程中系统的内部结构和联系方式有改变。神经元之间的连接有多种多样，各元之间的连接强度即权值具有一定的可塑性。

这样，网络就可以通过学习和训练进行自组织以适应不同信息处理要求。

２．１．３决定人工神经网络整体性能的三大要素

多年来，学者们建立了多种神经网络模型，决定其整体性能的三大要素为：

１）神经元的特性。

２）神经元之间相互连接的形式——拓扑结构。

３）为适应环境而改善性能的学习规则。

１９４３年建立的第一个神经元模型——ＭＰ（模拟生物神经元）模型，为人工神经网络的研究与发展奠定了基础。至今，已建立了多种神经元与网络的模型，取得了相当的成果，其中一些模型被用于自动控制领域。图２．１示出

了常用的两例。

８

(14)

山东师范，、擘硕ｊ－学位论文

Ｃａ）自适应线性神经元

图２・ｌ・１神经元与神经网络两例

２．１．４人工神经网络的分类

（ｂ）多层前馈网络

神经网络的不同分类如下；

１）按性能分：连续型与离散型，确定型与随机型，静态与动态网络．

２）按连接方式分：前馈（Ｆｅｅｄｆｏｒｗａｒｄ）型与反馈（Ｆｅｅｄｂａｃｋ）型。

前馈型网络的各神经元接受前一层的输入，输出给下一层，没有反馈。

前馈型网络的节点分为两类，即输入单元和计算单元，每一计算单元可有任意多个输入，但只有一个输出。第ｉ层的输入只与第ｉ．１层的输出相连，输入和输出节点与外界相连，各中间层则称为隐层。感知器Ｐｅｒｃｃｐｔｉｏｎ、ＢＰ网络、

径向基函数网络均属于前馈网络［９１。

反馈型网络的所有单元都是计算单元，可接受输入，并向外爨输出。若总单元为数为ｎ，则每一节点有ｎ－１个输入和１个输出。Ｈｏｐｆｉｅｌｄ网络等属于反馈型网络。另外还有局部递归网络，它的特点是只有一部分神经元有反馈。

ＪｏｒｄａｎＥｌｍａｎ等网络属于这种网络。按对能量函数的所有极小点的利用情况，

可将反馈网络分为两类，一类是能量函数的所有极小点都起作用，主要用于各种联想存储器，另一类只利用全局极小点，它主要用于求解优化问题。

从学习的观点来看，前馈网络是一种强有力的学习系统，其结构简单而易于编程：从作用效果上看，前馈网络主要是函数映射，可用于模式识别和函数逼近；从系统的观点看，前馈网络是静态非线性映射，通过简单非线性处

９

(15)

山东帅范大学硕士学位论文

理单元的复合映射，可获得复杂的非线性处理能力。但从计算的观点看，缺乏丰富的动力学行为。大部分前馈网络都是学习网络，它们的分类能力和模式识别能力一般都强于反馈网络，典型的前馈网络有ＢＰ网络、感知器网络等

【１０１。

３）按逼近特性分：全局逼近型与局部逼近型。

４）按学习方式分：有导师的学习（也称监督学习）、无导师的学习（也称无监督学习，或称自组织）和再励学习（也称强化学习）三种，它们都是模拟人（类）适应环境的学习过程的一种机器学习模型。因此，具有学习能力的系统称为学习系统，或称学习机．

ａ）有导师的学习（ＳＬ，ＳｕｐｅｒｖｉｓｅｄＬｅａｒｎｉｎｇ）：在有导师的学习方式中，

网络的输出和期望的输出（即导师信号）进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小。期望输出是评价学习的

标准。 ^、

ｂ）无导师的学习（ＮＳＬ，ＮｏｎｓｕｐｅｒｖｉｓｅｄＬｅａｍ／ｎｇ）：在无导师的学习方式中，没有导师信号提供给网络，网络根据其特有的结构和预先设定的学习规则（如竞争规则）进行权值的调整，使网络最终具有模式分类等功能。此时，网络的学习评价标准隐含于其内部。

ｃ）再励学习（ＲＬ，ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ）：再励学习是介于上述二者之间的一种学习方式，它把学习看作试探评价（或奖惩）过程，学习机选择一个动作（输出）作用于环境之后，使环境的状态改变，并产生一个再励信号ｒｅ（奖或惩）反馈到学习机．学习机根据再励信号与环境当前的状态选择下一动作作用于环境，选择的原则是使受到奖励

的可能性增大。

２．２几种常见网络模型２．２．１单神经元模型

单神经元是对人脑神经元进行抽象简化后得到的一种称为ＭＰ模型的人工神经元．如图２．２．１所示：

它是一个多输入、单输出的非线性元件。对于第ｉ个神经元，Ｘｌ，Ｘ２，，，

ｘｎ表示神经元的输入，Ｗｉｌ，Ｗｉ２，ｗ缸为连接强度，称之为权。利用某种运算把输入信号的作用结合起来，给出他们的总效果，称为“净输入”，用ｎ曲表示。

(16)

根据不同的运算方式，净输入的表达方式有多种类型，其中最简单的一种是

线性加权求和，即嘲＝∑魄工，．此作用引起神经元ｉ的状态交化，而神经元

ｉ的输出ＹＪ是当前状态时函数ｇＯ，称之为激活函数。这样，上述模型的数学

表达式为：聊‘＝∑～■－０，（２－２－１），弘＝ｇ（ｎｅ０（２－２－２）．

式中０ｉ表示神弪元ｉ的阙值，ｎｅｔｉ为净输入，是利用某种运算把输入信号的作用结合起来的总效果【ｌｌｌ。

应用于控制中的神经元所采用的激活函数有下列三种１１２１：

１简单线性函数：神经元的激活函数ｇＯ连续取值，各神经元构成的输出矢量Ｘ与连接矩阵ｗ加权产生，输出为：ｙ（ｋ＋Ｘ户ｗｘ（ｋ）。

２线性阈值函数：这是一种非线性函数，输出只取两值，如＋１与．１，（或１与Ｏ），当净输入大于某一阈值０时。输出取＋ｌ，反之取．１，这一特性可用符号函数表示。其表达式为：

ｙＯ【＋ｌｙ－ｓｇｎ［ｗｘ（ｋ）－ｏ】（２－２－３）

３Ｓｉｇｍｏｉｄ函数：神经元的输出是限制在两个有限值之间的连续非减函数。

ｘｊ

ｘＩ

２．２．２ＢＰ网络

图２－２．Ｉ单神经元模型结构

２０世纪８０年代中期，以Ｒｕｍｅｌｈａｒｔ和ＭｅＣｌｅｌｌａｎｄ为首，提出了多层前馈网络（ＭＦＮＮ，ＭｕｌｔｉｌａｙｅｒＦｅｅｄｆｏｒｗａｒｄＮｅｕｒａｌＮｅｔｗｏｒｋ）的反向传播（Ｂ只ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）学习算法，简称ＢＰ算法。如图２－２－２所示，ｕ和Ｙ是网络的输入、输出向量。每个神经元用一个节点表示。网络由输入层、隐层和输出层节点组成。隐层可以是一层，也可以是多层（本节图为单隐层图），前层到后层节点通过权连接，即拓扑结构为有向无环图的前向网络。由于采用ＢＰ算法，

所以常称之为ＢＰ神经网络。它是有导师的学习，是梯度下降法在多层前馈网

(17)

山东师范人掌硕Ｉ：学位论文

络中的应用。其基本思想是最小二乘法，采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均为最小。

ＢＰ学习算法由正向传播和反向传播组成。

正向传播中，输入信号从输入层经隐层传向输出层。若输出层得到了期望的输出，学习算法结束；否则，转至反向传播。

反向传播是将误差信号（样本输出与网络输出之差）按原连接通路反向计算，由梯度下降法调整各层神经元的权值和阈值，使误差信号减小。

输入层

节点

跨层节点

输出层节点

图２－２－２ＢＰ神经网络模型

２．２．３自适应线性神经元

自适应线性（Ａｄａｌｉｎｃ，ＡｄａｐｔｉｖｅＬｉｎｅａｒ）神经元，如图２．１－１（ａ）所示，

是由美国Ｓｔａｎｆｏｒｄ大学Ｗｉｄｒｏｗ教授于２０世纪６０年代初提出的。图中，输入为连续量，输出可以是连续量，也可以是二迸制数字量，它是一个连续时间线性神经元，适用于自适应信号处理、非线性系统控制和线性系统辨识。

２．２．４径向基函数神经网络

径向基函数（ＲＢＦ，Ｒａｄｉａｌ

^{Ｂａｓｉｓ}

Ｆｕｎｃｔｉｏｎ）神经网络，是由Ｊ．Ｍｏｏｄｙ和Ｃ．

Ｄａｒｋｅｎ于２０世纪８０年代末提出的一种神经网络，它是具有单隐层的三层前馈网络。结构如图２－２・３所示。由于它模拟了人脑中局部调整、相互覆盖接收域（或称感受域，ＲｅｃｅｐｔｉｖｅＦｉｅｌｄ）的神经网络结构，因此，ＲＢＦ是一种局部

(18)

逼近网络，已证明它能以任意精度逼近任一连接函数。

ＲＢＦ与ＢＰ网都是前馈型网络，它们的主要区别在于在非线性映射上采用了不同的作用函数，分别为径向基与Ｓ型函数，前者的作用函数是局部的，

后者的是全局的。

ＲＢＦ网络用于非线性系统辨识与控制中，虽具有惟一最佳逼近的特性，

且无局部极小的优点，但隐节点的中心难求，是该网络难以广泛应用的原因。

图２－２．３ＲＢＦ网络结构

２．２．５小脑模型神经网络

小脑模型神经网络也称小脑模型关节控制器（ＣＭＡＣ。ＣｅｒｅｂｃｌｌａｒＭｏｄｅｌＡｒｔｉｃｕｌａｔｉｏｎ）。人的小脑是感知和控制运动的，由神经生理学的研究可知，它由含局部调整、相互覆盖接受域的神经元组成．基于这种思想，Ｊ．Ｓ．Ａｌｂｕｓ于２０世纪７０年代提出了ＣＭＡＣ，它是模拟人的小脑的一种学习结构。是基于表格查询（ＴａｂｌｅＬｏｏｋ）式输入／输出的局部神经网络模型，提供了一种从输入至输出的多维非线性映射的能力。

ＣＭＡＣ的结构如图２．２４所示，它是前馈网络，有两个基本映射，表示输入，输出之间的非线性关系。ＣＭＡＣ是局部网络，每次学习调整的权数为ｃ，

因此学习的速度快，不存在局部极小点。

ＣＭＡＣ与ＲＢＦ二者都是局部网，输出表达式都是线性的。不同之处是二者接收域函数不同，前者是径向基函数，后者是Ｂ样条函数．

ＣＭＡＣ多用于机器人控制中，需要复杂的控制输入。

(19)

山东帅她大学硪士学位论文

侈 ^｜＼

蕊 _∥ 蓼

^＼^／

２．２．６

ＰＩＤ神经网络

图２．２．４小脑模型神经网络

ＰＩＤ神经网络是三层前向神经网络，具有非线性特性。它是将ＰＩＤ控制规律融入神经网络构成的，由于其隐层节点分别为比例（Ｐ）、积分（Ｉ）、微分

（Ｄ）单元，因此是动态前馈网络，采用反向传播（ＢＰ）学习算法。该网络的特点是结构简单、规范，易于实现。

本节以前介绍的多层前向网络ＢＰ和ＲＢＦ是静态网络：而ＰＩＤ神经网络是多层前向网络，隐层神经元的特性决定了它是动态网络。在动态系统的辨识、控制中，可当作辨识器、控制器。 ^’

２．２．７递归型神经网络

递归型神经网络（ＲＮＮ，ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｃ＇ｔｗｏｒｋｓ）也称为互联型网络，

是具有反馈的网络，因此它是动态网，分为全递归型与局部递归型两种．

１若网络有ｎ个神经元，则有ｎ２个连接权，即每一神经元均与网中所有神经元有连接（包括自身连接），这种ＲＮＮ称为全递归型。由于该网络权值多，稳定性与收敛性很难调试，因此在控制中很少采用。

２局部递归型网络常用于非线性系统的辨识与控制。

１４

(20)

２．２．８连续型Ｈｏｐｆｉｅｌｄ网络

Ｈｏｐｆｉｅｌｄ网络是Ｊ．Ｊ．Ｈｏｐｆｉｅｌｄ在２０世纪８０年代中期提出的，分离散型与连续型两种。本节介绍连续型网络。

连续型Ｈｏｐｆｉｅｌｄ网络是单层反馈型非线性网络，每一节点的输出均反馈至节点的输入。其实质是一个连续的非线性动力学系统，它可以用一组非线性微分方程来描述。当给定初始状态，通过求解非线性微分方程组即可求得网络状态的运行轨迹。若系统是稳定的，则它最终可以收敛到一个稳定状态。

Ｈｏｐｆｉｅｌｄ网络多用于控制系统的设计中求解约束优化问题，在系统辨识中也有应用。

２．３人工神经网络的几种学习算法

学习是神经网络的主要特征，也是当前研究的主要课题，学习的概念来自生物模型，它是机体在复杂多变的环境中进行有效的自我调节。神经网络具备类似人类的学习能力，那么神经网络如何进行学习呢？一个神经网络若想改变其输出值，但又不能改变它的转换函数，只能改变其输入，而改变输入

的唯一办法只能修改加在输入端的加权系数。

神经网络的学习过程是修改加权系数的过程，最终使其达到期望值。学习规则是修正神经元之间的联接强度或权系数的算法，使获得的知识结构适应周围环境的变化。学习过程由学习期和工作期两个阶段组成。在学习期内，

执行学习规则，修正权系数。在工作期内联接权值固定，计算神经元输出【１３１。

神经网络学习算法很多，本节介绍在控制领域常用的几种。

２．３．１无监督的Ｈｅｂｂ学习规则

１９４９年，加拿大心理学家Ｈｅｂｂ提出了一个简单规则，来说明经验如何塑造某个特定的神经回路．Ｈｅｂｂ学习规则是一类相关学习，其基本思想是：如果两个神经元同时被激活，则它们之间的联接强度的增强与它们激励的乘积成正比。网络调整权值的Ｈｅｂｂ规则是：若第ｉ个与第ｊ个神经元同时处于兴奋状态，它们之间的连接应加强，按照该规则，以Ｏｔ表示单元ｉ的激活值（输出），

ｏｊ表示单元ｊ的激活值，聊表示单元ｉ到单元ｊ的联接权值，则Ｈｅｂｂ学习规则可用下式表示：

(21)

山东师范大学坝ｅ学位论文

△坳＝ｒ／ｙｊ乃，，７＞０

^{（２・３・Ｉ）}

式中，ｒ／为学习速率。

上式表明两神经元间联接权的变化量与它们的激活值相关，显然Ｈｅｂｂ学习是一种无监督的学习，也称为相关学习规则。

２．３．２有监督的６学习规则

感知机（Ｐｅｒｃ呻ｎ）是一种最基本的神经网络模型，它是１９６１年由Ｒｏｓｅｎｂｌａｔｔ

提出的，设神经元的输入输出关系为：

臁Ｊ－Ｉｙ，胁／黜

１－ｆｚｆ，＝｛’

ＩＭ＝厂“） ^{Ｌｖ，“３”}

则学习规则为

△％（七）＝叩（ｑ（七）一ｑ（＿ｊ｝））ｑ（Ｄ＝鸦ｏ『（ｔ） ^{（２－３－２）}

式中，Ｊ，是实际输出与期望输出之差。由于这种学习规则的权值更新与６有关，所以也称为６学习规则（或称误差纠正学习规则）。

６学习的最终目的是使菜一基于６的目标函数达到最小，以使网络中每一输出单元的实际输出在某种统计意义上逼近应有输出，一旦选定了目标函数形成，误差纠正学习就变成了一个典型的最优化问题，最常用的目标函数是均方差判据，定义为误差平方和的均值【１４１。

２．３．３有监督的Ｈｅｂｂ学习规则

将无监督Ｈｅｂｂ学习规则和有监督Ｄｅｌｔａ学习规则两者结合起来，组成有监督Ｈｅｂｂ学习规则，即

△％（七）＝，７［ｄｊ（ｋ）－ｏｊ（ｋ）］ｏ，（ｋ）ｏｊ（ｋ）

^{（２・３・３）}

这种学习规则使神经元通过关联搜索对未知的外界作出反应，即在教师信号ｄ，（七）一ｏｊ（ｋ）的指导下，对环境信息进行相关学习和自组织，使相应的输出增强或消弱。

２．３．４竞争学习规则

顾名思义，在竞争学习时，网络各输出单元互相竞争，最后达到只有一个最强者激活，即网络的高层次单元对低层次单元的输入模式采用竞争性识

１６

(22)

别。学习时只需要输入学习样本，而无需教师信号的监督。可见这是一种无导师的学习规则。最常见的一种情况是输出神经元之间有侧向抑制性连接，

原来输出单元中如有某一单元较强，则它将获胜并抑制其它单元，最后只有此强者处于激活状态。

１７

(23)

山东师范大学硬士学位论文

第三章基于人工神经网络的系统辨识

随着控制过程复杂性的日益提高，经典自动化控制理论已难以满足现代自动化控制的要求，越来越多的控制理论与方法涌现出来。而神经网络的出现除了迎合这一要求之外，也提供了一种新的控制方法。但无论如何，控制理论的应用都不能脱离被控对象的数学模型，而在多数情况下被控对象的数学模型是不知道的或者说正常运行期间其参数会发生变化．因此，利用控制理论去解决实际问题时，首先需要建立被控对象的数学模型。数学模型建立的精确与否直接影响到控制品质的好坏．而系统辨识正是适应这一需要而形成的一门学科。

目前对于线性、时不变系统已经有了很多种辨识方法，但是对于非线性、

时变系统的辨识尚处于探索阶段．现在已有的一些非线性系统辨识方法，往往需要有关被辨识系统的结构形式的各种先验知识和假设，基本上只是针对一些特殊结构的非线性系统。

基于神经网络的非线性辨识方法是一种简单有效的一般性方法，它不需要过多的有关待辨识系统的先验经验，它是通过训练和学习，对网络连接权重值进行修正以达到系统辨识的目的，它为非线性系统的辨识提供了一条十分有效的途径。由于神经网络的学习能力，辨识器的参数可随着对象、环境的变化而自应地改变。

３．１系统辨识基本原理

３．１．１系统辨识的设计原理

众所周知，利用控制理论解决实际问题时，有时必须建立被控对象的数学模型。当无法靠系统机理建立被控对象的数学模型时，就只能依靠系统辨识的实验研究方法。Ｌ．九Ｚａｄｅｈ曾经给辨识下了一个定义：“辨识就是在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模

型。’’这个定义明确了辨识的三要烈１９１。

（１）输入／输出数据，指能够测量到的系统的输入和输出。

（２）模型类，指所考虑的系统的结构。

（３）等价原则，指辨识的优化目标。

１８

(24)

山东师范大学颀ｊ学位论文

对于系统辨识问题来说，如何选择模型、输入信号和误差准则是必须考虑且十分重要的。

（１）模型的选择

模型只能是在某种意义下实际系统的一种近似描述，正确地选择模型依赖于模型的用途和兼顾其精确性和复杂性等问题。在建立实际系统模型时，

由于存在精确性和复杂性的矛盾，则要找到解决矛盾的折衷方法。反映在选择多层网络模型上，由于隐层及其节点数的确定目前还没有理论上的明确揖导，折衷的方法即体现在通过多次仿真试验，找出能在给定准则下逼近原系统的最简单的多层网络模型。

（２）输入信号的选择

为了能够辨识实际系统，输入信号必须满足一定条件【２０】．

Ｃａ）在辨识时间内，输入信号必须是持续激励的。

（ｂ）激励时间必须充分长，否则来不及匹配．

（ｃ）输入信号的最优设计问题，即设计输入信号使给定问题的辨识精度最高．反应在ＢＰ网络上，训练样本的选择应能使训练好的网络对所有模式类的输出响应都比较接近于实际输出。常用的输入信号有：白噪声序列，二进制伪随机码序列，Ｍ序列与逆Ｍ序列。

（３）误差准则是用来衡量模型接近实际系统的标准，它通常表示为一个误差的泛函，常用的泛函为：

．，妒）＝∑丌８（明 ^{＜３－ｌ－１）}

式中，ｆ０是ｅＯ（）的函数，用的最多的是平方函数，即

歹。№ｇ）】＝，（磅（３－１ｉ２）

ｅ∞应广义理解为模型与实际系统的偏差，它可以是输出误差，也可以是输入误差或广义误差。

由于实际中不可能找到一个与实际系统完全等价的模型，因此，从实际观点看，辨识就是从一组模型中选择一个模型，按照某种原则，使之最好的拟合实际系统的动态或静态特性。图３・ｌ－１给出了一种常见的辨识结构。

辨识模型分成静态模型和动态模型两大类。在动态模型中又包含参数模型和非参数模型两类。非参数模型包括阶跃响应、脉冲响应、频率特性等，

它的前提是过程为线性的。这类方法可以适用于任何复杂的过程，工程上仍然采用它。对于参数模型而言，无论是静态模型还是动态模型，实际系统的

特性均表现在变化着的输～输出数据之中，辨识只不过是利用数学的方法，

１９

(25)

图３－１．１常见的辨识结构

从这些数据中提取系统Ｐ的数学模型只即确定嫩下式成立。

热扎删是模型袅篓划‰出喊。为（预３－１定－２的）

辨识精度。设ｅ＝ｚ一＝，辨识准则即为

州＝刊≥ｚＩ ^{Ｂ１．３’}

３．１．２系统辨识在工业中的应用

系统辨识在工业方面有着广泛的应用，是控制系统设计的基础，可以归结为以下几个方面。

（１）

控制系统的分析和设计

由辨识所得的被控对象模型可作为改进的依据用于分析已有控制系统，也可用于控制系统的设计。

（２）

在实时控制系统中，系统辨识器作为被控对象的模型，可由其不断地调整控制器参数，以获得比较好的控制效果，如自校正、模型参考自适应控制等。

（３）

有的控制结构，如内模控制、自适应逆控制等，用系统的逆模型作为控制器，因此需建立系统的逆模型，并对其进行辨识。

（４）

预测、预报

在模型结构确定的情况下，建立时变模型并预测其参数，以实现系统参数的预测、预报。

（５）

监视系统运行状态，进行故障诊断

由系统运行的状态信息可推测系统动态特性的变化，判断运行是否正常。

(26)

若有故障，可判断故障位置、状况等。

目前，对线性、非时变和具有不确定参数的对象进行辨识和自适应控制的研究已经取得了很大的进展．而对于非线性系统的辨识和自适应控制问题，

往往需要有关被辨识系统的结构形式等各种先验知识和假设，因此，他们基本上是针对某些特殊非线性系统而迸行的。由于神经网络具有很强的逼近任意非线性对象的能力，所以神经网络给非线性系统的辨识带来了很好的方法。

３．２神经网络系统辨识器概述

将神经网络用于系统辨识，即选择一个合适的神经网络模型来逼近实际的系统。

一般来说，神经网络用于系统辨识时有两种结构［２１３，一种称之为串一并联结构，另一种是并联结构。如图３－２所示。

（ａ）串．并联结构（ｂ）并联结构

图３．２两种辨识结构

如图３－２（ａ）所示，由于被辨识系统Ｐ的输入与Ｐ并联，而Ｐ的输出串联至Ｐ的输入，故称之为串．并联结构。即将辨识对象的输出经过一个逻辑迟延单元延迟处理之后送入神经网络，与辨识对象的输入组合成一个输入向量，

送入辨识网络进行学习。从拓扑结构来看，这是一种外时延的递归网络，由于要用到未知辨识系统的输出作为网络输入向量的一部分，所以学习结束后的神经网络不能够完全代表系统。但是这种结构的学习收敛性比较好。

与串并联结构不同，并联模型不是将辨识对象的输出反馈回辨识网络的输入端，而是将神经网络辨识器的输出经过一个逻辑延迟单元经过延迟处理之后送入辨识器的输入端。这样，学习好后的网络可以完全代表未知系统，即可以脱离被辨识系统单独使用。

当采用并联辨识时，网络的输出与实际对象的输出相差太大，不能用它来代替对象来进行寻优或仿真研究。这种并联结构模型的收敛性很差，只有在满足一定条件的情况下才会收敛，一般很少应用于对象辨识中。

２１

(27)

基于以上的介绍我们可以看出两种辨识结构各有其优缺点。串．并联结构辨识的收敛性有保证，并且其辨识效果很好，这种方法能够广泛的应用到神经网络控制系统中。但是因为辨识参数一直要依靠实际对象，无法脱离实际对象使用，使用其应用范围受到一定程度的限制。而并联结构的辨识结构其收敛性需要要在一定的约束条件下才能有保证，并且这种辨识结构无法采用前向网络实现，而只能采用递归网络来实现，有文献表明∞１递归网络的推广性能要次于前向网络。所以，并联结构的辨识效果要次于串．并联结构。但是采用该种结构的辨识结果能够脱离实际对象来使用阱３，这为我们进行神经网络辨识提供了一种新的思路。也为我们利用神经网络获取实际对象的传递函数提供了一种研究方法。

采用神经网络辨识对象时，对输入的信号基本上没有什么特殊的要求。但是为了使神经网络尽可能多地获取对象的各种特性，以使它能够较为准确地辨识出对象，在采集对象的输入输出数据时，应尽量取对象的输入发生变化的时段。这时候，对象的输入输出波动较大，含有较为丰富的对象动态信息。

神经网络对这些数据进行学习，就可以将蕴涵在这些数据中的对象信息自动地归纳出来，并以网络结构、权值和阈值的形式保存在网络中。如果对象始终处于稳定运行状态中，输入输出数据变化很小，甚至基本上不变，神经网络可以学到的对象的特性和动态信息就会比较少，不能取得满意的效果。

采集得到的对象输入／输出数据中有时可能含有较强的噪声，如一两个周期内出现幅值的很大变化。这时，在进行权值修正的过程中，网络中的某些神经元的权值就会出现异常的变化，当进行正常数据的运算处理时，就会出现很大的偏差。如果不对原始数据进行处理，辨识效果也会很差。因此，在使用前要对这些数据进行滤波处理，以减小噪声对辨识精度的影响。一般来说，我们采用的滤波器多采用一阶的小惯性环节。

运用神经网络辨识器进行辨识有两种方法饼】。一种是在线辨识，另外一种是离线辨识。在线辨识是在系统实际运行中完成的，辨识过程要求具有实时性，即必须在一个采样周期的时间间隔内产生一次模型参数估计的调整值。

离线辨识是在取得系统的输入，输出数据并存储后再辨识。因此，辨识过程与实际系统是分离的，无实时的要求。离线辨识能使网络在系统工作前预先完成学习过程，但因输入输出训练很难覆盖系统所有可能的工作范围，且难以适应系统在工作过程中的参数变化，所以，为了克服其不足，先进行离线训练，得到网络的权系值再进行在线学习，将得到的权值作为在线学习的初始权，以便加快后者的学习过程。由于神经网络所具有的学习能力，在被辨识

(28)

山东师范大学硕｝？学位论文

系统特性变化的情况下，神经网络能通过不断地调整权值和阈值，自适应地跟踪被辨识系统的变化。

３．３神经网络系统辨识器的设计

在采用神经网络进行系统辨识时，首先要考虑的问题就是网络结构的设计问题。然后再加上相应的联系单元，既可以构成一个适合于我们待辨识系统的神经网络辨识器。由于已证明含有一个隐含层的ＢＰ网络可逼近任意连续函数，通常在选择网络层数时，一般选含有一个隐层的三层网络。各层的神经元个数可按下面原则选取∞Ｊ：

输入层Ｉ：输入层神经元个数的选取应当依据待辨识的系统的输入个数来进行设置。

设系统的输入个数为ｎ１个，ｎｌ为输入层神经元的个数，则ｎｌ＝ｍ。

隐含层Ｈ：目前隐含层神经元的个数ｌｌ｝Ｉ的确定尚无确定的理论指导，但在网络用于系统辨识时，可按ｎＨ＞ｎｌ选取。

通常我们进行神经网络系统辨识的时候，因为不但要考虑到辨识的效果好坏，还要考虑到神经网络规模大小对计算时间的长短，因此，我们通常进行辨识的时候隐层单元一般选取为５．１２之间的数值，当能够用较少的隐层神经元进行辨识的时候，要尽可能选取较少的隐层神经元。因为每增加１个隐层神经元，其连接权就会增加（设原来的隐神经元数为Ｈ个）２Ｈ＋１个，其计算量将大为增加。如果考虑进去加入联系单元之后的情况，其增加的计算量是很大的。

’

输出层０：该层神经元的个数ｎ０为待辨识系统的输出个数。在单输入单输出系统中ｎｏ＝１。

３．４神经网络辨识与传统辨识的比较

与传统的基于算法的辨识方法相比，基于神经网络的辨识具有以下几个特点：

（１）不要求建立实际系统的辨识格式。因为这里将神经网络本身视为辨识模型，其可调参数反映在网络内部的权值上。

（２）可以对本质非线性系统进行辨识。辨识是非算法式的，由神经网络本身体现。辨识结果为网络外部特性拟和系统的输入，输出特性，网络内部特

(29)

山东师范丈学硕．Ｌ学位论空

性归纳隐含在系统输入／输出数据中。

（３）辨识的收敛速度不依赖于待辨识系统的维数，只与神经网络本身的结构及其所采用的学习算法有关系。而传统的辨识学习算法随模型参数维数的增大变得很复杂。

（４）神经网络具有大量连接，其连接权的权值在辨识中相当予模型参数，

通过调节这些参数可使网络输出逼近系统输出口ｑ。

(30)

山东师范人学硕士学位论文

第四章人工神经网络控制

人工神经网络控制是２０世纪８０年代以来，由于人工神经网络研究所取得的突破性进展，与控制理论相结合，而发展起来的自动控制领域的前沿学科之一．它已经成为智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径．

４．１传统控制理论及其局限性

自２０世纪４０年代以来，传统控制理念得到了快速的发展，形成了完整的理论体系和控制系统的大规模产业化。２０世纪７０年代以来的近３０年中，

为了解决航天、军事、工业、社会系统等复杂的控制任务，控制理论以科学史上前所未有的速度经历了现代控制理论和大系统理论两个重要的发展阶段，但是，它对精确数学模型的依赖性，使其应用受到很大的限制。无论是现代控制理论还是大系统理论，其分析、综合和设计都是建立在严格和精确的数学模型基础之上的。而在科学技术和生产力水平高速发展的今天，人们对大规模、复杂和不确定性系统实行自动控制的要求不断提高。因此，传统的基于精确数学模型的控制理论的局限性日益明显．

被控对象的复杂性表现为：模型的不确定性，高度非线性，分布式的传感器和执行器，动态突变，多时间标度，复杂的信息模式，庞大的数据量，

以及严格的特性指标。环境的复杂性是以其变化的不确定性和难以辨识为特征的。在传统控制中，往往只考虑控制系统的受控对象所组成的“独立”体系，

忽略了环境所施予的影响，而现在的大规模复杂的控制和决策问题，必须把外界环境和对象，以及控制系统作为一个整体来进行分析和设计。

对于控制任务或控制目标，以往都着眼于用数学语言进行描述，这种描述经常是不精确的。实际上，控制任务和目标有多重性（多目标）和时变性，

一个复杂任务的确定，需要多次的反复，而且还包括任务所含信息的处理过程，也即任务集合的处理。

传统的控制理论都是建立在以微分和积分为工具的精确模型之上的。迄今为止，还不存在一种直接使用工程技术用语描述系统和解决问题的方法。

从工程技术用语到数学描述的映射过程中，一方面虽使问题作了很多简化，

但另一方面却使原问题丢失很多信息。

人工神经网络控制在电力系统中的应用研究

山东师范大学 硕士学位论文