法律状态公告日
法律状态信息
法律状态
2023-02-03
公开
发明专利申请公布
技术领域
本发明属于模型预测控制领域,具体涉及一种基于残差神经网络优化的模型预测控制方法。
背景技术
模型预测控制(Model Predictive Control,简称MPC)是近年来兴起的一种电机传动控制策略,在风力发电,船舶推进,牵引传动等工业领域逐步得到应用,MPC相较于传统的矢量控制具有多目标、多变量和多约束条件的控制特性,更适用于多电平变流器。同时,MPC可以大幅提升牵引电机的转矩响应速度,平衡直流侧中点电压,降低变流器的电流谐波和开关损耗。此外,MPC可以方便地处理多目标优化问题,优于传统的磁场定向矢量控制和直接转矩控制。因此,MPC并被认为是最具发展潜力的电机控制策略之一。然而,MPC的控制性能受限于代价函数及其权重因子的设计,目前权重因子的设计和优化方法还较少,尚缺少成熟的理论方法。
常规的权重因子优化方法主要从避免使用代价函数和状态观测器两个方面入手。前者利用电压信号注入、参考矢量合并、重构冗余矢量等手段,达到取消权重因子的目的,避免了权重因子的选择,但牺牲了系统动态性能。后者通过观测器监测不同工况下的状态信息,根据模型预测控制性能,在线调整代价函数的权重因子,进而实现权重因子的在线调节与优化,但是该方法增加了控制系统的复杂度和计算量,降低了MPC的响应速度,当用于多电平变流器系统时,运算量将急剧增加。因此,亟需研究一种既不增加计算量又具备普适性的权重因子优化方法,提高MPC控制性能,满足牵引列车复杂运行工况下的牵引需求。近年来,随着人工神经网络(Artificial neural network,ANN)的蓬勃发展,ANN的非线性拟合特性在模式识别、自然语言处理、生物技术及交通运输等方面得到了广泛的应用。
发明内容
针对上述的不足,本发明提供一种基于残差神经网络优化的模型预测控制方法,利用残差神经网络对MPC算法的代价函数及其权重因子进行优化,实现各种运行工况下的最优控制,且不需增加MPC算法的计算负担。
本发明的一种基于残差神经网络优化的模型预测控制方法,包括以下步骤:
步骤1:建立系统状态变量的预测模型,调节模型预测控制算法的代价函数,记录不同权重因子下的电流谐波畸变率和开关频率组成数据样本。
步骤2:根据所收集的数据,建立优化目标函数,同时将数据集分为训练集、验证集和测试集,用于网络评估与训练。
步骤3:构建残差并联神经网络,将权重因子作为网络输入层,目标函数作为网络输出层,依托数据集和Adam算法训练网络,根据评价指标调节神经网络的残差模块、网络深度等超参数,选取指标最优网络。
步骤4:将步长更短的权重因子作为最优网络的输入层,预测目标函数,寻找使目标函数最小的权重因子,实现状态变量的最优控制。
进一步的,上述模型预测控制算法代价函数的建立方法具体为:
以永磁电机为控制对象,建立电机驱动系统在旋转坐标系下的定离散化子电流预测模型,表示为:
其中,i
根据流经直流母线上、下电容的电流值,建立直流母线侧电容的离散化预测模型,预测直流母线侧上、下电容的电压值;其计算公式为:
其中,i
其中,J
根据建立的跟踪电流误差、中点电压偏差和开关频率跟踪误差的代价函数建立总的代价函数表示为:
J=J
其中,J为总代价函数,λ
进一步的,上述步骤2具体为:
将数据集进行异常值处理,异常值表示为:
I=Q
O
O
其中,Q
训练集与交叉验证集需进行归一化处理,从而提高残差网络的训练速度;采取极差变化法对数据进行归一化,将数据映射到[0-1]之间,其过程表示为:
其中,x
训练集用于训练神经网络,交叉验证集和验证集分别用于评估网络准确率和泛化能力,准确率与泛化能力的量化指标表示为:
其中,RMSE为量化指标,
进一步的,上述步骤3构建的残差并联神经网络包括输入层、全连接层、激活函数层、全连接网络、累加层、并联网络单元、残差连接、输出层。
输入层由模型预测控制权重因子构成分别为中点电压平衡λ
g
a
其中,g
并联网络单元与残差连接共同构成了残差并联网络,残差连接使并联网络单元跳过下一层,隔层与累加层相连。
根据所收集的数据集,定义残差网络的目标函数,表示为:
f
其中,THD为电流谐波总畸变,f
根据收集的数据,将权重因子作为残差并联网络输入层,电流谐波畸变为网络输出层,结合Adam算法进行反向传播训练,根据RMSE评估训练好的网络,根据训练结果调节并联结构的超参数,选取最优网络。
进一步的,将步长更短的权重因子作为最优网络的输入层,最优网络将给出对应的目标函数值,使目标函数最小的权重因子为该目标函数下的最优权重因子。
本发明的有益技术效果为:
(1)本发明所提出的模型预测控制方法通过构建残差并联神经网络,对神经网络进行离线训练,使其具备预测最优权重因子能力,该方法不会增加模型预测控制算法的计算负担,能客观、高效地预测出不同工况下的最优权重因子,由于该方法属于数据驱动算法,只需要收集和定义网络输入层和输出层的数据,无需改变模型预测控制算法本身。
(2)本发明相较于传统BP神经网络,其准确性更高,残差连接避免了深度网络梯度消失和网络退化问题,并联结构使残差网络在同等参数的规模下,具有更好的模型表达能力和更高的预测准确率,同时并联结构简化了神经网络调节难度。
(3)该发明是基于数据驱动的优化方法,对数据差异具有很好的鲁棒性,因此该方法较适用于复杂运行工况下的模型预测控制策略,如牵引电机模型预测控制系统,该复杂工况可由几个目标函数等效,从而简化了控制系统的复杂度。
附图说明
图1为本发明的模型预测控制权重因子优化流程图;
图2为基于三电平中点钳位型逆变器的永磁电机驱动系统框图;
图3为本发明的模型预测控制仿真图;
图4为本发明的残差并联神经网络结构图;
图5为本发明的残差并联神经网络训练效果图;
图6为本发明的残差并联神经网络优化结果图。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明以三电平中点钳位型逆变器馈电的永磁电机驱动系统为案例,提供一种基于残差神经网络优化的模型预测控制方法,如图1所示,具体为:
S1、建立系统状态变量的预测模型,调节模型预测控制算法的代价函数,记录不同权重因子下的电流谐波畸变率和开关频率组成数据样本。
本发明首先建立永磁电机驱动系统的数学模型,如图2所示,为本实施例所涉及的三电平二极管中点箝位型逆变器永磁电机驱动系统。逆变器拓扑中每相桥臂包含四个相同开关频率的开关器件,其中,开关管T
表1三电平逆变器的开关状态
表中,V
S
式中,S
其中,u
其中i
实际应用中,由于存在计算采样延时,需要对延迟进行补偿,通过对采样延时和控制延时进行一步补偿,得到k+2采样时刻下的dq轴定子电流预测值,表示为:
其中,i
根据逆变器的开关状态和相电流,计算直流母线电容电流,表示为:
其中,i
根据流经直流母线上、下电容的电流值建立逆变器直流母线侧电容的离散化预测模型,预测直流母线侧上下电容电压值;其计算方式为:
其中,v
其中,J
根据建立的建立跟踪电流误差、中点电压偏差和开关频率跟踪误差的代价函数建立总的代价函数表示为:
J=J
其中,J为总的代价函数,λ
在建立了残差并联网络所需的数据集之后,本发明按照后续步骤分别对数据集异常值清理并归一化。
S2、根据所收集的数据,建立优化目标函数同时将数据集分为训练集、验证集和测试集,用于网格评估与训练。
根据所收集的数据集,定义残差网络的目标函数,可表示为:
f
其中THD为电流谐波总畸变,f
I=Q
O
O
其中Q
其中x
其中,RMSE为量化指标,
S3、构建残差并联网络,将权重因子作为网络输入层,目标函数作为输出层,依托数据集和Adam算法训练网络,根据评价指标调节神经网络的残差模块、网络深度等超参数,选取指标最优的残差网络。
残差网络如图4所示,主要包括输入层1、全连接层2、激活函数层3、全连接网络4、累加层5、并联网络单元6、残差连接7、输出层8:
输入层1由模型预测控制权重因子构成分别为中点电压平衡λ
g
a
其中,g
并联网络单元6与残差连接7共同构成了残差并联网络,残差连接7使并联网络单元6跳过下一层,隔层与累加层5相连,弱化每层之间的强联系。避免了神经网络训练过程中梯度消失和网络退化的问题,使深层网络具有更好的训练性能。
根据网络训练集,结合Adam算法进行反向传播训练。其中Adam算法的伪代码如表2所示。通过反向传播更新w
表2 Adam反向传播算法
S4、将步长更短的权重因子作为最优网络的输入层,最优网络将给出对应的目标函数值,对最优网络的预测值进行逆归一化,得到目标函数的真实值,进而寻找使目标函数最小的权重因子,实现状态变量的最优控制。
其中,权重因子范围不变,步长为0.01,在预测的f
机译: 残差特征估计模型创建方法和残差特征估计模型创建系统
机译: 视频流的图像部分压缩方法,涉及基于与预测相关的失真值以及与残差相关的速率和失真来决定对残差进行编码还是不进行编码
机译: 用于检测和识别飞机飞行控制系统中的振荡误差的方法,包括基于控制信号,位置,提供的指示飞机飞行状况的矢量和模型来确定残差