一种热工非线性系统辨识方法、系统、介质、设备及终端
1.本发明属于火电机组热工过程非线性系统辨识技术领域，尤其涉及一种热工非线性系统辨识方法、系统、介质、设备及终端。
背景技术：
2.目前，系统辨识是现代控制科学与工程领域的其中一个部分，用于研究和建立一个以数学模型为基础的系统的技术方法。从实际角度来说，系统辨识需要根据输入输出选择一个可以良好拟合实际系统中输入输出关系的有效模型。本质上说，系统辨识是一类优化问题，依靠建立系统参数模型，辨识方法可以将辨识问题转化为参数估计问题。系统辨识方法的主要困难是难以用于非线性系统，而对于线性系统可以取得良好的辨识效果。在实际生活中，收到各种因素的影响，绝大多数系统都是非线性的，因此非线性系统辨识是一项重要且困难的任务，受到研究者的广泛关注。
3.非线性系统与日常生产生活密不可分，当前非线性系统辨识的研究仍在发展阶段。建立有效的描述非线性系统的模型是研究非线性问题的基础，常见的非线性系统研究方法主要是将某些非线性情况忽略，或者使用线性关系近似替代非线性关系，从而使用线性系统辨识理论进行解决。随着科学技术的飞速发展，线性系统辨识理论逐渐无法满足复杂控制系统对控制精度的要求。许多复杂的工业过程，包括火电厂热工生产过程，由于现场设备方面的大量的随机特性变化，或者过程外部影响因素的随机特性变化，有时严重影响到对象动态特性辨识。如何在对象动态特性辨识过程中，运用系统工程方法，先系统地对对象的基本特性、外部扰动特性、设备扰动特性进行分析，寻求出最能代表对象动态特性的动态特性数据，然后采用智能优化算法，准确分析对象最主要的动态特性是本发明的主要工作内容。
4.随着人工智能技术的不断发展，以模糊神经网络模型为代表的方法在模式识别、机器学习、智能计算等方面有着极其广泛且深远的发展。模糊神经网络模型具有强大的非线性逼近能力。借助模糊集合理论和非线性逼近器，可以让模糊宽度学习系统具有模糊推理和自适应的特点，能够拟合非线性系统中复杂的输入输出关系。然而，已有的用于非线性系统辨识的模糊神经网络模型普遍存在计算效率低、辨识效果差、泛化能力弱等特点，无法充分满足非线性系统辨识的精度需求。
5.模糊宽度学习系统是一种新颖的模糊神经网络，与已有的模糊神经网络相比，模糊宽度学习系统继承了宽度学习系统扁平结构的优势，能够通过模糊子系统和增强节点的横向扩展实现模型性能的有效提升。得益于结构优势，模糊宽度学习系统可以有效拟合非线性系统的输入输出关系，从而充分提升模型的辨识能力。尽管模糊宽度学习系统在非线性系统辨识中已经取得了具有竞争力的效果，然而该模型包含多个超参数需要调整，这直接影响到模糊宽度学习系统在非线性系统辨识中的稳定性，模型性能还有待进一步提高。因此，在面对日益复杂的非线性系统时，在没有确定最优的模糊宽度学习系统结构情况下，模糊宽度学习系统的非线性系统辨识效果并不是最佳的。
6.通过上述分析，现有技术存在的问题及缺陷为：
7.(1)现有的用于非线性系统辨识的模糊神经网络模型普遍存在计算效率低、辨识效果差、泛化能力弱等特点，无法充分满足非线性系统辨识的精度和速度需求。
8.(2)模糊宽度学习系统具有比其他神经模糊模型更优的逼近能力，然而将模糊宽度学习系统模型用于非线性系统辨识，需要调整多个超参数以获得最佳性能。目前尚且缺乏用于模糊宽度学习系统参数寻优的启发式算法，因此无法满足实际工程应用中对精度和速度的要求。
9.(3)在面对复杂扰动的非线性系统时，在没有确定最优的模糊宽度学习系统结构情况下，模糊宽度学习系统的非线性系统辨识效果并不是最佳的。
技术实现要素：
10.针对现有电厂热工非线性系统存在的模型辨识问题，本发明提供了一种热工非线性系统辨识方法、系统、介质、设备及终端，尤其涉及一种基于nsfpso-fbls的热工非线性系统辨识方法、系统、介质、设备及终端，旨在克服模糊宽度学习系统在解决热工非线性系统辨识任务中的不足。
11.本发明是这样实现的，一种热工非线性系统辨识方法，所述热工非线性系统辨识方法包括：通过模糊宽度学习系统构建热工非线性系统的输入输出关系，使用岭回归算法更新模糊宽度学习系统的权重，并利用nsfpso算法(节点适应度粒子算法)搜索最优模糊宽度学习系统结构，进而实现热工非线性系统的辨识。
12.进一步，所述热工非线性系统辨识方法包括以下步骤：
13.步骤一，针对主蒸汽压力系统主蒸汽温度系统进行仿真，获得用于模型热工非线性系统辨识的样本集，并将样本集划分为训练集和测试集两部分；
14.步骤二，将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统中的模糊子系统进行推理，岭回归算法用于更新模糊宽度学习系统的权重；通过nsfpso算法对模糊宽度学习系统的模糊规则nr、模糊子系统nf和增强节点ne三个参数进行搜索，确定最优模型结构；
15.步骤三，根据测试集样本，利用经过优化搜索的最优模糊宽度学习系统结构进行预测，使用均方误差rmse指标评估预测效果，同时评估模型测试所需时间。
16.进一步，所述步骤一中，根据不同的非线性系统公式分别生成500个训练样本和200个测试样本；将500个训练样本用于训练fbls模型，200个测试样本用于在fbls模型上进行测试。
17.进一步，所述步骤二中的模糊宽度学习系统包含tsk模糊子系统、增强层和输出层；
18.tsk模糊子系统的输入样本数量和维数分别为n和m，表示为：
19.20.模糊子系统的输出为其中为基于高斯核函数的加权强度，是第s条模糊规则的结果；
21.增强层的输出为：h＝(h1,h2,...,h
l
)；其中，l(q＝1,2,...,l)表示增强节点组的数量；第q增强节点组的输出表示为hq＝ε(zw
eq
+bq)；w
eq
和bq为随机生成的矩阵和偏差项；ε代表增强层的非线性激活函数；
22.输出层的输出为其中，w
df
是模糊子系统到输出层的权重矩阵，wh是增强层到输出层的权重矩阵。
23.进一步，所述步骤二中的将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统进行训练和推理；通过节点适应度粒子算法对模糊宽度学习系统的模糊规则nr、模糊子系统nf和增强节点ne三个参数进行搜索包括：
24.(1)初始化体操作，种规模为n，学习因子为c1和c2，惯性权重为w，速度为v；其中不同粒子的位置信息x包括模糊规则数量、tsk模糊子系统数量和增强节点数量；
25.(2)对于第t次迭代，计算nsfpso的适应度函数；根据粒子给定信息利用节点敏感适应度函数计算每个粒子的适应度；通过对比每个粒子适应度值和当前最优全局适应度值，获得当前个体最优值pbest和体最优值gbest；节点敏感适应度函数可以表达为：
26.sum＝nr+nf+ne+1
[0027][0028][0029]
其中，适应度函数fitness由两部分指标组成，均方误差rmse和节点敏感度参数nr、nf和ne；y和分别为模糊宽度学习系统的期望输出值和实际输出值；α、β、ε、γ和θ分别为适应度函数的权衡系数；
[0030]
(3)判断是否达到迭代终止条件－－判断是否达到最大迭代次数，若未达到最大迭代次数，则获得粒子位置信息和速度信息；
[0031]
(4)更新每个粒子的位置信息和速度信息，其中位置信息更新为：
[0032]wt
＝(w
ini-w
end
)(g
max-g)/g
max
+w
end
；
[0033]
其中，g
max
是最大迭代次数，w
ini
是初始惯性权重，w
end
是最大迭代次数对应的惯性权重，速度信息的更新为：
[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是粒子的数量；w是惯性因子，用于权衡局部搜索能力和全局搜索能力；rand为0～1之间的随机数；
[0036]
(5)根据步骤(3)获得的速度信息，对第t+1次迭代位置信息x进行更新：
[0037]
x
t+1
＝x
t
+v
t+1
；
[0038]
(6)根据步骤(5)获得的粒子位置信息，通过岭回归算法训练模糊宽度学习系统，并返回步骤(2)；
[0039]
(7)根据步骤(3)，若达到最大迭代次数，则输出最佳粒子信息－－最佳参数组合，最终选择最优的节点数作为输出结果。
[0040]
进一步，所述初始粒子种数量为30，学习因子c1和c2均为2.1，惯性权重w
ini
和w
end
分别为0.9和0.3，适应度权衡参数α、β、ε、γ和θ的初始值分别为0.2，0.5，0.3，0.2，0.8。
[0041]
所述步骤(6)中，通过岭回归算法训练模糊宽度学习系统时还包括：
[0042]
1)随机初始化操作，随机生成模糊子系统去模糊权重
[0043]
2)根据公式获得模糊子系统地去模糊化输出，其中f
ip
是模糊子系统的输出，是基于高斯核函数的加权强度，是去模糊化随机权重，是模糊规则的结果；
[0044]
3)根据公式计算不同模糊子系统地去模糊化输出；
[0045]
4)根据公式hq＝ε(zw
eq
+bq)计算增强层的输出；
[0046]
5)根据岭回归算法训练模糊宽度学习系统fbls权重的计算公式w
fbls
＝(z,h)
+
y＝(λi+(z,h)
t
(z,h))-1
(z,h)
t
y计算模糊宽度学习系统的权重，其中y是模型的期望输出。
[0047]
其中，初始模糊子系统的节点数量为4，模糊规则的节点数量为10，增强节点的节点数量为6。
[0048]
本发明的另一目的在于提供一种应用所述的热工非线性系统辨识方法的热工非线性系统辨识系统，所述热工非线性系统辨识系统包括：
[0049]
样本集获取模块，用于获得用于模型热工非线性系统辨识的样本集，并将样本集划分为训练集和测试集两部分；
[0050]
模型训练模块，用于将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统进行训练和推理；
[0051]
参数搜索模块，用于通过节点适应度粒子算法对模糊宽度学习系统的模糊规则nr、模糊子系统nf和增强节点ne三个参数进行搜索；
[0052]
系统预测模块，用于根据测试集样本，利用经过优化搜索的最优模糊宽度学习系统结构进行预测。
[0053]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的热工非线性系统辨识方法的步骤。
[0054]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的热工非线性系统辨识方法的步骤。
[0055]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的热工非线性系统辨识系统。
[0056]
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
[0057]
本发明提供了一种基于nsfpso-fbls的热工非线性系统辨识方法，通过模糊宽度学习系统构建非线性系统的输入输出关系，使用岭回归算法更新模糊宽度学习系统的权重，并利用nsfpso算法搜索最优模糊宽度学习系统结构，相比较于原始的模糊宽度学习系统，本发明提供的方法的系统辨识能力更高，能够很好地描述系统的输入输出映射关系，具有收敛速度快，训练过程稳定，泛化能力强，辨识精度高的优点，在非线性系统辨识中具有较高的应用价值。
[0058]
相比于现有的技术，本发明提供的模糊宽度学习系统去除了冗余操作，网络结构较为简单，计算效率高，通过岭回归算法计算模糊子系统的后件参数和增强节点权重，可以快速更新整个网络的权重，再结合nsfpso算法搜索模糊宽度学习系统超参数，从而获取最佳模糊宽度学习系统结构，解决了模糊宽度学习系统超参数难以调整，对复杂非线性系统辨识效果不佳的问题，不仅有效提升了拟合非线性系统的精度，还稳定了模型整体的训练过程。
[0059]
本发明提供的模糊宽度学习系统结构简单，去除了冗余结构，拟合能力强，计算效率高，可以有效提升非线性系统辨识精度。本发明的nsfpso算法用于搜索最优模糊宽度学习系统结构，通过计算节点敏感适应度参数，加速算法收敛过程，能够以更快的速度寻到最优的模型结构，使得训练过程更加稳定，同时提升了模型在非线性系统辨识任务中的泛化能力。本发明的岭回归算法是一种正则化权重更新算法，能够缓解过拟合和欠拟合问题，其运算速度快，无需迭代更新，能够进行参数全局更新，获得令人满意的模糊宽度学习系统。
[0060]
使用本发明的nsfpso-fbls模型在获得最优结构之后，与bls宽度学习系统在相同测试样本上进行rmse均方误差和运行时间对比，可以看出，本发明的nsfpso-fbls可以获得更小的rmse和运行时间，说明nsfpso-fbls具有更精确的辨识能力和更高的计算效率，同时nsfpso-fbls可以使用更少的节点数量获得满意的性能，能够有效反映非线性系统的输入输出映射关系。
[0061]
本发明提供的热工非线性系统辨识方法，具有辨识精度高，稳定性强，计算效率高的优点，能够实现对非线性系统输入输出映射的快速有效逼近。
[0062]
本发明提供了一种有效搜索模糊宽度学习系统最优结构的节点适应度粒子算法，可以确保参数搜索过程快速收敛到全局最优值。该算法可以扩展到其他宽度学习系统变体结构的最优结构搜索，确保模型获得最优参数组合。
[0063]
本发明提供的模型计算复杂度低，计算推理过程简单高效，能够同时用于神经网络逼近和模糊推理，具有快速确定最优模型结构和快速更新模型权重的优点，不仅可以有效提升模型在热工非线性系统中的辨识效果，还可以推广到其他非线性系统辨识任务中。因此，本发明提供的方法在非线性系统辨识任务中具有较强的应用价值。
[0064]
本发明的技术方案填补了国内外业内技术空白：不同领域的非线性系统辨识任务存在较大差异，已有的神经网络模型的泛化能力有限，无法使用一种通用的模型用于不同的非线性系统辨识任务。本发明提供的非线性系统辨识方法具有较强的泛化能力，可以广泛拓展到其他非线性系统辨识领域，充分弥补了不同非线性系统辨识领域模型不兼容的缺
点，从而填补了非线性系统辨识模型不足的空白。
[0065]
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：火力发电作为我国电力主要来源之一，其中利用热工对象进行动态特性辨识，已经成为过程控制领域应用的基础。建立更加精确的系统辨识模型，更加快速有效地逼近真实输出是当前企业在生产调度、预测仿真环节的主要需求。一方面，现行的基于神经网络模型的非线性系统辨识算法性能有限，无法对扰动较大，复杂度较高的非线性系统进行逼近；另一方面，已有的辨识方法实时性较差，无法在有效时间获取控制器的输出，实际工程应用难度较高。本发明提供了一种用于热工非线性系统辨识的新方法，克服了热工系统难以精确拟合输入输出复杂非线性关系，在有效拟合非线性系统真实输出的同时确保模型的实时性，促进神经网络模型的工程实际应用落地。
附图说明
[0066]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0067]
图1是本发明实施例提供的热工非线性系统辨识方法流程图；
[0068]
图2是本发明实施例提供的热工非线性系统辨识方法原理图；
[0069]
图3是本发明实施例提供的模糊宽度学习系统结构的原理图；
[0070]
图4是本发明实施例提供的步骤2的具体流程图；
[0071]
图5是本发明实施例提供的步骤26的具体流程图；
[0072]
图6是本发明实施例提供的基于nsfpso-fbls的迭代适应度函数收敛图；
[0073]
图7是本发明实施例提供的基于nsfpso-fbls输出、bls输出和真实系统输出数据对比图；
[0074]
图8是本发明实施例提供的基于nsfpso-fbls与bls预测误差对比图。
具体实施方式
[0075]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0076]
针对现有技术存在的问题，本发明提供了一种热工非线性系统辨识方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。
[0077]
为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
[0078]
如图1所示，本发明实施例提供的热工非线性系统辨识方法包括以下步骤：
[0079]
s101，利用给定的非线性系统生成样本集，并将样本集划分为训练集和测试集两部分；
[0080]
s102，将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统进行训练；
[0081]
s103，通过节点适应度粒子算法对模糊宽度学习系统的模糊规则nr、模糊子系
统nf和增强节点ne三个参数进行搜索；
[0082]
s104，根据测试集样本，利用经过优化搜索的最优模糊宽度学习系统结构进行预测。
[0083]
相比于现有的技术，本发明实施例提供的模糊宽度学习系统去除了冗余操作，网络结构较为简单，计算效率高，通过岭回归算法计算模糊子系统的后件参数和增强节点权重，可以快速更新整个网络的权重，再结合节点适应度粒子算法(nsfpso算法)搜索模糊宽度学习系统超参数，从而获取最佳模糊宽度学习系统结构，解决了模糊宽度学习系统超参数难以调整，对复杂非线性系统辨识效果不佳的问题，不仅有效提升了拟合非线性系统的精度，还稳定了模型整体的训练过程。
[0084]
作为优选实施例，如图2所示，本发明实施例提供的基于nsfpso-fbls的热工非线性系统辨识方法具体包括以下步骤：
[0085]
步骤1：利用给定的非线性系统生成样本集，并将样本集划分为训练集和测试集两部分；
[0086]
所使用到的非线性系统可以具体描述为如下式子：
[0087][0088]
训练和测试使用不同的生成的样本集，其中训练和测试的可以分别表达为：
[0089][0090][0091]
其中y为输出变量，u为输入变量。根据不同的非线性系统公式分别生成500个训练样本和200个测试样本。将500个训练样本用于训练fbls模型，200个测试样本用于在fbls模型上进行测试。
[0092]
本发明实施例通过使用不同的非线性系统生成训练和测试样本，可以充分评估模型在收敛能力，预测能力上的表现。
[0093]
步骤2：将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统进行训练和推理，并通过节点适应度粒子算法(nsfpso)对模糊宽度学习系统(fuzzy broad learning system，fbls)的模糊规则nr、模糊子系统nf和增强节点ne三个参数进行搜索；
[0094]
模糊宽度学习系统是一种新型的模糊神经网络，具有良好的非线性逼近能力，学习速度快，节点参数少，且计算效率较高。
[0095]
如图3所示，其为本发明一个实施例中所使用的模糊宽度学习系统结构的原理图。在模糊宽度学习系统中，包含takagi
–
sugeno
–
kang(tsk)模糊子系统、增强层和输出层。tsk模糊子系统由多个tsk模糊系统组成，用于在模糊宽度学习系统中执行模糊变换，其中包含模糊化、模糊推理和去模糊化过程。在增强层，经过去模糊化的模糊子系统被输入以进行非线性变换，使得模型具有更强的逼近能力。在输出层，将模糊子系统的输出和增强层的输出输入输出层，用于全局更新权重。在本发明中，模糊宽度学习系统的输入样本数量为n，每个样本的维数为m。
[0096]
tsk模糊子系统的输入样本数量和维数分别为n和m，具体可以表示下述为：
[0097][0098]
其中xi(i＝1,2,...,n)表示第i输入样本，x
ij
(j＝1,2,...,m)表示第i输入样本的第j输入特征。对于第p模糊子系统，s
p
(s＝1,2,...,s
p
)模糊规则可以表示为：
[0099][0100]
其中模糊集a
p
由s
p
模糊规则组成。在tsk模糊子系统中，第s条模糊规则的结果可以表示为如下形式：
[0101][0102]
其中表示随机参数，用于调整输入xi。fbls使用高斯核函数作为隶属度划分函数，其形式如下：
[0103][0104]
其中表示聚类中心，表示高斯核函数的宽度。对于第p模糊子系统中的第s条模糊规则，基于高斯核函数的加权耐火强度可以进一步表示为：
[0105][0106]
第i个样本在模糊子系统的输出为其中为基于高斯核函数的加权强度，是第s条模糊规则的结果；
[0107]
对于k(p＝1,2,...,k)个tsk模糊子系统来说，可以得到z＝(z1,z2,...,zk)，其中z
p
＝(z
1p
,z
2p
,...,z
np
)
t
表示所有样本在第p个模糊子系统的输出。
[0108]
增强层的输出为：h＝(h1,h2,...,h
l
)；
[0109]
其中l(q＝1,2,...,l)表示增强节点组的数量。第q增强节点组的输出可以表示为hq＝ε(zw
eq
+bq)。w
eq
和bq为随机生成的矩阵和偏差项。ε代表增强层的非线性激活函数；
[0110]
输出层的输出为
[0111]
其中w
df
是模糊子系统到输出层的权重矩阵，wh是增强层到输出层的权重矩阵。
[0112]
本发明实施例提供的模糊宽度学习系统结构简单，去除了冗余结构，拟合能力强，计算效率高，可以有效提升非线性系统辨识精度。
[0113]
本发明实施例将初始模糊子系统的节点数量设置为4，模糊规则的节点数量设置为10，增强节点的节点数量设置为6。
[0114]
粒子算法(particle swarm optimization，以下简称pso)是一种基于仿生的全局优化算法，作为一种随机搜索算法，能够根据个体的适配信息实现有记忆的并行搜索。由于pso算法只依靠粒子的速度进行更新，因此相比于其他启发式算法具有更加简单地计算原理，更少的参数量以及更简易地实现过程。在使用模糊宽度学习系统进行非线性系统辨识的过程中，由于含有多个节点参数需要调整，使用网格搜索等方法进行参数搜索将非常耗时，无法在有限时间内获得稳定的参数组合。因此，为了获得最优的模型结构，引入基于节点敏感的pso算法(nsfpso)，该方法是在原始pso算法基础上根据模糊宽度学习系统的节点特性改进而来。依靠不同节点对性能指标的敏感性差异，改进的适应度函数可以尽可能避开容易陷入局部最优的情况，确保pso算法更快收敛。该方法可以在更短时间内到模糊宽度学习系统的最优结构，提升模糊宽度学习系统的系统辨识精度，有效减少参数搜索带来的时间损耗。
[0115]
如图4所示，其为本发明一个实施例中步骤2的具体流程图，具体包括如下步骤：
[0116]
步骤21：初始化体操作，种规模为n，学习因子为c1和c2，惯性权重为w，速度为v。其中不同粒子的位置信息x包括模糊规则数量、tsk模糊子系统数量和增强节点数量；
[0117]
步骤22：对于第t次迭代，计算nsfpso的适应度函数。根据粒子给定信息利用节点敏感适应度函数计算每个粒子的适应度。通过对比每个粒子适应度值和当前最优全局适应度值，获得当前个体最优值pbest和体最优值gbest。节点敏感适应度函数可以表达为：
[0118]
sum＝nr+nf+ne+1
[0119][0120][0121]
其中适应度函数fitness由两部分指标组成，均方误差rmse和节点敏感度参数nr、nf和ne。y和分别为模糊宽度学习系统的期望输出值和实际输出值，α、β、ε、γ和θ分别为适应度函数的权衡系数。
[0122]
在一个实施例中，初始粒子种数量为30，学习因子c1和c2均为2.1，惯性权重w
ini
和w
end
分别为0.9和0.3，适应度权衡参数α、β、ε、γ和θ的初始值分别为0.2，0.5，0.3，0.2，0.8。本发明实施例通过选择更加合适的参数值，可以提升模型的收敛速度，预测的准确率。
[0123]
步骤23：判断是否达到迭代终止条件，即是否达到最大迭代次数，若未达到最大迭代次数，则获得粒子位置信息和速度信息；
[0124]
步骤24：更新每个粒子的位置信息和速度信息，其中位置信息更新为：
[0125]wt
＝(w
ini-w
end
)(g
max-g)/g
max
+w
end
[0126]
其中g
max
是最大迭代次数，w
ini
是初始惯性权重，w
end
是最大迭代次数对应的惯性权重。速度信息的更新为：
[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是粒子的数量，w是惯性因子，用于权衡局部
搜索能力和全局搜索能力，rand为0～1之间的随机数；
[0129]
步骤25：根据步骤23获得的速度信息，对第t+1次迭代位置信息x进行更新：
[0130]
x
t+1
＝x
t
+v
t+1
[0131]
步骤26：根据步骤25获得的粒子位置信息，通过岭回归算法训练模糊宽度学习系统，接着回到步骤22。
[0132]
在宽度网络中，伪逆(pseudoinverse)可以被认为是一种非常便捷的方法去求解神经网络的输出层权重。区别于已有的通用计算逆的方法，例如迭代的方法、正交逆以及奇异值分解(singular value decomposition)，伪逆可以通过求解线性等式的最小二乘估计，可以通过最小训练误差搜索输出权重，从而有效求解高维的训练样本。岭回归算法(ridge regression algorithms)是伪逆的一种特殊情况，主要是求解l2范数正则化问题，可以有效避免过拟合问题。因此，使用岭回归算法可以快速且有效求解神经网络的权重，而无需消耗大量迭代训练时间。
[0133]
如图5所示，其为本发明一个实施例中步骤26的具体流程图。在模糊宽度学习系统的全局权重更新中，通过岭回归算法训练模糊子系统和增强层权重，具体包含以下步骤：
[0134]
步骤261：随机初始化操作，随机生成模糊子系统去模糊权重
[0135]
步骤262：根据公式获得模糊子系统地去模糊化输出，其中f
ip
是模糊子系统的输出，是基于高斯核函数的加权强度，是去模糊化随机权重，是模糊规则的结果；
[0136]
步骤263：根据公式计算不同模糊子系统地去模糊化输出；
[0137]
步骤264：根据公式hq＝ε(zw
eq
+bq)计算增强层的输出；
[0138]
最终的输出可以由模糊子系统的输出和增强层的输出以及对应的权重w
df
(weights of defuzzified output)和wh(weights of enhancement layer)表示，最终输出可以表示为：
[0139][0140]
步骤265：根据岭回归算法训练模糊宽度学习系统fbls权重，具体可以描述为最小化两个2范数的优化目标函数，使用argmin函数描述该优化目标形式：
[0141][0142][0143]
其中模糊子系统的输出z和增强层的输出h的加号逆，可以使用上述极限形式进行表示。
[0144]wfbls
＝[z,h]
+
y＝(λi+[z,h][z,h]
t
)-1
[z,h]
ty[0145]
其中i表示单位矩阵，λ为权衡公式复杂度的平衡系数，w
fbls
表示fbls模型的最终权重，可以使用本发明提供的上述形式进行权重更新。
[0146]
在本发明实施例中，将λ设置为2-30
，此时可以获得最优的权重。
[0147]
本发明实施例所提供的岭回归算法是一种正则化权重更新算法，能够缓解过拟合和欠拟合问题，其运算速度快，无需迭代更新，能够进行参数全局更新，获得令人满意的模糊宽度学习系统。
[0148]
步骤27：根据步骤23，若达到最大迭代次数，则输出最佳粒子信息，即最佳参数组合。最终，选择最优的节点数作为输出结果。
[0149]
本发明实施例提供的nsfpso算法用于搜索最优模糊宽度学习系统结构，通过计算节点敏感适应度参数，加速算法收敛过程，能够以更快的速度寻到最优的模型结构，使得训练过程更加稳定，同时提升了模型在非线性系统辨识任务中的泛化能力。
[0150]
步骤3：根据测试集样本，利用经过优化搜索的最优模糊宽度学习系统结构进行预测。
[0151]
本发明实施例提供的热工非线性系统辨识系统包括：
[0152]
样本集获取模块，用于获得用于模型热工非线性系统辨识的样本集，并将样本集划分为训练集和测试集两部分；
[0153]
模型训练模块，用于将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统进行训练和推理；
[0154]
参数搜索模块，用于通过节点适应度粒子算法对模糊宽度学习系统的模糊规则nr、模糊子系统nf和增强节点ne三个参数进行搜索；
[0155]
系统预测模块，用于根据测试集样本，利用经过优化搜索的最优模糊宽度学习系统结构进行预测。
[0156]
为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0157]
本应用实施例主要用于某电厂机组自动发电控制(agc)控制系统工程师，结合模型预测控制算法，设计先进的锅炉蒸汽压力控制系统，从而提升机组的主汽压力、机炉协调等机组关键运行指标。agc锅炉采用nsfpso-fbls方法动态辨识汽压对象模型，采用广义预测控制(gpc)算法对被控对象动态特性模型进行控制。在锅炉汽压控制系统中，控制算法采用广义预测控制gpc型预测控制算法，将锅炉主控pid强制为阶跃上升信号，汽机主控保持功率控制回路为自动定制，可以获得输入输出传递函数。接着，可以根据输入输出生成样本集，结合本发明的非线性系统辨识方法及自校正机制，实现动态鲁棒辨识。
[0158]
本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合实验过程的数据、图表等进行描述。
[0159]
下面通过几组实验来验证本发明提供的方法的有效性。
[0160]
(1)nsfpso-fbls的迭代收敛性分析
[0161]
通过本发明实施例提供的nsfpso-fbls模型进行迭代计算适应度值，并记录每一次迭代产生的适应度值，如图6所示，其是基于nsfpso-fbls的迭代收敛图，从实验结果可以看出，本发明实施例提出的nsfpso-fbls模型可以快速地快速地收敛，并且可以收敛到一个
令人满意的结果，确保模型的系统辨识精度的同时，尽可能使用较少的节点参数，获得最优的模型结构。
[0162]
(2)与bls宽度学习系统、期望输出对比分析
[0163]
使用本发明实施例提出的nsfpso-fbls模型获得最优的模糊宽度学习系统结构，利用200个测试样本进行测试，获得最终的测试输出。同样的，在bls宽度学习系统使用相同的样本进行训练和测试，通过对比两种模型实际输出和期望输出进行分析。如图7所示，其是基于nsfpso-fbls输出、bls输出和真实系统输出数据对比图，从实验结果可以看出，本发明实施例所提出的基于nsfpso-fbls模型在预测非线性系统输出时可以取得更加准确的输出结果，要明显优于原始bls宽度学习系统的输出结果。
[0164]
(3)与bls宽度学习系统预测误差对比分析
[0165]
和第二个实验相同，使用本发明实施例提出的nsfpso-fbls模型获得最优的模糊宽度学习系统结构，以及bls宽度学习系统，利用200个测试样本进行测试，获得实际输出与期望输出的差，即预测误差。如图8所示，其是基于nsfpso-fbls预测误差和bls预测误差的对比图，实验结果充分说明了本发明提出的方法拥有更小的预测误差，进一步验证了本发明实施例中方法的有效性及可行性。非线性系统辨识方法整体性能对比见表1。
[0166]
表1非线性系统辨识方法整体性能对比
[0167]
模型rmse节点数量运行时间(s)bls3.526e-7310.23nsfpso-fbls2.331e-7240.21
[0168]
如表1所示，使用本发明实施例提出的nsfpso-fbls模型在获得最优结构之后，与bls宽度学习系统在相同测试样本上进行rmse均方误差和运行时间对比，可以看出，本发明实施例提出的nsfpso-fbls可以获得更小的rmse和运行时间，说明nsfpso-fbls具有更精确的辨识能力和更高的计算效率，同时nsfpso-fbls可以使用更少的节点数量获得满意的性能，能够有效反映非线性系统的输入输出映射关系。
[0169]
与已有技术相比，本发明实施例提供了一种基于nsfpso-fbls的热工非线性系统辨识方法，通过模糊宽度学习系统构建非线性系统的输入输出关系，使用岭回归算法更新模糊宽度学习系统的权重，并利用nsfpso算法快速搜索最优模糊宽度学习系统结构，相比较于原始的模糊宽度学习系统，本发明所提供的方法的系统辨识能力更高，能够很好地描述系统的输入输出映射关系，具有收敛速度快，训练过程稳定，泛化能力强，辨识精度高的优点，在非线性系统辨识中具有较高的应用价值。
[0170]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体，或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0171]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
技术特征：
1.一种热工非线性系统辨识方法，其特征在于，所述热工非线性系统辨识方法包括：通过模糊宽度学习系统构建非线性系统的输入输出关系，使用岭回归算法更新模糊宽度学习系统的权重，并利用nsfpso算法搜索最优模糊宽度学习系统结构，进而实现热工非线性系统的辨识。2.如权利要求1所述的热工非线性系统辨识方法，其特征在于，所述热工非线性系统辨识方法包括以下步骤：步骤一，针对主蒸汽压力系统主蒸汽温度系统进行仿真，获得用于模型热工非线性系统辨识的样本集，并将样本集划分为训练集和测试集两部分；步骤二，将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统中的模糊子系统进行推理，岭回归算法用于更新模糊宽度学习系统的权重；通过nsfpso算法对模糊宽度学习系统的模糊规则nr、模糊子系统nf和增强节点ne三个参数进行搜索，确定最优模型结构；步骤三，根据测试集样本，利用经过优化搜索的最优模糊宽度学习系统结构进行预测，使用均方误差rmse指标评估预测效果，同时评估模型测试所需时间。3.如权利要求2所述的热工非线性系统辨识方法，其特征在于，所述步骤一中，根据不同的非线性系统公式分别生成500个训练样本和200个测试样本；将500个训练样本用于训练fbls模型，200个测试样本用于在fbls模型上进行测试。4.如权利要求2所述的热工非线性系统辨识方法，其特征在于，所述步骤二中的模糊宽度学习系统包含tsk模糊子系统、增强层和输出层；tsk模糊子系统的输入样本数量和维数分别为n和m，表示为：模糊子系统的输出为其中为基于高斯核函数的加权强度，是第s条模糊规则的结果；增强层的输出为：h＝(h1,h2,...,h
l
)；其中，l(q＝1,2,...,l)表示增强节点组的数量；第q增强节点组的输出表示为h
q
＝ε(zw
eq
+b
q
)；w
eq
和b
q
为随机生成的矩阵和偏差项；ε代表增强层的非线性激活函数；输出层的输出为其中，w
df
是模糊子系统到输出层的权重矩阵，w
h
是增强层到输出层的权重矩阵。5.如权利要求2所述的热工非线性系统辨识方法，其特征在于，所述步骤二中的将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统进行训练和推理；通过节点适应度粒子算法对模糊宽度学习系统的模糊规则nr、模糊子系统nf和增强节点ne三个参数进行搜索包括：
(1)初始化体操作，种规模为n，学习因子为c1和c2，惯性权重为w，速度为v；其中不同粒子的位置信息x包括模糊规则数量、tsk模糊子系统数量和增强节点数量；(2)对于第t次迭代，计算nsfpso的适应度函数；根据粒子给定信息利用节点敏感适应度函数计算每个粒子的适应度；通过对比每个粒子适应度值和当前最优全局适应度值，获得当前个体最优值pbest和体最优值gbest；节点敏感适应度函数可以表达为：sum＝nr+nf+ne+1sum＝nr+nf+ne+1其中，适应度函数fitness由两部分指标组成，均方误差rmse和节点敏感度参数nr、nf和ne；y和分别为模糊宽度学习系统的期望输出值和实际输出值；α、β、ε、γ和θ分别为适应度函数的权衡系数；(3)判断是否达到迭代终止条件－－判断是否达到最大迭代次数，若未达到最大迭代次数，则获得粒子位置信息和速度信息；(4)更新每个粒子的位置信息和速度信息，其中位置信息更新为：w
t
＝(w
ini-w
end
)(g
max-g)/g
max
+w
end
；其中，g
max
是最大迭代次数，w
ini
是初始惯性权重，w
end
是最大迭代次数对应的惯性权重，速度信息的更新为：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是粒子的数量；w是惯性因子，用于权衡局部搜索能力和全局搜索能力；rand为0～1之间的随机数；(5)根据步骤(3)获得的速度信息，对第t+1次迭代位置信息x进行更新：x
t+1
＝x
t
+v
t+1
；(6)根据步骤(5)获得的粒子位置信息，通过岭回归算法训练模糊宽度学习系统，并返回步骤(2)；(7)根据步骤(3)，若达到最大迭代次数，则输出最佳粒子信息－－最佳参数组合，最终选择最优的节点数作为输出结果。6.如权利要求5所述的热工非线性系统辨识方法，其特征在于，所述初始粒子种数量为30，学习因子c1和c2均为2.1，惯性权重w
ini
和w
end
分别为0.9和0.3，适应度权衡参数α、β、ε、γ和θ的初始值分别为0.2，0.5，0.3，0.2，0.8；所述步骤(6)中，通过岭回归算法训练模糊宽度学习系统时还包括：1)随机初始化操作，随机生成模糊子系统去模糊权重2)根据公式获得模糊子系统地去模糊化输出，其中f
ip
是模糊子系统的输出，是基于高斯核函数的加权强度，是去模糊化随机权重，是模糊规则的结果；
3)根据公式计算不同模糊子系统地去模糊化输出；4)根据公式h
q
＝ε(zw
eq
+b
q
)计算增强层的输出；5)根据岭回归算法训练模糊宽度学习系统fbls权重的计算公式w
fbls
＝(z,h)
+
y＝(λi+(z,h)
t
(z,h))-1
(z,h)
t
y计算模糊宽度学习系统的权重，其中y是模型的期望输出；其中，初始模糊子系统的节点数量为4，模糊规则的节点数量为10，增强节点的节点数量为6。7.一种应用如权利要求1～6任意一项所述的热工非线性系统辨识方法的热工非线性系统辨识系统，其特征在于，所述热工非线性系统辨识系统包括：样本集获取模块，用于获得用于模型热工非线性系统辨识的样本集，并将样本集划分为训练集和测试集两部分；模型训练模块，用于将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统进行训练和推理；参数搜索模块，用于通过节点适应度粒子算法对模糊宽度学习系统的模糊规则nr、模糊子系统nf和增强节点ne三个参数进行搜索；系统预测模块，用于根据测试集样本，利用经过优化搜索的最优模糊宽度学习系统结构进行预测。8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的热工非线性系统辨识方法的步骤。9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的热工非线性系统辨识方法的步骤。10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的热工非线性系统辨识系统。
技术总结
本发明属于火电机组热工过程非线性系统辨识技术领域，公开了一种热工非线性系统辨识方法、系统、介质、设备及终端，获得用于模型热工非线性系统辨识的样本集，将样本集划分为训练集和测试集两部分；将训练集样本作为模型训练的输入样本，通过模糊宽度学习系统进行训练和推理；通过节点适应度粒子算法对模糊宽度学习系统的模糊规则r、模糊子系统f和增强节点e三个参数进行搜索；根据测试集样本，利用经过优化搜索的最优模糊宽度学习系统结构进行预测。本发明的计算过程简单高效，能够同时用于神经网络逼近和模糊推理，具有快速确定最优模型结构的优点，有效提升模型非线性系统辨识能力，在非线性系统辨识任务中具有较强的应用价值。用价值。用价值。
