[发明专利]一种基于循环神经网络的动态模型辨识方法及系统

说明书

技术领域

本发明涉及热能动力工程和自动控制方法，特别是涉及一种基于循环神经网络的动态模型辨识方法及系统。

背景技术

热工控制过程一般采用阶跃响应实验得到阶跃响应曲线的非参数表示方法，并将非参数模型处理成近似传递函数模型的表达形式，通过作图法求得参数主要有以下几种：

1.切线法求出曲线上的延迟时间，响应速度及自平衡系数来求取惯性环节的时间常数、放大系数和阶次等参数。

2.由于切线法只利用了阶跃响应曲线上拐点的数据，可能因为不同的作图结果产生较大差别，采用两点法可以更加精确地求出模型参数。

3.数值积分的方法原理上说是一种比较通用的方法，而且适用于任何形式的响应曲线，这种方法在求取传递函数各项系数时，用到了实验曲线上的很多数据，对作图随意性的误差不很敏感。但这种方法计算工作量较大，因而在数值计算中发生错误的机会大大增加，且不直观，难以发现不合理的结果并找出原因。

因此采用作图的方法不太能够较为精确地求得传递函数模型。

发明内容

发明目的：为解决现有技术的不足，提供一种能够有效的对火电机组的对象模型进行辨识，并且能够很方便的转换成传递函数模型和状态空间模型的基于循环神经网络的动态模型辨识方法及系统。

技术方案：本发明的一种基于循环神经网络的动态模型辨识系统，其特征在于，该系统包括：动态模型辨识模块、循环神经网络模型转化成传递函数模型的模块、循环神经网络转化成状态空间模型以及循环神经网络的非线性化模块，所述动态模型辨识模块包括正向计算模块、误差计算模块和反向传播计算模块；

其中，正向传播计算模块的输入包括历史输入输出信息，输出为模型的预测输出；正向传播计算模块的输出和实际输出作为误差计算模块的输入，输出预测值与实际值之间的误差；反向传播计算模块的输入为误差计算模块的输出，输出为循环神经网络各参数的该变量。

其中，所述正向计算模块为：

设x(k)＝U₁u(k)+U₂y(k) (1)；

式中，U₁为输入到隐藏层的权值矩阵，U₂为输出到隐藏层的权值矩阵；u表示输入，y表示输出；k表示当前时刻，u(k)、y(k)分别表示当前时刻的输入、输出；x(k)为关于U₁、U₂、u(k)、x(k)的多项式。

则线性核函数的循环神经网络输出可以表示为：

式中，V为循环神经网络隐藏层到输出层的权值矩阵，W为隐藏层到隐藏层的权值矩阵，U₁为输入到隐藏层的权值矩阵，U₂为输出到隐藏层的权值矩阵；u表示输入，y表示输出；k表示当前时刻，u(k)、y(k)分别表示当前时刻的输入、输出；N表示前N个采样时刻；u(k-N)、y(k-N)分别表示前N个时刻的输入输出；W^N表示W的N次方幂。

所述误差计算模块为：

其中，c表示损失函数，y_r表示实际的输出值，y(k)表示模型k时刻的输出值；

所述反向传播模块为：

式中，表示损失函数对W的梯度，表示损失函数对V的梯度，表示损失函数对U₁的梯度，表示损失函数对U₂的梯度，η表示步长，为一个很小的实数。

另一实施例中，一种基于循环神经网络的动态模型辨识方法，该方法包括：

(1)建立循环神经网络模型；

(2)循环神经网络模型转化成传递函数模型；

(3)循环神经网络转化成状态空间模型；

(4)循环神经网络的非线性化。

进一步的，所述步骤(1)包括：

(11)确定超参数计算所需存储的前N步采样时刻、步长η、随机初始化权值矩阵W₀、V₀、U₁₀、U₂₀；

(12)正向计算：采用(2)式进行正向计算，得出计算结果并存储起来；

设

x(k)＝U₁u(k)+U₂y(k) (1)；