针对污水处理过程高度非线性、大滞后等特征,提出了一种基于回声状态网络(echo state network,ESN)模型的多变量自适应预测控制系统.首先,利用ESN建立污水处理过程的智能预测模型,该模型能够预测污水处理的输出;其次,设计污水处理过程的...针对污水处理过程高度非线性、大滞后等特征,提出了一种基于回声状态网络(echo state network,ESN)模型的多变量自适应预测控制系统.首先,利用ESN建立污水处理过程的智能预测模型,该模型能够预测污水处理的输出;其次,设计污水处理过程的ESN辨识器,将辨识器输出与实际输出的差对主控制器进行误差补偿;最后,以仿真基准模型(BSM1)为平台,采用提出的多变量自适应控制方法对溶解氧浓度和硝态氮浓度进行控制,实验结果表明,该控制方法提高了系统的自适应性和抗干扰能力,能够对溶解氧浓度和硝态氮浓度实现快速、准确跟踪.展开更多
针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非...针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非线性系统辨识和粒子群优化(Particle Swarm Optimization,PSO)进行滚动优化的非线性模型预测控制系统的算法。ESN能够很好地辨识非线性系统,其计算时间、数据训练和稳定性相对于传统递归神经网络有了较大进步,PSO具有全局优化和较快的寻优速度。针对典型化工非线性对象连续搅拌槽反应器(Continue Stirred Tank Reactor,CSTR)的仿真实例表明,此模型在预测控制优于BP和PSO结合的非线性预测控制,以及传统的PID控制,证明了该算法运用于非线性模型预测控制中的有效性。展开更多
为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出...为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出预测日的相似日,将相似日的气象特征向量和预测日的气象特征向量的差值作为预测模型的输入变量;然后选择训练样本,并用和声搜索算法优化后的回声状态网络模型(HS-ESN)对样本进行训练和预测;最后以甘肃某光伏电站为例进行实例验证。实证分析表明,利用和声搜索算法优化回声状态网络预测模型的储备池参数可有效提高回声状态网络的预测精度,因此该模型具有较好的实用价值。展开更多
文摘针对污水处理过程高度非线性、大滞后等特征,提出了一种基于回声状态网络(echo state network,ESN)模型的多变量自适应预测控制系统.首先,利用ESN建立污水处理过程的智能预测模型,该模型能够预测污水处理的输出;其次,设计污水处理过程的ESN辨识器,将辨识器输出与实际输出的差对主控制器进行误差补偿;最后,以仿真基准模型(BSM1)为平台,采用提出的多变量自适应控制方法对溶解氧浓度和硝态氮浓度进行控制,实验结果表明,该控制方法提高了系统的自适应性和抗干扰能力,能够对溶解氧浓度和硝态氮浓度实现快速、准确跟踪.
文摘针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非线性系统辨识和粒子群优化(Particle Swarm Optimization,PSO)进行滚动优化的非线性模型预测控制系统的算法。ESN能够很好地辨识非线性系统,其计算时间、数据训练和稳定性相对于传统递归神经网络有了较大进步,PSO具有全局优化和较快的寻优速度。针对典型化工非线性对象连续搅拌槽反应器(Continue Stirred Tank Reactor,CSTR)的仿真实例表明,此模型在预测控制优于BP和PSO结合的非线性预测控制,以及传统的PID控制,证明了该算法运用于非线性模型预测控制中的有效性。
文摘为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出预测日的相似日,将相似日的气象特征向量和预测日的气象特征向量的差值作为预测模型的输入变量;然后选择训练样本,并用和声搜索算法优化后的回声状态网络模型(HS-ESN)对样本进行训练和预测;最后以甘肃某光伏电站为例进行实例验证。实证分析表明,利用和声搜索算法优化回声状态网络预测模型的储备池参数可有效提高回声状态网络的预测精度,因此该模型具有较好的实用价值。
