神经网络预测与模糊控制在河流模型水位控制中的应用

《神经网络预测与模糊控制在河流模型水位控制中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、神经网络预测与模糊控制在河流模型水位控制中的应用1999年9月南京水利科学研究院水利水运科学研究第3期L/17卜7j『神经网络预测与模糊控制在河流模型水位控制中的应用墨垫查吴昌林兰竖周茂华一1-0/?,.5L1},(华中理工大学t武汉,430074)(长江科学院.武汉,430010)(华中理工大学,武汉.430024)摘要结合神经同络与模糊逻辑,提出了一种新的控制方祛.解决了对于非线性,时变,对滞严重,难以建立精确效学模型的动态控制问题.并应用于河流模型水位控制中,取得了很好的控制效果.关键词:河流模型神经阿络模糊控制控制水位——————一——————一——————～●-——

2、———一引言河流模型是为了研究河流河床演变,泥沙淤积,水位水势变化,按实际河道形状经过比例缩小而建立的模型.一般根据历年测得的流量,含沙量,控制水位站的水位值,通过控制模型的人口流量,掺沙量和尾门位置来模拟河流状况,以验证模型的正确性,并预测今后的河势变化,控制的精度直接影响预测的结果,具有重要的意义.被控过程具有严重的非线性,时滞性,是一个参数不确定,结构不确定,无法建立精确数学模型的系统.迄今,国内已在河流模型的检测与控制方面做了大量工作],但尚未实现完全自动化,其控制由操作者的经验决定.因而精度整,达到水位稳态所需时问长.研究一个高精度的河流模型动态控制系统势在必行,它

3、将为许多水利工程的方案设计提供一个有力的保证.本文结台神经网络与模糊逻辑,利用两者的优点,设计出了一个先由神经网络实现的神经预测等待,然后用模糊控制的新方法.系统自1998年投入运行以来,稳定可靠,大大改善了控制精度,减少了达到稳态所需时间,水位控制精度达到0.1mm,在150m的模型上5min左右可达稳态.2控制系统构成与工作原理2.1系统结构与工作原理河流模型结构如图1所示.水位测量采用机电式(丝杆螺母机构)自动跟踪水位计,水位分辨率可达0.05mm尾门采用旋转式结构,由步进电机控制系统根据规定的时间来换级,当收稿日期:1998—10—03图1河流模型结构Fig,1Str

4、uctureofrivermodel水位门水平Ⅱ水运科学研究切换到新一级时,先将各流量.掺沙量陕速调至给定值然后通过算法控制尾门位置,使控制水位逐步达到给定值,在下一级开始前,记下此时的流量值,掺沙值,各水位值及尾门位置,以便以后数据分析和神经网络训练.2.2系统控制流程系统控制流程如图2所示.考虑到水流特征对河流的影响,采用定时器按预定时间换级.3控制策略与算法3.1控制策略由于被控对象惯性大,时滞严重,且后滞时间随输入值变化而变化,因而采用固定的延时环节很不合适.本文采用一种新的方法,控制流程如图2所示,用神经网络预测尾门位置,进行等待,使其在水流未波及整个模型时不变化等

5、待时间由各测量水位的变化规律确定当水流波及整个模型时,按模糊控制算法.调整尾门位置.当系统稳定后,可记下水流未波及整个模型时的各输入值,水位值及尾门位置,作为学习训练数据.在一次实验结束后,利用新的数据训练神经网络.采用这种方法可防止系统发生振荡并通过逐步学习,可使预测尾门位置非常接近水位达给定值的位置,从而减少控制时间.3.2神经预测等待阶段尾门位置与给定主,从流量,主,从掺沙量,尾门控制水位值有关.考虑到网络的复杂性及系统的特性,将主,从流量之和,主,从掺沙量之和,尾门控制水位值作为网络的输入,而将尾门位置变化量作为网络的输出.根据实验结果,采用四层BP网络.第一中间层单

6、元为20.第二中间层单元为6,此时预测差较小,神经网络模型如图3所示.其中每个单元的传递函数采用s型函数,其表达式为/(J)=1/(1十e).控制过程中,当新的一级开始时,将尾门调到由神经网络算出的预测位置,曲蔷轱^量过蛤定值由精定仇"得.尾门位置控f}町尾门刘蔼测位置,————————一一检各求位值/备点球也连续且吠均——,ilmtn/磷栩控制阶段<稳定}u培定求位>记F各有用教据<删>l<.Y抻经网络训练图2控制流程圈Fig.2Flowchartofcontrol图3神经网络预测模型Fig.3Predictmodelofneuraliqet

7、work进行等待.然后根据条件各点水位连续五次均在误差为±1mm范围内变化,可确定等待结束,进入模糊控制阶段.3.3模糊控制阶段以水位误差E,误差变化率EC作为输入变量,以尾门位置(与水平面夹角)u的变化量第3期吴艳春等:神经网络预测与模糊控制在河流模型水位控制中的应用275作为输出变量.控制器采用IFAandBthenC的语言控制规则.实际测得E和EC的变化范围分别为一1_2～2.4mm和一1～1mill,U的变化范围为一10.～10..将其分别转化为相应论域上的模糊子集.EC和u的模糊集为{NB,N