本發(fā)明屬于自動(dòng)控制技術(shù)領(lǐng)域，尤其涉及一種組合積分環(huán)節(jié)與預(yù)測(cè)pi控制算法結(jié)合的控制方法。

背景技術(shù)：

自動(dòng)控制(automaticcontrol)是指在沒(méi)有人直接參與的情況下，利用外加的設(shè)備或裝置，使機(jī)器、設(shè)備或生產(chǎn)過(guò)程的某個(gè)工作狀態(tài)或參數(shù)自動(dòng)地按照預(yù)定的規(guī)律運(yùn)行。自動(dòng)控制是相對(duì)人工控制概念而言的。

綜上所述，現(xiàn)有技術(shù)存在的問(wèn)題是：目前的預(yù)測(cè)誤差存在明確度較差，影響系統(tǒng)穩(wěn)定性。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供了一種組合積分環(huán)節(jié)與預(yù)測(cè)pi控制算法結(jié)合的控制方法。

本發(fā)明是這樣實(shí)現(xiàn)的，一種組合積分環(huán)節(jié)與預(yù)測(cè)pi控制算法結(jié)合的控制方法，所述組合積分環(huán)節(jié)與預(yù)測(cè)pi控制算法結(jié)合的控制方法包括以下步驟：

步驟一，采用傳遞函數(shù)，計(jì)算自動(dòng)控制的輸入量；傳遞函數(shù)為：其中k為比例系數(shù)；τ為時(shí)間系數(shù)；為單位階躍輸入的輸出響應(yīng)；

步驟二，采用灰色預(yù)測(cè)模型中的殘差序列進(jìn)行誤差驗(yàn)證判斷；

所述灰色預(yù)測(cè)模型是將離散的隨機(jī)數(shù)經(jīng)過(guò)依次累加成算子，削弱其隨機(jī)性，得到較有規(guī)律的生成數(shù)，然后建立微分方程、解方程進(jìn)而建立模型，模型中有兩個(gè)參數(shù)a是灰色發(fā)展系數(shù)，b是灰色輸入系數(shù)，它們是描述序列特征的參數(shù)；

其中：

所述采用灰色預(yù)測(cè)模型中的殘差序列進(jìn)行誤差驗(yàn)證判斷包括：

1)級(jí)比檢驗(yàn)

設(shè)原始數(shù)據(jù)序列為x^(o)(ti)＝(x⁽⁰⁾(t1),x⁽⁰⁾(t2),···,x⁽⁰⁾(tn))；

按下式計(jì)算原始數(shù)據(jù)序列的級(jí)比:

若計(jì)算出來(lái)所有的級(jí)比λ(ti)都落在區(qū)間(e^-2/(n-1),e^2/(n+2))內(nèi)，則該序列x⁽⁰⁾(ti)可以直接使用灰色模型進(jìn)行預(yù)測(cè)，否則，選取適當(dāng)?shù)腸進(jìn)行平移變換x⁽⁰⁾(ti)＝x⁽⁰⁾(ti)+c,i＝1,2,3,…,n.當(dāng)新數(shù)據(jù)列的各級(jí)比位于區(qū)間(e^-2/(n-1),e^2/(n+2))內(nèi)，即可以對(duì)新序列進(jìn)行預(yù)測(cè)分析，完成預(yù)測(cè)后再進(jìn)行還原；

2)累加序列生

以經(jīng)濟(jì)增長(zhǎng)數(shù)據(jù)作為坐標(biāo)取δti為本年度gdp與上年度gdp的差值，進(jìn)行基于經(jīng)濟(jì)增長(zhǎng)變化的序列累加

3)建立常參數(shù)微分方程：

對(duì)上式進(jìn)行積分

將上式離散化，展開(kāi)得到差分方程如下x⁽⁰⁾(ti)δti+az⁽¹⁾(ti)＝uδti；

4)背景值的優(yōu)化

背景值是直接影響灰色模型模擬和預(yù)測(cè)精度的關(guān)鍵因素，通常是利用梯形公式近似計(jì)算；對(duì)背景值進(jìn)行優(yōu)化：

5)數(shù)據(jù)標(biāo)準(zhǔn)化

設(shè)綜合評(píng)價(jià)對(duì)象x＝{x1,x2,···,xn},每個(gè)對(duì)象由m個(gè)指標(biāo)表示其形狀，xi＝(xi1,xi2,···xim)(i＝1,2,···,n)，構(gòu)成原始的數(shù)據(jù)矩陣x＝(xij)n×m；對(duì)原始數(shù)據(jù)矩陣進(jìn)行無(wú)量綱處理，并將數(shù)據(jù)壓縮到區(qū)間[0，1]上，添加一個(gè)對(duì)比對(duì)象xn+1，及其各個(gè)指標(biāo)的標(biāo)準(zhǔn)值，然后構(gòu)造出模糊相似矩陣r＝(rij)(n+1)×(m+1)；采用相似系數(shù)法中的數(shù)量積法計(jì)算rij，將r改造成模糊等價(jià)矩陣r*即存在一個(gè)最小自然數(shù)k(k≤n)，使得傳遞閉包t(r)＝rk，對(duì)于一切大于k的自然數(shù)m，恒有rm＝rk，此時(shí)，t(r)為模糊等價(jià)矩陣，采用二次方法求傳遞閉包，對(duì)已建立的模糊等價(jià)矩陣，取定閾值λ，若rij≥λ(1≤i,j≤n)則xi和xj歸為一類，再讓?duì)擞纱笞冃。玫接杉?xì)到粗的分類，以此進(jìn)行模糊聚類序；

從數(shù)據(jù)中分析出與xn+1為一類的對(duì)象，即找出n+1行中除n+1的最大值，則此最大值的列下標(biāo)即為最優(yōu)對(duì)象所在行的行號(hào)，借助另一個(gè)一維矩陣記下對(duì)象所在行的序號(hào)。將數(shù)據(jù)矩陣中與xn+1為一類的對(duì)象的各指標(biāo)置為零；重復(fù)以上步驟直到全部對(duì)象排序完畢；

6)引入權(quán)值矩陣

顯然，對(duì)于一個(gè)數(shù)據(jù)序列，各個(gè)數(shù)據(jù)對(duì)于灰色建模所起的作用不同，將上一步中排列好順序的歷史數(shù)據(jù)賦予一個(gè)權(quán)值，表征其可靠性，且權(quán)應(yīng)隨時(shí)間成指數(shù)增長(zhǎng)：

其中，w為權(quán)遞增因子，取w＝1～2；

7)辨識(shí)系數(shù)a，u求解：

利用最小二乘法求得參數(shù)的估計(jì)值如下：

8)時(shí)間響應(yīng)序列求解：

將求出的a，u參數(shù)值代入微分方程，得到時(shí)間響應(yīng)序列如下

還原得到原始數(shù)據(jù)為：

9)基于markov的殘差修正

分析預(yù)測(cè)值與實(shí)際值的相對(duì)誤差，根據(jù)誤差分析結(jié)果劃定誤差符號(hào)和誤差絕對(duì)值的馬爾科夫鏈狀態(tài)區(qū)間并根據(jù)劃分狀態(tài)集分別計(jì)算概率轉(zhuǎn)移矩陣得到基于markov殘差修正的灰色模型；

步驟三，根據(jù)實(shí)際誤差與預(yù)測(cè)誤差的值，確定誤差的大小。

進(jìn)一步，所述步驟二采用灰色預(yù)測(cè)模型中的殘差序列進(jìn)行誤差驗(yàn)證判斷，設(shè)定原始序列：

x⁽⁰⁾＝{x⁽⁰⁾(1)，x⁽⁰⁾(2)，...，x⁽⁰⁾(n)}；

相應(yīng)的模型模擬序列為：

殘差序列為：

相對(duì)誤差序列為：

本發(fā)明的優(yōu)點(diǎn)及積極效果為：根據(jù)gm模型精度來(lái)決定預(yù)測(cè)值在控制回路中作用的程度，當(dāng)模型精度低或高時(shí)，相應(yīng)地減小或增加預(yù)測(cè)值在控制回路中作用的大小。這樣可減小預(yù)測(cè)誤差對(duì)系統(tǒng)的影響，提高控制的精確度。本發(fā)明根據(jù)預(yù)測(cè)精度來(lái)決定預(yù)測(cè)步長(zhǎng)，即當(dāng)預(yù)測(cè)相對(duì)誤差值符合要求小于設(shè)定α值時(shí)，預(yù)測(cè)步長(zhǎng)(n+1)，反之，當(dāng)預(yù)測(cè)相對(duì)誤差不符合要求大于設(shè)定α值時(shí)，預(yù)測(cè)步長(zhǎng)為(n–1)，可實(shí)現(xiàn)大超前自適應(yīng)控制；根據(jù)反饋理論大滯后環(huán)節(jié)校正原理超前校正可以提高系統(tǒng)的相角裕度和剪截頻率，因此系統(tǒng)的快速性和穩(wěn)定性明顯改善。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例提供的組合積分環(huán)節(jié)與預(yù)測(cè)pi控制算法結(jié)合的控制方法流程圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

下面結(jié)合附圖對(duì)本發(fā)明的應(yīng)用原理作詳細(xì)的描述。

如圖1所示，本發(fā)明實(shí)施例提供的組合積分環(huán)節(jié)與預(yù)測(cè)pi控制算法結(jié)合的控制方法包括以下步驟：

s101：采用傳遞函數(shù)，計(jì)算自動(dòng)控制的輸入量；

s102：采用灰色預(yù)測(cè)模型中的殘差序列進(jìn)行誤差驗(yàn)證判斷；

s103：根據(jù)實(shí)際誤差與預(yù)測(cè)誤差的值，確定誤差的大小。

傳遞函數(shù)為：其中k為比例系數(shù)；τ為時(shí)間系數(shù)；為單位階躍輸入的輸出響應(yīng)。

步驟s102包括：這里采用灰色預(yù)測(cè)模型中的殘差序列進(jìn)行誤差驗(yàn)證判斷，設(shè)定原始序列：

x⁽⁰⁾＝{x⁽⁰⁾(1)，x⁽⁰⁾(2)，...，x⁽⁰⁾(n)}

相應(yīng)的模型模擬序列為

殘差序列為

相對(duì)誤差序列為：

所述灰色預(yù)測(cè)模型是將離散的隨機(jī)數(shù)經(jīng)過(guò)依次累加成算子，削弱其隨機(jī)性，得到較有規(guī)律的生成數(shù)，然后建立微分方程、解方程進(jìn)而建立模型，模型中有兩個(gè)參數(shù)a是灰色發(fā)展系數(shù)，b是灰色輸入系數(shù)，它們是描述序列特征的參數(shù)；

其中：

所述采用灰色預(yù)測(cè)模型中的殘差序列進(jìn)行誤差驗(yàn)證判斷包括：

1)級(jí)比檢驗(yàn)

設(shè)原始數(shù)據(jù)序列為x^(o)(ti)＝(x⁽⁰⁾(t1),x⁽⁰⁾(t2),···,x⁽⁰⁾(tn))；

按下式計(jì)算原始數(shù)據(jù)序列的級(jí)比:

若計(jì)算出來(lái)所有的級(jí)比λ(ti)都落在區(qū)間(e^-2/(n-1),e^2/(n+2))內(nèi)，則該序列x⁽⁰⁾(ti)可以直接使用灰色模型進(jìn)行預(yù)測(cè)，否則，選取適當(dāng)?shù)腸進(jìn)行平移變換x⁽⁰⁾(ti)＝x⁽⁰⁾(ti)+c,i＝1,2,3,…,n.當(dāng)新數(shù)據(jù)列的各級(jí)比位于區(qū)間(e^-2/(n-1),e^2/(n+2))內(nèi)，即可以對(duì)新序列進(jìn)行預(yù)測(cè)分析，完成預(yù)測(cè)后再進(jìn)行還原；

2)累加序列生

以經(jīng)濟(jì)增長(zhǎng)數(shù)據(jù)作為坐標(biāo)取δti為本年度gdp與上年度gdp的差值，進(jìn)行基于經(jīng)濟(jì)增長(zhǎng)變化的序列累加

3)建立常參數(shù)微分方程：

對(duì)上式進(jìn)行積分

將上式離散化，展開(kāi)得到差分方程如下x⁽⁰⁾(ti)δti+az⁽¹⁾(ti)＝uδti；

4)背景值的優(yōu)化

背景值是直接影響灰色模型模擬和預(yù)測(cè)精度的關(guān)鍵因素，通常是利用梯形公式近似計(jì)算；對(duì)背景值進(jìn)行優(yōu)化：

5)數(shù)據(jù)標(biāo)準(zhǔn)化

設(shè)綜合評(píng)價(jià)對(duì)象x＝{x1,x2,···,xn},每個(gè)對(duì)象由m個(gè)指標(biāo)表示其形狀，xi＝(xi1,xi2,···xim)(i＝1,2,···,n)，構(gòu)成原始的數(shù)據(jù)矩陣x＝(xij)n×m；對(duì)原始數(shù)據(jù)矩陣進(jìn)行無(wú)量綱處理，并將數(shù)據(jù)壓縮到區(qū)間[0，1]上，添加一個(gè)對(duì)比對(duì)象xn+1，及其各個(gè)指標(biāo)的標(biāo)準(zhǔn)值，然后構(gòu)造出模糊相似矩陣r＝(rij)(n+1)×(m+1)；采用相似系數(shù)法中的數(shù)量積法計(jì)算rij，將r改造成模糊等價(jià)矩陣r*即存在一個(gè)最小自然數(shù)k(k≤n)，使得傳遞閉包t(r)＝rk，對(duì)于一切大于k的自然數(shù)m，恒有rm＝rk，此時(shí)，t(r)為模糊等價(jià)矩陣，采用二次方法求傳遞閉包，對(duì)已建立的模糊等價(jià)矩陣，取定閾值λ，若rij≥λ(1≤i,j≤n)則xi和xj歸為一類，再讓?duì)擞纱笞冃?，得到由?xì)到粗的分類，以此進(jìn)行模糊聚類序；

從數(shù)據(jù)中分析出與xn+1為一類的對(duì)象，即找出n+1行中除n+1的最大值，則此最大值的列下標(biāo)即為最優(yōu)對(duì)象所在行的行號(hào)，借助另一個(gè)一維矩陣記下對(duì)象所在行的序號(hào)。將數(shù)據(jù)矩陣中與xn+1為一類的對(duì)象的各指標(biāo)置為零；重復(fù)以上步驟直到全部對(duì)象排序完畢；

6)引入權(quán)值矩陣

顯然，對(duì)于一個(gè)數(shù)據(jù)序列，各個(gè)數(shù)據(jù)對(duì)于灰色建模所起的作用不同，將上一步中排列好順序的歷史數(shù)據(jù)賦予一個(gè)權(quán)值，表征其可靠性，且權(quán)應(yīng)隨時(shí)間成指數(shù)增長(zhǎng)：

其中，w為權(quán)遞增因子，取w＝1～2；

7)辨識(shí)系數(shù)a，u求解：

利用最小二乘法求得參數(shù)的估計(jì)值如下：

8)時(shí)間響應(yīng)序列求解：

將求出的a，u參數(shù)值代入微分方程，得到時(shí)間響應(yīng)序列如下

還原得到原始數(shù)據(jù)為：

9)基于markov的殘差修正

分析預(yù)測(cè)值與實(shí)際值的相對(duì)誤差，根據(jù)誤差分析結(jié)果劃定誤差符號(hào)和誤差絕對(duì)值的馬爾科夫鏈狀態(tài)區(qū)間并根據(jù)劃分狀態(tài)集分別計(jì)算概率轉(zhuǎn)移矩陣得到基于markov殘差修正的灰色模型。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。