基于FCM-ELM-BBPS的预测控制参数整定

作者：贺宁; 习坤^*; 高峰; 刘月笙

来源：湖南大学学报(自然科学版), 2023, 50(12): 168-177.

DOI：10.16339/j.cnki.hdxbzkb.2023190

• 模型预测控制
• 聚类
• 极限学习机
• 裸骨粒子群
• 参数整定

模型预测控制设计参数选择显著影响被控系统性能，目前基于专家经验的主流参数整定方法会出现控制器鲁棒性差、计算成本高等缺点.为了解决上述问题，提出一种基于模糊C均值-极限学习机-裸骨粒子群（Fuzzy C-means-Extreme Learning Machine-Bare Bones Particle Swarm, FCM-ELM-BBPS）的参数整定算法.通过模糊C均值算法（Fuzzy C-means, FCM）聚类进行数据预处理，将被控系统复杂数据根据自身特征进行聚类，以降低神经网络的训练误差，提高预测精度；针对每一类特征数据，利用极限学习机（Extreme Learning Machine, ELM）建立预测控制参数与性能指标的映射关系模型，并进一步获得参数整定规则；采用裸骨粒子群（Bare Bones Particle Swarm, BBPS）优化算法进行预测控制参数整定，通过采用高斯分布来更新粒子位置，加快目标函数的收敛速度，从而有效地减少参数寻优时间；分别进行仿真和水箱系统实验验证，证明了提出算法的有效性.实验结果表明，本文提出的算法与现有方法相比，更具有优越性，其中整定时间减少了34.84%，同时在调整时间等时域性能指标上提升了43.98%.

• 单位
  机电工程学院; 西安建筑科技大学