一种基于NARX神经网络的多步预测模型.doc

文章编号： 基于NARX神经网络的一种非线性多步预测模型 摘 要：神经网络是一种非常优秀的非线性建模工具，在工程实际中得到了广泛的应用。根据网络结构中是否存在反馈回路，神经网络可分为动态神经网络和静态神经网络。本文针对工业过程中具有强非线性特点的被控对象，提出了一种基于动态神经网络的非线性多步预测模型；设计了非线性预测模型的结构辨识方法，并对模型的预测性能进行了仿真验证。仿真结果表明，该预测模型能够较好地预测非线性系统的未来输出信息，为非线性多步预测控制器的设计和应用打下了良好的基础。 关键词：模型预测控制；预测模型；递归神经网络；NARX神经网络；模型辨识 中图分类号：TP301 文献标识码：A A Multi-Step Nonlinear Predictive Model Based on NARX Neural Network Abstract：Neural Network is a kind of execllent nonlinear modeling tools. According to the structure, neural network can be divided into two categories which are dynamic neural network and static neural network. This paper proposed a nonlinear multi-step predictive model based on dynamic neural network for the systems which have strong nonlinearity, designed a special model identification method, and provided simulation experiment. The simulation results show that the nonlinear predictive model can give relatively good predictive output information of the nonlinear system, and can be used in multi-step predictive controller. □□□□□Key words：Model Predictive Control; Predictive Model; Recurrent Neural Network; NARX Neural Network; Model Identification1 引言 模型预测控制(Model Predictive Control, MPC)是一种基于模型的控制策略，这种控制策略首先利用过去时刻的输入输出信息建立预测模型，然后利用预测模型对系统未来的输出做出预测，通过长时域的优化获得局部最优的控制量，从而实现对被控对象的有效控制。模型预测控制一般由预测模型、滚动优化策略和反馈校正三部分构成[1]。在这三部分中，预测模型是滚动优化策略的基础，反馈校正为预测模型提供修正。在工程应用中，建立的预测模型是否合适，将直接影响预测控制器的实际控制效果。 目前，实际中应用的大部分预测控制器(动态矩阵控制、模型算法控制、广义预测控制)的都是基于系统的线性预测模型[2]。对于含有强非线性、扰动频繁的系统或者带有时变特性且工作点跨越较大的系统，线性预测模型就无法正确描述被控对像的动态特性，甚至会导致系统不稳定[3]。如果要将预测控制方法应用于这些场合并进行长时域的预测控制，如何建立系统合适的非线性多步预测模型就显得非常必要。 人工神经网络由众多简单神经元组成，能够任意精度逼近绝大多数非线性映射关系，是一种非常优秀的非线性建模工具[4]。根据网络结构中是否存在反馈回路，人工神经网络可分为动态神经网络和静态神经网络。感知机网络、BP网络属于静态神经网络，其中，BP网络是结构最简单、应用最成熟的一种网络结构；Hopfield网络、Elman网络和NARX网络属于动态神经网络，其中，NARX网络是动态神经网络中研究最广泛的网络结构之一[5][6]。 2 预测模型 为了建立非线性系统的长时域预测模型，在过去的研究工作中，研究人员通过递归调用两层BP神经网络，构造了一个预测效果相对较好的非线性多步预测模型[7][8]，这种预测模型的结构图如图(1)所示。 图1 基于递归BP神经网络的多步预测模型结构图 但是，这种预测模型存在一个明显的缺陷，即预测时域不能太长。如果预测时域过长，初始阶段的预测误差将会不断累积，使得预测性能和预测