基于PSO-BP和卡尔曼滤波的PID调节方法

本发明涉及自动控制领域，具体涉及基于pso-bp和卡尔曼滤波的pid调节方法。

背景技术：

1、pid控制算法广泛用于线性系统，具有良好的鲁棒性和稳定性，设计简单。由于pid控制器的控制参数固定不变的这一特性，通常用于线性系统，针对一些非线性系统的场合，pid控制器的效果则会显著降低。与此同时，pid控制器本身存在一些局限性，噪声引起的误差会导致pid控制器产生不稳定的输出。

2、针对pid控制器本身由于噪声引起的误差会导致不稳定输出，亟需一种基于pso-bp和卡尔曼滤波的pid调节方法。

技术实现思路

1、本发明基于pso-bp和卡尔曼滤波的pid调节方法，解决现有技术的问题。

2、第一方面，本发明提供基于pso-bp和卡尔曼滤波的pid调节方法，包括：

3、建立bp神经网络，随机生成未优化的随机初始连接权值wij(0)、wli(0)并计算控制参数kp、ki、kd和系统输出值yout。

4、通过pso粒子群算法优化bp神经网络的初始连接权值。

5、比较给定定值rin(k)和系统输出值yout(k)，计算误差error(k)＝rin(k)-yout(k)。

6、将误差信号进行向前传递，更新bp神经网络的权值，并输出系统即时输出值。

7、根据输出结果重新赋值kp、ki、kd，通过增量式pid算法计算出结果，加载给负载模块。

8、将负载模块的输出值y(k+1)送去卡尔曼滤波模块进行处理，利用卡尔曼方程估计最优值即滤波后得到的输出yout(k+1)并根据误差error(k+1)判断是否满足要求结束循环。

9、本发明提供的基于pso-bp和卡尔曼滤波的pid调节方法，提高复杂场景下的非线性系统的性能，自适应调节系统输出的噪音干扰，从而达到在某一既定状态下的pid控制器的最优化。

1.基于pso-bp和卡尔曼滤波的pid调节方法，其特征在于，包括：pid控制非线性模型系统时，加入bp神经网络，通过pso粒子群算法优化bp神经网络的初始连接权值，自适应调节bp神经网络神经元输出层并得到参数kp、ki、kd，然后通过kalman滤波器降噪，迭代输出非线性模型的最优化pid控制值。

2.根据权利要求1所述的基于pso-bp和卡尔曼滤波的pid调节方法，其特征在于，所述bp神经网络用于随机生成未优化的随机初始连接权值wij(0)、wli(0)，并计算控制参数kp、ki、kd和系统输出值yout。

3.根据权利要求2所述的基于pso-bp和卡尔曼滤波的pid调节方法，其特征在于，比较给定定值rin(k)和系统输出值yout(k)，计算误差信号error(k)＝rin(k)-yout(k)，将误差信号进行向前传递，更新bp神经网络的权值，并输出非线性模型系统即时输出值。

4.根据权利要求3所述的基于pso-bp和卡尔曼滤波的pid调节方法，其特征在于，包括根据bp神经网络的输出结果重新赋值kp、ki、kd，通过增量式pid算法计算出结果，加载给负载模块，将负载模块的输出值y(k+1)送去卡尔曼滤波模块进行处理，利用卡尔曼方程估计最优值即滤波后得到的输出yout(k+1)，并根据误差error(k+1)判断是否满足要求结束循环。

5.根据权利要求4所述的基于pso-bp和卡尔曼滤波的pid调节方法，其特征在于，其中，bp神经网络为4-5-3三层bp神经网络结构，输入层x(k)＝[x1(k),x2(k),x3(k),x4(k)]t，x1(k),x2(k),x3(k)和x4(k)分别表示k时刻时的给定输入值rin(k)、系统输出值yout(k)、系统误差error(k)和定值1，wij(k)表示隐含层第i个神经元与输入层第j个神经元的连接权值，wli(k)表示输出层第l个神经元与隐含层第i个神经元的连接权值；

6.根据权利要求5所述的基于pso-bp和卡尔曼滤波的pid调节方法，其特征在于，其中，对于pso粒子群算法，在d维空间中随机生成含m个粒子的初始粒子群a＝[a1,a2,...，am]，第m个粒子具有位置xm＝[xm1,xm2，...，xmd]和速度vm＝[vm1，vm2，...，vmd]两个特征，xmd和vmd表示第m个粒子在第d维的位置和速度，在每次迭代过程中跟踪全局极值pgbest和个体极值ppbest来更新粒子值，更新公式为：

7.根据权利要求6所述的基于pso-bp和卡尔曼滤波的pid调节方法，其特征在于，其中，所述根据bp神经网络的输出结果重新赋值kp、ki、kd，通过增量式pid算法计算出结果，加载给负载模块，将负载模块的输出值y(k+1)送去卡尔曼滤波模块进行处理，利用卡尔曼方程估计最优值即滤波后得到的输出yout(k+1)，包括：