混合動力機車基于模糊神經(jīng)網(wǎng)絡(luò)的能量管理策略優(yōu)化分析案例目錄TOC\o"1-3"\h\u9976混合動力機車基于模糊神經(jīng)網(wǎng)絡(luò)的能量管理策略優(yōu)化分析案例 [66]REF_Ref69894970\r\h[67]，如REF_Ref69148135\h表41所示。表STYLEREF1\s4SEQ表\*ARABIC\s11神經(jīng)網(wǎng)絡(luò)與模糊控制特點對比TableSTYLEREF1\s4SEQTable\*ARABIC\s11Comparisonofcharacteristicsbetweenneuralnetworkandfuzzycontrol神經(jīng)網(wǎng)絡(luò)模糊控制主要結(jié)構(gòu)神經(jīng)元連接模糊規(guī)則庫知識獲取樣本數(shù)據(jù)工程經(jīng)驗影響因素各層連接權(quán)值隸屬度函數(shù)計算方式學習算法自適應(yīng)輸入模糊化控制過程激活函數(shù)作用模糊規(guī)則組合優(yōu)點處理非線性問題，學習能力強以專家經(jīng)驗為基礎(chǔ)，表達能力強缺點難以利用已有知識無法實現(xiàn)精確調(diào)節(jié)因此將模糊控制與神經(jīng)網(wǎng)絡(luò)進行深度融合，能夠更好地發(fā)揮各自的優(yōu)點，彌補不足。利用神經(jīng)網(wǎng)絡(luò)對模糊控制中的模糊信息進行處理，解決了模糊控制中關(guān)于模糊規(guī)則和隸屬度函數(shù)產(chǎn)生和調(diào)整的問題；引入模糊控制指導神經(jīng)網(wǎng)絡(luò)的信息處理，這樣神經(jīng)網(wǎng)絡(luò)不僅拓展了信息處理應(yīng)用范圍，還可以在專家經(jīng)驗的基礎(chǔ)上進行學習。模糊神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如REF_Ref69148201\h圖45所示。在結(jié)構(gòu)上一共有為5層，按照功能則劃分為模糊化層、模糊推理層和反模糊層，可以對模糊化層的隸屬函數(shù)，以及各層之間的權(quán)值進行調(diào)整。可以看出，神經(jīng)網(wǎng)絡(luò)的每一層、每一節(jié)點都能夠與模糊規(guī)則相結(jié)合，使得模糊規(guī)則的調(diào)整能夠不再依靠主觀經(jīng)驗，并且能夠?qū)⒚鞔_的物理意義賦予網(wǎng)絡(luò)結(jié)構(gòu)中的各種參數(shù)。模糊神經(jīng)網(wǎng)絡(luò)本質(zhì)上還是神經(jīng)網(wǎng)絡(luò)，擁有神經(jīng)網(wǎng)絡(luò)基本的拓撲結(jié)構(gòu)和運算規(guī)則，但功能上卻屬于模糊控制，其中隸屬度函數(shù)和模糊規(guī)則在前期還是需要設(shè)計人員根據(jù)經(jīng)驗和試驗主觀進行確定，之后結(jié)合訓練數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)的學習算法，對模糊控制的相關(guān)參數(shù)進行調(diào)整。這種模式使得模糊控制能夠在專家經(jīng)驗的基礎(chǔ)上，通過神經(jīng)網(wǎng)絡(luò)學習，實時改變模糊規(guī)則，不僅增強了系統(tǒng)的適應(yīng)能力，還能大大縮短學習時間，提高精度。圖STYLEREF1\s4SEQ圖\*ARABIC\s15模糊神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)FigureSTYLEREF1\s4SEQFigure\*ARABIC\s15Typicalstructureoffuzzyneuralnetwork模糊神經(jīng)網(wǎng)絡(luò)控制器的分析設(shè)計第三章采用的瞬時功率規(guī)則控制通過負載需求功率與電池SOC來簡單決策柴油發(fā)電機和動力電池組的輸出功率，而混合動力機車的整車狀態(tài)參數(shù)與工作模式使得能量管理是一個非線性問題，基于規(guī)則的能量管理策略受制定規(guī)則人員主觀因素影響較大。因此可以利用模糊神經(jīng)網(wǎng)絡(luò)，不僅能夠?qū)⒐こ探?jīng)驗映射于模糊解釋和推理，還能夠利用神經(jīng)網(wǎng)絡(luò)對已有實驗數(shù)據(jù)進行學習，調(diào)整結(jié)構(gòu)參數(shù)，得到近似最優(yōu)的輸入輸出映射。因此需要根據(jù)實際被控系統(tǒng)進行輸入輸出以及模糊規(guī)則的制定，以及選擇合適的隸屬度函數(shù)與學習算法。模糊規(guī)則知識表示首先設(shè)置模糊神經(jīng)網(wǎng)絡(luò)控制器的輸入為負載需求功率和電池SOC，輸出為柴油發(fā)電機組功率。通過計算負載需求功率和柴油發(fā)電機組功率的差，從而推導出動力電池組輸出功率。根據(jù)第三章研究的混合動力機車能量流動可知，在牽引和惰行工況下，負載需求功率為正，制動工況時電機反轉(zhuǎn)向直流側(cè)回饋能量，負載需求功率為負。由于吸收再生制動能量時柴油發(fā)電機不輸出功率，因此不考慮負載需求功率小于零的情況，在設(shè)計模糊控制策略將負載需求功率從0到950kW按照大小劃分為七個等級，將模糊論域折算到[0，1]。電池SOC20%到85%的范圍能夠滿足動力電池組運行的需求，將其論域定為[0.2，0.85]。同理，將柴油發(fā)電機組功率折算為[0，1]。將負載需求功率和柴油發(fā)電機的模糊子集設(shè)為{極小，小，中，大，極大}，簡記形式為{VS，S，M，B，VB}。動力電池組的模糊子集為{低，中，高}，即{L，M，H}。以下將著重對模糊規(guī)則的相關(guān)內(nèi)容展開闡述。(1)當負載需求功率為極小或小的情況下，若此時動力電池組SOC過低，則動力電池組不輸出功率，由柴油發(fā)電機輸出適當功率滿足負載需求并給電池充電；若此時動力電池組SOC較大，則由動力電池組提供負載需求功率。(2)當負載需求功率大于0且處于中與大之間時，對應(yīng)柴油發(fā)電機高效率工作區(qū)，若此時動力電池組SOC較低，則由柴油發(fā)電機提供負載所需功率；若此時動力電池組SOC較大，則動力電池組盡量不工作，以滿足牽引時的高功率高能量需求。(3)當負載需求功率大于0且較大時，若此時動力電池組SOC較低，則盡量使用柴油發(fā)電機提供功率；若此時動力電池組SOC較高，則可適當柴油發(fā)電機組的輸出功率，動力電池組補充功率，盡量令柴油發(fā)電機組工作于高效率區(qū)間。將以上規(guī)則轉(zhuǎn)化為模糊邏輯規(guī)則如表。表STYLEREF1\s4SEQ表\*ARABIC\s12模糊邏輯規(guī)則表TableSTYLEREF1\s4SEQTable\*ARABIC\s12FuzzyLogicRuleTableSOCPGSMBVSSVSVSSMSSPloadMBMMBBBBVBVBBB模糊規(guī)則中變量的隸屬度函數(shù)形式有三角形、梯形、高斯型等，由于高斯型函數(shù)具有光滑平穩(wěn)的過渡特性，選用高斯型函數(shù)，表示為： (STYLEREF1\s4SEQ(\*ARABIC\s12)式中，——高斯型函數(shù)的中心值；——高斯型函數(shù)的寬度值。模糊神經(jīng)網(wǎng)絡(luò)根據(jù)選用的隸屬度函數(shù)和規(guī)則匹配計算的結(jié)果精確確定，因此高斯型函數(shù)的中心值和寬度值對于模糊神經(jīng)網(wǎng)絡(luò)計算過程的模糊處理以及最后輸出的結(jié)果至關(guān)重要，在輸出結(jié)果無法達到期望的情況下，需要利用神經(jīng)網(wǎng)絡(luò)的學習功能進行整定。模糊神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)負載需求功率和電池為模糊神經(jīng)網(wǎng)絡(luò)控制器的輸入變量，輸出為柴油發(fā)電機輸出功率。本文采用基于Takagi-Sugeno模型的模糊神經(jīng)網(wǎng)絡(luò)，如REF_Ref69717923\h圖46所示，T-S型模糊推理具有計算簡單，利于數(shù)學分析的優(yōu)點，易于實現(xiàn)控制器的自適應(yīng)功能?？刂破饔汕凹W(wǎng)絡(luò)與后件網(wǎng)絡(luò)構(gòu)成，前件網(wǎng)絡(luò)的功能是進行規(guī)則的匹配，計算匹配權(quán)值；而后件網(wǎng)絡(luò)是將輸入變量進行模糊規(guī)則處理。圖STYLEREF1\s4SEQ圖\*ARABIC\s16模糊神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)FigureSTYLEREF1\s4SEQFigure\*ARABIC\s16Fuzzyneuralnetworkcontrollerstructure(1)前件網(wǎng)絡(luò)前件網(wǎng)絡(luò)一共有四層。第一層為輸入層，輸入的兩個變量為精確值，即負載需求功率和電池，進入控制器結(jié)構(gòu)后隨即進入下一層進行模糊化處理，系統(tǒng)輸入一共有2個神經(jīng)元。即： (STYLEREF1\s4SEQ(\*ARABIC\s13)輸入變量的隸屬函數(shù)層則位于第二層，在模糊處理的作用下，將輸入轉(zhuǎn)換成模糊量。將電池以及負載需求功率語言變量值按照上節(jié)內(nèi)容進行劃分，動力電池組的模糊子集為{L，M，H}，而需求功率為{VS，S，M，B，VB}。每個節(jié)點即為模糊規(guī)則中所定義的語言變量，因此共有8個。 (STYLEREF1\s4SEQ(\*ARABIC\s14)式中，——輸入變量的個數(shù)；——的模糊分割數(shù)；模糊規(guī)則在第三層用不同節(jié)點表示，其目的是與模糊規(guī)則前件相匹配，計算出所有規(guī)則各自的適用度，表示為上一層輸出的兩兩相乘，即： (STYLEREF1\s4SEQ(\*ARABIC\s15)式中，；；。通過對輸入展開分析能夠看出，距離輸入點越近的語言變量值隸屬度值越高，相反距離越遠的語言變量隸屬度值則越低。因此，本層多數(shù)輸出為0，只有少數(shù)輸出非0，即輸出查詢點附近的數(shù)據(jù)。第四層主要是實現(xiàn)歸一化計算，其節(jié)點數(shù)與第三層一致。計算公式為： (STYLEREF1\s4SEQ(\*ARABIC\s16)(2)后件網(wǎng)絡(luò)第一層為輸入層，向下一層傳遞輸入量。本層共有3個神經(jīng)元。前兩個為控制器的輸入量，還有一個節(jié)點是一個恒為1的值，其目的是防止神經(jīng)網(wǎng)絡(luò)出現(xiàn)收斂慢或者精度較差的現(xiàn)象。第二層的主要任務(wù)是計算規(guī)則的后件。每條規(guī)則可以用節(jié)點進行表示： (STYLEREF1\s4SEQ(\*ARABIC\s17)第三層為輸出層。該層作用是計算系統(tǒng)的輸出，本文輸出量僅有發(fā)電機輸出功率，所以第三層中神經(jīng)元的個數(shù)只有1個。控制器在運行中主要采用加權(quán)求和法輸出模糊后件，前件網(wǎng)絡(luò)輸出量即為加權(quán)系數(shù)，表達式為： (STYLEREF1\s4SEQ(\*ARABIC\s18)模糊神經(jīng)網(wǎng)絡(luò)學習算法為了達到輸出結(jié)果與期望結(jié)果誤差低于期望的目的，需要對模糊神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)進行優(yōu)化調(diào)整，即采用學習算法，根據(jù)誤差結(jié)果對神經(jīng)網(wǎng)絡(luò)進行反饋。該控制器共采用三個參數(shù)進行學習調(diào)整。這個三個參數(shù)分別是：隸屬函數(shù)的寬度值和中心值(；)，位于前件網(wǎng)絡(luò)，還有后件網(wǎng)絡(luò)的第二層的連接權(quán)值(；)。在對權(quán)值系數(shù)進行調(diào)整時，主要采用誤差反向傳播，通過這種方式，能夠使學習更加高效。計算誤差函數(shù)的公式如下： (STYLEREF1\s4SEQ(\*ARABIC\s19)式中，——輸出變量的目標值；——輸出變量的實際值。(1)后件網(wǎng)絡(luò)權(quán)值的學習算法： (STYLEREF1\s4SEQ(\*ARABIC\s110) (STYLEREF1\s4SEQ(\*ARABIC\s111)式中，；；為學習速率，。(2)前件網(wǎng)絡(luò)中心值和寬度值的學習算法在研究前件網(wǎng)絡(luò)權(quán)值學習的過程中，可以將參數(shù)固定，整個控制器結(jié)構(gòu)可以簡化為REF_Ref70453339\h圖47所示。在簡化結(jié)構(gòu)中，通常用末層的連接權(quán)值表示后件網(wǎng)絡(luò)中不同的規(guī)則，即。圖STYLEREF1\s4SEQ圖\*ARABIC\s17簡化的模糊神經(jīng)網(wǎng)絡(luò)控制器FigureSTYLEREF1\s4SEQFigure\*ARABIC\s17Simplifiedfuzzyneuralnetworkcontroller模糊神經(jīng)網(wǎng)絡(luò)的工作也同樣有正向傳播和反向傳播。輸入信息首先通過正向傳播處理，從輸入層至隱含層，并傳向輸出層。之后經(jīng)過輸出計算與期望值的誤差，若誤差不在預(yù)期的范圍內(nèi)，則進行反向傳播，從輸出層至輸入層傳遞誤差信號，利用學習算法調(diào)整函數(shù)結(jié)構(gòu)或連接權(quán)值，達到減小誤差的目的。(1)信息的正向傳播對于模糊神經(jīng)網(wǎng)絡(luò)中第層第個節(jié)點：節(jié)點的純輸入為：節(jié)點的輸出為則各層之間的輸入輸出關(guān)系如下：第一層： (STYLEREF1\s4SEQ(\*ARABIC\s112)第二層： (STYLEREF1\s4SEQ(\*ARABIC\s113) (STYLEREF1\s4SEQ(\*ARABIC\s114)第三層： (STYLEREF1\s4SEQ(\*ARABIC\s115) (STYLEREF1\s4SEQ(\*ARABIC\s116)第四層： (STYLEREF1\s4SEQ(\*ARABIC\s117) (STYLEREF1\s4SEQ(\*ARABIC\s118)第五層： (STYLEREF1\s4SEQ(\*ARABIC\s119) (STYLEREF1\s4SEQ(\*ARABIC\s120)(2)誤差的反向傳播第五層權(quán)系數(shù)的修正公式為： (STYLEREF1\s4SEQ(\*ARABIC\s121)第五層誤差反傳信號為： (STYLEREF1\s4SEQ(\*ARABIC\s122)聯(lián)立以上兩式得： (STYLEREF1\s4SEQ(\*ARABIC\s123)依次向后傳遞： (STYLEREF1\s4SEQ(\*ARABIC\s124) (STYLEREF1\s4SEQ(\*ARABIC\s125) (STYLEREF1\s4SEQ(\*ARABIC\s126)其中，當是第個規(guī)則節(jié)點輸入的最小值時， (STYLEREF1\s4SEQ(\*ARABIC\s127)否則，。綜上，可以得到前件網(wǎng)絡(luò)中心值與寬度值的修正公式： (STYLEREF1\s4SEQ(\*ARABIC\s128) (STYLEREF1\s4SEQ(\*ARABIC\s129)最后可得： (STYLEREF1\s4SEQ(\*ARABIC\s130) (STYLEREF1\s4SEQ(\*ARABIC\s131)網(wǎng)絡(luò)訓練與測試本文以動態(tài)規(guī)劃結(jié)果作為模糊神經(jīng)網(wǎng)絡(luò)的訓練樣本，一共有784個樣本，隨機抽取200個作為訓練樣本，50個作為訓練樣本。設(shè)定訓練迭代次數(shù)為800，可以看到，在訓練迭代次數(shù)達到200次時，訓練誤差曲線已經(jīng)收斂，誤差不超過5%。圖STYLEREF1\s4SEQ圖\*ARABIC\s18模糊神經(jīng)網(wǎng)絡(luò)訓練誤差收斂曲線FigureSTYLEREF1\s4SEQFigure\*ARABIC\s18Fuzzyneuralnetworktrainingerrorconvergencecurve圖STYLEREF1\s4SEQ圖\*ARABIC\s19期望值與預(yù)測值對比FigureSTYLEREF1\s4SEQFigure\*ARABIC\s19Comparisonofexpectedandpredictedv