CN103258093B - 一种基于辨识的双率系统的参数辨识方法 - Google Patents
一种基于辨识的双率系统的参数辨识方法 Download PDFInfo
- Publication number
- CN103258093B CN103258093B CN201310170624.3A CN201310170624A CN103258093B CN 103258093 B CN103258093 B CN 103258093B CN 201310170624 A CN201310170624 A CN 201310170624A CN 103258093 B CN103258093 B CN 103258093B
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- moment
- identification model
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于辨识的双率系统的参数辨识方法，其可通过使用丢失数据辨识模型，辨识出系统的丢失输出数据，最终达到辨识出双率系统未知参数的目的；获取可测输入数据u(t)和可测输出数据y(tq)，其中t=0、1、2…，根据所述可测输入数据u(t)和可测输出数据y(tq)建立丢失数据辨识模型，所述丢失数据辨识模型的输出数据y(tq+j)代替系统的丢失输出数据，其中j=1、2、…、q-1，通过选择所述丢失数据辨识模型的初始参数及构造的信息向量，使所述丢失数据辨识模型的输出数据y(tq+j)逼近所述丢失输出数据，利用所述丢失数据辨识模型的输出数据y(tq+j)结合所述可测输入数据u(t)和可测输出数据y(tq)辨识出当前输出采样时刻的参数，对所述辨识出的当前输出采样时刻的参数用递推算法进行辨识比较，从而得到最终辨识参数值。
Description
技术领域
本发明涉及参数辨识技术领域，具体为一种基于辨识的双率系统的参数辨识方法。
背景技术
对于采样时间系统，当控制输入的采样周期，也就是刷新周期和输出的采样周期不相等时，就得到一个双率系统；双率系统是一类简单的多率系统，近十余年来，多率系统不仅在石油化工过程控制方面得到了成功的应用，在理论方面也取得了一系列研究成果，如多率系统的能控性和能观测性，多率系统的最优控制，多率系统的鲁棒控制，多率系统的自适应控制，多率系统的自校正控制等等，而多率系统的参数辨识可以追溯到上世纪50年代，Kranc1957年在处理开关分解时进行的，后来Khargonekar等人引入提升因子技术，将一个周期离散时变系统化成一个时不变系统，使得提升后的系统是一个具有因果约束的时不变多变量系统。针对一类比较简单的双率系统，当输出的采样周期是控制输入的采样周期的倍时，就得到了一个最简单的双率采样数据系统，可获得双率采样数据系统的采样输入、输出数据为,其中是快速率刷新的输入数据，是慢速率刷新的输出数据，，两者都是可测的，而两个连续的输出采样时刻之间的输出是不可测，传统的辨识方法不适合应用在双率系统辨识中，因为传统的辨识方法是假设输入和输出在每个采样点都可得到，而双率系统存在采样间输出损失，这就是双率系统辨识困难的所在，为了解决上述困难，国内辨识界专家丁锋教授提出了多项式变换技术，通过多项式变换将系统转化成一个等价模型，该等价模型的输出和输入全部可测，这样通过传统的辨识算法就可以辨识出等价系统的全部参数，但是多项式转换技术存在这样的问题，即根据辨识出的等价系统的参数无法获得原双率系统的参数，且原系统丢失的输出也无法获得。
发明内容
针对上述问题，本发明提供了一种基于辨识的双率系统的参数辨识方法，其可通过使用丢失数据辨识模型，辨识出系统的丢失输出数据，最终达到辨识出双率系统未知参数的目的。
其技术方案是这样的：获取可测输入数据和可测输出数据，其中，其特征在于：根据所述可测输入数据和可测输出数据建立丢失数据辨识模型，所述丢失数据辨识模型的输出数据代替系统的丢失输出数据，其中，通过选择所述丢失数据辨识模型的初始参数及构造的信息向量，使所述丢失数据辨识模型的输出数据逼近所述丢失输出数据，利用所述丢失数据辨识模型的输出数据结合所述可测输入数据和可测输出数据辨识出当前输出采样时刻的参数，对所述辨识出的当前输出采样时刻的参数用递推算法进行辨识比较，从而得到最终辨识参数值。
其进一步特征在于：所述丢失数据辨识模型辨识参数算法步骤是：
（1）、假设，系统的原参数为，且定义一个正值，其中表示0时刻的收敛因子，为辨识参数的初始参数值，的是一个列向量其值全为1，；
（2）、采集输入数据以及输出数据；
（3）、根据时刻之前的信息向量和时刻的参数，利用公式计算出时刻的输出，其中信息向量
，同时构建时刻之前的信息向量，后使值递增加1，如果，则返回到步骤3，否则进行下一步；
（4）、根据公式，
，
,计算出时刻的参数值，其中为时刻之前的信息向量，表示系统实际输出减去现在时刻计算出的输出所得的信息；
（5）、比较时刻的参数值和时刻的参数值，如果误差，则结束循环，即为最终参数值，否则使值递增加1，转到步骤2继续循环，从而得到最终参数值。
与现有技术相比，本发明的有益效果是：
（1）、提出的丢失数据辨识模型，能辨识出系统损失的输出，这样在参数辨识过程中可以充分利用系统所有的输入数据和输出数据来辨识系统的参数，从而可以提高参数辨识的精度。
（2）、提出的丢失数据辨识模型，能辨识出系统的原始参数，改进了多项式转换技术在一些情况下不能辨识出系统原始参数的缺点。
（3）、提出的丢失数据辨识模型，所要辨识的参数的数目小于多项式转换技术待辨识参数的数目，待辨识的参数的降低可以减小辨识误差。
（4）、提出的丢失数据辨识模型，能直接辨识出系统的原始参数，改进了在有限脉冲方法中只能辨识出转换系统的参数而再利用辨识出的转换参数才能计算出系统原始参数的技术，并且对系统的初始参数没有限制条件。
附图说明
图1是本发明的结构框图；
图2是本发明辨识参数算法的流程图；
图3是本发明的仿真示意图。
具体实施方式
如图1、图2、图3所示，获取可测输入数据和可测输出数据，其中，根据可测输入数据和可测输出数据建立丢失数据辨识模型，丢失数据辨识模型的输出数据代替系统的丢失输出数据，其中，通过选择丢失数据辨识模型的初始参数及构造的信息向量，使丢失数据辨识模型的输出数据逼近丢失输出数据，利用丢失数据辨识模型的输出数据结合可测输入数据和可测输出数据辨识出当前输出采样时刻的参数，对辨识出的当前输出采样时刻的参数用递推算法进行辨识比较，从而得到最终辨识参数值。
丢失数据辨识模型辨识参数算法步骤是
（1）、假设，系统的原参数为，且定义一个正值，其中表示0时刻的收敛因子，为辨识参数的初始参数值，的是一个列向量其值全为1，；
（2）、采集输入数据以及输出数据；
（3）、根据时刻之前的信息向量和时刻的参数，利用公式计算出时刻的输出，其中信息向量
，同时构建时刻之前的信息向量，后使值递增加1，如果，则返回到步骤3，否则进行下一步；
（4）、根据公式，
，
,计算出时刻的参数值，其中为时刻之前的信息向量，表示系统实际输出减去现在时刻计算出的输出所得的信息；
（5）、比较时刻的参数值和时刻的参数值，如果误差，则结束循环，即为最终参数值，否则使值递增加1，转到步骤2继续循环，从而得到最终参数值。
根据本发明进行参数辨识所得到的辨识结果，系统的实际参数为
，如表1所示，运用本发明的参数辨识方法，可得到系统的实际参数，且误差小。
表1
Claims (1)
1.一种基于辨识的双率系统的参数辨识方法，获取可测输入数据u(t)和可测输出数据y(tq)，其中t＝0、1、2…，q为采样周期倍数，其特征在于：根据所述可测输入数据u(t)和可测输出数据y(tq)建立丢失数据辨识模型，所述丢失数据辨识模型的输出数据y(tq+j)代替系统的丢失输出数据，其中j＝1、2、…、q-1，通过选择所述丢失数据辨识模型的初始参数及构造的信息向量，使所述丢失数据辨识模型的输出数据y(tq+j)逼近所述丢失输出数据，利用所述丢失数据辨识模型的输出数据y(tq+j)结合所述可测输入数据u(t)和可测输出数据y(tq)辨识出当前输出采样时刻的参数，对所述辨识出的当前输出采样时刻的参数用递推算法进行辨识比较，从而得到最终辨识参数值；
所述丢失数据辨识模型辨识参数算法步骤是：
1、假设t＝1,j＝1，r(0)＝1,系统的原参数为θ＝[b1,b2,a1,a2]T，且定义一个正值ε，其中r(0)表示0时刻的收敛因子，为辨识参数的初始参数值，1/p0的1是一个列向量其值全为1，p0＝106；
2、采集输入数据u(tq)以及输出数据y(tq)；
3、根据tq-q+j时刻之前的信息向量和tq-q时刻的参数利用公式计算出tq-q+j时刻的输出其中信息向量
，同时构建tq-q+j+1时刻之前的信息向量后使j值递增加1，如果j≤q-1，则返回到步骤3，否则进行下一步；
4、根据公式
计算出tq时刻的参数值其中为tq时刻之前的信息向量，e(tq)表示系统实际输出减去现在时刻计算出的输出所得的信息；
5、比较tq时刻的参数值和tq-q时刻的参数值如果误差则结束循环，即为最终参数值，否则使t值递增加1，转到步骤2继续循环，从而得到最终参数值
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310170624.3A CN103258093B (zh) | 2013-05-10 | 2013-05-10 | 一种基于辨识的双率系统的参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310170624.3A CN103258093B (zh) | 2013-05-10 | 2013-05-10 | 一种基于辨识的双率系统的参数辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103258093A CN103258093A (zh) | 2013-08-21 |
| CN103258093B true CN103258093B (zh) | 2016-03-02 |
Family
ID=48962007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310170624.3A Active CN103258093B (zh) | 2013-05-10 | 2013-05-10 | 一种基于辨识的双率系统的参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103258093B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110389268A (zh) * | 2019-07-19 | 2019-10-29 | 福建睿思特科技股份有限公司 | 一种电力系统的在线监测系统 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108281961B (zh) * | 2018-01-09 | 2020-11-03 | 河海大学 | 一种自适应鲁棒扩展卡尔曼的参数辨识方法 |
| CN109324087A (zh) * | 2018-09-19 | 2019-02-12 | 大连九州创智科技有限公司 | 电导池一阶阻容系统参数的渐消记忆辨识方法 |
| CN110334315B (zh) * | 2019-06-24 | 2022-12-13 | 南通大学 | 基于极大似然和梯度优化的辛烷值推断模型辨识方法 |
| CN111025898B (zh) * | 2019-11-07 | 2021-08-24 | 江南大学 | 一种用于流程工业大规模过程控制的降维辨识方法 |
-
2013
- 2013-05-10 CN CN201310170624.3A patent/CN103258093B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 系统辨识(6):多新息辨识理论与方法;丁锋;《南京信息工程大学学报：自然科学版》;20120430;第2012（年）卷(第4期);第1-29页 * |
| 非均匀采样数据系统AM-MI-GESG算法;谢莉等;《仪器仪表学报》;20090630;第30卷(第6期);第25-29页 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110389268A (zh) * | 2019-07-19 | 2019-10-29 | 福建睿思特科技股份有限公司 | 一种电力系统的在线监测系统 |
| CN110389268B (zh) * | 2019-07-19 | 2021-08-13 | 福建睿思特科技股份有限公司 | 一种电力系统的在线监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103258093A (zh) | 2013-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103258093B (zh) | 一种基于辨识的双率系统的参数辨识方法 | |
| CN104777383B (zh) | 一种非侵入式电力负载监测与负荷分解装置 | |
| WO2019056753A1 (zh) | 一种分布式光伏电站集群的动态等值建模方法 | |
| CN108471347A (zh) | 一种基于精准环路滤波的并行定时同步方法 | |
| CN104991212A (zh) | 一种基于最小二乘线性插值的电流采集通道自校准方法 | |
| CN103837738B (zh) | 电量变送器 | |
| CN109245766A (zh) | 一种时间交织结构模数转换器的误差补偿校正系统及方法 | |
| CN106092156A (zh) | 交流伺服串行通信编码器位置反馈脉冲分频输出系统和方法 | |
| CN103746695A (zh) | 时间交织模数转换器通道间采样时间失配的校正方法 | |
| CN110473251A (zh) | 基于网格空间索引的自定义范围空间数据面积统计方法 | |
| CN112001486A (zh) | 一种基于深度学习的负荷分解方法 | |
| CN102170516B (zh) | 基于模糊理论和神经网络的色彩空间转换方法 | |
| CN103995873A (zh) | 一种数据挖掘方法及数据挖掘系统 | |
| CN105136317A (zh) | 单点采样判决单光子探测器及其采样判决方法 | |
| Chen et al. | A seidel-type recursive Bayesian approach and its applications to power systems | |
| CN104717051A (zh) | 一种并行解调位同步中的插值估计方法 | |
| CN104000581A (zh) | 心电信号处理方法及装置 | |
| CN111625769A (zh) | 一种基于拉格朗日插值和三次指数平滑的pmu-scada数据对时与融合方法 | |
| CN109214545A (zh) | 一种基于人类行为的负荷分解算法 | |
| CN108075697B (zh) | 一种位置信号倍频的开关磁阻电机相电流迭代控制方法 | |
| Gao et al. | The application of adaptive Kalman filter in traffic flow forecasting | |
| CN103916341A (zh) | 升余弦成型mpsk信号的盲符号速率估计与定时方法 | |
| CN105721092A (zh) | 重采样技术提高分布式系统时间同步精度的方法 | |
| CN105866483A (zh) | 一种用dsp控制器生成正弦波信号的实现方法 | |
| CN104197975B (zh) | 一种基于测量值微分约束的传感器测量精度提高方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |