CN107844458A - 一种工业过程一阶惯性迟延模型自适应辨识方法 - Google Patents

一种工业过程一阶惯性迟延模型自适应辨识方法 Download PDF

Info

Publication number
CN107844458A
CN107844458A CN201711140245.4A CN201711140245A CN107844458A CN 107844458 A CN107844458 A CN 107844458A CN 201711140245 A CN201711140245 A CN 201711140245A CN 107844458 A CN107844458 A CN 107844458A
Authority
CN
China
Prior art keywords
mrow
msub
particle
msubsup
industrial process
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.)
Granted
Application number
CN201711140245.4A
Other languages
English (en)
Other versions
CN107844458B (zh
Inventor
王林
郭亦文
高林
李晓博
高海东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Xian Xire Control Technology Co Ltd
Original Assignee
Xian Xire Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Xire Control Technology Co Ltd filed Critical Xian Xire Control Technology Co Ltd
Priority to CN201711140245.4A priority Critical patent/CN107844458B/zh
Publication of CN107844458A publication Critical patent/CN107844458A/zh
Application granted granted Critical
Publication of CN107844458B publication Critical patent/CN107844458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F22—STEAM GENERATION
    • F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
    • F22B35/00—Control systems for steam boilers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mechanical Engineering (AREA)
  • Biomedical Technology (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Combustion & Propulsion (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种工业过程一阶惯性迟延模型自适应方法，该方法利用粒子群自适应寻优的特点，通过建立传递模型和动态粒子群库，将粒子群寻优算法变为在线自适应寻优，并通过四阶容格‑库塔微分解算，求解在线辨识误差，能够实现在安全稳定的范围内，实现过程参数的自适应辨识，提高了过程参数辨识的精度和适应性，与传统的整定方法相比，该方法不仅能实现在线动态寻优，而且有限地降低了寻优过程的计算量。

Description

一种工业过程一阶惯性迟延模型自适应辨识方法
技术领域
本发明涉及燃煤机组协调控制领域工业过程参数辨识，具体涉及一种工业过程一阶惯性迟延模型自适应辨识方法。
背景技术
我国以燃煤电站为主的电力供应格局在未来相当长的时间内不会发生根本性改变，而燃煤机组的协调优化控制一直以来是众多专家学者研究的重点问题，特别是如何能快速而准确判断锅炉燃烧率-主汽压力，调门开度-机组负荷等工业过程的传递函数特性。目前，常规的整定方法主要是通过在不同的负荷点，进行相应的阶跃试验，并根据响应结果进行离线辨识，且需要采用如MATLAB等第三方工具，而如何在在线方式下快速而准确地进行参数辨识一直以来是一个重要研究方向。
目前来说，参数辨识的方法很多，最传统的方法是利用最小二乘法进行辨识，而这种方法辨识的传递函数参数并非最优参数且其智能进行递推辨识，所需要的时间比较长。其他的一些自整定的方法，诸如遗传算法，神经网络辨识等方法，其结果的可重复性和辨识的稳定性有待进一步发展。
为有效地解决这一问题，必须选择一种合适在线辨识手段，并对其进行有针对性的改造，使这种辨识方法一方面具有较强的自适应调节功能，另外一方面具有较强的稳定性。
发明内容
本发明的目的在于针对现有的在线辨识传递过程参数方法的不足，提供了一种工业过程一阶惯性迟延模型自适应辨识方法，具有具有较强的自适应调节功能及较强的稳定性。
为达到上述目的，本发明采用如下的技术方案予以实现：
一阶惯性迟延模型自适应辨识方法，包括以下步骤：
1)预设工业过程模型传递函数的增益范围、一阶惯性时间范围和迟延时间范围，并输入工业过程辨识数据；
2)通过步骤1)预设的增益范围、一阶惯性时间范围和迟延时间范围，利用伪随机数，获得粒子群中的每个粒子所携带的初始增益Ki、初始惯性时间T1i和初始迟延时间τi；
3)将步骤1)所输入的工业过程辨识数据去基准化，得到处理后的工业过程阶跃输入数据和系统响应数据；
4)利用步骤2)得到的每个粒子所携带的初始增益Ki、初始惯性时间T1i和初始迟延时间τi和步骤3)得到的阶跃输入数据，并通过四阶龙格-库塔法得到理论系统响应数据；
5)利用步骤3)得到的系统响应数据和步骤4)得到的理论系统响应数据，求取累积误差；
6)利用粒子群算法，每个粒子均随机携带增益、一阶惯性时间和迟延时间，且均在步骤1)限定的范围内；
7)利用步骤6)所获得的增益、一阶惯性时间和迟延时间重复步骤4)至6)，并记取每一次的累积误差和相对应的增益，惯性时间和迟延时间；
8)判断步骤7)中的累积误差是否小于预设的误差阈值，若大于误差阈值，则重复步骤4)至7)，继续寻优；若小于或等于误差阈值，则终止寻优，并记取最小累积误差和相对应的增益、一阶惯性时间、迟延时间。
本发明的进一步改进在于，步骤1)中，预设工业过程模型传递函数的增益范围、一阶惯性时间范围和迟延时间范围，并输入工业过程辨识数据，具体如下：
设置增益K的范围为[Kmin，Kmax]，其中Kmin为预估的最小增益，Kmax为预估的最大增益；设置一阶惯性时间T1的范围为[T1min，T1max]，其中T1min为预估的最小一阶惯性时间，T1max为预估的最大一阶惯性时间；设置迟延时间τ的范围为[τmin，τmax]，其中τmin为预估的最小迟延时间，τmax为预估的最大迟延时间。
本发明的进一步改进在于，步骤2)中，粒子群中的每个粒子所携带的初始增益Ki，初始惯性时间T1i，初始迟延时间τi计算如下：
Ki＝(Kmax-Kmin)·rand(i)
T1i＝(T1max-T1min)·rand(i)
τi＝(τmax-τmin)·rand(i)
其中rand(i)为(0,1]伪随机数，对每一个粒子而言，生成的伪随机数均不相同。
本发明的进一步改进在于，步骤3)中，输入的工业过程辨识数据当中，阶跃扰动数据记为X0[k]，阶跃响应数据记为Y0[k]，k为数据长度；
将阶跃扰动数据X0[k]进行如下处理，得到基准为0的扰动矩阵X1[k]，其计算如下：
X1[n]＝X0[n]-X0[1]n＝1…k
其中X1[n]为扰动矩阵X1[k]的具体元素，
将阶跃响应数据Y0[k]进行如下处理，得到基准为0的扰动矩阵Y1[k]，其计算如下：
Y1[n]＝Y0[n]-Y0[1]n＝1…k
其中Y1[n]为扰动矩阵Y1[k]的具体元素。
本发明的进一步改进在于，步骤4)中，利用每个粒子所携带的初始增益Ki，初始一阶惯性时间T1i和初始迟延时间τi以及扰动矩阵X1[k]，并通过四阶龙格-库塔方法得到不同粒子的理论响应数据X2i[k]，具体如下：
对粒子i的初始迟延时间τi进行取整处理，得到τi的整型常量τ1i，τ1i≥1；
令矩阵常量Y2i[1]＝Y2i[n]＝…＝Y2i[τ1i]＝0，其中n为矩阵个数，Y2i[n]的长度为k；
初始惯性迟延过程的微分方程描述如下：
其中X1(n)表示扰动矩阵X1[k]的第n个数据，Y2i(n+τ1i)表示矩阵常量Y2i[k]的第n+τ1i个数据，令步长h＝0.1，四阶龙格-库塔方法常数k1，k2，k3，k4的计算如下：
k1＝f[X1(n),Y2i(n+τ1i)]
k4＝f[X1(n)+h,Y2i(n+τ1i)+k3·h]
则：
其中，Y2i(n+1+τ1i)为矩阵常量Y2i[k]的第n+1+τ1i个数据。
本发明的进一步改进在于，步骤5)中，对每一个粒子i，计算其累积误差ei如下：
本发明的进一步改进在于，步骤6)中的粒子群算法原理如下，
第i个粒子所携带的信息为Xi＝(Ki，T1i，τi)，分别对应自适应寻优辨识过程中的增益，一阶惯性时间和迟延时间，在循环迭代计算一次后，累积误差ei对所有的粒子进行评价，其中ei为最小值所对应的个体即为所找到的最优解，这个解所对应的粒子被称为个体极值，记为Pp＝(Kp，T1p，τp)，在进过若干次迭代计算以后，在所有的个体极值点中，最小的极值所对应的个体，被称为全局极值，记为Pg＝(Kg，T1g，τg)，那么在第j次迭代后，第i个粒子的速度和所携带的信息分别按照如下形式进行更新：
其中rand()为[0,1]之间变化的随机数，W为速度更新的惯性权重，c1和c2分为正实数，称之为加速因子，用来调节每一次迭代的步长，为了保证粒子寻优的稳定性，粒子的位置信息由边界限制，定义粒子的位置最大值为Xmax，最小值为Xmin，每一次粒子迭代寻优完毕以后，进行如下判断：
且粒子更新速度也受到位置信息限制，即粒子更新的最大速度为：
Vmax＝KV(Xmax-Xmin)
KV为速度步长参数，粒子更新的最小速度为：
Vmin＝-Vmax
每一次粒子迭代寻优完毕以后，进行如下判断：
Vi j＝min(Vi j，Vmax)∪max(Vi j，Vmin)。
本发明的进一步改进在于，步骤8)中设置误差阈值e＝0.01，当：
ei≤e
则辨识出的最终增益K，一阶惯性时间T1和迟延时间τ的计算如下：
K＝Kg
T1＝T1g
τ＝τg。
和现有技术相比较，本发明具备如下优点：
(1)本发明辨识方法基于工业过程真实数据，因此相比于其他的辨识方法，其辨识的系统增益、一阶惯性时间和迟延时间更具有实用价值；
(2)本辨识方法采用了四阶龙格库塔方法解微分方程和采用粒子群方法寻优，其辨识数据精度更高且可以全局域搜索，因此对工业过程的适应性更好；
(3)本辨识方法采用在线辨识，其辨识数据基于强边界约束，辨识数据在稳定性和辨识精度上相比于其他方法有明显提高；
附图说明
图1为过程辨识模型控制示意图。
图2为自适应辨识更新机制示意图。
具体实施方式
以下结合附图和实施例对本发明作进一步的详细说明。
本发明提供的一种工业过程一阶惯性迟延模型自适应辨识方法，包括以下步骤：
1、建立实际控制过程的数学传递函数模型，以燃煤机组锅炉为例，在传统的协调控制系统中，许多常规子系统可被归纳为一阶惯性迟延模型，其数学传递函数模型如下：
其中G(s)为数学传递函数；s为拉普拉斯算子；K为传递函数增益；T1为一阶惯性时间；τ为传递函数迟延时间；
2、利用辨识程序建立控制模型，并利用粒子群和容格-库塔方法在线解算过程传递函数，其控制模型示意图如图1所示：
在图中YSP—为控制模型的设定值，YPV—为控制模型的被调量，d—为工业过程扰动，调节器传递函数，G0(s)—为PID控制传递函数，G(s)—为工业过程传递函数，其中工业过程传递函数参数利用粒子群库进行更新：
3、建立粒子群数据库更新机制，其中主要包含两部分内容，第一部分为动态粒子群算法，第二部分为粒子群库更新机制，以下分别进行说明：
3.1动态粒子群算法，其说明如下：
第i个粒子所携带的信息为Xi＝(Ki，T1i，τi)，分别对应自适应寻优辨识过程中的增益，一阶惯性时间和迟延时间，在循环迭代计算一次后，利用累积误差ei对所有的粒子进行评价，其中ei为最小值所对应的个体即为所找到的最优解，这个解所对应的粒子被称为个体极值，记为Pp＝(Kp，T1p，τp)，在进过若干次迭代计算以后，在所有的个体极值点中，最小的极值所对应的个体，被称为全局极值，记为Pg＝(Kg，T1g，τg)，那么在第j次迭代后，第i个粒子的速度和所携带的信息分别按照如下形式进行更新：
其中rand()为[0,1]之间变化的随机数，W为速度更新的惯性权重，c1和c2分为正实数，称之为加速因子，用来调节每一次迭代的步长，为了保证粒子寻优的稳定性，粒子的位置信息由边界限制，定义粒子的位置最大值为Xmax，最小值为Xmin，每一次粒子迭代寻优完毕以后，进行如下判断：
且粒子更新速度也受到位置信息限制，即粒子更新的最大速度为：
Vmax＝KV(Xmax-Xmin)
KV为速度步长参数，粒子更新的最小速度为：
Vmin＝-Vmax
每一次粒子迭代寻优完毕以后，进行如下判断：
Vi j＝min(Vi j，Vmax)∪max(Vi j，Vmin)。
3.2粒子群库更新机制说明如下，
如图2所示，首先按照粒子群算法初始化粒子群库，共20个粒子，其次将粒子群库的每一个粒子包含的位置信息，即增益、一阶惯性时间、迟延时间依次传递给对应的粒子四阶容格-库塔(R-K)微分解算器，在实际的工业工程中，每当外部扰动触发控制程序计算时，对应的外部扰动量X1被传递到R-K微分解算器，其中每个粒子所对应的微分解算器的参数由粒子群库传递，从而得到每个粒子在所对应的粒子群库参数下的理论系统响应Y2,i，将系统响应量Y1和每个粒子所得到的理论系统响应Y2,i传递至误差函数解算器，得到每个粒子的个体极值和整个粒子群的全局极值，通过滚动优化的方式驱动每个粒子进行速度更新和位置更新，直到误差函数值小于提前所设定的误差阈值，自适应辨识解算完成。
利用本辨识方法所得到的增益，一阶惯性时间和和迟延时间与理论值得对比由表1所示，证明了本方法的适用性和准确性。
表1

Claims (8)

1.一种工业过程一阶惯性迟延模型自适应辨识方法，其特征在于，包括以下步骤：
1)预设工业过程模型传递函数的增益范围、一阶惯性时间范围和迟延时间范围，并输入工业过程辨识数据；
2)通过步骤1)预设的增益范围、一阶惯性时间范围和迟延时间范围，利用伪随机数，获得粒子群中的每个粒子所携带的初始增益Ki、初始惯性时间T1i和初始迟延时间τi；
3)将步骤1)所输入的工业过程辨识数据去基准化，得到处理后的工业过程阶跃输入数据和系统响应数据；
4)利用步骤2)得到的每个粒子所携带的初始增益Ki、初始惯性时间T1i和初始迟延时间τi和步骤3)得到的阶跃输入数据，并通过四阶龙格-库塔法得到理论系统响应数据；
5)利用步骤3)得到的系统响应数据和步骤4)得到的理论系统响应数据，求取累积误差；
6)利用粒子群算法，每个粒子均随机携带增益、一阶惯性时间和迟延时间，且均在步骤1)限定的范围内；
7)利用步骤6)所获得的增益、一阶惯性时间和迟延时间重复步骤4)至6)，并记取每一次的累积误差和相对应的增益，惯性时间和迟延时间；
8)判断步骤7)中的累积误差是否小于预设的误差阈值，若大于误差阈值，则重复步骤4)至7)，继续寻优；若小于或等于误差阈值，则终止寻优，并记取最小累积误差和相对应的增益、一阶惯性时间、迟延时间。
2.根据权利要求1所述的一种工业过程一阶惯性迟延模型自适应辨识方法，其特征在于，步骤1)中，预设工业过程模型传递函数的增益范围、一阶惯性时间范围和迟延时间范围，并输入工业过程辨识数据，具体如下：
设置增益K的范围为[Kmin，Kmax]，其中Kmin为预估的最小增益，Kmax为预估的最大增益；设置一阶惯性时间T1的范围为[T1min，T1max]，其中T1min为预估的最小一阶惯性时间，T1max为预估的最大一阶惯性时间；设置迟延时间τ的范围为[τmin，τmax]，其中τmin为预估的最小迟延时间，τmax为预估的最大迟延时间。
3.根据权利要求1所述的一种工业过程一阶惯性迟延模型自适应辨识方法，其特征在于，步骤2)中，粒子群中的每个粒子所携带的初始增益Ki，初始惯性时间T1i，初始迟延时间τi计算如下：
Ki＝(Kmax-Kmin)·rand(i)
T1i＝(T1max-T1min)·rand(i)
τi＝(τmax-τmin)·rand(i)
其中rand(i)为(0,1]伪随机数，对每一个粒子而言，生成的伪随机数均不相同。
4.根据权利要求1所述的一种工业过程一阶惯性迟延模型自适应辨识方法，其特征在于，步骤3)中，输入的工业过程辨识数据当中，阶跃扰动数据记为X0[k]，阶跃响应数据记为Y0[k]，k为数据长度；
将阶跃扰动数据X0[k]进行如下处理，得到基准为0的扰动矩阵X1[k]，其计算如下：
X1[n]＝X0[n]-X0[1]n＝1…k
其中X1[n]为扰动矩阵X1[k]的具体元素，
将阶跃响应数据Y0[k]进行如下处理，得到基准为0的扰动矩阵Y1[k]，其计算如下：
Y1[n]＝Y0[n]-Y0[1]n＝1…k
其中Y1[n]为扰动矩阵Y1[k]的具体元素。
5.根据权利要求1所述的一种工业过程一阶惯性迟延模型自适应辨识方法，其特征在于，步骤4)中，利用每个粒子所携带的初始增益Ki，初始惯性时间T1i和初始迟延时间τi以及扰动矩阵X1[k]，并通过四阶龙格-库塔方法得到不同粒子的理论响应数据X2i[k]，具体如下：
对粒子i的初始迟延时间τi进行取整处理，得到τi的整型常量τ1i，τ1i≥1；
令矩阵常量Y2i[1]＝Y2i[n]＝…＝Y2i[τ1i]＝0，其中n为矩阵个数，Y2i[n]的长度为k；
初始惯性迟延过程的微分方程描述如下：
<mrow> <mi>f</mi> <mo>&amp;lsqb;</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>Y</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <msub> <mi>&amp;tau;</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>=</mo> <mfrac> <mrow> <msub> <mi>K</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>&amp;times;</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>Y</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <msub> <mi>&amp;tau;</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <msub> <mi>T</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> </mfrac> </mrow>
其中X1(n)表示扰动矩阵X1[k]的第n个数据，Y2i(n+τ1i)表示矩阵常量Y2i[k]的第n+τ1i个数据，令步长h＝0.1，四阶龙格-库塔方法常数k1，k2，k3，k4的计算如下：
k1＝f[X1(n),Y2i(n+τ1i)]
<mrow> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>=</mo> <mi>f</mi> <mo>&amp;lsqb;</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mo>,</mo> <msub> <mi>Y</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <msub> <mi>&amp;tau;</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>&amp;CenterDot;</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mo>&amp;rsqb;</mo> </mrow>
<mrow> <msub> <mi>k</mi> <mn>3</mn> </msub> <mo>=</mo> <mi>f</mi> <mo>&amp;lsqb;</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mo>,</mo> <msub> <mi>Y</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <msub> <mi>&amp;tau;</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>&amp;CenterDot;</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mo>&amp;rsqb;</mo> </mrow>
k4＝f[X1(n)+h,Y2i(n+τ1i)+k3·h]
则：
<mrow> <msub> <mi>Y</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>+</mo> <msub> <mi>&amp;tau;</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>Y</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <msub> <mi>&amp;tau;</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mi>h</mi> <mn>6</mn> </mfrac> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>+</mo> <mn>2</mn> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>+</mo> <mn>2</mn> <msub> <mi>k</mi> <mn>3</mn> </msub> <mo>+</mo> <msub> <mi>k</mi> <mn>4</mn> </msub> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
其中，Y2i(n+1+τ1i)为矩阵常量Y2i[k]的第n+1+τ1i个数据。
6.根据权利要求1所述的一种工业过程一阶惯性迟延模型自适应辨识方法，其特征在于，步骤5)中，对每一个粒子i，计算其累积误差ei如下：
<mrow> <msub> <mi>e</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mn>1</mn> </msub> <mo>(</mo> <mi>n</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>Y</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msub> <mo>(</mo> <mi>n</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>.</mo> </mrow>
7.根据权利要求6所述的一种工业过程一阶惯性迟延模型自适应辨识方法，其特征在于，步骤6)中的粒子群算法原理如下，
第i个粒子所携带的信息为Xi＝(Ki，T1i，τi)，分别对应自适应寻优辨识过程中的增益，一阶惯性时间和迟延时间，在循环迭代计算一次后，利用累积误差ei对所有的粒子进行评价，其中ei为最小值所对应的个体即为所找到的最优解，这个解所对应的粒子被称为个体极值，记为Pp＝(Kp，T1p，τp)，在进过若干次迭代计算以后，在所有的个体极值点中，最小的极值所对应的个体，被称为全局极值，记为Pg＝(Kg，T1g，τg)，那么在第j次迭代后，第i个粒子的速度和所携带的信息分别按照如下形式进行更新：
<mrow> <msubsup> <mi>V</mi> <mi>i</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>WV</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>+</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mi>p</mi> <mi>j</mi> </msubsup> <mo>-</mo> <msubsup> <mi>X</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mi>g</mi> <mi>j</mi> </msubsup> <mo>-</mo> <msubsup> <mi>X</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>X</mi> <mi>i</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>X</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>+</mo> <msubsup> <mi>V</mi> <mi>i</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> </mrow>
其中rand()为[0,1]之间变化的随机数，W为速度更新的惯性权重，c1和c2分为正实数，称之为加速因子，用来调节每一次迭代的步长，为了保证粒子寻优的稳定性，粒子的位置信息由边界限制，定义粒子的位置最大值为Xmax，最小值为Xmin，每一次粒子迭代寻优完毕以后，进行如下判断：
<mrow> <msubsup> <mi>X</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <msubsup> <mi>X</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>,</mo> <msub> <mi>X</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;cup;</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <msubsup> <mi>X</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>,</mo> <msub> <mi>X</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow>
且粒子更新速度也受到位置信息限制，即粒子更新的最大速度为：
Vmax＝KV(Xmax-Xmin)
KV为速度步长参数，粒子更新的最小速度为：
Vmin＝-Vmax
每一次粒子迭代寻优完毕以后，进行如下判断：
Vi j＝min(Vi j，Vmax)∪max(Vi j，Vmin)。
8.根据权利要求6所述的一种工业过程一阶惯性迟延模型自适应辨识方法，其特征在于，步骤8)中设置误差阈值e＝0.01，当：
ei≤e
则辨识出的最终增益K，一阶惯性时间T1和迟延时间τ的计算如下：
K＝Kg
T1＝T1g
τ＝τg。
CN201711140245.4A 2017-11-16 2017-11-16 一种工业过程一阶惯性迟延模型自适应辨识方法 Active CN107844458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711140245.4A CN107844458B (zh) 2017-11-16 2017-11-16 一种工业过程一阶惯性迟延模型自适应辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711140245.4A CN107844458B (zh) 2017-11-16 2017-11-16 一种工业过程一阶惯性迟延模型自适应辨识方法

Publications (2)

Publication Number Publication Date
CN107844458A true CN107844458A (zh) 2018-03-27
CN107844458B CN107844458B (zh) 2020-11-24

Family

ID=61679730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711140245.4A Active CN107844458B (zh) 2017-11-16 2017-11-16 一种工业过程一阶惯性迟延模型自适应辨识方法

Country Status (1)

Country Link
CN (1) CN107844458B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363304A (zh) * 2018-03-09 2018-08-03 西安西热控制技术有限公司 一种离散化粒子群寻优二阶惯性迟延模型辨识方法
CN112180801A (zh) * 2020-10-13 2021-01-05 郑州大学 一种过程控制系统的控制方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101050971A (zh) * 2007-05-11 2007-10-10 清华大学 基于脉冲响应模板和参数优化的动态软测量建模方法
US20110125687A1 (en) * 2009-11-24 2011-05-26 Al-Duwaish Hussain N Method for hammerstein modeling of steam generator plant
CN103544525A (zh) * 2013-10-17 2014-01-29 国网甘肃省电力公司电力科学研究院 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法
RU2014109498A (ru) * 2014-03-12 2015-09-20 Закрытое акционерное общество "Экоресурс" Способ самонастройки системы пид-регулирования
CN105242572A (zh) * 2015-10-23 2016-01-13 广东电网有限责任公司电力科学研究院 火电厂热工过程混合辨识方法和系统
CN105259786A (zh) * 2015-10-29 2016-01-20 中国科学院力学研究所 待辨识目标的惯性参数辨识方法和装置
CN105576651A (zh) * 2015-12-30 2016-05-11 国家电网公司 一种中小水电机群混合并行动态等值法
CN105739309A (zh) * 2016-02-02 2016-07-06 西安西热控制技术有限公司 单元机组协调控制主控系统解耦补偿控制方法
CN105954765A (zh) * 2011-08-02 2016-09-21 内克斯特纳夫有限公司 发送定位信号的方法、处理器可读存储器和位置定位系统
CN105975709A (zh) * 2016-05-16 2016-09-28 中国石油大学(华东) 一种多工况参数辨识优化的变压器热点温度预测方法
CN106089328A (zh) * 2016-08-10 2016-11-09 西安热工研究院有限公司 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法
CN106154836A (zh) * 2016-08-29 2016-11-23 西安西热控制技术有限公司 一种在线动态粒子群pid优化方法
CN106502092A (zh) * 2016-10-21 2017-03-15 东南大学 一种采用改进混合粒子群算法的热工过程模型参数辨识方法
CN106773654A (zh) * 2016-12-12 2017-05-31 中南大学 一种分数阶pid控制器参数优化整定方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101050971A (zh) * 2007-05-11 2007-10-10 清华大学 基于脉冲响应模板和参数优化的动态软测量建模方法
US20110125687A1 (en) * 2009-11-24 2011-05-26 Al-Duwaish Hussain N Method for hammerstein modeling of steam generator plant
CN105954765A (zh) * 2011-08-02 2016-09-21 内克斯特纳夫有限公司 发送定位信号的方法、处理器可读存储器和位置定位系统
CN103544525A (zh) * 2013-10-17 2014-01-29 国网甘肃省电力公司电力科学研究院 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法
RU2014109498A (ru) * 2014-03-12 2015-09-20 Закрытое акционерное общество "Экоресурс" Способ самонастройки системы пид-регулирования
CN105242572A (zh) * 2015-10-23 2016-01-13 广东电网有限责任公司电力科学研究院 火电厂热工过程混合辨识方法和系统
CN105259786A (zh) * 2015-10-29 2016-01-20 中国科学院力学研究所 待辨识目标的惯性参数辨识方法和装置
CN105576651A (zh) * 2015-12-30 2016-05-11 国家电网公司 一种中小水电机群混合并行动态等值法
CN105739309A (zh) * 2016-02-02 2016-07-06 西安西热控制技术有限公司 单元机组协调控制主控系统解耦补偿控制方法
CN105975709A (zh) * 2016-05-16 2016-09-28 中国石油大学(华东) 一种多工况参数辨识优化的变压器热点温度预测方法
CN106089328A (zh) * 2016-08-10 2016-11-09 西安热工研究院有限公司 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法
CN106154836A (zh) * 2016-08-29 2016-11-23 西安西热控制技术有限公司 一种在线动态粒子群pid优化方法
CN106502092A (zh) * 2016-10-21 2017-03-15 东南大学 一种采用改进混合粒子群算法的热工过程模型参数辨识方法
CN106773654A (zh) * 2016-12-12 2017-05-31 中南大学 一种分数阶pid控制器参数优化整定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SOFIANE BOUOUDEN: "A NEW APPROACH FOR FUZZY PREDICTIVE ADAPTIVE CONTROLLER DESIGN USING PARTICLE SWARM OPTIMIZATION ALGORITHM", 《INTERNATIONAL JOURNAL OF INNOVATIVE COMPUTING, INFORMATION AND CONTROL》 *
刘畅: "基于实测数据的电力负荷建模研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
沈良雄: "基于改进粒子群算法的电力负荷模型参数辨识研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363304A (zh) * 2018-03-09 2018-08-03 西安西热控制技术有限公司 一种离散化粒子群寻优二阶惯性迟延模型辨识方法
CN108363304B (zh) * 2018-03-09 2021-01-22 西安西热控制技术有限公司 一种离散化粒子群寻优二阶惯性迟延模型辨识方法
CN112180801A (zh) * 2020-10-13 2021-01-05 郑州大学 一种过程控制系统的控制方法
CN112180801B (zh) * 2020-10-13 2021-07-09 郑州大学 一种过程控制系统的控制方法

Also Published As

Publication number Publication date
CN107844458B (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN107662211A (zh) 一种基于量子粒子群算法的空间机器人预测控制方法
Shen et al. Adaptive PID formation control of nonholonomic robots without leader's velocity information
CN106094530B (zh) 倒立摆的非线性控制器设计方法
CN116627027B (zh) 一种基于改进型pid最优鲁棒性控制方法
CN110376882A (zh) 基于有限时间扩张状态观测器的预定性能控制方法
CN103592852A (zh) 基于粒子群膜算法的pid控制器优化设计方法
CN106547207A (zh) 一种非线性多输入多输出系统混合式观测器构建方法
Keighobadi et al. Adaptive neural dynamic surface control of mechanical systems using integral terminal sliding mode
CN107193210B (zh) 一种非线性系统的自适应学习预设性能控制方法
CN103941589B (zh) 一种压电执行器的非线性模型预测控制方法
CN107844458A (zh) 一种工业过程一阶惯性迟延模型自适应辨识方法
Ma et al. Open-closed-loop PID-type iterative learning control for linear systems with initial state error
CN106773654A (zh) 一种分数阶pid控制器参数优化整定方法
CN106154836A (zh) 一种在线动态粒子群pid优化方法
CN103955136B (zh) 电磁致驱动定位控制方法及其应用
Piao et al. Lateral control using parameter self-tuning LQR on autonomous vehicle
Xin et al. Self-tuning PID controller with variable parameters based on particle swarm optimization
CN108363304B (zh) 一种离散化粒子群寻优二阶惯性迟延模型辨识方法
CN106292290A (zh) 一种轮式移动机器人点镇定滚动优化控制方法
CN103454921B (zh) 飞行控制系统非线性跟踪控制器设计的正切线性化方法
CN106094524A (zh) 基于输入趋势补偿的快速模型预测控制方法
Mizumoto et al. Model free design of PFC for adaptive output feedback control and application to a control of magnetic levitation system
Wang et al. Application of stochastic model predictive control to modeling driver steering skills
Naz et al. Real time implementation of feedback linearizing controllers for magnetic levitation system
CN106066604A (zh) 基于自适应及扩张误差符号积分鲁棒的电机伺服系统位置控制器的实现方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210528

Address after: 710032 No. 136, Xingqing Road, Xi'an, Shaanxi

Patentee after: Xi'an Thermal Power Research Institute Co.,Ltd.

Patentee after: XI'AN TPRI THERMAL CONTROL TECHNOLOGY Co.,Ltd.

Address before: 710065 room 310, West 2nd floor, 99 Yanxiang Road, Xi'an City, Shaanxi Province

Patentee before: XI'AN TPRI THERMAL CONTROL TECHNOLOGY Co.,Ltd.