CN108363304B - 一种离散化粒子群寻优二阶惯性迟延模型辨识方法 - Google Patents
一种离散化粒子群寻优二阶惯性迟延模型辨识方法 Download PDFInfo
- Publication number
- CN108363304B CN108363304B CN201810194907.4A CN201810194907A CN108363304B CN 108363304 B CN108363304 B CN 108363304B CN 201810194907 A CN201810194907 A CN 201810194907A CN 108363304 B CN108363304 B CN 108363304B
- Authority
- CN
- China
- Prior art keywords
- particle
- order inertia
- time
- optimization
- inertia time
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种离散化粒子群寻优二阶惯性迟延模型辨识方法,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,本发明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
技术领域
本发明属于燃煤机组协调控制领域,具体涉及一种离散化粒子群寻优二阶惯性迟延模型辨识方法。
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,提供了一种离散化粒子群寻优二阶惯性迟延模型辨识方法,该方法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:
一种离散化粒子群寻优二阶惯性迟延模型辨识方法,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、二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、二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、初始一阶惯性时间T1i、初始二阶惯性时间T2i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、初始一阶惯性时间T1i、初始二阶惯性时间T2i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、二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、二阶惯性时间、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、二阶惯性时间和迟延时间。
本发明进一步的改进在于,步骤1)的具体实现如下:
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;设置一阶惯性时间T2的范围为[T2min,T2max],其中T2min为预估的最小二阶惯性时间,T2max为预估的最大二阶惯性时间;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。
本发明进一步的改进在于,步骤2)的具体实现方法如下:
对Ki、T1i、T2i、τi寻优空间设置离散化节点数XD,则对于Ki、T1i、T2i、τi的寻优步长XTGK,XTGT1,XTGT2,XTGTAO分别为:
XTGK=(Kmax-Kmin)/(XD+1)
XTGT1=(T1max-T1min)/(XD+1)
XTGT2=(T2max-T2min)/(XD+1)
XTGTAO=(τmax-τmin)/(XD+1)
则初始参数计算如下:
Ki=(int)(rand(i)·(XD+1))/(XD+1)·XTGK+Kmin
T1i=(int)(rand(i)·(XD+1))/(XD+1)·XTGT1+T1min
T2i=(int)(rand(i)·(XD+1))/(XD+1)·XTGT2+T2min
τi=(int)(rand(i)·(XD+1))/(XD+1)·XTGTAO+τmin
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,其中(int)函数表示的是取整函数,其作用是将其后第一个括号内计算值取整。
本发明进一步的改进在于,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。
本发明进一步的改进在于,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,初始二阶惯性时间T2i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,f[X1(n),Y2i(n+τ1i)]及Z(n-1)为中间递推函数及数组;令步长h=0.1,四阶龙格-库塔方法常数k11,k12,k21,k22,k31,k32,k41,k42的计算如下:
k11=Z(n+τ1i)
k12=f[X1(n),Y2i(n+τ1i),Z(n+τ1i)]
k21=Z(n+τ1i)+k12/2
k31=Z(n+τ1i)+k22/2
k41=Z(n+τ1i)+k32
k42=f[X1(n),Y2i(n+τ1i)+k31,Z(n+τ1i)+k32]
则:
其中,Y2i(n+1+τ1i)为矩阵常量Y2i[k]的第n+1+τ1i个数据,Z(n+1+τ1i)为中间递推变量Z[n]的第n+1+τ1i个数据。
本发明进一步的改进在于,步骤5)中,对每一个粒子i,计算其累积误差ei如下:
本发明进一步的改进在于,步骤6)中的粒子群算法具体如下,
第i个粒子所携带的信息为Xi=(Ki,T1i,T2i,τi),分别对应自适应寻优辨识过程中的增益、一阶惯性时间、二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,T2p,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,T2g,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,记更新为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:
本发明进一步的改进在于,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T1,二阶惯性时间T2和迟延时间τ的计算如下:
K=Kg
T1=T1g
T2=T2g
τ=τg。
和现有技术相比较,本发明具有如下有益的技术效果:
1、本发明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,二阶惯性时间和迟延时间更具有实用价值;
2、本发明采用了四阶龙格库塔方法解微分方程和采用离散粒子群方法寻优,其辨识数据精度高且可以全局域搜索,因此对工业过程的适应性更好;
3、本发明采用在线辨识,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。
如图1所示,本发明提供的一种离散化粒子群寻优二阶惯性迟延模型辨识方法,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、二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;具体实现如下:
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;设置一阶惯性时间T2的范围为[T2min,T2max],其中T2min为预估的最小二阶惯性时间,T2max为预估的最大二阶惯性时间;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。
2)通过步骤1)预设的增益范围、一阶惯性时间范围、二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、初始一阶惯性时间T1i、初始二阶惯性时间T2i和初始迟延时间τi;具体实现方法如下:
对Ki、T1i、T2i、τi寻优空间设置离散化节点数XD,则对于Ki、T1i、T2i、τi的寻优步长XTGK,XTGT1,XTGT2,XTGTAO分别为:
XTGK=(Kmax-Kmin)/(XD+1)
XTGT1=(T1max-T1min)/(XD+1)
XTGT2=(T2max-T2min)/(XD+1)
XTGTAO=(τmax-τmin)/(XD+1)
则初始参数计算如下:
Ki=(int)(rand(i)·(XD+1))/(XD+1)·XTGK+Kmin
T1i=(int)(rand(i)·(XD+1))/(XD+1)·XTGT1+T1min
T2i=(int)(rand(i)·(XD+1))/(XD+1)·XTGT2+T2min
τi=(int)(rand(i)·(XD+1))/(XD+1)·XTGTAO+τmin
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,其中(int)函数表示的是取整函数,其作用是将其后第一个括号内计算值取整。
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;其中,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。
4)利用步骤2)得到的每个粒子所携带的初始增益Ki、初始一阶惯性时间T1i、初始二阶惯性时间T2i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;其中,利用每个粒子所携带的初始增益Ki,初始一阶惯性时间T1i,初始二阶惯性时间T2i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,f[X1(n),Y2i(n+τ1i)]及Z(n-1)为中间递推函数及数组;令步长h=0.1,四阶龙格-库塔方法常数k11,k12,k21,k22,k31,k32,k41,k42的计算如下:
k11=Z(n+τ1i)
k12=f[X1(n),Y2i(n+τ1i),Z(n+τ1i)]
k21=Z(n+τ1i)+k12/2
k31=Z(n+τ1i)+k22/2
k41=Z(n+τ1i)+k32
k42=f[X1(n),Y2i(n+τ1i)+k31,Z(n+τ1i)+k32]
则:
其中,Y2i(n+1+τ1i)为矩阵常量Y2i[k]的第n+1+τ1i个数据,Z(n+1+τ1i)为中间递推变量Z[n]的第n+1+τ1i个数据。
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;其中,对每一个粒子i,计算其累积误差ei如下:
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、二阶惯性时间和迟延时间,且均在步骤1)限定的范围内;其中,粒子群算法原理如下,
第i个粒子所携带的信息为Xi=(Ki,T1i,T2i,τi),分别对应自适应寻优辨识过程中的增益、一阶惯性时间、二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,T2p,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,T2g,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,记更新为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:
7)利用步骤6)所获得的增益、一阶惯性时间、二阶惯性时间、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、二阶惯性时间和迟延时间。具体来说,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T1,二阶惯性时间T2和迟延时间τ的计算如下:
K=Kg
T1=T1g
T2=T2g
τ=τg。
实施例:
本发明提供的一种离散化粒子群寻优二阶惯性迟延模型辨识方法,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,T2i,τi),分别对应自适应寻优辨识过程中的增益,一阶惯性时间,二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,T2p,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,T2g,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:
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。
利用本发明所得到的增益,一阶惯性时间和和迟延时间与理论值得对比由表1所示,证明了本发明的适用性和准确性。
表1
Claims (8)
1.一种离散化粒子群寻优二阶惯性迟延模型辨识方法,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、二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、二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、初始一阶惯性时间T1i、初始二阶惯性时间T2i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、初始一阶惯性时间T1i、初始二阶惯性时间T2i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、二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、二阶惯性时间、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、二阶惯性时间和迟延时间。
2.根据权利要求1所述的一种离散化粒子群寻优二阶惯性迟延模型辨识方法,其特征在于,步骤1)的具体实现如下:
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;设置二阶惯性时间T2的范围为[T2min,T2max],其中T2min为预估的最小二阶惯性时间,T2max为预估的最大二阶惯性时间;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2所述的一种离散化粒子群寻优二阶惯性迟延模型辨识方法,其特征在于,步骤2)的具体实现方法如下:
对Ki、T1i、T2i、τi寻优空间设置离散化节点数XD,则对于Ki、T1i、T2i、τi的寻优步长XTGK,XTGT1,XTGT2,XTGTAO分别为:
XTGK=(Kmax-Kmin)/(XD+1)
XTGT1=(T1max-T1min)/(XD+1)
XTGT2=(T2max-T2min)/(XD+1)
XTGTAO=(τmax-τmin)/(XD+1)
则初始参数计算如下:
Ki=(int)(rand(i)·(XD+1))/(XD+1)·XTGK+Kmin
T1i=(int)(rand(i)·(XD+1))/(XD+1)·XTGT1+T1min
T2i=(int)(rand(i)·(XD+1))/(XD+1)·XTGT2+T2min
τi=(int)(rand(i)·(XD+1))/(XD+1)·XTGTAO+τmin
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,其中(int)函数表示的是取整函数,其作用是将其后第一个括号内计算值取整。
4.根据权利要求2所述的一种离散化粒子群寻优二阶惯性迟延模型辨识方法,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4所述的一种离散化粒子群寻优二阶惯性迟延模型辨识方法,其特征在于,步骤4)中,利用每个粒子所携带的初始增益Ki,初始一阶惯性时间T1i,初始二阶惯性时间T2i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,f[X1(n),Y2i(n+τ1i)]及Z(n-1)为中间递推函数及数组;令步长h=0.1,四阶龙格-库塔方法常数k11,k12,k21,k22,k31,k32,k41,k42的计算如下:
k11=Z(n+τ1i)
k12=f[X1(n),Y2i(n+τ1i),Z(n+τ1i)]
k21=Z(n+τ1i)+k12/2
k31=Z(n+τ1i)+k22/2
k41=Z(n+τ1i)+k32
k42=f[X1(n),Y2i(n+τ1i)+k31,Z(n+τ1i)+k32]
则:
其中,Y2i(n+1+τ1i)为矩阵常量Y2i[k]的第n+1+τ1i个数据,Z(n+1+τ1i)为中间递推变量Z[n]的第n+1+τ1i个数据。
7.根据权利要求6所述的一种离散化粒子群寻优二阶惯性迟延模型辨识方法,其特征在于,步骤6)中的粒子群算法具体如下,
第i个粒子所携带的信息为Xi=(Ki,T1i,T2i,τi),分别对应自适应寻优辨识过程中的增益、一阶惯性时间、二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,T2p,τp),在经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,T2g,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,记更新为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:
8.根据权利要求6所述的一种离散化粒子群寻优二阶惯性迟延模型辨识方法,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T1,二阶惯性时间T2和迟延时间τ的计算如下:
K=Kg
T1=T1g
T2=T2g
τ=τg。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810194907.4A CN108363304B (zh) | 2018-03-09 | 2018-03-09 | 一种离散化粒子群寻优二阶惯性迟延模型辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810194907.4A CN108363304B (zh) | 2018-03-09 | 2018-03-09 | 一种离散化粒子群寻优二阶惯性迟延模型辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363304A CN108363304A (zh) | 2018-08-03 |
CN108363304B true CN108363304B (zh) | 2021-01-22 |
Family
ID=63003614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810194907.4A Active CN108363304B (zh) | 2018-03-09 | 2018-03-09 | 一种离散化粒子群寻优二阶惯性迟延模型辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363304B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308979B (zh) * | 2020-03-09 | 2020-11-24 | 常熟理工学院 | 基于多率迟延状态空间模型的u控制系统 |
CN117117976B (zh) * | 2023-10-25 | 2024-03-05 | 广东电网有限责任公司中山供电局 | 一种双馈感应风力发电机参数辨识方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104932265A (zh) * | 2015-06-07 | 2015-09-23 | 陈亮 | 一种基于数学模型的烟气脱硝的控制系统 |
CN105404145A (zh) * | 2015-10-22 | 2016-03-16 | 西安西热控制技术有限公司 | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 |
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 |
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 |
CN106485075A (zh) * | 2016-10-12 | 2017-03-08 | 福州大学 | 一种基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 |
CN107844458A (zh) * | 2017-11-16 | 2018-03-27 | 西安西热控制技术有限公司 | 一种工业过程一阶惯性迟延模型自适应辨识方法 |
US10678233B2 (en) * | 2017-08-02 | 2020-06-09 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for data collection and data sharing in an industrial environment |
-
2018
- 2018-03-09 CN CN201810194907.4A patent/CN108363304B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104932265A (zh) * | 2015-06-07 | 2015-09-23 | 陈亮 | 一种基于数学模型的烟气脱硝的控制系统 |
CN105404145A (zh) * | 2015-10-22 | 2016-03-16 | 西安西热控制技术有限公司 | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 |
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 |
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 |
CN106485075A (zh) * | 2016-10-12 | 2017-03-08 | 福州大学 | 一种基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 |
US10678233B2 (en) * | 2017-08-02 | 2020-06-09 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for data collection and data sharing in an industrial environment |
CN107844458A (zh) * | 2017-11-16 | 2018-03-27 | 西安西热控制技术有限公司 | 一种工业过程一阶惯性迟延模型自适应辨识方法 |
Non-Patent Citations (4)
Title |
---|
A modified PSO assisted blind modulation format identification scheme for elastic optical networks;Xinkuo Yu;《Optics Communications》;20200717;第1-11页 * |
伪随机数质量对简单粒子群优化算法性能的影响;谭阳;《湖南广播电视大学学报》;20110325;第48-51页 * |
对伪随机相关法的某些辨识误差的仿真研究;史庆周 等;《信息与控制》;19841027;第28-35页 * |
采用改进混合粒子群算法的热工过程模型参数辨识;陈真 等;《发电设备》;20170715;第223-226页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108363304A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363304B (zh) | 一种离散化粒子群寻优二阶惯性迟延模型辨识方法 | |
JP2005538886A (ja) | 少なくされた数のセンサーを用いるファジー制御装置 | |
CN108447260B (zh) | 一种基于Fourier级数改进残差的短时交通流预测方法及系统 | |
CN107844458B (zh) | 一种工业过程一阶惯性迟延模型自适应辨识方法 | |
CN110244557B (zh) | 一种工业过程多阶惯性闭环系统的闭环建模方法 | |
CN109472057A (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
CN111880412B (zh) | 基于单评判网络的可重构机器人零和神经最优控制方法 | |
Yang et al. | Research on short-term traffic flow prediction method based on similarity search of time series | |
CN112381123A (zh) | 一种基于时间序列预测方法的采煤机故障预测方法 | |
CN112991091A (zh) | 一种基于Stacking算法的短期电力负荷预测方法及装置 | |
CN108154003B (zh) | 基于Spark基因表达式优化的爆破振动预测方法 | |
CN113536696A (zh) | Sto-tcn热误差预测模型建模方法及其迁移学习方法 | |
CN113589757A (zh) | 成形磨削综合误差模型创建方法及磨齿机几何-热误差控制方法 | |
CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
CN114186709A (zh) | 基于帝王蝶算法优化灰色模型关键参数的能源预测方法 | |
Picotti et al. | Data-driven Tuning of a NMPC Controller for a Virtual Motorcycle through Genetic Algorithm | |
CN110676852B (zh) | 考虑潮流特征的改进极限学习机快速概率潮流计算方法 | |
CN117289652A (zh) | 一种基于多元宇宙优化的数控机床主轴热误差建模方法 | |
CN103793746A (zh) | 一种燃煤电站锅炉过热器模型参数辨识方法 | |
Zhang et al. | Zhang neural network without using time-derivative information for constant and time-varying matrix inversion | |
CN110442099A (zh) | 一种基于长短期记忆的数控加工工艺参数优化方法 | |
CN115829157A (zh) | 基于变分模态分解和Autoformer模型的化工水质指标预测方法 | |
CN114611820A (zh) | 一种非等间距灰色bp神经网络深基坑变形预测方法 | |
Deris et al. | Stabilization of inverted pendulum by the genetic algorithm | |
Cheng et al. | Multi-objective topology optimization of column structure for vertical machining center |
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 |