CN113361214A - 一种基于水位流量数据的明渠控制模型参数辨识方法 - Google Patents
一种基于水位流量数据的明渠控制模型参数辨识方法 Download PDFInfo
- Publication number
- CN113361214A CN113361214A CN202110670106.2A CN202110670106A CN113361214A CN 113361214 A CN113361214 A CN 113361214A CN 202110670106 A CN202110670106 A CN 202110670106A CN 113361214 A CN113361214 A CN 113361214A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- channel
- water level
- parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 108
- 230000014509 gene expression Effects 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 19
- 238000011144 upstream manufacturing Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 238000012795 verification Methods 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000013505 freshwater Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于水位流量数据的明渠控制模型参数辨识方法,以渠道积分延迟模型(ID模型)和积分延迟零模型(IDZ模型)为依据,首先将这两种控制模型离散化,然后利用针对仿真数据和实测数据分别采用阶跃法辨识和相关系数法辨识滞后时间,得到滞后时间后基于观测数据(水位、流量)利用最小二乘法对离散后的模型进行参数辨识,随后对辨识得到的模型进行精度验证,最终确定具体的模型表达式。本发明利用已有的观测数据(水位、流量)对输水渠池进行参数辨识,从而快速、准确地获得ID、IDZ模型的表达式,并根据该表达式进行渠系控制器的设计,以此来确保输水系统安全、稳定、高效地运行。
Description
技术领域
本发明属于水利领域,涉及一种明渠控制技术,具体涉及一种基于水位流量数据的明渠 控制模型参数辨识方法。
背景技术
随着国民经济、科技以及社会的发展,我国的用水量与日俱增,但是水资源的严重匮乏 不断制约着社会的前进。我国的水资源现状是:人多水少,水资源时空分布不均。我国的淡 水资源总量约占全球总淡水资源的6.1%,位列世界第四位,但人均水资源量仅有2100立方 米,约为世界人均水平的28%,因此,如何对宝贵的淡水资源进行合理、高效的使用与管理 变得越来越重要。近年来,我国相继修建了大规模、跨流域的调水工程,如南水北调、引黄 入京、引滦入津等,这些工程有效缓解了区域用水紧张的局面。但是,针对这些调水工程, 如何实现输水渠池间的有效控制与平稳运行,成为实际工程中运行管理的难点。
在调水工程中,各渠池间的运行、调度依赖于渠道控制器,而控制器性能的好坏取决于 渠道控制模型。传统的渠道控制模型是基于圣维南方程组推导而来,但是该方程是一个双曲 型偏微分方程,求解计算复杂,耗时长;且由于水流特性多变,该模型在运行一段时间后, 常因为外界环境的改变以及渠道水力参数的变化,导致模型的精度和稳定性出现偏差,这将 会对输水渠系的运行管理产生严重影响。为此,Schuurmans,Litrico等人提出了一种适用于 明渠的简化控制模型,即:渠道积分延迟(ID)模型和渠道积分延迟零(IDZ)模型,该模 型结构简单,计算方便。但是,针对这两种渠道控制模型,其模型参数的求解方法仍然过于 复杂,难以用于实际工程或者控制器的设计。
因此,综上所述,需要本领域技术人员迫切解决的一个技术问题是:针对ID模型和IDZ 模型,如何基于观测数据(水位、流量)提出一种模型参数的辨识方法,该方法能够满足以 下方面的要求:1)辨识过程所需的观测数据仅为各渠池的水位、流量数据,与闸门开度等数 据无关;2)辨识得到的参数模型能够准确预测渠池内的水力响应过程,从而满足渠道控制器 设计的需求。
发明内容
本发明要解决的技术问题在于:针对现有技术中的缺陷,提供一种基于水位流量数据的 明渠控制模型(ID、IDZ)参数辨识方法。通过提出具体的渠道控制模型和参数辨识流程, 利用已有的观测数据(水位、流量)对输水渠池进行参数辨识,从而快速、准确地获得ID、 IDZ模型的表达式,并根据该表达式进行渠系控制器的设计,以此来确保输水系统安全、稳 定、高效地运行。
本发明的目的是这样实现的:针对明渠输水系统,以渠道积分延迟模型(ID模型)和积 分延迟零模型(IDZ模型)为依据,首先将这两种控制模型离散化,然后基于观测数据(水 位、流量)利用最小二乘法对离散后的模型进行参数辨识,随后对辨识得到的模型进行精度 验证,最终确定具体的模型表达式。
为了解决上述技术问题,本发明采用的技术方案如下:
一种基于水位流量数据的明渠控制模型参数辨识方法,其特征在于,包括以下步骤:
步骤1、针对明渠输水系统,建立简化的控制模型,所述建立简化的控制模型包括ID模 型和IDZ模型;
步骤2、对控制模型进行离散化,离散的ID模型表达式如下:
离散的IDZ模型表达式如下:
上式中,k=1,2,3...,为离散模型的时间节点;h(k)为第k计算时间节点下游水位偏差; qin为渠池上游入流流量的变化量,即入流变化量,qin(k)为第k计算时间节点的入流变化 量;qout为渠池下游出流流量的变化量,即出流变化量,qout(k)为第k计算时间节点的出 流变化量;q(k)=qin(k-τ-1)-qout(k-1),q(k)为第k计算时间节点渠池净流入 量;θ为离散模型待辨识的参数,对于ID模型θ=[a1,b1]T,对于IDZ模型 θ=[a1,b1,b2,b3]T;τ为滞后时间,即上游流量变化经均匀流区传递到下游回水区所用的 时间;
步骤3、参数辨识,具体包括如下步骤:
步骤3.1、确定输入数据为渠池的入流变化量qin(k)、渠池的出流变化量qout(k)和渠 池的下游水位变化h(k),读取渠池的仿真或者实测数据;
步骤3.2、针对仿真数据和实测数据分别采用阶跃法辨识和相关系数法辨识滞后时间τ;
步骤3.3、获得滞后时间τ后,分别利用最小二乘法对离散的ID模型和离散的IDZ模型 进行辨识,得到辨识参数θ。
进一步地,步骤3.2中,针对仿真数据采用阶跃法辨识滞后时间τ;针对实测数据采用 相关系数法辨识滞后时间τ;
阶跃法辨识滞后时间τ的计算公式如下:
上式中:L为渠池长度;C0为渠池初始时刻波速;V0为渠池内平均流速;A0为渠池初始 时刻横断面面积;B0为渠池初始时刻水面宽度;
相关系数法辨识滞后时间τ计算公式如下:
式中:Qin为渠池的入流量;Qout为渠池的出流量;为渠池入流量的平均值;为渠池出流量的平均值;σQin为渠池的入流量Qin的标准差;σQout为渠池的出流量Qout的标准差;R为入流量与出流量的相关系数值;为滞后时间的近似值,N为实测数据的总组数,j表示第j组实测数据。
进一步地,步骤3.3中,针对离散后的ID模型和IDZ模型,选用一般最小二乘法和递推 最小二乘法对其进行编程求解,从而获得待辨识的参数θ。
进一步地,步骤3.3中,
(1)、对于任意一个离散随机系统,最小二乘法的求解方程形式如下:
h(k)+a1h(k-1)+…+anh(k-na)=b1u(k-1)+
b2u(k-2)+…+bnu(k-nb)
上式中:
h(k)为系统的输出观测值;
u(k)为系统的输入观测值;
k为观测次数;
na为系统输出项的阶次,nb为系统输入项的阶次;an为系统输出项待辨识的参数,bn为 系统输入项待辨识的参数,在ID模型中,na=1,nb=1,an=a1,bn=b1;在IDZ模型中,na=1, nb=3,an=a1,bn=b3;
将该方程转化为矩阵表达形式,可得:
z(k)=HT(k)θ
上式中:
H为控制模型的输入输出数据集合,控制模型的输入数据为入流变化量qin(k)和出流变 化量qout(k),控制模型的输出数据为下游水位偏差h(k),θ为被辨识参数集合,z(k)为下游水位偏差的数据集合。
H(k)=[-h(k-1),…,-h(k-na),u(k-1),…,u(k-nb)]T
θ=[a1,a2,…,an,b1,b2,…,bn]T
n为参数a的项数,m为参数b的项数;对于ID模型,n取1,m取1;对于IDZ模型, n取1,m取3;
最小二乘法的准则函数表达式为:
基于上述最小二乘法的计算原理,分别推导出一般最小二乘法和递推最小二乘法的计算 方程,具体步骤如下:
(2)、一般最小二乘法又叫一次完成算法,简记为LS,一般最小二乘法适用于输水渠池 控制模型参数的离线辨识;
根据准则函数,可得一般最小二乘法下待辨识参数的求解方程为:
θ=(HTH)-1HTz
式中:
z=[h(1),h(2),…h(N))]T
H表示控制模型的输入输出数据矩阵,z表示下游水位偏差数据矩阵,N为实测数据的总 组数;
(3)递推最小二乘法,递推最小二乘法的基本思想是:利用新观测的数据,在上一次辨 识结果的基础上,根据递推算法进行修正,从而得到新的参数估计值,公式如下:
θ(k)=θ(k-1)+K
θ(k-1)为待辨识参数上一次估值,θ(k)为待辨识参数新的估值,K为修正项;
根据准则函数,可得递推最小二乘法下待辨识参数的求解方程为:
上式中:θ(k)为待辨识的参数;P(k)、K(k)为求解时定义的增益矩阵。
基于一般最小二乘法和递推最小二乘法的求解方程,利用Matlab对离散后的ID模型和 IDZ模型进行编程求解,从而得到待辨识的参数值θ。
进一步地,当通过参数辨识的方法获得ID模型和IDZ模型的参数θ后,需要对辨识模 型的精度进行验证,具体方法为:随机选用一组观测数据,利用辨识模型对其进行预测,若 预测值与观测值的吻合度较高,满足判别指标平均绝对误差MAE和均方误差MSE的要求,则认为辨识模型满足精度要求,否则不满足要求。
进一步地,判别指标平均绝对误差MAE和均方误差MSE的表达式为:
约束条件:
MAE<=5%H0
MSE<=0.001m2
式中:H0为渠池初始水深值;
根据明渠输水系统运行调度的需求,当MAE、MSE满足以上约束条件时,认为辨识模型的精度满足控制要求。
本发明产生的有益效果是:(1)通过参数辨识方法,可以简单、快速地确定明渠控制模 型(ID和IDZ模型)的具体表达式,从而为明渠输水系统控制器的设计提供依据;(2)利用 一般最小二乘法和递推最小二乘法可以实现明渠控制模型参数的离线和在线辨识,从而提高 其在实际工程中应用的可行性;(3)通过将参数辨识方法与自动化控制技术相结合,能够提 高长距离明渠输水系统运行管理的安全性、快速性和高效性。
附图说明
图1是本发明实施例的辨识流程图。
图2是本发明实施例的结构示意图。
图3一般最小二乘法参数辨识流程图。
图4递推最小二乘法参数辨识流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发 明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于 限定本发明。
附图2为一般长距离明渠输水系统的渠系结构示意图,图中每个渠池均包含一个上游闸 门和一个下游闸门。在输配水系统的运行调度中,每个渠池均有一个控制器,且传统的控制 器设计是基于圣维南方程组建立。然而,由于输水渠池内的水流变化快,水力条件复杂,且 圣维南方程组参数多,求解困难,因此在利用该模型进行控制器设计时,常常无法快速、准 确地获得模型的具体参数,这给明渠输水系统的运行管理带来了巨大的挑战。基于此,本发 明采用明渠简化控制模型(ID模型和IDZ模型)作为控制器设计的依据,且在简化模型中, 渠池i内的下游闸前水位偏差hid由该渠池的入流变化量qi和出流变化量qi+1决定。因此,可 以将hid、qi和qi+1作为模型的输入量,随后利用参数辨识方法对模型参数进行辨识,从而快速 获得明渠简化控制模型的参数值,并依据该模型进行控制器设计。
附图1为本发明实施例的参数辨识流程图,由该图可知,当选定简化的渠道控制模型(ID、 IDZ)后,首先需要对该模型进行推导转化,以获得便于数学计算的离散模型;随后,开始 针对滞后时间τ和模型参数θ进行辨识。在参数辨识过程中,主要包括四个模块,分别是: 读取输入数据、辨识滞后时间τ、辨识模型参数θ以及模型精度验证。
如图1所示,一种基于水位流量数据的明渠控制模型参数辨识方法,包括以下步骤:
步骤1、针对明渠输水系统,建立简化的控制模型,以此来替代复杂的圣维南方程组; 所述建立简化的控制模型包括ID模型和IDZ模型;
明渠积分延迟模型(ID模型)由Schuurmans等学者在1995年提出,该模型将渠池概化 为均匀流区和回水区,其中均匀流区水深为正常水深,并认为均匀流区的存在将会使下游水 位响应滞后于上游流量变化,而完全处于回水区的渠道滞后时间为0。该模型用积分环节模 拟回水区,用滞后环节模拟均匀流区,其表达式为:
式中:
As为回水区水面面积,m2;
h为下游水位偏差,m;
x为回水区某处位置;
qin为渠池上游入流流量的变化量,m3/s;
qout为渠池下游出流流量的变化量,m3/s;
t为时间,s;
τ为滞后时间,即上游流量变化经均匀流区传递到下游回水区所用的时间,s。
明渠积分延迟零模型(IDZ模型)由Litrico等学者于2004年提出,该模型是在经典的 ID模型基础上扩展出的一种简单的渠道控制模型。相比于经典的ID模型,IDZ模型能更好 地描述渠道在低频和高频水流下的运动特性,且该模型不仅适用于回水条件下的渠道控制, 也适用于任何流量条件下的渠道控制系统建模。与ID模型类似,IDZ模型同样是用线性输入 与输出的方法对渠道控制系统进行建模,其表达式如下所示:
式中:
As为回水区水面面积,m2;
h(t)为下游水位偏差,m;
x为回水区某处位置;
qin为渠池上游入流流量的变化量,m3/s;
qout为渠池下游出流流量的变化量,m3/s;
t为时间,s;
τ为滞后时间,即上游流量变化经均匀流区传递到下游回水区所用的时间,s。
ID模型与IDZ模型均可用于明渠输水系统的控制与建模,其中:ID模型的形式更简单, 参数更少;IDZ模型的适用范围更广,精度更高。
步骤2、针对ID模型和IDZ模型,对其进行推导转化,从而建立便于数值计算的离散模 型。
ID模型的时域表达式为:
上式是一个连续时间的微分模型,不利于数值计算,因此采用数学方法对其进行转化, 化微分为差分,从而得到离散时间下的模型,表达式为:
式中:
k=1,2,3...,为离散模型的时间节点;
h(k)为第k计算时间节点的下游水位偏差,m;
qin为渠池上游入流流量的变化量,m3/s,qin(k)为第k计算时间节点的入流变化量;
qout为渠池下游出流流量的变化量,m3/s,qout(k)为第k计算时间节点的出流变化量;
q(k)=qin(k-τ-1)-qout(k-1),q(k)为第k计算时间节点渠池净流入量;
θ=[a1,b1]T为离散模型待辨识的参数;
τ为滞后时间,即上游流量变化经均匀流区传递到下游回水区所用的时间,s。
IDZ模型的时域表达式为:
同样,也对该式进行转化,从而得到离散时间下的模型,表达式为:
式中:
k=1,2,3...,为离散模型的时间节点;
h(k)为下游水位偏差,m;
qin为渠池上游入流流量的变化量,m3/s,qin(k)为第k计算时间节点的入流变化量;
qout为渠池下游出流流量的变化量,m3/s,qout(k)为第k计算时间节点的出流变化量;
q(k)=qin(k-τ-1)-qout(k-1),q(k)为第k计算时间节点渠池净流入量;
θ=[a1,b1,b2,b3]T为离散模型待辨识的参数;
τ为滞后时间,即上游流量变化经均匀流区传递到下游回水区所用的时间,s。
因此,对控制模型进行离散化,离散的ID模型表达式如下:
离散的IDZ模型表达式如下:
上式中,k=1,2,3...,为离散模型的时间节点;h(k)为第k计算时间节点下游水位偏差; qin为渠池上游入流流量的变化量,即入流变化量,qin(k)为第k计算时间节点的入流变化 量;qout为渠池下游出流流量的变化量,即出流变化量,qout(k)为第k计算时间节点的出 流变化量;q(k)=qin(k-τ-1)-qout(k-1),q(k)为第k计算时间节点渠池净流入 量;θ为离散模型待辨识的参数,对于ID模型θ=[a1,b1]T,对于IDZ模型 θ=[a1,b1,b2,b3]T;τ为滞后时间,即上游流量变化经均匀流区传递到下游回水区所用的 时间;
步骤3、参数辨识,具体包括如下步骤:
步骤3.1、确定输入参数为渠池的入流变化量qin(k)、渠池的出流变化量qout(k)和渠 池的下游水位偏差h(k),读取渠池的仿真或者实测数据;
步骤3.2、针对仿真数据和实测数据分别采用阶跃法辨识和相关系数法辨识滞后时间τ;
由ID模型和IDZ模型的离散表达式可知,获得滞后时间τ是辨识模型参数θ的前提。在本发明中,基于不同的数据来源,提出了两种辨识滞后时间τ的方法,分别是:针对仿真数据的阶跃法和针对实测数据的相关系数法。
(1)阶跃法
滞后时间τ的定义为:渠池上游入流量的变化传递到下游引起水位变化所需的时间。根 据Schuurmans等学者的研究,滞后时间τ的计算表达式为:
式中:L为渠池长度,m;C0为渠池初始时刻波速,m/s;V0为平均流速,m/s;A0为渠 池初始时刻横断面面积,m2;B0为渠池初始时刻水面宽度,m。
(2)相关系数法
在实际工程中,由于输水明渠沿线存在诸多水工建筑物,且渠道断面形式多变,因此渠 池各部分的波速C0和流速V0难以测量,故无法直接利用阶跃法中的公式求解滞后时间τ。 因此,针对实际观测数据,本发明提出利用相关系数法辨识各渠池的滞后时间τ。相关系数 法的基本思想为:假设渠池的入流量qin(k)与出流量qout(k)存在线性相关性,由于出流量qout(k)相比于入流量qin(k)存在一个滞后时间τ,则当入流量qin(k)向右平移τ个时 间单位时,二者的相关性最高。根据该思想,可推得滞后时间τ的计算表达式为:
式中:Qin为渠池的入流量,m3/s;Qout为渠池的出流量,m3/s;为渠池入流量的平均值,m3/s;为渠池出流量的平均值,m3/s;σQin为渠池的入流量Qin的标准差,m3/s;σQout为渠池的出流量Qout的标准差,m3/s;R为入流量与出流量的相关系数值;为滞后时 间的近似值,s;N为实测数据的总组数,j表示第j组实测数据。
步骤3.3、获得滞后时间τ后,分别利用最小二乘法对离散的ID模型和离散的IDZ模型 进行辨识,得到辨识参数θ。
(1)最小二乘法原理
对于任意一个离散随机系统,最小二乘法的求解方程形式如下:
h(k)+a1h(k-1)+…+anh(k-na)=b1u(k-1)+ b2u(k-2)+…+bnu(k-nb)
式中:
h(k)为系统的输出观测值;
u(k)为系统的输入观测值;
k为观测次数;
na为系统输出项的阶次,nb为系统输入项的阶次;an为系统输出项待辨识的参数,bn为 系统输入项待辨识的参数,在ID模型中,na=1,nb=1,an=a1,bn=b1;在IDZ模型中,na=1, nb=3,an=a1,bn=b3。
将该方程转化为矩阵表达形式,可得:
z(k)=HT(k)θ
式中:
H为控制模型的输入输出数据集合,控制模型的输入数据为入流变化量qin(k)和出流变 化量qout(k),控制模型的输出数据为下游水位偏差h(k),θ为被辨识参数集合,z(k)为下游水位偏差的数据集合。
H(k)=[-h(k-1),…,-h(k-na),u(k-1),…,u(k-nb)]T
θ=[a1,a2,…,an,b1,b2,…,bn]T
最小二乘法的准则函数表达式为:
基于上述最小二乘法的计算原理,可分别推导出一般最小二乘法和递推最小二乘法的计 算方程,具体步骤如下所示。
(2)一般最小二乘法(LS)
一般最小二乘法又叫一次完成算法,简记为LS,流程如图3所示。这种方法推导简单, 便于理解,但是其计算量、存储量很大,且每增加一组观测值,都需要重新计算,适用于输 水渠池控制模型参数的离线辨识。
根据准则函数,可得一般最小二乘法下待辨识参数的求解方程为:
θ=(HTH)-1HTz
式中:
z=[h(1),h(2),…h(N)]T
H表示控制模型的输入输出数据矩阵,z表示下游水位偏差数据矩阵,N为实测数据的总 组数。
(3)递推最小二乘法(RLS)
为了减少计算量,实现参数的在线辨识,现采用一种改进的辨识方法:递推最小二乘法, 简记为RLS,递推最小二乘法流程如图4所示。递推最小二乘法的基本思想是:利用新观测 的数据,在上一次辨识结果的基础上,根据递推算法进行修正,从而得到新的参数估计值。 这种方法每一次的计算只用到上一次的计算结果,所以能大大减少运算量,更适用于输水渠 池控制模型参数的在线辨识。
θ(k)=θ(k-1)+K
θ(k-1)为待辨识参数上一次估值,θ(k)为待辨识参数新的估值,K为修正项;
根据准则函数,可得递推最小二乘法下待辨识参数的求解方程为:
上式中:θ(k)为待辨识的参数;P(k)、K(k)为求解时定义的增益矩阵。
基于一般最小二乘法和递推最小二乘法的求解方程,可利用Matlab对离散后的ID模型 和IDZ模型进行编程求解,从而得到待辨识的参数值θ。
模型精度验证:当通过参数辨识的方法获得ID模型和IDZ模型的参数θ后,需要对辨 识模型的精度进行验证,具体方法为:随机选用一组观测数据,利用辨识模型对其进行预测, 若预测值与观测值的吻合度较高,满足判别指标平均绝对误差(MAE)和均方误差(MSE) 的要求,则认为辨识模型满足精度要求,否则不满足要求。
判别指标平均绝对误差(MAE)和均方误差(MSE)的表达式为:
根据明渠输水系统运行调度的需求,当MAE、MSE满足以下约束条件时,可认为辨识模型的精度满足控制要求。
约束条件:
MAE<=5%H0
MSE<=0.001m2
式中:H0为渠池初始水深值,m。
当判别指标MAE和MSE均满足上述约束条件时,可认为辨识模型满足精度要求,可以 用于输水渠池控制器的设计。
本发明所述参数辨识方法,基于ID模型和IDZ模型,利用明渠输水系统观测得到的水 位、流量数据,可对各输水渠池进行在线、离线地参数辨识,从而快速、准确地获得控制模 型的具体表达式。利用辨识得到的控制模型,可以对明渠输水系统中的控制器进行实时、动 态调节,从而提高输配水效率并减少水量损失。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所 有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于水位流量数据的明渠控制模型参数辨识方法,其特征在于,包括以下步骤:
步骤1、针对明渠输水系统,建立简化的控制模型,所述建立简化的控制模型包括ID模型和IDZ模型;
步骤2、对控制模型进行离散化,离散的ID模型表达式如下:
离散的IDZ模型表达式如下:
上式中,k=1,2,3...,为离散模型的时间节点;h(k)为第k计算时间节点下游水位偏差;qin为渠池上游入流流量的变化量,即入流变化量,qin(k)为第k计算时间节点的入流变化量;qout为渠池下游出流流量的变化量,即出流变化量,qout(k)为第k计算时间节点的出流变化量;q(k)=qin(k-τ-1)-qout(k-1),q(k)为第k计算时间节点渠池净流入量;θ为离散模型待辨识的参数,对于ID模型θ=[a1,b1]T,对于IDZ模型θ=[a1,b1,b2,b3]T;τ为滞后时间,即上游流量变化经均匀流区传递到下游回水区所用的时间;
步骤3、参数辨识,具体包括如下步骤:
步骤3.1、确定输入数据为渠池的入流变化量qin(k)、渠池的出流变化量qout(k)和渠池的下游水位偏差h(k),读取渠池的仿真或者实测数据;
步骤3.2、针对仿真数据和实测数据分别采用阶跃法辨识和相关系数法辨识滞后时间τ;
步骤3.3、获得滞后时间τ后,分别利用最小二乘法对离散的ID模型和离散的IDZ模型进行辨识,得到各自的辨识参数θ。
2.根据权利要求1所述基于水位流量数据的明渠控制模型参数辨识方法,其特征在于:步骤3.2中,针对仿真数据采用阶跃法辨识滞后时间τ;针对实测数据采用相关系数法辨识滞后时间τ;
阶跃法辨识滞后时间τ的计算公式如下:
上式中:L为渠池长度;C0为渠池初始时刻波速;V0为渠池内平均流速;A0为渠池初始时刻横断面面积;B0为渠池初始时刻水面宽度;
相关系数法辨识滞后时间τ计算公式如下:
3.根据权利要求2所述基于水位流量数据的明渠控制模型参数辨识方法,其特征在于:步骤3.3中,针对离散后的ID模型和IDZ模型,选用一般最小二乘法和递推最小二乘法对其进行编程求解,从而获得待辨识的参数θ。
4.根据权利要求3所述基于水位流量数据的明渠控制模型参数辨识方法,其特征在于:步骤3.3中,
(1)、对于任意一个离散随机系统,最小二乘法的求解方程形式如下:
h(k)+a1h(k-1)+…+anh(k-na)=b1u(k-1)+b2u(k-2)+…+bnu(k-nb)
上式中:
h(k)为系统的输出观测值;
u(k)为系统的输入观测值;
k为观测次数;
na为系统输出项的阶次,nb为系统输入项的阶次;an为系统输出项待辨识的参数,bn为系统输入项待辨识的参数,在ID模型中,na=1,nb=1,an=a1,bn=b1;在IDZ模型中,na=1,nb=3,an=a1,bn=b3;
将该方程转化为矩阵表达形式,可得:
z(k)=HT(k)θ
上式中:
H为控制模型的输入输出数据集合,控制模型的输入数据为入流变化量qin(k)和出流变化量qout(k),控制模型的输出数据为下游水位偏差h(k),θ为被辨识参数集合,z(k)为下游水位偏差的数据集合;
H(k)=[-h(k-1),…,-h(k-na),u(k-1),…,u(k-nb)]T
θ=[a1,a2,…,an,b1,b2,…,bm]T
n为参数a的项数,m为参数b的项数;对于ID模型,n取1,m取1;对于IDZ模型,n取1,m取3;
最小二乘法的准则函数表达式为:
基于上述最小二乘法的计算原理,分别推导出一般最小二乘法和递推最小二乘法的计算方程,具体步骤如下:
(2)、一般最小二乘法又叫一次完成算法,简记为LS,一般最小二乘法适用于输水渠池控制模型参数的离线辨识;
根据准则函数,可得一般最小二乘法下待辨识参数的求解方程为:
θ=(HTH)-1HTz
式中:
z=[h(1),h(2),…h(N))]T
H表示控制模型的输入输出数据矩阵,z表示下游水位偏差数据矩阵,N为实测数据的总组数;
(3)递推最小二乘法,递推最小二乘法的基本思想是:利用新观测的数据,在上一次辨识结果的基础上,根据递推算法进行修正,从而得到新的参数估计值,公式如下:
θ(k)=θ(k-1)+K
θ(k-1)为待辨识参数上一次估值,θ(k)为待辨识参数新的估值,K为修正项;
根据准则函数,可得递推最小二乘法下待辨识参数的求解方程为:
上式中:θ(k)为待辨识的参数;P(k)、K(k)为求解时定义的增益矩阵;
基于一般最小二乘法和递推最小二乘法的求解方程,利用Matlab对离散后的ID模型和IDZ模型进行编程求解,从而得到待辨识的参数值θ。
5.根据权利要求4所述基于水位流量数据的明渠控制模型参数辨识方法,其特征在于:当通过参数辨识的方法获得ID模型和IDZ模型的参数θ后,需要对辨识模型的精度进行验证,具体方法为:随机选用一组观测数据,利用辨识模型对其进行预测,若预测值与观测值的吻合度较高,满足判别指标平均绝对误差MAE和均方误差MSE的要求,则认为辨识模型满足精度要求,否则不满足要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670106.2A CN113361214A (zh) | 2021-06-17 | 2021-06-17 | 一种基于水位流量数据的明渠控制模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670106.2A CN113361214A (zh) | 2021-06-17 | 2021-06-17 | 一种基于水位流量数据的明渠控制模型参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361214A true CN113361214A (zh) | 2021-09-07 |
Family
ID=77534813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110670106.2A Pending CN113361214A (zh) | 2021-06-17 | 2021-06-17 | 一种基于水位流量数据的明渠控制模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361214A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417631A (zh) * | 2022-01-26 | 2022-04-29 | 清华大学 | 一种基于观测数据的灌区输配水系统建模方法 |
CN115440121A (zh) * | 2022-10-21 | 2022-12-06 | 天津大学 | 一种明渠水流衔接虚拟仿真实验平台、方法、系统及应用 |
CN116822180A (zh) * | 2023-06-19 | 2023-09-29 | 中国水利水电科学研究院 | 一种模拟河渠输水过程的积分时滞模型参数辨识方法 |
-
2021
- 2021-06-17 CN CN202110670106.2A patent/CN113361214A/zh active Pending
Non-Patent Citations (2)
Title |
---|
侯媛彬等: "《系统辨识》", 30 April 2014 * |
管光华等: "基于实测水位和流量数据的渠道控制模型参数辨识与验证", 《农业工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417631A (zh) * | 2022-01-26 | 2022-04-29 | 清华大学 | 一种基于观测数据的灌区输配水系统建模方法 |
CN114417631B (zh) * | 2022-01-26 | 2023-10-03 | 清华大学 | 一种基于观测数据的灌区输配水系统建模方法 |
CN115440121A (zh) * | 2022-10-21 | 2022-12-06 | 天津大学 | 一种明渠水流衔接虚拟仿真实验平台、方法、系统及应用 |
CN115440121B (zh) * | 2022-10-21 | 2024-03-22 | 天津大学 | 一种明渠水流衔接虚拟仿真实验平台、方法、系统及应用 |
CN116822180A (zh) * | 2023-06-19 | 2023-09-29 | 中国水利水电科学研究院 | 一种模拟河渠输水过程的积分时滞模型参数辨识方法 |
CN116822180B (zh) * | 2023-06-19 | 2024-01-19 | 中国水利水电科学研究院 | 一种模拟河渠输水过程的积分时滞模型参数辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361214A (zh) | 一种基于水位流量数据的明渠控制模型参数辨识方法 | |
CN110984062B (zh) | 一种流域干支流大规模水库群模拟调度方法 | |
WO2021196997A1 (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
CN112966954B (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
CN103730006A (zh) | 一种短时交通流量的组合预测方法 | |
Delelegn et al. | Multi-objective optimisation of cost–benefit of urban flood management using a 1D2D coupled model | |
CN111967666B (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
CN104539601B (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
CN108229721A (zh) | 基于改进型bp神经网络的煤热解产物的预测方法 | |
CN109725537A (zh) | 一种改进的线性最优半主动控制方法 | |
CN103942434A (zh) | 基于sspso-grnn的水电站厂坝结构振动响应预测方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN112113146B (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
CN105045091A (zh) | 基于模糊神经控制系统的疏浚工艺智能决策分析方法 | |
CN112016754A (zh) | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 | |
CN113919107A (zh) | 基于最大熵原理与交叉熵重要抽样的电网可靠性评估方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN114936742A (zh) | 一种供水系统调度代理决策方法 | |
Zhu et al. | Structural safety monitoring of high arch dam using improved ABC-BP model | |
CN111914487B (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN110782077B (zh) | 基于周期性数据驱动的建筑热负荷混合预测方法及系统 | |
CN117422165A (zh) | 一种基于低碳排放的城市输水系统水量预测方法及系统 | |
CN102055694B (zh) | 基于粒子群的非线性系统辨识方法 | |
CN115034133A (zh) | 基于信息物理融合的喷射泵供热系统实现方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |