CN114282440B - 一种抽水蓄能机组调节系统鲁棒辨识方法 - Google Patents
一种抽水蓄能机组调节系统鲁棒辨识方法 Download PDFInfo
- Publication number
- CN114282440B CN114282440B CN202111610924.XA CN202111610924A CN114282440B CN 114282440 B CN114282440 B CN 114282440B CN 202111610924 A CN202111610924 A CN 202111610924A CN 114282440 B CN114282440 B CN 114282440B
- Authority
- CN
- China
- Prior art keywords
- model
- storage unit
- robust
- learning machine
- pumped storage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010845 search algorithm Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000002922 simulated annealing Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000000137 annealing Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000329 molecular dynamics simulation Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 241000218220 Ulmaceae Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010583 slow cooling Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Abstract
本发明公开了一种抽水蓄能机组调节系统鲁棒辨识方法，包括以下步骤：(1)获取抽水蓄能机组调节系统运行数据，将原始数据规范至[0,1]区间并划分为训练集和测试集，确定离群鲁棒极限学习机的输入变量；(2)建立离群鲁棒极限学习机模型，并用训练集对其进行训练；(3)采用拉丁超立方和模拟退火算法改进原子搜索算法，并采用改进原子搜索算法优化ORELM模型的权重和偏置；(4)利用训练好的ORELM模型和测试集得到预测值，反归一化后即可得到最终输出。本发明能够被应用于抽水蓄能机组调节系统建模过程中，所提鲁棒辨识方法显著提高了含噪声和离群点场景下模型辨识的精度，最终确保了抽水蓄能机组调节系统辨识的准确性。
Description
技术领域
本发明属于抽水蓄能机组建模技术领域，具体涉及一种抽水蓄能机组调节系统鲁棒辨识方法。
背景技术
抽水蓄能调节系统是一个参数时变的复杂非线性系统，抽蓄调节系统参数直接关系到抽水蓄能机组的稳定运行及调节品质，进而影响到电能质量。对于抽水蓄能机组调节系统这类结构复杂、参数多变、强非线性的研究对象，从模型精确描述的角度来说，可以使用机器学习建模方法来进行辨识。来自调节系统测量信号的精度和可靠性在极大程度上决定了模型辨识的质量，然而抽水蓄能电站现场环境复杂，存在大量的噪声和信号干扰，考虑到传感器本身的精度、可靠性和性能漂移，数据采集、传输和存储过程中不可避免地混杂着部分噪声信号和离群点。如果直接使用这些含有噪声和离群点的数据进行建模，会严重影响到辨识模型的精度和泛化推广能力。因此，建立一种对噪声和离群点不敏感的辨识模型具有重要的理论和现实意义，能够为提高机组的调节控制品质，保障电站稳定高效运行奠定基础。
发明内容
发明目的：本发明提供一种辨识精度高的抽水蓄能机组调节系统鲁棒辨识方法。
技术方案：本发明提出一种抽水蓄能机组调节系统鲁棒辨识方法，具体包括以下步骤：
(1)获取抽水蓄能机组调节系统运行数据，将原始数据规范至[0,1]区间并划分为训练集和测试集，确定离群鲁棒极限学习机的输入变量；
(2)建立离群鲁棒极限学习机模型，并用训练集对其进行训练；
(3)采用拉丁超立方进行初始化原子初始速度和位置，并利用模拟退火算法改进原子搜索算法优化离群鲁棒极限学习机模型的权重和偏置；
(4)利用训练好的离群鲁棒极限学习机模型和测试集得到预测值，反归一化后即可得到辨识模型输出。
进一步地，步骤(1)所述的获取抽水蓄能机组调节系统运行数据，实现过程如下：
利用机理模型产生仿真数据，随机产生抽水蓄能调节系统的频率扰动信号，随机设置PID控制器参数；在仿真数据中加入一定比例的白噪声和离群点，仿真时间设定为50s，采样周期设定为0.1s。
进一步地，所述步骤(2)实现过程如下：
根据极限学习机的模型结构，采用截断2-范数损失函数建立基于如下截断2-范数的鲁棒ELM：
其中，lθ(ri)为截断2-范数的损失函数,|r|>θ时，异常样本点所产生的最大损失惩罚为常数θ2；学习结果会随着参数θ的变化而波动，C是一个正则化参数，ξi是第i个样本的误差向量，T＝{t1,t2,…,tN}T表示样本的标签矩阵；通过式(3)计算β的偏导，设置其值为0，当N>L时，得到β的解为：
β＝(IaL+CH TH)-1CH TT (4)
当N<L时，β为：
β＝HT(IN+CHTH)-1CT (5)
其中，IaL为一个维度为aL的单位矩阵；N为样本数量，L为隐含层节点个数。
进一步地，所述步骤(3)实现过程如下：
(31)运用拉丁超立方对原子位置和原子速度进行初始化，得到一个Na×m维的随机矩阵，Na为样本大小，m为维数；
(32)计算每个原子的适应度值并进行排序，其中适应度函数的计算公式如下所示：
式中，N表示样本总数；y(t)表示系统在时刻t的实际输出；表示辨识模型在时刻t的模拟输出；
(33)计算每个原子的质量并更新原子的位置，假设原子之间存在相互作用力和结合力；
(34)利用模拟退火算法改变原子搜索算法的更新机制，模拟退火概率接受准则，搜索空间的可行解为Xij＝(Xij1，…，Xijk)，能量函数作为进化优化计算适应值f(Xij)，冷却温度是跳出局部极值的关键参数，直接影响接受准则：
当f(Xij)<f(Xi(j+1))时，P＝1
其中，P为降温概率，t为温度，exp为自然指数；局部最大适应值与个体平均最大的适应值之比逐渐减小并接近1，这时候t也随之趋于0；
(35)根据公式(9)更新原子的速度和位置：
其中，vi d(t+1)为原子的速度，Pi d(t+1)为原子的最新位置；
(36)判断是否达到迭代次数，如果达到，输出最终值，如果没有则重复步骤(32)-(35)；
(37)返回最佳个体，解码得到ORELM模型的最优参数。
进一步地，在所述步骤(34)中加入基于牛顿冷却定律的温度衰减函数，以提高找到全局最优解概率：
其中，t0为初始迭代次数；T(t0)为初始温度；T(t)为当前时刻的温度，Tc为周围环境的温度；K衰减系数，是常数；t-t0为时间差。
有益效果：与现有技术相比，本发明的有益效果：本发明是基于离群鲁棒极限学习机和改进原子搜索算法的优化结合，极限学习机随机产生输入层和隐含层间的连接权值和隐含层神经元的阈值，在迭代过程中不需要调整，具有学习速度快、泛化能力好的特点，但传统极限学习机辨识模型对噪声数据建模的鲁棒性不足，最终得到的辨识精度不够准确，所以引入截断2-范数损失函数对传统极限学习机的目标函数进行改进，增强了传统极限学习机的鲁棒性；进一步采用改进原子搜索算法优化离群鲁棒极限学习机模型，采用拉丁超立方初始化和模拟退火算法局部搜索对原子搜索算法进行改进能够有效增强原子搜索算法的搜索性能和收敛精度，避免算法过早陷入局部最优并最终得到全局最优解，从而获取最优模型结构，提高离群鲁棒极限学习机模型的泛化性，并提高模型的辨识精度。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种抽水蓄能机组调节系统鲁棒辨识方法，基于离群鲁棒极限学习机(Outlier-Robust Extreme Learning Machine，ORELM)和改进原子搜索算法(ImprovedAtom Search Optimization Algorithm，IASO)的优化结合，如图1所示，具体包含以下步骤：
步骤1：对抽水蓄能机组调节系统进行了机理建模，利用机理模型产生仿真数据，将原始数据归一化至[0,1]区间并划分为训练数据集和测试数据集，确定离群鲁棒极限学习机的输入变量。
利用机理模型产生仿真数据。随机产生抽水蓄能调节系统的频率扰动信号，随机设置PID控制器参数，充分描述抽水蓄能调节系统的非线性，提高训练样本的多样性。为模拟电站运行现场噪声和信号干扰对调节系统运行数据采集的影响，在仿真数据中加入一定比例的白噪声和离群点。仿真时间设定为50s，采样周期设定为0.1s，每次实验结束时，抽水蓄能调节系统的控制器输出和单位频率输出数据都被保存下来。
将原始数据规范至[0,1]区间，独立进行30个实验，其中20个实验的动态过程作为训练样本，其余10个实验作为测试样本，采用{u(t-1),u(t-2),u(t-3),y(t-1),y(t-2),y(t-3)}作为模型的输入变量，其中，u(t-1),u(t-2),u(t-3)分别表示前1,2,3时刻的控制器输出，y(t-1),y(t-2),y(t-3)分别表示前1,2,3时刻的单位频率输出。
步骤2：建立离群鲁棒极限学习机模型，并用训练集对其进行训练，对抽水蓄能调节系统进行辨识。
极限学习机(ELM)是一种单隐藏层前馈神经网络。与传统的神经网络不同，ELM只更新用于连接隐藏层节点和输出节点的输出权重，而隐藏层节点参数，如输入权重和偏差，在训练过程中被随机生成并保持固定。从而具有结构简单、学习速度快、泛化能力强等优点。传统的ELM方法在处理数据时，没有充分考虑算法的鲁棒性，因此容易受到数据中噪声和异常值的影响。为了提高ELM的鲁棒性，提出了一种名为L2,1-ELM的方法即离群鲁棒极限学习机。
(1)ELM的输出函数表示为：
A(xi)＝h(xi)β,i＝1,…,N (1)
其中，为ELM的输入，β是输出权重矩阵，A(xi)是神经网络的实际输出，N为样本数量，h(xi)表示第i个隐藏层节点的输出并且可以得到矩阵的表示形式为：
其中，wi和bi是隐藏层节点参数，aL是隐藏层神经节点的个数，g(x)是激活函数。
(2)根据ELM的模型结构，采用截断2-范数损失函数建立基于如下截断2-范数的鲁棒ELM：
其中，lθ(ri)为截断2-范数的损失函数,|r|>θ时，这些异常样本点所产生的最大损失惩罚为常数θ2。学习结果会随着参数θ的变化而波动，这是因为参数θ用来限定损失函数的上界。C是一个正则化参数，ξi是第i个样本的误差向量，T＝{t1,t2,…,tN}T表示样本的标签矩阵。通过式(3)计算β的偏导，设置其值为0，最终可以得到β的解为：
β＝(IaL+CH TH)-1CH TT (4)
其中IaL为一个维度为aL的单位矩阵。式(4)为条件N>L，而当N<L时，β可以表示为：
β＝HT(IN+CHTH)-1CT (5)
其中，IaL为一个维度为aL的单位矩阵，N为样本数量，L为隐含层节点个数。
步骤3：采用拉丁超立方抽样初始化原子初始速度和位置，并利用模拟退火算法改进原子搜索算法的种群进行局部搜索，进一步采用改机原子搜索算法优化离群鲁棒极限学习机模型的权重和偏置；
原子搜索算法(ASO)是一种基于分子动力学中原子物理运动规律建立的算法。原子搜索算法中个体模拟了原子的运动规律。ASO受原子运动原理的启发，包括势函数、相互作用力和几何约束的特性。原子搜索算法的灵感来自分子动力学。如今，随着计算机技术的不断发展，分子动力学得到了广泛的应用。原子搜索算法在计算时间的长短和优化效果的质量上都显示了其优越性。
具体实现步骤如下：
(1)运用拉丁超立方对原子位置和原子速度进行初始化。将原子的种群规模初始化为N，群体中个体的维数为D，最大迭代次数为K，其中拉丁超立方的具体步骤如下所示：
首先根据初始种群数N构造一个m维单位立方体；然后，根据初始种群数，将每个一维坐标区间[0,1]分成Na等份。Na等份随机排列，假设Na随机排列相互独立；最后得到一个Na×m维的随机矩阵，Na为样本大小，m为维数。
(2)计算每个原子的适应度值并进行排序，其中适应度函数的计算公式如下所示：
式中，N表示样本总数；y(t)表示系统在时刻t的实际输出；表示辨识模型在时刻t的模拟输出。
(3)计算每个原子的质量并更新原子的位置，假设原子之间存在相互作用力和结合力。原子间的相互作用力设为Fi，结合力设为Gi，相互作用力和结合力都作用在原子系统中的第i个原子上，则第i个原子的加速度为ai质量mi。原子质量和加速的公示如下所示：
(4)使用模拟退火算法对原子种群进行局部搜索，模拟退火算法的主要思想是固体退火原理，通过将固体加温至充分高，等其慢慢变冷，固体内部粒子随温度的升变为无序状，内能增大，而慢慢冷却之后，粒子逐渐变为有序，在每个温度达到平衡态，最后在常温时达到基准态，内能减为最小。在原子搜索算法中加入模拟退火，将内能模拟为目标路径，将温度演转化成控制函数，由初始解和控制函数初始值开始，对原子搜索算法所得路径重复产生新路径，进行更新原子的位置，并逐步衰减控制函数的值。
利用模拟退火算法来改变原子搜索算法的更新机制，模拟退火概率接受准则，假设搜索空间的可行解为Xij＝(Xij1，…，Xijk)，能量函数作为进化优化计算适应值f(Xij)，冷却温度是跳出局部极值的关键参数，它直接影响接受准则。
当f(Xij)<f(Xi(j+1))时，P＝1
其中，P为降温概率，t为温度，exp为自然指数；局部最大适应值与个体平均最大的适应值之比逐渐减小并接近1，这时候t也随之趋于0。这样，在全局最优解的附近温度会下降的越来越慢。当新的原子搜索算法的适应度增大时，系统一定接受新的原子位置；当新的原子搜索算法的适应度降低时，就按照上式的概率p接收。利用退火算法是的模型跳出了局部最优解，找到了全局最优解，同时也能够保证算法的收敛性。
为提高找到全局最优解概率，加入基于牛顿冷却定律的温度衰减函数来实现，其表达式为：其中t0为初始迭代次数；T(t0)为初始温度；T(t)为当前时刻的温度，Tc为周围环境的温度；K衰减系数，是常数；t-t0为时间差。加入了牛顿冷却衰减函数更加提高了全局搜索能力。
(5)根据公式(9)更新原子的速度和位置：
其中，为原子的速度，Pi d(t+1)为原子的最新位置。
(6)判断是否达到迭代次数，如果达到，输出最终值，如果没有则重复步骤(2)-(5)。
(7)返回最佳个体，解码得到ORELM模型的最优参数。
利用训练好的ORELM模型和测试集数据得到预测值，反归一化后即可得到最终输出。
选取抽水蓄能机组调节系统中常用的评价指标进行对比。评价指标：RMSE(均方根误差)、MAPE(平均百分比误差)、R2(决定系数)的表达式为：
其中，yi是第i个训练样本的真实输出，xi是第i个样本的预测值，是样本的平均值，n是总样本个数。
本发明采用基于改进原子搜索算法优化离群鲁棒极限学习机模型(IASO-ORELM)对抽蓄机组调节系统进行辨识，为了验证本发明的有效性，将其与ELM模型、ORELM模型、ASO-ELM模型、ASO-ORELM模型进行了综合比较。
表1本发明模型与其他对照组模型的结果误差表
表2加入噪声后本发明模型与其他对照组模型的结果误差表
表1列出了所提出模型和对比模型的三个评价指标，包括RMSE、R2和MAPE的值。表2列出了所提出模型和对比模型的加入噪声后的三个评价指标，包含RMSE、R2和MAPE的值。以表1为例，将ELM与ORELM作对比看出，RMSE和MAPE的值分别提升了10.47％，17.57％，将ASO-ORELM与IASO-ORELM作对比，RMSE和MAPE的值分别提升了33.33％，50％。由表2可知，在加入噪声之后，离群鲁棒极限学习机更好地发挥了鲁棒性地特点，提高了预测精度，各项指标显著提高。
本发明是基于离群鲁棒极限学习机和改进原子搜索算法优化结合，极限学习机随机产生输入层和隐含层间的连接权值和隐含层神经元的阈值，在迭代过程中不需要调整，具有学习速度快、泛化能力好的特点，但传统极限学习机辨识模型对噪声数据建模的鲁棒性不足，最终得到的辨识精度不够准确，所以引入截断2-范数损失函数对传统极限学习机的目标函数进行改进，增强了传统极限学习机的鲁棒性。针对离群鲁棒极限学习机模型的结果不稳定，最终得到的辨识精度不够准确的缺点，采用改进原子搜索算法优化离群鲁棒极限学习机模型，将离群鲁棒极限学习机模型的权重和偏置作为决策变量，采用拉丁超立方初始化和模拟退火算法局部搜索对原子搜索算法进行改进能够有效增强原子搜索算法的搜索性能和收敛精度，避免算法过早陷入局部最优并最终得到全局最优解，从而获取最优模型结构，提高离群鲁棒极限学习机模型的泛化性，并提高模型的辨识精度。本发明通过将改进原子搜索算法与离群鲁棒极限学习机相结合，提高了全局收敛能力，并进一步加强了模型辨识精度。
以上本发明所提供的抽水蓄能机组调节系统鲁棒辨识方法进行了详细的介绍。并且本文也对本发明的原理以及实施方式进行了相关阐述，以上说明为了帮助理解本发明的方法以及核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (4)
1.一种抽水蓄能机组调节系统鲁棒辨识方法，其特征在于，包括以下步骤：
(1)获取抽水蓄能机组调节系统运行数据，将原始数据规范至[0,1]区间并划分为训练集和测试集，确定离群鲁棒极限学习机的输入变量；
(2)建立离群鲁棒极限学习机模型，并用训练集对其进行训练；
(3)采用拉丁超立方进行初始化原子初始速度和位置，并利用模拟退火算法改进原子搜索算法优化离群鲁棒极限学习机模型的权重和偏置；
(4)利用训练好的离群鲁棒极限学习机模型和测试集得到预测值，反归一化后即可得到辨识模型输出；
所述步骤(2)实现过程如下：
根据极限学习机的模型结构，采用截断2-范数损失函数建立基于如下截断2-范数的鲁棒ELM：
其中，lθ(ri)为截断2-范数的损失函数,|r|>θ时，异常样本点所产生的最大损失惩罚为常数θ2；学习结果会随着参数θ的变化而波动，C是一个正则化参数，T＝{t1,t2,…,tN}T表示样本的标签矩阵；通过式(3)计算β的偏导，设置其值为0，
当N>L时，得到β的解为：
β＝(IaL+CHTH)-1CHTT (4)
当N<L时，β为：
β＝HT(IN+CHTH)-1CT (5)
其中，IaL为一个维度为aL的单位矩阵；N为样本数量，L为隐含层节点个数。
2.根据权利要求1所述的抽水蓄能机组调节系统鲁棒辨识方法，其特征在于，步骤(1)所述的获取抽水蓄能机组调节系统运行数据，实现过程如下：
利用机理模型产生仿真数据，随机产生抽水蓄能调节系统的频率扰动信号，随机设置PID控制器参数；在仿真数据中加入一定比例的白噪声和离群点，仿真时间设定为50s，采样周期设定为0.1s。
3.根据权利要求1所述的抽水蓄能机组调节系统鲁棒辨识方法，其特征在于，所述步骤(3)实现过程如下：
(31)运用拉丁超立方对原子位置和原子速度进行初始化，得到一个N×m维的随机矩阵，N为样本数量，m为维数；
(32)计算每个原子的适应度值并进行排序，其中适应度函数的计算公式如下所示：
式中，N表示样本总数；y(t)表示系统在时刻t的实际输出；表示辨识模型在时刻t的模拟输出；
(33)计算每个原子的质量并更新原子的位置，假设原子之间存在相互作用力和结合力；
(34)利用模拟退火算法改变原子搜索算法的更新机制，模拟退火概率接受准则，搜索空间的可行解为Xij＝(Xij1，…，Xijk)，能量函数作为进化优化计算适应值f(Xij)，冷却温度是跳出局部极值的关键参数，直接影响接受准则：
当f(Xij)<f(Xi(j+1))时，P＝1
其中，P为降温概率，t为温度，exp为自然指数；局部最大适应值与个体平均最大的适应值之比逐渐减小并接近1，这时候t也随之趋于0；
(35)根据公式(9)更新原子的速度和位置：
其中，为原子的速度，Pi d(t+1)为原子的最新位置；
(36)判断是否达到迭代次数，如果达到，输出最终值，如果没有则重复步骤(32)-(35)；
(37)返回最佳个体，解码得到ORELM模型的最优参数。
4.根据权利要求3所述的抽水蓄能机组调节系统鲁棒辨识方法，其特征在于，在所述步骤(34)中加入基于牛顿冷却定律的温度衰减函数，以提高找到全局最优解概率：
其中，t0为初始迭代次数；T(t0)为初始温度；T(t)为当前时刻的温度，Tc为周围环境的温度；k为衰减系数，是常数；(t-t0)为时间差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610924.XA CN114282440B (zh) | 2021-12-27 | 2021-12-27 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610924.XA CN114282440B (zh) | 2021-12-27 | 2021-12-27 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114282440A CN114282440A (zh) | 2022-04-05 |
| CN114282440B true CN114282440B (zh) | 2023-08-25 |
Family
ID=80876180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111610924.XA Active CN114282440B (zh) | 2021-12-27 | 2021-12-27 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114282440B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376897A (zh) * | 2018-08-29 | 2019-02-22 | 广东工业大学 | 一种基于混合算法的短期风电功率预测方法 |
| CN110580378A (zh) * | 2019-08-08 | 2019-12-17 | 江西理工大学 | 球磨机筒体内部负荷软测量方法、装置以及系统 |
| CN111144443A (zh) * | 2019-12-04 | 2020-05-12 | 沈阳航空航天大学 | 一种基于智能优化算法改进超限学习机解决分类问题的方法 |
| CN111563547A (zh) * | 2020-04-30 | 2020-08-21 | 南京信息职业技术学院 | 一种基于改进的截断核范数的鲁棒主成分分析方法 |
| CN111812975A (zh) * | 2020-06-01 | 2020-10-23 | 淮阴工学院 | 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 |
| WO2021169790A1 (zh) * | 2020-02-28 | 2021-09-02 | 南京林业大学 | 一种基于实用鲁棒pca的图像表示方法 |
| CN113449462A (zh) * | 2021-06-09 | 2021-09-28 | 淮阴工学院 | 一种基于MALO-BiGRU的超短期风速预测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7653522B2 (en) * | 2005-12-07 | 2010-01-26 | Utah State University | Robustness optimization system |
| CN111832809B (zh) * | 2020-06-19 | 2021-06-01 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
-
2021
- 2021-12-27 CN CN202111610924.XA patent/CN114282440B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376897A (zh) * | 2018-08-29 | 2019-02-22 | 广东工业大学 | 一种基于混合算法的短期风电功率预测方法 |
| CN110580378A (zh) * | 2019-08-08 | 2019-12-17 | 江西理工大学 | 球磨机筒体内部负荷软测量方法、装置以及系统 |
| CN111144443A (zh) * | 2019-12-04 | 2020-05-12 | 沈阳航空航天大学 | 一种基于智能优化算法改进超限学习机解决分类问题的方法 |
| WO2021169790A1 (zh) * | 2020-02-28 | 2021-09-02 | 南京林业大学 | 一种基于实用鲁棒pca的图像表示方法 |
| CN111563547A (zh) * | 2020-04-30 | 2020-08-21 | 南京信息职业技术学院 | 一种基于改进的截断核范数的鲁棒主成分分析方法 |
| CN111812975A (zh) * | 2020-06-01 | 2020-10-23 | 淮阴工学院 | 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 |
| CN113449462A (zh) * | 2021-06-09 | 2021-09-28 | 淮阴工学院 | 一种基于MALO-BiGRU的超短期风速预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张楚.抽水蓄能机组调节系统非线性辨识与优化控制研究.《万方数据库》.2018,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114282440A (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN109697289A (zh) | 一种改进的用于命名实体识别的主动学习方法 | |
| CN110968272B (zh) | 基于时间序列预测的海量小文件存储性能优化方法及系统 | |
| CN110083125A (zh) | 一种基于深度学习的机床热误差建模方法 | |
| CN110895772A (zh) | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 | |
| CN112257847A (zh) | 一种基于CNN和LSTM预测地磁Kp指数的方法 | |
| Saffari et al. | Fuzzy Grasshopper Optimization Algorithm: A Hybrid Technique for Tuning the Control Parameters of GOA Using Fuzzy System for Big Data Sonar Classification. | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN114282440B (zh) | 一种抽水蓄能机组调节系统鲁棒辨识方法 | |
| CN116610218A (zh) | Ai数字人的交互方法、装置及系统 | |
| CN115630566A (zh) | 一种基于深度学习和动力约束的资料同化方法和系统 | |
| CN116346636A (zh) | 基于神经网络滑模控制的网络控制系统时延补偿方法 | |
| CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
| CN114861671A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
| CN114444654A (zh) | 一种面向nas的免训练神经网络性能评估方法、装置和设备 | |
| CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
| CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 | |
| CN112949599B (zh) | 基于大数据的候选内容推送方法 | |
| CN116757748B (zh) | 基于随机梯度攻击的广告点击预测方法 | |
| CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
| CN113537539B (zh) | 一种基于注意力机制的多时间步供热用气量预测模型 | |
| CN115719040B (zh) | 一种青霉素发酵过程关键变量软测量方法及系统 | |
| CN116401377B (zh) | 一种基于扩散概率分布的时序知识图谱推理方法 | |
| US20230034973A1 (en) | Methods and Systems for Predicting Trajectory Data of an Object |
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 |