CN115291528B - 模型不确定性等级确定方法、装置、系统及存储介质 - Google Patents

模型不确定性等级确定方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN115291528B
CN115291528B CN202211219519.XA CN202211219519A CN115291528B CN 115291528 B CN115291528 B CN 115291528B CN 202211219519 A CN202211219519 A CN 202211219519A CN 115291528 B CN115291528 B CN 115291528B
Authority
CN
China
Prior art keywords
model
mathematical model
step response
response corresponding
nominal
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
Application number
CN202211219519.XA
Other languages
English (en)
Other versions
CN115291528A (zh
Inventor
万力
贺思宁
胡紫依
文博
万黎明
胡海鸣
胡媛
潘雨晴
欧阳雪
何其飞
王金
谢伊
魏建勋
管辰
刘倩影
张佳星
郑卓茜
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.)
China Certification Beijing Evaluation Technology Service Co ltd
Original Assignee
China Certification Beijing Evaluation Technology Service 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 China Certification Beijing Evaluation Technology Service Co ltd filed Critical China Certification Beijing Evaluation Technology Service Co ltd
Priority to CN202211219519.XA priority Critical patent/CN115291528B/zh
Publication of CN115291528A publication Critical patent/CN115291528A/zh
Application granted granted Critical
Publication of CN115291528B publication Critical patent/CN115291528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Abstract

本发明公开了一种模型不确定性等级确定方法、装置、系统及存储介质。该系统包括处理器和存储器，所述存储器存储有计算机程序，所述处理器在运行所述计算机程序时执行以下步骤，包括：获取被控对象的名义数学模型和真实数学模型；分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级。上述技术方案，根据名义数学模型对应的阶跃响应和真实数学模型对应的阶跃响应，实现了模型不确定性等级的量化估计。

Description

模型不确定性等级确定方法、装置、系统及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种模型不确定性等级确定方法、装置、系统及存储介质。
背景技术
多数控制算法成功应用于实际的工程控制过程的前提是获取该被控对象相对精确的数学模型。对于数字孪生建筑的环境性能预测，尤为依赖于精确合规的建筑信息模型（Building Information Modeling，BIM），当被控对象数据足够精确合规，不确定性足够小，对其预测表现则更为精准。对于基于现实监测系统的数字孪生建筑，足够精确的建筑信息数字模型可反映真实建筑体状态，进行更为准确的实时预测、预报和预警。综上，如果被控对象的模型足够准确，则控制算法可提供近乎最优的控制性能，然而实际工程几乎很难获取被控对象精确的数学模型。此外，准确获取被控对象的数学模型是在工程控制领域中最为困难的阶段，工程经验表明一个典型工程控制项目中，90%的时间和工作都耗费在了模型辨识的研究中。对于一些实际工程控制系统而言，往往存在非线性、时变、时延等特性，并且一些关键信号仍有可能无法测量得到。真实系统模型和名义系统模型之间的差异称为模型不确定性，由于建模误差造成的模型不确定性的原因主要有以下几点：
(1)模型中的某些参数存在估值不准确的情况，通过模型辨识得到的被控对象的系统模型中的所有参数并非精确的，或者得到的某些参数存在误差；
(2)用于描述物理进程的模型中的参数由于被控对象的非线性特性而发生变化；
(3)测量设备存在误差。工程控制中的测控设备测得的数据并非100%准确，因此不可避免的会存在一定的误差，从而导致了输入不确定性；
(4)由于忽略系统的动态特性导致了模型不确定性的存在。
基于上述可知，模型误差是普遍存在的，模型不确定性问题无法避免。
在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：目前，尚未有基于传递函数模型量化被控对象的真实数学模型不确定性等级的方法，无法实现不确定性等级的量化估计。
发明内容
本发明提供了一种模型不确定性等级确定方法、装置、系统及存储介质，以实现模型的不确定性等级的量化估计。
根据本发明的一方面，提供了一种模型不确定性等级确定方法，包括：
获取被控对象的名义数学模型和真实数学模型；
分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级。
根据本发明的另一方面，提供了一种模型不确定性等级确定装置，包括：
数学模型获取模块，用于获取被控对象的名义数学模型和真实数学模型；
不确定性等级确定模块，用于分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级。
根据本发明的另一方面，提供了一种模型不确定性等级确定系统，该系统包括处理器和存储器，所述存储器存储有计算机程序，所述处理器在运行所述计算机程序时执行以下步骤，包括：
获取被控对象的名义数学模型和真实数学模型；
分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的模型不确定性等级确定方法。
本发明实施例的技术方案，通过获取被控对象的名义数学模型和真实数学模型，分别确定名义数学模型对应的阶跃响应和真实数学模型对应的阶跃响应，基于名义数学模型对应的阶跃响应和真实数学模型对应的阶跃响应确定模型不确定性等级，实现了模型的不确定性等级的量化估计。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种模型不确定性等级确定方法的流程图；
图2是根据本发明实施例二提供的一种模型不确定性等级确定方法的流程图；
图3是根据本发明实施例三提供的一种模型不确定性等级确定方法的流程图；
图4是根据本发明实施例三提供的一种不确定性等级区间估计流程图；
图5是根据本发明实施例三提供的一种不确定等级区间估计结果图；
图6是根据本发明实施例四提供的一种模型不确定性等级确定装置的结构示意图；
图7是根据本发明实施例五提供的一种模型不确定性等级确定系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“初始”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种模型不确定性等级确定方法的流程图，本实施例可适用于系统模型进行不确定性评估的情况，该方法可以由模型不确定性等级确定装置来执行，该模型不确定性等级确定装置可以采用硬件和/或软件的形式实现，该模型不确定性等级确定装置可配置于计算机终端中。如图1所示，该方法包括：
S110、获取被控对象的名义数学模型和真实数学模型。
在本实施例中，被控对象是指需要对其特定参数进行控制的设备或系统。名义数学模型是指对被控对象进行分析时所用的数学模型，与真实数学模型存在一定偏差，例如名义数学模型可以为仿真验证模型。真实数学模型是指被控对象的真实模型。可以理解的是，在实际工程中难以获取真实数学模型，通常只能建立名义数学模型进行模拟分析。在本实施例中，为了得到真实数学模型，可以在名义数学模型的模型参数的基础上进行参数调整，得到真实数学模型。换而言之，真实数学模型的模型参数可以以名义数学模型的模型参数为基准。
S120、分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级。
在本实施例中，阶跃响应是指模型在阶跃信号的激励下产生的零状态响应。模型不确定性是指名义数学模型与真实数学模型之间的差异。换而言之，可以根据名义数学模型与真实数学模型之间的差异确定模型不确定性等级，实现模型不确定性的量化估计，为鲁棒稳定性分析及控制奠定了理论基础，为模型不确定性问题所带来的控制算法的控制性能下降，以及被控对象的时域输出性能恶化等问题提供了思路。
在一些可选实施例中，被控对象可以为单输入单输出（SISO）系统模型。
示例性的，以建筑领域为例，单输入单输出系统模型可以为建筑信息模型（Building Information Modeling，BIM）。可以理解的是，BIM模型的精度可以直接影响设计结果和施工准确度，以及数字孪生世界建设和运营的可靠度。通过确定BIM模型的模型不确定性等级，进一步根据BIM模型的模型不确定性等级，对BIM模型参数进行补偿，从而提升BIM模型精度。
本发明实施例的技术方案，通过获取被控对象的名义数学模型和真实数学模型，分别确定名义数学模型对应的阶跃响应和真实数学模型对应的阶跃响应，基于名义数学模型对应的阶跃响应和真实数学模型对应的阶跃响应确定模型不确定性等级，实现了模型的不确定性等级的量化估计。
实施例二
图2为本发明实施例二提供的一种模型不确定性等级确定方法的流程图，本实施例的方法与上述实施例中提供的模型不确定性等级确定方法中各个可选方案可以结合。本实施例提供的模型不确定性等级确定方法进行了进一步优化。可选的，所述基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，包括：将所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应输入至不确定性等级确定函数，得到模型不确定性等级。
如图2所示，该方法包括：
S210、获取被控对象的名义数学模型和真实数学模型。
S220、分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应。
S230、将所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应输入至不确定性等级确定函数，得到模型不确定性等级。
其中，不确定性等级确定函数是指预先建立的不确定性等级运算函数。
具体的，可以将名义数学模型对应的阶跃响应和真实数学模型对应的阶跃响应分别代入不确定性等级确定函数对应的元素，得到模型不确定性等级。
在上述实施例的基础上，将所述名义数学模型对应的阶跃响应和真实数学模型对应的阶跃响应输入至不确定性等级确定函数，得到模型不确定性等级，包括：
Figure 268521DEST_PATH_IMAGE001
其中，
Figure 841453DEST_PATH_IMAGE002
表示模型不确定性等级，
Figure 607808DEST_PATH_IMAGE003
表示真实数学模型在t时刻的阶跃响应，
Figure 580181DEST_PATH_IMAGE004
表示名义数学模型在t时刻的阶跃响应，l表示阶跃响应稳态时刻的采样个数。
本发明实施例的技术方案，通过不确定性等级确定函数实现了模型的不确定性等级的量化估计，为模型鲁棒稳定性分析及控制奠定了理论基础，为模型不确定性问题所带来的控制算法的控制性能下降，以及被控对象的时域输出性能恶化等问题提供了思路。
实施例三
图3为本发明实施例三提供的一种模型不确定性等级确定方法的流程图，本实施例的方法与上述实施例中提供的模型不确定性等级确定方法中各个可选方案可以结合。本实施例提供的模型不确定性等级确定方法进行了进一步优化。可选的，在获取被控对象的名义数学模型和真实数学模型之后，还包括：获取所述名义数学模型的不确定性等级搜索步长；基于所述名义数学模型的不确定性等级搜索步长确定估计迭代次数；相应的，所述分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，包括：进行迭代循环计数，在每一迭代过程中，分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，直到当前循环计数信息等于所述估计迭代次数，结束循环。
如图3所示，该方法包括：
S310、获取被控对象的名义数学模型和真实数学模型。
S320、获取所述名义数学模型的不确定性等级搜索步长。
其中，不确定性等级搜索步长是指用于估计模型不确定性等级的搜索步长。
S330、基于所述名义数学模型的不确定性等级搜索步长确定估计迭代次数。
示例性的，估计迭代次数计A算公式如下：
Figure 660133DEST_PATH_IMAGE005
其中，
Figure 13754DEST_PATH_IMAGE006
表示估计迭代次数，floor表示向下取整，
Figure 811945DEST_PATH_IMAGE007
表示波动幅值下限，
Figure 558316DEST_PATH_IMAGE008
表示波 动幅值上限，
Figure 758353DEST_PATH_IMAGE009
，bp表示不确定性等级搜索步长。
S340、进行迭代循环计数，在每一迭代过程中，分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，直到当前循环计数信息等于所述估计迭代次数，结束循环。
在本实施例中，通过进行迭代循环计数，可以获取当前循环计数信息，进一步的，可以基于当前循环计数信息控制确定模型不确定性等级的次数。换而言之，本实施例可以进行多次不确定性估计，得到多个模型不确定性等级。
在上述各实施例的基础上，结束循环之后，还包括：基于各迭代过程中的模型不确定性等级确定不确定性等级区间。
示例性的，图4是本发明实施例提供的一种不确定性等级区间估计流程图。对于SISO系统而言，其真实数学模型的模型不确定性等级区间估计方法的实施步骤如下：
步骤1：输入名义数学模型的模型参数，图4中
Figure 486138DEST_PATH_IMAGE010
表示名义数学模型，bp表示 不确定性等级搜索步长，计算阶跃响应的估计迭代次数
Figure 771625DEST_PATH_IMAGE006
，转步骤2；
步骤2：计算名义数学模型及真实数学模型的阶跃响应序列值，基于阶跃响应序列 值，确定
Figure 39796DEST_PATH_IMAGE011
，其中，
Figure 612116DEST_PATH_IMAGE011
表示第
Figure 573119DEST_PATH_IMAGE012
次迭代循环的模型不确定性等级，转步骤3；
步骤3：执行
Figure 549165DEST_PATH_IMAGE013
=
Figure 355447DEST_PATH_IMAGE014
+1，其中，
Figure 795655DEST_PATH_IMAGE015
表示当前循环计数信息，转步骤4；
步骤4：判断
Figure 412713DEST_PATH_IMAGE016
＜
Figure 876055DEST_PATH_IMAGE017
，若是则转步骤2，若否，则转步骤5；
步骤5：计算不确定等级
Figure 486028DEST_PATH_IMAGE018
，
Figure 515164DEST_PATH_IMAGE019
，转步骤6；
步骤6：计算真实模型的不确定等级区间U，U∈[-
Figure 83548DEST_PATH_IMAGE018
,
Figure 814613DEST_PATH_IMAGE018
]，转步骤7；
步骤7：结束。
在一些可选实施例中，对于被控对象的名义数学模型，其单变量高阶线性常系数微分方程可以表示为：
Figure 317358DEST_PATH_IMAGE020
其中，
Figure 43743DEST_PATH_IMAGE021
。
Figure 48608DEST_PATH_IMAGE022
，
Figure 752122DEST_PATH_IMAGE023
为实常数，其中i=1,2, 3,...,n；j=1,2,3,...,n-1。
进一步的，对上述常系数微分方程取拉普拉斯变换，假定系统具有零初始条件，则 其名义传递函数
Figure 454630DEST_PATH_IMAGE024
（即名义数学模型）可表示为：
Figure 458358DEST_PATH_IMAGE025
通过数学模型精确的描述被控对象系统的真实特征是十分困难的，真实被控对象 的系统参数往往会在一定范围内波动，从而造成了模型误差。基于传统鲁棒控制中对于模 型误差的定义，可将被控对象的真实数学模型参数描述为一系列扰动模型参数的即可。即， 可以认为被控对象的真实数学模型
Figure 102966DEST_PATH_IMAGE026
的参数是以名义数学模型
Figure 559355DEST_PATH_IMAGE027
的参数为基准的领域 内上下波动的。为了描述真实的被控对象的数学模型，本实施例采用参数模不确定性对真 实的被控对象的数学模型进行表征。定义被控对象的真实数学模型为
Figure 578737DEST_PATH_IMAGE028
，则
Figure 436972DEST_PATH_IMAGE028
在s域的 模型可以表示为：
Figure 252481DEST_PATH_IMAGE029
假设
Figure 399429DEST_PATH_IMAGE030
的参数波动范围区间的上下限分别为则
Figure 958586DEST_PATH_IMAGE031
与
Figure 687639DEST_PATH_IMAGE032
。一般性地，
Figure 408470DEST_PATH_IMAGE033
，否则
Figure 839451DEST_PATH_IMAGE034
的参数就失去了其物理意义。基于上述，则有：
Figure 139983DEST_PATH_IMAGE035
其中，
Figure 972809DEST_PATH_IMAGE036
，
Figure 379389DEST_PATH_IMAGE037
为实常数，且
Figure 297666DEST_PATH_IMAGE038
，
Figure 198626DEST_PATH_IMAGE039
的物理意义分别为以
Figure 823643DEST_PATH_IMAGE040
，
Figure 151856DEST_PATH_IMAGE041
为基准的真实被控对象数学模型的参数。
在本实施例中，设定被控对象的真实数学模型
Figure 308162DEST_PATH_IMAGE028
相对于其名义数学模型
Figure 12813DEST_PATH_IMAGE042
而 言，其模型不确定性等级为
Figure 757915DEST_PATH_IMAGE043
。为确定真实模型的波动等级
Figure 257029DEST_PATH_IMAGE043
，本实施例提出基于阶跃响应 估计被控对象真实的数学模型的不确定性等级，该方法将不确定性等级量化为被控系统真 实数学模型传递函数的阶跃响应与名义数学模型传递函数的阶跃响应差值与名义数学模 型传递函数的阶跃响应之比。
Figure 667675DEST_PATH_IMAGE028
的模型不确定性等级
Figure 910438DEST_PATH_IMAGE011
可以通过下式计算得到：
Figure 572363DEST_PATH_IMAGE044
上式中，
Figure 242379DEST_PATH_IMAGE045
，l分别表示系统的阶跃响应及阶跃响应稳态时刻的采样个数。即，
Figure 560228DEST_PATH_IMAGE046
与
Figure 91835DEST_PATH_IMAGE047
分别表示
Figure 873846DEST_PATH_IMAGE030
与
Figure 714763DEST_PATH_IMAGE042
在t时刻的阶跃响应幅值，t=1,2,…,l。
Figure 316645DEST_PATH_IMAGE043
的计算方 法为：首先求出l个阶跃响应采样点数内
Figure 104473DEST_PATH_IMAGE028
与
Figure 724679DEST_PATH_IMAGE042
的阶跃响应幅值序列，然后计算
Figure 2077DEST_PATH_IMAGE028
与
Figure 825676DEST_PATH_IMAGE042
的阶跃响应幅值序列在t时刻的差值的绝对值的和，即
Figure 417194DEST_PATH_IMAGE048
；将得到的
Figure 642639DEST_PATH_IMAGE049
除以
Figure 841671DEST_PATH_IMAGE042
在l个阶跃响应幅值采样点的阶跃响应幅值之和即可计算得到
Figure 418145DEST_PATH_IMAGE043
。设定执行被控对象的阶跃响应测试迭代值为
Figure 344513DEST_PATH_IMAGE050
（即当前循环计数信息），则1≤
Figure 627727DEST_PATH_IMAGE051
≤
Figure 246927DEST_PATH_IMAGE052
。其中，
Figure 297316DEST_PATH_IMAGE052
为测试段阶跃响应的总测试次数（即估计迭代次数），
Figure 292954DEST_PATH_IMAGE053
。其中，floor表示向下取整。
进一步地，
Figure 227412DEST_PATH_IMAGE030
的参数的波动等级可以通过
Figure 220776DEST_PATH_IMAGE054
进行量化，其估计方式为对被控对象 模型执行
Figure 506264DEST_PATH_IMAGE055
次阶跃响应，计算每次阶跃响应中
Figure 790745DEST_PATH_IMAGE043
，在
Figure 48551DEST_PATH_IMAGE006
次迭代的阶跃响应测试完成后确 定不确定性等级
Figure 9554DEST_PATH_IMAGE056
，
Figure 782338DEST_PATH_IMAGE054
为
Figure 854199DEST_PATH_IMAGE043
的最大值。需要说明的是，不确定性等级
Figure 278096DEST_PATH_IMAGE056
的精度与bp直接相关。最 终，
Figure 347684DEST_PATH_IMAGE028
的不确定性等级区间U可以确定为[-
Figure 607764DEST_PATH_IMAGE056
,
Figure 483316DEST_PATH_IMAGE056
]，即不确定性等级区间包络的上下限分别 确定为
Figure 512452DEST_PATH_IMAGE056
,-
Figure 300410DEST_PATH_IMAGE056
。
示例性的，为了验证模型不确定性等级估计算法的有效性，本实施例进行举例说明。不失一般性而言，本专利以SISO类型的被控对象的二阶名义传递函数作为实施例进行验证。本实施例中的仿真条件设置如下：其s域的名义传递函数模型为：
Figure 251049DEST_PATH_IMAGE057
设定真实模型的参数不确定性波动性区间为[-0.4，0.4]，不确定性等级的搜索步长为0.05。不失一般性而言，采用模型不确定性等级估计算法进行了20次不确定性等级估计，其验证结果如图5所示。在测试迭代次数内，真实数学模型的不确定性等级均在模型不确定等级区间之间之内。测试结果表明，本实施例所提出的模型不确定等级区间估计方法能够有效的估计出真实模型不确定性等级，能够有效的反映被控对象的真实模型系统参数的波动范围。
需要说明的是，针对SISO系统的模型不确定性问题，本实施例将被控对象的真实数学模型参数刻画为一系列线性时不变模型构成的集合，并将其数学表达式进行了显示表达，借助对被控对象真实数学模型的多次测试阶跃响应值评估其不确定等级区间。本专利所提出的模型不确定行等级区间估计方法为鲁棒稳定性分析及控制奠定了理论基础，为模型不确定性问题所带来的控制算法的控制性能下降，以及被控对象的时域输出性能恶化等问题提供了思路。本实施例所提出的模型不确定性等级区间估计方法具有实施简单、置信度高的特点。
实施例四
图6为本发明实施例四提供的一种模型不确定性等级确定装置的结构示意图。如图6所示，该装置包括：
数学模型获取模块410，用于获取被控对象的名义数学模型和真实数学模型；
不确定性等级确定模块420，用于分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级。
本发明实施例的技术方案，通过获取被控对象的名义数学模型和真实数学模型，分别确定名义数学模型对应的阶跃响应和真实数学模型对应的阶跃响应，基于名义数学模型对应的阶跃响应和真实数学模型对应的阶跃响应确定模型不确定性等级，实现了模型的不确定性等级的量化估计。
在一些可选的实施方式中，不确定性等级确定模块420，包括：
函数求解单元，用于将所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应输入至不确定性等级确定函数，得到模型不确定性等级。
在一些可选的实施方式中，函数求解单元，具体用于：
Figure 664712DEST_PATH_IMAGE058
其中，
Figure 813934DEST_PATH_IMAGE002
表示模型不确定性等级，
Figure 287641DEST_PATH_IMAGE059
表示真实数学模型在t时刻的阶跃响应，
Figure 459996DEST_PATH_IMAGE060
表示名义数学模型在t时刻的阶跃响应，l表示阶跃响应稳态时刻的采样个数。
在一些可选的实施方式中，模型不确定性等级确定装置还包括：
搜索步长获取模块，用于获取所述名义数学模型的不确定性等级搜索步长；
迭代次数确定模块，用于基于所述名义数学模型的不确定性等级搜索步长确定估计迭代次数；
相应的，定性等级确定模块420，还用于：
进行迭代循环计数，在每一迭代过程中，分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，直到当前循环计数信息等于所述估计迭代次数，结束循环。
在一些可选的实施方式中，装置还包括：
等级区间确定模块，用于基于各迭代过程中的模型不确定性等级确定不确定性等级区间。
在一些可选的实施方式中，所述真实数学模型的模型参数以所述名义数学模型的模型参数为基准。
在一些可选的实施方式中，所述被控对象为单输入单输出系统模型。
本发明实施例所提供的模型不确定性等级确定装置可执行本发明任意实施例所提供的模型不确定性等级确定方法，具备执行方法相应的功能模块和有益效果。
实施例五
图7为本发明实施例提供的模型不确定性等级确定系统的结构示意图，如图7所示，该系统包括处理器501和存储器502，该存储器存储有计算机程序。该系统中处理器501的数量可以是一个或多个，图7中以一个处理器501为例；
存储器502作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的模型不确定性等级确定方法对应的程序指令/模块。处理器501通过运行存储在存储器502中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即执行一种模型不确定性等级确定方法，该方法包括：
获取被控对象的名义数学模型和真实数学模型；
分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级。
当然，本发明实施例所提供的处理器在执行计算机程序指令时，不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的模型不确定性等级确定方法中的相关操作。
存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器502可进一步包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该系统还包括输入装置503以及输出装置504；设备中的处理器501、存储器502、输入装置503以及输出装置504可以通过总线或其他方式连接，图7中以通过总线连接为例。
输入装置503可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置504可包括显示屏等显示设备，例如，用户终端的显示屏。
实施例六
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令在由计算机处理器执行时用于执行一种模型不确定性等级确定方法，该方法包括：
获取被控对象的名义数学模型和真实数学模型；
分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的模型不确定性等级确定方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（RandomAccess Memory， 简称RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的模型不确定性等级确定方法。
值得注意的是，上述模型不确定性等级确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (7)

1.一种建筑信息模型的 模型不确定性等级确定系统，其特征在于，该系统包括处理器和存储器，所述存储器存储有计算机程序，所述处理器在运行所述计算机程序时执行以下步骤，包括：
获取被控对象的名义数学模型和真实数学模型，所述被控对象为单输入单输出的建筑信息模型；
分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级；
根据所述建筑信息模型的模型不确定性等级，对所述建筑信息模型的模型参数进行补偿；
在获取被控对象的名义数学模型和真实数学模型之后，还包括：
获取所述名义数学模型的不确定性等级搜索步长；
基于所述名义数学模型的不确定性等级搜索步长确定估计迭代次数；
相应的，所述分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，包括：
进行迭代循环计数，在每一迭代过程中，分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，直到当前循环计数信息等于所述估计迭代次数，结束循环；
在所述结束循环之后，还包括：
基于各迭代过程中的模型不确定性等级确定不确定性等级区间。
2.根据权利要求1所述的系统，其特征在于，所述基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，包括：
将所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应输入至不确定性等级确定函数，得到模型不确定性等级。
3.根据权利要求2所述的系统，其特征在于，所述将所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应输入至不确定性等级确定函数，得到模型不确定性等级，包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示模型不确定性等级，
Figure DEST_PATH_IMAGE006
表示真实数学模型在t时刻的阶跃响应，
Figure DEST_PATH_IMAGE008
表示名义数学模型在t时刻的阶跃响应，l表示阶跃响应稳态时刻的采样个数。
4.根据权利要求1所述的系统，其特征在于，所述真实数学模型的模型参数以所述名义数学模型的模型参数为基准。
5.一种建筑信息模型的 模型不确定性等级确定装置，其特征在于，包括：
数学模型获取模块，用于获取被控对象的名义数学模型和真实数学模型，所述被控对象为单输入单输出的建筑信息模型；
不确定性等级确定模块，用于分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级；
根据所述建筑信息模型的模型不确定性等级，对所述建筑信息模型的模型参数进行补偿；
模型不确定性等级确定装置还包括：
搜索步长获取模块，用于获取所述名义数学模型的不确定性等级搜索步长；
迭代次数确定模块，用于基于所述名义数学模型的不确定性等级搜索步长确定估计迭代次数；
相应的，不确定性等级确定模块，还用于：
进行迭代循环计数，在每一迭代过程中，分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，直到当前循环计数信息等于所述估计迭代次数，结束循环；
模型不确定性等级确定装置还包括：
等级区间确定模块，用于基于各迭代过程中的模型不确定性等级确定不确定性等级区间。
6.一种建筑信息模型的 模型不确定性等级确定方法，其特征在于，由模型不确定性等级确定系统执行，包括：
获取被控对象的名义数学模型和真实数学模型，所述被控对象为单输入单输出的建筑信息模型；
分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级；
根据所述建筑信息模型的模型不确定性等级，对所述建筑信息模型的模型参数进行补偿；
在获取被控对象的名义数学模型和真实数学模型之后，还包括：
获取所述名义数学模型的不确定性等级搜索步长；
基于所述名义数学模型的不确定性等级搜索步长确定估计迭代次数；
相应的，所述分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，包括：
进行迭代循环计数，在每一迭代过程中，分别确定所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应，基于所述名义数学模型对应的阶跃响应和所述真实数学模型对应的阶跃响应确定模型不确定性等级，直到当前循环计数信息等于所述估计迭代次数，结束循环；
在所述结束循环之后，还包括：
基于各迭代过程中的模型不确定性等级确定不确定性等级区间。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求6所述的建筑信息模型的 模型不确定性等级确定方法。
CN202211219519.XA 2022-10-08 2022-10-08 模型不确定性等级确定方法、装置、系统及存储介质 Active CN115291528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211219519.XA CN115291528B (zh) 2022-10-08 2022-10-08 模型不确定性等级确定方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211219519.XA CN115291528B (zh) 2022-10-08 2022-10-08 模型不确定性等级确定方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN115291528A CN115291528A (zh) 2022-11-04
CN115291528B true CN115291528B (zh) 2023-02-17

Family

ID=83834488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211219519.XA Active CN115291528B (zh) 2022-10-08 2022-10-08 模型不确定性等级确定方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN115291528B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1266528A (zh) * 1997-08-07 2000-09-13 西加特技术有限公司 用于表征磁盘驱动器中的参数和不确定性的模型证实算法
CN109856978A (zh) * 2019-03-26 2019-06-07 广东电网有限责任公司 一种获取被控对象模型的方法及装置
CN110308654A (zh) * 2019-07-01 2019-10-08 西安电子科技大学 基于模型预测控制的电感耦合等离子体产生系统的整定方法
CN112286043A (zh) * 2020-10-13 2021-01-29 国网浙江省电力有限公司电力科学研究院 基于被控对象阶跃响应特性数据的pid参数整定方法
CN112748659A (zh) * 2019-10-30 2021-05-04 中国石油化工股份有限公司 存储器、非线性预测控制方法、装置和设备
CN113485094A (zh) * 2021-08-02 2021-10-08 中北大学 一种获取过程最优zn模型的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1266528A (zh) * 1997-08-07 2000-09-13 西加特技术有限公司 用于表征磁盘驱动器中的参数和不确定性的模型证实算法
CN109856978A (zh) * 2019-03-26 2019-06-07 广东电网有限责任公司 一种获取被控对象模型的方法及装置
CN110308654A (zh) * 2019-07-01 2019-10-08 西安电子科技大学 基于模型预测控制的电感耦合等离子体产生系统的整定方法
CN112748659A (zh) * 2019-10-30 2021-05-04 中国石油化工股份有限公司 存储器、非线性预测控制方法、装置和设备
CN112286043A (zh) * 2020-10-13 2021-01-29 国网浙江省电力有限公司电力科学研究院 基于被控对象阶跃响应特性数据的pid参数整定方法
CN113485094A (zh) * 2021-08-02 2021-10-08 中北大学 一种获取过程最优zn模型的方法及装置

Also Published As

Publication number Publication date
CN115291528A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
US10437942B2 (en) Kalman filter based capacity forecasting method, system and computer equipment
CN103389472B (zh) 一种基于nd-ar模型的锂离子电池循环寿命的预测方法
CN110147367B (zh) 一种温度缺失数据填补方法、系统及电子设备
CN110309872B (zh) 基于多参数的配电电缆健康状态评估方法、系统及介质
Cui et al. Estimating regional coal resource efficiency in China using three-stage DEA and bootstrap DEA models
CN111143981B (zh) 虚拟试验模型验证系统及方法
CN103902451A (zh) 一种智能电能表软件品质评价方法
CN112418921A (zh) 用电需量预测方法、装置、系统与计算机存储介质
CN114290960A (zh) 获取动力电池的电池健康度的方法、装置和车辆
Gilleland et al. Testing the tests: What are the impacts of incorrect assumptions when applying confidence intervals or hypothesis tests to compare competing forecasts?
CN103119453A (zh) 基于二次型的数字频率估计
CN113465734B (zh) 一种结构振动的实时估计方法
CN114290939B (zh) 直流充电桩电压误差补偿方法、系统、设备及可读存储介质
Patil et al. Using resampling techniques to compute confidence intervals for the harmonic mean of rate-based performance metrics
CN115469260A (zh) 一种基于Hausdorff的电流互感器异常识别方法、系统
CN109116183B (zh) 谐波模型参数辨识方法、装置、存储介质及电子设备
CN111027190A (zh) 一种用于设备模型数值相似度的评估方法及装置
CN108615054B (zh) 排水管网节点间相似性衡量的综合指标构建方法
CN115291528B (zh) 模型不确定性等级确定方法、装置、系统及存储介质
CN106462148A (zh) 抽样数据处理装置、抽样数据处理方法及计算机程序
CN113360983A (zh) 一种边坡可靠度分析与风险评估方法
RU75484U1 (ru) Устройство точечной оценки вероятности безотказной работы технической системы по полной выборке
Park et al. Diagnostic checks for integer-valued autoregressive models using expected residuals
CN114583767B (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
CN111259338A (zh) 元器件失效率修正方法、装置、计算机设备及存储介质

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