引入個體位置變異的方法對標準粒子群算法進行了改進,并將其應用于火電廠主蒸汽壓力系統(tǒng),進行傳遞函數(shù)的參數(shù)辨識。改進后的算法豐富了種群的多樣性,提高了搜索的速度。將改進后的基于個體位置變異的粒子群算法和標準粒子群算法進行辨識對比實驗,結果表明,改進后的算法能有效降低辨識誤差,同時明顯縮減運行時間。 

【文章來源】：儀器儀表用戶. 2019,26(09)

【文章頁數(shù)】：4 頁

【部分圖文】：

變異率曲線Fig.1Mutationratecurve

鄒媛青·基于個體位置變異粒子群算法的主蒸汽壓力系統(tǒng)參數(shù)辨識第9期552基于個體位置變異的粒子群算法應用于主蒸汽壓力系統(tǒng)傳遞函數(shù)辨識2.1主蒸汽壓力系統(tǒng)的傳遞函數(shù)模型現(xiàn)有某超超臨界燃煤機組的燃料量——主蒸汽壓力數(shù)據(jù)序列[5]，記原始數(shù)據(jù)的輸入輸出序列分別為u、y，原始數(shù)據(jù)顯示如圖2所示。根據(jù)經(jīng)驗，超超臨界機組的燃料量——主蒸汽壓力的關系可用高階等容帶純遲延模型表示[5]。故假設待辨識的傳遞函數(shù)為：（8）2.2目標函數(shù)設辨識得到的輸出序列為y1，考慮到原始輸出序列y的數(shù)值很小，為便于評價辨識精度，將目標函數(shù)設置為辨識誤差平方的累積值乘以一個較大的常數(shù)值。本次辨識的目標函數(shù)設置如下：（9）式（9）中，Tmax表示程序結束運行的時間。2.3參數(shù)設置本文的辨識實驗，對照算法是標準粒子群算法（PSO），驗證的算法是本文新提出的基于個體位置變異的粒子群算法（MPSO2）。兩種算法的參數(shù)設置如下：粒子種群中粒子數(shù)目為100；算法運行最大迭代次數(shù)N=100；變異率計算公式（7）中，取最大變異率Pm,max=0.6，最小變異率Pm,min=0.3，常數(shù)M=1000；慣性權重ω=0.729；個體學習因子取c1=1.49445，種群學習因子取c2=1.49445；最小適應度值取MinFit=3.15×10-5；數(shù)據(jù)采樣時間取Ts=10s；待辨識參數(shù)共4個，分別是K、T、n、τ；參數(shù)K的范圍為[0.01,0.1]，其速度范圍為[-0.0001,0.0001]；參數(shù)T的范圍為[50,150]，其速度范圍為[-5,5]；參數(shù)n的范圍為[2,4]，其速度范圍為[-1,1]；參數(shù)τ的范圍為[20,80]，其速度范圍為[-4,4]。2.4辨識結果考慮到兩種算法均含有隨機操作，每次的結果會有差異，將兩種算法各運行10次，把辨識結果分別列于表1和表2中，表格中，Q表示辨識的目標值，time表示程序的運行時間。對比表1和表2可?

【參考文獻】：
期刊論文
[1]基于個體位置變異的粒子群算法[J]. 鄭俊觀,王碩禾,齊賽賽,張煥東,張立園.  石家莊鐵道大學學報(自然科學版). 2019(01)
[2]基于變異策略的粒子群算法[J]. 高立群,吳沛鋒,鄒德旋.  東北大學學報(自然科學版). 2010(11)



本文編號：3385772