針對(duì)非線性或者非高斯系統(tǒng)辨識(shí)問(wèn)題,該文提出一種混合最小熵準(zhǔn)則和分布估計(jì)算法的參數(shù)辨識(shí)方法。該方法將最小誤差熵引入系統(tǒng)參數(shù)辨識(shí)的準(zhǔn)則函數(shù),解決了傳統(tǒng)辨識(shí)準(zhǔn)則大多針對(duì)高斯系統(tǒng),或者對(duì)先驗(yàn)知識(shí)的依賴無(wú)法得到滿足,或者不具有適應(yīng)性的問(wèn)題;在分布估計(jì)算法的迭代過(guò)程中,加入隨機(jī)個(gè)體作為新種群的一部分,增加了種群多樣性,避免早熟收斂。通過(guò)對(duì)標(biāo)準(zhǔn)測(cè)試函數(shù)的尋優(yōu)以及對(duì)benchmark經(jīng)典非線性系統(tǒng)無(wú)噪聲和不同噪聲情形下的辨識(shí),并與經(jīng)典算法和已發(fā)表較新算法進(jìn)行對(duì)比,結(jié)果表明了該算法的優(yōu)越性。最后,基于現(xiàn)場(chǎng)運(yùn)行歷史數(shù)據(jù),將該文算法應(yīng)用于火電廠協(xié)調(diào)系統(tǒng)傳遞函數(shù)的參數(shù)辨識(shí),顯示了該文算法對(duì)于熱工對(duì)象建模的適用性和有效性。 

【文章來(lái)源】：中國(guó)電機(jī)工程學(xué)報(bào). 2017,37(21)北大核心EICSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

機(jī)組運(yùn)行歷史數(shù)據(jù)

雋恐?淶拇??關(guān)系，即認(rèn)為系統(tǒng)初始時(shí)的穩(wěn)定狀態(tài)為“零初始狀態(tài)”。3.3模型建立基于現(xiàn)場(chǎng)運(yùn)行歷史數(shù)據(jù)，分別應(yīng)用MEE-EDA算法和MMSE-EDA算法對(duì)該熱工對(duì)象系統(tǒng)進(jìn)行辨識(shí)。兩種算法的最大迭代代數(shù)都設(shè)置為100，種群規(guī)模設(shè)置為50。MEE-EDA準(zhǔn)則函數(shù)選擇：2()log()log()dekkeJeVepzz(13)MMSE-EDA的準(zhǔn)則函數(shù)選擇：211()()dLkkidJeeiL(14)式中：Ld為數(shù)據(jù)長(zhǎng)度；ek為辨識(shí)模型輸出與實(shí)際測(cè)量數(shù)據(jù)之差；其PDFpe采用式(4)和(5)所示的KDE方法進(jìn)行估計(jì)。兩種算法的辨識(shí)結(jié)果曲線如圖4—6所示。由圖4—6可以看出，單從辨識(shí)輸出上來(lái)說(shuō)，兩種算法下模型的輸出與系統(tǒng)真實(shí)輸出吻合度都比較高。但是，從辨識(shí)誤差和誤差的PDF上來(lái)說(shuō)，與MMSE-EDA算法相比，MEE-EDA算法下辨識(shí)誤差收斂到0的概率更大，這一點(diǎn)在圖6兩種算法PTM/Pa12131415時(shí)刻03:0006:0009:0012:00NEM/W250350450圖4辨識(shí)模型與實(shí)際系統(tǒng)輸出對(duì)比Fig.4Outputcurvesoftheidentifiedmodelsandtherealsystem差誤e210010迭代次數(shù)04080100差誤e11010302060圖5誤差變化曲線Fig.5Variationsofidentificationerrorse1e1率密度函數(shù)概0.0400.20.40.6040e2e2率密度函數(shù)概0.020.51.02.504(a)MEE-EDA20.81.52.0e1e1率密度函數(shù)概0.0500.20.40.5050e2e2率密度函數(shù)概0.020.51.02.56(b)MMSE-EDA20.61.52.00.10.3圖6辨識(shí)誤差的初始和最終時(shí)刻PDFFig.6InitialandfinalPDFsofidentificationerrors的PDF曲線的對(duì)比上尤為明顯。迭代結(jié)束時(shí)，MEE-EDA算法在誤差為0處有一個(gè)又窄又尖的

種算法的辨識(shí)結(jié)果曲線如圖4—6所示。由圖4—6可以看出，單從辨識(shí)輸出上來(lái)說(shuō)，兩種算法下模型的輸出與系統(tǒng)真實(shí)輸出吻合度都比較高。但是，從辨識(shí)誤差和誤差的PDF上來(lái)說(shuō)，與MMSE-EDA算法相比，MEE-EDA算法下辨識(shí)誤差收斂到0的概率更大，這一點(diǎn)在圖6兩種算法PTM/Pa12131415時(shí)刻03:0006:0009:0012:00NEM/W250350450圖4辨識(shí)模型與實(shí)際系統(tǒng)輸出對(duì)比Fig.4Outputcurvesoftheidentifiedmodelsandtherealsystem差誤e210010迭代次數(shù)04080100差誤e11010302060圖5誤差變化曲線Fig.5Variationsofidentificationerrorse1e1率密度函數(shù)概0.0400.20.40.6040e2e2率密度函數(shù)概0.020.51.02.504(a)MEE-EDA20.81.52.0e1e1率密度函數(shù)概0.0500.20.40.5050e2e2率密度函數(shù)概0.020.51.02.56(b)MMSE-EDA20.61.52.00.10.3圖6辨識(shí)誤差的初始和最終時(shí)刻PDFFig.6InitialandfinalPDFsofidentificationerrors的PDF曲線的對(duì)比上尤為明顯。迭代結(jié)束時(shí)，MEE-EDA算法在誤差為0處有一個(gè)又窄又尖的PDF曲線，而MMSE-EDA算法在迭代結(jié)束時(shí)，PDF曲線的最尖處并非0，或者在誤差為0處有一個(gè)比較小的PDF。綜上，與MMSE-EDA算法相比，MEE-EDA算法的辨識(shí)效果更好。MEE-EDA算法所辨識(shí)的傳遞函數(shù)模型為222.471.85(467.251)(480.881)(121)0.0450.930.045(0.64)(457.371)121ssssssG(15)3.4模型驗(yàn)證為了驗(yàn)證所辨識(shí)模型的有效性，選取機(jī)組2015年5月18日00:00—12:00的歷史數(shù)據(jù)，用于模型驗(yàn)證，如圖7所示。模型驗(yàn)證結(jié)果如圖8所示。從結(jié)果可以看出所辨識(shí)的機(jī)組協(xié)調(diào)控制

【參考文獻(xiàn)】：
期刊論文
[1]基于對(duì)立搜索和混沌變異的磷蝦覓食優(yōu)化算法[J]. 王磊,張漢鵬,張東寧.  控制與決策. 2015(09)
[2]基于網(wǎng)格化拉馬克學(xué)習(xí)機(jī)制的差分進(jìn)化算法[J]. 王叢佼,王錫淮,肖健梅,吳華鋒.  控制與決策. 2015(06)
[3]基于分治策略的改進(jìn)人工蜂群算法[J]. 李田來(lái),劉方愛(ài),王新華.  控制與決策. 2015(02)
[4]基于大數(shù)據(jù)和雙量子粒子群算法的多變量系統(tǒng)辨識(shí)[J]. 韓璞,袁世通.  中國(guó)電機(jī)工程學(xué)報(bào). 2014(32)
[5]基于魯棒優(yōu)化的系統(tǒng)辨識(shí)算法研究[J]. 錢(qián)富才,黃姣茹,秦新強(qiáng).  自動(dòng)化學(xué)報(bào). 2014(05)
[6]基于信息熵與主成分分析的火電機(jī)組綜合評(píng)價(jià)方法[J]. 齊敏芳,付忠廣,景源,馬亞.  中國(guó)電機(jī)工程學(xué)報(bào). 2013(02)
[7]分布估計(jì)算法研究進(jìn)展[J]. 王圣堯,王凌,方晨,許燁.  控制與決策. 2012(07)
[8]求解混合流水車間調(diào)度問(wèn)題的分布估計(jì)算法[J]. 王圣堯,王凌,許燁,周剛.  自動(dòng)化學(xué)報(bào). 2012(03)
[9]一種求解多維背包問(wèn)題的混合分布估計(jì)算法[J]. 王凌,王圣堯,方晨.  控制與決策. 2011(08)
[10]基于現(xiàn)場(chǎng)數(shù)據(jù)熱工對(duì)象建模的可辨識(shí)性[J]. 張小桃,倪維斗,李政,鄭松.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2004(11)



本文編號(hào)：3506518