本文關(guān)鍵詞：非線性系統(tǒng)的濾波辨識方法及其應(yīng)用研究

  更多相關(guān)文章： 非線性系統(tǒng) 濾波辨識 遞階分解 近似無偏最小二乘 風(fēng)電功率預(yù)測

【摘要】：非線性系統(tǒng)在能源、電力、電子通信和工業(yè)制造等實(shí)際工程領(lǐng)域中廣泛存在.因此,當(dāng)前越來越多的學(xué)者在持續(xù)關(guān)注非線性系統(tǒng)的參數(shù)辨識問題.本文針對Hammerstein,Wiener和Hammerstein-Wiener Errors-in-Variables等非線性系統(tǒng),基于濾波辨識原理,提出了遞推最小二乘、隨機(jī)梯度、迭代最小二乘、近似無偏兩階段估計(jì)等辨識算法,并通過數(shù)值仿真示例及算法在風(fēng)力發(fā)電領(lǐng)域的實(shí)際應(yīng)用示例,分別在理論上和實(shí)際領(lǐng)域驗(yàn)證了算法的有效性,體現(xiàn)本文對豐富和發(fā)展辨識算法的理論意義和應(yīng)用價(jià)值.論文的工作主要包括以下幾個(gè)方面:1.針對單入單出Hammerstein有限脈沖響應(yīng)滑動(dòng)平均系統(tǒng),提出了基于濾波的遞推最小二乘辨識算法,提高了辨識精度.同時(shí),為了減小算法的計(jì)算量,將系統(tǒng)分解為若干個(gè)子系統(tǒng),提出了基于濾波的遞階分解最小二乘辨識算法,其計(jì)算量比遞推最小二乘辨識算法小很多.2.針對單入單出Hammerstein有限脈沖響應(yīng)滑動(dòng)平均系統(tǒng),結(jié)合濾波思想和迭代方法,分別提出了基于濾波的梯度迭代算法和最小二乘迭代算法.同時(shí)將傳統(tǒng)的單新息向量推廣到多新息矩陣,提出了基于濾波的多新息隨機(jī)梯度算法,給出的數(shù)值仿真驗(yàn)證了算法的有效性.3.針對單入單出Wiener有限脈沖響應(yīng)滑動(dòng)平均的反饋系統(tǒng),構(gòu)建系統(tǒng)的辨識模型,通過濾波方法進(jìn)行模型重建,隨后采用遞階分解的方法將反饋系統(tǒng)分解為兩個(gè)子系統(tǒng),提出了針對反饋非線性系統(tǒng)的基于濾波的遞推最小二乘辨識算法.4.針對多入多出Hammerstein有限脈沖響應(yīng)滑動(dòng)平均系統(tǒng),引入Kronecker乘積對模型參數(shù)進(jìn)行重構(gòu),將原本復(fù)雜的多維系統(tǒng)變得容易建模,同時(shí)引入濾波辨識的思想,分別提出了基于濾波的遞推最小二乘算法和基于濾波的隨機(jī)梯度算法.5.針對Hammerstein-Wiener Errors-in-Variables系統(tǒng),采用兩階段最小二乘方法,引入奇異值分解提取耦合參數(shù)項(xiàng)中的待測參數(shù),避免了參數(shù)冗余.隨后在系統(tǒng)測量誤偏性質(zhì)的證明.6.將濾波辨識算法應(yīng)用于風(fēng)速預(yù)測和風(fēng)電功率預(yù)測等實(shí)際工程領(lǐng)域.首先結(jié)合迭代辨識思想,在灰色模型基礎(chǔ)上提出一類風(fēng)速短期預(yù)測算法.隨后,根據(jù)風(fēng)速的短期預(yù)測結(jié)果,結(jié)合濾波辨識方法針對非線性的風(fēng)電功率特性曲線進(jìn)行建模,將算法用于短期功率預(yù)測,體現(xiàn)出濾波辨識在工程領(lǐng)域的應(yīng)用價(jià)值.綜上所述,本文主要針對以Hammerstein、Wiener、Hammerstein-Wiener Errors-inVariables模型為代表的非線性系統(tǒng),研究了基于濾波的辨識算法,同時(shí)通過仿真示例和工程運(yùn)用示例,分別在理論上和實(shí)際應(yīng)用中驗(yàn)證了提出的辨識算法的有效性和實(shí)用性.
【關(guān)鍵詞】：非線性系統(tǒng) 濾波辨識 遞階分解 近似無偏最小二乘 風(fēng)電功率預(yù)測
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：O231.2
【目錄】：

• 摘要3-4
• Abstract4-9
• 第一章 緒論9-19
• 1.1 研究背景與研究意義9-10
• 1.2 非線性系統(tǒng)濾波辨識理論的研究現(xiàn)狀10-17
• 1.3 論文的研究內(nèi)容概述和組織結(jié)構(gòu)17-19
• 第二章 單入單出Hammerstein系統(tǒng)基于濾波的最小二乘辨識方法19-40
• 2.1 引言19
• 2.2 含當(dāng)前狀態(tài)的Hammerstein系統(tǒng)19-29
• 2.2.1 系統(tǒng)描述19-21
• 2.2.2 遞推最小二乘辨識算法21-23
• 2.2.3 基于濾波的遞推最小二乘辨識算法23-27
• 2.2.4 仿真示例27-29
• 2.3 不含當(dāng)前狀態(tài)的Hammerstein系統(tǒng)29-37
• 2.3.1 系統(tǒng)描述29-30
• 2.3.2 遞推最小二乘辨識算法30-31
• 2.3.3 基于濾波的遞階-遞推最小二乘辨識算法31-35
• 2.3.4 仿真示例35-37
• 2.4 本章小結(jié)37-40
• 第三章 單入單出Hammerstein系統(tǒng)基于濾波的梯度辨識方法40-56
• 3.1 引言40
• 3.2 Hammerstein系統(tǒng)的離線梯度辨識算法40-49
• 3.2.1 系統(tǒng)描述40-42
• 3.2.2 基于濾波的梯度迭代辨識算法42-46
• 3.2.3 基于濾波的最小二乘迭代辨識算法46-47
• 3.2.4 仿真示例47-49
• 3.3 Hammerstein系統(tǒng)的在線梯度辨識算法49-54
• 3.3.1 增廣隨機(jī)梯度辨識算法49-50
• 3.3.2 基于濾波的多新息隨機(jī)梯度辨識算法50-53
• 3.3.3 仿真示例53-54
• 3.4 本章小結(jié)54-56
• 第四章 單入單出Wiener反饋系統(tǒng)基于濾波的辨識方法56-66
• 4.1 引言56
• 4.2 基于濾波的最小二乘辨識算法56-64
• 4.2.1 系統(tǒng)描述56-57
• 4.2.2 算法推導(dǎo)57-62
• 4.2.3 仿真示例62-64
• 4.3 本章小結(jié)64-66
• 第五章 多入多出Hammerstein系統(tǒng)基于濾波的辨識方法66-89
• 5.1 引言66
• 5.2 最小二乘類辨識算法66-78
• 5.2.1 系統(tǒng)描述66-67
• 5.2.2 遞推最小二乘辨識算法67-70
• 5.2.3 基于濾波的遞推最小二乘辨識算法70-74
• 5.2.4 仿真示例74-78
• 5.3 梯度類辨識算法78-88
• 5.3.1 系統(tǒng)描述78-80
• 5.3.2 隨機(jī)梯度辨識算法80-81
• 5.3.3 基于濾波的隨機(jī)梯度辨識算法81-85
• 5.3.4 仿真示例85-88
• 5.4 本章小結(jié)88-89
• 第六章 Hammerstein-Wiener EIV系統(tǒng)近似無偏最小二乘辨識方法89-96
• 6.1 引言89
• 6.2 兩階段最小二乘辨識算法89-91
• 6.2.1 系統(tǒng)描述89-91
• 6.2.2 算法推導(dǎo)91
• 6.3 近似無偏兩階段辨識算法91-94
• 6.3.1 算法推導(dǎo)91-93
• 6.3.2 算法的無偏估計(jì)性能分析93
• 6.3.3 仿真示例93-94
• 6.4 本章小結(jié)94-96
• 第七章 濾波辨識算法在新能源領(lǐng)域的應(yīng)用96-109
• 7.1 引言96
• 7.2 風(fēng)速的短期預(yù)測96-101
• 7.2.1 灰色Verhulst-迭代預(yù)測方法96-99
• 7.2.2 仿真示例99-101
• 7.3 風(fēng)電功率的短期預(yù)測101-108
• 7.3.1 最小二乘迭代辨識算法103
• 7.3.2 基于濾波的最小二乘迭代辨識算法103-104
• 7.3.3 仿真示例104-108
• 7.4 本章小結(jié)108-109
• 第八章 結(jié)論與展望109-111
• 8.1 結(jié)論109
• 8.2 展望109-111
• 致謝111-112
• 參考文獻(xiàn)112-121
• 附錄：作者在攻讀博士學(xué)位期間發(fā)表的論文121-122

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 郝正航;余貽鑫;;雙饋風(fēng)電機(jī)組機(jī)電耦合與軸系穩(wěn)定的分析與辨識[J];電工技術(shù)學(xué)報(bào);2011年03期

2 張仰飛;袁越;陳小虎;胡建;吳博文;;風(fēng)力機(jī)參數(shù)的可辨識分析[J];電力系統(tǒng)自動(dòng)化;2009年06期

3 陸秀令;張振飛;胡紅艷;雷軍;;基于自適應(yīng)FIR預(yù)測濾波器的諧波檢測[J];高電壓技術(shù);2008年07期

4 張峰;張旭;梁軍;張利;王洪濤;;基于可變遞進(jìn)步長及期望輸出的儲(chǔ)能系統(tǒng)優(yōu)化控制策略[J];電力系統(tǒng)自動(dòng)化;2014年15期

5 李俊芳;張步涵;謝光龍;李妍;毛承雄;;基于灰色模型的風(fēng)速-風(fēng)電功率預(yù)測研究[J];電力系統(tǒng)保護(hù)與控制;2010年19期

6 伍維根,張家樹,古天祥;基于非線性自適應(yīng)IIR濾波器的混沌時(shí)間序列辨識方法[J];控制理論與應(yīng)用;2001年05期

7 胡士強(qiáng),敬忠良;粒子濾波算法綜述[J];控制與決策;2005年04期

8 呂娜;馮祖仁;;非線性交互粒子濾波算法[J];控制與決策;2007年04期

9 丁鋒;劉小平;;多變量輸出誤差系統(tǒng)的輔助模型隨機(jī)梯度辨識算法(英文)[J];自動(dòng)化學(xué)報(bào);2010年07期

10 張偉麗;江春華;郝宗波;;基于改進(jìn)的均值漂移和卡爾曼濾波的目標(biāo)跟蹤算法[J];計(jì)算機(jī)應(yīng)用與軟件;2014年05期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 孟凡青;基于多源信息融合技術(shù)的電網(wǎng)特征信號檢測研究[D];上海交通大學(xué);2010年

，

本文編號：563434