欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019104664038
申请人: 重庆智小智知识产权运营有限公司
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种锅炉床温系统时延非线性模型改进粒子群参数辨识方法,其特征在于:包括如下步骤:步骤1)构建出一个锅炉床温系统Hammerstein‑Wiener时延非线性模型,并获得锅炉床温系统Hammerstein‑Wiener时延非线性辨识模型;

所述步骤1)包括如下步骤:

(1‑1)构建一个锅炉床温系统Hammerstein‑Wiener时延非线性模型的结构;

(1‑2)根据此模型,构建出锅炉床温系统Hammerstein‑Wiener时延非线性模型表达式如下:x(t)=f[u(t)]                                   (1)‑1

y(t)=h [m(t)]                                  (4)上述公式中各符号的含义:u(t)是模型输入信号,y(t)模型输出信号,v(t)是一个均值2

为0、方差为σ且满足高斯分布的白噪声,中间变量x(t),m(t)和w(t)是中间不可测量的信‑1 ‑1 ‑1号,τ是Hammerstein‑Wiener系统的时间延迟;z 是单位延迟符号:z y(t)=y(t‑1),A(z )‑1和B(z )是常数多项式,具有以下定义:其中,多项式因子ai和bj是待估计的参数,分母的阶数na和分子的阶数nb是已知的;由于模型中的输入非线性f[u(t)]和输出非线性h[y(t)]可以用已知非线性基函数的线性组合来描述,因此可以使用以下多项式函数来近似f[u(t)]和h[y(t)]:其中,cl和ds是需要辨识的未知系数,而多项式函数的阶数nc和nd是已知的;

(1‑3)为了保证参数的唯一性,令非线性分量的第一模数c1=1和d1=1,构建锅炉床温系统的Hammerstein‑Wiener时延非线性模型的输出h1[y(t)]如下:(1‑4)得到锅炉床温系统的Hammerstein‑Wiener时延非线性模型的辨识模型:上述公式中, 为系统的信息向量,表示为: 其中, 分别定义为

θ为系统的参数向量,表示为:

其中,θad,θbc,θd分别定义为步骤2)构建出改进粒子群方法——线性递减惯性权重粒子群辨识方法流程(2‑1)初始化粒子群方法:用随机位置和随机速度初始化N个粒子N≥2,每个粒子包含nand+nbnc+nd个变量,为因子ωmax,ωmin和M及系数α1,β1,α2,β2选择合适的参数值;其中,N为粒子个数,ω为惯性权重,ωmax和ωmin为惯性权重的最大值和最小值,M为最大迭代次数,α1是认知加速系数,α2是社会加速系数,β1和β2是位于区间[0,1]的随机数;

(2‑2)收集锅炉床温系统的给煤量输入数据和床温输出数据{u(t),y(t)},然后构造Y(l)如下式(11):T

Y(l)=[h1[y(l)],h1[y(l‑1)],…,h1[y(1)]]         (11)其中,l为数据长度,Y(l)输出堆积向量;

1 1

(2‑3)设迭代变量k=1,为每个粒子设置初始位置Xi和初始速度Vi;

1 1

(2‑4)初始个体最优位置Pi即Xi , 为参数向量 的个体最优解, 为时间延迟 的个体最优值; 为信息堆积向量 的个体最优,通过式(12)计算初始群体最优1

位置Pg:

k k+1

(2‑5)通过式(13)计算惯性权重ω ,k为迭代变量;Vi 作为第k+1次迭代粒子的速度;

k

Xi作为第k次迭代粒子的位置,也是第k次迭代θ的估计值;ω 为第k次迭代惯性权重的当前值;ωmax和ωmin为惯性权重的最大值和最小值,M为最大迭代次数,α1是认知加速系数,α2是k+1社会加速系数,β1和β2是位于区间[0,1]的随机数,然后根据式(14)更新粒子的速度Vi :k+1 k k k k k k

Vi =ωVi+α1β1(Pi‑Xi)+α2β2(Pg‑Xi)         (14)k+1

(2‑6)根据式(15)更新粒子的位置Xi :k+1 k k+1

Xi =Xi+Vi             (15)k+1

(2‑7)通过式(16)将 和 从Xi 中分离,根据式(17)计算信息向量 再通过式(18)构建信息堆积向量

其中, 为参数向量θ在第k+1次迭代的估计值, 为时间延迟τ在第k+1次迭代的估计值, 为信息向量 在第k+1次迭代的估计值, 为信息堆积向量Φ(l)在第k+1次迭代的估计值;

(2‑8)分别通过式(19)和式(20)计算参数向量 和信息向量 然后通过式(21)构建信息堆积向量

其中,定义 为参数向量 的个体最优解, 为时间延迟 的个体最优值,为信息向量 的个体最优, 为信息堆积向量 的个体最优;

k+1

(2‑9)对于每个粒子,根据式(22)计算第k+1次迭代粒子的个体最优位置Pi :k+1

(2‑10)通过式(23)将 和 从Pi 中分离,根据式(24)计算信息向量通过式(25)构建信息堆积向量

k+1

(2‑11)对于所有粒子,根据式(26)计算在第k+1次迭代粒子群的群体最优位置Pg :k+1

(2‑12)通过式(27),(28),(29),(30)和(31)从群体最优位置Pg 分离提取出参数向量的估计值 和时延的估计值其中,q代表参数顺序, 分别为参数向量a,b,c,d的估计值,为时间延迟τ的估计值;

(2‑13)将迭代变量k增加1并返回到步骤(2‑5),当k达到最大迭代次数M时,终止迭代并获得参数向量 和时间延迟