基于个体位置变异粒子群算法的主蒸汽压力系统参数辨识

发布时间：2021-09-05 17:24

　　引入个体位置变异的方法对标准粒子群算法进行了改进,并将其应用于火电厂主蒸汽压力系统,进行传递函数的参数辨识。改进后的算法丰富了种群的多样性,提高了搜索的速度。将改进后的基于个体位置变异的粒子群算法和标准粒子群算法进行辨识对比实验,结果表明,改进后的算法能有效降低辨识误差,同时明显缩减运行时间。 

【文章来源】：仪器仪表用户. 2019,26(09)

【文章页数】：4 页

【部分图文】：

变异率曲线Fig.1Mutationratecurve

邹媛青·基于个体位置变异粒子群算法的主蒸汽压力系统参数辨识第9期552基于个体位置变异的粒子群算法应用于主蒸汽压力系统传递函数辨识2.1主蒸汽压力系统的传递函数模型现有某超超临界燃煤机组的燃料量——主蒸汽压力数据序列[5]，记原始数据的输入输出序列分别为u、y，原始数据显示如图2所示。根据经验，超超临界机组的燃料量——主蒸汽压力的关系可用高阶等容带纯迟延模型表示[5]。故假设待辨识的传递函数为：（8）2.2目标函数设辨识得到的输出序列为y1，考虑到原始输出序列y的数值很小，为便于评价辨识精度，将目标函数设置为辨识误差平方的累积值乘以一个较大的常数值。本次辨识的目标函数设置如下：（9）式（9）中，Tmax表示程序结束运行的时间。2.3参数设置本文的辨识实验，对照算法是标准粒子群算法（PSO），验证的算法是本文新提出的基于个体位置变异的粒子群算法（MPSO2）。两种算法的参数设置如下：粒子种群中粒子数目为100；算法运行最大迭代次数N=100；变异率计算公式（7）中，取最大变异率Pm,max=0.6，最小变异率Pm,min=0.3，常数M=1000；惯性权重ω=0.729；个体学习因子取c1=1.49445，种群学习因子取c2=1.49445；最小适应度值取MinFit=3.15×10-5；数据采样时间取Ts=10s；待辨识参数共4个，分别是K、T、n、τ；参数K的范围为[0.01,0.1]，其速度范围为[-0.0001,0.0001]；参数T的范围为[50,150]，其速度范围为[-5,5]；参数n的范围为[2,4]，其速度范围为[-1,1]；参数τ的范围为[20,80]，其速度范围为[-4,4]。2.4辨识结果考虑到两种算法均含有随机操作，每次的结果会有差异，将两种算法各运行10次，把辨识结果分别列于表1和表2中，表格中，Q表示辨识的目标值，time表示程序的运行时间。对比表1和表2可?

【参考文献】：
期刊论文
[1]基于个体位置变异的粒子群算法[J]. 郑俊观,王硕禾,齐赛赛,张焕东,张立园.  石家庄铁道大学学报(自然科学版). 2019(01)
[2]基于变异策略的粒子群算法[J]. 高立群,吴沛锋,邹德旋.  东北大学学报(自然科学版). 2010(11)



本文编号：3385772