最小熵分布估计算法系统辨识及应用
发布时间:2021-11-20 03:56
针对非线性或者非高斯系统辨识问题,该文提出一种混合最小熵准则和分布估计算法的参数辨识方法。该方法将最小误差熵引入系统参数辨识的准则函数,解决了传统辨识准则大多针对高斯系统,或者对先验知识的依赖无法得到满足,或者不具有适应性的问题;在分布估计算法的迭代过程中,加入随机个体作为新种群的一部分,增加了种群多样性,避免早熟收敛。通过对标准测试函数的寻优以及对benchmark经典非线性系统无噪声和不同噪声情形下的辨识,并与经典算法和已发表较新算法进行对比,结果表明了该算法的优越性。最后,基于现场运行历史数据,将该文算法应用于火电厂协调系统传递函数的参数辨识,显示了该文算法对于热工对象建模的适用性和有效性。
【文章来源】:中国电机工程学报. 2017,37(21)北大核心EICSCD
【文章页数】:10 页
【部分图文】:
机组运行历史数据
隽恐?涞拇??关系,即认为系统初始时的稳定状态为“零初始状态”。3.3模型建立基于现场运行历史数据,分别应用MEE-EDA算法和MMSE-EDA算法对该热工对象系统进行辨识。两种算法的最大迭代代数都设置为100,种群规模设置为50。MEE-EDA准则函数选择:2()log()log()dekkeJeVepzz(13)MMSE-EDA的准则函数选择:211()()dLkkidJeeiL(14)式中:Ld为数据长度;ek为辨识模型输出与实际测量数据之差;其PDFpe采用式(4)和(5)所示的KDE方法进行估计。两种算法的辨识结果曲线如图4—6所示。由图4—6可以看出,单从辨识输出上来说,两种算法下模型的输出与系统真实输出吻合度都比较高。但是,从辨识误差和误差的PDF上来说,与MMSE-EDA算法相比,MEE-EDA算法下辨识误差收敛到0的概率更大,这一点在图6两种算法PTM/Pa12131415时刻03:0006:0009:0012:00NEM/W250350450图4辨识模型与实际系统输出对比Fig.4Outputcurvesoftheidentifiedmodelsandtherealsystem差误e210010迭代次数04080100差误e11010302060图5误差变化曲线Fig.5Variationsofidentificationerrorse1e1率密度函数概0.0400.20.40.6040e2e2率密度函数概0.020.51.02.504(a)MEE-EDA20.81.52.0e1e1率密度函数概0.0500.20.40.5050e2e2率密度函数概0.020.51.02.56(b)MMSE-EDA20.61.52.00.10.3图6辨识误差的初始和最终时刻PDFFig.6InitialandfinalPDFsofidentificationerrors的PDF曲线的对比上尤为明显。迭代结束时,MEE-EDA算法在误差为0处有一个又窄又尖的
种算法的辨识结果曲线如图4—6所示。由图4—6可以看出,单从辨识输出上来说,两种算法下模型的输出与系统真实输出吻合度都比较高。但是,从辨识误差和误差的PDF上来说,与MMSE-EDA算法相比,MEE-EDA算法下辨识误差收敛到0的概率更大,这一点在图6两种算法PTM/Pa12131415时刻03:0006:0009:0012:00NEM/W250350450图4辨识模型与实际系统输出对比Fig.4Outputcurvesoftheidentifiedmodelsandtherealsystem差误e210010迭代次数04080100差误e11010302060图5误差变化曲线Fig.5Variationsofidentificationerrorse1e1率密度函数概0.0400.20.40.6040e2e2率密度函数概0.020.51.02.504(a)MEE-EDA20.81.52.0e1e1率密度函数概0.0500.20.40.5050e2e2率密度函数概0.020.51.02.56(b)MMSE-EDA20.61.52.00.10.3图6辨识误差的初始和最终时刻PDFFig.6InitialandfinalPDFsofidentificationerrors的PDF曲线的对比上尤为明显。迭代结束时,MEE-EDA算法在误差为0处有一个又窄又尖的PDF曲线,而MMSE-EDA算法在迭代结束时,PDF曲线的最尖处并非0,或者在误差为0处有一个比较小的PDF。综上,与MMSE-EDA算法相比,MEE-EDA算法的辨识效果更好。MEE-EDA算法所辨识的传递函数模型为222.471.85(467.251)(480.881)(121)0.0450.930.045(0.64)(457.371)121ssssssG(15)3.4模型验证为了验证所辨识模型的有效性,选取机组2015年5月18日00:00—12:00的历史数据,用于模型验证,如图7所示。模型验证结果如图8所示。从结果可以看出所辨识的机组协调控制
【参考文献】:
期刊论文
[1]基于对立搜索和混沌变异的磷虾觅食优化算法[J]. 王磊,张汉鹏,张东宁. 控制与决策. 2015(09)
[2]基于网格化拉马克学习机制的差分进化算法[J]. 王丛佼,王锡淮,肖健梅,吴华锋. 控制与决策. 2015(06)
[3]基于分治策略的改进人工蜂群算法[J]. 李田来,刘方爱,王新华. 控制与决策. 2015(02)
[4]基于大数据和双量子粒子群算法的多变量系统辨识[J]. 韩璞,袁世通. 中国电机工程学报. 2014(32)
[5]基于鲁棒优化的系统辨识算法研究[J]. 钱富才,黄姣茹,秦新强. 自动化学报. 2014(05)
[6]基于信息熵与主成分分析的火电机组综合评价方法[J]. 齐敏芳,付忠广,景源,马亚. 中国电机工程学报. 2013(02)
[7]分布估计算法研究进展[J]. 王圣尧,王凌,方晨,许烨. 控制与决策. 2012(07)
[8]求解混合流水车间调度问题的分布估计算法[J]. 王圣尧,王凌,许烨,周刚. 自动化学报. 2012(03)
[9]一种求解多维背包问题的混合分布估计算法[J]. 王凌,王圣尧,方晨. 控制与决策. 2011(08)
[10]基于现场数据热工对象建模的可辨识性[J]. 张小桃,倪维斗,李政,郑松. 清华大学学报(自然科学版). 2004(11)
本文编号:3506518
【文章来源】:中国电机工程学报. 2017,37(21)北大核心EICSCD
【文章页数】:10 页
【部分图文】:
机组运行历史数据
隽恐?涞拇??关系,即认为系统初始时的稳定状态为“零初始状态”。3.3模型建立基于现场运行历史数据,分别应用MEE-EDA算法和MMSE-EDA算法对该热工对象系统进行辨识。两种算法的最大迭代代数都设置为100,种群规模设置为50。MEE-EDA准则函数选择:2()log()log()dekkeJeVepzz(13)MMSE-EDA的准则函数选择:211()()dLkkidJeeiL(14)式中:Ld为数据长度;ek为辨识模型输出与实际测量数据之差;其PDFpe采用式(4)和(5)所示的KDE方法进行估计。两种算法的辨识结果曲线如图4—6所示。由图4—6可以看出,单从辨识输出上来说,两种算法下模型的输出与系统真实输出吻合度都比较高。但是,从辨识误差和误差的PDF上来说,与MMSE-EDA算法相比,MEE-EDA算法下辨识误差收敛到0的概率更大,这一点在图6两种算法PTM/Pa12131415时刻03:0006:0009:0012:00NEM/W250350450图4辨识模型与实际系统输出对比Fig.4Outputcurvesoftheidentifiedmodelsandtherealsystem差误e210010迭代次数04080100差误e11010302060图5误差变化曲线Fig.5Variationsofidentificationerrorse1e1率密度函数概0.0400.20.40.6040e2e2率密度函数概0.020.51.02.504(a)MEE-EDA20.81.52.0e1e1率密度函数概0.0500.20.40.5050e2e2率密度函数概0.020.51.02.56(b)MMSE-EDA20.61.52.00.10.3图6辨识误差的初始和最终时刻PDFFig.6InitialandfinalPDFsofidentificationerrors的PDF曲线的对比上尤为明显。迭代结束时,MEE-EDA算法在误差为0处有一个又窄又尖的
种算法的辨识结果曲线如图4—6所示。由图4—6可以看出,单从辨识输出上来说,两种算法下模型的输出与系统真实输出吻合度都比较高。但是,从辨识误差和误差的PDF上来说,与MMSE-EDA算法相比,MEE-EDA算法下辨识误差收敛到0的概率更大,这一点在图6两种算法PTM/Pa12131415时刻03:0006:0009:0012:00NEM/W250350450图4辨识模型与实际系统输出对比Fig.4Outputcurvesoftheidentifiedmodelsandtherealsystem差误e210010迭代次数04080100差误e11010302060图5误差变化曲线Fig.5Variationsofidentificationerrorse1e1率密度函数概0.0400.20.40.6040e2e2率密度函数概0.020.51.02.504(a)MEE-EDA20.81.52.0e1e1率密度函数概0.0500.20.40.5050e2e2率密度函数概0.020.51.02.56(b)MMSE-EDA20.61.52.00.10.3图6辨识误差的初始和最终时刻PDFFig.6InitialandfinalPDFsofidentificationerrors的PDF曲线的对比上尤为明显。迭代结束时,MEE-EDA算法在误差为0处有一个又窄又尖的PDF曲线,而MMSE-EDA算法在迭代结束时,PDF曲线的最尖处并非0,或者在误差为0处有一个比较小的PDF。综上,与MMSE-EDA算法相比,MEE-EDA算法的辨识效果更好。MEE-EDA算法所辨识的传递函数模型为222.471.85(467.251)(480.881)(121)0.0450.930.045(0.64)(457.371)121ssssssG(15)3.4模型验证为了验证所辨识模型的有效性,选取机组2015年5月18日00:00—12:00的历史数据,用于模型验证,如图7所示。模型验证结果如图8所示。从结果可以看出所辨识的机组协调控制
【参考文献】:
期刊论文
[1]基于对立搜索和混沌变异的磷虾觅食优化算法[J]. 王磊,张汉鹏,张东宁. 控制与决策. 2015(09)
[2]基于网格化拉马克学习机制的差分进化算法[J]. 王丛佼,王锡淮,肖健梅,吴华锋. 控制与决策. 2015(06)
[3]基于分治策略的改进人工蜂群算法[J]. 李田来,刘方爱,王新华. 控制与决策. 2015(02)
[4]基于大数据和双量子粒子群算法的多变量系统辨识[J]. 韩璞,袁世通. 中国电机工程学报. 2014(32)
[5]基于鲁棒优化的系统辨识算法研究[J]. 钱富才,黄姣茹,秦新强. 自动化学报. 2014(05)
[6]基于信息熵与主成分分析的火电机组综合评价方法[J]. 齐敏芳,付忠广,景源,马亚. 中国电机工程学报. 2013(02)
[7]分布估计算法研究进展[J]. 王圣尧,王凌,方晨,许烨. 控制与决策. 2012(07)
[8]求解混合流水车间调度问题的分布估计算法[J]. 王圣尧,王凌,许烨,周刚. 自动化学报. 2012(03)
[9]一种求解多维背包问题的混合分布估计算法[J]. 王凌,王圣尧,方晨. 控制与决策. 2011(08)
[10]基于现场数据热工对象建模的可辨识性[J]. 张小桃,倪维斗,李政,郑松. 清华大学学报(自然科学版). 2004(11)
本文编号:3506518
本文链接:https://www.wllwen.com/projectlw/xtxlw/3506518.html