非线性系统的滤波辨识方法及其应用研究

发布时间：2017-07-19 15:03

  本文关键词：非线性系统的滤波辨识方法及其应用研究

  更多相关文章： 非线性系统 滤波辨识 递阶分解 近似无偏最小二乘 风电功率预测

【摘要】：非线性系统在能源、电力、电子通信和工业制造等实际工程领域中广泛存在.因此,当前越来越多的学者在持续关注非线性系统的参数辨识问题.本文针对Hammerstein,Wiener和Hammerstein-Wiener Errors-in-Variables等非线性系统,基于滤波辨识原理,提出了递推最小二乘、随机梯度、迭代最小二乘、近似无偏两阶段估计等辨识算法,并通过数值仿真示例及算法在风力发电领域的实际应用示例,分别在理论上和实际领域验证了算法的有效性,体现本文对丰富和发展辨识算法的理论意义和应用价值.论文的工作主要包括以下几个方面:1.针对单入单出Hammerstein有限脉冲响应滑动平均系统,提出了基于滤波的递推最小二乘辨识算法,提高了辨识精度.同时,为了减小算法的计算量,将系统分解为若干个子系统,提出了基于滤波的递阶分解最小二乘辨识算法,其计算量比递推最小二乘辨识算法小很多.2.针对单入单出Hammerstein有限脉冲响应滑动平均系统,结合滤波思想和迭代方法,分别提出了基于滤波的梯度迭代算法和最小二乘迭代算法.同时将传统的单新息向量推广到多新息矩阵,提出了基于滤波的多新息随机梯度算法,给出的数值仿真验证了算法的有效性.3.针对单入单出Wiener有限脉冲响应滑动平均的反馈系统,构建系统的辨识模型,通过滤波方法进行模型重建,随后采用递阶分解的方法将反馈系统分解为两个子系统,提出了针对反馈非线性系统的基于滤波的递推最小二乘辨识算法.4.针对多入多出Hammerstein有限脉冲响应滑动平均系统,引入Kronecker乘积对模型参数进行重构,将原本复杂的多维系统变得容易建模,同时引入滤波辨识的思想,分别提出了基于滤波的递推最小二乘算法和基于滤波的随机梯度算法.5.针对Hammerstein-Wiener Errors-in-Variables系统,采用两阶段最小二乘方法,引入奇异值分解提取耦合参数项中的待测参数,避免了参数冗余.随后在系统测量误偏性质的证明.6.将滤波辨识算法应用于风速预测和风电功率预测等实际工程领域.首先结合迭代辨识思想,在灰色模型基础上提出一类风速短期预测算法.随后,根据风速的短期预测结果,结合滤波辨识方法针对非线性的风电功率特性曲线进行建模,将算法用于短期功率预测,体现出滤波辨识在工程领域的应用价值.综上所述,本文主要针对以Hammerstein、Wiener、Hammerstein-Wiener Errors-inVariables模型为代表的非线性系统,研究了基于滤波的辨识算法,同时通过仿真示例和工程运用示例,分别在理论上和实际应用中验证了提出的辨识算法的有效性和实用性.
【关键词】：非线性系统 滤波辨识 递阶分解 近似无偏最小二乘 风电功率预测
【学位授予单位】：江南大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：O231.2
【目录】：

• 摘要3-4
• Abstract4-9
• 第一章 绪论9-19
• 1.1 研究背景与研究意义9-10
• 1.2 非线性系统滤波辨识理论的研究现状10-17
• 1.3 论文的研究内容概述和组织结构17-19
• 第二章 单入单出Hammerstein系统基于滤波的最小二乘辨识方法19-40
• 2.1 引言19
• 2.2 含当前状态的Hammerstein系统19-29
• 2.2.1 系统描述19-21
• 2.2.2 递推最小二乘辨识算法21-23
• 2.2.3 基于滤波的递推最小二乘辨识算法23-27
• 2.2.4 仿真示例27-29
• 2.3 不含当前状态的Hammerstein系统29-37
• 2.3.1 系统描述29-30
• 2.3.2 递推最小二乘辨识算法30-31
• 2.3.3 基于滤波的递阶-递推最小二乘辨识算法31-35
• 2.3.4 仿真示例35-37
• 2.4 本章小结37-40
• 第三章 单入单出Hammerstein系统基于滤波的梯度辨识方法40-56
• 3.1 引言40
• 3.2 Hammerstein系统的离线梯度辨识算法40-49
• 3.2.1 系统描述40-42
• 3.2.2 基于滤波的梯度迭代辨识算法42-46
• 3.2.3 基于滤波的最小二乘迭代辨识算法46-47
• 3.2.4 仿真示例47-49
• 3.3 Hammerstein系统的在线梯度辨识算法49-54
• 3.3.1 增广随机梯度辨识算法49-50
• 3.3.2 基于滤波的多新息随机梯度辨识算法50-53
• 3.3.3 仿真示例53-54
• 3.4 本章小结54-56
• 第四章 单入单出Wiener反馈系统基于滤波的辨识方法56-66
• 4.1 引言56
• 4.2 基于滤波的最小二乘辨识算法56-64
• 4.2.1 系统描述56-57
• 4.2.2 算法推导57-62
• 4.2.3 仿真示例62-64
• 4.3 本章小结64-66
• 第五章 多入多出Hammerstein系统基于滤波的辨识方法66-89
• 5.1 引言66
• 5.2 最小二乘类辨识算法66-78
• 5.2.1 系统描述66-67
• 5.2.2 递推最小二乘辨识算法67-70
• 5.2.3 基于滤波的递推最小二乘辨识算法70-74
• 5.2.4 仿真示例74-78
• 5.3 梯度类辨识算法78-88
• 5.3.1 系统描述78-80
• 5.3.2 随机梯度辨识算法80-81
• 5.3.3 基于滤波的随机梯度辨识算法81-85
• 5.3.4 仿真示例85-88
• 5.4 本章小结88-89
• 第六章 Hammerstein-Wiener EIV系统近似无偏最小二乘辨识方法89-96
• 6.1 引言89
• 6.2 两阶段最小二乘辨识算法89-91
• 6.2.1 系统描述89-91
• 6.2.2 算法推导91
• 6.3 近似无偏两阶段辨识算法91-94
• 6.3.1 算法推导91-93
• 6.3.2 算法的无偏估计性能分析93
• 6.3.3 仿真示例93-94
• 6.4 本章小结94-96
• 第七章 滤波辨识算法在新能源领域的应用96-109
• 7.1 引言96
• 7.2 风速的短期预测96-101
• 7.2.1 灰色Verhulst-迭代预测方法96-99
• 7.2.2 仿真示例99-101
• 7.3 风电功率的短期预测101-108
• 7.3.1 最小二乘迭代辨识算法103
• 7.3.2 基于滤波的最小二乘迭代辨识算法103-104
• 7.3.3 仿真示例104-108
• 7.4 本章小结108-109
• 第八章 结论与展望109-111
• 8.1 结论109
• 8.2 展望109-111
• 致谢111-112
• 参考文献112-121
• 附录：作者在攻读博士学位期间发表的论文121-122

【参考文献】

中国期刊全文数据库 前10条

1 郝正航;余贻鑫;;双馈风电机组机电耦合与轴系稳定的分析与辨识[J];电工技术学报;2011年03期

2 张仰飞;袁越;陈小虎;胡建;吴博文;;风力机参数的可辨识分析[J];电力系统自动化;2009年06期

3 陆秀令;张振飞;胡红艳;雷军;;基于自适应FIR预测滤波器的谐波检测[J];高电压技术;2008年07期

4 张峰;张旭;梁军;张利;王洪涛;;基于可变递进步长及期望输出的储能系统优化控制策略[J];电力系统自动化;2014年15期

5 李俊芳;张步涵;谢光龙;李妍;毛承雄;;基于灰色模型的风速-风电功率预测研究[J];电力系统保护与控制;2010年19期

6 伍维根,张家树,古天祥;基于非线性自适应IIR滤波器的混沌时间序列辨识方法[J];控制理论与应用;2001年05期

7 胡士强,敬忠良;粒子滤波算法综述[J];控制与决策;2005年04期

8 吕娜;冯祖仁;;非线性交互粒子滤波算法[J];控制与决策;2007年04期

9 丁锋;刘小平;;多变量输出误差系统的辅助模型随机梯度辨识算法(英文)[J];自动化学报;2010年07期

10 张伟丽;江春华;郝宗波;;基于改进的均值漂移和卡尔曼滤波的目标跟踪算法[J];计算机应用与软件;2014年05期

中国硕士学位论文全文数据库 前1条

1 孟凡青;基于多源信息融合技术的电网特征信号检测研究[D];上海交通大学;2010年

，

本文编号：563434