基于粒子群算法的火电厂热工过程模型辨识
对于火电厂热工控制系统,建立精确的热工过程模型是保证控制质量的基础。目前,用于热工过程模型辨识的方法主要有阶跃响应法、面积法、频域响应法撮小二乘法等。在这些算法中,阶跃响应法的数据源较容易得到且方法简单,应用最广,但是现场数据的不规则性使得阶跃响应法的经验结果精度不高。
粒子群算法(PSO)是一种基于群体智能的全局优化算法,其模拟社会的群体行为,在多维空间中构造粒子群进行寻优,且每个粒子通过迭代过程中的群体和自身最优值修正自身前进方向和速度。本文将粒子群算法应用于热工对象模型辨识,使用MATLAB软件实现算法。仿真及实际应用表明,该方法简单易行,精度较高。
一、热工过程模型分类
复杂的热工过程对象具有纯延时、大惯性等特点,通常对于特定的过程对象,为了获得更加精确的模型及加快辨识速度,根据经验对热工过程对象模型进行分类。
对于实际的热工过程对象,可根据经验指定有无纯延迟及模型阶次和变换模型结构,以适应控制策略的需要。
二、粒子群优化算法
粒子群优化算法是基本粒子群算法的改进,也是基于群体的演化算法,采用速度一位置模型,每个粒子代表D维空间中的一个候选解,粒子在搜索空间中以一定的速度飞行,飞行速度根据飞行经验进行调整。
ω表明微粒原来的速度能在多大程度上得到保留,体现了局部搜索能力和全局搜索能力的比例关系。较大的惯性权重有利于全局搜索能力的提高,较小的惯性权重有利于快速收敛。提出了一种随机的惯性权重生成办法,其研究结果表明ω服从正态分布μ正态分布的均值产服从[0,1]均匀分布,正态分布的方差a取0.5)时,可以取得较好的全局搜索及快速收敛能力。
三、粒子群算法系统辨识步骤
应用粒子群算法进行系统辨识主要由系统的阶跃响应(也可取其它响应)数据(y)必为样本,设粒子结构为 [KτT1 T2…Tn],则每个粒子对应一个确定的模型,对模型进行阶跃激励得到响应序列y',选取适合的适应度函数fit= f( y ,y')用粒子群算法对未知参数进行寻优。
步骤1:设定种群规模,各参数的上、下限,粒子速度上、下限,选取。c1、c2和最大迭代次数。K取0.01-100,Ti取0.1-100, τ取-300s; 速度限制取参数最大最小值之差;根据试验观察种群规模取30-50,参数按最大迭代次数取300次,c1与c2取1.4962,即可获得满意结果。
步骤2 :按照[KτT1 T2…Tn] 的结构初始化种群位置向量、速度向量、各粒子自身最优适应度(∞)及全局最优适应度(∞ )。
相关文章
- 2023-11-29PCS配料秤在电缆料生产线上的应用
- 2024-11-07近红外光谱仪CMOS图像传感器驱动电路设计
- 2022-08-01三菱PLC和iFIX软件在涂胶生产线自动化系统的应用
- 2024-04-08旋转环境下电波传播特性及其在胎压监测中的应用
- 2023-11-01一等标准补偿式微压计测量不确定度的评定
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。