基于改进遗传算法的非线性仪表的参数辨识
基于改进遗传算法的非线性发电机励磁系统参数辨识 (1)
基于改进遗传算法的非线性发电机励磁系统参数辨识丁富春1,张明龙2,李晋1,宋福海2(1.江门恩平供电分公司,广东江门529400;2.福建省电力试验研究院,福建福州350003)摘要:为了确保电力系统建模的精确性和安全稳定分析的可靠性,进行发电机励磁系统参数辨识测试是一项重要的工作。
提出采用改进的GA遗传算法应用于发电机励磁系统的非线性参数辨识,利用GA较强的全局寻优能力和BP梯度法较强的局部搜索能力,较快同时又较好地辨识出发电机励磁系统参数估计值。
实际发电机励磁系统参数测试试验结果表明,基于改进遗传算法的励磁系统参数辨识方法计算速度快,精度高,鲁棒性强,为非线性发电机励磁系统的参数辨识提供了一种有效的新方法。
关键词:发电机励磁系统;非线性参数辨识;遗传算法;梯度法中图分类号:TM762文献标识码:A文章编号:1003-4897(2005)09-0027-040引言开展励磁系统建模和参数测试工作对电网安全稳定运行和各发电企业安全经济发供电具有重要意义,也是全国联网后,进行联合电网运行管理的一项重要工作。
随着超高压电网的建成及大容量发电机组在电网中不断的投运,发电机励磁系统及其电力系统稳定器(PSS)对电力系统的电压控制和稳定控制具有十分重要的作用,影响系统动态过程,有必要对大型发电机组励磁系统的动态性能进行分析,而励磁系统性能的好坏取决于其参数的设置[1]。
同时,在电力系统稳定计算分析中广泛采用发电机励磁系统数学模型来描述发电机励磁系统物理过程,发电机励磁系统模型作为电力系统机电暂态过程数学模型的重要组成部分,其模型参数设置正确与否直接决定电力系统稳定计算的正确性和可信度,影响电力系统机电暂态过程模拟的精确性。
因此对实际励磁系统的数学模型与参数进行正确的测定和试验是全网精确建模和安全稳定分析的关键。
线性励磁系统参数的测定和试验通常可以通过频域分析法[2]和时域最小二乘分析法[3]来实现。
但实际发电机励磁系统中一般都存在限幅环节等因素影响,不再是一个简单的线性模型,扰动稍大就可能使得励磁系统中某些环节进入非线性区,同时频域辨识测试中的伪随机码选择受辨识系统各个环节时间常数的影响,特别是当系统中各个环节时间常数相差很大时,频域法辨识结果精度很难保证,因此传统的辨识方法不能很好地解决非线性发电机励磁系统参数辨识问题。
自适应遗传算法的改进及在系统辨识中应用研究
第18卷第1期 系统 仿 真 学 报© V ol. 18 No. 12006年1月 Journal of System Simulation Jan., 2006自适应遗传算法的改进及在系统辨识中应用研究任子武,伞 冶(哈尔滨工业大学控制与仿真中心,哈尔滨 150001)摘 要: 为解决传统遗传算法早熟及收敛速度慢的问题,提出了一种改进的自适应遗传算法。
通过对一典型的大海捞针类(NiH)问题的试验,证明了改进后的遗传算法在全局优化和快速收敛能力上有较大的提高。
在此基础上将该算法应用于系统参数辨识中,辨识结果表明该方法具有参数辨识精度高,抗噪声能力大,对输入信号通用性强,也适用于非线性系统参数辨识的优点,具有重要的工程使用价值。
关键词: 遗传算法;参数辨识;非线性系统;有色噪声;M 序列中图分类号:TP391 文献标识码:A 文章编号:1004-731X (2006) 01-0041-03Improved Adaptive Genetic Algorithm and its Application Researchin Parameter IdentificationREN Zi-wu , SAN Ye(Control & Simulation Centre, Harbin Institute of Technology, Harbin 150001, China)Abstract: An improved adaptive genetic algorithm (IAGA) was proposed to avoid the premature problem and the slow convergence. Through the experiment of a typical Needle-in-a-haystack problem, the proposed algorithm shows its better global optimal ability and its faster convergence ability. Based on the above, the improved algorithm was applied to identify system parameter. The identification results show that this method has the advantages of high parameter identification precision, strong ability of resistance to the noise, good input signal generality and identification of the nonlinear system, so it has important practical values.Key words: genetic algorithm; parameter identification; nonlinear system; color noise; M sequence引 言要定量、准确地分析设计一个控制系统,一定要建立控制对象的数学模型。
基于改进遗传算法的系统参数辨识
基于改进遗传算法的系统参数辨识孙磊;陈绍炜;吴金鹿【摘要】Traditional genetic algorithms have convergence speed and premature easily in solving specific optimization problems, in case of system parameters identification, an improved genetic algorithm is presented. By selecting reasonable replication strategy, and improving the fitness function calculation, overcomes the prematurity, the diversity of the population is ensured, avoid slow convergence which is resulted by the close fitness value in the later time. The parameters of typical second-order system transfer function by the algorithm are solved. In the case of larger SNR, the estimation is obtained to be almost no bias. Experimental results show the effectiveness of the method.%传统的遗传算法在解决具体优化问题时存在着收敛速度慢和容易早熟的缺点.针对系统参数辨识,提出了一种改进的遗传算法.通过合理选择复制策略、改进适应度函数计算方法,克服了早熟现象,保证了种群的多样性,避免了后期适应值接近而导致收敛速度过慢.通过该算法对典型二阶系统的传递函数进行参数求解,在信噪比较大的情况下,得到几乎无偏的估计.实验结果证明了该方法的有效性.【期刊名称】《科学技术与工程》【年(卷),期】2011(011)033【总页数】4页(P8199-8202)【关键词】频率响应数据;遗传算法;参数估计;系统辨识【作者】孙磊;陈绍炜;吴金鹿【作者单位】西北工业大学电子信息学院,西安710129;西北工业大学电子信息学院,西安710129;西北工业大学电子信息学院,西安710129【正文语种】中文【中图分类】TP183对于工业生产,大多数的工业过程都是闭环的系统,目前提出的一些辨识方法中大部分都是在满足闭环系统的可辨识条件或某种条件下,应用开环的辨识方法,如最小二乘法、极大似然法或辅助变量法等。
基于改进遗传算法的无刷励磁系统参数估计
基于改进遗传算法的无刷励磁系统参数估计沈峰【摘要】针对包含非线性环节的无刷励磁系统参数估计,提出一种基于改进遗传算法的优化算法以及线性环节与非线性环节分别辨识的参数估计试验方法.首先详细介绍了IEEE提出的AC1A标准无刷励磁系统模型.然后提出基于实数编码的改进遗传算法,通过改进线性交叉算子使交叉后产生的两个子代都是可行解,并且必有一个子代靠近较好的父代,从而使遗传向好的方向发展.最后利用Matlab/Simulink搭建IEEE的AC1A励磁系统模型以及单机仿真系统,采用伪随机信号和机端电压阶跃信号利用上述遗传算法对线性与非线性环节参数进行分别辨识.结果验证了辨识试验方法与算法的有效性.【期刊名称】《电气开关》【年(卷),期】2015(053)006【总页数】5页(P31-34,38)【关键词】无刷励磁系统;系统辨识;参数估计;遗传算法;Matlab/Simulink【作者】沈峰【作者单位】康泰斯(上海)化学工程有限公司,上海201203【正文语种】中文【中图分类】TM71当发电机的励磁电流大于8000A时,由于受到滑环材质、炭刷均流等因素的影响,制造相应容量的滑环是困难的,为此,大型汽轮发电机采用无刷励磁系统是适宜的[1]。
美国西屋公司(Westinghouse)在上世纪60年代研制出大型汽轮发电机无刷励磁系统,经过近半个世纪的发展如今已经成为大型汽轮发电机的主要励磁方式。
电力系统运行、调度的基础是数字仿真,仿真的结果可信度依赖于模型结构及其参数的准确性。
AC1A模型是IEEE提出的三机交流励磁系统的标准模型,同时他励或自励无刷励磁系统也多以此作为标准模型结构。
参数辨识就是在系统结构以知的条件下通过对系统输入输出信号的处理和分析确定系统组成各个环节的参数也称为参数估计。
基于系统辨识的参数估计有丰富的理论支持和研究基础,以最小二乘法为代表的参数辨识在很多领域得到应用[2]。
但是这种方法只适用于线性系统的参数估计。
基于遗传算法的系统辨识与控制
基于遗传算法的系统辨识与控制引言:遗传算法是一种模拟自然选择和遗传机制的优化算法。
它通过对问题的候选解进行交叉、变异、选择等操作,模拟生物界的进化过程,从而寻找问题的最优解。
系统辨识与控制是工程领域中的重要研究方向,它涉及了模型建立、参数估计和控制策略设计等多个方面。
本文将讨论基于遗传算法的系统辨识与控制方法,并探讨其优缺点及应用领域。
一、基于遗传算法的系统辨识方法在系统辨识中,我们常常面临的问题是通过观测到的输入输出数据寻找系统的数学模型或估计模型的未知参数。
基于遗传算法的系统辨识方法可以通过优化参数的范围和策略,从而提高系统辨识的准确性和效率。
1.适应度函数设计在遗传算法中,适应度函数是评价每个个体(候选解)优劣程度的指标。
在系统辨识中,适应度函数可以使用误差函数来表示,如均方误差等。
通过对误差的优化,找到使其最小的参数组合,从而使模型输出更接近实际观测数据。
2.参数编码和初始化参数编码指的是将参数转换为遗传算法中的染色体编码形式,常用的编码方式有二进制编码和实数编码等。
在初始化阶段,需要随机生成一定数量的个体作为初始种群,从而启动遗传算法的演化过程。
3.交叉和变异操作交叉和变异是遗传算法中的两种基本操作,用于生成新的个体。
交叉操作通过对两个个体的染色体进行交换,从而产生具有不同性状的后代;而变异操作则是对个体染色体中的一些基因进行随机改变,以增加多样性。
通过交叉和变异操作,可以引入新的基因组合,从而增加空间,提高系统辨识的精度。
二、基于遗传算法的系统控制方法在系统控制中,我们的目标是通过调节系统参数或控制策略,使系统达到预期的控制目标。
基于遗传算法的系统控制方法可以通过优化控制策略和参数的过程,提高系统控制的性能和鲁棒性。
1.控制策略设计遗传算法可以用于设计优化的控制策略,通常通过优化目标函数来寻找最优的控制参数。
例如,在PID控制器中,通过调节比例、积分和微分参数的值,可以使控制系统的响应速度、稳定性等性能指标达到最佳。
基于改进遗传算法的单元机组非线性模型参数辨识
基 于 改进 遗 传 算 法 的单 元 机 组 非线 性 模 型 参 数 辨 识
任贵 杰 李平康 赵志刚2龙俊峰2 , , ,
(. 1 北京交通大学 机械与 电子控制工程学 院 , 北京 10 4 ; 0 0 4 2 内蒙古大唐国际托克托第二发 电有 限责任公 司,内蒙古 托克托 0 0 0 ) . 12 6
Ab ta tAi n tc aa tr ft efsi f e o rpa tu i a d te p eo iu , n c lbl y sr c : mig a h rceso h osl i d p we ln nt n h r cco s a d saa it —r i p o lmso h e ei ag rtm ob xi e t yn lv r ben nie rs se p rm ee s h rbe ft eg n tc lo i h t l i n i igmut a i l o l a y tm aa tr ,te o o nd f i a n g n t lo i m ob x wa m po e , t en n ie rd n mi mo e sc o e st esu y s b e e i ag r h t lo si rv d h o l a y a c c t o n dl wa h sn a h td u —
参数 辨识 具有 良好 的适 应性 , 辨识 得 到的模 型是 有 效可 靠的 .
关键词 : 单元机组模型 ; 遗传算法; 参数辨识 中图分 类 号 : K3 3 T 2 文献标 志码 : A
Pa a e e s i e tf c to f t r a o r u tp a t r m t r d n i i a i n o he m lp we ni l n n nln a o e s d o m pr v d g ne i l o ih o i e r m d lba e n i o e e tc a g r t m
一种新型的非线性系统模型参数辨识方法
种新 型 的非 线性 系统 模 型 参数 辨识 方 法
耿 永 刚
( 州 机 电职 业 技 术 学 院 , 苏 常 J 23 6 ) 常 江 , 114 i 、 I
摘 要 :针 对传 统 模 型 参数 辨 识 方 法 和遗 传 算 法 用 于模 型参 数 辨 识 时 的缺 点 。提 出 了一 种 基 于 微 粒群 优 化(S ) 法 的模 型 参数 辨 识 方 法 , 用 P O算 法 强 大 的优 化 能 力 , 过 对 算 法的 改 进 , 过 PO算 利 S 通 将
a o tm,t at l s a pi i t n S )agrh sp t ow r o iety prm tr o h oe i ti pp r B kn l rh gi h prc w r o t z i ( O lo tm i u rad t d ni aa ees fte m d l n hs a e. ymaig e ie m m ao P i f f
ห้องสมุดไป่ตู้
二 乘 法 [、 大 似 然 估 计 法 _、 经 网络 用 于 参 数 辨 识 法 }、 1极 】 2神 1 3 .
遗 传 算 法 【 s 。 但 是 最 小 二 乘 法 和 极 大 似 然 估 计 法 都 41 _等 是 基 于 过 程 梯 度 信 息 的 辨 识 方 法 , 前 提 是 可 微 的 代 价 其 函数 、 能 指 标 和 平 滑 的 搜 索 空 问 。 在 实 际 应 用 中 , 性 但 由 于 获 得 的数 据 含 有 噪 声 或 所 辨 识 的 系 统 非 连 续 , 得 这 使
u e o v r aa t r o r c s mo e s a p r ce n t e wam , a d sn a il w  ̄ s t s a c h o t l p r mee s o s f e e y p r mee f p o e s d l at l a i i h s r n u i g p r c e s a o e r h t e p i a a tr f t ma
基于改进遗传算法的非线性方程组求解
基于改进遗传算法的⾮线性⽅程组求解基于改进遗传算法的⾮线性⽅程组求解*燕乐纬1,陈树辉2【摘要】采⽤种群隔离机制、最优保持策略、算术杂交、⾃适应随机变异和异种机制等⽅法对遗传算法进⾏了改进。
在保持遗传算法仅需⽬标函数值信息即可求解这⼀优点的基础上,这⼀改进⽅法增强了遗传算法的局部搜索能⼒。
将该⽅法应⽤于⾮线性⽅程组的求解。
数值算例表明,该⽅法能够求解以⾮线性⽅程为等式约束的最优化问题。
此外,异种机制的引⼊加快了遗传算法的收敛效率,有效提⾼了遗传算法收敛于全局最优解的概率。
【期刊名称】中⼭⼤学学报(⾃然科学版)【年(卷),期】2011(050)001【总页数】5【关键词】⾮线性⽅程组;遗传算法;异种机制;⾃适应随机变异【⽂献来源】https:///doc/09ca0476********be1e650e52ea551811a6c90e.html /academic-journal-cn_acta-scientiarum-naturalium-universitatis-sunyatseni_thesis/0201248373553.html从理论研究和⼯程实践中提取出来的数学模型,经常会涉及到⾮线性⽅程组。
在特解问题中,需要求解⾮线性⽅程组以得到满⾜全部⽅程的解。
在优化问题中,⾮线性⽅程则作为等式约束出现。
⼀般⽽⾔,⾮线性⽅程组的解析解很难得到。
数值⽅法中,常⽤的迭代求根⽅法有⽜顿法、拟⽜顿法、⼆分法、割线法等[1]。
这些⽅法共同的缺点是:①对⽅程本⾝有较强的限制性要求,如连续、可导、⾼阶可导等;②对初值⽐较敏感,⼀般都要求有相当精度的根的近似值作为初值,初值选得不好时有可能会导致求解失败;③缺乏通⽤性,有的算法只能求实根,有的算法对重根收敛很。
基于改进智能算法的非线性转子系统的参数辨识
摘 要 :为了有效的识别非线性转子系统的若干参数, 提出了基于遗传算法、 蚁群算法和邻域搜索算法的混合方
基于改进遗传算法的非线性励磁系统参数辨识
基于改进遗传算法的非线性励磁系统参数辨识赵书强;王磊;马燕峰;张昕刚;周玮【期刊名称】《电力自动化设备》【年(卷),期】2007(027)007【摘要】将大变异遗传算法应用于非线性发电机励磁系统的参数辨识,利用其较强的全局寻优能力辨识出发电机励磁系统参数估计值.其原理为:当某一代中所有个体集中在一起时就以一个远大于通常变异概率的概率执行一次变异操作,随机、独立地产生许多新的个体,使种群脱离早熟.比较每代中所有个体的最大适应度与平均适应度的接近程度,判断当代中所有个体的集中程度;对当代适应度最高的2个个体不进行大变异操作,以保证具有最大适应度的个体不被破坏掉.采用Matlab的Simulink模块建立仿真模型,算例试验结果表明,基于大变异遗传算法的励磁系统参数辨识方法速度快、精度高.【总页数】4页(P1-4)【作者】赵书强;王磊;马燕峰;张昕刚;周玮【作者单位】华北电力大学电力系统保护与动态安全监控教育部重点实验室,河北,保定071003;华北电力大学电气工程学院,河北,保定071003;华北电力大学电力系统保护与动态安全监控教育部重点实验室,河北,保定071003;华北电力大学电气工程学院,河北,保定071003;华北电力大学电力系统保护与动态安全监控教育部重点实验室,河北,保定071003;华北电力大学电气工程学院,河北,保定071003;华北电力大学控制科学与工程学院,河北,保定071003;华北电力大学电力系统保护与动态安全监控教育部重点实验室,河北,保定071003;华北电力大学电气工程学院,河北,保定071003【正文语种】中文【中图分类】TM76【相关文献】1.基于改进遗传算法的单元机组非线性模型参数辨识 [J], 任贵杰;李平康;赵志刚;龙俊峰2.遗传算法的改进策略及其在非线性发电机励磁系统参数辨识中的应用 [J], 蒋平;王晓伟;王杨正;徐珂;黄松涛3.改进遗传算法在发电机励磁系统参数辨识中的应用 [J], 王晓伟;蒋平;曹亚龙;徐珂4.基于改进遗传算法的非线性发电机励磁系统参数辨识 [J], 丁富春;张明龙;李晋;宋福海5.基于遗传算法的发电机励磁系统模型参数辨识 [J], 高晨;杨再欣;王蕴敏;王江萍因版权原因,仅展示原文概要,查看原文内容请购买。
改进遗传算法在发电机励磁系统参数辨识中的应用
h t ad d l i be , r mees f n r o c a o yt a dut o s l Fn l ,h t ta f es n admo e e gteo i tte aa tr o e ea r xi t nss m eajs dc nt t . ia y te s ot t r h bn h c h p g t e ti e r e n a y l mo
Ab t a t A e me o a e n i r v d g n t l o t m o d n iy n a a tr f g n r t r e ct t n s se i sr c : n w t d b s d o mp o e e e i ag r h f r i e t i g p mee o e e a o x i i y tm s h c i f r s a o i t d c d i h sp p r Th sme o Su e o c n e t e o g n l n r u e n t i a e . i t d i s d t o v r t r i a d l fg n r t re c tt n s se t e sa d d mo e f o h h i mo e e e ao x i i y t m t t n a d l o ao oh r o
W ANG a . i J ANG i g , Xio we I , P n CAO . n XU Ya 1 g , o Ke
r . c o l f l tcl n ier g S uh at nv ri , aj g2 9 , hn ; S h o e r a E gne n , ote sU iesy N ni 10 6 C ia 1 o E ci i t n 0 2 J n s l tc o e et n eerh ntueNaj g2 0 3 , hn ) .i guEe r w r sadR sac stt, ni 0 6 C ia a c P i T I i n 1
改进的自适应遗传算法及其在系统参数辨识中的应用
仅影 响交 叉算 子 、变 异算 子等 的运算 方法 ,而 且与 遗 传 算法 收敛性 及算 法精度 有 密切 的关系 。二进 制
编 码 方式 的编码 、解码 简单 ,交 叉 、变 异等 遗传 操
遗传 算法 ,在解 决一 些复杂 问题 时它还 存在着 “ 早
熟 ”和 局 部收 敛 的缺 陷 。虽然 参 考 文献 [ 3 对遗 卜 ] 传算法都加 以改进 , 大多局 限于G 的某一环节 ,而 但 A 没有 从遗 传 算 法 的 全 局 角度 进 行 分析 。本 文 针 对
作 也 易于实现 。但 是 ,算法运 行 时需要 进行 编码和
解 码操 作 ,使得算 法 效率下 降 ;求解连 续参 数 问题
时,二进 制编 码方 式会 产生编 码和 解码 误差 ,从而
传 统 的 Βιβλιοθήκη 适应 遗 传算 法 (G ) A A 存在 的不足 ,在 引入 了实 数 编 码 策 略 和精 英 保 留策 略 的基 础 上 ,提 出
g rh ( oim I t AGA) sp e e td o eb sso t d ci nt h e l o ig sr tg n h l i sr tg . h r s o e r b wa r s n e n t a i f nr u to o te ra — d n tae y a dt ee i s tae y T ec o s v r o — h i o c t m p
摘 要: 为解 决传统 自适应遗传 算法存在 的不足 ,在 实数编码 策略和精 英保 留策略的基础 上,提
出 了一种 改进 的 自适应遗 传算法 ,对遗传 操作 的交 叉概 率和变 异概 率进行 了改进 。将其应 用于系统 参
数辨识 ,结果证 明该算 法具有更 高的辨识精度 和更 强的抗噪声 能力 。 关键 词: 自适应遗传算法 ;实数编码 ;精英保 留;参数辨识
基于改进遗传算法的非线性励磁系统
基于改进遗传算法的非线性励磁系统参数辨识王磊(天津市电力公司电力调度通信中心天津300010)Parameters identification of nonlinear excitation system based onimproved genetic algorithmWANG Lei(TIANJIN ELECTIRIC POWER CORPORATION)[ABSTRACT]Along with the development of power net, the dynamic steady problem of the net in long term. To simulate the dynamic character of every part in generator excitation system particular, it is important to identify the parameters of generator excitation system. An improved genetic algorithm that based on big variation is applied to the parameters identification of the nonlinear generator excitation system. The parameters’evaluation of excitation system can be identified quickly and accurately by the improved genetic algorithm’s stronger ability of global optimal search. The effectiveness of the proposed approach is demonstrated via experiment by applying it to a generator excitation system. The improved genetic algorithm has the advantages of fast computation and high precision, and has provided a new way for parameters identification of nonlinear generator excitation system.[KEY WORDS]nonlinear excitation system; parameters identification; big variation genetic algorithm; whole search ability[摘要]随着电网的发展,系统中长期动态稳定问题变得突出要求更详细地模拟发电机励磁系统各部件的动态特性,进行发电机励磁系统参数辨识是其中一项重要工作。
基于量子遗传算法的非线性系统辨识
基于量子遗传算法的非线性系统辨识
张海丽;张宏立
【期刊名称】《计算机仿真》
【年(卷),期】2014(031)003
【摘要】研究非线性系统的辨识问题,一直是现代辨识领域中的一个主要课题.针对非线性系统中Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,提出了群集智能算法中的量子遗传算法对非线性系统进行辨识的方法.将参数辨识问题转化为参数空间上的函数优化问题,利用量子遗传算法获得优化问题的解.通过MAT-LAB仿真,并与遗传算法比较,结果表明,量子遗传算法不仅提高了辨识的寻优速度,而且获得了更精确的辨识效果,从而验证了该改进方法的有效性和可行性,为非线性系统辨识开拓了一种新方法.
【总页数】4页(P359-362)
【作者】张海丽;张宏立
【作者单位】新疆大学电气工程学院,新疆乌鲁木齐830047;新疆大学电气工程学院,新疆乌鲁木齐830047
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于多新息最小二乘算法的非线性系统辨识 [J], 刘芳芳; 任晓明
2.基于灵敏度计算和多维泰勒网的随机时变非线性系统辨识 [J], 张超; 杨晓; 朱命
冬
3.基于结构自适应滤波方法的非线性系统辨识 [J], 冯子凯;陈立家;刘名果;袁蒙恩
4.基于神经网络的切换非线性系统辨识 [J], 王林;王宏伟;柴秀俊
5.基于SSA-Elman的非线性系统辨识 [J], 高雪峰;李庆奎
因版权原因,仅展示原文概要,查看原文内容请购买。
基于模糊认知网络的改进非线性Hebbian算法
基于模糊认知网络的改进非线性Hebbian算法陈宁;王磊;彭俊洁;刘波;桂卫华【摘要】针对难以用机理模型准确描述的非线性系统,研究基于模糊认知网络(fuzzy cognitive networks, FCN)的非线性系统建模和参数辨识问题。
首先,建立非线性系统的具有数值推理和模糊信息表达的模糊认知网络模型,利用包含节点、权值和反馈的有向图表示系统。
其次,由于模型的精确性取决于权值参数,提出了一种带终端约束的非线性Hebbian学习算法(nonlinear Hebbian learning, NHL)。
该算法在权值的学习过程中引入了FCN模型中节点的系统实际值,在原更新机制的基础上,增加了包含反馈值与预测值差值的修正项,然后归一化得到最终权值迭代公式。
该算法具有收敛速度快、学习结果精准等优点,解决了传统非线性Hebbian算法对初始值依赖性强的缺点。
最后将所提出的方法运用到水箱控制系统,仿真结果说明了基于FCN的非线性Hebbian学习算法的有效性。
%Modeling and parameter identification problems based on fuzzy cognitive networks (FCN) is studied for a kind of nonlinear systems which is difficult to accurately modelled by the mechanism. First, fuzzy cognitive networks with numerical reasoning and fuzzy information expression is established. The FCN model can express the system utilizing the directed graph containing nodes, weights, and feedback. Second, due to the precision of the model depends on the weight parameter, a nonlinear Hebbian learning algorithm with terminal constraints is proposed. The algorithm introduces the actual feedback value of system to the process of weight training. Based on the old update mechanism, a correction term with difference between the feedback value and predictive value is increased, then normalized to thefinal weight iteration formula. This algorithm has the advantages of fast convergence rate, high accuracy. The nonlinear Hebbian algorithm solves the shortcomings of traditional nonlinear Hebbian learning algorithm that initial value is strongly depended. Finally, the proposed method is applied to water tank control system. The simulation results illustrate the nonlinear Hebbian learning algorithm based on FCN is effective.【期刊名称】《控制理论与应用》【年(卷),期】2016(033)010【总页数】8页(P1273-1280)【关键词】模糊认知网络;非线性Hebbian学习算法;终端约束【作者】陈宁;王磊;彭俊洁;刘波;桂卫华【作者单位】中南大学信息科学与工程学院,湖南长沙410083;中南大学信息科学与工程学院,湖南长沙410083;中南大学信息科学与工程学院,湖南长沙410083;中南大学信息科学与工程学院,湖南长沙410083;中南大学信息科学与工程学院,湖南长沙410083【正文语种】中文【中图分类】TP309随着生产力日益提升,现代人类社会系统和工业过程越来越复杂,具有强非线性、多变量耦合、模糊性等特点,且各类数据、信息和知识之间的关系难以表达.传统数学机理建模方法[1]由于对精确机理和对象信息的强依赖性已经不能满足当前需求.模糊认知图(fuzzy cognitive map,FCM)[2]是一种新型的建模方法,能够依靠人类的推理过程,利用包括不确定性和模糊性的描述来处理复杂系统.FCM是神经网络和模糊逻辑相结合的一种软计算方法[3−4],是由节点、弧和权重组成的有向图.其中,认知图的顶点称之为概念节点,代表一个用来描述系统的实体、行为等特性.连接两个概念节点的带符号和权重的弧代表这些概念之间存在的因果关系.各概念状态值的取值范围是[0,1]或[-1,1],权值的取值范围是[-1,1].FCM具有较好的动态特性和学习能力,在建模、过程分析、决策制定等方面表现出了很强的优越性[5].Papageorgiou等提出一种基于数据驱动的非线性FCM动态系统建模方法[6].文献[7]利用现有的知识和专家经验改进了FCM的软计算方法,采用新的构造算法实现复杂系统的建模,并应用在热交换器的加工工业问题上.传统的FCM也存在一些难以解决的问题,如对专家知识依赖性大、离线模拟系统过程.一旦根据专家经验或获得的数据构造出了认知图并确定了权值, FCM就离线运作.专家的知识可能不准确或者系统在运行过程中发生变化会导致FCM不能正确地反应当前系统的实际状态.模糊认知网络(fuzzy cognitive networks, FCN)[8−10]是为了与实际系统保持密切交互描述而对FCM进行的扩展,可以对系统做出更适合的控制和自适应决策.FCN框架包括一个模糊认知图,一个基于系统反馈的更新机制以及整个操作过程中获得知识的存储.FCN只在初始点使用或者完全脱离专家经验,能够解决传统FCM建模方法对专家经验依赖性强的缺点.同时,建立一个动态地模糊规则数据库,保存了系统在不同平衡点处的模型参数.一个模型的精度很大程度上依赖于其参数的设定, FCN也不例外.类似于神经网络的参数辨识,权值学习是利用一定的机制更新节点之间的因果关系,通过微调初始权值来提高FCN的精确度.近年来,权值学习引起了广大学者关注,多种学习方法得以提出.Dickerson和Kosko提出一个简单的微分Hebbian学习方法算法(differential Hebbian learning,DHL)[11].DHL是一个典型的无监督学习方法,但是没有明确的数学计算公式,无法在实际中应用.Papageorgiou等人提出了非线性Hebbian学习法(nonlinear Hebbian learning,NHL)[12].koulouriotis等人提出了基于历史数据的遗传算法[13],通过收集输入/输出数据对来计算FCM模型的权值,由于计算需要多个状态向量序列,该方法在一些领域难以得到应用.文献[14-15]中提出了基于群智能算法的粒子群优化算法(particle swarm optimization,PSO),该算法以人群为基础,通过维护和改造群个体来搜索一个最优位置,PSO学习需要人的知识来指定适当的约束,使得算法的计算效率降低.传统的Hebbian算法对专家依赖性强,这一致命缺点很大程度上制约了其在FCN 中的应用,为了解决这一问题,本文对其进行改进,提出了带终端约束的非线性Hebbian算法.利用概念节点在实际系统中的直接反馈值和节点目标值的约束来学习权值.FCN建模方法是为了与实际系统保持紧密连接而对FCM进行的扩展,也是一种结合模糊逻辑和神经网络的建模理论.一个非线性系统可以用FCN表示成一个包括节点、权值、带系统反馈的有向图,当有向图取不同初始值和权值时,对应实际系统的不同工况.其中:用C={C1,C2,···,Cn}表示构成模糊认知图的顶点的概念集合,每一个顶点称之为概念节点,代表系统的特征,如变量、状态、事件、目标等;用Aki表示节点Ci在k时刻的状态,它的取值是由系统的实际状态值利用阈值函数转换而来,取值范围为[0,1];用Wij表示节点Ci和节点Cj之间的因果影响程度,值域为[1,-1].如果Wij>0,则结果概念节点Cj的状态正向跟随原因概念节点Cj变化;反之,如果Wij<0,则反向跟随变化;如果Wij=0,则两个节点之间没有关联.系统动态行为间的关系都存储于认知图的网络结构和节点间相互影响的因果关系中.每一时刻的节点状态值受该节点上一时刻的状态值取值以及对其有影响节点取值影响.每个时刻的系统状态值可以用下式进行计算[3]:其中:Ak是k时刻的状态值矩阵,维数为1×n(n是系统的概念节点个数);Ak−1是k-1时刻的状态值矩阵,维数为1×n;W是表示节点之间影响程度的权值矩阵,维数为n×n;f是转换函数,用来保证将状态值转换到[0,1]之间,一般选择S型曲线函数,取f=1/(1+e−cx).为了让FCN与实际系统保持密切交互,可以将有向图的状态节点分成控制节点、稳定节点、输出节点和中间节点.控制节点代表实际系统的控制量,稳定节点代表系统中不受其他节点影响但是对其他节点有影响的节点,输出节点代表系统的输出,中间节点是除去前面节点的其他所有节点.根据不同类型节点的特性,对状态值更新机制加以改进,通过引入稳定节点和输出节点的系统反馈值,将更新方程(1)改进为式(2)和式(3).一般节点的状态值更新为稳定节点和输出节点的状态值为其中:是节点Ci在k时刻的FCN计算值,是节点Ci在k-1时刻的FCN计算值,Wji 是节点Cj对节点Ci的影响权值,f是转换函数,是节点Ci的系统实际值,通过在线测量或事先给定.针对系统的每个平衡点,专家根据知识和经验给出当概念节点与权值初始值时,FCN 模型就已经确定.但是由于专家经验局限性,权值的取值可能和实际系统存在一定的差异,这便需要对权值进行学习.3.1 非线性Hebbian算法(Nonlinear Hebbian learning)非线性Hebbian算法(nonlinear Hebbian learning, NHL)是一种无监督权值学习方法[12].选择S型曲线f=1/(1+e−cx)为转换函数,由专家确定权值初始值,对初始权值进行迭代更新,直到满足节点的限制标准.NHL权值更新公式为其中:k是任意的一个时刻;是节点Cj对节点Ci在k时刻的影响权值;是节点Cj对节点Ci在 k-1时刻的关联程度;是节点Cj在k-1时刻的状态值;是节点Ci在k-1时刻的状态值;γ和η是两个很小的正数,分别代表衰减率和学习率,通常0<γ,η<0.1. 在式(4)中,前面两项是Hebbian理论的权值修正,计算模型中节点状态值对权值的修正;后面一项是为了保证每一个Wji的取值都在[-1,1]范围内.NHL学习法制定了两个标准函数:标准1其中:m是系统输出节点个数;DOC(desired output concept)是期望输出值,DOCi 代表计算所得的节点Ci的状态值,Ti是节点Ci的期望状态均值.当F1达到最小值时则认为FCM达到了最终平衡点.标准2F2是前后两次迭代的结果差的绝对值,当其小于0.002时则认为可以终止迭代. NHL学习法利用权值关联的原因节点状态值与结果节点状态值对权值进行修正,没有其他约束条件提高学习效率以及模型准确度,是一个无监督算法.由于对专家的依赖性较强,自主学习能力比较差,当系统发生变化时,无法及时跟踪反应,学习的效率以及准确度都会受到影响.3.2 带终端约束的NHL(Nonlinear Hebbian learncing with terminal constraints)为了使FCN实时精准的反应系统状态并做出正确的控制,必须对NHL算法提出改进.离线学习的模型对系统工况的变化不敏感,要提高其跟踪能力,要将权值的学习与系统实际工况相结合.笔者发现每一次迭代学习得到的状态值作为控制量作用于原系统可以得一个实时值,可以将其作为学习的目标,故引进系统实际测量值作为约束来更新FCM的权值,在NHL的基础上提出带终端约束的非线性Hebbian算法. NHL算法是利用前一时刻的两个状态值的乘积对他们之间的权值进行修正,是无方向修正.带终端约束的非线性Hebbian算法的权值更新引入了系统反馈作为约束,模型预测值与系统实际的测量值之间的差值作为调整权值的标准.误差大小直接反应预测值与真实值的差距,可以实现对权值进行有向修正,提高了收敛速率,同时也解决了传统的无监督NHL对专家初始值依赖性强的缺点.带终端约束的NHL算法将式(4)改进为其中:pi是节点Ci的误差,是节点Ci的FCN计算值,是节点Cj的FCN计算值,是节点Ci的实时系统测量值,是节点Cj对节点Ci在k+1时刻的关联程度,是节点Cj对节点Ci在k时刻的关联程度,γ是衰减系数,η是学习率,κ是修正率,通常0<γ,η,κ<0.1.为了避免W的过度增长,保证其取的值在[-1,1],要求W的取值满足‖W‖=1,于是在每一步的计算中将式(8)归一化为式(9):其中:n是模型节点的个数,分母包括了与节点Ci有关的所有权值.利用泰勒公式等进行一系列的数学转换,由于γ, η和κ取值较小,泰勒展开式的高阶部分可以省略,式(9)可以近似简化成带终端约束的NHL算法改进结束迭代的标准函数为:标准1其中:是节点Ci在k时刻的FCN计算值,是节点Ci在k-1时刻的FCN计算值,F1是前后两次迭代的结果差的绝对值,当其小于0.002时则认为系统达到了平衡点. 标准2其中:pi是节点Ci的误差,当所有节点的误差都小于阈值时则可以终止迭代,一般取e=0.001.算法1Step 1专家根据经验和历史数据给出初始状态值和初始权值;Step 2利用式(2)和式(3)计算下一时刻的节点状态值;Step 3测量系统值,将计算所得状态值与实际系统值比较,根据式(7)计算输出节点的误差;根据前一个时刻的状态值与当前时刻状态值计算其他节点的误差;Step 4判断每一个节点的取值是否满足标准式(11)和式(12).如果任意一个条件不满足,跳转到Step5;如果全部满足,则结束更新,存储最终权值矩阵;Step 5利用式(10)对非零权值进行更新,跳转到Step2.由于引进系统的反馈,带终端约束的NHL在每一次的迭代中都根据实际测量值对权值进行修正,能快速收敛到准确反映系统的权值,也解决了非线性Hebbian算法对初始值依赖性强的缺点.4.1 水箱控制过程建模(Modeling of the tank control process)一个水箱控制过程的系统包括2个水箱、3个开关、1个加热元件和2个温度计.每个水箱有一个入水阀和一个出水阀,且第1个水箱的出水阀是第2个水箱的入水阀.如图1所示:V1为1号水箱的入水阀, V2为1号水箱的出水阀和2号水箱的入水阀,V3为2号水箱的出水阀.水箱的工作原理:水箱1的温度通过调节加热元件控制,水箱2的温度通过热量传递,当水箱2温度过低时,开关2打开,热水从水箱1流进水箱2,当水箱1的水位过高时,打开开关1进水,当水箱2的水位过高时,打开开关3放水.水箱控制系统的控制目标有两个:一是两个水箱的水面高度保持在一定的范围内,即上限Hmax和下限Hmin之间;二是两个水箱的温度保持在最大值Tmax和最小值Tmin之间.因此,控制目标是1号水箱液位H1,2号水箱液位H2,1号水箱的温度T1,2号水箱的温度T2.控制目标的期望区间为为了确定描述系统的FCN对象,必须考虑到系统的变量,如水箱中液位的高度,温度的高低;系统中影响变量的要素,如阀门的状态.FCN通过一系列相互有关联的节点来描述一个动态系统.针对水箱控制过程,利用专家知识和历史数据,建立FCN模型如图2所示.该模型中包括的节点为水箱1的液面高度C1,水箱2的液面高度C2,开关1的状态C3,开关2的状态C4,开关3的状态C5,水箱1的温度C6,水箱2的温度C7,加热元件的状态C8.模型中每个节点的状态值对应着系统的实际值,节点间的权值表示节点相互影响程度.取两个水箱的液面高度和温度作为控制的目标,即节点1、节点2、节点6和节点7为输出节点.输出值的目标值代表所模拟系统的期望输出,在水箱控制系统中,根据不同的需求,有不同的控制目标,在本次模拟中专家定义目标节点的控制目标为ADC1=0.65,ADC2=0.775,ADC6=0.785,ADC7=0.7,由于实际系统中不可能达到一个完全确定的平衡点,于是将控制目标扩展成一个区间:根据历史数据和经验,专家在FCN模型的基础确定权值初始值矩阵为4.2 仿真结果比较(Comparison of simulation results)在水箱控制系统的研究中,建立的FCN模型包含8个节点,权值矩阵维数为8×8,专家给定初始状态值A0=[0.48,0.57,0.58,0.68,0.59,0.59,0.52, 0.58],初始值矩阵W0如式(15)所示.本文先后将初值即无权值学习、NHL学习所得权值和用带终端约束的非线性Hebbian算法学习所得权值分别代入系统模型,对达到平衡状态的各节点终值的准确度以及收敛速度进行对比,分析各个算法的优劣.4.2.1 无权值学习结果(Results without training)假设模型中节点互连的权重是固定的取初始值W0不变,FCN利用式(1)经过数次状态值迭代后,将收敛到一个定点,即系统达到稳定.具体如图3所示.没有经过权值学习的FCN模型基于专家给定的初始权值,自主迭代达到平衡点时,各节点状态值取值为其中平衡状态的A2=0.7334,A6=0.7390,取值明显超出了式(14)中控制目标ADC2,ADC6的范围.这表明由于专家知识的局限性和离线运作无法跟随系统的实际变化,无权值学习的FCN模型无法准确模拟系统的实际工况.4.2.2 NHL学习结果(Results trained by NHL)没有学习的FCN模型收敛达到的平衡点不符合系统的控制目标,说明由专家指定的初始权值无法精确反应实际系统.在专家给定初始权值W0的基础上,γ=0.01取衰减系数,η=0.04学习率,利用NHL 算法的权值更新公式(4)对初始权值进行迭代学习,直到同时满足NHL的两个标准函数式(5)和式(6)则跳出迭代,得到学习后的权值矩阵为在WNHL中,可以看出,节点影响程度为零的权值在迭代中也会有轻微的改变,变成非零值.将学习完成的权值矩阵WNHL代入FCN模型,取同一初始状态值A0,经过8次迭代后,系统达到平衡状态,得到最终状态值的取值为具体迭代过程如图4所示.由式(18)的结果可以看出,NHL学习后的权值WNHL能够使FCN模型达到平衡状态时保证所有输出节点A1,A2,A6,A7的取值都满足式(14)中控制目标的范围.说明经过NHL学习后的系统模型,能够让所有都达到目标的期望范围,可以比较准确地模拟系统工况.由此可以得出结论,NHL对FCN模型的权值有一定的修正作用.但是NHL学习法也存在一定的缺点,如收敛速度比较缓慢,精度也不够高,零权值在迭代过程中也会被修改成较小的非零值以及对初始权值依赖性大.4.2.3 带终端约束的NHL学习结果(Results trained by NHL with terminal constraints)利用带终端约束的非线性Hebbian算法对权值进行学习.在水箱控制系统的FCN 模型中,将节点C1,C2,C6,C7作为带反馈的输出节点,在线将系统的反馈值代入迭代过程,使权值迅速有向收敛到能正确反映系统性质的稳定值.测量得到水箱的实际系统输出值为利用算法1的更新步骤在线更新修正权值,取衰减系数γ=0.01,学习率η=0.02,修正率κ=0.09.带终端约束的非线性Hebbian算法学习得到的最终权值从式(20)可以看到,在权值矩阵W中,只有初始值非零的权值发生了改变,不会与传统非线性Hebbian算法一样将所有的权值进行调整.将学习完成的权值矩阵W代入FCN模型,模型自主进行状态更新,经过5次迭代后FCN模型能够迅速达到平衡点,当系统达到平衡点时,各个节点状态的值取值为具体过程如图5所示.由带终端约束的Hebbian算法的仿真结果式(21)可以看出,带终端约束的非线性Hebbian算法学习后的FCN模型达到稳态时,各输出节点的状态终值A1,A2,A6,A7不仅完全满足式(14)中的控制目标区间,而且非常接近式(19)中的系统测量值.因此,经过带终端约束的非线性Hebbian算法学习后的系统性能,比非线性Hebbian算法学习结果只能保证状态值落入期望范围有明显提升,而且收敛速度也明显加快.当权值的初始取值发生改变时,NHL由于对初始值的强依赖性,其学习结果会跟着改变,导致系统模型发生变化.带终端约束的非线性Hebbian算法引进了系统反馈值,解决了传统NHL的依赖问题.例如,初始权值矩阵随机取在初始状态值A0的基础上,利用带终端约束的非线性Hebbian算法,根据算法1的步骤进行权值学习,得到的最终权值为由W′与W的比较可以看出,当初始权值由式(15)所示的W0变为式(22)所示的W′0时,最终得到的权值矩阵与带终端约束的非线性Hebbian算法在初始权值取W0时学习所得权值矩阵基本一致.由此可以得出结论,无论初始权值取值如何,带终端约束的非线性Hebbian算法可以根据其系统反馈值将权值修正,克服了传统NHL对初始值依赖性大的缺点.因此,本文提出的带终端约束的非线性Hebbian算法引入了系统的反馈,得到的稳态值更加接近期望值,而且收敛速度比传统NHL明显加快.既提高了收敛效率,增强了精确度,又解决了传统Hebbian算法对初始值依赖性大的问题.通过对非线性系统建模的深入研究,建立了基于数据和知识的FCN模型,并提出带终端约束的非线性Hebbian算法对权值进行学习.带终端约束的非线性Hebbian算法将系统反馈引入到权值迭代过程中,使权值的迭代有监督的向系统真实值不断靠近,提高了学习质量.基于一个水箱控制过程的FCN模型,将带终端约束的非线性Hebbian算法与传统NHL算法对比.结果表明,带终端约束的非线性Hebbian算法收敛速度快,精确度高而且不依赖于专家确定的初始值.因此,基于FCN带终端约束的非线性Hebbian算法提高了模型精度,解决了传统NHL的缺点,并在水箱系统中得以验证.未来会将带终端约束的非线性Hebbian算法在各个领域的更加复杂的系统中进行应用,同时对FCN模型进一步改进,使之能够更加灵活反应复杂非线性系统.[1]MAFFI T,SOMMARIVA S,RANZI E,et al.A predictive kinetic model of sulfur release from coal[J].Fuel,2012,91(1):213-223.[2]KOSKO B.Fuzzy cognitive maps[J].International Journal of Man-Machine Studies,1986,24(1),65-75.[3]SHIGEO A.Neural Networks and Fuzzy Systems[M].New York: Springer,1997.[4]STYLIOS C D,GROUMPOS P P.Fuzzy cognitive maps:a soft computingtechniqueforintelligentcontrolproceedings[C]//Proceedings of 15th International Symposium on Intelligent Control.Rio,Patras, Greece:[s.n.],2000:97-102.[5]PAPAGEORGIOU E I.Yield prediction in apples using fuzzy cognitive map learning approach[J].Computers and Electronics inAgriculture,2013,91(2):19-29.[6]STYLIOS C D,GROUMPOS P P.Modeling complex systems using fuzzy cognitive maps[J].IEEE Transactions on Systems,Man and Cybernetics,Part A:Systems and Humans,2004,34(1):155-162.[7]STYLIOS C D,GROUMPOS P P.Fuzzy cognitive maps in modelingsupervisory control systems[J].Journal of Intelligent and Fuzzy Systems,2000,2(8):83-98.[8]ZHANG J,LIU Z Q,ZHOU S.Dynamic domination in fuzzy causal networks[J].IEEE Translations on Fuzzy Systems,2006,14(1):42-57.[9]LIU Z,ZHANG J.Interrogating the structure of fuzzy cognitive maps [J].Soft Computing,2003,7(3):148-153.[10]KOTTAS T L,BOUTALIS Y S,CHRISTODOULOU M A.Fuzzy cognitive networks:a general framework[J].Intelligent Decision Technologies,2007,1(4):183-196.[11]DICKERSON J A,KOSKO B.Virtual worlds as fuzzy cognitivemaps[C]//Preceedings of IEEE Vitual Reality Annual International Symposium.Seattle,Washington:[s.n.],1993:471-477.[12]PAPAGEORGIOU E,STYLIOS C D,GROUMPOS P P.Fuzzy cognitive map learning based on nonlinear Hebbian rule[M]//Advances in Artificial Intelligence.Berlin:springer,2003:256-268.[13]KOULOURIOTIS D E,DIAKOULAKIS I E,EMIRIS D M.Learning fuzzy cognitive maps using evolution strategies:a novel schema for modeling and simulating high-level behavior[C]//Proceeding of the 2001 Congress on Evolutionary Computation.Seoul,Korea: [s.n.],2001:364-371.[14]PARSOPOULOS K E,PAPAGEORGIOU E I,GROUMPOS P P,etal.Afirststudyoffuzzycognitivemapslearningusingparticleswarm optimization[C]//The 2003 Congress on EvolutionaryComputation.Canberra,Australia:[s.n.],2003:1440-1447.[15]PAPAGEORGIOU E I,PARSOPOULOS K E,STYLIOS C D,et al.Fuzzycognitive maps learning using particle swarm optimization[J].Journal of Intelligent Information Systems,2005,7(25):95-121.陈宁(1970-),女,教授,博士生导师,从事复杂大系统建模与控制、FCM方法和数字图像处理等研究,E-mail:****************.cn;王磊(1993-),女,硕士研究生,从事FCM的建模与控制研究, E-mail:****************;彭俊洁(1989-),男,博士研究生,从事FCM的建模与控制研究, E-mail:****************;刘波(1978-),女,博士,从事具有饱和约束的多智能体系统的协调控制,E-mail:***************;桂卫华(1950-),男,中国工程院院士,教授,博士生导师,主要研究方向为工业大系统递阶和分散控制理论及应用、复杂生产过程建模与控制,E-mail:***********.cn.。
基于改进遗传算法的系统参数辨识方法
基于改进遗传算法的系统参数辨识方法
曾凡锋;蔡自兴
【期刊名称】《北方工业大学学报》
【年(卷),期】1998(010)001
【摘要】介绍了一种基于遗传算法辨识系统参数的方法,遗传算法是一种基于自然选择和自然遗传学机理的全局搜索学习算法,为了提高算法的优化能力,我们采用了种群迁移以及自适应变异率来改进算法,仿真结果表明,改进的遗传算法辨识系统参数收敛到全局最优,且鲁棒性强,辨识精度高。
【总页数】6页(P62-67)
【作者】曾凡锋;蔡自兴
【作者单位】北方工业大学智能自动化研究所;中南工业大学
【正文语种】中文
【中图分类】TP13
【相关文献】
1.基于改进遗传算法的造纸机干燥部排风系统参数优化 [J], 汤伟;杨润珊;孙振宇
2.基于改进遗传算法的无刷励磁系统参数估计 [J], 沈峰
3.基于改进型遗传算法的PSS系统参数整定及应用 [J], 武海南;李杰
4.基于动态补偿参数和改进的自适应遗传算法的系统辨识方法 [J], 贺素良;喻寿益
5.基于改进自适应遗传算法的舵机系统辨识方法 [J], 武志宏; 杨瑞峰; 郭晨霞; 葛双超
因版权原因,仅展示原文概要,查看原文内容请购买。
基于改进遗传算法的压力控制系统参数求解及辨识
对 比 , 证 了遗传 算 法求解液压伺服 系统参数 的可行 性 。 同时, 验 通过 分析仿 真 结果 , 出 了材 料试 验机 比例 找
压 力控制 系统与伺服 压 力控 制 系统在 辨识 方法上的 差别。
关键 词 : 遗传 算法 ; 自适应 策略 ;iuik控 制 系统 ; Sm l ; n 系统辨识
制 阀 的阻尼 比 ; 为系 统 的 增益 系 数 ; 为 伺 服 阀 流 K。 。
量一 压力 系数 ; K。为伺 服 阀增益 ; 为液 压缸 的总 泄 C。 漏 系数 。 系统 标准 的开环 传递 函数 为 :
度 系数 与 阻尼 系数 之 比 ; 为 压 力 传感 器 的 增 益 系 数 ; 为负 载 固有 频率 ; t O K为载 荷弹 簧刚度 ; 活塞 m为 及 载荷 折算 到活塞上 的总质量 ; 为 液压 弹簧 与负 载 。 弹簧并 联耦 合后 的刚 度 与负 载 质 量 组合 的 固有 频 率 ;
W U Jn —u igh a
( 石 理 工学 院 .湖 j 黄石 黄 E 4 50 3 0 3)
摘
要: 该文研 究 了遗传 算法模 型 , 对遗传 算 法的特 点 , 隔代映射 遗传算 法基础上 引入 自适应 策略 , 针 在
建立 了 自适 应遗传 算法数 学模 型 , 出 了具体算 法流程 。通过 自适 应策略 , I— A 中的 交叉、 给 使 PG 变异概 率能 够根 据 函数 适应度 大小 自动调 节 , 高 了收敛速度及 解 的质 量。通 过该 算法 对液压 压 力 系统传 递 函数 进行 提 参数 求解 , 建立 了液压 系统的 开环模 型 。利 用 Ma a/ i uik工具 对开环模 型 进行仿 真 并与 实测输 出曲线 t b Sm l l n
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
基于改进遗传算法的非线性仪表的参数辨识1李雅梅,杨飞霞辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛 (125105)E-mail :lllyym@摘 要:分析了节流式流量仪表的非线性及其导致的计算结果的偏差,建立了仪表的非线性模型。
针对标准遗传算法(SGA)收敛速度慢、易早熟等缺陷,提出了一种基于最优个体保留和自适应温度等策略的改进遗传算法。
在此基础上将改进的遗传算法应用于非线性仪表的参数辨识,仿真结果证明改进后的遗传算法有更好的全局寻化和快速收敛能力。
本文建立的非线性仪表参数辨识的方法,对提高火电厂主蒸汽流量在线计算的准确性,具有重要的意义。
关键词:主蒸汽流量;遗传算法;自适应温度;非线性仪表;参数辨识中图分类号:TP391 文献标识码:A1. 引言流量是火电厂中一个重要的热工测量参数。
为了控制生产过程及对生产过程进行经济核算和技术分析,必须时刻监视各种流体(包括水、蒸汽、油等)的流量。
由于主蒸汽流量是火电厂中反映锅炉燃烧煤量与发电机所带负荷是否平衡的中间量,精确的监控和计量主蒸汽流量对于及时满足需求、节约能源、降低成本具有重要的意义。
目前流量测量的方法有多种[1],基于速度法的节流式流量仪表在火电厂中使用最为广泛。
节流式流量仪表利用节流前后形成的静压差来计算流量。
由于压力测量通常存在较大的误差,严重时压力值偏差甚至高达10%以上,而且节流前后压力与流量的关系呈现非线性,导致传统方法计算得到的主蒸汽流量准确性不高。
因此,消除仪表的非线性,建立一种准确、方便计算主蒸汽流量的方法,对提高热力系统在线计算的准确性,具有重要的意义。
文献二对主蒸汽流量计算模型进行了修改[2];文献三构建了基于BP 神经网络的主蒸汽流量计算模型[3]。
本文以火电厂中节流式流量仪表为例,应用改进遗传算法实现非线性仪表的参数辨识,以提高主蒸汽流量测量的准确性。
2. 节流式流量仪表的工作原理及非线性特性节流式流量仪表的工作原理是:在管道内装入节流元件,当流体流过节流元件时,产生节流现象,节流元件前后形成静压差,在一定条件下流体流量和静压差之间呈现一定函数关系,通过测量静压差就可以得知流量的大小。
目前节流元件主要包括孔板和喷嘴,而且国内外都已实现节流元件标准化。
下面以节流元件采用标准孔板的节流式流量仪表为例,说明其非线性特性[4]。
以标准孔板为节流元件的节流式流量计中所使用的流量计算公式,仍然是自五十年代逐步发展起来的传统公式,如(1)所示:p A q d m ∆=ραε2 (1)式中:m q 设计工况下的质量流量(kg/s );α为流量系数;ε为可压缩流体的膨胀校正系数;1本课题得到辽宁省科技攻关项目(2005219005)的资助。
d A 为标准孔板通流面积;ρ为设计工况下被测流体的密度(kg/m 3);p ∆为标准孔板前后的压差(Pa );下面分两种情况讨论:2.1 主蒸汽处于设计工况(主蒸汽温度T 压力P 恒定)下的流量测量由于α、ε、d A 、ρ几乎不变,可看成常数,此时主蒸汽流量与与压力成单值函数关系: p k q m ∆= , (2) 其中ραε2d A k =这是非线性函数,所以必须经过线性化处理(非线性校正),才能将流量信号用于显示和控制。
由于热工参数计算机监控系统已普遍应用,故基于计算机的数字线性化方法值得研究。
对于计算机而言进行式(2)的计算,只要已知k ,再调用标准的开平方函数,即可完成输出流量信号的数字线性化处理。
通常根据管道、节流元件、主蒸汽的条件,通过查表和计算可以得到k 。
但是管道节流元件的条件随时间推移,会偏离设计值,此时必须重新计算标定k k ,否则会增加测量误差。
考虑到遗传算法作为一种比较理想的优化算法,适合于非线性问题的优化工作,因而本文选用遗传算法对参数k 寻优,从而完成式(2)的非线性辨识和校正。
2.2 主蒸汽处于变工况(即主蒸汽温度T 、压力P 不断变化)下的流量测量由于主蒸汽的条件发生改变,主蒸汽密度ρ也会随之变化,此时必须对式(2)进行密度补偿,否则会产生比较大的误差。
比如主蒸汽的设计工况为T =550℃,P =13.72Mpa 时, 密度ρ=39.27Kg/ m 3 ,而当主蒸汽的工况变为T =380℃、P =4.9Mpa 时,密度ρ=17.63Kg/ m 3 。
若不进行密度补偿,则所得流量值的相对误差可达%/491122=−′=−∆′∆=′′−ρρραεραεp A p A q q q d d m m m因此,实际上,主蒸汽流量与密度、压差成双值函数关系:p k q m ∆=ρ1, d A k αε21= (3) 关于密度修整的方法或经验公式有多种,其本质都是密度与T 、P 的关系式,在此选取j j TP PT k 2=ρ (4)式中Tj 、Pj 指设计工况下的主蒸汽温度、压力,将式(4)代入式(3)得j j m TP p PT k k q ∆=21 (5)同样可以用遗传算法对1k 、2k 进行寻优,完成式(5-5)非线性辨识和校正。
2.3 非线性参数1k 、2k 的辨识的意义目前电网负荷波动快且峰谷差值日趋增大,以至火电厂火电机组所带负荷也在随时变动,只不过有些变动次数少些,有些变动次数多些。
通常火电机组采用经济性能好的滑压方式来调整输出功率,以适应外界负荷变动,这势必导致主蒸汽温度压力的变化。
再者,即使外界负荷不变动,机组运行中出现的自身扰动也会影响主蒸汽温度压力的变化,即在实际生产过程中,工况总是不断变化的。
因此,基于遗传算法对式(5)的流量计算公式进行仿真研究完成参数1k 、2k 的辨识,更具有普遍意义。
当仪表非线性特性用函数形式表示时,只需将非线性函数表达式特定系数辨识出来,即可完成仪表非线性的校正。
如果采用Gauss-Newton 等非线性最小二乘法来确定函数中的待定系数,由于这些算法是基于梯度信息来求最优解,本质上是一种局部搜索技术,易陷入局部最优点而得不到全局最优解。
因此本文应用性能优于局部寻优算法的改进遗传方法来辨识式(5)中的待定参数。
3. 遗传算法的改进策略遗传算法GA (Genetic Algorithms,简称GA )产生于20世纪40年代一些生物学家用计算机模拟生物进化过程的仿真实验,近年来获得了飞速发展。
由于遗传算法基于生物界中普遍存在的遗传、变异、进化等过程来求解问题,不依赖于问题的梯度等信息,因此具有很好的普适性,特别适合于处理传统搜索方法解决不了的复杂问题和非线性问题,已在很多领域获得了成功应用[5-6]。
针对标准遗传算法易发生成熟前收敛和收敛速度过慢的缺点,本文首先对遗传算法提出了改进,然后应用改进的遗传算法对1k 、2k 进行寻优。
改进策略如下:·采用格雷编码来克服二进制编码的“Hamming 悬崖”;·用期望值法来代替适应值比例法,以避免个体数目不太大时,适应值比例法依据随机数来选择个体有时不能正确反映个体的适应值;·使用两点交叉算子,以使优良的基因模式尽可能地组合在一起;·保护优秀个体。
即将每一代种群中适应值最大的个体保留下来,不参加交叉和变异过程,使之直接进入下一代,这样可以防止优秀的个体在交叉或变异操作中被破坏[7]。
·采用移民淘汰制。
每轮遗传算子操作后,淘汰两个适应值较小的个体,对不满足约束条件的个体也设置标记将其淘汰,继而按相应的比例,随机引入新的“移民”维持群体的规模。
这样,每一次新的竞争前,在全局范围内随机产生未参与竞争的新的个体来替代已经淘汰的个体进入下一代竞争,即可达到提高收敛速度的目的,同时也增加了整个种群的多样性。
·自适应策略交叉算子和变异算子可以维持群体的多样性[8],并使算法具有活跃的随机搜索能力。
在标准遗传算法中,通常交叉概率c P 取值较大,变异概率m P 取值较小,且在整个搜索过程中保持不变,是一种简单遗传算法。
实际上,随着迭代的增加,群体中个体的差异将逐渐减小,这时,交叉操作实际是重复繁衍和近亲交叉,效果不大;较小的变异率又不能有效地使群体摆脱超平面,从而起不到维持样本空间多样性的目的。
本文对交叉和变异算子采用基于自适应温度的自适应策略。
定义自适应温度T :max 1f fT −= (6) 其中f ,max f 分别为某一代的平均和最优个体适应值。
易知,随着迭代的进行,“温度”是逐渐下降的。
然后以T 为依据设计遗传算子:bT a P c += ; dT c P m −= (7)即交叉概率和变异概率随着进化中群体的适应值而相应调整,这是一种自适应遗传算法。
在系数的选取上,考虑采用大变异策略[9]。
4. 基于改进GA 的非线性参数辨识模型4.1 遗传算法的实施依据遗传算法的优化流程,首先要定义出优化问题的适应值函数。
本文针对节流式流量仪表非线性辨识问题,以GA 寻优所得参数计算出的主蒸汽流量值m q 与实际的主蒸汽流量m q '之间的误差平方和最小作为待定参数1k 、2k 辨识优化的判据,即将节流式流量仪表非线性辨识问题转化为如下所示的优化问题:∑==−==ki i m m q q k ER J 12min ]'[min )(min (8)由于GA 处理的优化问题是最大值问题,因此对上式进行转换如下:min max J C f −= (9) 式中C 为一个足够大的正数,这样就把目标函数J 的最小值问题转化为了适应值函数f 的最大值问题。
本例中令C =500000。
表1给出了计算适应值函数f 所需的相关数据。
表1.主蒸汽流量的相关数据Table 1 Related Data About Main Vapor Flow 主蒸汽温度T (℃) 主蒸汽压力P (Mpa ) 主蒸汽流量m q (T/h ) 流量计压差p ∆(kpa)555 13.72 200 156.80555 13.72 188 141.55557 13.76 172 113.32550 13.67 164 100.38554 13.70 149 88.22558 13.67 140 76.85545 13.62 127 66.26560 13.81 122 56.46548 13.64 105 47.44562 13.81 10139.21 (主蒸汽的设计工况为T j =550℃, P j =13.72Mpa )停止规则:适应值函数大于499920(即流量误差平方和小于80);或者进化到指定代数MAXGEN ,此时,若适应值函数小于499920,则视为进化失败。
本例中令最大迭代次数MAXGEN=100。
采用gray 编码解决参数1k 、2k 的寻优,经分析,1k 变化范围为[1,3],2k 的变化范围为[30,40],为保证一定的求解精度,1k 、2k 分别用6位、10位格雷码表示,并将其首尾串联,形成16位的染色体串;初始种群由随机方法产生,POP-SIZE =21;每次遗传操作后保留一个最优个体;每次遗传操作后淘汰两个最差个体并引入移民补充;期望值选择,两点交叉;采用自适应遗传策略:每代进化后,计算自适应温度T ,然后利用下式计算下一轮操作的交叉概率和变异概率:T bT a P c 2.06.0+=+= ; T dT c P m 19.02.0−=−= (10)4.2 仿真结果依据上述改进算法,GA 进化计算到第25代停止,找到辨识参数1k 、2k 的优化值为: 1k =2.593,2k =37.851,最大适应值为:max f =499929(ER=71),进化成功。