动力系统建模与仿真-讲稿四

用plot(data)函数画出其波形图等。
6
2. 数据预处理
正如前面所述，辨识算法通常无法消除辨识数据中直流分量、 趋势分量以及噪声对辨识准确型的影响，为此，MATLAB提供 了一系列的数据预处理函数，可方便地用于辨识前的数据预处 理。
(1) 数据的直流分量或趋势分量去除函数detrend() detrend函数通常有两种调用方式：为去除数据中的直流分量，
以前通常使用高级程序设计语言编程进行计算。但由于运 算量很大，使用一般的高级语言编程过于繁琐，要验证辨识结 果的正确性要花费相当多的精力，甚至超过代码编写本身，因 此，研究周期较长。对于离线辨识而言，最好的方法应该是直 接使用MATLAB提供的相关工具，如系统辨识工具箱、遗传算 法工具箱以及信号处理工具箱等。这些工具箱不仅反映了在世 界范围内这些领域最先进的研究成果，也提供了丰富的可直接 调用的函数或GUI用户界面，通常可起到事半功倍的效果。另 外，MATLAB内含的编程语言M语言简单易学，功能强大，使 用它可十分方便地实现各种复杂的运算和生成所需图形。
指定待辨识模型为包含有两个实数极点、有纯时间延迟、不包
括实数零点、没有复数极点的连续传递函数模型。注意，在调 用该函数后，所生成的模型参数为 Kp, Tp1, Tp2, Tp3, Tw, Zeta, Tz, Td，对应的传递函数通用模型为
13
G(s)
Kp
1 Tzs
s(1 Tp1s)(1 2 s
(Tws)2 )
状态空间模型
n4sid(); pem();
线性离散时间序列
ar(); arx(); ivar();
%适用于多输出模型
非线性ARX model 模型 nlarx();

Hammerstein-Wiener 模 型
nlhw();
10
值得特别说明的是其所提供的pem()函数。这是一个高度灵活 的、使用极其方便的、几乎适用所有线性模型辨识的自适应方 法集成。这一点，由表3-1也可看出。其最大特点是由辨识数据 可直接辨识出连续的传递函数模型(模型阶数较低时)，并可同 时给出系统的纯延迟，省去了一般辨识方法先辨识离散模型再 转换为离散模型的步骤。因此，非常适用于线性数学模型参数 辨识问题地求解。其调用格式为：
14
的阶次、辨识结束的判断方法等。辨识后，所需的辨识结果也 同样存放在这个对象中。在多数情况下，辨识对象的创建由辨 识函数隐含完成，但如果必要，可通过使用‘特性/参数值对’， 对模型结构及辨识算法施加必要的影响。例如，对于上述连续 模型辨识使用辨识命令
MODEL = pem (DATA, Mi, 'P1D', 'Kp', {'max',3}, 'Kp', {'min',2});
对应的待辨识传递函数模型为
G(s)
Kp
(1
1 Tp1s)
eTds
且Kp值被限制在2～3之间。又如使用辨识命令
MODEL = pem (DAT, 'P2Z', 'Kp', 1.2, 'Kp', 'fix')
对应的待辨识传递函数模型为
G(s)
Kp
(1
1 Tzs Tp1s)(1
Tp2s)
且Kp值被指定为固定值1.2，这 意味着 Kp在辨识之前就是已知 的，不必参与辨识。
12
A(q1) y(k) B(q1) u(k) C(q1) e(k)
F (q1)
D(q 1 )
(4) 连续传递函数模型辨识：MODEL = pem (DATA, Mi)，Mi = PxIDZU。在这种情况下，函数可直接返回被辨识模型的连续 传递函数。Mi这时实际上可解释为模型结构的定义命令(需用双 单引号包括)。命令解释如下：第一字符P表示要辨识模型的连 续传递函数；第二字符x为数字，可以是0, 1, 2, 或 3，表示模型 的极点数；第三字符I表示模型是否包含有积分环节，如没有， 该字符可以取消；第四字符D表示模型是否包含有纯延迟，如 没有，该字符可以取消；第五字符Z表示模型是否包含有实数 零点，如没有，该字符可以取消；第六字符U表示模型是否包 含有复数极点对，如没有，该字符可以取消。例如，Mi=’P2D’
(1) 不使用Mi参数：调用格式为MODEL = pem (DATA)。在这 种情况下，返回的模型为一默认的状态空间模型以及一个输入 端的纯延迟，模型的阶数、纯延迟的大小均由pem函数确定。 (2) Mi = nx：调用格式为MODEL = pem (DATA, Mi)。模型返 回一具有nx阶的系统状态空间模型。 (3) Mi = [na nb nc nd nf nk]: 调用格式为MODEL = pem (DATA, Mi)。模型返回一个一般化的系统离散时间模型(也称多项式模 型)。即：
MODEL = pem (DATA, Mi);
其中，MODEL为返回的估计(辨识)模型，可以是离散时间模型 (包括相应的噪声模型)，状态空间模型，连续的传递函数模型 等。不仅包含所估计的模型结构和参数，也包含辨识数据与估 计的模型间的协方差(MODEL. NoiseVariance)，用于评价辨识 的效果及有效性；DATA 为用Iddata() 函数创建的用于辨识的 数据结构；Mi是用于定义辨识模型的形式和结构，这是一个定 义方法非常灵活的参数，可以是下述方法之一：
9
模型的形式
可调用的辨识函数
低阶连续传递函数模 型
(process model)
pem();
基本离散时间模型
armax(); arx(); bj(); iv4(); oe(); pem();
%仅适用于ARMAX 模型 %仅适用于ARX 模型 %仅适用于BJ 模型 %仅适用于ARX模型 %仅适用OE模型 %适用于所有模型
3
所以，使用MATLAB实现辨识计算要比一般的高级语言方便、 快速。更值得一提的是还可方便地将它们作为计算引擎，在其 他的应用程序中使用。
在MATLAB中，涉及系统辨识领域的工具箱较多，此处仅 对系统辨识工具箱、遗传算法工具箱与系统参数辨识相关的内 容作一简单介绍，以期达到对其更好了解和使用的目的。由于 工具箱提供的方法和函数繁多，在使用时还需借助MATLAB的 在线帮助对其进一步了解。
其中，data为生成的用于辨识的数据结构，y为输出数据列向量，
u为输入数据，Ts为试验时使用的采样周期。Iddata()函数有多
种调用方法，也可以带有多种与数据相关的参数，如输入、输
出数据的名称，采样保持器的形式等。辨识的数据结构生成后，
还可以用set()函数加以更改，用get()函数输出其结构参数以及
(3) 信号的滤波。 对于辨识数据的滤波，可采用滤波函数 dataf = idfilt (data, filter)；
8
其中，data 为滤波前的辨识数据结构，dataf为滤波后的辨识 数据结构。参数filter为滤波器的形式或参数。函数支持多种滤 波器及参数，也支持自定义滤波器，可进一步参考在线帮助的 内容。当然，要使用特殊的滤波方法，如小波滤波等方法，则 需编制专门的程序或调用小波分析工具箱函数。
MATLAB的文件读取函数与C语言的相应函数相类似，但语 句效率更高。读入的数据应以矩阵的形式存放。对于输入数据 矩阵，应为T行(每个输入信号的长度)，U列(系统输入的个数)。 对于单输入系统，输入数据应为具有T个元素的列向量。
5
对于输出数据矩阵，应为T行(每个输出信号的长度)，Y列(系统 输出的个数)。对于单输出系统，输出数据应为具有T个元素的 列向量。
一旦数据输入到MATLAB的工作空间后，便可对其进行相应 的预处理。预处理完成后，进行辨识前，应将参与辨识的输入、 输出数据连同相应的参数合并成为一个数据结构，以便各类辨 识函数调用。定义数据结构的方法可使用iddata()函数，下面是 一个生成单输入、单输出系统辨识数据结构最简单的例子：
data = iddata(y,u,Ts)；
eTds
G(s)
Kp
s(1
1 Tzs Tp1s)(1 Tp2s)(1 Tp3s)
eTds
(5) 指定特性/参数值对：
调用格式为：
MODEL=pem(DATA,Mi,Property_1,Value_1,...., Property_n,Value_n)。
在MATLAB实现的系统辨识中，任何辨识方法的实现都是通过 一个模型数据结构(对象)实现的，如上面的MODEL。在辨识前， MATLAB首先创建一个初始的对象，对象中包含所有与辨识相 关的参数，如：参与辨识的试验数据(通常为用iddata()函数的 数据结构)、辨识使用的算法、待辨识参数的初始值、模型
动力系统建模与仿真
Power System Modeling and Simulation (4)
1
4. 基于MATLAB的系统辨识建模工具
4.1 基于MATLAB的系统辨识工具箱的系统建模－最小二乘法 4.2 应用MATLAB 遗传算法工具箱的辨识建模
2
利用系统辨识方法建立对象的数学模型，涉及到的内容和 方法较多，主要包括：观测数据的获取及预处理、数据检验、 模型结构选择、参数估计、模型检验和修改以及模型转换等。 由于实际建模中存在不确定性，获取对象数据时受条件和环境 的制约，从数据获取到模型的建立需反复搜索，计算量大，用 手工难以完成。
11
其中，MODEL为返回的估计(辨识)模型，可以是离散时间模型 (包括相应的噪声模型)，状态空间模型，连续的传递函数模型 等。不仅包含所估计的模型结构和参数，也包含辨识数据与估 计的模型间的协方差(MODEL. NoiseVariance)，用于评价辨识 的效果及有效性；DATA 为用Iddata() 函数创建的用于辨识的 数据结构；Mi是用于定义辨识模型的形式和结构，这是一个定 义方法非常灵活的参数，可以是下述方法之一：