The invention discloses a method of using genetic algorithm to accurately identify parameter state space model of thermal process, the main step is to determine the structure and parameter identification, to determine the model optimization of structure parameters, obtained the fitness value, encoding, decimal to two hexadecimal, optimal chromosome variation, high frequency optimal preservation mechanism, chromosome selection, crossover and mutation, decoding, binary to decimal and adaptive spatial variation. The invention introduces optimal chromosome preservation mechanism can avoid the random search algorithm later; optimal chromosome hypermuation, can enhance the ability of global optimization algorithm; adaptive spatial variability, spatial variability of real range of the global optimal solution, and the range of spatial variability will increase with the increase of the algebra into a local optimal, until out of local optimal solution that ability can enhance the local search algorithm.
【技术实现步骤摘要】
采用改进的遗传优化算法精确辨识热工过程状态空间模型参数的方法
本专利技术属于工程
,尤其是一种采用改进的遗传优化算法精确辨识热工过程状态空间模型参数的方法。
技术介绍
现实热工过程模型多为非线性,大迟延,大惯性,非线性状态空间模型。当前一般采用基本遗传算法来实现。基本遗传算法(SGA)是一种基于适者生存的自然选择机制和生物遗传的进化搜索算法,其主要特点是群体搜索策略,具有较强的全局搜索能力且对被优化的数学模型无先验要求,被广泛用于自动控制、图像识别、机器学习和故障诊断等领域,但同时也暴露出其理论和技术上的许多不足和缺陷。SGA中的三个基本算子,选择算子、交叉算子和变异算子。交叉与变异算子可以通过交叉和变异概率来产生新的抗体,但其搜索盲目性和随机性,故求出全局最优解的概率不高,且对最优个体无保存机制,在进化的中后期如随机搜索。因此,基本遗传算法(SGA)对高维、非线性的复杂系统求解问题,往往产生早熟现象。
技术实现思路
有鉴于此,为解决现有技术存在的上述问题,申请人提供了一种采用改进的遗传优化算法精确辨识热工过程状态空间模型参数的方法。具体地,该技术方案为:一种采用改进的遗传优化算法精确辨识热工过程状态空间模型参数的方法,包括如下步骤:步骤一、确定模型的结构与辨识参数热工过程状态空间模型写为:为n维状态变量的导数,X为n维状态变量,n为状态变量个数,A=A(X),A(X)为关于状态变量X的函数,n×n阵A为系统矩阵,B=B(X),B(X)为关于状态变量X的函数,n×p阵B为输入矩阵,p为输入变量个数,C=C(X),C(X)为关于状态变量X的函数,q×n阵C ...
【技术保护点】
一种采用改进的遗传优化算法精确辨识热工过程状态空间模型参数的方法,其特征在于,包括如下步骤:步骤一、确定模型的结构与辨识参数热工过程状态空间模型写为:
【技术特征摘要】
1.一种采用改进的遗传优化算法精确辨识热工过程状态空间模型参数的方法,其特征在于,包括如下步骤:步骤一、确定模型的结构与辨识参数热工过程状态空间模型写为:为n维状态变量的导数,X为n维状态变量,n为状态变量个数,A=A(X),A(X)为关于状态变量X的函数,n×n阵A为系统矩阵,B=B(X),B(X)为关于状态变量X的函数,n×p阵B为输入矩阵,p为输入变量个数,C=C(X),C(X)为关于状态变量X的函数,q×n阵C为输出矩阵,q为输出变量个数,D=D(X),D(X)关于状态变量X的函数,q×p阵D为传输矩阵,U为p维输入,Y为q维输出,n,q,p为自然数;确定辨识参数(c1,c2,...,cz),其中,c为辨识参数,z为辨识参数个数;步骤二、确定优化算法结构参数确定染色体个数popsize,辨识参数个数z,二进制码长[L1,L2,...,Lz],迭代次数,G,交叉概率Pc,变异概率Pm,高频变异概率Pmax,高频变异染色体组数n1,自适应变异染色体组数n2,a自适应变化因子,辨识参数变化范围,最小范围MinX=[xmin1,xmin2,...,xminz];最大范围MaxX=[xmax1,xmax2,...,xmaxz],xminj和xmaxj为第j个辨识参数对应的最小值和最大值,1≤j≤z,z为辨识参数个数;步骤三、求得适应度值J在算法寻优开始时,初始化染色体,即获得初始代的辨识参数(c10,c20,...,cz0),将当前输入量U(k)=(u1(k),u2(k),...,up(k)),p为输入变量个数,k为第k时刻的运行数据点,1≤k≤N,N为实测数据总数,k、N为自然数;在超临界协调控制系统模型,共3个系统输入变量,3个系统状态变量,3个系统输出变量;u1为燃料量指令;u2为给水流量;u3为汽轮机调门开度;x1为入炉煤量;x2为汽水分离器焓值;x3为汽水分离器压力;y1为主蒸汽压力;y2为汽水分离器焓值;y3为机组功率;对状态变量导数进行离散化,即n为状态变量个数,T为采样周期;已知当前输入量U(k)和当前状态变量X(k),即可获得下一时刻状态变量,X(k+1),将X(k+1)和U(k)代入Y=C(X)+D(X)U,即可获得下一时刻模型输出即q为输出变量个数;再将X(k+1)作为当前状态变量X(k);同...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。