一種采用改進(jìn)蟻群算法的熱工過程模型參數(shù)辨識方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及熱工控制領(lǐng)域，具體涉及一種采用改進(jìn)蟻群算法的熱工過程模型參數(shù) 辨識方法。
【背景技術(shù)】
[0002] 近年來，新能源發(fā)電技術(shù)得到了快速的發(fā)展，但是火電在今后一段時間內(nèi)，仍是我 國主要的電力裝機(jī)形式，對我國的經(jīng)濟(jì)發(fā)展起著支柱性的作用。對火電機(jī)組特性的深入研 究，尤其是深化發(fā)展節(jié)能減排技術(shù)，對發(fā)展資源節(jié)約型、環(huán)境友好型的國民經(jīng)濟(jì)具有重要的 作用。結(jié)合我國火電機(jī)組的高參數(shù)、大容量、高度自動化的發(fā)展趨勢，火電機(jī)組熱力系統(tǒng)多 變量耦合、結(jié)構(gòu)復(fù)雜、不確定性和非線性等特征日漸突出，有必要對其對象動態(tài)特性開展深 入研究，關(guān)鍵點之一就是建立準(zhǔn)確的熱工特性模型。
[0003] 基于模型的控制方法普遍應(yīng)用于火電廠熱工過程控制系統(tǒng)中。因此，建立被控對 象的數(shù)學(xué)模型是設(shè)計和調(diào)試控制系統(tǒng)的基礎(chǔ)。一般地，求取熱工過程被控對象數(shù)學(xué)模型的 方法有以下四種：階躍擾動法、正弦波頻率法、脈沖響應(yīng)法以及相關(guān)辨識法。由于現(xiàn)場運行 條件和測試時間等因素的限制，后三種方法很難在實際中得到應(yīng)用。當(dāng)階躍響應(yīng)曲線比較 規(guī)則時，可以采用近似法、半對數(shù)法、切線法和兩點法來有效地導(dǎo)出傳遞函數(shù)，但這些方法 的計算精度依賴于測繪儀器，故通用性比較差；當(dāng)階躍響應(yīng)曲線呈現(xiàn)不規(guī)則形狀時，可以采 用面積法，而面積法存在著易于陷入局部最小等缺點，故只適用于有白平衡能力的簡單對 象?，F(xiàn)代的系統(tǒng)辨識以離散系統(tǒng)差分模型的參數(shù)估計為基礎(chǔ)，并衍生出了以最小二乘法為 基礎(chǔ)的理論和方法，但該方法對測試信號和噪聲干擾均有特定的要求。因此，對現(xiàn)有智能辨 識方法借鑒并加以改進(jìn)，使之能應(yīng)用在熱工過程的控制中十分重要。
[0004] 與傳統(tǒng)熱工過程辨識方法相比，群體智能（SwarmIntelligent)的快速發(fā)展及其 在系統(tǒng)辨識中的應(yīng)用彌補(bǔ)了傳統(tǒng)方法的不足。蟻群優(yōu)化算法（AntColonyOptimization) 是一種新型啟發(fā)式搜索算法，它繼模擬退火算法、遺傳算法、禁忌搜索算法、人工神經(jīng)網(wǎng)絡(luò) 算法等啟發(fā)式搜索算法后逐漸引起國內(nèi)外專家學(xué)者的關(guān)注。它為系統(tǒng)優(yōu)化問題提供了新 的求解思路，尤其在求解離散型組合優(yōu)化問題上，它表現(xiàn)出了其他算法所無法比擬的優(yōu)越 性。同禁忌搜索算法相比，蟻群優(yōu)化算法對初始解的依賴性不強(qiáng)；同遺傳算法相比，蟻群優(yōu) 化算法中的正反饋機(jī)制更有利于發(fā)現(xiàn)較好解；同時，蟻群優(yōu)化算法采用分布式計算與啟發(fā) 式算法相結(jié)合，使得該方法易于并行實現(xiàn)。

【發(fā)明內(nèi)容】

[0005] 發(fā)明目的：本發(fā)明為補(bǔ)充現(xiàn)有熱工過程模型參數(shù)辨識方法的不足，提供了一種精 確快捷的模型參數(shù)辨識方法，過程中采用MATLAB軟件，能夠根據(jù)系統(tǒng)輸入輸出辨識出相關(guān) 參數(shù)，最終建立精確的熱工過程模型。
[0006] 技術(shù)方案：本發(fā)明的一種采用改進(jìn)蟻群算法的熱工過程模型參數(shù)辨識方法，包括 如下步驟：
[0007] (1)確定系統(tǒng)辨識結(jié)構(gòu)與待辨識參數(shù)
[0008] 熱工系統(tǒng)的目標(biāo)函數(shù)為：
[0009]
⑴
[0010] 其中，5夠):為模型輸出，y(k)為系統(tǒng)實際輸出，k為時間；
[0011] 待辨識對象為具有純延遲的高階慣性對象，即：
[0012]
[0013] 其中，G(s)為待辨識對象，為估計模型，K為增益系數(shù)、T為時間常數(shù)、η為模 型階次，τ為遲延時間；
[0014]
[0015] 式中，L為拉普拉斯變換算子，u(k)為系統(tǒng)輸入；
[0016] (2)確定算法路徑與初始信息素分布
[0017] 蟻群算法中的所有可行路徑代表問題的所有可行解，對上述待辨識參數(shù)采用十進(jìn) 制編碼，形成10X10的路徑矩陣，例如：設(shè)定各參數(shù)取值范圍：K e[-29. 9,29. 9]，Te[0， 199.9]，τe[0,99]，ne[1，9];規(guī)劃路徑規(guī)模為如下10X10矩陣：
[0018]
[0019] 螞蟻從矩陣左邊出發(fā)向右前進(jìn)，每一列選取一個節(jié)點，到達(dá)最右時所有經(jīng)過節(jié) 點組成該螞蟻的路徑；同時，路徑矩陣中的每一個節(jié)點對應(yīng)一個信息素含量，由此構(gòu)成 10X10的信息素矩陣；
[0020] 產(chǎn)生一批較優(yōu)初始解，將每個解對應(yīng)的信息素含量疊加起來，形成信息素的初始 分布；
[0021] (3)循環(huán)迭代完成搜索
[0022] 信息素矩陣初始化完成后，所有螞蟻依次前進(jìn)，螞蟻在前進(jìn)中由節(jié)點處的信息素 大小選擇路徑下一節(jié)點，第k次迭代中選擇概率函數(shù)為：
[0023]
⑶ /=1
[0024] 式中，τJk-l)是節(jié)點i的信息素含量；α是表示信息素的重要程度系數(shù)；
[0025] 所有螞蟻完成一次循環(huán)后，各路徑上信息素量根據(jù)式（5)調(diào)整：
[0026]
⑷
[0027] 其中，Ρ為信息素蒸發(fā)系數(shù)，表示信息素在歷次迭代過程中慢慢衰減，取值為 (0, 1) ;Δτ;表示節(jié)點i的信息素總增量；Δτ,表示在本次循環(huán)中螞蟻j留在節(jié)點i上 的信息素增量;m表示螞蟻的總個數(shù)；^^表示螞蟻j所走路徑對應(yīng)的目標(biāo)函數(shù)計算值，目標(biāo) 函數(shù)計算值越小，信息素釋放的就越多；Q_表示本次循環(huán)中所有Qj的最小值；
[0028] 同時，對信息素分布做出交叉操作、變異操作和退火操作：
[0029] 螞蟻在完成每次循環(huán)搜索之后，按上述各式更新信息素矩陣，通過不斷迭代，算法 最終找到全局最優(yōu)解，使得式（1)中的J(k)最小。
[0030] 進(jìn)一步的，所述步驟（2)中的信息素矩陣初始值將根據(jù)產(chǎn)生的初始解來設(shè)定，具 體流程如下：
[0031] ①確定抗體集合：將滿足約束條件"Ke[-29. 9,29. 9]，Te[0, 199. 9]，τe[0， 99]，ηe[1，9] "的所有解作為算法的抗體；
[0032] ②產(chǎn)生初始抗體：隨機(jī)產(chǎn)生&個初始抗體，計算抗體與抗原之間的親和力，將親和 力過差的抗體剔除掉，同時生成新的抗體作為補(bǔ)充，剔除一個抗體，補(bǔ)充一個新的抗體，不 斷重復(fù)以上操作，直到所有抗體都滿足親和力要求；
[0033] ③選擇抗體：計算抗體濃度Q，依次繼續(xù)排除掉濃度最高的抗體，直到剩余抗體的 個數(shù)Nc達(dá)到設(shè)定值N2,N2〈N1;
[0034] 第i個抗體的濃度Q的計算公式為：
[0035]
[0036] 式中，Q是第i個抗體的濃度；Nc為剩余抗體個數(shù)，N2〈Nc〈N1;a丨表示抗體i和抗 體j中第1個節(jié)點之間的相似系數(shù)，如果節(jié)點的值相同％取1，否則取ο;ζ表示抗體中各 節(jié)點的值；
[0037] ④按照步驟③中所得抗體，將隊個螞蟻依次經(jīng)過與路徑矩陣中相對應(yīng)的路徑，所 得信息素含量的疊加作為信息素初始分布。
[0038] 進(jìn)一步的，所述步驟（3)中，對信息素分布做出交叉操作、變異操作和退火操作的 具體過程如下：
[0039] ①交叉操作
[0040] 將抗體編碼序列分割成若干基因片段，每組采用部分映射交叉過程，
[0041] 操作如下（假設(shè)抗體有10個節(jié)點）：
[0042] 假設(shè)該抗體由三段基因組成，現(xiàn)將抗體
[0043] 352|8|251934
[0044] 292|4|760472
[0045] 交叉為
[0046] 352|4|251934
[0047] 292 | 8 | 760472
[0048] 將中間某一段基因互換，抗體其余基因片段不變，當(dāng)每一輪螞蟻尋找路徑結(jié)束后， 對信息素矩陣進(jìn)行交叉操作，即將當(dāng)前最優(yōu)路徑節(jié)點上的信息素與同一列信息素含量最高 的節(jié)點互換；
[0049] ②變異操作
[0050] 選定同一列節(jié)點中信息素含量最高節(jié)點的縱向鄰域作為變異點，進(jìn)行變異，抗體 其余節(jié)點不變；當(dāng)信息素含量最高節(jié)點位于最上面一行或最下面一行時，所述鄰域是下鄰 域或上鄰域，當(dāng)信息素含量最高節(jié)點不位于最上面一行或最下面一行時，所述鄰域是上鄰 域和下鄰域；
[0051] 變異過程采用模擬退火策略，對各節(jié)點設(shè)置退火因子λi，即
[0052]
(6)
[0053] 式中，τΜχι為同一列節(jié)點中信息素最高含量，Δτaddi，為節(jié)點縱向鄰域的信息素 增量，Ns為迭代次數(shù)，〗嚴(yán)在搜索過程中從1逐漸減小，使得信息素擴(kuò)散作用逐漸減弱；
[0054] 通過控制λ 大小來調(diào)整減小速率，從而保證算法在搜索初期擴(kuò)散作用強(qiáng)，有很 強(qiáng)的隨機(jī)性多樣性；搜索后期關(guān)鍵位置（如系統(tǒng)階次η)的擴(kuò)散作用減弱，使算法有較快的 收斂速度和搜索精度。
[0055] 有益效果：本發(fā)明在基本蟻群算法的基礎(chǔ)上，針對熱工過程做出幾點相應(yīng)改進(jìn)，將 辨識問題轉(zhuǎn)化成為參數(shù)空間上的優(yōu)化問題，使算法更加精確高效。在已知輸入輸出數(shù)據(jù)的 基礎(chǔ)上，在MATLAB軟件上利用改進(jìn)蟻群算法對整個參數(shù)空間進(jìn)行高效并行的搜索，能夠較 快辨識出模型參數(shù)，達(dá)到精確建模的目的。具體具有如下優(yōu)點：
[0056] 1、本技術(shù)將熱工過程模型的辨識問題轉(zhuǎn)化為相關(guān)參數(shù)的組合優(yōu)化問題，利用改進(jìn) 蟻群算法對整個參數(shù)空間進(jìn)行高效搜索，實現(xiàn)模型結(jié)構(gòu)辨識與參數(shù)辨識同時進(jìn)行，從而獲 得系統(tǒng)模型參數(shù)的最優(yōu)估計。
[0057] 2、相比基本蟻群算法，本技術(shù)將空間信息素、抗體濃度等全局信息綜合起來影響 概率函數(shù)，避免陷入局部極小的問題。
[0058] 3、相比基本蟻群算法