应用速度变异粒子群的系统辨识方法研究

论文研究了一种利用粒子群优化（PSO）算法对系统模型进行辨识的新方法。该方法的基本思想是将典型的数学模型的相互组合而构成系统模型的新颖辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现了系统的结构辨识与参数辨识。为了进一步增强粒子群优化算法的辨识性能,提出了一种利用速度变异的粒子群优化（VMPSO）算法。最后,给出了仿真示例,其结果表明了所给的系统辨识方法的合理性和求解算法的有效性。     

基于粒子群优化的Wiener模型辨识与实例研究

针对一类工业过程中可描述成Wiener模型的非线性系统,其辨识问题可等价成以估计参数为优化变量的非线性极小值优化问题．利用粒子群优化(PSO)算法在整个参数空间内并行搜索获得极小值优化问题的最优解(Wiener模型的最优估计),通过对粒子的迭代轨迹进行分析,改进了PSO算法中惯性权重和学习因子的选择．通过一个Wiener模型的数值仿真验证了本文提出的辨识方法的有效性和实用性,并将该方法应用在连续退火机组加热炉产品质量模型的辨识研究,取得了满意的辨识效果．     

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.     

基于自适应云粒子群算法的Wiener模型辨识

针对非线性系统Wiener模型的系统辨识问题,提出一种基于自适应云模型的粒子群优化(ACMPSO)算法的辨识方法。ACMPSO算法利用云模型实现优秀粒子的遗传和进化操作,根据进化状况动态调整云模型的参数,自适应地控制云模型算法的寻优范围和精度,有较强的全局搜索和局部求精能力。仿真实验证明该算法寻优精度高于其他主要PSO算法;将该算法应用于Wiener模型的系统辨识,通过实验证明了该辨识方法优于当前其他方法。     

基于克隆选择差分进化算法的永磁同步电机参数辨识

针对永磁同步电机(PMSM)多参数高精度辨识的问题,提出了一种克隆选择差分进化(DE-IC-SA)算法,将其运用于永磁同步电机的多参数在线辨识.算法通过对差分进化算法与免疫克隆选择算法进行混合优化,提高了种群多样性,加强了局部和全局的搜索能力.通过仿真实验表明:相较于差分进化算法与粒子群优化(PSO)算法,所提算法能同...     

一种结合PSO及改进BP网络的辨识方法

当辨识神经网络的类型和结构确定后,初始权值等辨识参数直接影响到辨识效果,而依靠先验知识试凑而得的参数值往往难以达到最佳效果。针对这一问题,提出了一种结合粒子群（PSO）算法及引入动量项的改进BP网络的辨识方法,利用PSO对改进BP网络辨识的初始权值/偏置、学习率、动量系数进行寻优,并将优化后的神经网络模型用在控制系统中进行修正,进一步完善辨识模型。应用在热工系统中,仿真结果表明了该辨识方法的有效性。     

基于PSO的连续系统直接辨识及在带弹性负载电机的应用

针对连续方程误差模型辨识须引入数值滤波器而造成有偏估计,提出一种基于粒子群优化(PSO)算法和连续输出误差法的连续系统直接辨识方法.该方法用简化四阶龙格库塔法进行系统输出的数值逼近,并采用PSO进行数值优化以避免有偏估计.对所提出方法的估计性质进行分析,进而得出辨识问题的全局解在开环下参数估计的一致性.仿真案例表明,所提出方法对案例的辨识精度高于简化修正辅助变量法等几种连续系统辨识方法.将所提出的方法应用于带弹性负载的电机模型辨识,获得了良好的估计,从而表明了所提出方法在应用上的有效性.     

基于改进PSO算法的光伏发电系统负荷参数辨识方法

常规的光伏发电系统负荷参数辨识方法主要使用混沌海鸥组合算法优化目标辨识函数,易受静态负荷的影响,导致参数辨识收敛速度偏低。因此,需要基于改进PSO算法设计一种全新的光伏发电系统负荷参数辨识方法,即利用改进PSO算法设计负荷参数辨识策略,根据光伏阵列特征调整光伏发电系统逆变器统一控制器参数,从而实现光伏发电系统负荷参数辨识。实验结果表明,设计的光伏发电系统负荷参数改进PSO算法辨识方法到达平均最优位置花费的辨识次数较少,收敛速度较高,辨识效果较好,具有可靠性和一定的应用价值。     

基于PPSO的精馏塔模型参数闭环辨识

针对粒子群优化算法(particle swarm optimization,PSO)在高维空间复杂曲面寻优时易于陷入局部最小值的问题,分组扰动粒子群优化算法(partially-perturbed particle swarm optimization,PPSO)结合问题特征,采用启发式规则,实施参数分组扰动策略,对PSO算法进行改进,从而增大了跳出局部极小的可能性。本文主要研究PPSO在精馏塔模型参数闭环辨识上的应用,分别针对模型参数可辨识性,参数的不同分组,鲁棒性进行分析验证;并在其他精馏塔模型上进行了相应的验证。仿真实验表明,PPSO辨识算法比序列近似法等其它辨识算法具有更高的辨识精度,并且具有较强的鲁棒性;在其他精馏塔模型参数辨识上PPSO算法也同样取得了很好的辨识精度。实验结果证明了PPSO算法在精馏塔模型参数闭环辨识上的可行性和有效性。     

基于化学反应算法的系统辨识

化学反应优化算法起源于化学反应过程中的能量变化的模拟。提出一种利用化学反应优化算法对系统进行辨识的方法。即通过建立连续系统和离散系统的传递函数结构模型,首先将系统辨识问题转化为数学上求取相关参数的全局最优估计问题,然后利用化学反应优化算法对该问题进行求解。最后给出仿真实例,并且与遗传算法进行了比较,结果表明该方法具有较好的效果,且兼具速度快、精度高等特点。     

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

Parameters identification of nonlinear state space model of synchronous generator

Synchronous generator (SG) modeling plays an important role in system planning, operation and post-disturbance analysis. This paper presents an improved algorithm named Particle Swarm Optimization with Quantum Operation (PSO–QO) to solve both offline and online parameters estimation problem for SG. First, the hybrid algorithm is proposed to increase the convergence speed and identification accuracy of the basic Particle Swarm Optimization (PSO). An illustrative example for parameters identification of SG is provided to confirm the validity, as compared with Linearly Decreasing Inertia Weight PSO (LDW-PSO), and the Quantum Particle Swarm Optimization (QPSO) in terms of parameter estimation accuracy and convergence speed. Second, PSO–QO is also improved to detect and determine parameters variation. In this case, a sentry particle is introduced to detect any changes in system parameters. Simulation results confirm that the proposed algorithm is a viable alternative for online parameters detection and parameters identification of SG.     

基于PSO的预测控制及在聚丙烯中的应用

输入输出受限非线性系统的预测控制问题,可以看作是一个难以直接求解的约束非线性优化问题。针对预测控制在解决此类优化问题时,存在易收敛到局部极小或者非可行解,对初始值敏感等缺点,提出了一种基于微粒群优化方法的非线性预测控制算法。采用微粒群优化算法（PSO）作为模型预测控制的滚动优化方法,在线实时求解最优控制律。将PSO与序贯二次规划（SQP）算法进行对比仿真实验,求解两个标准函数优化问题,结果表明PSO能够快速有效地求得全局最小点,而SQP则很容易陷入局部极小点。将该算法应用于丙烯聚合反应过程的温度控制中,仿真结果显示了该方法的有效性。     

Solving nonlinear optimal control problems using a hybrid IPSO-SQP algorithm

A hybrid algorithm by integrating an improved particle swarm optimization (IPSO) with successive quadratic programming (SQP), namely IPSO-SQP, is proposed for solving nonlinear optimal control problems. The particle swarm optimization (PSO) is showed to converge rapidly to a near optimum solution, but the search process will become very slow around global optimum. On the contrary, the ability of SQP is weak to escape local optimum but can achieve faster convergent speed around global optimum and the convergent accuracy can be higher. Hence, in the proposed method, at the beginning stage of search process, a PSO algorithm is employed to find a near optimum solution. In this case, an improved PSO (IPSO) algorithm is used to enhance global search ability and convergence speed of algorithm. When the change in fitness value is smaller than a predefined value, the searching process is switched to SQP to accelerate the search process and find an accurate solution. In this way, this hybrid algorithm may find an optimum solution more accurately. To validate the performance of the proposed IPSO-SQP approach, it is evaluated on two optimal control problems. Results show that the performance of the proposed algorithm is satisfactory.     

Real-time particle swarm optimization based current harmonic cancellation

As a powerful optimization algorithm, particle swarm optimization (PSO) has been widely applied to power system researches. However, most existing applications of PSO can only be implemented offline. The difficulties of online implementation mainly come from the unavoidable lengthy simulation time to evaluate a candidate solution. Recently, PSO was implemented online that can identify parameters in a motor control systems. In this paper, the real-time PSO (RT-PSO) based identification technique is applied to cancel current harmonics in power systems. By transforming the identification problem to optimization problem, RT-PSO can simultaneously identify four parameters associated with fundamental current from measurement. In this way, there is no need to identify the fundamental frequency separately or construct fundamental signal from identified harmonic information. The identification algorithm can be applied to three-phases independently, even for unbalanced system or single-phase system. The identified fundamental signal is then used as the reference for current harmonics cancellation. The RT-PSO based harmonic cancellation is realized with an active filter and used to compensate harmonic current created by a nonlinear load. Simulation results demonstrate that the RT-PSO algorithm can provide accurate identification of the fundamental current which in turn will result in good harmonic cancellation performance. As a capable online optimization technique, RT-PSO can be extensively applied to many optimization and control problems.     

基于混合微粒群算法的说话人识别

为了解决传统高斯混合模型(GMM)对初值敏感,在实际训练中极易得到局部最优参数的问题,提出了一种采用微粒群算法优化GMM参数的新方法。该方法将最大似然估计融入到微粒群算法迭代过程中,形成了新的混合算法。它利用微粒群算法的全局优化性及最大似然估计的局部寻优性求解高斯混合模型的参数,以提高参数精度。说话人辨认实验表明,与传统的方法相比,新方法可以得到更优的模型参数,使得系统的识别率进一步提高。     

一种基于粒子群优化的非线性系统辨识方法

针对单入单出离散时间非线性动态系统提出一种辨识方法.该方法采用带误差修正的改进泛模型作为非线性系统的结构模型,模型中的时变特征参量及误差修正系数采用粒子群（PSO）算法优化,优化后的模型可以逼近非线性系统.该方法简单、易于实现.通过对Box-Jenkins煤气炉数据等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性.