[发明专利]基于参数分离的Wiener非线性系统辨识方法

说明书

本发明公开了一种基于参数分离的Wiener非线性系统辨识方法，包括以下步骤：A、将待识别的火电厂控制系统转化为Wiener非线性系统，将待识别的火电厂控制系统的输入量进行合并；B、对Wiener非线性系统进行分析，包括系统线性动态部分结构、系统非线性静态部分结构、动态干扰类型、测量噪声；确定n_a、n_b和n_c，设定初始值，重复收集输入数据u(k)和y(k)，直至k≥n_a+n，k≥n_b+n；C、将Wiener非线性系统时不变参数和时变参数分离；D、对Wiener非线性系统进行辨识；E、当辨识得到的模型不满足要求时，返回步骤A，重新调整模型结构和初始值，重新辨识，直到得到满足要求的系统模型。本发明能够改进现有技术的不足，提高了对于Wiener非线性系统辨识的精度和收敛速度。

技术领域

本发明涉及工业控制技术领域，尤其是一种基于参数分离的Wiener非线性系统辨识方法。

背景技术

系统辨识技术是控制领域的一大分支，其目的是利用系统的输入输出数据，辨识出系统参数模型，为系统优化、系统控制等奠定基础。系统模型一般分为线性模型和非线性模型，其中非线性模型是广泛存在，针对非线性模型的辨识问题得到广大工程技术人员和学者的关注。Wiener非线性系统是最为典型的非线性系统，其结构是线性动态部分和非线性静态部分进行串联组成的。因此，Wiener非线性系统属于动态系统范畴。Wiener非线性系统能够描述大部分工业系统，在实际工业系统中还存在各种噪声的干扰。在工业系统中，由于各种原因存在着动态干扰噪声，动态干扰噪声对于系统辨识算法的的效果有很大影响，严重的会导致无法辨识出系统模型。因此，系统辨识过程中，需要将系统参数和动态干扰同时辨识出来。

近些年来，系统辨识技术得到了快速发展，常用的辨识方法有极大似然、梯度下降、最小二乘、人工智能方法等，但是针对动态扰动条件下的非线性系统辨识的研究在国内外文献和专利中很少提及。学者F.Ding,X.Liu,M.Liu等在文献“The recursive leastsquares identification algorithm for a class of Wiener nonlinear systems”，(简译：针对一类维纳非线性系统的递推最小二乘辨识算法，发表在国际期刊Journal of theFranklin Institute.353(7)(2016)1518-1526)中构造了多项式形式的Wiener非线性系统模型，构造辅助模型对中间未知变量进行估计，将系统模型推导成系统输出等于无噪声输出与测量噪声之和的形式，最后利用递推最小二乘算法对系统参数进行辨识。但是该方法不适用于存在动态扰动的情况，动态扰动会叠加到系统输出上，降低系统辨识方法的辨识精度，甚至于无法辨识出真实参数，降低了该方法的适用性。学者D.Wang,F.Ding等在文献“Least squares based and gradient based iterative identification for Wienernonlinear systems”，(简译：最小二乘和梯度迭代算法在维纳非线性系统辨识中的应用，发表在国际期刊Signal Processing.91(5)(2011)1182-1189)中针对Wiener非线性系统提出了两种方法：最下二乘迭代方法和梯度迭代方法，能够同时利用所有输入输出数据，该方法在只有测量噪声的条件下，具有良好的辨识效果，但是在存在动态干扰的条件下，其辨识的精度将有所下降。再有该方法属于离线方法，每次迭代利用全部输入输出数据，计算量大，无法在线应用。

发明内容

本发明要解决的技术问题是提供一种基于参数分离的Wiener非线性系统辨识方法，能够解决现有技术的不足，提高了对于Wiener非线性系统辨识的精度和收敛速度。

为解决上述技术问题，本发明所采取的技术方案如下。

一种基于参数分离的Wiener非线性系统辨识方法，包括以下步骤：

A、将待识别的火电厂控制系统转化为Wiener非线性系统，将待识别的火电厂控制系统的输入量进行合并；