[发明专利]基于广义时变方程误差自回归滑动平均模型的两阶段递推参数估计方法

说明书

本发明公开了一种基于广义时变方程误差自回归滑动平均模型的两阶段递推参数估计方法。大多数控制策略都是基于数学模型的，建立精确的数学模型在过程控制中起着重要的作用。再热蒸汽温度系统是大型电站锅炉的一种成熟、可靠的调温方式，该系统受金属材料性能的限制，温度不能过高，同时为了保证机组的效率，温度不可过低。再热蒸汽温度系统的参数是扰动量的函数，具有时变的特性并且在实际工业环境中容易受到有色噪声的干扰，影响参数辨识的准确性。为了实现参数实时估计并提高参数估计的效率，本发明将系统分解为两个虚拟的子系统，结合递推最小二乘方法交互估计系统参数。本发明包括包括构建出受有色噪声干扰的广义时变系统模型，构建出两阶段递推最小二乘参数辨识算法流程、构建出两阶段递推最小二乘算法等步骤。本发明方法简便、高效，可以应用于再热蒸汽温度系统的参数辨识。

技术领域

本发明涉及一种基于广义时变方程误差自回归滑动平均模型的两阶段递推参数估计方法。

背景技术

再热蒸汽温度系统是大型电站锅炉的一种成熟、可靠的调温方式，该系统受金属材料性能的限制，温度不能过高，同时为了保证机组的效率，温度不可过低。再热蒸汽温度系统中，系统参数受到扰动量的影响，造成系统参数带有时变特性。同时工业环境中容易受到有色噪声的干扰，造成对系统参数辨识的困难。因此，对带有有色噪声的再热蒸汽温度系统的参数辨识是有必要的。借助于数学模型，用辨识的方法去估计系统的参数可以对系统参数进行更好的辨识。

两阶段递推最小二乘算法可以将模型分为两个虚拟的子模型，分别包含与输入输出相关的未知参数和与噪声相关的未知参数，能够实时跟踪时变参数。通过两阶段递推最小二乘算法可以简化计算，减少计算量，提高计算效率。因此，本发明采用两阶段递推最小二乘算法对广义时变方程误差自回归滑动平均模型进行参数辨识。

本发明的目的是利用两阶段递推参数估计方法对广义时变方程误差自回归滑动平均模型参数进行辨识。

本发明的解决方案是：

(1)构建广义时变方程误差自回归滑动平均模型的辨识模型，具体步骤如下：

第一步：构建基于广义时变方程误差自回归滑动平均模型结构见附图1：

第二步：根据此模型，构建广义时变方程误差自回归滑动平均模型表达式如下：

上述公式中各符号的含义：u(t)和y(t)是入系统的输入和输出，v(t)是均值为零、方差为σ²且服从高斯分布的白噪声，A(t，z)，B(t，z)，C(z)和D(z)是关于单位后移算子z^-1的多项式(z^-1u(t)＝u(t-1))。

第三步：构建广义时变方程误差自回归滑动平均模型输出y(t)和中间变量w(t)表达式如下：

w(t)＝ξ^T(t)ζ+v(t)， (3)

第四步：构建广义时变方程误差自回归滑动平均模型两个子辨识模型如下：

κ(t)＝y(t)-ξ^T(t)ζ(t)， (4)

第五步：得到广义时变方程误差自回归滑动平均模型的两个子辨识模型：

λ(t)＝ξ^T(t)ζ+υ(t). (7)

(2)构建出两阶段辅助模型递推最小二乘参数辨识算法流程

第一步：启动辨识算法；

第二步：令t＝1，设置初始值；