基于大數(shù)據(jù)和雙量子粒子群算法的多變量系統(tǒng)辨識研究

【 摘 要 】 大數(shù)據(jù)時代背景下，發(fā)掘生產(chǎn)現(xiàn)場的歷史數(shù)據(jù)中有用的信息和知識，利用智能算法來模型辨識多變量系統(tǒng)，已經(jīng)成為了主流的研究方向。論文經(jīng)過多個實驗探究分析歷史大數(shù)據(jù)和智能算法相融合的多變量系統(tǒng)辨識中具有的問題，并且把輸入變量對輸出的影響進(jìn)行了量化，同時把這種方案使用在熱力發(fā)電廠的多變量協(xié)調(diào)控制系統(tǒng)的相關(guān)建模實驗里，相應(yīng)的辨識結(jié)果證明了這個方案的實效性。

【 關(guān)鍵詞 】 大數(shù)據(jù)；雙量子粒子；多變量系統(tǒng)

【 中圖分類號 】 TP392

【 文獻(xiàn)標(biāo)識碼 】 A

Research on Multivariable System Identification Based on Large Data and Double Quantum Particle Swarm Optimization

Yao Ye

（Liaoning Academy of Governance LiaoningShenyang 110161）

【 Abstract 】 In the era of large data， it is a mainstream research direction to discover useful information and knowledge in historical data， and to use intelligent algorithm to model multivariable system. In this paper， several experiments are carried out to analyze the problems of multivariable system identification with the integration of historical data and intelligent algorithms， and the influence of input variables on output is quantified， and this scheme is used in the multivariable Coordinated control system in the relevant modeling experiments， the corresponding identification results prove the effectiveness of this program.

【 Keywords 】 large data； double quantum particle； multivariable system

1 引言

本文融合了歷史大數(shù)據(jù)以及智能算法，對于在多變量系統(tǒng)中難以準(zhǔn)確的量化相應(yīng)子系統(tǒng)的數(shù)據(jù)模型問題，研究出了相應(yīng)的有效數(shù)據(jù)以及計算優(yōu)化方案。為了避免量子粒子群算法在巡優(yōu)精度和收斂速度方面的不足，應(yīng)用雙量子粒子群算法，對原來的進(jìn)化搜索方案和粒子種群編碼采用量子化處理方式進(jìn)行函數(shù)試驗，經(jīng)過優(yōu)化的算法比QPSO和PSO算法的搜索能力更強。而后使用現(xiàn)場生產(chǎn)歷史數(shù)據(jù)，使用D-QPSO算法估計了參數(shù)，在熱力發(fā)電廠負(fù)荷控制系統(tǒng)的傳遞函數(shù)識別流程中應(yīng)用了相應(yīng)的解決方案，相關(guān)的研究為控制器的優(yōu)化和設(shè)計提供借鑒。

2 雙量粒子群算法

2.1 關(guān)于優(yōu)化問題的概述

雙量子粒子群的算法，主要的原理就是能夠先根據(jù)量子位的概率幅值來記性粒子種群的編碼，不斷對其進(jìn)行拓展，提升其對空間能力的粒子遍布，同時對種群進(jìn)行的過程進(jìn)行量子化的處理。此過程中，對方程進(jìn)行簡化，以實現(xiàn)全面的控制。根據(jù)以下步驟計算：一般來說相應(yīng)的連續(xù)優(yōu)化問題可以用minf（x1，…，xn）來表述，其中xi∈[ai，bi ]， i=1，2，…，n，n指的是優(yōu)化變量的個數(shù)，f是目標(biāo)函數(shù)，[ai，bi ]是自變量的定義域。

2.1.2量子化粒子的初始位置

應(yīng)用量子位的概率幅值當(dāng)作粒子目前位置的編碼。

Pi的取值范圍是[-1，1]，把單位空間I=[-1，1]n映射到相應(yīng)的優(yōu)化問題解決空間。

2.1.3 粒子在更新流程中的量子化

通過研究量子的時空構(gòu)造，可以做使用波函數(shù)？鬃（？茲 ，t）來表示粒子相應(yīng)量子位概率幅值的狀態(tài)。下面是粒子的進(jìn)化方程：

其中：？準(zhǔn)1，？準(zhǔn)2是（0，1）之間隨機的一個數(shù)值，m指的是種群規(guī)模，？茲best指的是在量子位概率幅值的最佳中值位置，？茁是收縮因子，相關(guān)實驗證明？茁如果從1.0線形縮減到0.5，那么相應(yīng)的算法能夠在取得較好的尋優(yōu)效果。

2.1.4 粒子的變異分析

為了能夠避免出現(xiàn)種群的早熟以及收斂等問題，必須要對算法進(jìn)行優(yōu)化，在其中加入一些變異因子，從而來各部量子非門實現(xiàn)操作的變異。

2.2 具體的算法流程分析

D-QPSO算法的具體計算過程：第一，相關(guān)參數(shù)初始化，其中包括迭代次數(shù)、變量個數(shù)和種群規(guī)模等；第二，初始種群的生成，量子化編碼計算。第三，變換解空間；第四，使用適應(yīng)度函數(shù)來計算相應(yīng)每個粒子相應(yīng)位置的適應(yīng)值；第五，計算中值最佳位置？茲best；第六，更新當(dāng)前粒子的位置；第七，變異處理粒子；第八，采用循環(huán)計算，直到迭代數(shù)值到了最大限制或者滿足相應(yīng)終止條件。

3 關(guān)于經(jīng)典函數(shù)數(shù)值優(yōu)化的分析和實驗

為證實算法的實效性，需要使用多個基準(zhǔn)函數(shù)來測試算法，把D-QPSO算法和PSO和PSO的函數(shù)最終優(yōu)化結(jié)果相互比較。

以下是關(guān)于算法參數(shù)的設(shè)置：粒子群的規(guī)模是50，尋優(yōu)重復(fù)50次，最大迭代次數(shù)為500，取平均值當(dāng)作最終結(jié)果。在D-QPSO中，自身因子值是2.0，慣性權(quán)重是0.5，變異概率是2.0，全局因子值是2.0。在PSO中，全局因子數(shù)值是2.0，自身因子數(shù)值是2.0，慣性權(quán)重是0.5。若最終得出的優(yōu)化結(jié)果與一些條件相互符合，那么則是可以將其判斷為合格，同時可以對算法的迭代進(jìn)行終止。對于實驗表示D-QPSO算法的尋優(yōu)精度和合格次數(shù)都會得到很大程度上的提升，這樣將會保證高維優(yōu)化的效果。

4 對多變量系統(tǒng)辨識問題的分析和解決方法探究

4.1 多變量系統(tǒng)辨識相關(guān)問題和相應(yīng)解決方案分析

如今，DCS系統(tǒng)得到了廣泛應(yīng)用，通過結(jié)合生產(chǎn)現(xiàn)場的大數(shù)據(jù)和相關(guān)的智能算法融合，而后進(jìn)行系統(tǒng)辨識，是當(dāng)前的研究重點內(nèi)容。相應(yīng)的辨識方式隨人防止了對生產(chǎn)過程中產(chǎn)生擾動，同時也有一定的問題：系統(tǒng)中的相關(guān)輸入變量都會改變，所以無法精確的量化相應(yīng)輸入變量對輸出的影響大小[1]。

選取較為簡單的兩入一出二階系統(tǒng)做例子。

其中，子系統(tǒng)1輸入為u1（t），輸出為y1（t）；子系統(tǒng)2輸入為u2（t），輸出為y2（t），系統(tǒng)輸出為y（t）。

假設(shè)相關(guān)的參數(shù)如下：T4=125， T3=20， K2=3， T2=255， T1=100， K1=2。在系統(tǒng)中，第一組輸入是u1=rand*1， u2=rand*2， 子系統(tǒng)的1輸入記作y1，子系統(tǒng)的相應(yīng)2輸出記作y2，系統(tǒng)的相應(yīng)輸出記作y；對于第二組，輸入是u3=rand*4， u4=rand*3， 子系統(tǒng)相應(yīng)的1輸出記作y3，子系統(tǒng)相應(yīng)的2輸出記作y4，系統(tǒng)的輸出記作ys；在常規(guī)的生產(chǎn)過程中，僅僅可以獲得系統(tǒng)的輸出輸入數(shù)據(jù)，為了提升辨識結(jié)果的精準(zhǔn)性，在實際仿真試驗對比較子系統(tǒng)的輸出。采樣周期是1s，系統(tǒng)的仿真時間是5000s，最后得出相應(yīng)的適應(yīng)度函數(shù)（屬于均方差函數(shù)）。

在進(jìn)行系統(tǒng)辨識的過程中，一般都是使用一組輸出輸入數(shù)據(jù)來估計初始模型的參數(shù)，而后使用另一組的數(shù)驗證相應(yīng)的辨識結(jié)果。實驗得出根據(jù)數(shù)值理論的相應(yīng)計算結(jié)果來分析，如果無限制的延長辨識數(shù)據(jù)的容量，就會讓辨識結(jié)果更好，同時相應(yīng)的辨識過程會變得比較復(fù)雜。相應(yīng)的實驗結(jié)果顯示，這種方案不僅具有良好的精確度，而且只需要較少的數(shù)據(jù)量。所以使用較多組不相同的輸出輸入數(shù)據(jù)來優(yōu)化計算系統(tǒng)參數(shù)的方案比較可行，適合在歷史大數(shù)據(jù)和智能算法融合的所變量系統(tǒng)模型辨識中應(yīng)用[2]。

5 負(fù)荷控制系統(tǒng)的辨識實驗探究

熱力發(fā)電廠的超臨界直流機組中應(yīng)用的協(xié)調(diào)系統(tǒng)是比較典型的多變量系統(tǒng)，汽輪機閥門開度、總?cè)剂狭恳约敖o水流量是系統(tǒng)的輸入，中間點溫度、主蒸汽壓力以及汽輪機功率是輸出。

經(jīng)過分析負(fù)荷控制系統(tǒng)的相應(yīng)機制，可以得出參考模型集的具體形式：

在式子中：k2和k1代表系統(tǒng)模型的增益；a是系統(tǒng)的逆向相應(yīng)參數(shù)；d是延遲時間；n是模型階次；T是系統(tǒng)相應(yīng)的慣性時間。

研究對象選取我國某1000MW的超臨界機組，采樣機組800MW附近工況的相應(yīng)數(shù)據(jù)，采樣周期是5s，采樣花費時間長度是50min。這樣設(shè)置參數(shù)：變異概率是0.05，種群規(guī)模是50；收縮因子由1.0變成0.05。下面是模型參數(shù)的具體取值范圍：a∈[0.1000]， K1， K2∈[-10，10]， T1， T2， …， Tn∈[0， 1000]，n∈{1，2，3，4，5}，d∈[0，100]。

將原始數(shù)據(jù)濟寧均值化處理，同時能夠?qū)⑵渲械暮靡恍┮爸颠M(jìn)行探討以及分辨，以此來獲得其中的最佳值，如表1所示。辨識結(jié)果的相應(yīng)均方差為0.788。

實驗得出，實際機組的輸出和辨識模型的輸出，相應(yīng)的均方差是0.434。根據(jù)這個結(jié)果，得出相應(yīng)的辨識模型可以反映實際系統(tǒng)的動態(tài)特點[3]。

6 結(jié)束語

綜上所述，本文通過實驗分析探究，相應(yīng)的歷史大數(shù)據(jù)和智能算法融合的辨識方案，可以精確量化多變量系統(tǒng)里的所有子系統(tǒng)數(shù)學(xué)模型。應(yīng)用雙重量子粒子群算法，不僅可以拓展空間的遍歷性能，而且量子化處理了粒子進(jìn)化過程，利用簡單的粒子進(jìn)行方式以及較少的經(jīng)驗參數(shù)，優(yōu)化了尋優(yōu)過程。這種算法在尋優(yōu)速度和收斂速度方面都有顯著提升。

參考文獻(xiàn)

[1] 陳功貴，陳金富.含風(fēng)電場電力系統(tǒng)環(huán)境經(jīng)濟動態(tài)調(diào)度建模與算法[J].中國電機工程學(xué)報，2013（10） ：65-66.

[2] 劉自發(fā)，張偉，王澤黎.基于量子粒子群優(yōu)化算法的城市電動汽車充電站優(yōu)化布局[J].中國電機工程學(xué)報，2012（22） ：112-113.

[3] 齊欽.一種改進(jìn)Apriori算法在高校課程相關(guān)性分析中的應(yīng)用研究[J].徐州工程學(xué)院學(xué)報（自然科學(xué)版），2014.4，p.51-55.

作者簡介：

姚曄（1973-），女，漢族，上海人，碩士，遼寧行政學(xué)院，教授；主要研究方向和關(guān)注領(lǐng)域：大數(shù)據(jù)。