一种采用改进蚁群算法的热工过程模型参数辨识方法
【技术领域】
[0001] 本发明涉及热工控制领域，具体涉及一种采用改进蚁群算法的热工过程模型参数 辨识方法。
【背景技术】
[0002] 近年来，新能源发电技术得到了快速的发展，但是火电在今后一段时间内，仍是我 国主要的电力装机形式，对我国的经济发展起着支柱性的作用。对火电机组特性的深入研 究，尤其是深化发展节能减排技术，对发展资源节约型、环境友好型的国民经济具有重要的 作用。结合我国火电机组的高参数、大容量、高度自动化的发展趋势，火电机组热力系统多 变量耦合、结构复杂、不确定性和非线性等特征日渐突出，有必要对其对象动态特性开展深 入研究，关键点之一就是建立准确的热工特性模型。
[0003] 基于模型的控制方法普遍应用于火电厂热工过程控制系统中。因此，建立被控对 象的数学模型是设计和调试控制系统的基础。一般地，求取热工过程被控对象数学模型的 方法有以下四种：阶跃扰动法、正弦波频率法、脉冲响应法以及相关辨识法。由于现场运行 条件和测试时间等因素的限制，后三种方法很难在实际中得到应用。当阶跃响应曲线比较 规则时，可以采用近似法、半对数法、切线法和两点法来有效地导出传递函数，但这些方法 的计算精度依赖于测绘仪器，故通用性比较差；当阶跃响应曲线呈现不规则形状时，可以采 用面积法，而面积法存在着易于陷入局部最小等缺点，故只适用于有白平衡能力的简单对 象。现代的系统辨识以离散系统差分模型的参数估计为基础，并衍生出了以最小二乘法为 基础的理论和方法，但该方法对测试信号和噪声干扰均有特定的要求。因此，对现有智能辨 识方法借鉴并加以改进，使之能应用在热工过程的控制中十分重要。
[0004] 与传统热工过程辨识方法相比，群体智能（SwarmIntelligent)的快速发展及其 在系统辨识中的应用弥补了传统方法的不足。蚁群优化算法（AntColonyOptimization) 是一种新型启发式搜索算法，它继模拟退火算法、遗传算法、禁忌搜索算法、人工神经网络 算法等启发式搜索算法后逐渐引起国内外专家学者的关注。它为系统优化问题提供了新 的求解思路，尤其在求解离散型组合优化问题上，它表现出了其他算法所无法比拟的优越 性。同禁忌搜索算法相比，蚁群优化算法对初始解的依赖性不强；同遗传算法相比，蚁群优 化算法中的正反馈机制更有利于发现较好解；同时，蚁群优化算法采用分布式计算与启发 式算法相结合，使得该方法易于并行实现。
【发明内容】
[0005] 发明目的：本发明为补充现有热工过程模型参数辨识方法的不足，提供了一种精 确快捷的模型参数辨识方法，过程中采用MATLAB软件，能够根据系统输入输出辨识出相关 参数，最终建立精确的热工过程模型。
[0006] 技术方案：本发明的一种采用改进蚁群算法的热工过程模型参数辨识方法，包括 如下步骤：
[0007] (1)确定系统辨识结构与待辨识参数
[0008] 热工系统的目标函数为：
[0009]
⑴
[0010] 其中，5够):为模型输出，y(k)为系统实际输出，k为时间；
[0011] 待辨识对象为具有纯延迟的高阶惯性对象，即：
[0012]
[0013] 其中，G(s)为待辨识对象，为估计模型，K为增益系数、T为时间常数、η为模 型阶次，τ为迟延时间；
[0014]
[0015] 式中，L为拉普拉斯变换算子，u(k)为系统输入；
[0016] (2)确定算法路径与初始信息素分布
[0017] 蚁群算法中的所有可行路径代表问题的所有可行解，对上述待辨识参数采用十进 制编码，形成10X10的路径矩阵，例如：设定各参数取值范围：K e[-29. 9,29. 9]，Te[0， 199.9]，τe[0,99]，ne[1，9];规划路径规模为如下10X10矩阵：
[0018]
[0019] 蚂蚁从矩阵左边出发向右前进，每一列选取一个节点，到达最右时所有经过节 点组成该蚂蚁的路径；同时，路径矩阵中的每一个节点对应一个信息素含量，由此构成 10X10的信息素矩阵；
[0020] 产生一批较优初始解，将每个解对应的信息素含量叠加起来，形成信息素的初始 分布；
[0021] (3)循环迭代完成搜索
[0022] 信息素矩阵初始化完成后，所有蚂蚁依次前进，蚂蚁在前进中由节点处的信息素 大小选择路径下一节点，第k次迭代中选择概率函数为：
[0023]
⑶ /=1
[0024] 式中，τJk-l)是节点i的信息素含量；α是表示信息素的重要程度系数；
[0025] 所有蚂蚁完成一次循环后，各路径上信息素量根据式（5)调整：
[0026]
⑷
[0027] 其中，Ρ为信息素蒸发系数，表示信息素在历次迭代过程中慢慢衰减，取值为 (0, 1) ;Δτ;表示节点i的信息素总增量；Δτ,表示在本次循环中蚂蚁j留在节点i上 的信息素增量;m表示蚂蚁的总个数；^^表示蚂蚁j所走路径对应的目标函数计算值，目标 函数计算值越小，信息素释放的就越多；Q_表示本次循环中所有Qj的最小值；
[0028] 同时，对信息素分布做出交叉操作、变异操作和退火操作：
[0029] 蚂蚁在完成每次循环搜索之后，按上述各式更新信息素矩阵，通过不断迭代，算法 最终找到全局最优解，使得式（1)中的J(k)最小。
[0030] 进一步的，所述步骤（2)中的信息素矩阵初始值将根据产生的初始解来设定，具 体流程如下：
[0031] ①确定抗体集合：将满足约束条件"Ke[-29. 9,29. 9]，Te[0, 199. 9]，τe[0， 99]，ηe[1，9] "的所有解作为算法的抗体；
[0032] ②产生初始抗体：随机产生&个初始抗体，计算抗体与抗原之间的亲和力，将亲和 力过差的抗体剔除掉，同时生成新的抗体作为补充，剔除一个抗体，补充一个新的抗体，不 断重复以上操作，直到所有抗体都满足亲和力要求；
[0033] ③选择抗体：计算抗体浓度Q，依次继续排除掉浓度最高的抗体，直到剩余抗体的 个数Nc达到设定值N2,N2〈N1;
[0034] 第i个抗体的浓度Q的计算公式为：
[0035]
[0036] 式中，Q是第i个抗体的浓度；Nc为剩余抗体个数，N2〈Nc〈N1;a丨表示抗体i和抗 体j中第1个节点之间的相似系数，如果节点的值相同％取1，否则取ο;ζ表示抗体中各 节点的值；
[0037] ④按照步骤③中所得抗体，将队个蚂蚁依次经过与路径矩阵中相对应的路径，所 得信息素含量的叠加作为信息素初始分布。
[0038] 进一步的，所述步骤（3)中，对信息素分布做出交叉操作、变异操作和退火操作的 具体过程如下：
[0039] ①交叉操作
[0040] 将抗体编码序列分割成若干基因片段，每组采用部分映射交叉过程，
[0041] 操作如下（假设抗体有10个节点）：
[0042] 假设该抗体由三段基因组成，现将抗体
[0043] 352|8|251934
[0044] 292|4|760472
[0045] 交叉为
[0046] 352|4|251934
[0047] 292 | 8 | 760472
[0048] 将中间某一段基因互换，抗体其余基因片段不变，当每一轮蚂蚁寻找路径结束后， 对信息素矩阵进行交叉操作，即将当前最优路径节点上的信息素与同一列信息素含量最高 的节点互换；
[0049] ②变异操作
[0050] 选定同一列节点中信息素含量最高节点的纵向邻域作为变异点，进行变异，抗体 其余节点不变；当信息素含量最高节点位于最上面一行或最下面一行时，所述邻域是下邻 域或上邻域，当信息素含量最高节点不位于最上面一行或最下面一行时，所述邻域是上邻 域和下邻域；
[0051] 变异过程采用模拟退火策略，对各节点设置退火因子λi，即
[0052]
(6)
[0053] 式中，τΜχι为同一列节点中信息素最高含量，Δτaddi，为节点纵向邻域的信息素 增量，Ns为迭代次数，〗严在搜索过程中从1逐渐减小，使得信息素扩散作用逐渐减弱；
[0054] 通过控制λ 大小来调整减小速率，从而保证算法在搜索初期扩散作用强，有很 强的随机性多样性；搜索后期关键位置（如系统阶次η)的扩散作用减弱，使算法有较快的 收敛速度和搜索精度。
[0055] 有益效果：本发明在基本蚁群算法的基础上，针对热工过程做出几点相应改进，将 辨识问题转化成为参数空间上的优化问题，使算法更加精确高效。在已知输入输出数据的 基础上，在MATLAB软件上利用改进蚁群算法对整个参数空间进行高效并行的搜索，能够较 快辨识出模型参数，达到精确建模的目的。具体具有如下优点：
[0056] 1、本技术将热工过程模型的辨识问题转化为相关参数的组合优化问题，利用改进 蚁群算法对整个参数空间进行高效搜索，实现模型结构辨识与参数辨识同时进行，从而获 得系统模型参数的最优估计。
[0057] 2、相比基本蚁群算法，本技术将空间信息素、抗体浓度等全局信息综合起来影响 概率函数，避免陷入局部极小的问题。
[0058] 3、相比基本蚁群算法