[发明专利]一种高精度闭环系统辨识方法

说明书

本发明涉及一种高精度闭环系统辨识方法，方法包括：S1、按照预先设定的激励信号对闭环系统进行持续激励，并在闭环系统在受到激励信号的激励的过程中获取输入数据、输出数据；S2、针对闭环系统在受到激励信号的激励的过程中获取的输入数据和输出数据进行预处理，获取预处理后的数据；S3、采用预处理后的数据训练与闭环系统对应的用于预测闭环系统未来输出的数据的模型，确定用于预测闭环系统未来输出数据的模型中的第一参数的具体值；第一参数与用于预测闭环系统未来输出数据的模型匹配的，且用于在预测闭环系统未来输出数据的模型在对输入到预测闭环系统未来输出数据的模型中的数据进行预测未来相应输出的数据的参数。

技术领域

本发明涉及工业控制系统辨识技术领域，尤其涉及一种高精度闭环系统辨识方法。

背景技术

系统辨识首先根据后续需求定义辨识模型的表达形式，如状态空间形式、传递函数形式等；然后用合适的辨识算法估计模型参数使得辨识得到的模型可以模拟真实系统，即输入相同数据时，辨识模型和真实系统具有数值相差不大的输出。子空间辨识算法是辨识多输入多输出( MIMO) 系统状态空间模型的有效工具。子空间辨识算法将输入输出数据存储于分块 Hankel 矩 阵 当 中，并 通 过 对 特 定 矩 阵 的 奇 异 值 分 解( SVD)或 QR分解得到系统的状态空间矩阵。因此，子空间辨识算法相比于传统的辨识方法如预报误差法( PEM) ，具有简洁性和很强的数值稳定性，计算过程不涉及无法收敛的优化问题等。

但是，在现有的系统辨识中，当辨识对象是闭环系统的时候，采用现有的子空间辨识方法往往会得到有偏的估计结果，这是因为首先采集的系统的输入数据并不准确，如输入信号和不可测噪声存在关联，因此理由其输入信号进行子空间辨识得到的结果也不精确。业内人士提出一种基于自回归模型( ARX) 的多步输出预测器，避免了输入信号和不可测噪声不相关的假设，将系统的状态向量表达成预测器输出向量的线性组合，从而将其状态空间参数辨识转化为一个最小二乘问题。但是由于输出预测的计算是基于未来输入为零的假设，这显然与实际情况不相符，因此采用此方法得到的结果并不准确。同时该方法还具有影响辨识相果的相关参数选取不合适、模型预测精度不够的问题。

另外，现有技术中还提供一种将基于粒子群算法（PSO）参数优化的预测形式简约子空间辨识方法（PARSIM-K）应用于水电机组模型闭环辨识，利用了Markov参数的Toplitz结构解决噪声和输入数据相关性的闭环辨识问题，但此方法仅考虑了参数p、f对辨识的影响，同时采用PSO算法也使得算法计算资源消耗较大。

发明内容

（一）要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种高精度闭环系统辨识方法，其解决了获取系统输入输出数据不准确、预测精度不高的技术问题。

（二）技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种高精度闭环系统辨识方法，所述方法包括：

S1、按照预先设定的激励信号对闭环系统进行持续激励，并在所述闭环系统在受到所述激励信号的激励的过程中，获取闭环系统相应的输入数据、输出数据；

S2、针对所述闭环系统在受到所述激励信号的激励的过程中获取的输入数据和输出数据进行预处理，获取预处理后的数据；

S3、采用所述预处理后的数据训练与所述闭环系统对应的用于预测闭环系统未来输出的数据的模型，确定所述用于预测闭环系统未来输出数据的模型中的第一参数的具体值；

所述第一参数与所述用于预测闭环系统未来输出数据的模型匹配；

所述第一参数为用于在所述用于预测闭环系统未来输出数据的模型在对输入到所述用于预测闭环系统未来输出数据的模型中的数据进行预测未来相应输出的数据的参数。