基于大数据和双量子粒子群算法的多变量系统辨识研究

【 摘 要 】 大数据时代背景下，发掘生产现场的历史数据中有用的信息和知识，利用智能算法来模型辨识多变量系统，已经成为了主流的研究方向。论文经过多个实验探究分析历史大数据和智能算法相融合的多变量系统辨识中具有的问题，并且把输入变量对输出的影响进行了量化，同时把这种方案使用在热力发电厂的多变量协调控制系统的相关建模实验里，相应的辨识结果证明了这个方案的实效性。

【 关键词 】 大数据；双量子粒子；多变量系统

【 中图分类号 】 TP392

【 文献标识码 】 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

本文融合了历史大数据以及智能算法，对于在多变量系统中难以准确的量化相应子系统的数据模型问题，研究出了相应的有效数据以及计算优化方案。为了避免量子粒子群算法在巡优精度和收敛速度方面的不足，应用双量子粒子群算法，对原来的进化搜索方案和粒子种群编码采用量子化处理方式进行函数试验，经过优化的算法比QPSO和PSO算法的搜索能力更强。而后使用现场生产历史数据，使用D-QPSO算法估计了参数，在热力发电厂负荷控制系统的传递函数识别流程中应用了相应的解决方案，相关的研究为控制器的优化和设计提供借鉴。

2 双量粒子群算法

2.1 关于优化问题的概述

双量子粒子群的算法，主要的原理就是能够先根据量子位的概率幅值来记性粒子种群的编码，不断对其进行拓展，提升其对空间能力的粒子遍布，同时对种群进行的过程进行量子化的处理。此过程中，对方程进行简化，以实现全面的控制。根据以下步骤计算：一般来说相应的连续优化问题可以用minf（x1，…，xn）来表述，其中xi∈[ai，bi ]， i=1，2，…，n，n指的是优化变量的个数，f是目标函数，[ai，bi ]是自变量的定义域。

2.1.2量子化粒子的初始位置

应用量子位的概率幅值当作粒子目前位置的编码。

Pi的取值范围是[-1，1]，把单位空间I=[-1，1]n映射到相应的优化问题解决空间。

2.1.3 粒子在更新流程中的量子化

通过研究量子的时空构造，可以做使用波函数？鬃（？兹 ，t）来表示粒子相应量子位概率幅值的状态。下面是粒子的进化方程：

其中：？准1，？准2是（0，1）之间随机的一个数值，m指的是种群规模，？兹best指的是在量子位概率幅值的最佳中值位置，？茁是收缩因子，相关实验证明？茁如果从1.0线形缩减到0.5，那么相应的算法能够在取得较好的寻优效果。

2.1.4 粒子的变异分析

为了能够避免出现种群的早熟以及收敛等问题，必须要对算法进行优化，在其中加入一些变异因子，从而来各部量子非门实现操作的变异。

2.2 具体的算法流程分析

D-QPSO算法的具体计算过程：第一，相关参数初始化，其中包括迭代次数、变量个数和种群规模等；第二，初始种群的生成，量子化编码计算。第三，变换解空间；第四，使用适应度函数来计算相应每个粒子相应位置的适应值；第五，计算中值最佳位置？兹best；第六，更新当前粒子的位置；第七，变异处理粒子；第八，采用循环计算，直到迭代数值到了最大限制或者满足相应终止条件。

3 关于经典函数数值优化的分析和实验

为证实算法的实效性，需要使用多个基准函数来测试算法，把D-QPSO算法和PSO和PSO的函数最终优化结果相互比较。

以下是关于算法参数的设置：粒子群的规模是50，寻优重复50次，最大迭代次数为500，取平均值当作最终结果。在D-QPSO中，自身因子值是2.0，惯性权重是0.5，变异概率是2.0，全局因子值是2.0。在PSO中，全局因子数值是2.0，自身因子数值是2.0，惯性权重是0.5。若最终得出的优化结果与一些条件相互符合，那么则是可以将其判断为合格，同时可以对算法的迭代进行终止。对于实验表示D-QPSO算法的寻优精度和合格次数都会得到很大程度上的提升，这样将会保证高维优化的效果。

4 对多变量系统辨识问题的分析和解决方法探究

4.1 多变量系统辨识相关问题和相应解决方案分析

如今，DCS系统得到了广泛应用，通过结合生产现场的大数据和相关的智能算法融合，而后进行系统辨识，是当前的研究重点内容。相应的辨识方式随人防止了对生产过程中产生扰动，同时也有一定的问题：系统中的相关输入变量都会改变，所以无法精确的量化相应输入变量对输出的影响大小[1]。

选取较为简单的两入一出二阶系统做例子。

其中，子系统1输入为u1（t），输出为y1（t）；子系统2输入为u2（t），输出为y2（t），系统输出为y（t）。

假设相关的参数如下：T4=125， T3=20， K2=3， T2=255， T1=100， K1=2。在系统中，第一组输入是u1=rand*1， u2=rand*2， 子系统的1输入记作y1，子系统的相应2输出记作y2，系统的相应输出记作y；对于第二组，输入是u3=rand*4， u4=rand*3， 子系统相应的1输出记作y3，子系统相应的2输出记作y4，系统的输出记作ys；在常规的生产过程中，仅仅可以获得系统的输出输入数据，为了提升辨识结果的精准性，在实际仿真试验对比较子系统的输出。采样周期是1s，系统的仿真时间是5000s，最后得出相应的适应度函数（属于均方差函数）。

在进行系统辨识的过程中，一般都是使用一组输出输入数据来估计初始模型的参数，而后使用另一组的数验证相应的辨识结果。实验得出根据数值理论的相应计算结果来分析，如果无限制的延长辨识数据的容量，就会让辨识结果更好，同时相应的辨识过程会变得比较复杂。相应的实验结果显示，这种方案不仅具有良好的精确度，而且只需要较少的数据量。所以使用较多组不相同的输出输入数据来优化计算系统参数的方案比较可行，适合在历史大数据和智能算法融合的所变量系统模型辨识中应用[2]。

5 负荷控制系统的辨识实验探究

热力发电厂的超临界直流机组中应用的协调系统是比较典型的多变量系统，汽轮机阀门开度、总燃料量以及给水流量是系统的输入，中间点温度、主蒸汽压力以及汽轮机功率是输出。

经过分析负荷控制系统的相应机制，可以得出参考模型集的具体形式：

在式子中：k2和k1代表系统模型的增益；a是系统的逆向相应参数；d是延迟时间；n是模型阶次；T是系统相应的惯性时间。

研究对象选取我国某1000MW的超临界机组，采样机组800MW附近工况的相应数据，采样周期是5s，采样花费时间长度是50min。这样设置参数：变异概率是0.05，种群规模是50；收缩因子由1.0变成0.05。下面是模型参数的具体取值范围：a∈[0.1000]， K1， K2∈[-10，10]， T1， T2， …， Tn∈[0， 1000]，n∈{1，2，3，4，5}，d∈[0，100]。

将原始数据济宁均值化处理，同时能够将其中的好一些野值进行探讨以及分辨，以此来获得其中的最佳值，如表1所示。辨识结果的相应均方差为0.788。

实验得出，实际机组的输出和辨识模型的输出，相应的均方差是0.434。根据这个结果，得出相应的辨识模型可以反映实际系统的动态特点[3]。

6 结束语

综上所述，本文通过实验分析探究，相应的历史大数据和智能算法融合的辨识方案，可以精确量化多变量系统里的所有子系统数学模型。应用双重量子粒子群算法，不仅可以拓展空间的遍历性能，而且量子化处理了粒子进化过程，利用简单的粒子进行方式以及较少的经验参数，优化了寻优过程。这种算法在寻优速度和收敛速度方面都有显著提升。

参考文献

[1] 陈功贵，陈金富.含风电场电力系统环境经济动态调度建模与算法[J].中国电机工程学报，2013（10） ：65-66.

[2] 刘自发，张伟，王泽黎.基于量子粒子群优化算法的城市电动汽车充电站优化布局[J].中国电机工程学报，2012（22） ：112-113.

[3] 齐钦.一种改进Apriori算法在高校课程相关性分析中的应用研究[J].徐州工程学院学报（自然科学版），2014.4，p.51-55.

作者简介：

姚晔（1973-），女，汉族，上海人，硕士，辽宁行政学院，教授；主要研究方向和关注领域：大数据。