非高斯系统的控制及滤波策略研究

论文摘要

随着工业系统的大型化、复杂化发展,随机信号对于实际系统的干扰变得越来越不可忽视。以往的控制系统设计方法往往基于干扰服从高斯分布的假设,而在实际的工业过程中,系统模型往往是非线性的,且扰动不一定服从高斯分布。近几十年来随机控制理论的不断完善更新,为解决随机系统的控制等问题带来了希望。随机控制理论从系统变量的概率密度函数出发,不局限于变量的均值和方差,同时将变量的高阶矩信息考虑在内,具有更广泛的意义。本文首先针对有机朗肯循环系统(Organic Rankine Cycle system,ORC)遭受非高斯扰动的情况下,使用一种具有特殊结构的循环神经网络来对系统进行辨识,建立对象的数学模型。该神经网络使用生存信息势(Survival Information Potential,SIP)作为训练准则,并基于信号流图计算灵敏度,仿真结果证实了辨识算法的有效性。由于实际运行过程中ORC系统的膨胀机转速与工质泵转速不能发生过大变化,设计了基于神经网络模型的带约束预测控制算法,并通过差分进化(Differential Evolution,DE)算法来求取控制律,设定值跟踪能力的测试展示出设计的控制器具有良好的效果。其次,针对ORC系统,设计了一种基于量化最小熵的控制器。该控制器采用量化最小熵作为指标,相比较于传统的Renyi熵大大降低了熵计算的复杂度。并且由于传统的梯度下降法收敛速度慢、容易陷入局部最优等缺陷,因此将粒子群优化算法(Particle Swarm Optimization,PSO)代替梯度下降法来求解最优控制律,仿真结果表明设计的控制器能够很快的跟踪上设定值的变化,并且随着时间的进行,跟踪误差的概率密度函数变得又尖又窄。最后,针对遭受非高斯干扰的系统,基于混合相关熵设计了一种滤波器。混合相关熵相比较传统的相关熵,采用具有不同核宽度的高斯核函数作为Merce核,其相比较传统的单一高斯核函数有效的解决了核宽度的选择。将设计的滤波器应用于风能转换系统,并采用PSO来求解滤波器增益矩阵,仿真结果表明设计的滤波器能有效的估计出系统的状态。

论文目录

• 摘要
• Abstract
• 第1章 绪论
•   1.1 课题背景及研究意义
•   1.2 非高斯随机系统国外内研究现状及发展动态
•     1.2.1 信息论在随机系统中的应用
•       1.2.1.1 基于信息论的随机系统控制方法研究现状
•       1.2.1.2 基于信息论的随机系统辨识及滤波方法研究现状
•     1.2.2 智能控制理论介绍及其在非高斯系统中的应用现状
•       1.2.2.1 神经网络在非高斯系统中的应用
•       1.2.2.2 群体优化算法在非高斯系统中的应用
•   1.3 论文主要研究内容
• 第2章 信息论中准则函数及智能优化算法
•   2.1 引言
•   2.2 准则函数
•     2.2.1 均方差
•     2.2.2 生存信息势
•     2.2.3 Renyi熵及信息势
•     2.2.4 相关熵
•   2.3 智能优化算法
•     2.3.1 粒子群优化算法
•     2.3.2 差分进化算法
•   2.4 本章小结
• 第3章 基于神经网络的系统辨识及控制
•   3.1 引言
•   3.2 基于DSSNN的系统辨识
•   3.3 基于信号流图的神经网络权重灵敏度计算
•   3.4 基于神经网络模型的预测控制器设计
•   3.5 基于神经网络的ORC过程辨识及控制
•   3.6 本章小结
• 第4章 基于量化最小熵的ORC系统过热度控制
•   4.1 引言
•   4.2 基于熵优化的控制器
•     4.2.1 量化最小熵
•     4.2.2 基于PSO优化的控制量求取
•   4.3 仿真验证
•   4.4 本章小结
• 第5章 基于混合相关熵的非高斯系统滤波
•   5.1 引言
•   5.2 问题描述和滤波器模型
•   5.3 基于混合相关熵的性能指标构建
•   5.4 最优滤波器增益矩阵求解
•   5.5 仿真验证
•   5.6 本章小结
• 第6章 结论与展望
• 参考文献
• 硕士期间发表的论文及其它成果
• 致谢

文章来源

类型: 硕士论文

作者: 田啸

导师: 张建华

关键词: 非高斯系统,最小熵控制,滤波,智能控制,神经网络辨识

来源: 华北电力大学(北京)

年度: 2019

分类: 基础科学,信息科技

专业: 数学,自动化技术

单位: 华北电力大学(北京)

分类号: O231;TP18

DOI: 10.27140/d.cnki.ghbbu.2019.000909

总页数: 77

文件大小: 4847K

下载量: 21