感应电动机负荷模型参数解析灵敏度分析及参数辨识策略研究

等效电路模型参数在线辨识

第四章 等效电路模型参数在线辨识 通过第三章函数拟合的方法可以确定钒电池等效电路模型中的参数，但是在实际运行过程中模型参数随着工作环境温度、充放电循环次数、SOC 等因素发生变化，根据离线试验数据计算得到的参数值估算电池SOC 可能会造成较大的估计误差。因此，在实际运行时，应对钒电池等效电路模型参数进行在线辨识，做出实时修正，提高基于模型估算SOC 的精度。 4.1 基于遗忘因子的最小二乘算法 参数辨识是根据被测系统的输入输出来，通过一定的算法，获得让模型输出值尽量接近系统实际输出值的模型参数估计值。根据能否实时辨识系统的模型参数，可以将常用的参数辨识方法分为离线和在线两类，离线辨识只能在数据采集完成后进行，不能对系统模型实时地在线调整参数，对于具有非线性特性的电池系统往往不能得到满意的辨识结果；在线辨识方法一般能够根据实时采集到的数据对系统模型进行辨识，在线调整系统模型参数。常用的辨识方法有最小二乘法、极大似然估计法和Kalman 滤波法等。因最小二乘法原理简明、收敛较快、容易理解和掌握、方便编程实现等特点，在进行电池模型参数辨识时采用了效果较好的含遗忘因子的递推最小二乘法。 4.1.1 批处理最小二乘法简介 假设被辨识的系统模型： 12121212()()()1n n n n b z b z b z y z G z u z a z a z a z ------+++==++++L L （4-1） 其相应的差分方程为： 1 1 ()()()n n i i i i y k a y k i b u k i ===--+-∑∑（4-2） 若考虑被辨识系统或观测信息中含有噪声，则被辨识模型式（4-2）可改写为： 1 1 ()()()()n n i i i i z k a y k i b u k i v k ===--+-+∑∑（4-3） 式中， ()z k 为系统输出量的第k 次观测值；()y k 为系统输出量的第k 次真值，()y k i -为系统输出量的第k i -次真值；()u k 为系统的第k 个输入值，()u k i -为 系统的第k i -个输入值；()v k 为均值为0的随机噪声。

用excel规划求解并作灵敏度分析

题目 如何利用EXC E L求解线性规划 问题及其灵敏度分析 第 8 组 姓名学号 乐俊松 090960125 孙然 090960122 徐正超 090960121 崔凯 090960120王炜垚 090960118 蔡淼 090960117南京航空航天大学（贸易经济）系 2011年（5）月（3）日

摘要 线性规划是运筹学的重要组成部分，在工业、军事、经济计划等领域有着广泛的应用，但其手工求解方法的计算步骤繁琐复杂。本文以实际生产计划投资组合最优化问题为例详细介绍了Excel软件的”规划求解”和“solvertable”功能辅助求解线性规划模型的具体步骤，并对其进行了灵敏度分析。

目录 引言 (4) 软件的使用步骤 (4) 结果分析 (9) 结论与展望 (10) 参考文献 (11)

1. 引言 对于整个运筹学来说，线性规划(Linear Programming)是形成最早、最成熟的一个分支，是优化理论最基础的部分，也是运筹学最核心的内容之一。它是应用分析、量化的方法，在一定的约束条件下，对管理系统中的有限资源进行统筹规划，为决策者提供最优方案，以便产生最大的经济和社会效益。因此，将线性规划方法用于企业的产、销、研等过程成为了现代科学管理的重要手段之一。[1] Excel中的线性规划求解和solvertable功能并不作为命令直接显示在菜单中，因此，使用前需首先加载该模块。具体操作过程为：在Excel的菜单栏中选择“工具／加载宏”，然后在弹出的对话框中选择“规划求解”和“solvertable”，并用鼠标左键单击“确定”。加载成功后，在菜单栏中选择“工具／规划求解”，便会弹出“规划求解参数”对话框。在开始求解之前，需先在对话框中设置好各种参数，包括目标单元格、问题类型(求最大值还是最小值)、可变单元格以及约束条件等。 2 软件的使用步骤 “规划求解”可以解决数学、财务、金融、经济、统计等诸多实 际问题，在此我们只举一个简单的应用实例，说明其具体的操作 方法。 某人有一笔资金可用于长期投资,可供选择的投资机会包括购买国库券、公司债券、投资房地产、购买股票或银行保值储蓄等。投资者希望投资组合的平均年限不超过5年，平均的期望收益率不低于13%，风险系数不超过4，收益的增长潜力不低于10%。问在满足上述要求的前提下投资者该如何选择投资组合使平均年收益率最高？（不同的投资方式的具体参数如下表。）

灵敏度分析

为了确定模型中主要因素，我们对该模型采用 Sobol 法进行灵敏度分析判断其全局敏感性。 Sobol 法是最具有代表性的全局敏感性分析方法，它基于模型分解思想，分别得到参数 1,2 次及更高次的敏感度。通常 1次敏感度即可反映了参数的主要影响。 Sobol 法 Sobol 法核心是把模型分解为单个参数及参数之间相互组合的函数。假设模型为 Y f(x)(x x-i ,x 2,...x m ), x i 服从［0,1］均匀分布，且f 2(x)可积，模型可分解为： n f(x) f(0) f i (X i ) f j (x) ... f i,2”..,n (X i ,X 2,...X k ) i 1 i j 则模型总的方差也可分解为单个参数和每个参数项目组合的影响： n n n D =刀 D i + 刀刀(D ij + D 1 ,2, , n ) i =1 i =1 j =1 i 半j 对该式归一化，并设: 可获得模型单个参数及参数之间相互作用的敏感度 S 由式(2)可得： n n n 1 = ^S i + M^S j + + S,2, ,n i=1 i = 1 j=1 i 有 S l,2, ,n 式中，si 称之为1次敏感度；Sij 为2次敏感度，依此类推； 为n 次敏感度，总共 2n -1 有 项。第i 个参数总敏感度 STJ 定义为： S j S (i) 它表示所有包含第i 个参数的敏感度。 模型中4个输入参数分别为推力，角度， 比冲，月球引力常量。因为月球引力常量和比 冲为物理恒定值，不会产生干扰。所以这里我们对角度，推力进行敏感性分析。 设角度初值为150°，推力为4500N 时，做出高度变化图像如图所示。 S t ,i 2 , ,i D i 1,i 2 , ,i D

浅析电力系统模型参数辨识

浅析电力系统模型参数辨识 （贵哥提供） 一、现状分析 随着我国电力事业的迅猛发展, 超高压输电线路和大容量机组的相继投入, 对电力系统稳定计算、以及其安全性、经济性和电能质量提出了更高的要求。现代控制理论、计算机技术、现代应用数学等新理论、新方法在电力系统的应用，正在促使电力工业这一传统产业迅速走向高科技化。 我国大区域电网的互联使网络结构更复杂，对电力系统安全稳定分析提出了更高的要求，在线、实时、精确的辨识电力系统模型参数变得更加紧迫。由于电力系统模型的基础性、重要性，国外早在上世纪三十年代就开始了这方面的分析研究，[1,2]国内外的电力工作者在模型参数辨识方面做了大量的研究工作。[3]随后IEEE相继公布了有关四大参数的数学模型。1990年全国电网会议上的调查确定了模型参数的地位，促进了模型参数辨识的进一步发展，并提出了研究发电机、励磁、调速系统、负荷等元件的动态特性和理论模型，以及元件在极端运行环境下的动态特性和参数辨识的要求。但传统的测量手段，限制了在线实时辨识方法的实现。 同步相量测量技术的出现和WAMS系统的研究与应用，使实现在线实时的电力系统模型参数辨识成为可能。同步相量是以标准时间信号GPS作为同步的基准，通过对采样数据计算而得的相量。相量测量装置是进行同步相量测量和输出以及动态记录的装置。PMU的核心特征包括基于标准时钟信号的同步相量测量、失去标准时钟信号的授时能力、PMU与主站之间能够实时通信并遵循有关通信协议。 自1988年Virginia Tech研制出首个PMU装置以来，[4]PMU技术取得了长足发展，并在国内外得到了广泛应用。截至2006年底，在我国范围内，已有300多台P MU装置投入运行，并且可预计，在不久的将来PMU装置会遍布电力系统的各个主要电厂和变电站。这为基于PMU的各种应用提供了良好的条件。 二、系统辨识的概念 系统模型是实际系统本质的简化描述。[5]模型可分为物理模型和数学模型两大类。物理模型是根据相似原理构成的一种物理模拟，通过模型试验来研究系统的

非参数回归模型资料

非参数回归模型

精品资料 仅供学习与交流，如有侵权请联系网站删除 谢谢2 非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预 测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为：

数学建模五步法与灵敏度分析

灵敏度分析 简介： 研究与分析一个系统（或模型）的状态或输出变化对系统参数或周围条件变化的敏感程度的方法。在最优化方法中经常利用灵敏度分析来研究原始数据不准确或发生变化时最优解的稳定性。通过灵敏度分析还可以决定哪些参数对系统或模型有较大的影响。因此，灵敏度分析几乎在所有的运筹学方法中以及在对各种方案进行评价时都是很重要的。 用途： 主要用于模型检验和推广。简单来说就是改变模型原有的假设条件之后，所得到的结果会发生多大的变化。 举例（建模五步法）： 一头猪重200磅，每天增重5磅，饲养每天需花费45美分。猪的市场价格为每磅65美分，但每天下降1美分，求出售猪的最佳时间。 建立数学模型的五个步骤： 1.提出问题 2.选择建模方法 3.推到模型的数学表达式 4.求解模型 5.回答问题 第一步：提出问题 将问题用数学语言表达。例子中包含以下变量：猪的重量w（磅），从现在到出售猪期间经历的时间t（天），t天内饲养猪的花费C（美元），猪的市场价格p（美元/磅），出售生猪所获得的收益R（美元），我们最终要获得的净收益P（美元）。还有一些其他量，如猪的初始重量200磅。 （建议先写显而易见的部分） 猪从200磅按每天5磅增加 （w磅）=（200磅）+（5磅/天）*（t天） 饲养每天花费45美分 （C美元）=（0.45美元/天）*（t天） 价格65美分按每天1美分下降 （p美元/磅）=（0.65美元/磅）-（0.01美元/磅）*（t天） 生猪收益 （R美元）=（p美元/磅）*（w磅） 净利润 （P美元）=（R美元）-（C美元） 用数学语言总结和表达如下： 参数设定： t=时间（天）

w=猪的重量（磅） p=猪的价格（美元/磅） C=饲养t天的花费（美元） R=出售猪的收益（美元） P=净收益（美元） 假设： w=200+5t C=0.45t p=0.65-0.01t R=p*w P=R-C t>=0 目标：求P的最大值 第二步：选择建模方法 本例采用单变量最优化问题或极大—极小化问题 第三步：推导模型的数学表达式子 P=R-C （1） R=p*w （2） C=0.45t （3） 得到R=p*w-0.45t p=0.65-0.01t （4） w=200+5t （5） 得到P=（0.65-0.01t)(200+5t)-0.45t 令y=P是需最大化的目标变量，x=t是自变量，现在我们将问题转化为集合S={x:x>=0}上求函数的最大值： y=f（x）=（0.65-0.01x)(200+5x)-0.45x （1-1） 第四步：求解模型 用第二步中确定的数学方法解出步骤三。例子中，要求（1-1）式中定义的y=f （x）在区间x>=0上求最大值。下图给出了（1-1）的图像和导数（应用几何画板绘制）。在x=8为全局极大值点，此时f（8）=133.20。因此（8，133.20）为f在整个实轴上的全局极大值点，同时也是区间x>=0上的最大值点。 第五步：回答问题 根据第四步，8天后出售生猪的净收益最大，可以获得净收益133.20美元。只要第一步中的假设成立，这一结果正确。

非参数回归模型

非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为： ()()()()K t V t V g t V K i i ∑=+==+111

基于最小二乘模型的Bayes参数辨识方法

基于最小二乘模型的Bayes 参数辨识方法 王晓侃1，冯冬青2 1 郑州大学电气工程学院，郑州（450001） 2 郑州大学信息控制研究所，郑州（450001） E-mail ：wxkbbg@https://www.wendangku.net/doc/9b5437812.html, 摘 要：从辨识定义出发,首先介绍了Bayes 基本原理及其两种常用的方法,接着重点介绍了基于最小二乘模型的Bayes 参数辨识,最后以实例用MATLAB 进行仿真,得出理想的辨识结果。 关键词:辨识定义；Bayes 基本原理；Bayes 参数辨识 中国图书分类号：TP273+.1 文献标识码：A 0 概述 系统辨识是建模的一种方法。不同的学科领域，对应着不同的数学模型，从某种意义上讲，不同学科的发展过程就是建立它的数学模型的过程。建立数学模型有两种方法:即解析法和系统辨识。L. A. Zadehll 于1962年曾对”辨识”给出定义[1]:系统辨识是在对输入和输出观测的基础上，在指定的一类系统中，确定一个与被识别的系统等价的系统。一般系统输出y(n)通常用系统过去输出y(n-m)和现在输入u(n)及过去输入u(n-m)的函数描述 y(n)=f(y(n-1),y(n-2)，...，y(n-m y ), u(n),u(n-1),... ,u(n-m u ))=f(x(n),n) x(n)=[y(n-1),y(n-2),...y(n-m y ), u(n),u(n-1),...,u(n-m u )]’ 这里f(,)为未知函数关系，一般情况为泛函数，可以是线性函数或非线性函数，分别对应于线性或非线性系统，通常这个函数未知，但是局部输入输出数据可以测出，系统辨识的任务就是根据这部分信息寻找确定函数或确定系统来逼近这个未知函数。但实际上我们不可能找到一个与实际系统完全等价的模型。从实用的角度来看，系统辨识就是从一组模型中选择一个模型，按照某种准则，使之能最好地拟合由系统的输入输出观测数据体现出的实际系统的动态或静态特性。接下来本文就以最小二乘法为基础的Bayes 辨识方法为例进行分析介绍并加以仿真[4]。 1 Bayes 基本原理 Bayes 辨识方法的基本思想是把所要估计的参数看做随机变量,然后设法通过观测与该参数有关联的其他变量,以此来推断这个参数。 设μ是描述某一动态系统的模型，θ是模型μ的参数，它会反映在该动态系统的输入输出观测值中。如果系统的输出变量z(k)在参数θ及其历史纪录(1) k D ?条件下的概率密度函 数是已知的，记作p(z(k)｜θ，(1) k D ?)，其中(1) k D ?表示（k-1）时刻以前的输入输出数据集 合，那么根据Bayes 的观点参数θ的估计问题可以看成是把参数θ当作具有某种先验概率密 度p （θ，(1) k D ?）的随机变量，如果输入u(k)是确定的变量，则利用Bayes 公式，把参数θ 的后验概率密度函数表示成[2] p (θ，k D ）= p (θ｜z (k ),u(k ), (1) k D ?)=p (θ｜z (k ),(1) k D ?) = (k-1) (k-1) p(z(k)/,D )p(/D ) (k-1)(k-1)p(z(k)/,D )p(/D )d θθθθθ∞∫?∞ (1) 在式(1)中,参数θ的先验概率密度函数p(θ｜(1) k D ?)及数据的条件概率密度函数p(z(k)｜θ，

线性规划灵敏度分析

淮北师范大学 2011届学士学位论文 线性规划灵敏度分析 学院、专业数学科学学院数学与应用数学 研究方向运筹学 学生姓名陈红 学号20071101008 指导教师姓名张发明 指导教师职称副教授 2011年4月10日

线性规划的灵敏度分析 陈 红 （淮北师范大学数学科学学院，淮北，235000） 摘 要 本文主要从价值系数j c 的变化，技术系数ij a 的变化，右端常数i b 的变化以及增加新的约束条件和增加一个新变量的灵敏度这几个方面来进行研究；资源条件是线性规划灵敏度分析中的主要应用内容，而对于资源条件b 的一个重要应用是：“影子价格问题”的实际应用，最后简述了线性规划在经济及管理问题上的典型应用和从求解例题的图解法揭示了最优解的一些重要特征。 关键词 单纯形法，灵敏度分析，最优解，资源条件，价值系数

Sensitivity Analysis of Linear Programming Chen Hong (School of Mathematical Science,Huaibei Normal University ,Huaibei,235000) Abstract This thesis is mainly from the variety of the cost coefficient …j c ?, the variety of technology coefficient …ij a ?, the variety of the resources condition…i b ?and increase the new restraint and new variable to analytical linear programming of sensitivity analysis.This thesis is mainly based on the simplex method and dual simplex method of linear programming to system analytical the influence of the variety upon the optical solution of the coefficient of the simplex table.Linear programming of sensitivity analysis in physically of application is mainly about application of the variety of resources c ondition…i b ?in the economic management …shadow price problem?. Keywords simplex method, sensitivity analysis, optimum solution ， resources condition ，cost coefficient

非参数回归模型与半参数回归模型

第七章 非参数回归模型与半参数回归模型 第一节 非参数回归与权函数法 一、非参数回归概念 前面介绍的回归模型，无论是线性回归还是非线性回归，其回归函数形式都是已知的，只是其中参数待定，所以可称为参数回归。参数回归的最大优点是回归结果可以外延，但其缺点也不可忽视，就是回归形式一旦固定，就比较呆板，往往拟合效果较差。另一类回归，非参数回归，则与参数回归正好相反。它的回归函数形式是不确定的，其结果外延困难，但拟合效果却比较好。 设Y 是一维观测随机向量，X 是m 维随机自变量。在第四章我们曾引进过条件期望作回归函数，即称 g (X ) = E (Y |X ) （7.1.1） 为Y 对X 的回归函数。我们证明了这样的回归函数可使误差平方和最小，即 22)]([min )]|([X L Y E X Y E Y E L -=- （7.1.2） 这里L 是关于X 的一切函数类。当然，如果限定L 是线性函数类，那么g (X )就是线性回归函数了。 细心的读者会在这里立即提出一个问题。既然对拟合函数类L (X )没有任何限制，那么可以使误差平方和等于0。实际上，你只要作一条折线(曲面)通过所有观测点(Y i ，X i )就可以了是的，对拟合函数类不作任何限制是完全没有意义的。正象世界上没有绝对的自由一样，我们实际上从来就没有说放弃对L(X)的一切限制。在下面要研究的具体非参数回归方法，不管是核函数法，最近邻法，样条法，小波法，实际都有参数选择问题(比如窗宽选择，平滑参数选择)。 所以我们知道，参数回归与非参数回归的区分是相对的。用一个多项式去拟合(Y i ，X i )，属于参数回归；用多个低次多项式去分段拟合(Y i ，X i )，叫样条回归，属于非参数回归。 二、权函数方法 非参数回归的基本方法有核函数法，最近邻函数法，样条函数法，小波函数法。这些方法尽管起源不一样，数学形式相距甚远，但都可以视为关于Y i 的线性组合的某种权函数。也就是说，回归函数g (X )的估计g n (X )总可以表为下述形式： ∑==n i i i n Y X W X g 1 )()( （7.1.3）

负荷建模和参数辨识的遗传进化算法

ISSN 1000-0054CN 11-2223/N 清华大学学报(自然科学版)J T singh ua Un iv (Sci &Tech ),1999年第39卷第3期 1999,V o l.39,N o.311/34 37～40 　 负荷建模和参数辨识的遗传进化算法* 朱守真,　沈善德,　郑宇辉,　李　力,　艾　芊,　曲祖义 清华大学电机工程与应用电子技术系,北京100084; 东北电力集团公司,沈阳110006 收稿日期:1998-06-23 第一作者:女,1950年生,副教授　*基金项目:国家攀登计划B(85-35) 文　摘　提出了一种用于电力系统负荷建模和参数辨识的遗传进化算法,该方法与传统的最小二乘法相比具有全局搜索优化特点,适用于非线性、不连续或微分不连续的各种负荷模型。该方法已成功用于工业负荷实测数据辨识及动态和静态负荷建模。在静态负荷建模上,辨识结果略优于传统的最小二乘法,且通用性更好,只需做极小的修改就可以用于各种形式的静态负荷模型。在动态负荷建模上算法不仅给出了更优秀的结果,而且表现出很好的稳健性。结果表明此方法在负荷建模中的优势。 关键词　遗传进化算法;负荷建模;参数辨识分类号　T M 761 电力负荷模型是电力系统分析、规划、运行和计算的基础,尤其在计算中对电力系统动态行为的模拟结果影响很大。不同的计算需要采用不同的负荷模型,常规采用以不同比例的恒定阻抗、恒定电流、恒定功率或考虑不同动静比例负荷模型的方式使计算结果相差很大,甚至会导致完全错误的结论[1,2]。研究表明建立符合实际的负荷模型是十分必要的。负荷特性具有时变、非线形、不确定等多种特点,且实际负荷的用电设备构成差别很大,尤其是当电压或电流变化时,负荷产生突变,这也增加了建模的难度和复杂性。参数辨识是负荷建模的核心,目前常用的有最小二乘法、辅助变量法、分段线性多项式等方法,其中传统的方法不能有效地克服负荷建模中的非线性和不连续性等问题,会产生多值性等误差。近年来ANN 方法在建模方面已取得成功,但该方法更侧重于模拟模型的动态过程,且形成的结果是非参数模型。 遗传进化算法是模拟自然界进化中优胜劣汰的 优化过程,原则上能以较大的概率找到全局的最优解,具有并行、通用、鲁棒性强,全局收敛性好等优 点。研究人员已在发电规划[3],发电调度[4],无功优化[5]中用算例证明了EP 方法比传统的梯度寻优技术更优越。 本文采用遗传进化算法对静态、动态负荷进行了实测建模。 1　电力负荷的数学模型 本文主要描述以负荷特性来分类的静态和动态模型的建模方法。1.1　静态负荷模型 静态负荷模型表示某一时刻负荷所吸收的有功功率和无功功率与同一时刻负荷母线电压和频率之间的函数关系。静态负荷模型一般以幂函数和多项式模型表示。 本文以幂函数模型为例进行计算,幂函数表示的静态负荷特性如下: P =P 0U a 1f a 2, Q =Q 0 U b 1 f b 2 . (1) 定义误差函数 E w = N i =1 [W m (i )-W c (i )] 2 N (2)式中:N 为测量点数,W m (i )分别表示第i 次有功或无功功率测量值,W c (i )表示利用第i 次采样U i ,f i 的值由式(1)得到的有功或无功计算值,X p 、X q 是待辨识参数的向量: X p =[P 0,a 1,a 2], X q =[Q 0,b 1,b 2]. (3) 辨识问题表述为极小值寻优问题,即搜索一组参数使误差E w 达到最小值。1.2　动态负荷的模型 动态负荷模型表示某一时刻负荷所吸收的有功

Bouc-Wen 滞回模型的参数辨识

上海交通大学 硕士学位论文 Bouc-Wen滞回模型的参数辨识及其在电梯振动建模中的应用 姓名：周传勇 申请学位级别：硕士 专业：机械设计及理论 指导教师：李鸿光 20080201

Bouc-Wen滞回模型的参数辨识 及其在电梯振动建模中的应用 摘 要 电梯导靴是连接轿箱系统与导轨的装置，它能起到导向和隔振减振的作用。同时，在电梯的运行过程中它又将导轨由于制造或安装所造成的表面不平顺度传递给轿箱系统，从而引起轿箱系统的水平振动。国内外学者在电梯水平振动的建模和分析中，往往把导靴视为线性弹簧-阻尼元件来建模而忽略了非线性因素。事实上导靴与导轨之间存在非线性的迟滞摩擦力，本文通过实验的方法，采用Bouc-Wen 滞回模型来建立导靴-导轨非线性摩擦力模型。 Bouc-Wen滞回模型因其微分形式的非线性表达式而使得其参数辨识存在较大的困难，本文利用模型中部分参数的不敏感性，通过数学变换将非线性参数辨识问题转化为线性参数辨识问题，从而使得问题大大简化，参数辨识的效果也能满足要求。 基于以上导靴-导轨间摩擦力模型，本文进而建立了轿箱-导轨耦合水平振动动力学模型，该模型将轿箱系统等效为2自由度的平面运动刚体，将导靴等效为质量-弹簧-阻尼单元，同时考虑了导靴-导轨间的非线性摩擦力，以及导靴靴衬与导轨间接触的不连续性等。 在建立了轿箱-导轨耦合水平振动动力学模型后，利用Matlab/Simulink，建立了相应的仿真模型，开展了几种典型导轨不

平顺度激励（弯曲、失调和台阶）下的仿真分析。研究结果表明，这些分析对于电梯结构优化设计和动力学建模与分析有理论指导意义。 关键词：迟滞，参数辨识，非线性，动力学建模，系统仿真

灵敏度分析

为了确定模型中主要因素，我们对该模型采用Sobol 法进行灵敏度分析判断其全局敏感性。Sobol 法是最具有代表性的全局敏感性分析方法，它基于模型分解思想，分别得到参数1,2次及更高次的敏感度。通常1次敏感度即可反映了参数的主要影响。 Sobol 法 Sobol 法核心是把模型分解为单个参数及参数之间相互组合的函数。假设模型为),...,)((21m x x x x x f Y ==,i x 服从[0,1]均匀分布，且(x)f 2可积，模型可分解为： )(...)()()(n ,...,2,11k 21j i ij i n i i ,...x x ,x f x f x f f(0)x f ++++=∑∑<= 则模型总的方差也可分解为单个参数和每个参数项目组合的影响： ∑∑ ∑1=≠1=,,2,11=)+(+=n i n j i j n ij n i i D D D D 对该式归一化，并设： D D S n n i i i i i i ,,,,,,2121= 可获得模型单个参数及参数之间相互作用的敏感度S 由式（2）可得： ∑∑ ∑1=,,2,1≠1=1=+++=1n i n n j i j ij n i i S S S 式中，si 称之为1次敏感度；Sij 为2次敏感度，依此类推； n S ,,2,1 为n 次敏感度，总共有1 -2n 项。第i 个参数总敏感度STJ 定义为： ∑=) (i Tj S S 它表示所有包含第i 个参数的敏感度。 模型中4个输入参数分别为推力，角度，比冲，月球引力常量。因为月球引力常量和比冲为物理恒定值，不会产生干扰。所以这里我们对角度，推力进行敏感性分析。 设角度初值为o 150，推力为4500N 时，做出高度变化图像如图所示。

参数辨识示例 报告

参数辨识 参数辨识的步骤 飞行器气动参数辨识是一个系统工程，包括四部分：①试验设计，使试验能为辨识提供含有足够信息量且信息分布均匀的试验数据；②气动模型结果确定，即从候选模型集中，根据一定的准则和经验，选出最优的气动模型构式；③气动参数辨识，根据辨识准则和数据求取模型中待定参数，这是气动辨识定量研究的核心阶段；④模型检验，确认所得气动模型是否确实反映了飞行器动力学系统中气动力的本质属性。这四个部分环环相扣，缺一不可，要反复进行，直到对所得气动模型满意为止。 参数辨识的方法 参数辨识方法主要有最小二乘算法、极大似然法、集员辨识法、贝叶斯法、岭估计法、超椭球法和鲁棒辨识法等多种辨识方法。虽然目前参数辨识的领域己经发展了多种算法，但是用于气动参数估计的算法主要有：极大似然法(ML)，广义Kalman滤波(EKF)法，模型估计法(EBM )、分割及多分割算法(PIA及MPIA)、最小二乘法，微分动态规划法等。 因为最小二乘法和极大似然法是两种经典的算法，目前己经发展得相当成熟。最小二乘法适于线性模型的参数辨识，可以用于飞行器系统辨识中很多的线性模型，如惯性仪表误差系数的辨识，线性时变离散系统初始状态的辨识及多项式曲线拟合等。目前最小二乘法已经广泛应用于工程实际中。而极大似然算法因其具有渐进一致性、估计的无偏性、良好的收敛特性等特点而被广泛应用于飞行器参数辨识领域。 最小二乘法大约是1975年高斯在其著名的星体运动轨道预报研究工作中提出来的。后来，最小二乘法就成了估计理论的奠基石。由于最小二乘法原理简单，编程容易，所以它颇受人们重视，应用相当广泛。 极大似然估计算法在实践中不断地被加以改进，这种改进主要表现在三个方

基于最小二乘法的系统参数辨识

基于最小二乘法的系统参数辨识 研究生二队李英杰 082068 摘要：系统辨识是自动控制学科的一个重要分支，由于其特殊作用，已经广泛应用于各种领域，尤其是复杂系统或参数不容易确定的系统的建模。过去，系统辨识主要用于线性系统的建模，经过多年的研究，已经形成成熟的理论。但随着社会、科学的发展，非线性系统越来越受到人们的关注，其控制与模型之间的矛盾越来越明显，因而非线性系统的辨识问题也越来越受到重视，其辨识理论不断发展和完善本。文重点介绍了系统参数辨识中最小二乘法的基本原理，并通过热敏电阻阻值温度关系模型的辨识实例，具体说明了基于最小二乘法参数辨识在Matlab中的实现方法。结果表明基于最小二乘法具有算法简单、精度较高等优点。 1. 引言 所谓辨识就是通过测取研究对象在人为输入作用下的输出响应，或正常运行时的输入输出数据记录，加以必要的数据处理和数学计算，估计出对象的数学模型。这是因为对象的动态特性被认为必然表现在它的变化着的输入输出数据之中，辨识只不过是利用数学的方法从数据序列中提炼出对象的数学模型而已[1]。最小二乘法是系统参数辨识中最基本最常用的方法。最小二乘法因其算法简单、理论成熟和通用性强而广泛应用于系统参数辨识中。本文基于热敏电阻阻值与温度关系数据，介绍了最小二乘法的参数辨识在Matlab中的实现。 2. 系统辨识 一般而言，建立系统的数学模型有两种方法：激励分析法和系统辨识法。前者是按照系统所遵循的物化（或社会、经济等）规律分析推导出模型。后者则是从实际系统运行和实验数据处理获得模型。如图1 所示，系统辨识就是从系统的输入输出数据测算系统数学模型的理论和方法。更进一步的定义是L.A.Zadeh 曾经与1962 年给出的，即“系统辨识是在输入和输出的基础上，从系统的一类系统范围内，确立一个与所实验系统等价的系统”。另外，系统辨识还应该具有3 个基本要素，即模型类、数据和准则[5]。被辨识系统模型根据模型形式可分为参数模型和非参数模型两大类。所谓参数模型是指微分方程、差分方程、状态方程等形式的数学模型；而非参数模型是指频率响应、脉冲响应、传递函数等隐含参数的数学模型。在辨识工程中，模型的确定主要根据经验对实际对象的特性进行一定程度上的假设，如对象的模型是线性的还是非线性的、是参数模型还是非参数模型等。在模型确定之后，就可以根据对象的输入输出数据，按照一定的辨识算法确定模型的参数[4]。 图1 被研究的动态系统 3. 最小二乘法（LS）参数估计方法 对于参数模型辨识结构，系统辨识的任务是参数估计，即利用输入输出数据估计这些参数，建立系统的数学模型。在参数估计中最常用的是最小二乘法(LS)、

非参数回归模型与半参数回归模型

第七章 非参数回归模型与半参数回归模型 第一节 非参数回归与权函数法 一、非参数回归概念 前面介绍的回归模型，无论是线性回归还是非线性回归，其回归函数形式都是已知的，只是其中参数待定，所以可称为参数回归。参数回归的最大优点是回归结果可以外延，但其缺点也不可忽视，就是回归形式一旦固定，就比较呆板，往往拟合效果较差。另一类回归，非参数回归，则与参数回归正好相反。它的回归函数形式是不确定的，其结果外延困难，但拟合效果却比较好。 设Y 是一维观测随机向量，X 是m 维随机自变量。在第四章我们曾引进过条件期望作回归函数，即称 g (X ) = E (Y |X ) （7.1.1） 为Y 对X 的回归函数。我们证明了这样的回归函数可使误差平方和最小，即 22)]([min )]|([X L Y E X Y E Y E L -=- （7.1.2） 这里L 是关于X 的一切函数类。当然，如果限定L 是线性函数类，那么g (X )就是线性回归函数了。 细心的读者会在这里立即提出一个问题。既然对拟合函数类L (X )没有任何限制，那么可以使误差平方和等于0。实际上，你只要作一条折线(曲面)通过所有观测点(Y i ，X i )就可以了是的，对拟合函数类不作任何限制是完全没有意义的。正象世界上没有绝对的自由一样，我们实际上从来就没有说放弃对L(X)的一切限制。在下面要研究的具体非参数回归方法，不管是核函数法，最近邻法，样条法，小波法，实际都有参数选择问题(比如窗宽选择，平滑参数选择)。 所以我们知道，参数回归与非参数回归的区分是相对的。用一个多项式去拟合(Y i ，X i )，属于参数回归；用多个低次多项式去分段拟合(Y i ，X i )，叫样条回归，属于非参数回归。 二、权函数方法 非参数回归的基本方法有核函数法，最近邻函数法，样条函数法，小波函数法。这些方法尽管起源不一样，数学形式相距甚远，但都可以视为关于Y i 的线性组合的某种权函数。也就是说，回归函数g (X )的估计g n (X )总可以表为下述形式： ∑==n i i i n Y X W X g 1 )()( （7.1.3）

模态参数辨识方法——综述

模态参数辨识方法综述 摘要：本文对模态分析和模态参数识别进行了综述，对当前识别方法的原理、识别精度及适用条件进行阐述和比较，提出环境激励下模态参数识别方法需解决的关键问题及模态分析在缺陷检测和结构优化中作用。 关键词：模态分析模态参数识别模态分析与缺陷检测结构工作模态 0引言 模态分析是将线性时不变系统振动微分方程组中的物理坐标变换为模态坐标，使方程组解耦，成为一组以模态坐标及模态参数描述的独立方程，坐标变换的变换矩阵为振型矩阵，其每列即为各阶振型。模态是机械结构的固有振动特性，每一个模态具有特定的固有频率、阻尼比和模态振型。这些模态参数可以由计算或试验分析取得，这样一个计算或试验分析过程称为模态分析。振动模态是弹性结构固有的、整体的特性。如果通过模态分析方法搞清楚了结构物在某一易受影响的频率范围内，各阶主要模态的特性，就可能预知结构在此频段内，在外部或内部各种振源作用下实际振动响应，而且一旦通过模态分析知道模态参数并给予验证，就可以把这些参数用于（重）设计过程，优化系统动态特性，或者研究把该结构连接到其他结构上时所产生的影响。模态分析的最终目标是识别出系统的模态参数，为结构系统的振动分析、振动故障诊断和预报、结构动力特性的优化设计提供依据。 解析模态分析可用有限元计算实现，而实验模态分析则是对结构进行可测可控的动力学激励，由激振力和响应的信号求得系统的频响函数矩阵，再在频域或转到时域采用多种识别方法求出模态参数，得到结构固有的动态特性，这些特性包括固有频率、振型和阻尼比等。有限元法是当前分析机械结构模态的主要方法，很多学者研究了单裂缝和多裂缝缺陷对不同结构动态特性的影响，但这些研究仅局限于出现缺陷结构的当前状态，考虑到缺陷在机械结构使用过程中的扩展，提出了模态分析与缺陷扩展理论相结合的方法分析缺陷的发展趋势，便于机械结构剩余寿命的评估，使已达到设计寿命的结构在失效前仍然发挥其功能，节约了经济成本。 一般模态识别方法是基于实验室条件下的频率响应函数进行的参数识别方法，它要求同时测得结构上的激励和响应信号。但是，在许多工程实际应用中，工作条件和实验室条件相差很大，对一些大型结构无法施加激励或施加激励费用很昂贵，因此要求识别结构在工作条件下的模态参数。工作模态参数识别方法与传统模态参数识别方法相比有如下特点：一、仅

线性规划问题及灵敏度分析

实验一 线性规划问题及灵敏度分析 实验目的：了解WinQSB 软件在Windows 环境下的文件管理操作，熟悉软件界面内容， 掌握操作命令。用WinQSB 软件求解线性规划，掌握winQSB 软件写对偶规划，灵敏度分析和 参数分析的操作方法。 实验每组人数及学时：组人数1人，学时数：4学时 实验环境：装有WinQSB 软件的个人电脑 实验类型：验证性 实验内容： 一、 用WinQSB 软件求解线性规划的方法： 操作步骤： 1.将WinQSB 文件复制到本地硬盘；在WinQSB 文件夹中双击setup.exe 。 2.指定安装WinQSB 软件的目标目录（默认为C:\ WinQSB ）。 3. 安装过程需输入用户名和单位名称（任意输入），安装完毕之后，WinQSB 菜单自动 生成在系统程序中。 4.熟悉WinQSB 软件子菜单内容及其功能，掌握操作命令。 5．求解线性规划。启动程序 开始→程序→WinQSB→Linear and Integer Programming 。 6．学习例题 点击 Problem→lp.lpp, 点击菜单栏Solve and Analyze 或点击工具栏中 的图标用单纯形法求解，观赏一下软件用单纯形法迭代步骤。用图解法求解，显示可行域， 点击菜单栏Option →Change XY Ranges and Colors，改变X1、X2的取值区域（坐标轴的 比例），单击颜色区域改变背景、可行域等8种颜色，满足你的个性选择。 下面结合例题介绍WinQSB 软件求解线性规划的操作步骤及应用。 用WinQSB 软件求解下列线性规划问题： 1234 max 657Z x x x x =+++ s.t. 12341 2341231234 312342692608521507300 01020,,0,x x x x x x x x x x x x x x x x x x x x +++≤??-+-≥??++=?-≥??-≥?≤≤??≥?无约束 解：应用WinQSB 软件求解线性规划问题不必化为标准型，如果是可以线性化的模型则先 线性化，对于有界变量及无约束变量可以不用转化，只需要修改系统的变量类型即可，对于 不等式约束可以在输入数据时直接输入不等式符号。 （1）启动线性规划（LP ）和整数规划（ILP ）程序 点击开始→程序→WinQSB →Linear and Integer Programming ，显示线性规划和整数规 划工作界面（注意菜单栏、工具栏和格式栏随主窗口内容变化而变化）。这一程序解决线性 规划（LP ）以及整数线性规划（ILP ）问题。