污水处理过程递推双线性子空间建模及无模型自适应控制

污水处理过程中,生化反应硝态氮浓度和溶解氧浓度是决定出水水质好坏的两个最关键变量,难以采用常规基于模型的方法进行有效控制.本文基于数据驱动建模与控制技术,提出一种污水处理过程递推双线性子空间辨识(Recursive bilinear subspace identification,RBLSI)建模和无模型自适应控制方法.首先,针对污水处理过程的非线性时变动态特性,采用最小二乘递推双线性子空间辨识方法建立污水处理生化反应过程具有参数自适应能力的递推双线性模型;其次,基于建立的数据驱动模型,采用基于多参数灵敏度分析(Multi-parameter sensitivity analysis,MPSA)和遗传粒子群优化(Genetic algorithm-particle swarm optimization,GA-PSO)算法的无模型自适应控制(Model-free adaptive control,MFAC)方法对硝态氮和溶解氧浓度进行直接数据驱动控制;最后,数据实验及其比较分析表明了所提方法的有效性和优越性.

一种子空间辨识对权重矩阵加权平均新方法

给出了一种计算线性子空间辨识权重矩阵的新方法,该方法是在结合算法N4SID、MOESP及MOESN4优点的基础上,对算法MOESN4加以改进和推广,主要是对所选取的权重矩阵进行加权平均,使算法的权重矩阵选择机会增多,增加了算法在实际中的应用性,给出两种不同权重矩阵加权平均算法MOESN4WAc与MOESN4WAd.