首页 / 专利分类库 / 控制;调节 / 一种高压稳定方法及其控制设备

一种高压稳定方法及其控制设备

申请号 CN202311795141.2 申请日 2023-12-25 公开(公告)号 CN117742431A 公开(公告)日 2024-03-22
申请人 中科酷原量子科技(武汉)有限公司; 发明人 张宇奇; 马鹤; 刘敏; 范蓓;
摘要 本 发明 涉及高压输出系统技术领域,特别是涉及一种高压稳定方法及其控制设备,包括根据高压输出系统构建第一 算法 模型、第二算法模型和第三算法模型,对第一算法模型、第二算法模型和第三算法模型的参数进行初始化;通过第一算法模型的 状态方程 得到预测协方差,根据第一算法模型的观测方程更新状态和协方差,以得到过程噪声方差;通过第二算法模型得到过程噪声方差的最优值,将过程噪声方差的最优值代入第一算法模型中进行 迭代 计算,直至得到高压输出系统的输出高压的相对最优值;将相对最优值和 电压 设定值输入第三算法模型得到电压输出值。基于 软件 计算能够稳定的输出高压,减少高压 波动 ,使整个系统更加安全可靠。
权利要求

1.一种高压稳定方法,其特征在于,包括:
根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型,并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化;
通过所述第一算法模型的状态方程得到预测协方差,并根据所述第一算法模型的观测方程更新状态和协方差,以得到过程噪声方差;
通过所述第二算法模型得到所述过程噪声方差的最优值,将所述过程噪声方差的最优值代入所述第一算法模型中进行迭代计算,直至得到所述高压输出系统的输出高压的相对最优值;
将所述相对最优值和电压设定值输入所述第三算法模型,以得到电压输出值。
2.根据权利要求1所述的高压稳定方法,其特征在于,所述根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型,并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化,具体包括:
初始化所述第一算法模型的参数为:
, , ;
其中, 表示0时刻的系统状态估计, 表示0时刻的过程噪声协方差矩阵,表示0时刻的协方差, 表示×1维零向量,是系统响应长度; 为×维单位矩阵, 和 均是给定的常数;L表示长度;
初始化所述第二算法模型的参数,初始化的参数包括F、cr、Np和G,其中,F为变异率,cr为交叉概率,Np为种群大小,G为迭代次数;
初始化所述第三算法模型的参数,初始化的参数包括Kp、Ki和Kd,其中Kp为比例增益,Ki为积分增益,Kd为微分增益。
3.根据权利要求1所述的高压稳定方法,其特征在于,所述通过所述第一算法模型的状态方程得到预测协方差,并根据所述第一算法模型的观测方程更新状态和协方差,以得到过程噪声方差,具体包括:
获取所述第一算法模型的状态方程,并根据所述状态方程得到状态预测值和所述预测协方差;
获取所述第一算法模型的观测方程,通过所述观测方程更新状态,并通过所述观测方程得到滤波增益,通过所述滤波增益对协方差进行更新;
根据所述状态方程和所述观测方程得到所述过程噪声方差。
4.根据权利要求3所述的高压稳定方法,其特征在于,所述获取所述第一算法模型的状态方程,并根据所述状态方程得到状态预测值和所述预测协方差,具体包括:
获取所述状态方程为:
;
其中, 为k‑1时刻的状态转移函数; 是k‑1时刻的输入矩阵; 是k‑1时刻的过程噪声;
令:
;
得到所述状态预测值为:
;
得到所述预测协方差为:
;
其中, 表示k‑1时刻的观测矩阵; 是k时刻的预测协方差矩阵;
是k时刻的状态转移矩阵; 为在k‑1时刻的预测协方差矩阵;
为 的转置; 为k‑1时刻的过程噪声协方差矩阵,用于表示状态
方程中的不确定性。
5.根据权利要求4所述的高压稳定方法,其特征在于,所述获取所述第一算法模型的观测方程,通过所述观测方程更新状态,并通过所述观测方程得到滤波增益,通过所述滤波增益对协方差进行更新,具体包括:
获取所述观测方程为:
;
其中, 表示在k时刻的观测值;h为观测矩阵,用于将状态向量 映射到观测空间; 表示k时刻的预测值; 表示在k时刻的观测噪声;
通过所述观测方程更新状态为:
;
其中, 是k时刻的状态估计, 是k‑1时刻预测的状态估计, 为k时刻
的滤波增益;
通过所述观测方程得到所述滤波增益为:
;
其中, 表示k时刻的滤波增益,用于将观测数据与状态估计相结合; 是k‑
1时刻的预测协方差矩阵,表示在k时刻对状态的一步预测的不确定性; 是k时刻的观测矩阵; 为 的转置; 是k时刻的观测噪声协方差矩阵;
通过所述滤波增益对协方差进行更新为:
;
其中 是更新后的状态协方差矩阵; 是k时刻‑1的状态协方差矩阵;I为已知的单位矩阵; 为k时刻的滤波增益。
6.根据权利要求5所述的高压稳定方法,其特征在于,所述根据所述状态方程和所述观测方程得到所述过程噪声方差包括:
根据所述状态方程和观测方程得到过程噪声为:
;
所述过程噪声方差为:
;
其中, 为过程噪声; 为k时刻的过程噪声方差; 是求解过程噪声方差的运算。
7.根据权利要求1所述的高压稳定方法,其特征在于,所述通过所述第二算法模型得到所述过程噪声方差的最优值,具体包括:
随机初始化所述过程噪声方差的解的种群,对于每个所述过程噪声方差的解,随机选取预设数量个解,得到每个解与其他预设数量个解的差,并生成一个数量解;
对每个解和数量解进行交叉操作,生成一个试验解,如果当前试验解的适应度优于当前解,则利用当前试验解替换当前解,以得到所述过程噪声方差的最优值。
8.根据权利要求7所述的高压稳定方法,其特征在于,所述随机初始化所述过程噪声方差的解的种群,对于每个所述过程噪声方差的解,随机选取预设数量个解,得到每个解与其他预设数量个解的差,并生成一个数量解,具体为:
所述过程噪声方差的解的种群初始化的步骤为:
;
其中, 为0 1之间均匀分布的随机数, 和 为搜索的上界和下界;
~
生成一个数量解为:
;
其中, 为变异的个体; 为压缩比例因子,取值范围为0 1; 、 和 为父代。
~
9.根据权利要求8所述的高压稳定方法,其特征在于,所述对每个解和数量解进行交叉操作,生成一个试验解,如果当前试验解的适应度优于当前解,则利用当前试验解替换当前解,以得到所述过程噪声方差的最优值,具体包括:
所述对每个解和数量解进行交叉操作,生成一个试验解的具体过程包括:
;
其中,r为每个变量生成的一个0 1的均匀分布的随机数; 为变量的交叉概率; 为~
1 d之间均匀分布的整数;
~
根据如下方式进行选择,以得到所述过程噪声方差的相对最优值:
;
其中, 为当前解, 为当前试验解, 为当前解 的适应度,
为当前试验解 的适应度。
10.一种控制设备,其特征在于,所述控制设备用于执行如权利要求1‑9任一项所述的高压稳定方法,包括:第一控制模、第二控制模块变压器模块;所述第一控制模块用于接收上位机的指令,并执行所述高压稳定方法,以得到输出信号
所述第二控制模块用于接收所述输出信号,并且产生相应电压信号和采集电压信号回传给所述第一控制模块形成闭环;
所述变压器模块用于将所述第二控制模块产生的电压信号变压,以得到所需要的电压值。

说明书全文

一种高压稳定方法及其控制设备

技术领域

[0001] 本发明涉及高压输出系统技术领域,特别是涉及一种高压稳定方法及其控制设备。

背景技术

[0002] 离子的应用在超级真空技术领域中是一个重要的研究领域,在离子泵的应用过程中,如何输出稳定的高压也成了一大难点,传统的电压输出电路在输出高压时会产生较大的误差,为了解决输出高压误差大的问题,通常会使用滤波算法对电路进行过滤,常用的滤波算法例如中值滤波,算数平均滤波,并不足以改善误差过大的问题。
[0003] 现有的电压输出电路通常是利用脉冲宽度调制(Pulse Width Modulation,简写为PWM)输出低压再通过变压器调节成高压,然后持续采集输出电压,利用比例积分微分(Proportional‑Integral‑Derivative,简写为PID)控制器调整电压波动。这种方法可以适用于要求不高的电压输出场景,但对高压波动有严格要求的使用场景就略显不足。
[0004] 鉴于此,克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。

发明内容

[0005] 本发明要解决的技术问题是:如何在要求较高的电压输出场景中输出稳定的高压。
[0006] 本发明采用如下技术方案:第一方面,提供了一种高压稳定方法,包括:
根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型,并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化;
通过所述第一算法模型的状态方程得到预测协方差,并根据所述第一算法模型的观测方程更新状态和协方差,以得到过程噪声方差;
通过所述第二算法模型得到所述过程噪声方差的最优值,将所述过程噪声方差的最优值代入所述第一算法模型中进行迭代计算,直至得到所述高压输出系统的输出高压的相对最优值;
将所述相对最优值和电压设定值输入所述第三算法模型,以得到电压输出值。
[0007] 优选的,所述根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型,并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化,具体包括:初始化所述第一算法模型的参数为:
, , ;
[0008] 其中, 表示0时刻的系统状态估计, 表示0时刻的过程噪声协方差矩阵, 表示0时刻的协方差, 表示×1维零向量,是系统响应长度; 为×维单位矩阵, 和 均是给定的常数;L表示长度;
[0009] 初始化所述第二算法模型的参数,初始化的参数包括F、cr、Np和G,其中,F为变异率,cr为交叉概率,Np为种群大小,G为迭代次数;初始化所述第三算法模型的参数,初始化的参数包括Kp、Ki和Kd,其中Kp为比例增益,Ki为积分增益,Kd为微分增益。
[0010] 优选的,所述通过所述第一算法模型的状态方程得到预测协方差,并根据所述第一算法模型的观测方程更新状态和协方差,以得到过程噪声方差,具体包括:获取所述第一算法模型的状态方程,并根据所述状态方程得到状态预测值和所述预测协方差;
获取所述第一算法模型的观测方程,通过所述观测方程更新状态,并通过所述观测方程得到滤波增益,通过所述滤波增益对协方差进行更新;
根据所述状态方程和所述观测方程得到所述过程噪声方差。
[0011] 优选的,所述获取所述第一算法模型的状态方程,并根据所述状态方程得到状态预测值和所述预测协方差,具体包括:获取所述状态方程为:
;
[0012] 其中, 为k‑1时刻的状态转移函数; 是k‑1时刻的输入矩阵; 是k‑1时刻的过程噪声;
[0013] 令:
[0014] ;
[0015] 得到所述状态预测值为:;
[0016] 得到所述预测协方差为:;
[0017] 其中, 表示k‑1时刻的观测矩阵; 是k时刻的预测协方差矩阵;是k时刻的状态转移矩阵; 为在k‑1时刻的预测协方差矩阵;
为 的转置; 为k‑1时刻的过程噪声协方差矩阵,用于表示状态
方程中的不确定性。
[0018] 优选的,所述获取所述第一算法模型的观测方程,通过所述观测方程更新状态,并通过所述观测方程得到滤波增益,通过所述滤波增益对协方差进行更新,具体包括:获取所述观测方程为:
;
[0019] 其中, 表示在k时刻的观测值;h为观测矩阵,用于将状态向量 映射到观测空间; 表示k时刻的预测值; 表示在k时刻的观测噪声;
[0020] 通过所述观测方程更新状态为:;
[0021] 其中, 是k时刻的状态估计, 是k‑1时刻预测的状态估计, 为k时刻的滤波增益;
[0022] 通过所述观测方程得到所述滤波增益为:;
[0023] 其中, 表示k时刻的滤波增益,用于将观测数据与状态估计相结合;是k‑1时刻的预测协方差矩阵,表示在k时刻对状态的一步预测的不确定性;
是k时刻的观测矩阵; 为 的转置; 是k时刻的观测噪声协方差矩阵;
[0024] 通过所述滤波增益对协方差进行更新为:;
[0025] 其中 是更新后的状态协方差矩阵; 是k时刻‑1的状态协方差矩阵;I为已知的单位矩阵; 为k时刻的滤波增益。
[0026] 优选的,所述根据所述状态方程和所述观测方程得到所述过程噪声方差包括:根据所述状态方程和观测方程得到过程噪声为:
;
[0027] 所述过程噪声方差为:;
[0028] 其中, 为过程噪声; 为k时刻的过程噪声方差; 是求解过程噪声方差的运算。
[0029] 优选的,所述通过所述第二算法模型得到所述过程噪声方差的最优值,具体包括:随机初始化所述过程噪声方差的解的种群,对于每个所述过程噪声方差的解,随机选取预设数量个解,得到每个解与其他预设数量个解的差,并生成一个数量解;
对每个解和数量解进行交叉操作,生成一个试验解,如果当前试验解的适应度优于当前解,则利用当前试验解替换当前解,以得到所述过程噪声方差的最优值。
[0030] 优选的,所述随机初始化所述过程噪声方差的解的种群,对于每个所述过程噪声方差的解,随机选取预设数量个解,得到每个解与其他预设数量个解的差,并生成一个数量解,具体为:所述过程噪声方差的解的种群初始化的步骤为:
;
[0031] 其中, 为0 1之间均匀分布的随机数, 和 为搜索的上界和下界;~
[0032] 生成一个数量解为:;
[0033] 其中 为变异的个体; 为压缩比例因子,取值范围为0 1; 、 和 为父~代。
[0034] 优选的,所述对每个解和数量解进行交叉操作,生成一个试验解,如果当前试验解的适应度优于当前解,则利用当前试验解替换当前解,以得到所述过程噪声方差的最优值,具体包括:所述对每个解和数量解进行交叉操作,生成一个试验解的具体过程包括:
;
[0035] 其中,r为每个变量生成的一个0 1的均匀分布的随机数; 为变量的交叉概率;~
为1 d之间均匀分布的整数;
~
[0036] 根据如下方式进行选择,以得到所述过程噪声方差的相对最优值:;
[0037] 其中, 为当前解, 为当前试验解, 为当前解 的适应度,为当前试验解 的适应度。
[0038] 第二方面,提供了一种控制设备,包括:第一控制模、第二控制模块和变压器模块;所述第一控制模块用于接收上位机的指令,并执行所述高压稳定方法,以得到输出信号
所述第二控制模块用于接收所述输出信号,并且产生相应电压信号和采集电压信号回传给所述第一控制模块形成闭环;
所述变压器模块用于将所述第二控制模块产生的电压信号变压,以得到所需要的电压值。
[0039] 与现有技术相比,本发明的有益效果在于:本发明基于第一算法模型、第二算法模型和第三算法模型的高压稳定方法,能够稳定的输出高压,减少高压波动,使整个高压系统更加安全可靠,同时,采用软件算法进行计算可以减少误差,过滤了硬件上固有的误差干扰,相较于只依靠硬件电路来进行滤波,更具有可靠性和准确性。另一方面,采用软件滤波的方法,相较于硬件滤波更节约成本,方便开发者根据实际情况进行改进开发。
附图说明
[0040] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
[0041] 图1是本发明实施例提供的一种高压稳定方法的流程示意图;图2是本发明实施例提供的一种高压稳定方法的第一算法模型的计算流程示意图;
图3是本发明实施例提供的一种高压稳定方法的第二算法模型的计算流程示意图;
图4是本发明实施例提供的一种控制设备的结构示意图;
图5是本发明实施例提供的一种控制设备具体的结构示意图;
图6是本发明实施例提供的一种高压稳定装置的结构示意图。

具体实施方式

[0042] 为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
[0043] 本发明中术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
[0044] 在本发明中,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或成一体;可以是直接相连,也可以通过中间媒介间接相连。
[0045] 此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0046] 实施例1:在经典的卡尔曼滤波算法应用中,只能用于线性系统的滤波,要求状态方程和观测方程均为线性。为了在改进卡尔曼滤波算法的适用场景,相继提出了多种改进方案,其中扩展卡尔曼滤波算法广泛运用在处理非线性系统的方案中。扩展卡尔曼滤波算法是解决非线性状态估计问题最有效率的方法之一,基本思想是将非线性函数进行泰勒展开,然后省略高阶项,保留展开的低阶项,实现非线性函数的线性化,最后通过卡尔曼滤波算法近似计算系统的状态估计值和方差估计值。本实施例提供了一种基于改进扩展卡尔曼滤波算法与PID控制相结合的电压输出方法,用来改善电压输出不稳定的情况。
[0047] 具体的,在本实施例中提出了一种高压稳定方法。包括根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型,并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化;通过所述第一算法模型的状态方程得到预测协方差,并根据所述第一算法模型的观测方程更新状态和协方差,以得到过程噪声方差;通过所述第二算法模型得到所述过程噪声方差的最优值,将所述过程噪声方差的最优值代入所述第一算法模型中进行迭代计算,直至得到所述高压输出系统的输出高压的相对最优值;将所述相对最优值和电压设定值输入所述第三算法模型,以得到电压输出值。其中,所述高压输出系统可以为输出高压的设备、装置或者电路。
[0048] 本实施例基于第一算法模型、第二算法模型和第三算法模型的高压稳定方法,能够稳定的输出高压,减少高压波动,使整个高压系统更加安全可靠,同时,采用软件算法进行计算可以减少误差,过滤了硬件上固有的误差干扰,相较于只依靠硬件电路来进行滤波,更具有可靠性和准确性。另一方面,采用软件滤波的方法,相较于硬件滤波更节约成本,方便开发者根据实际情况进行改进开发。在本实施例中,所述第一算法模型可以为卡尔曼滤波算法,所述第二算法模型可以为差分进化算法,所述第三算法模型可以为PID算法。
[0049] 接下来,将对所述高压稳定方法的具体步骤展开说明,如图1所示,包括:步骤101:根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型,并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化。
[0050] 其中,步骤101具体包括:初始化所述第一算法模型的参数为: ,, ;其中,x(0/0)表示0时刻的系统状态估计,Q(0/0)表示0时刻的过程噪声协方差矩阵,P(0/0)表示0时刻的协方差, 表示×1维零向量,是系统响应长度; 为×维单位矩阵,δ和 均是给定的常数;L表示长度;初始化所述第二算法模型的参数,初始化的参数包括F、cr、Np和G,其中,F为变异率,cr为交叉概率,Np为种群大小,G为迭代次数;初始化所述第三算法模型的参数,初始化的参数包括Kp、Ki和Kd,其中Kp为比例增益,Ki为积分增益,Kd为微分增益。
[0051] 以第二算法模型为差分进化算法为例,初始化差分进化算法的参数F=0.5,cr=0.9,Np=10,G=100。以第三算法模型为PID算法为例,可以初始化PID算法的参数Kp=150,Ki=
2,Kd=50。
[0052] 步骤102:通过所述第一算法模型的状态方程得到预测协方差,并根据所述第一算法模型的观测方程更新状态和协方差,以得到过程噪声方差。
[0053] 所述第一算法模型的处理过程主要包括两个部分:预测步骤与更新步骤。
[0054] 在所述预测步骤中,卡尔曼滤波器使用系统的先前状态来预测下一个状态。这个步骤主要分为两部分:状态预测:这一部分是基于先前的状态和系统的已知行为(如速度、方向等)来预测系统接下来会处于什么状态。例如,追踪一辆汽车,会基于它的速度和行驶方向来估计它接下来会在哪里。
[0055] 估计误差的增加:由于预测永远不可能是完全准确的,预测步骤还包括估计误差的增加。这个误差反映了预测的不确定性,意味着即使认为汽车会在某个位置,实际上它可能会稍微偏离这个位置。
[0056] 在所述更新步骤中,卡尔曼滤波器使用新的测量数据来校正或更新状态的预测。可以将更新步骤分为以下部分:
计算卡尔曼增益:这是一个决定新测量数据与当前预测之间相对重要性的因子。
如果测量数据很可靠,那么卡尔曼增益会较大,意味着新数据会对最终估计有较大的影响。
[0057] 状态更新:滤波器结合预测状态和新的测量数据来生成一个更准确的状态估计。如果新的测量数据显示汽车位置与预测位置有所不同,那么状态更新会将这个差异考虑进去,从而得到一个更准确的位置估计。
[0058] 更新估计误差:卡尔曼滤波器还会更新关于估计精度的信息。如果新的测量数据非常可靠,那么对预测状态的信心会增加,估计误差会减少。
[0059] 通过预测步骤与更新步骤的循环,卡尔曼滤波器能够不断地整合新的信息,修正和改进对系统状态的估计。
[0060] 首先使用状态方程进行预测,通过对当前状态进行预测来获得下一时刻的状态。同时,利用状态方程得到的预测值计算预测协方差,表示对状态预测的不确定性,再通过观测方程将实际观测值与预测值进行比较,然后根据观测方程更新状态和协方差。这个更新过程会考虑实际观测值与预测值之间的差异,从而对状态和协方差进行修正。最终,通过这个过程,可以得到经过状态更新和协方差更新后的最新状态,并由此计算出过程噪声方差。
[0061] 基于本实施例需要对高压输出系统输出的电压值进行估计以及更新,在优选的实施例中,如图2所示,所述步骤102具体包括:步骤1021:获取所述第一算法模型的状态方程,并根据所述状态方程得到状态预测值和所述预测协方差。
[0062] 其中,获取所述状态方程为:;
[0063] 其中, 为k‑1时刻的状态转移函数; 是k‑1时刻的输入矩阵; 是k‑1时刻的过程噪声;
[0064] 令:
[0065] ;
[0066] 得到所述状态预测值为:;
[0067] 得到所述预测协方差为:;
[0068] 其中, 表示k‑1时刻的观测矩阵; 是k时刻的预测协方差矩阵;是k时刻的状态转移矩阵; 为在k‑1时刻的预测协方差矩阵;
为 的转置; 为k‑1时刻的过程噪声协方差矩阵,用于表示状态
方程中的不确定性。
[0069] 步骤1022:获取所述第一算法模型的观测方程,通过所述观测方程更新状态,并通过所述观测方程得到滤波增益,通过所述滤波增益对协方差进行更新。
[0070] 其中,获取所述观测方程为:;
[0071] 其中, 表示在k时刻的观测值;h为观测矩阵,用于将状态向量 映射到观测空间; 表示k时刻的预测值; 表示在k时刻的观测噪声。
[0072] 通过所述观测方程更新状态为:;
[0073] 其中, 是k时刻的状态估计, 是k‑1时刻预测的状态估计, 为k时刻的滤波增益。
[0074] 通过所述观测方程得到所述滤波增益为:;
[0075] 其中, 表示k时刻的滤波增益,用于将观测数据与状态估计相结合;是k‑1时刻的预测协方差矩阵,表示在k时刻对状态的一步预测的不确定性;
是k时刻的观测矩阵; 为 的转置; 是k时刻的观测噪声协方差矩阵。
[0076] 通过所述滤波增益对协方差进行更新为:;
[0077] 其中 是更新后的状态协方差矩阵; 是k时刻‑1的状态协方差矩阵;I为已知的单位矩阵; 为k时刻的滤波增益。
[0078] 步骤1023:根据所述状态方程和所述观测方程得到所述过程噪声方差。
[0079] 其中,根据所述状态方程和观测方程得到过程噪声为:;
[0080] 所述过程噪声方差为:;
[0081] 其中, 为过程噪声; 为k时刻的过程噪声方差; 是求解过程噪声方差的运算。
[0082] 步骤103:通过所述第二算法模型得到所述过程噪声方差的最优值,将所述过程噪声方差的最优值代入所述第一算法模型中进行迭代计算,直至所述第一算法模型结束,得到所述高压输出系统的输出高压的相对最优值。
[0083] 在优选的实施例中,如图3所示,所述步骤103主要包括:初始化、变异、交叉、选择以及终止。
[0084] 初始化:随机生成一个初始种群,种群中的每个个体都是问题的一个潜在解。种群的大小、个体的结构和初始值的范围都取决于具体的问题。种群的大小应足够大,以保证有足够的多样性,避免早熟收敛。
[0085] 变异:在这一步中,对于种群中的每一个个体(目标向量),都会通过某种方式从种群中随机选择另外三个个体(基向量、差向量1和差向量2),然后通过对这三个个体进行差分运算和加权运算,生成一个新的个体(变异向量)。
[0086] 初始化和变异操作的具体过程参照步骤1031。
[0087] 步骤1031:随机初始化所述过程噪声方差的解的种群,对于每个所述过程噪声方差的解,随机选取预设数量个解,得到每个解与其他预设数量个解的差,并生成一个数量解。
[0088] 在本实施例中,预设数量取3,即随机选取3个解,得到每个解与这3个解的差,生成一个数量解,数量解为一个向量。
[0089] 其中,所述过程噪声方差的解的种群初始化的步骤为:;
[0090] 其中, 为0 1之间均匀分布的随机数, 和 为搜索的上界和下界;~
[0091] 生成一个数量解为:;
[0092] 其中, 为变异的个体; 为压缩比例因子,取值范围为0 1; 、 和 为~父代。
[0093] 交叉:交叉操作将目标向量和变异向量进行混合,生成试验向量。这通常通过某种交叉策略来完成,比如二进制交叉策略,它对每一维特征都以一定的概率来决定是选择目标向量的值还是变异向量的值。
[0094] 选择:在每一轮迭代中,会对每一个试验向量进行评价(计算其适应度值)。如果试验向量的适应度值优于目标向量的适应度值,则在下一轮迭代中,试验向量会取代目标向量成为新的个体;否则,目标向量保持不变。
[0095] 交叉和选择操作的具体过程参照步骤1032。
[0096] 步骤1032:对每个解和数量解进行交叉操作,生成一个试验解,如果当前试验解的适应度优于当前解,则利用当前试验解替换当前解,以得到所述过程噪声方差的最优值。
[0097] 其中,所述对每个解和数量解进行交叉操作,生成一个试验解的具体过程包括:;
[0098] 其中,r为每个变量生成的一个0 1的均匀分布的随机数; 为变量的交叉概率;~
为1 d之间均匀分布的整数。
~
[0099] 根据如下方式进行选择,以得到所述过程噪声方差的相对最优值:;
[0100] 其中, 为当前解, 为当前试验解, 为当前解 的适应度,为当前试验解 的适应度。
[0101] 终止:以上步骤会不断重复,直到满足终止条件为止。终止条件可以是达到最大迭代次数,或者种群中的最优个体的适应度值达到某个预设的阈值
[0102] 通过以上步骤,差分进化算法能够有效地搜索解的空间,并逐步找到问题的全局最优解,即所述过程噪声方差的最优值。
[0103] 将所述过程噪声方差的最优值赋给Qi运用到下一次的滤波中。直至卡尔曼滤波算法结束,以得到电压的相对最优值。卡尔曼滤波算法的结束条件通常是根据预设的停止准则或者达到了预期的滤波效果。包括可以设置算法的运行时间,当达到设定的时间限制时,算法停止运行。或者通过比较连续两次迭代的状态估计误差之间的差异,当误差变化小于某个阈值时,可以认为滤波已经收敛,算法停止。需要注意的是,结束条件的选择可能会根据具体的应用场景和需求而有所不同。在实际应用中,需要根据具体情况进行灵活选择。
[0104] 步骤104:将所述相对最优值和电压设定值输入所述第三算法模型,以得到电压输出值。
[0105] 将经过卡尔曼滤波计算得到的电压的相对最优值以及电压设定值作为PID算法的输入,PID算法生成电压控制信号,调整高压输出系统的电压输出,维持电压在逼近期望值。重复迭代上述计算更新的步骤直至PID算法结束得到最终的预测结果,PID算法计算最终得出电压输出值。其中,增量式PID的公式为:
[0106] 其中, 为输出的电压输出值, 为比例增益系数, 为积分增益系数, 为微分增益系数, 为误差, 为一次误差, 为二次误差。
[0107] 在本实施例中,利用PID算法进行PID控制的目的是最小化设定值(电压设定值)和实际测量值(通过卡尔曼滤波器估计的电压的相对最优值)之间的差异。首先,需要确定两个输入值:设定值和测量值,设定值这是希望系统达到的目标电压值。测量值是卡尔曼滤波器计算出的电压的最优值。计算出设定值和测量值之间的误差。误差=设定值—测量值。PID控制的目标是减小这个误差。
[0108] 关于PID算法:比例(P)部分:计算误差的比例,通常是误差乘以一个比例因子(P)。比例控制响应误差的大小,误差越大,比例控制作用越强。
[0109] 积分(I)部分:计算误差随时间的积分,通常是误差随时间积分乘以一个积分因子(I)。积分控制消除稳态误差,即长期存在的小误差。
[0110] 微分(D)部分:计算误差变化率的微分,通常是误差变化率乘以一个微分因子(D)。微分控制预测误差的未来趋势,减少过冲。
[0111] 将P、I和D三部分相加,得到PID控制器的输出。这个输出值是用来调整系统以减小误差的控制信号,例如调整电压调节器来改变输出电压。使用PID控制器的输出来调整系统,例如通过改变电源的输出电压,然后再次测量实际电压,并重复这个过程。通过这种方式,PID控制器能够连续地调整电压,以确保输出电压尽可能接近设定的目标电压。这种结合了卡尔曼滤波器和PID控制器的系统能够有效地应对系统噪声和外部干扰,提高整体系统的精确度和稳定性
[0112] 实施例2:在实施例1中提出了一种高压稳定方法,在本实施例中将提出一种控制设备,如图
4所示,包括:第一控制模块、第二控制模块和变压器模块;所述第一控制模块用于接收上位机的指令,并执行所述高压稳定方法,以得到输出信号;所述第二控制模块用于接收所述输出信号,并且产生相应电压信号和采集电压信号回传给所述第一控制模块形成闭环;所述变压器模块用于将所述第二控制模块产生的电压信号变压,以得到所需要的电压值。
[0113] 其中,所述第一控制模块可以为微控制器,所述第二控制模块可以为现场可编程逻辑阵列(Field Programmable Gate Array,简写为FPGA)芯片,如图5所示,所述控制设备主要包括微控制器、FPGA、变压器、输出模块和供电模块。
[0114] 其中,上位机用于与微控制器进行RS485串口通信,下发串口指令使所述微控制器做出相应计算。所述微控制器可以采用STM32H750芯片,用于接收上位机的指令产生反馈并且进行所述高压稳定方法中的算法计算,最后利用固定移动融合(Fixed  Mobile Convergence,简写为FMC)通信将输出结果传给FPGA。
[0115] FPGA主要用于接收所述微控制器的信号,并且产生相应电压和采集电压信号回传给微控制器形成闭环。变压器模块主要用于将FPGA产生的电压信号变压,最终产生所需要的电压值。输出模块主要用于高压的输出。供电模块主要用于给控制设备的每个模块供电。电源模块主要用于给供电模块持续产生稳定的电压。
[0116] 所述高压稳定方法的具体步骤参见实施例1,在本实施例中不再赘述。
[0117] 实施例3:在实施例1中提出了一种高压稳定方法,在本实施例中将提出一种高压稳定装置,如图6所示,包括构建模块、第一获得模块、第二获得模块和第三获得模块;
所述构建模块用于根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型,并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化;所述第一获得模块用于通过所述第一算法模型的状态方程得到预测协方差,并根据所述第一算法模型的观测方程更新状态和协方差,以得到过程噪声方差;所述第二获得模块用于通过所述第二算法模型得到所述过程噪声方差的最优值,将所述过程噪声方差的最优值代入所述第一算法模型中进行迭代计算,直至所述第一算法模型结束,得到所述高压输出系统的输出高压的相对最优值;所述第三获得模块用于将所述相对最优值和电压设定值输入所述第三算法模型,以得到电压输出值。
[0118] 所述高压稳定方法的具体步骤参见实施例1,在本实施例中不再赘述。
[0119] 以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
QQ群二维码
意见反馈