Python ARX模型是Gekko

这是这个问题的后续问题：

我想我没有给出足够的细节，我的问题也不是很清楚。 首先，我正在寻找我的系统模型，以便在MPC中使用它，因此识别需要良好，以便从我的MPC中获得良好的结果

这是我用来识别GEKKO系统的代码。我使用了大约5小时的数据，冰箱只由恒温器控制。每隔5秒就有数据从我的传感器传来

用Sysid（）标识

打印结果

我用sysid（）得到的结果并不好。尽管有这些结果,

我用以下代码模拟了ARX模型。使用我从sysid（）获得的p字典

模拟

from gekko import GEKKO
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

na = 1# Number of A coefficients
nb = 1 # Number of B coefficients
ny = 1 # Number of outputs
nu = 1 # Number of inputs

# A (na x ny)
# actual A,B,C values are from 5 h data
A = np.array([[1.00037807]])
# B (ny x (nb x nu))
B= np.array([[[-0.01318095]]])
C = np.array([-0.00162522])

# create parameter dictionary
# parameter dictionary p['a'], p['b'], p['c']
# a (coefficients for a polynomial, na x ny)
# b (coefficients for b polynomial, ny x (nb x nu))
# c (coefficients for output bias, ny)
p = {'a':A,'b':B,'c':C}

m = GEKKO(remote=True)
y,u = m.arx(p)

# load inputs
#tf = 719 # final time
u1 = np.append(np.ones(500),np.zeros(500),0)
u2 = np.append(u1, np.ones(500),0)
u3 = np.append(u2, np.zeros(500),0)
u4 = np.append(u3, np.ones(500),0)
u5 = np.append(u4, np.zeros(936),0)
u[0].value = u5

cv = y[0]
mv= u[0]
cv.value = 14.2

m.time = np.linspace(0,17180,3436)
m.options.imode = 4
m.options.nodes= 2
#m.options.SOLVER = 1
# simulate
m.solve()

模拟结果：

温度的变化是不合逻辑的。最后，冰箱关闭，温度继续下降。我的冰箱也不够强大，不能在零下5°C的温度下工作。 我的问题是：

我在这里可能做错了什么？我是否使用了足够的数据进行身份验证

为什么在使用线性回归而不是sysid（）时，我会得到p的其他系数？（我上一篇文章的代码）

sysid（）是否像线性回归那样进行

为什么使用线性回归可以获得更好的拟合结果，但绘制模拟时温度变化不大？（参见我上一篇文章中的线性回归模拟图）

---

提前感谢：）

您可以发布一个指向您的数据文件的链接吗？快速尝试的两件事是使用比

na=1

和

nb=1

（可能是2-5）更高阶的时间序列，并使用

shift='mean'

。我想你有足够的资料来证明身份。sysid（）使用的输出错误形式不同于线性回归-这是一种非线性回归，因为y[k-1]和回归系数都是计算出来的，从而产生双线性项。线性回归拟合结果似乎很好，因为您正在查看

y[k]=a*ymeas[k-1]+b*u[k-1]

，并且

y[k]

将始终接近

ymeas[k-1]

。可能使用一些生成的锯齿数据？

from gekko import GEKKO
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

na = 1# Number of A coefficients
nb = 1 # Number of B coefficients
ny = 1 # Number of outputs
nu = 1 # Number of inputs

# A (na x ny)
# actual A,B,C values are from 5 h data
A = np.array([[1.00037807]])
# B (ny x (nb x nu))
B= np.array([[[-0.01318095]]])
C = np.array([-0.00162522])

# create parameter dictionary
# parameter dictionary p['a'], p['b'], p['c']
# a (coefficients for a polynomial, na x ny)
# b (coefficients for b polynomial, ny x (nb x nu))
# c (coefficients for output bias, ny)
p = {'a':A,'b':B,'c':C}

m = GEKKO(remote=True)
y,u = m.arx(p)

# load inputs
#tf = 719 # final time
u1 = np.append(np.ones(500),np.zeros(500),0)
u2 = np.append(u1, np.ones(500),0)
u3 = np.append(u2, np.zeros(500),0)
u4 = np.append(u3, np.ones(500),0)
u5 = np.append(u4, np.zeros(936),0)
u[0].value = u5

cv = y[0]
mv= u[0]
cv.value = 14.2

m.time = np.linspace(0,17180,3436)
m.options.imode = 4
m.options.nodes= 2
#m.options.SOLVER = 1
# simulate
m.solve()