焦嵩鸣[1]2007年在《计算智能及其在热工系统中的应用研究》文中研究说明热力发电厂作为电力生产企业,不仅生产过程复杂,而且对于生产的经济性和安全性,对生产过程的控制品质要求都较高。但是,由于现代热力发电设备向着大容量,高参数的方向发展,机组设备越来越复杂,一些设备的具体特性很难用数据模型描述出来或者其特性随着机组工况的变化会发生变化,传统的控制方法在很多情况下无法有效地应用于生产。计算智能是人们从生物进化机理和一些物理现象中受到启发,提出的许多用以解决复杂优化问题的新方法,因其高效的优化性能、无需问题特殊信息等优点,受到各领域广泛的关注和应用。因此,对计算智能进行研究并把它们应用于发电厂的热工系统中,具有理论意义和实用价值。本文在研究BP神经网络标准算法以及加入动量项的改进算法的基础上,将RPROP算法应用于BP网络的权值修改。在研究了RBF标准算法的基础上,对OLS算法进行了介绍并进行了仿真研究;设计了基于CMAC网络的PID-CMAC复合控制策略;在研究改进的Elman网络的基础上提出了一种新型的动态递归神经网络结构—HIOCDRN网络。本文提出了基于混沌优化策略和RPROP的融合算法,该算法在一定程度上能够克服神经网络的“局部极小”问题。在研究标准PSO算法的基础上,引入动态变量区间和重新启动策略,并将这一新型PSO算法应用于电厂主汽温控制系统PID控制器参数优化。本文还提出了一种新型的热工对象辨识方法----基于PSO和RBF神经网络的系统辨识方法,该方法能大大提高辨识速度和提高辨识模型的泛化能力。在研究标准遗传算法的基础上,提出了采用新的适应度函数的自适应遗传算法。提出的模糊量子遗传算法,通过引入模糊计算,有效地克服了量子遗传算法中旋转变异角相对固定的缺点,提高了量子遗传算法的计算精度和收敛速度。本文将模糊量子遗传算法应用于热工过程辨识,并设计了热工过程模型辨识程序,具有良好的通用性。设计了单神经元神经网络控制器,并将该算法编制成DCS的控制算法模块,在算法模块的设计中考虑了手自动无扰切换问题。文章还将神经网络技术应用于内模控制和预测控制并设计了相应的控制方案。本文设计了基于PID神经网络逆模型的干扰观测器,该观测器和PID-CMAC复合控制策略相结合,大大提高了系统的控制品质和抗干扰能力。将神经网络和遗传算法应用于燃烧系统优化,优化后的燃烧系统氮氧化物排量明显降低。论文的主要创新点有:1.提出一种新型动态递归神经网络(HIOCDRN网络);2.提出混沌优化和RPROP相融合的神经网络学习方法;3.改进PSO算法并设计了PSO算法与RBF神经网络相融合的有自平衡对象辨识方法;4.提出了模糊量子遗传算法(FQGA);5.设计了基于PID神经网络逆模型的干扰观测器。
王蕊[2]2017年在《粗糙集属性约简算法在热工系统中的应用研究》文中研究指明粗糙集理论作为处理不确定信息的有效工具,在多个领域得到广泛应用,为复杂热工系统建模和故障分类提供了新的方法。本文描述了粗糙集和神经网络结合方法,该方法的实现步骤为原始数据的预处理、属性约简,到最后网络模型的构建。其中,针对连续属性的离散化,提出了无需指定聚类数的改进k-means算法,在确定算法的惩罚参数时引入了相容度的概念,充分考虑了属性间的相互关系。针对决策表的属性约简,提出了一种基于近似决策熵的约简算法,将近似精度与传统信息熵相结合,解决了传统信息熵单纯从信息论观点出发的不足。针对火电厂热工对象实时建模困难、模型精度不高,以及神经网络因输入量增多导致收敛速度大幅降低的问题,本文提出一种基于近似决策熵的BP网络建模方法。利用该方法对主汽温和NOx排放浓度建模,结果表明,该方法模型精度高,而且有效降低了BP网络输入层的维数,从而使网络的结构更加简单,训练速度更快,对热工系统建模具有重要的实用价值。为了实现电厂中设备故障类型的快速、准确判断,将基于近似决策熵模型的属性约简算法结合BP网络进行故障分类。该方法用于汽轮机的振动故障分类,结合方法有效降低了网络的输入维数,简化了网络结构,获得了较高的分类精度,同时降低了计算开销,对快速判断故障类型,提高维修效率,具有工程实用价值。
苏烨[3]2004年在《混沌优化及其在热工控制系统中的应用》文中研究指明混沌优化算法作为一种新型的智能算法得到了广泛的注意和研究,已经在一定领域得到了应用,有着良好的应用前景。本文主要研究了混沌优化算法在热工控制系统中的应用,根据热工控制系统的特点,利用混沌优化算法对热工控制系统中的控制器参数进行寻优,利用混沌变量的遍历性特点,得到全局最优解,优化后的控制器能对系统进行很好的控制;本文对混沌优化算法可能出现的收敛性不好的特点进行了讨论和研究,提出了改进措施和方案。最后利用混沌优化算法对热工模型进行辨识。仿真结果表明了算法的可行性和有效性。
李剑波[4]2005年在《粒子群优化算法在热工系统中的应用研究》文中指出控制器参数的优化直接影响热工系统的控制效果和机组的安全、经济运行。粒子群优化算法作为一种新颖的群体智能优化算法,在解空间进行高效启发式搜索,而非盲目地穷举或完全随机搜索,本文将其应用于控制器的参数优化。在研究算法理论的基础上,初步论证了其收敛性,引入“动态变量区间”和“重新启动策略”等改进措施,使其具有全局优化能力。针对热工系统的多扰动和大迟延等特性,设计了模糊控制和PID控制相结合的双模控制器并应用粒子群算法优化其参数,避免了模糊控制器设计中参数的复杂调试,应用在主汽温系统中,控制性能良好,鲁棒性和抗扰性强,结果表明该方法可行有效。
任青[5]2003年在《智能优化理论及其在热工系统中的应用》文中认为PID调节器是热工系统最主要的控制策略,它直接影响机组的安全、经济运行。遗传算法作为一种智能优化算法,在解空间进行高效启发式搜索,而非盲目地穷举或完全随机搜索,因此本文应用遗传算法对调节器参数进行优化。文中深刻剖析了遗传算法理论,对其存在的“早熟”、局部搜索能力差等问题进行了研究,采用了初始种群选择策略、免疫混沌优化算法等措施,获得很好的效果。本文还研究了多目标函数问题,采用归一化法和灰色理论方法对目标函数进行了改进。在目标函数中还引入了控制器输出品质,避免执行机构频繁动作。文中给出了汽包水位系统、过热汽温系统的优化结果,实验表明应用遗传算法优化控制器参数能够获得令人满意的效果。
薛虹[6]2015年在《生物地理学优化算法在热工控制系统中的应用研究》文中提出智能优化方法一般具备全局性、鲁棒特性及通用性强等特点,在多目标优化、优化调度问题、运输问题、组合优化问题、工程优化设计等众多领域已经被广泛应用,并引起了国内国外学者的广泛关注,掀起了研究热潮。智能优化算法的典型代表—基于微粒群优化算法以及克隆选择算法,已经受到人们越来越多的关注,随着以这些算法的改进及算法在诸多领域的应用逐渐成为各类研究人员的研究热点,对算法性能的要求也随之越来越高,当前研究的问题重点仍是如何依据系统特性设计出一个鲁棒性强,准确性高,稳定性好的智能优化算法。本文主要针对热工优化领域进行了智能优化算法的一些研究。主要研究的智能优化算法为生物地理学优化算法(BBO)及结合粒子群优化算法改进的BBO算法,并针对典型火电机组热工系统进行控制器参数优化,最后经仿真研究验证了BBO算法及改进BBO算法的性能以及有效性。具体内容如下:(1)详细地介绍了智能优化算法的发展及分类,并详细介绍了新型优化算法—生物地理学优化算法的发展、算法特点及应用现状。(2)详细介绍了生物地理学及生物地理学迁移模型的基本知识,并进一步详细阐述了生物地理学优化算法的原理,包括BBO算法的迁移及突变操作内容,最后给出了BBO算法的整体操作流程。(3)研究了基于BBO算法的火电机组热工系统PID的参数优化方法。本章基于BBO算法的全局及收敛速度快等优点,结合火电机组热工系统的控制特点,将BBO算法应用到热工系统的控制器的参数优化中。结合火电机组再热汽温系统,给出了基于BBO算法的热工PID混合优化方法,并进行仿真验证。(4)为提高BBO算法在热工系统的优化性能,使其具备更优越的收敛特性,提出了一种改进的BBO优化算法。在原有BBO算法的迁移策略的基础上引入粒子群算法的收敛机制,使整个迁移过程具备一定的方向性,并采用淘汰策略剔除迁移突变后较差的参数。这样,一方面方向性的迁移及淘汰机制保证其快速的收敛特性,另一方面突变机制保证广域搜索的全局特性,避免陷入局部极值。仿真研究表明,改进后的BBO算法有效改善了优化过程中的收敛速度和收敛精度。(5)为进一步验证所提方法在工程中应用中的有效性,对其在火电机组热工系统中的工程应用进行进一步的探讨,给出了改进BBO算法在热工系统工程应用中进行系统辨识、参数优化的方法和具体实施步骤。以电厂实际燃烧器摆角再热汽温系统为例给出应用改进BBO算法进行燃烧器摆角—再热汽温系统的模型辨识并对其进行控制器优化的方法。包括数据收集、数据滤波、系统辨识、参数优化。最后对优化的结果进行验证。
陈建涛[7]2009年在《蚁群算法的改进及在热工系统参数优化中的应用》文中研究说明本文介绍了蚁群算法的基本理论,探讨了该算法的数学模型及其实现,分析了它在解决优化问题时的优势和不足,并提出了一种改进的方法。改进的具体做法就是在保留其正反馈机制,易于并行处理等优点的情况下,针对其收敛速度慢,容易出现停滞,全局搜索能力低等缺点,提出了一种融合遗传算法的改进蚁群算法。本文选用了热工控制系统中的主汽温控制系统,将改进后的蚁群算法应用到了主汽温控制系统的PID控制参数优化中。仿真结果表明主汽温系统的PID控制器参数经过改进蚁群算法优化后,使得该系统具有良好的跟随性能、抗干扰性能和鲁棒性。
徐东升[8]2004年在《遗传算法在热工系统中的应用》文中认为电厂中的热工系统是一个复杂的系统,由于其所特有的复杂性,使得模型的获取有一定的难度,因此文章讨论了热工系统中各种对象模型的求取方法,对山东潍坊电厂汽温系统的试验表明了方法的可行性。PID调节器是热工系统最主要的控制策略,它直接影响机组的安全、经济运行。遗传算法作为一种智能优化算法,在解空间进行高效启发式搜索,而非盲目地穷举或完全随机搜索,因此本文应用遗传算法对调节器参数进行优化。文中给出了主汽温系统控制器参数的优化结果,实验表明应用遗传算法优化控制器参数能够获得令人满意的效果,成功的解决了山东潍坊电厂由于控制器参数选取不合理而使系统无法投入自动的问题。
黄宇[9]2012年在《基于量子计算的热工过程辨识研究及应用》文中指出人们在认识和改造客观世界的过程中,总存在一些难以用现有的知识去定量描述的系统,系统辨识就是根据测量系统产生的各种信号去构造系统的模型,它是联系现实和数学模型的纽带。在优化计算方面,量子计算相比于经典优化计算,在某些方面可能拥有后者无法比拟的优势。本文利用量子计算与量子优化的方法对热工过程进行了辨识,分别从线性单入单出系统传递函数模型的辨识、多变量子空间模型辨识和非线性神经网络模型辨识等叁个方面进行了研究。主要创新成果有：(1)针对量子粒子群算法(QPSO)的收敛速度和寻优精度问题,提出了一种改进的QPSO算法。首先,采用混沌序列初始化粒子的初始角位置；其次,在算法中加入变异处理,有效地增加了种群的多样性,避免早熟收敛。函数优化测试结果表明：本文提出的算法具有良好的优化效果。同时利用本文提出的算法对经典的具典型意义的传递函数族模型进行了辨识,辨识结果证明了这种算法的有效性。利用此算法,在结合某DCS的基础上,编制出了一种通用的热工对象模型辨识算法模块,并应用于某循环流化床电厂的辨识,取得了令人满意的辨识结果。(2)用实例证明了状态子空间辨识方法是一种有差辨识方法。为了获得辨识参数的一致无偏估计,在经典状态子空间辨识的基础上,提出了基于优化算法的两段辨识方法.。首先利用经典状态子空间辨识获取被辨识对象的初始信息,然后利用改进的量子粒子群算法对其进行优化,通过实例验证了本文所提出算法的有效性。最后对某电厂协调控制系统的数据进行辨识。辨识的结果表明：本文所提出的方法可以适用于工业过程多变量系统的辨识,且具有良好的辨识精度。(3)量子遗传算法是基于量子计算原理的概率优化方法,在量子门更新过程中,旋转角的大小直接影响优化的结果和进化的速度。本文针对模糊量子遗传算法(FQGA)容易导致系统陷入局部最优的缺点,将量子衍生交叉算法的思想引入FQGA,提出了一种新的量子遗传算法。同时利用该方法构造径向基函数神经网络并进行非线性系统的辨识。其特点是通过这种新的量子遗传算法实现对RBF神经网络权值、宽度和中心位置等有关参数的估计,其速度快、精度高,从而通过RBF神经网络有效地完成了对非线性系统的辨识。对典型非线性函数辨识的测试表明：该方法有效的提高了量子遗传算法的计算精度和收敛速度。同时利用这种方法设计了一种通用的热上对象模型辨识神经网络算法,并编制了专用的模型识别软件,对某电厂循环流化床锅炉一次风对床温的动态特性进行辨识,结果表明该方法是一种精度比较高的辨算法,具有一定的实用价值。
任燕燕[10]2014年在《基于智能计算的非线性系统辨识算法研究及其应用》文中认为几乎所有的生产系统都是非线性系统,人们常说的线性系统是对系统非线性特性在某种程度上进行忽略或者某种假设条件下近似得到的,这种近似必然会产生误差,影响生产系统的控制效果。生产系统结构越来越复杂,包含的非线性特性也更多样化,简单的线性近似已经不能满足提高系统生产力的要求,所以,非线性系统辨识是大势所趋。到目前为止,没有一种通用的方法可以对不同结构的非线性系统进行辨识,一般是具有不同非线性特性的系统,用不同的辨识方法。模块化的非线性模型结构简单,内部连接方式明了,比较适合生产系统的辨识,是近年来颇受研究者青睐的一种非线性系统辨识常用的模型。模块化模型主要有Hammerstein模型(H模型)、Wiener模型(W模型)及后来出现的Hammerstein-Wiener模型(H-W模型)和Wiener-Hammerstein模型(W-H模型)。热工系统是规模庞大、结构复杂、控制要求较高的生产系统,生产过程中存在着不同程度的非线性,本文从自动控制系统的构成出发,分析了热工控制系统中执行器和检测变送器的非线性特性,进而得知,模块化的非线性模型适合于热工系统典型过程的辨识。本文重点研究了叁种模块化非线性模型：Hammerstein模型、Wiener模型以及Hammerstein-Wiener模型。采用粒子群算法及其改进算法优化模型参数,用神经网络理论构造新的模块化模型及推导模型自身学习规则。借助分散控制系统存储的热工过程输入输出数据,将模块化模型的辨识方法应用于热工系统的辨识中。本文主要内容包括：1.提出了一种基于聚类分析的样条函数多项式Hammerstein模型,用粒子群算法寻优模型参数。将该辨识算法应用于热工系统某生产过程的辨识中,仿真结果表明了该样条函数Hammerstein模型辨识算法的有效性,为热工系统辨识提供了一种有效途径。2.提出了两种网络化Wiener模型,两种模型分别用BP网络和RBF网络表示模型的非线性部分,将模型转换成串联的网络结构；两种模型都采用双层优化策略,用BP算法和粒子群算法分内外两层优化模型参数。将这两种方法应用于热工系统两个对象的辨识,CO2浓度系统的辨识结果表明网络化W模型较样条函数H模型效果好,主汽压系统的辨识结果表明网络化W模型有较好的适用性。3.引入量子计算理论,用量子粒子群算法辨识一般指数多项式Hammerstein模型,并将该算法应用于热工系统的辨识。一般指数多项式模型结构简单,计算速度较快；量子粒子群算法较普通粒子群算法,增加了种群的多样性,一定程度上避免了早熟。从循环流化床机组叁个对象的辨识结果可以看出,简单多项式H模型可以用于一部分实际系统的辨识,量子粒子群算法一定程度上可以提高指数多项式H模型的辨识精度。4.提出了一种网络化Hammerstein-Wiener模型,研究了一般多项式H-W模型和文中提出的网络化H-W模型的辨识方法,用量子粒子群算法辨识模型参数。分别将两种模型应用于热工系统两个典型环节的辨识,仿真结果表明了H-W模型能较好地表达生产系统的特性。本文主要研究基于智能计算的非线性模型辨识算法及其在热工系统中的应用,希望本文的研究工作能对热工系统的辨识有一定的理论与实践价值,并能对其它生产系统的辨识起到一定的启发作用。
参考文献：
[1]. 计算智能及其在热工系统中的应用研究[D]. 焦嵩鸣. 华北电力大学（河北）. 2007
[2]. 粗糙集属性约简算法在热工系统中的应用研究[D]. 王蕊. 华北电力大学. 2017
[3]. 混沌优化及其在热工控制系统中的应用[D]. 苏烨. 华北电力大学（河北）. 2004
[4]. 粒子群优化算法在热工系统中的应用研究[D]. 李剑波. 华北电力大学（河北）. 2005
[5]. 智能优化理论及其在热工系统中的应用[D]. 任青. 华北电力大学（河北）. 2003
[6]. 生物地理学优化算法在热工控制系统中的应用研究[D]. 薛虹. 华北电力大学. 2015
[7]. 蚁群算法的改进及在热工系统参数优化中的应用[D]. 陈建涛. 华北电力大学（河北）. 2009
[8]. 遗传算法在热工系统中的应用[D]. 徐东升. 华北电力大学（河北）. 2004
[9]. 基于量子计算的热工过程辨识研究及应用[D]. 黄宇. 华北电力大学. 2012
[10]. 基于智能计算的非线性系统辨识算法研究及其应用[D]. 任燕燕. 华北电力大学. 2014
标签：电力工业论文; 自动化技术论文; 遗传算法论文; 量子论文; 粒子群优化算法论文; 系统辨识论文; 智能算法论文; 网络模型论文; 线性系统论文; 过程控制论文; 混沌现象论文; 神经网络论文; 非线性论文; 算法论文;