基于PSO的RBF神经网络在热工系统辨识中的应用

在神经网络辨识大迟延对象时,模型类中迟延时间多是根据经验估测的,而不同的值对神经网络辨识的精度和效率就会不同。针对上述问题,将基于正交最小二乘(OLS)算法的径向基(RBF)神经网络和粒子群优化(PSO)算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次风量数据和平均床温数据的仿真实验结果表明,在RBF神经网络对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳迟延时间,从而得到更精确的模型并提高辨识效率,可以取得良好的效果。     

超超临界二次再热机组过热汽温模型辨识

二次再热是进一步提升大型超超临界机组运行参数、提高机组运行效率的一项关键技术。该类机组的建设尚处于起步阶段,运行经验相对缺乏,为提高其运行控制水平,需要了解锅炉运行的热工特性,并建立兼具工程应用需求和理论研究价值的模型。在西安热工院开发的华能莱芜电厂2×1 000 MW机组仿真系统的平台上,进行了两级喷水减温扰动试验、烟气再循环扰动试验,探究过热汽温的变化规律。采用改进型的粒子群算法,对过热汽温被控对象进行辨识。研究表明改进型粒子群算法辨识精度较高,得到的过热汽温被控对象模型可用于开展机组优化运行与优化控制的相关研究。     

600 MW超超临界机组控制策略研究

600 MW超超临界机组的热工控制面临许多新的问题,具体到热工控制回路而言,超超临界机组主要增加了启动系统控制回路和水煤比控制回路,而且在给水系统控制回路、燃料系统控制回路、过热汽温控制回路以及机组级控制和运行方式上有了新的变化.这就对超超临界机组的热工控制提出了新的要求,以华能营口发电厂600 MW超超临界3#、4#机组为例,就上述问题的控制特点和控制策略进行讨论,以期为同类机组热工控制系统的设计提供参考.     

600MW超超临界机组控制策略研究

600 MW超超临界机组的热工控制面临许多新的问题,具体到热工控制回路而言,超超临界机组主要增加了启动系统控制回路和水煤比控制回路,而且在给水系统控制回路、燃料系统控制回路、过热汽温控制回路以及机组级控制和运行方式上有了新的变化.这就对超超临界机组的热工控制提出了新的要求,以华能营口发电厂600 MW超超临界3#、4#机组为例,就上述问题的控制特点和控制策略进行讨论,以期为同类机组热工控制系统的设计提供参考.     

基于改进T-S模型的热工过程模糊辨识算法

提出了一种实用的基于T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间进行划分,在此基础上利用递推最小二乘辨识算法建立一个热工过程的T-S模型。文中给出了熟知的Box-Jenkins数据的辨识结果,并将该方法应用于辨识单元机组的协调控制系统。     

多变量方程误差类系统的部分耦合迭代辨识方法

针对多变量方程误差滑动平均系统,利用最小二乘原理和迭代搜索原理,给出了增广随机梯度辨识方法、递推增广最小二乘辨识方法、梯度迭代辨识方法和最小二乘迭代辨识方法.针对多变量方程误差滑动平均系统和多变量方程误差自回归滑动平均系统,将多变量系统分解为一些子系统,利用耦合辨识概念,讨论了梯度迭代辨识方法、部分耦合(子系统)梯度迭代辨识方法、子系统最小二乘迭代方法和部分耦合子系统最小二乘迭代辨识方法.进一步结合数据滤波技术,研究了多变量方程误差自回归滑动平均系统的子系统梯度迭代辨识方法、部分耦合(子系统)梯度迭代辨识方法、部分耦合子系统最小二乘迭代辨识方法.文中给出了几个典型算法的计算步骤.     

多变量非线性系统超平面神经网络辨识算法设计

针对常规高效链接超平面(EHH)神经网络无法辨识多变量系统的问题,将多目标规划方法运用到该神经网络的训练过程中,提出了多变量非线性系统超平面神经网络辨识算法.与常规训练方法相比,该算法考虑到EHH神经网络在辨识多个输出变量时存在的冲突性,将各变量的辨识作为不同的优化目标,以此设计了线性加权训练方法和理想点训练方法,实现...     

基于IPSO-SA算法的温室番茄产量预测方法

针对现代温室节能、高效和优质生产的需要,提出一种机理模型与参数辨识相结合的温室番茄产量预测方法。采用改进型退火粒子群算法(Hybrid algorithm of improved particle swarm optimization and simulated annealing algorithm,IPSO-SA)对温室番茄生长模型中难以确定的参数进行辨识,建立温室番茄产量预测模型。根据上海试验温室的气象数据和实测的番茄产量,分别采用模拟退火算法(Simulate annealing algorithm,SA)、粒子群算法(Particle swarm optimization,PSO)和IPSO-SA进行参数辨识和产量预测比较分析。经IPSO-SA校准的模型预测产量与实际产量的相对误差为2.2%,分别比经PSO和SA校准的模型减少了2.1%和0.7%。结果表明:IPSO-SA的收敛速度最快,均方根误差最小,预测精度最高。试验与模拟结果验证了经过IPSO-SA算法校准的番茄产量预测模型精确有效,可为温室番茄栽培提供理论依据。     

超超临界机组汽温控制策略研究及应用

由于超超临界机组复杂的动态特性、变参数的运行方式、多变量的控制特点,采用传统的设计方法难以对超超临界机组主汽温进行有效的控制,因此开展了超超临界机组主汽温控制策略研究。通过对当前典型的超超临界主汽温控制策略进行分析,针对中电芜湖发电厂660 MW超超临界机组汽温被控对象的特性,设计了新型的过热汽温控制系统。该系统分别采用控制给水中间点焓值的方法实现过热汽温的粗调,并采用基于物理机理的减温水控制方案实现过热汽温的细调。在大负荷范围和高负荷变化速率的工况下,通过对控制系统的整定和优化,克服了过热汽温大延迟和大惯性的缺点,调节品质优良,提高了机组运行的经济性。为今后同类型系统设计、调试提供了借鉴。     

基于改进逆向解耦的超超临界机组机炉协调控制

针对超超临界机组机炉耦合系统采用常规的PID控制时参数调整困难且难以获得好的控制效果的问题,先将耦合的多变量高阶被控对象解耦为具有典型二阶惯性环节的多个单入单出广义被控对象。对解耦后的单入单出广义被控对象,分别设计了PID控制器,基于内模控制原理整定PID控制器参数。在MATLAB/SIMULINK仿真环境下,通过实验验证了本方法能够很好地消除变量之间的耦合影响,实现各被控变量良好的设定值跟踪能力和干扰抑制能力。     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

基于IC-PSO和ISM的反馈控制算法设计

为了提高光纤偏振模色散(PMD)补偿系统的动态自适应补偿能力,提出了用改进粒子群优化(PSO)算法作为搜索算法,用改进单纯形法(ISM)作为跟踪算法的反馈控制算法设计方案,从而实现对PMD补偿单元的动态调整。在PSO算法中,引入免疫克隆(IC)原理提高了搜索算法的全局优化能力;对SM的反射操作和扩张操作进行改进,从而提高算法的收敛速度;用映射操作代替原有的顶点代换操作,从而使单纯形在迭代过程中不发生退化现象。实验结果证明了该算法用于PMD补偿系统的有效性和可行性。     

新型混沌粒子群算法在TSP中的应用

针对旅行商问题,提出一种结合混沌优化和粒子群算法的新型混沌离散粒子群方法（CIPSO）。新算法根据此类组合优化问题解的固有地形特征,利用混沌运动的遍历性、随机性等特点进行求解,其基本思想是在求解过程中对粒子进行混沌扰动避免陷入局部最优,并引入群体间粒子的交叉作用来提高寻优效率。通过与遗传算法、蚁群算法和模拟退火算法等比较以及不同TSP问题的仿真实验发现,该方法是一种能进行有效优化的新方法。     

模拟退火粒子群算法在化工过程综合中的应用

将一种模拟退火粒子群算法应用于化工过程综合。由于粒子群算法后期进化速度变慢,并易陷入局部极值点,本研究将模拟退火思想应用到粒子群算法中,通过Me-tropolis准则提高粒子跳出局部极值的能力,并在降温过程中加快了算法后期的进化速度。模拟退火粒子群算法在换热器设计实例和反应器网络综合问题中的应用结果表明,该算法的性能较粒子群算法有了较大改善,同时也表明该算法用于求解化工过程综合问题是可行和有效的。     

基于改进粒子群算法的主汽温系统PID参数优化

应用改进的粒子群优化算法优化PID参数。采用动态变量区间以逐步缩小搜索区间，加快粒子群寻优速度，并且针对粒子群算法可能出现的停滞现象，引入了重新启动策略，改善了算法摆脱局部极点的能力。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究，结果表明：改进的粒子群算法寻优速度快，计算量小，对PID参数优化是非常有效的，使得主汽温控制系统取得了很好的控制品质，系统鲁棒性比较强。     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

水系统优化的粒子群算法分析

针对水系统集成优化问题,采用4种粒子群算法进行求解,并对算法进行了改进。通过算例分析了粒子群算法用于水系统优化时的计算特性。研究表明:在水系统集成优化时,基于混沌局部搜索的粒子群算法较适于该问题的计算。     

基于粒子群优化的PID伺服控制器设计

针对耦合和非线性永磁同步电机（PMSM）控制器优化设计的难题,提出了基于粒子群优化（PSO）算法的比例、积分和微分(PID)控制器的优化设计方法.结合PSO的基本原理和PMSM伺服系统的控制策略,给出了优化PID控制器设计的步骤.考虑到综合评价系统的各项性能指标,在优化过程中引入了新的模糊汉明距离的评价策略.同时对遗传算法（GA）和PSO算法优化结果进行对比研究.仿真和实验结果表明,该方法能搜寻到最优或次最优的参数空间,并能取得比GA更好的空间解.优化得到的PID控制器速度响应快、超调量小,有效地提高了伺服系统的动态性能.     

一种基于神经网络和参数优化的隐式广义预测控制

提出一种基于神经网络和参数优化的预测控制方法。首先利用带有动量项的改进BP神经网络辨识系统模型,在辨识过程中使用粒子群算法(PSO)对改进BP网络的初始权值/偏置、学习率、动量系数等辨识参数进行学习优化,解决这些参数的取值问题;然后将辨识得到的模型用于隐式广义预测自校正控制中,使用遗传算法(GA)对控制过程进行优化,寻找最优的控制参数(预测时域、控制时域、控制加权系数、柔化系数)。将该方法应用在热工系统中,仿真结果表明了方法的有效性。     

新型混合粒子群优化算法

针对粒子群算法易陷入局部极值、精度低等缺点,提出了一种基于模拟退火与混沌思想的新型粒子群优化算法(SA-CPSO).在该算法的初始阶段,对粒子位置进行混沌初始化,并引入模拟退火算法对每个粒子的适应度进行评价;在该算法运行过程中根据群体适应度方差对粒子群进行混沌更新;最后通过对几种经典函数的测试计算,结果表明,相对于标准粒子群算法,该新型混合算法提高了局部搜索能力和搜索精度,并有效避免了早熟现象的产生.