基于混沌理论的再热汽温神经网络模型

在利用混沌理论揭示火电机组再热汽温混沌动力学特性的基础上，构建了再热汽温神经网络预测模型。该模型利用混沌特性处理输入样本并确定神经网络的结构，用神经网络映射混沌相空间的相点演化的非线性关系，采用改进型遗传算法对神经网络模型进行参数辨识。仿真结果表明：该模型精度较高，收敛速度快，为实际生产过程中再热汽温的预测提供了一种新的思路和方法。     

基于自主可控DCS的火电机组再热汽温优化控制系统研究与应用

针对火电机组再热汽温控制对象的大滞后、大惯性特性,基于自主可控DCS,以串级调节为基础,综合采用相位补偿控制、状态变量反馈控制、自适应控制以及智能前馈控制等先进控制技术,开发了全新的再热汽温优化控制系统,可有效改善再热汽温控制对象的闭环控制特性。该系统成功应用于某320 MW机组的再热汽温控制中,实际运行表明,在机组变负荷工况和稳态工况下,优化后的再热汽温控制均取得了良好的控制品质。     

火电机组再热汽温控制方法研究

针对华能铜川照金2号机组再热汽温自动控制问题,结合再热汽温系统大滞后、大惯性和非线性的特点,提出了一种基于Smith补偿的广义预测控制方法,并将其应用在再热汽温控制上.通过调整烟气挡板和事故减温水来对再热汽温控制系统进行优化,从实际应用效果来看取得了较好的应用效果.     

Shannon小波混沌神经网络及其TSP(城市旅行商)问题的求解

混沌神经网络已经被证明是解决组合优化问题的有效工具.针对混沌神经网络的单调的激励函数,通过引入Shannon小波和Sigmoid函数加和组成的非单调激励函数,提出了一种新型的暂态混沌神经元模型.给出了该混沌神经元的倒分岔图和最大Lyapunov指数时间演化图,分析了其动力学特性.基于该模型,构造了一种暂态混沌神经网络,并将其应用于函数优化和组合优化问题.通过经典的10城市TSP验证了该暂态混沌神经网络的有效性.     

单元机组再热汽温控制系统

介绍单元发电机组锅炉的特点及再热蒸汽温度常规控制方案,并结合实际工程给出了超临界大型火电机组通常采用的摆动燃烧器控制再热汽温的系统设计方案及控制策略.     

基于SMITH预估的神经网络再热汽温控制

电厂锅炉的再热汽温是机组安全、经济运行的重要参数之一,必须控制在一定范围内.而电厂再热汽温被控对象是具有大惯性、大滞后,并且常规PID控制难以取得良好的控制效果.针对这一特点,提出了一种RBF--Smith预估控制算法,该算法利用了基于RBF整定的PID控制提高对被控对象参数变化的自适应能力和Smith预估控制能够克服被控对象的大迟延特性,并对RBF--Smith预估控制用Matlab在不同工况下进行仿真试验,仿真结果表明所设计的控制系统的性能较常规PID控制有较大的提高,证明了控制方案的有效性.     

基于LS-SVM的再热汽温趋势预测与控制优化北大核心CSCD

提出了一种基于LS-SVM算法的再热汽温控制优化方法。在烟气挡板调节方式下,再热系统抗干扰能力差,易于波动。LS-SVM算法以执行器的动作趋势为输入样本,预测再热汽温的未来走向。建模过程利用网格法搜索最优核参数,参数评价标准根据交叉验证法确定。根据预测结果,得到未来时刻的再热汽温波动偏差。经过折算得到再热汽温控制系统的前馈控制量,从而减小外界扰动带来的再热汽温波动。经仿真结果显示,上述方法有效地优化了再热汽温系统的控制效果。     

一种结合混沌搜索的自适应遗传算法

自适应遗传算法(AGA)是一种有效的全局优化概率搜索算法.把混沌优化算法引入到AGA中,提出了一种结合混沌搜索的自适应遗传算法(AGACCS).该算法保持了AGA的所有特点,进一步改善了AGA的全局寻优能力并有效防止局部收敛现象,提高了算法的收敛速度和计算精度.仿真函数结果表明,该算法的性能优于AGA.     

Shannond小波混沌神经网络及其TSP（城市旅行商）问题的求解

混沌神经网络已经被证明是解决组合优化问题的有效工具．针对混沌神经网络的单调的激励函数。通过引入Shannond小波和Sigmoid函数加和组成的非单调激励函数,提出了一种新型的暂态混沌神经元模型．给出了该混沌神经元的倒分岔图和最大Lyapunov指数时间演化图,分析了其动力学特性．基于该模型,构造了一种暂态混沌神经网络,并将其应用于函数优化和组合优化问题．通过经典的10城市TSP验证了该暂态混沌神经网络的有效性．     

迟滞混沌神经网络及应用

提出了一种同时具有迟滞和混沌特性的神经元模型,并利用该模型构造出神经网络,用于求解优化计算等问题.通过在神经元中引入自反馈,使得神经元具有混沌特性.将神经元的激励函数改为具有上升分支和下降分支的迟滞函数,从而将迟滞特性引入神经元和神经网络中.结合模拟退火机制,在优化计算初期,利用混沌特性可提高网络的遍历寻优能力,利用迟滞特性可在一定程度上克服假饱和现象,提高网络的寻优速度:在优化计算末期,网络蜕变为普通的Hopfiled型神经网络,按照梯度寻优方式收敛到某局部最优解.可通过构造能量函数的方法,将图像识别中的特征点匹配等问题转化为优化计算问题,从而可采用该神经网络进行问题求解.仿真结果验证了该方法的有效性.     

探空仪湿敏电容器的误差校正模型研究

为了减小探空仪湿敏电容器在高空大气,特别是低温环境下的测量误差,设计了一种基于改进型pi-sigma模糊神经网络的误差校正模型,采用了K-means聚类算法和权值直接确定法提高了网络性能。通过实际测试和BP神经网络进行比较,结果显示:pi-sigma模糊神经网络和BP神经网络对于-30～40℃的144组训练样本的最大相对误差分别为4.774%,15.27%,收敛时间分别为0.01,2 s。4组检验样本结果证明:pi-sigma模糊神经网络有效实现了湿敏电容器在低温条件下的温度补偿和非线性校正,同时在预测精度、泛化能力以及训练速度上均优于BP神经网络。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于W iener 模型的混沌系统辨识研究

提出一种基于Ｗｉｅｎｅｒ模型辨识混沌系统的新方法。该方法利用三层前馈神经网络来辨识Ｗｉｅｎｅｒ模型中的静态非线性环节和学习混沌系统的内在规律性。同时给出了辨识混沌系统的结构和网络权值调整的学习算法。对Ｈｅｎｏｎ系统的仿真结果表明,该方法是有效的。     

非线性系统的蚁群优化预测PID控制

针对非线性、时变及大惯性系统的控制问题,提出了一种基于蚁群算法的预测PID控制算法。该算法以神经网络作为预测模型,将预测控制和PID控制相结合,并用蚁群算法在线优化控制器参数,其中以常规的Ziegler-N ichols方法整定的控制器参数为基础,选取蚁群优化变量的动态搜索区间。该算法考虑了控制能量受限情况下,非线性系统的预测控制问题。计算机仿真结果表明,该非线性控制方案具有较好的鲁棒性,相对传统PID控制策略还表现出了良好的动态性能,能够满足对再热汽温对象的控制要求。     

Improvements in the predictive capability of neural networks

Neural networks can be used to develop effective models of nonlinear systems. Their main advantage being that they can model the vast majority of nonlinear systems to any arbitrary degree of accuracy. The ability of a neural network to predict the behavior of a nonlinear system accurately ought to be improved if there was some mechanism that allows the incorporation of first-principles model information into their training. This study proposes to use information obtained from a first-principle model to impart a sense of “direction” to the neural network model estimate. This is accomplished by modifying the objective function so as to include an additional term that is the difference between the time derivative of the outputs, as predicted by the neural network, and that of the outputs of the first-principles model during the training phase. The performance of a feedforward neural network model that uses this modified objective function is demonstrated on a chaotic process and compared to the conventional feedforward network trained on the usual objective function.     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

基于混沌优化的非线性预测控制器

针对非线性系统的控制问题,本文将神经网络辨识、混沌优化和预测控制思想有机结合,提出了一种新型非线性预测控制器.该控制器以神经网络作为预测模型,混沌优化算法作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题.另外在训练神经网络过程中,采用了带混沌机制的自适应学习率的BP算法,以提高神经网络的收敛能力和收敛速度.仿真研究说明了该非线性预测控制器的有效性及实时性.     

基于灰色新陈代谢神经网络的管网末梢水质预测模型研究

针对管网末梢水质环境存在信息不确定、非线性的情况,本文结合灰色预测＂贫信息＂及BP神经网络非线性拟合强的优点,提出了灰色新陈代谢神经网络预测模型。该模型采用灰色新陈代谢GM（1,1）模型对BP网络的输入样本进行预处理,解决了BP网络需要大量学习样本的局限。仿真结果表明,与灰色新陈代谢、BP神经网络相比,灰色新陈代谢神经网络预测精度更高。     

基于COBP模型的城市短期需水量预测研究

针对城市需水量预测中时间序列的非线性特性及传统BP网络预测收敛速度慢易陷入局部极小值等问题,将Chaos理论和BP神经网络理论相结合,提出了一种基于Chaos-BP理论的城市短期需水量COBP(ChaosBackPropagtion)预测模型。利用重构相空间的嵌入维数确定COBP网络的结构,通过混沌优化搜索,找到BP神经网络权值的全局最优值,并对其输出的“尖点”预测值进行混沌参数控制,实现城市短期需水量的预测。仿真分析表明,与传统预测模型相比,COBP预测模型所需训练数据样本少,收敛速度快、易达到全局最小值,预测结果整体误差的指标良好,呈现良好的综合预测性能。