基于模糊聚类神经网络的电站锅炉故障诊断研究

建立了电站锅炉故障样本及其故障诊断的模块化模糊网络模型,并用可能性聚类算法对所建模型进行了样本聚类,有效地避免噪声对聚类结果的影响,保证了聚类正确性。实验结果表明其网络训练速度和精度明显提高,解决了BP网络应用于复杂系统故障诊断时容易陷入全局最小问题。且该网络采用多输出结构不仅能对故障是否发生进行故障诊断,而且还能判断故障发生的严重程度。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机(ELM)不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机(ASOS-ELM)综合建模的方法。该方法利用改进的共生生物搜索(ASOS)算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差(RMSE)作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归(SVR)模型、改进的粒子群算法(PSO)和基本的共生生物搜索算法(SOS)优化的ELM作对比。结果表明,ASOSELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

模糊神经网络自适应控制在循环流化床锅炉燃烧控制系统中的应用研究

循环流化床锅炉是一种比较复杂的被控对象,采用常规的控制方法难以收到好的控制效果。在本文中,根据模糊控制理论和神经网络技术,一种模糊神经网络控制器被提出,通过对神经解耦网络的合理设计,使得该控制器不但可以适应被控对象的变参数运行工况,而且可以实现循环流化床锅炉燃烧过程主汽压力与床层温度的解耦。仿真试验和现场应用结果证明,本文提出的模糊神经网络控制器对循环流化床锅炉燃烧过程具有良好的控制效果。     

基于粗糙集与最小二乘支持向量回归的汽轮机主蒸汽流量预测

针对传统主蒸汽流量计算方法的不足,提出了一种新的主蒸汽流量预测方法,该方法综合了粗糙集理论与最小二乘支持向量回归算法的优点,利用ROSETTA V1.4.41研究实验平台中的遗传约简算法对输入变量的属性进行约简,再利用最小二乘支持向量回归算法建立主蒸汽流量的预测模型。实验表明,与未经粗糙集理论处理过的BP神经网络、支持向量回归算法和最小二乘支持向量回归算法所建模型相比,该方法具有更好的预测精度和泛化能力,且建模速度显著提高。     

配电管理及配电自动化系统实施中的关键问题

针对配电系统自动化实施过程中出现的一些容易混淆的概念以及难以选择的方法进行了探讨,提出了配电系统自动化的基本模式及其应用具有的功能,给出了有关配电管理及配电自动化系统实施中的一些基本观点和注意事项。     

基于反馈快速学习网的热力系统混合预测模型

针对汽轮机机组功率难以精确计算的问题,提出一种热力系统混合预测模型以改善机组功率的计算精度。混合预测模型以热平衡方程为基本模型,以反馈快速学习网(feedback FLN,B-FLN)为补偿模型,将B-FLN的功率预测值作为热平衡方程功率计算值的补偿值。以某300 MW机组为研究对象,采用提出的混合预测模型对机组的功率进行预测,将其结果与热平衡方程计算值进行比较。仿真结果表明:混合模型输出功率误差小于±2 MW,降低了热平衡方程计算误差,为机组功率的可靠计算提供了一种新的解决思路。     

基于优化型K-means聚类算法的锅炉热效率研究

针对K-means聚类算法存在初始聚类中心影响聚类精度的问题,提出采用生物地理学算法优化K-means聚类中心,使其能提高聚类算法的准确率。在基准数据集中对本算法进行实验,其结果表明改进算法具有良好的性能。其次,采用改进的K-means聚类算法对不同工况下的锅炉燃烧工艺参数进行聚类,并挖掘出每一类中热效率最高时的燃烧工艺参数作为最佳工艺参数,使锅炉在最佳工艺参数下进行燃烧,达到提高热效率的目的。为了验证最佳工艺参数的有效性,采用贝叶斯最小二乘支持向量机辨识锅炉热效率模型,结果显示热效率明显提高,说明经过优化型K-means聚类算法挖掘的最佳工艺参数是有效的。     

基于改进人工蜂群算法的锅炉NO_x排放预测优化

针对电厂循环流化床锅炉NOx排放问题进行了研究,并对人工蜂群算法进行了改进,结合最小二乘支持向量机建立了锅炉燃烧NOx排放模型,对锅炉可调参量进行了优化,降低了NOx排放浓度。将改进的人工蜂群算法与基本的人工蜂群算法和粒子群算法进行比较,说明基于改进人工蜂群算法所建立的模型能够很好的预测NOx的排放浓度,具有很强的辨识能力和泛化能力,同时也表明了改进人工蜂群算法计算速度快的优点及优化数据上的优势,通过仿真试验,优化后NOx排放浓度明显降低,体现了其工程实用价值。     

基于改进最优觅食算法的锅炉NOx排放预测研究

提出了一种改进的最优觅食算法(POFA),在最优觅食算法中引入自适应惯性权值与全局最优解来改进算法的更新公式,同时加入相空间搜索的机制。利用改进的最优觅食算法优化极端学习机(ELM)构建一个改进的极端学习机模型(POFA-ELM),并用该模型对锅炉NO_x的排放特性进行建模。将该模型与ELM、差分进化算法、粒子群算法、人工蜂群算法以及基本的最优觅食算法优化的ELM模型进行比较。结果表明:该模型的预测精度更好,泛化能力更强,可以更加准确地预测NOx的排放质量浓度。     

基于模糊滑模的不确定混沌系统控制

提出了一种利用直接自适应模糊神经网络控制与模糊滑膜控制相结合来控制一类不确定非线性混沌系统的新方法。应用Takagi-Sugeno模糊逻辑系统设计系统控制律和参数在线调整规则,使控制系统能准确的跟踪给定信号,同时具有较强的抑制系统参数摄动的能力以及抑制随机噪声的能力。仿真实验结果表明,此算法有效地实现了不确定混沌系统的追踪控制,使系统的跟踪误差减小,提高了系统的鲁棒性,应用前景十分广阔。