学位论文 > 优秀研究生学位论文题录展示

计算智能及其在热工系统中的应用研究

作　者: 焦嵩鸣
导　师: 韩璞
学　校: 华北电力大学（河北）
专　业: 热能工程
关键词: 神经网络遗传算法热工系统计算智能智能控制
分类号: TM621.4
类　型: 博士论文
年　份: 2007年
下　载: 266次
引　用: 1次
阅　读: 论文下载

内容摘要

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。

全文目录

摘要  5-7
Abstract  7-12
第一章概论  12-19
  1.1 选题背景及意义  12-13
  1.2 计算智能概述  13-14
  1.3 计算智能在电厂热工系统中的应用  14-17
  1.4 本文的主要内容  17-19
第二章神经网络及其算法研究  19-48
  2.1 BP 神经网络及其改进算法  20-25
    2.1.1 BP 神经网络的拓扑结构及其学习算法  20-21
    2.1.2 加入动量项的学习算法  21-23
    2.1.3 RPROP—-局部自适应的弹性更新值算法  23-25
  2.2 RBF 神经网络  25-32
    2.2.1 RBF 神经网络拓扑结构及其算法  25-28
    2.2.2 OLS(Orthogonal Least Square)算法  28-32
  2.3 CMAC 神经网络  32-37
  2.4 PID 神经网络  37-41
    2.4.1 PID 神经网络的拓扑结构  37-39
    2.4.2 PID 神经网络拟合能力仿真试验  39-41
  2.5 HIOCDRN 动态递归神经网络及其在系统辨识中的应用  41-47
    2.5.1 Elman 神经网络  42-44
    2.5.2 HIOCDRN 神经网络  44-45
    2.5.3 辨识仿真  45-47
  2.6 本章小结  47-48
第三章混沌和 PSO 算法研究及其与神经网络的混合应用  48-71
  3.1 混饨优化策略  48
  3.2 RPROP 与混沌优化耦合算法  48-52
  3.3 PSO算法  52-57
    3.3.1 粒子群算法的生物模型  52-53
    3.3.2 粒子群算法基本原理  53-54
    3.3.3 标准粒子群算法流程  54-55
    3.3.4 PSO 算法的设计步骤  55-56
    3.3.5 PSO 与其他进化算法的比较  56-57
  3.4 PSO 算法改进策略  57-66
    3.4.1 基本PSO 算法性能分析  57-59
    3.4.2 动态变量区间方法和重新启动策略  59-61
    3.4.3 改进算法性能测试  61-63
    3.4.4 改进的 PSO 算法优化主汽温控制系统 PID 控制器参数  63-66
  3.5 基于 PSO 的 RBF 神经网络在热工系统辨识中的应用  66-69
    3.5.1 PSO 算法中的非线性惯性因子递减策略  66
    3.5.2 辨识原理分析  66-68
    3.5.3 热工对象辨识仿真实验  68-69
  3.6 本章小结  69-71
第四章模糊量子遗传算法  71-93
  4.1 标准遗传算法  71-79
    4.1.1 遗传算法的概念  71-72
    4.1.2 遗传算法过程  72-73
    4.1.3 遗传算法中的编码  73-75
    4.1.4 遗传算法中的适应度函数设计  75
    4.1.5 遗传操作算子  75-79
  4.2 改进的自适应遗传算法  79-81
  4.3 模糊量子遗传算法  81-91
    4.3.1 量子计算及量子编码  81-85
    4.3.2 基于模糊规则调整的量子旋转门  85-87
    4.3.3 模糊量子遗传算法在热工过程辨识中的应用  87-91
      4.3.3.1 目标函数的确定  87-88
      4.3.3.2 旋转变异角θ的选取  88
      4.3.3.3 仿真研究  88-89
      4.3.3.4 现场数据辨识  89-91
  4.4 本章小结  91-93
第五章计算智能在热工控制系统中的应用研究  93-122
  5.1 单神经元神经网络控制器  93-99
    5.1.1 单神经元神经网络控制器原理及算法  93-95
    5.1.2 单神经元自适应控制器在 DCS 中的实现  95-99
  5.2 基于神经网络的内模控制  99-103
  5.3 神经网络预测控制  103-111
  5.4 基于 PID 神经网络的干扰观测器设计  111-116
    5.4.1 干扰观测器设计原理  111-112
    5.4.2 基于 PID 神经网络逆模型的干扰观测器  112-116
  5.5 一种基于神经网络和遗传算法的锅炉燃烧优化方法  116-121
    5.5.1 锅炉燃烧送风控制系统及优化方案  116-117
      5.5.1.1 送风控制系统结构  116-117
      5.5.1.2 优化方案设计  117
    5.5.2 锅炉燃烧过程建模  117-118
      5.5.2.1 锅炉燃烧特性试验与神经网络的样本数据  117-118
      5.5.2.2 燃烧过程的神经网络模型  118
    5.5.3 遗传算法寻优  118
    5.5.4 仿真实验  118-121
      5.5.4.1 燃烧过程建模仿真  118-119
      5.5.4.2 应用遗传算法计算最佳含氧量  119-121
  5.6 本章小结  121-122
第六章结论  122-124
  6.1 本文的主要工作和创新点  122-123
  6.2 本课题今后的研究内容  123-124
参考文献  124-132
致谢  132-133
个人简历、在学期间参加的科研工作及学术论文发表  133-135

计算智能及其在热工系统中的应用研究

内容摘要

全文目录

相似论文