论文部分内容阅读
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。