本文關(guān)鍵詞：遺傳算法在熱工過程建模與優(yōu)化控制中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】： 電力工業(yè)的發(fā)展促進(jìn)了發(fā)電機(jī)組單機(jī)容量和參數(shù)正不斷增加,其自動化程度越來越高,對控制系統(tǒng)的控制品質(zhì)也提出了更高的要求。掌握被控對象的數(shù)學(xué)模型和建模后控制系統(tǒng)的設(shè)計(jì),是過程控制系統(tǒng)分析、設(shè)計(jì)、調(diào)試和獲得較高控制品質(zhì)的基礎(chǔ)和關(guān)鍵。因此,研究基于現(xiàn)代優(yōu)化技術(shù)的系統(tǒng)建模方法和控制器參數(shù)整定技術(shù)具有重要的意義。本文針對遺傳算法在熱工過程中的建模和優(yōu)化控制中的應(yīng)用進(jìn)行了研究。 論文主要內(nèi)容分為三部分。第一部分研究基于遺傳算法的熱工過程模型辨識,遺傳算法采用了多算子結(jié)合的自適應(yīng)交叉、變異策略,提高了算法的精度、搜索效率和收斂能力。針對傳統(tǒng)通用的多項(xiàng)式傳遞函數(shù)形式作為模型進(jìn)行辨識時存在的各參數(shù)差異較大,各參數(shù)失配和參數(shù)在搜索空間中的搜索效率較低等問題,提出了以零極點(diǎn)傳遞函數(shù)形式描述過程對象,并對常見的熱工過程進(jìn)行分類的辨識方法。仿真研究表明,所提出的基于遺傳算法的熱工過程模型辨識方法具有很好的模型辨識能力,可以得到精度較高的辨識結(jié)果。第二部分對遺傳多目標(biāo)優(yōu)化算法進(jìn)行了研究,在分析比較了幾種典型算法的突出特點(diǎn)和不足的基礎(chǔ)上,本文提出了兩種改進(jìn)的遺傳多目標(biāo)優(yōu)化算法�；诜侵渑判虻木鶆驒�(quán)重和方法是對傳統(tǒng)的多目標(biāo)轉(zhuǎn)換為單目標(biāo)的權(quán)重和思想在兩個目標(biāo)的優(yōu)化方面進(jìn)行的改進(jìn),目標(biāo)的權(quán)系數(shù)分配方法是在一定區(qū)間內(nèi),以一定的步長進(jìn)行均勻的變化,避免了傳統(tǒng)權(quán)重和方法在權(quán)系數(shù)確定與分配上存在的困難。同時結(jié)合非支配排序的思想,對每組權(quán)系數(shù)下得到的最優(yōu)解組合在一起進(jìn)行非支配排序,可以獲得更加均勻分布的Pareto前沿。改進(jìn)的Pareto遺傳多目標(biāo)優(yōu)化算法結(jié)合了NSGA算法的非支配排序、NSGA-II/SPEA算法中的精英保留策略和小生境技術(shù),并對傳統(tǒng)的小生境技術(shù)中基于個體適應(yīng)度的淘汰技術(shù)進(jìn)行改進(jìn),提出一種個體向量模適應(yīng)度函數(shù)作為淘汰個體的準(zhǔn)則。通過兩個多元函數(shù)的最小值優(yōu)化算例驗(yàn)證,兩種方法均獲得較為均勻分布的Pareto前沿,并且改進(jìn)的Pareto遺傳多目標(biāo)優(yōu)化算法由于采用了小生境技術(shù),使得最優(yōu)解的分布更加均勻,避免了局部收斂的問題。第三部分在對PID控制規(guī)律、控制器參數(shù)整定的準(zhǔn)則以及常見的整定技術(shù)進(jìn)行綜述的基礎(chǔ)上,提出了PID控制器參數(shù)的多目標(biāo)優(yōu)化整定思想,給出了基于改進(jìn)多目標(biāo)優(yōu)化算法的PID控制器參數(shù)的整定方法,對算法的適應(yīng)度函數(shù)和最佳整定結(jié)果的選擇進(jìn)行了分析。以鍋爐過熱汽溫串級控制系統(tǒng)為例進(jìn)行了仿真研究,研究結(jié)果表明遺傳多目標(biāo)優(yōu)化算法應(yīng)用于PID控制器參數(shù)整定,為決策者提供了更多的選擇余地,是可行有效的。
【關(guān)鍵詞】：熱工過程 模型辨識 PID控制 遺傳算法 多目標(biāo)優(yōu)化
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2006
【分類號】：TK32
【目錄】：

• 摘要4-5
• Abstract5-8
• 第一章 緒論8-15
• 1.1 課題研究背景8-9
• 1.2 國內(nèi)外研究的進(jìn)展情況9-11
• 1.3 本課題研究的具體內(nèi)容11-13
• 參考文獻(xiàn)13-15
• 第二章 基于遺傳算法的熱工過程系統(tǒng)辨識15-32
• 2.1 引言15-16
• 2.2 遺傳算法及其發(fā)展16-17
• 2.3 基于實(shí)數(shù)編碼的自適應(yīng)遺傳算法17-20
• 2.4 基于自適應(yīng)遺傳算法的熱工過程辨識20-23
• 2.5 基于MATLAB的熱工過程模型辨識軟件23-24
• 2.6 典型熱工過程辨識仿真研究24-29
• 2.7 小結(jié)29-30
• 參考文獻(xiàn)30-32
• 第三章 遺傳多目標(biāo)優(yōu)化算法的研究32-52
• 3.1 引言32
• 3.2 多目標(biāo)優(yōu)化的基本概念32-34
• 3.3 遺傳多目標(biāo)優(yōu)化算法的發(fā)展34-40
• 3.4 改進(jìn)的遺傳多目標(biāo)優(yōu)化算法的研究40-47
• 3.5 小結(jié)47-49
• 參考文獻(xiàn)49-52
• 第四章 基于遺傳多目標(biāo)優(yōu)化算法的PID參數(shù)整定52-75
• 4.1 引言52-53
• 4.2 常見PID控制器參數(shù)整定方法53-57
• 4.3 基于遺傳多目標(biāo)優(yōu)化算法的PID參數(shù)整定57-65
• 4.4 基于MATLAB的PID控制器參數(shù)整定軟件65-67
• 4.5 仿真研究67-72
• 4.6 小結(jié)72-74
• 參考文獻(xiàn)74-75
• 第五章 結(jié)束語75-77
• 致謝77-78
• 作者在碩士研究生階段發(fā)表的論文78

【引證文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前9條

1 梁楊;基于遺傳算法辨識的超超臨界機(jī)組協(xié)調(diào)控制系統(tǒng)[D];華北電力大學(xué);2011年

2 陸海榮;基于遺傳算法的熱力設(shè)備模型自校正研究[D];華北電力大學(xué);2011年

3 劉闖;基于人工智能方法的煙氣含氧量軟測量及優(yōu)化配煤研究[D];大連理工大學(xué);2008年

4 丁杭成;船舶航向智能PID控制算法研究[D];大連海事大學(xué);2010年

5 王培侖;基于免疫系統(tǒng)的鍋爐蒸汽溫度控制[D];西安科技大學(xué);2010年

6 于明;微分進(jìn)化算法及其在控制系統(tǒng)參數(shù)優(yōu)化中的應(yīng)用研究[D];華北電力大學(xué);2012年

7 王慧麗;鍋爐風(fēng)量測量方法改進(jìn)與控制系統(tǒng)設(shè)計(jì)[D];華北電力大學(xué);2012年

8 陳曉霞;基于遺傳算法的熱工系統(tǒng)建模與控制器參數(shù)優(yōu)化[D];華北電力大學(xué);2013年

9 劉艷;亞臨界鍋爐過熱蒸汽溫度控制系統(tǒng)研究[D];華北電力大學(xué);2013年

  本文關(guān)鍵詞：遺傳算法在熱工過程建模與優(yōu)化控制中的應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

本文編號：351030