在火電廠熱工系統(tǒng)預(yù)測、分析、控制過程中,往往需要首先辨識出系統(tǒng)的模型。精確的系統(tǒng)辨識,能夠更加有效的對系統(tǒng)進行控制。然而由于熱工系統(tǒng)非線性特性,通過精確地數(shù)學(xué)的模型描述系統(tǒng)的模型較為困難。隨著智能算法和統(tǒng)計學(xué)習(xí)理論的發(fā)展,采用智能算法擬合系統(tǒng)模型逐漸成為系統(tǒng)辨識的一個主要手段。本文在利用系統(tǒng)工程6σ實施方法,分析對象動態(tài)特性模型的基礎(chǔ)上,提出了基于神經(jīng)網(wǎng)絡(luò)和支持向量回歸的非線性系統(tǒng)辨識的改進算法及仿真研究。針對熱工過程中結(jié)構(gòu)復(fù)雜,擾動大的特點,論文給出了基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識算法辨識結(jié)構(gòu)復(fù)雜的模型,并提出了基于煙花算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)解決擾動大的問題。在熱工過程中的蒸汽壓力和蒸汽溫度控制模型上進行了仿真,與神經(jīng)網(wǎng)絡(luò)辨識結(jié)果比較,表明在有噪聲的情況下煙花算法優(yōu)化神經(jīng)網(wǎng)絡(luò)抗噪能力更強。針對熱工過程中的上述問題,本文建立了支持向量回歸的系統(tǒng)辨識算法辨識熱工過程中結(jié)構(gòu)復(fù)雜的模型,并提出了基于距離隸屬度的模糊支持向量回歸解決擾動大的問題,并進行了仿真。結(jié)果表明,相比支持向量回歸算法,模糊支持向量回歸可以更好地擬合系統(tǒng),同時抗噪能力更強。本文開發(fā)了基于神經(jīng)網(wǎng)絡(luò)和支持向量回歸的系統(tǒng)辨識軟件,可以自行生... 

【文章來源】：華北電力大學(xué)河北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

鍋爐蒸汽壓力系統(tǒng)框圖

入機組的能量大于機組輸出電能，蒸汽管道內(nèi)的能量不平衡會隨著時間的推來越嚴(yán)重，所以聚積于蒸汽管道內(nèi)的能量呈現(xiàn)出積分特性。從設(shè)備機理特性分析，以機組為亞臨界發(fā)電機組，其鍋爐設(shè)計為采用正壓式制粉系統(tǒng)，6臺CS2024HP電子稱重給煤機布置在原煤倉下方17.5米運轉(zhuǎn)根據(jù)鍋爐負(fù)荷自動調(diào)節(jié)給煤量；6 臺 MPS225 中速磨煤機布置在鍋爐零米，磨設(shè)計出力 58T/H，每臺磨煤機分離器出口有 4 只煤粉分配管，通往鍋爐對的燃燒器，并以切圓形式布置。從給煤制粉流程看出，從機爐協(xié)調(diào)控制系統(tǒng)發(fā)出給煤量變化指令，不失一以增加一定的給煤量為例，所有運行并投自動的給煤機收到給煤機增量后，增量指令轉(zhuǎn)換為給煤機轉(zhuǎn)速增量，給煤機轉(zhuǎn)速從當(dāng)前值按一定的速率增加到值后，落入磨煤機入煤口。同時，磨煤機風(fēng)量系統(tǒng)也以相似的方式增加磨煤次風(fēng)通風(fēng)量。磨煤機通風(fēng)量增加后，磨煤機出口風(fēng)粉混合物的速度也隨之增后，風(fēng)粉混合物再經(jīng)過約 20~50 米的煤粉分配管，進入鍋爐燃燒器，實現(xiàn)了爐內(nèi)燃燒強度的增強，最后經(jīng)過傳熱，才最終實現(xiàn)了鍋爐內(nèi)蒸汽流量的增此，從給煤量變化至主汽壓力的過程，有一個明顯的純時延環(huán)節(jié)。

圖 3-1. 單個神經(jīng)元函數(shù)可以有以下幾種形式：數(shù)(圖 3-2(a))1, 0( )0, 0vf vv 性函數(shù)(圖 3-2（b）)1, 1( ) , 1 11, 1vf v v vv d 函數(shù)（圖 3-2（c））平滑和漸進性的函數(shù)，最常用的形式為：1( )1 exp( )f v v 控制了函數(shù)的斜率。是雙曲正切函數(shù)：1 exp( )v v （（（

【參考文獻】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的鍋爐燃燒優(yōu)化系統(tǒng)設(shè)計[J]. 曹慶才,高德欣,劉芳.  自動化技術(shù)與應(yīng)用. 2016(06)
[2]RBF神經(jīng)網(wǎng)絡(luò)鍋爐燃燒系統(tǒng)建模[J]. 宋清昆,李源松.  哈爾濱理工大學(xué)學(xué)報. 2016(01)
[3]基于PSO算法集成神經(jīng)網(wǎng)絡(luò)的多元有害氣體檢測系統(tǒng)[J]. 龔雪飛,劉萍,簡家文.  傳感技術(shù)學(xué)報. 2015(06)
[4]煙花算法研究進展[J]. 譚營,鄭少秋.  智能系統(tǒng)學(xué)報. 2014(05)
[5]支持向量機在短期負(fù)荷預(yù)測中的應(yīng)用概況[J]. 王奔,冷北雪,張喜海,單翀皞,從振.  電力系統(tǒng)及其自動化學(xué)報. 2011(04)
[6]采用微分進化算法和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的熱工過程模型辨識[J]. 李巖,王東風(fēng),焦嵩鳴,韓璞.  中國電機工程學(xué)報. 2010(08)
[7]基于多目標(biāo)遺傳算法和多屬性決策的主蒸汽溫度PID參數(shù)優(yōu)化[J]. 李學(xué)斌.  熱力發(fā)電. 2009(09)
[8]基于PSO的RBF神經(jīng)網(wǎng)絡(luò)在熱工系統(tǒng)辨識中的應(yīng)用[J]. 王學(xué)厚,韓璞,李巖,賈增周.  華北電力大學(xué)學(xué)報(自然科學(xué)版). 2008(01)
[9]模糊支持向量機中隸屬度的確定與分析[J]. 張翔,肖小玲,徐光祐.  中國圖象圖形學(xué)報. 2006(08)
[10]模糊系統(tǒng)結(jié)構(gòu)辨識綜述[J]. 肖建,白裔峰,于龍.  西南交通大學(xué)學(xué)報. 2006(02)



本文編號：3247270