基于遗传编程的协调控制系统建模和设计

论文摘要

单元机组协调控制系统,是火电厂自动化系统中最为核心的组成部分,其控制品质决定着单元机组的安全性和经济性。本文分别从线性和非线性角度,探讨了单元机组协调控制对象智能建模和智能设计这两方面问题,本文的主要工作涵盖4点。1.分别采用遗传算法和遗传编程方法,建立典型工况下单元机组协调控制对象的线性模型。第一种方法,由机理分析得出协调控制对象的模型结构,再根据对象的输入输出数据,采用遗传算法辨识出模型的相关参数。第二种方法,协调控制对象的模型结构和模型参数都未知,只根据对象的输入输出数据,采用遗传编程辨识出模型的结构和参数。2.基于模糊多模型控制的单元机组协调控制系统设计。在典型工况下,采用遗传算法辨识出协调控制对象的静态解耦网络,再分别设计压力回路和功率回路的控制器。根据模糊多模型控制器设计原理,用典型工况下的解耦控制器,构造出可以适应工况大范围变化的协调控制系统模糊多模型控制器。3.建立单元机组协调控制对象的非线性模型。采用NARMAX模型描述协调控制对象的非线性动态特性,用遗传编程方法辨识NARMAX模型的结构和参数。针对常规遗传编程方法建立NARMAX时表现出的不足,提出了一种新的建立NARMAX模型的智能方法-基于遗传编程与粒子群优化的混合智能方法。采用了3种方法建立单元机组协调控制系统的NARMAX模型:常规遗传编程;多目标遗传编程;遗传编程与粒子群优化。4.基于动态解耦的单元机组协调控制系统设计。基于遗传编程与粒子群优化方法建立单元机组协调控制系统的动态解耦网络。实现协调控制对象的动态解耦后,再分别设计压力回路和功率回路的控制器,最后得到单元机组协调系统的动态解耦控制系统。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 单元机组协调控制系统的组成及特点
• 1.2 单元机组协调控制对象建模的国内外研究动态
• 1.3 选题意义
• 1.4 主要研究内容
• 1.4.1 建立单元机组协调控制对象的线性模型
• 1.4.2 基于模糊多模型控制的单元机组协调控制系统设计
• 1.4.3 建立单元机组协调控制对象的非线性动态模型
• 1.4.4 基于动态解耦的单元机组协调控制系统设计
• 第二章 遗传算法和遗传编程
• 2.1 遗传算法
• 2.1.1 遗传算法的编码
• 2.1.2 适应度
• 2.1.2.1 原始适应度
• 2.1.2.2 标准适应度
• 2.1.2.3 调整适应度
• 2.1.2.4 归一化适应度
• 2.1.3 遗传操作
• 2.1.3.1 复制
• 2.1.3.2 交叉
• 2.1.3.3 突变
• 2.1.4 终止条件
• 2.2 遗传编程
• 2.2.1 遗传编程的个体
• 2.2.2 遗传操作
• 2.2.2.1 复制
• 2.2.2.2 交叉
• 2.2.2.3 突变
• 2.3 遗传算法和遗传编程的程序实现
• 2.3.1 遗传算法和遗传编程的 LISP 语言实现
• 2.3.2 遗传算法和遗传编程的 MATLAB 语言实现
• 2.3.3 遗传算法和遗传编程的 Visual C++语言实现
• 2.3.3.1 定义可应用于程序树的函数
• 2.3.3.2 构成程序树的类和操作
• 2.3.3.3 生成种群的结构
• 2.4 遗传算法和遗传编程的特点
• 2.5 本章小结
• 第三章 建立单元机组协调控制对象的线性模型
• 3.1 单元机组协调控制对象的线性模型
• 3.2 基于遗传算法的单元机组协调控制对象建模及仿真
• 3.2.1 参数辨识步骤
• 3.2.2 遗传算法辨识参数的实现细节
• 3.2.3 仿真研究
• 3.3 基于遗传编程的单元机组协调控制对象建模及仿真
• 3.3.1 基于常规遗传编程的协调对象建模及仿真
• 3.3.1.1 基于遗传编程建模步骤和实现细节
• 3.3.1.2 基于遗传编程建立协调对象线性模型的仿真
• 3.3.2 基于多目标遗传编程的协调对象建模及仿真
• 3.3.2.1 基于多目标遗传编程建模步骤
• 3.3.2.2 基于多目标遗传编程建立协调对象线性模型的仿真
• 3.4 本章小结
• 第四章 基于遗传算法的单元机组协调控制系统模糊多模型控制.
• 4.1 单元机组协调控制对象的静态解耦设计
• 4.2 蒙达电厂330MW 机组协调控制系统概况
• 4.3 基于遗传算法的单元机组协调控制系统解耦设计
• 4.3.1 基于遗传算法的解耦网络设计过程
• 4.3.2 基于遗传算法的协调对象解耦控制仿真
• 4.4 单元机组协调控制系统的模糊多模型控制
• 4.5 本章小结
• 第五章 建立单元机组协调控制系统的非线性模型
• 5.1 非线性系统的数学描述
• 5.1.1 非线性系统的Volterra 级数模型
• 5.1.2 非线性系统的NARMAX 模型
• 5.1.3 非线性系统的神经网络模型
• 5.2 建立 NARMAX 模型的方法
• 5.2.1 最小二乘法及模型选项准则
• 5.2.2 智能建模方法
• 5.2.2.1 基于神经网络的NARMAX 模型建模方法
• 5.2.2.2 基于支持向量机的NARMAX 模型建模方法
• 5.2.2.3 基于模糊逻辑的NARMAX 模型建模方法
• 5.2.2.4 基于进化算法的NARMAX 模型建模方法
• 5.2.2.5 小结
• 5.3 基于遗传编程的 NARMAX 模型建模方法
• 5.3.1 基于遗传编程的建模流程
• 5.3.2 基于多目标遗传编程的建模流程
• 5.3.3 基于遗传编程与粒子群优化的建模流程
• 5.4 建立单元机组协调控制系统 NARMAX 模型的仿真研究..
• 5.4.1 基于遗传编程的建模仿真
• T 的NARMAX 模型'>5.4.1.1 建立P_T 的NARMAX 模型
• 5.4.1.2 建立N 的NARMAX 模型
• 5.4.2 基于多目标遗传编程的建模仿真
• T 的NARMAX 模型'>5.4.2.1 建立P_T 的NARMAX 模型
• 5.4.2.2 建立N 的NARMAX 模型
• 5.4.3 基于遗传编程与粒子群优化的建模仿真
• T 的NARMAX 模型'>5.4.3.1 建立P_T 的NARMAX 模型
• 5.4.3.2 建立N 的NARMAX 模型
• 5.5 本章小结
• 第六章 基于动态解耦的单元机组协调控制系统设计
• 6.1 多变量非线性系统的常规解耦方法及其不足
• 6.2 基于 NARMAX 模型的协调控制系统动态解耦
• 6.2.1 主汽压回路的解耦设计
• 6.2.2 输出功率回路的解耦设计
• 6.3 单元机组协调控制系统的动态解耦控制系统
• 6.4 本章小结
• 第七章 总结与展望
• 参考文献
• 致谢
• 个人简历、攻读博士学位期间发表的主要学术论文