两种随机优化算法的改进及其在DEH参数辨识中的应用研究

论文摘要

汽轮机数字电液调节系统是确保汽轮发电机组安全、经济运行的重要控制系统。通过对调节系统各环节参数进行辨识,可以实现系统性能预测、控制优化、状态监测与故障诊断。本文以两种随机优化算法,经典的遗传算法和新型的微粒群优化算法为研究对象,针对它们存在的缺陷提出相应的改进措施,通过典型算例的测试,结果表明改进策略能有效提高算法的计算速度和优化精度。最后,将两种改进的随机算法结合起来构成混合算法,用于汽轮机数字电液调节系统各环节的参数辨识,辨识精度比较高,具有工程使用价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 本文的选题背景及其意义
• 1.2 参数辨识简介
• 1.3 随机优化算法
• 1.4 汽轮机调速系统参数辨识的研究现状
• 1.5 本论文的主要研究内容
• 第二章 汽轮机调速系统的模型结构及特性分析
• 2.1 概述
• 2.2 DEH 的工作原理
• 2.2.1 转速调节过程
• 2.2.2 功率调节过程
• 2.2.3 频率－功率调节过程
• 2.3 DEH 系统的数学模型
• 2.3.1 电液转换器的传递函数
• 2.3.2 DEH 系统其它各环节的传递函数
• 2.4 影响汽轮机调速系统动态特性的因素
• 2.5 小结
• 第三章 遗传算法及其改进策略
• 3.1 基本遗传算法（Simple Genetic Algorithms，简称SGA）
• 3.1.1 SGA 的算法描述
• 3.1.2 SGA 的基本组成及其特点
• 3.1.3 SGA 的基本流程
• 3.2 遗传算法的改进策略
• 3.2.1 采用实数编码
• 3.2.2 混沌序列产生初始种群
• 3.2.3 多重交叉
• 3.2.4 自适应交叉率
• 3.2.4 非一致变异操作
• 3.2.5 精英保留策略
• 3.3 改进GA（Improved Genetic Algorithms，简称IGA）的实现步骤
• 3.4 性能测试
• 3.5 小结
• 第四章 微粒群优化算法及其改进策略
• 4.1 微粒群优化算法的发展
• 4.2 标准微粒群优化算法
• 4.2.1 标准PSO 模型
• 4.2.2 算法流程
• 1、c₂ 对PSO 算法搜索性能的影响'>4.3 惯性权重ω与加速度因子c₁、c₂ 对PSO 算法搜索性能的影响
• 4.3.1 PSO 算法模型参数分析
• 4.3.2 PSO 算法模型参数选取
• 4.4 PSO 算法改进策略
• 4.5 实验分析
• 4.6 小结
• 第五章 两种随机优化算法在汽轮机调速系统参数辨识中应用
• 5.1 遗传算法与微粒群优化算法的比较
• 5.2 两种随机优化算法相结合形成混合算法（GA-PSO）
• 5.2.1 GA-PSO 算法的思想
• 5.2.2 GA-PSO 算法流程描述
• 5.2.3 群体多样性表示方法
• 5.3 对比实验
• 5.3.1 对象选取及参数设置
• 5.3.2 实验结果
• 5.3.3 结果分析
• 5.4 混合GA-PSO 算法用于DEH 系统参数辨识
• 5.4.1 待辨识的参数和范围
• 5.4.2 测点分析
• 5.4.3 仿真模型
• 5.4.5 参数辨识结果
• 5.4.6 小结
• 第六章 总结和展望
• 6.1 主要工作
• 6.2 进一步的工作
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况