广义动态模糊神经网络及其在热工辨识中的应用

针对热工过程难以建立精确数学模型的特点,将广义动态模糊神经网络应用于热工复杂系统的辨识。该算法以模糊完备性作为高斯函数宽度的确定准则,避免初始化选择的随机性。同时,该算法不仅能对模糊规则而且能对输入变量的重要性做出评价,从而使得每个输入变量和模糊规则都可以根据误差减少率进行修正。通过对某电厂一次风量和平均床温实测数据的仿真实验结果表明,该方法具有较高的辨识精度和效率。

免疫混沌粒子群算法及其在热工辨识中的应用

提出了一种基于免疫和混沌的改进PSO算法(ICPSO),该算法利用了混沌优化的多样性,结合免疫的克隆和交叉变异的原理来初始化和更新粒子群。仿真实验表明,相较于传统的PSO有收敛速度更快、精度更高、不易陷入局部最优的优点。最后采用ICPSO算法对两个典型函数的无约束极值问题和典型二阶传递函数模型辨识问题进行求解,验证了其收敛性和摆脱局部极值点的能力明显优于基本PSO算法。

基于PSO的RBF神经网络在热工系统辨识中的应用

在神经网络辨识大迟延对象时,模型类中迟延时间多是根据经验估测的,而不同的值对神经网络辨识的精度和效率就会不同。针对上述问题,将基于正交最小二乘(OLS)算法的径向基(RBF)神经网络和粒子群优化(PSO)算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次风量数据和平均床温数据的仿真实验结果表明,在RBF神经网络对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳迟延时间,从而得到更精确的模型并提高辨识效率,可以取得良好的效果。

采用微分进化算法和径向基函数神经网络的热工过程模型辨识

在热工过程模型辨识中,被控对象动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,这使得难以对其建立比较精确的模型。为了达到精确建模的目的,提出一种基于微分进化算法和径向基函数神经网络的辨识方法。该方法采用基于能量分布正交最小二乘学习算法的径向基函数(radial basis function,RBF)神经网络,通过改进的微分进化算法,对神经网络辨识系统进行参数优化,使RBF神经网络能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,在采用改进的RBF网络对热工复杂对象进行辨识时,通过微分进化算法进一步确定其最佳参数,可以取得更好的辨识效果。

基于PSO优化最小二乘支持向量机的热工系统辨识

在用最小二乘支持向量机(LS-SVM)辨识大迟延对象时,正则化参数、核宽度以及模型类中的迟延时间多是根据经验估测的,而不同的参数值对最小二乘支持向量机辨识的精度就会不同。针对上述问题,采用粒子群优化(PSO)算法对热工辨识系统中的相关参数进行优化。对电厂一次风量数据和平均床温数据进行的仿真实验结果表明,在用LS-SVM对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳参数及迟延时间,能够有效地提高辨识精度。

基于改进粒子群算法的热工模型辨识

现阶段对于热工模型辨识精度不高和传统粒子群算法(PSO)早熟的情况,推出了一种崭新的算法,这种算法用于解决最优化问题。它对于不同维度上的粒子具有不一样的惯性权重,而同一维度上的惯性权重表示为线性衰减变化,此方法有一定的创新性和实用性。混沌惯性衰减权重的粒子群算法能够精确地得到系统的传递函数模型,把这种方法运用在循环流化床热机组的主蒸汽温度模型辨识中,辨识结果表明了该方法的合理性和优越性,取得了较好的辨识结果。对火电厂热工控制的研究有一定的参考价值。