多边界条件下热泵利用循环水余热的CPCS-RBF预测控制

循环水余热回收系统中,热泵热网水出口温度在跟踪供热负荷需求时,在受驱动蒸汽量的调节的同时,往往易受热网回水、循环水等工况变化的影响,传统PID控制方式超调量大、负荷跟踪能力差。提出一种混沌变异克隆选择-径向基函数(CPCS-RBF)直接多步预测控制策略,以热泵热网水出口温度预测值与设定值差值为目标函数,利用CPCS优化算法求取目标函数最小时的驱动蒸汽最佳值。预测模型由2个RBF神经网络结合热泵现场运行数据构建,以提高热泵系统适应工况变化的能力;实验结果表明,该控制策略能综合学习热网回水温度、循环水温度等参数的变化,使驱动蒸汽调门超前动作,及时跟踪供热负荷需求变化的同时,适应发电负荷变化下排气余热量的波动,具有更好的节能效果和变工况适应能力。

混合粒子群优化算法及其在预测控制中的应用

在时变加速因子的自组织粒子群算法、中值粒子群算法、混沌粒子群算法的基础上,提出了一种新的混合粒子群优化算法(MPSO),并利用这种新的算法来训练径向基函数(RBF)神经网络的参数(连接权、隐节点中心和宽度),验证了所提方法的有效性.进一步,提出了基于神经网络的非线性系统直接预测控制方案,实现非线性系统的实时控制.通过非线性系统实例进行仿真,仿真效果良好.