基于满意模糊聚类的热工过程多模型建模方法

由于热工过程往往具有非线性和不确定性,传统的线性建模方法难以精确表达其复杂特性。因此提出一种改进的基于满意模糊聚类的多模型建模方法。该方法不需要预先指定局部模型的个数即聚类数,它基于样本协方差矩阵的奇异值分解来确定初始聚类中心和新增聚类中心,并利用聚类有效性指标结合建模精确度要求来确定最佳聚类数。根据聚类结果可快速确定出局部模型网络的模型结构参数,进而采用基于加权性能指标的多模型辨识算法可得到各局部模型参数。对两个典型非线性系统和Bell-strm锅炉-汽轮机系统的建模结果表明,这种多模型建模方法具有辨识精确度高、子模型数少等优点。     

一种新的动态聚类算法及其在热工过程模糊建模中的应用

文中提出的新型动态进化聚类算法克服了传统模糊聚类建模算法须事先确定规则数的缺陷。它通过改进的遗传策略来优化染色体长度，以实现对聚类个数进行全局寻优；同时，利用FCM算法加快了聚类中心参数的收敛：此外，通过引入免疫系统的记忆功能和疫苗接种机理，新算法得以快速稳定地收敛到最优解。利用这种高效的动态聚类算法辨识模糊模型，可以同时得到合适的模糊规则数和准确的前提参数。仿真实例验证了文中动态模糊聚类建模算法的有效性，将其应用于热工过程可获得高精度的非线性模糊模型。     

基于递阶遗传算法优化的交通流预测

及时准确地进行短时交通流预测是智能交通系统研究的关键内容之一。基于小波分析和模糊神经网络的相关知识,本文提出模糊小波神经网络的控制方法。将小波函数作为模糊隶属函数,利用神经网络实现模糊推理,从而完成对下一周期交通流量的预测,同时采用递阶遗传算法实现网络结构和参数的优化。经实测数据验证,本文的方法预测精度高,运行稳定,适应性强。     

基于遗传算法的火电厂热工过程模型辨识

针对热工对象的特点及基本遗传算法存在的问题，提出了一种用于热工对象模型辨识的改进遗传算法，有效抑制了算法早熟，提高了算法的全局搜索能力和局部搜索能力。采用MATLAB语言编制了专用的模型辨识软件，对典型热工过程进行了辨识，给出了各种输入下的辨识结果，仿真研究表明，不管对象输入是阶跃信号，还是模拟现场操作的任意信号，都能得到准确的辨识结果，即使输入中含有较大的噪声信号，也可得到准确的传递函数。     

基于最差子空间分解聚类的热工过程模糊辨识

以较少的模糊规则在全局范围内获得满意的辨识精度,是模糊辨识追求的重要目标。该文提出了一种基于最差子空间分解聚类的非线性系统模糊辨识方法。根据各子空间的“可线性化”程度,对聚类的有效性进行评判,进一步对有效性最差的子集进行重新分解聚类,并辨识新增子空间的模型参数,以此逐步完成整个样本空间的模糊划分和模型辨识过程,直至模型满足既定要求。文中给出了所提出的模糊辨识方法与其他相关模糊辨识方法的对比结果,并利用该方法对2个典型热工对象进行了模糊辨识。     

基于多层递阶回归的土石坝渗流时变监控模型

根据土体流变机理，考虑时间效应，对以往的渗流监控模型进行了改进。在此基础上，建立了基于多层递阶回归方法的土石坝渗流时变监控模型，并就某工程实例验证了该模型的有效性。计算结果表明，该模型具有较高的拟合精度，且其预报能力较非时变模型强。     

基于模糊规则的热工过程非线性模型的研究

建立精确的热工过程整体模型是对热工过程进行全局优化控制的基础，而热工过程往往具有非线性和不确定性，传统的描述热工过程动态数学模型的方法（如传递函数等）难以建立非线性模型，从而难于精确表达热工过程及实施整体优化控制，该文提出了一类实用的基于模糊规则的热工过程非线性建模方法，具体为：首先通过聚类和竞争学习算法，对热工过程的输入数据空间进行分区，然后在每个局部的数据子空间上，利用递推的最小二乘辨识算法（RLS）建立一个基于模糊规则的局部线性动态模型，这样，一个典型的非线性热工过程可以通过一组基于模糊规则的线性模型来表示。计算结果表明：基于模糊规则的非线性模糊模型，不仅能精确地描述过程的非线性，而且算法简单，实用。     

基于递阶模型的综合能源系统多时间尺度运行优化研究

为了解决新能源发电、用户负荷等不确定性带来能源系统调度的问题,提出一种基于递阶模型的综合能源系统多时间尺度运行优化方法。建立基于递阶模型的多时间尺度运行优化架构,明确不同调度阶段的关系。设定优化目标和优化约束,建立包括日前调度、日内滚动、实时调度3个阶段的综合能源系统多时间尺度运行优化模型,明确模型不同阶段的输入数据、输出数据和决策变量,并利用遗传算法对模型进行求解。以某园区为例,验证了所提出的模型能够有效应对各类不确定事件对能源供给不平衡的影响,可以实现能源的精准供给。     

基于LMS算法的热工过程建模研究

热工过程往往表现出非线性、大惯性和大迟延等特点,不易建立精确的数学模型,难以精确表达热工过程以至于不能达到理想的控制效果。针对这一问题,提出了基于LMS算法的自适应滤波建模方法。该方法通过误差信号自适应调整每个抽头权值,使基于该算法的自适应滤波器能够迅速的收敛到要求的输入和输出关系,从而达到精确建模的目的。仿真结果表明该算法复杂度低,精度高,能有效的应用于热工过程建模。     

基于T-S模型的自适应神经模糊推理系统及其在热工过程建模中的应用

在工业热工过程控制中,被控对象动态特性往往表现出非线性、时变性、大迟延和大惯性等特点,这使得难以对其建立比较精确的模型,从而难于精确表达热工过程及实施整体优化控制。针对热工过程建模难的现状,为达到建立精确非线性模型的目的,提出1种基于T-S模型的自适应神经模糊系统(ANFIS)模糊建模方法。该方法通过对模糊系统的结构辨识和参数辨识,使神经模糊网络能够自主、迅速有效地收敛到要求的输入和输出关系,从而达到精确建模的目的。仿真结果验证了所提出的算法的有效性,将其应用到热工过程建模中可获得高精度的非线性模型。     

基于遗传算法的电网过电压分层模糊聚类识别

过电压识别对过电压起因及故障分析,改进输电线路和变电站设备绝缘配合具有重要意义。提出了基于小波多分辨率能量分布的电力系统过电压特征参量提取方法,针对特征向量存在交叉重叠的情况,引入分层模糊聚类识别的方法。构建分层识别的过电压分类树,通过对各种特征向量进行归纳分析与综合。特征向量集按不同的模块层次选取,形成模块层次结构,构成该层最佳特征量。将遗传算法的全局搜索和并行特性引入到模糊聚类中,弥补了模糊C-均值聚类(fuzzyC-means,FCM)算法存在局部性搜索和对初始聚类中心敏感等不足,通过全局搜索与局部搜索相结合的方式提高收敛速度,并加入移民策略来维持群体多样性,将该方法应用于实际过电压数据模式识别分类中,结果表明该方法能有效降低误分类率,从而对电力系统过电压类型进行有效识别。     

基于遗传算法的热工过程辨识

针对热工过程对象的特点和模型辨识的需要,对热工过程对象模型进行了分类,并将遗传算法应用于热工过程模型的辨识,介绍了基于遗传算法的热工过程辨识的方法。同时利用Matlab的图形用户界面设计功能,编制了专用的模型辨识软件,并对典型的热工过程进行了辨识仿真研究。结果表明,基于遗传算法的热工过程辨识方法可以得到准确的辨识结果。     

基于减法聚类的模糊神经网络负荷建模

负荷模型是决定电力系统仿真结果可信度的关键因素之一,本文从非机理模型的角度,提出一种基于减法聚类的模糊神经网络的负荷建模新方法.首先对建模样本输入输出数据进行特征分析,建立其山峰密度函数,应用减法聚类自适应的调整建模数据的聚类数和聚类中心,以确定负荷模型的模糊规则数和隶属度函数个数.在此基础上建立综合负荷模型的模糊初始结构.通过神经网络对推理数据进行学习,获取模糊推理规则,同时调整隶属函数的参数,用反向传播算法来修正网络的连接权重,辨识模糊模型的隶属函数的参数,完成综合负荷的非机理建模.通过对实测综合负荷的有功和无功建模实例,证明了该方法具有很高的拟合精度和收敛速度,对负荷建模具有重要的指导意义.     

基于动态解耦的模糊多模型协调控制系统应用研究

大型火电单元机组的协调控制对象是一个多变量、强耦合的控制对象,针对此对象设计合适的解耦控制器是急需解决的问题。由于非线性系统可以用多个线性模型来逼近,多模型方法被认为是处理非线性系统常用的方法和技术。该文以330MW单元机组为仿真模型,针对协调控制系统的非线性和耦合等特性,首先建立协调控制系统的非线性模型,然后对此模型在3个工况点下进行线性化,设计与之对应的多变量动态解耦控制器,进而用T-S模糊模型合成出模糊多模型全局控制系统。仿真研究结果证明了这种新型协调控制系统的有效性。     

基于模糊c均值算法文档聚类问题的研究

应用模糊c均值算法对文档进行分类，具有不使用语法知识、不使用词法规则、无监督等特点．采用模糊c均值算法对文档进行聚类，实验结果表明：该方法优于普通的聚类算法，聚类结果能充分体现文本的多样性．     

基于层次分析法的火电厂运行情况量化评价方法

首先依据调度机构的火电厂综合评价指标构建原则建立了综合评价指标体系,进而通过层次分析法构建多层次的指标体系结构模型,并与专家经验相结合逐层确定指标权重,然后采用模糊评价方法建立火电厂指标和评价等级的模糊关系,形成多目标、多因素指标的量化结果,最后将指标权重和量化结果做合成运算,实现火电厂运行情况的综合评价。实际应用结果表明,文中建立的评价指标体系和采用的评价方法可以全面客观地反映火电厂运行状况,有助于提高调度机构对火电厂的运行管理水平。     

基于遗传算法的混沌系统多模型微扰控制

针对基于遗传算法的混沌系统多模型控制问题,为扩大控制器在吸引子中的作用范围,采用遗传算法引导混沌轨道的方法产生多模型控制策略,能使混沌系统在小的扰动作用下迅速从某一初始点到达目标点。对含有不确定参数的Henon混沌系统仿真表明,与其他方法相比能在更短的暂态时间内把系统控制到预定轨道。     

纵横交叉算法与模糊聚类相结合的变压器故障诊断

针对FCM(模糊C-均值聚类)在变压器故障诊断中的不足,提出采用纵横交叉算法优化FCM(CSOFCM)聚类来进行故障诊断。溶解气体分析与FCM相结合,能有效提高变压器故障诊断的准确率,但FCM存在聚类结果不稳定和容易陷入局部最优等问题。而纵横交叉算法是一种基于种群的随机搜索算法,在算法中首次提出了维局部最优概念和纵横交叉双搜索思想。实验证明,相比其它主流群智能优化算法,CSO算法在解决维数灾问题和收敛精度问题方面取得了较大突破,能有效克服局部最优的问题。新诊断模型有效弥补了单一诊断法的不足,拥有全局收敛性强和处理模糊信息的能力。实例分析表明,该方法与传统FCM相比,能获得更优的聚类中心,有效提高了变压器故障诊断的准确性和快捷性。