基于并行自学习的神经网络内模控制及其应用研究

基于在线并行自学习的神经网络内模控制,该方法是借助于神经网络对复杂系统的辩识能力对被控对象进行正模型及逆模型的辩识,用NNM辩识对象的正模型,通过一个并行自学习系统训练的NNC辩识对象的逆模型,然后用做内模控制器去控制对象。将该种控制策略应用于火电厂热工对象中具有大迟延、大惯性和时变等特性的主汽温对象,仿真研究表明,该控制方案适应对象参数的变化并表现出良好的控制特性,具有较强的鲁棒性和自适应能力。在实际应用中具有一定的实用价值。     

基于大数据和双量子粒子群算法的多变量系统辨识

针对智能算法与历史大数据相结合进行多变量系统辨识过程中不能精确量化每个子系统数学模型的问题,提出了一种有效的数据并行优化计算的解决方案。在辨识过程中,为了解决量子粒子群算法(quantum particle swarm optimization ,QPSO)收敛速度和寻优精度方面的不足,提出了一种改进的 QPSO 算法--双量子粒子群算法(double quantum particle swarm optimization ,D-QPSO)。该算法对粒子种群编码和原有的进化搜索策略同时进行了量子化处理,经过测试函数实验,改进的算法在搜索能力上优于 PSO 和QPSO算法。最后利用现场运行历史数据,通过D-QPSO算法进行参数估计,将设计的解决方案应用于热力发电厂负荷控制系统的传递函数辨识中,得到的模型为控制器的设计与优化奠定了基础。     

基于先进IT技术的电站旋转机械试验/仿真培训支撑平台研究

应用先进的IT技术，特别是先进的数据采集、网络通讯、信息发布与数据库技术建立的电站旋转机械试验／仿真培训支撑平台，集成了旋转机械故障模拟试验研究、故障诊断新理论方法的试验验证以及现场运行仿真培训等多项功能，对科研、生产及相关专业的高等教育具有重要实际意义。     

CTES—1控制技术实验系统的研制及应用

本文通过对一种新型的控制技术实验系统的研制,介绍了该系统的结构、功能、技术特点以及应用方式。     

基于Hopfield网络的控制有约束MAC算法在主汽压力系统中的应用研究

模型算法控制（MAC）是预测控制的一种，在惯性迟延对象的控制中有很好的应用，但MAC算法存在稳态误差及控制作用约束性差等问题。Hopfield网络在求解有约束二次优化问题中有很好的应用，该文将MAC转化为Hpfield网络可以求解的形式，应用Hopfield网络来求解有约束的预测控制序列，通过对电厂主汽压力对象的仿真表明，由Hopfield网络求解的控制作用满足给定的约束条件并且具有很好的控制效果。     

对危险废物管理中引入环境监理的探讨

通过对危险废物转运过程中存在的问题及原因分析,提出了在危废转移中引入环境监理的必要性,阐述了环境监理内容,对危险废物规范化管理具有实际意义.     

T-S模糊系统的辨识方法及其在主汽温系统中的应用

针对T-S模糊模型辨识步骤中,结构辨识与参数辨识混在一起、计算量大的缺点,提出了应用确定模糊规则结论参数的启发式辨识方法。对启发式辨识方法的基本原理做了阐述,并将基于该方法的T-S模糊模型应用于火电厂主汽温系统。以某600MW直流锅炉高温过热器为研究对象,对其不同工况下的单位阶跃响应模型进行了辨识。仿真结果表明,该T-S模糊系统能有效地逼近主汽温系统阶跃响应模型,验证了所提出的辨识算法的有效性和可行性。     

基于虚拟DCS的激励式仿真系统分析与设计

设计了基于虚拟DCS的激励式仿真系统,分析了激励式仿真系统的特点,对激励式仿真模式与传统仿真模式进行了逻辑结构和功能比较,介绍了系统的软硬件组成和之间的对应关系以及软件开发中的主要技术环节,并在LN2000的基础上实现了激励式仿真系统的开发。     

基于迟延估计与Kalman状态跟踪的热工过程动态数据驱动建模

针对常规热工对象历史数据建模过程中稳态数据获取困难的问题,从数据选取、数据处理和方法设计3方面出发,提出一种基于迟延估计与Kalman状态跟踪的热工过程动态数据驱动建模方法。该方法选取动态历史数据作为建模数据,将数据末端输入值作为输入稳态分量,将纯迟延时间及输出的稳态分量作为寻优变量的2个维度,并依据各量的值对数据进行处理;应用Kalman滤波算法获取系统初始状态后,结合智能寻优算法对系统进行建模仿真,对某火电机组高温过热器惰性区进行建模。结果表明:该建模方法能够直接应用系统的动态历史数据进行模型辨识,且所建模型具有较好的模型精度,为动态历史数据建模提供了参考。     

电力负荷预测中的数据处理及实验研究

为了提高预测精度,对所得河北南网数据进行了必要的数据预处理,并且对这些数据进行分析,找出了其内在的规律。然后基于这些数据用SVM算法进行电力负荷预测,得到了比较理想的预测结果。