火电厂水处理系统的神经网络预测控制

电厂水处理论文 非线性论文 RBF神经网络论文 SA-PSO算法论文
论文详情
本文针对火力发电厂水处理系统的控制问题提出了一种改进的神经网络辨识和预测控制方法,电厂水处理系统包括凝结水加氨处理,给水加氨处理,给水加联氨除氧处理,以及气泡炉的加磷酸盐处理和电厂工业废水处理,这些系统在控制上有几个明显的特点,第一,过程时滞较大,该过程包含有混合,反应及测量等延迟过程。第二,有较强的非线性特性,尤其强酸强碱的中和过程。第三,过程有一定时变性,除此以外负荷变化,测量误差,设备切换等扰动因素也常会给此类系统的控制带来一定的困难,对于这类系统常规的PID控制很难应用,现代控制理论对模型精度要求较高,因此采用对模型精度要求不高,又能实施在线控制的预测控制方法就成为自然的选择。本文总结了前人对于非线性预测控制研究成果,以及对PH中和过程的控制成果,用机理法推导出PH中和过程的模型,在此基础上改进了神经网络结构和权值的优化算法,采用优化的神经网络模型和神经网络预测控制器,对废水中和过程对象实施控制,并进行仿真验证。本文主要做了以下工作:改进了粒子群优化算法,提出了基于混合神经网络的模型辨识方法,以及基于动态粒子群算法(DPSO)的贝叶斯-高斯网络模型在线辨识方法,通过改进神经网络模型结构和优化算法提高系统的辨识精度,达到对系统输出的快速和准确跟踪。并通过程仿真比较验证了混合神经网络模型有较强的泛化能力,贝叶斯-高斯网络能快速跟踪系统时变。针对废水中和过程的特性,应用酸碱中和的强酸当量模型,提出了一种基于敏感度(SA)和改进粒子群优化算法(DPSO)相结合的RBF混合神经网络模型辨识方法,通过调整网络结构和辨识出系统的滞后时间来提高模型辨识效率和预测精度,将RBF混合神经网络辨识器与神经网络控制器相结合构成电厂废水PH中和过程的预测控制系统。并通过仿真验证了该控制方法的实效性。最后结合电厂水处理中给水加氨的处理,将该控制方法应用至多输入多输出系统中,本文在总结了神经网络非线性预测控制系统优点的同时也提出了一些不足之处,比如算法的实时性问题,神经网络的泛化能力及结构选择问题,还有控制系统的稳定性及鲁棒性证明等问题。最后对全文进行总结和展望。
中文摘要第3-4页
英文摘要第4-5页
1 绪论第8-18页
    1.1 引言第8页
    1.2 PH 中和过程控制研究现状第8-10页
    1.3 预测控制原理及发展现状第10-14页
        1.3.1 预测控制发展与应用第10-12页
        1.3.2 预测控制原理第12-14页
    1.4 人工神经网络特性分析第14-16页
        1.4.1 多层前向神经网络第14-15页
        1.4.2 动态递归神经网络第15-16页
    1.5 课题研究的意义第16-17页
    1.6 本文的主要研究内容及研究方法第17-18页
2 水处理中和过程机理模型第18-27页
    2.1 电厂水处理过程特点分析第18-20页
    2.2 废水中和过程分析第20-21页
    2.3 强酸强碱中和过程机理模型第21-24页
        2.3.1 强酸强碱中和过程静态模型第22页
        2.3.2 强酸强碱中和过程的动态模型第22-24页
    2.4 基于强酸当量中和过程模型第24-26页
    2.5 本章小结第26-27页
3 废水中和过程的神经网络建模与辨识第27-44页
    3.1 非线性模型分析第27-28页
    3.2 神经网络建模与模型辨识第28-29页
        3.2.1 神经网络辨识方法第28-29页
    3.3 改进的动态离子群算法(DPSO)第29-33页
        3.3.1 常用优化算法比较第29-30页
        3.3.2 改进聚集度优化 PSO 算法(DPSO)第30-33页
    3.4 算法仿真分析第33-39页
        3.4.1 中和过程的动态递归神经网络仿真第33-35页
        3.4.2 基于混合神经网络的中和过程仿真第35-39页
    3.5 基于贝叶斯-高斯网络的中和过程辨识第39-43页
        3.5.1 贝叶斯-高斯网络模型推理第39-40页
        3.5.2 贝叶斯高斯网络模型辨识结构及算法第40-41页
        3.5.3 时变系统仿真第41-43页
        3.5.4 结论第43页
    3.6 本章小结第43-44页
4 中和过程的神经网络预测控制第44-56页
    4.1 引言第44页
    4.2 废水中和过程神经网络辨识第44-48页
        4.2.1 基于敏感度的 RBF 混合网络第45-46页
        4.2.2 RBF 混合神经网络模型结构第46-47页
        4.2.3 SA-DPSO 混合优化算法步骤第47-48页
    4.3 废水 PH 中和过程神经网络预测控制第48-51页
        4.3.1 预测控制系统结构第48-49页
        4.3.2 神经网络模型的递推多步预测第49页
        4.3.3 反馈校正第49-50页
        4.3.4 RBF 神经网络控制器(NPC)第50页
        4.3.5 控制算法步骤第50-51页
    4.4 控制系统仿真分析第51-53页
        4.4.1 PH 值控制系统仿真第51-53页
    4.5 多变量系统的预测控制第53-54页
        4.5.1 多变量系统的神经网络预测控制第53-54页
    4.6 本章小结第54-56页
5 总结与展望第56-58页
    5.1 全文总结第56页
    5.2 研究与展望第56-58页
致谢第58-59页
参考文献第59-62页
附录第62页
论文购买
论文编号ABS3966832,这篇论文共62页
会员购买按0.30元/页下载,共需支付18.6
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付31
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656