本文關(guān)鍵詞：超超臨界單元機(jī)組協(xié)調(diào)系統(tǒng)的建模與控制優(yōu)化研究

  更多相關(guān)文章： 協(xié)調(diào)控制 遺傳算法 廣義預(yù)測控制 神經(jīng)網(wǎng)絡(luò) 模糊PID

【摘要】：隨著電力需求的不斷增長和能源環(huán)境問題的日益突出,超超臨界機(jī)組以其較高的發(fā)電效率已經(jīng)成為我國火電機(jī)組的建設(shè)主流�；痣姍C(jī)組作為作為一類具有典型非線性特性的多變量被控對象,具有大遲延、大慣性、強(qiáng)耦合和參數(shù)時變性等特點。伴隨電力工業(yè)可持續(xù)發(fā)展戰(zhàn)略的實施,電網(wǎng)綜合自動化對單元機(jī)組協(xié)調(diào)系統(tǒng)的控制性能提出了更高的要求。同時隨著新能源發(fā)電對電網(wǎng)帶來的波峰沖擊,設(shè)計出一套安全、高效并具有自適應(yīng)能力的控制方案,對維護(hù)電網(wǎng)的穩(wěn)定與電能質(zhì)量、減少工作人員的調(diào)控難度和提高電廠的經(jīng)濟(jì)效益有很大的現(xiàn)實意義。本文主要從建模和協(xié)調(diào)控制的角度對超超臨界單元機(jī)組作了研究,主要內(nèi)容包括以下兩個方面。一,單元機(jī)組建模方面。提出了一種二階慣性加純滯后環(huán)節(jié)對大慣性熱工對象進(jìn)行簡化,采用遺傳算法對傳遞函數(shù)參數(shù)進(jìn)行辨識,針對基本遺傳算法的“早熟”問題,從交叉和變異概率的自適應(yīng)角度,提出了改進(jìn)的遺傳算法,并用于模型參數(shù)辨識；針對單元機(jī)組模型參數(shù)隨負(fù)荷的時變性,引入了基于遞推貝葉斯概率加權(quán)方法的多模型動態(tài)建模策略；針對系統(tǒng)的全局非線性特性,提出了一種基于神經(jīng)網(wǎng)絡(luò)非線性補(bǔ)償?shù)乃惴?進(jìn)一步提高了單元機(jī)組的建模精度和自適應(yīng)能力。二,協(xié)調(diào)控制方面。分析了傳統(tǒng)線性廣義預(yù)測控制(GPC)算法的基本原理和不足之處,針對單元機(jī)組的全局非線性問題提出了基于RBF神經(jīng)網(wǎng)絡(luò)非線性補(bǔ)償?shù)腉PC算法,通過仿真實驗證明了非線性GPC對非線性系統(tǒng)設(shè)定信號的良好跟蹤能力；針對傳統(tǒng)GPC實際參考軌跡無法預(yù)測的問題,提出了一種基于期望響應(yīng)的參考軌跡優(yōu)化算法,使實際參考軌跡盡可能地沿著期望的參考軌跡滑行,在保證響應(yīng)速度和精度的同時,較好地抑制了超調(diào)。介紹了模糊PID控制的基本原理,并分析了經(jīng)典模糊規(guī)則在數(shù)量方面的局限性,在充分總結(jié)前人研究成果的基礎(chǔ)上,提出了一種簡單而高效的基于誤差分級的變論域模糊PID控制策略。將改進(jìn)的GPC控制器用于燃料量-負(fù)荷通道,改進(jìn)的模糊PID用于汽機(jī)閥門-機(jī)前壓力通道,并合理反饋“雙向”協(xié)調(diào)信號,最終實現(xiàn)單元機(jī)組的協(xié)調(diào)控制。
【關(guān)鍵詞】：協(xié)調(diào)控制 遺傳算法 廣義預(yù)測控制 神經(jīng)網(wǎng)絡(luò) 模糊PID
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TM621
【目錄】：

• 摘要4-5
• Abstract5-8
• 第一章 緒論8-13
• 1.1 課題研究背景及意義8-9
• 1.2 火電機(jī)組的建模研究現(xiàn)狀9-10
• 1.2.1 機(jī)理/實驗建模方法及相關(guān)模型9-10
• 1.2.2 智能建模方法及相關(guān)模型10
• 1.3 單元機(jī)組協(xié)調(diào)控制系統(tǒng)的控制方案10-12
• 1.3.1 基于線性系統(tǒng)理論的研究10-11
• 1.3.2 基于非線性系統(tǒng)理論的研究11
• 1.3.3 基于智能化方法的研究11-12
• 1.4 本文主要內(nèi)容12-13
• 第二章 超超臨界單元機(jī)組混合建模方法研究13-28
• 2.1 超超臨界單元機(jī)組模型分析13-14
• 2.1.1 直流鍋爐對象特性的描述13
• 2.1.2 單元機(jī)組模型的簡化13-14
• 2.2 基于改進(jìn)自適應(yīng)遺傳算法的傳遞函數(shù)模型系統(tǒng)辨識14-20
• 2.2.1 超超臨界單元機(jī)組的傳遞函數(shù)描述及等效簡化14-15
• 2.2.2 傳統(tǒng)GA算法簡介15-17
• 2.2.3 改進(jìn)自適應(yīng)GA算法17-18
• 2.2.4 模型辨識性能測試18-20
• 2.3 單元機(jī)組的加權(quán)多模型建模策略20-24
• 2.3.1 多模型建模的研究現(xiàn)狀20-21
• 2.3.2 基于遞推貝葉斯概率加權(quán)方法的多模型建模21-22
• 2.3.3 加權(quán)多模型建模性能測試22-24
• 2.4 基于RBF神經(jīng)網(wǎng)絡(luò)的模型非線性補(bǔ)償24-27
• 2.4.1 用于非線性補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)24-25
• 2.4.2 基于非線性補(bǔ)償?shù)哪Ｐ捅孀R性能測試25-27
• 2.5 本章總結(jié)27-28
• 第三章 廣義預(yù)測控制算法及其改進(jìn)28-37
• 3.1 基于非線性的廣義預(yù)測控制28-32
• 3.1.1 傳統(tǒng)廣義預(yù)測控制28-30
• 3.1.2 基于神經(jīng)網(wǎng)絡(luò)前饋補(bǔ)償?shù)膹V義預(yù)測控制算法30-32
• 3.2 基于期望響應(yīng)的GPC參考軌跡在線自校正方法32-34
• 3.2.1 參考軌跡32
• 3.2.2 基于期望響應(yīng)的參考軌跡在線優(yōu)化算法32-34
• 3.3 鍋爐-負(fù)荷通道基于參考軌跡優(yōu)化的非線性GPC控制仿真34-36
• 3.4 本章小結(jié)36-37
• 第四章 模糊自適應(yīng)整定PID控制算法及其改進(jìn)37-50
• 4.1 模糊控制器組成37-40
• 4.1.1 模糊化37-38
• 4.1.2 知識庫38-39
• 4.1.3 模糊推理39
• 4.1.4 反模糊化39-40
• 4.2 模糊PID控制40-43
• 4.2.1 模糊PID控制器的結(jié)構(gòu)40
• 4.2.2 模糊PID控制器的設(shè)計40-42
• 4.2.3 基于模糊自適應(yīng)整定的PID控制仿真42-43
• 4.3 基于變論域的改進(jìn)模糊PID控制算法43-49
• 4.3.1 模糊PID控制算法的論域伸縮44-45
• 4.3.2 幾種常見的伸縮因子選擇計算方法45-47
• 4.3.3 基于誤差分級的伸縮因子選擇方法47-48
• 4.3.4 基于誤差分級的變論域模糊PID控制仿真48-49
• 4.4 本章小結(jié)49-50
• 第五章 廣義預(yù)測控制和模糊PID控制在協(xié)調(diào)控制系統(tǒng)中的應(yīng)用50-57
• 5.1 協(xié)調(diào)機(jī)組典型負(fù)荷控制結(jié)構(gòu)分析50-53
• 5.1.1 鍋爐跟隨的負(fù)荷控制方式50-51
• 5.1.2 汽機(jī)跟隨的負(fù)荷控制方式51-52
• 5.1.3 機(jī)爐協(xié)調(diào)的負(fù)荷控制方式52-53
• 5.2 機(jī)爐協(xié)調(diào)控制的幾種方式和分析53-54
• 5.2.1 以鍋爐跟隨為基礎(chǔ)的協(xié)調(diào)控制方式53
• 5.2.2 以汽機(jī)跟隨為基礎(chǔ)的協(xié)調(diào)控制方式53-54
• 5.2.3 綜合型協(xié)調(diào)控制系統(tǒng)54
• 5.3 控制仿真結(jié)果54-57
• 第六章 總結(jié)和展望57-59
• 6.1 論文總結(jié)57-58
• 6.2 論文展望58-59
• 參考文獻(xiàn)59-62
• 致謝62-63
• 攻讀碩士期間發(fā)表的論文63

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 達(dá)飛鵬,宋文忠;基于模糊神經(jīng)網(wǎng)絡(luò)滑�？刂破鞯囊活惙蔷�性系統(tǒng)自適應(yīng)控制[J];中國電機(jī)工程學(xué)報;2002年05期

，

本文編號：676997