基于神經(jīng)網(wǎng)絡(luò)建模和粒子群優(yōu)化的鍋爐汽溫控制研究畢業(yè)論

1、<p>　　基于神經(jīng)網(wǎng)絡(luò)建模和粒子群優(yōu)化的</p><p><b>　　鍋爐汽溫控制研究</b></p><p><b>　　摘 要</b></p><p>　　過(guò)熱蒸汽溫度是大型燃煤機(jī)組的主要控制參數(shù)，對(duì)機(jī)組的安全性和經(jīng)濟(jì)性影響很大，是鍋爐安全、經(jīng)濟(jì)運(yùn)行的重要參數(shù)之一。過(guò)熱器出口溫度是全廠工質(zhì)溫度的最高點(diǎn)

2、，也是金屬壁溫度的最高處，在過(guò)熱器正常運(yùn)行時(shí)已接近材料允許的最高溫度，如果過(guò)熱蒸汽溫度過(guò)高，會(huì)直接危及過(guò)熱器及汽輪機(jī)等設(shè)備的安全，影響安全運(yùn)行；而溫度過(guò)低，又會(huì)降低全廠熱效率，并增大汽輪機(jī)的排氣濕度，進(jìn)而影響汽輪機(jī)的安全。所以過(guò)熱蒸汽溫度過(guò)高、過(guò)低都會(huì)對(duì)機(jī)組的安全經(jīng)濟(jì)運(yùn)行構(gòu)成威脅，一般要求過(guò)熱蒸汽溫度維持額定值，偏差在-5℃～+5℃范圍。 </p><p>　　鍋爐運(yùn)行過(guò)程中，影響蒸汽溫度變化的因素很多，可分為

3、兩種：來(lái)自蒸汽側(cè)和煙氣側(cè)。來(lái)自蒸汽側(cè)影響因素的有：鍋爐負(fù)荷、減溫水量、給水溫度等；來(lái)自煙氣側(cè)的影響因素有：燃料性質(zhì)、 送風(fēng)量、受熱面清潔程度、燃燒器運(yùn)行方式等。所以正常運(yùn)行時(shí)，蒸汽溫度也難免波動(dòng)，必須采取非常有效的調(diào)溫措施才能保證汽溫符合要求。 </p><p>　　噴水減溫是過(guò)熱汽溫控制的常見(jiàn)手段?，F(xiàn)有的過(guò)熱汽溫控制方法有兩種，一種是傳統(tǒng)串級(jí)PID控制的方法，另一種是智能控制方法。由于鍋爐結(jié)構(gòu)復(fù)雜，系統(tǒng)龐大，

4、過(guò)熱汽溫系統(tǒng)是一個(gè)非線性、大遲延、大慣性、強(qiáng)耦合的復(fù)雜大系統(tǒng)。傳統(tǒng)方法由于當(dāng)負(fù)荷大范圍變化時(shí)原先整定好的PID參數(shù)往往不適合新的工況，嚴(yán)重影響汽溫控制品質(zhì)，而PID參數(shù)的優(yōu)化整定又耗時(shí)耗力。而智能控制非常適合于非線性、強(qiáng)耦合、多變量系統(tǒng)的建模與優(yōu)化，因此得到了越來(lái)越多的重視。</p><p>　　本文主要研究了基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制方法的過(guò)熱汽溫控制方案。文中采用BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)完成了建模，并對(duì)這兩種建模

5、方法進(jìn)行了分析。分析了鍋爐過(guò)熱器特性及過(guò)熱汽溫的影響因素。在此基礎(chǔ)上，針對(duì)600MW超臨界鍋爐的過(guò)熱汽溫系統(tǒng)，借助MATLAB建立神經(jīng)網(wǎng)絡(luò)模型，確定控制方案并進(jìn)行詳盡的控制仿真試驗(yàn)。試驗(yàn)結(jié)果表明：與原串級(jí)PID控制系統(tǒng)相比，該預(yù)測(cè)控制方法明顯減小了系統(tǒng)的超調(diào)量，大大縮短了系統(tǒng)的穩(wěn)態(tài)時(shí)間，明顯改善了過(guò)熱汽溫的控制品質(zhì)。</p><p>　　關(guān)鍵詞：過(guò)熱汽溫，預(yù)測(cè)控制，粒子群算法，BP網(wǎng)絡(luò)，Elman網(wǎng)絡(luò)</p

6、><p><b>　　目錄</b></p><p><b>　　第一章緒論</b></p><p>　　第二章第2章 人工神經(jīng)網(wǎng)絡(luò)的基本概念</p><p><b>　　第三章</b></p><p><b>　　第四章</b><

7、/p><p><b>　　第6章 結(jié)論</b></p><p>　　攻讀碩士學(xué)位期間發(fā)表的論文及其它成果</p><p><b>　　參考文獻(xiàn)</b></p><p><b>　　致 謝</b></p><p>　　綜上，研究一種智能的火電廠鍋爐燃燒優(yōu)化

8、控制系統(tǒng)是電廠在當(dāng)前的能源</p><p>　　和環(huán)境形勢(shì)下的需要，而建立快速、準(zhǔn)確的鍋爐蒸汽溫度模型是優(yōu)化控制系統(tǒng)的重要基礎(chǔ)和必要前提。</p><p>　　神經(jīng)網(wǎng)絡(luò)是一種按照人腦的組織和活動(dòng)原理而構(gòu)造的一種非線性映射模型, 可以實(shí)現(xiàn)任何復(fù)雜的因果關(guān)系映射,特別適用于處理復(fù)雜問(wèn)題,在預(yù)測(cè)評(píng)估、智能控制、模式識(shí)別、信號(hào)處理、非線性?xún)?yōu)化、函數(shù)逼近、自適應(yīng)控制和預(yù)測(cè)及管理工程等領(lǐng)域具有廣泛的應(yīng)

9、用。近年來(lái)人們采用神經(jīng)網(wǎng)絡(luò)建立過(guò)程的非線性模型獲得了滿意的效果。</p><p>　　粒子群優(yōu)化(PSO)算法作為一種高效的并行搜索算法，非常適于對(duì)復(fù)雜環(huán)境中的優(yōu)化問(wèn)題求解，目前，粒子群優(yōu)化算法已經(jīng)成功地應(yīng)用于系統(tǒng)辨識(shí)、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制、化工、醫(yī)療等各個(gè)研究和應(yīng)用領(lǐng)域。</p><p>　　智能控制理論是一門(mén)新興的交叉學(xué)科，是控制理論發(fā)展的高級(jí)階段。它是人工智能控制論、系統(tǒng)論和信

10、息論等多種學(xué)科的高度綜合與集成，是當(dāng)今國(guó)內(nèi)外自動(dòng)化學(xué)科中一個(gè)十分活躍和具有挑戰(zhàn)性的領(lǐng)域。主要用來(lái)解決那些用傳統(tǒng)方法難以解決的復(fù)雜系統(tǒng)的控制問(wèn)題。</p><p>　　具體說(shuō)來(lái)，智能控制的研究對(duì)象具有不確定性的模型、高度的非線性和復(fù)雜的任務(wù)要求。智能控制是自動(dòng)控制理論與人工智能相結(jié)合的產(chǎn)物。簡(jiǎn)單說(shuō)來(lái)，智能控制所要解決的問(wèn)題是:如何將人工智能技術(shù)中較少依賴(lài)模型的問(wèn)題求解方法與常規(guī)的控制方法相結(jié)合。智能控制理論包括下面

11、幾種:專(zhuān)家系統(tǒng);遺傳算法;Petri網(wǎng);人機(jī)系統(tǒng)理論;大系統(tǒng)理論;神經(jīng)網(wǎng)絡(luò)理論;模糊集合論等。</p><p><b>　　第1章 緒論</b></p><p><b>　　1.1 課題背景</b></p><p>　　能源是人類(lèi)社會(huì)賴(lài)以生存和發(fā)展的重要物質(zhì)基礎(chǔ)。隨著經(jīng)濟(jì)的發(fā)展，社會(huì)對(duì)能源的需求也在與日俱增。對(duì)全球未來(lái)七十

12、年的能源需求及能量利用結(jié)構(gòu)的預(yù)測(cè)表明，人類(lèi)生產(chǎn)和生活對(duì)能量的需求為現(xiàn)在的三倍，而對(duì)電能的需求將增加到五倍，煤炭將作為發(fā)電的主要燃料以滿足世界能源需求，預(yù)計(jì)其需求量將增加到目前的七倍。隨著我國(guó)國(guó)民經(jīng)濟(jì)的迅速發(fā)展，我國(guó)電力設(shè)備裝機(jī)容量以每年7%-8%的速率遞增，其中燃煤機(jī)組占有很大比重[2]。為響應(yīng)國(guó)家節(jié)能減排的號(hào)召，改善環(huán)境，電廠作為耗能大戶(hù)，必須加大節(jié)能減排研究、提高鍋爐機(jī)組的熱效率，而加大單機(jī)容量是一種有效的手段。</p>

13、<p>　　超臨界機(jī)組作為世界上比較成熟的一項(xiàng)技術(shù)，具有熱效率高、可靠性好、環(huán)保指標(biāo)先進(jìn)、可復(fù)合變壓運(yùn)行、調(diào)峰性能好等優(yōu)勢(shì)，所以運(yùn)用高效、高參數(shù)、大容量的超臨界機(jī)組建設(shè)燃煤電廠是我國(guó)本世紀(jì)初電力技術(shù)發(fā)展的必然趨勢(shì)[3,4]。目前機(jī)組的蒸汽參數(shù)已由亞臨界提高到超臨界、超超臨界水平，單機(jī)容量也已提升到1000MW級(jí)水平。這使得機(jī)組的系統(tǒng)越來(lái)越復(fù)雜，鍋爐結(jié)構(gòu)越來(lái)龐大。而作為影響鍋爐安全經(jīng)濟(jì)運(yùn)行的重要參數(shù)，鍋爐過(guò)熱汽溫控制也一直是

14、電廠運(yùn)行中十分關(guān)注的重要課題。</p><p>　　對(duì)于大型鍋爐,主蒸汽溫度、再熱器蒸汽溫度是兩個(gè)最重要的變量，為了使機(jī)組安全、經(jīng)濟(jì)、穩(wěn)定運(yùn)行，必須將主蒸汽溫度和過(guò)熱蒸汽溫度控制在給定值附近，不能過(guò)高或過(guò)低。原因可歸結(jié)為以下三個(gè)方面：</p><p>　　(1)因?yàn)檫^(guò)熱蒸汽溫度是鍋爐汽水通道中溫度最高的部分，過(guò)熱器正常運(yùn)行的溫度一般接近于材料允許的最高溫度。如果過(guò)熱蒸汽溫度過(guò)高，則過(guò)熱器、

15、蒸汽管道容易損壞，影響使用壽命，也會(huì)使汽輪機(jī)內(nèi)部引起過(guò)度的熱膨脹，造成汽輪機(jī)的高壓部分金屬損壞；</p><p>　　(2)如果過(guò)熱蒸汽溫度過(guò)低，則會(huì)降低設(shè)備的熱效率，煤耗增大。一般汽溫每降低5-10℃，熱效率約降低1%，而且溫度降低會(huì)使汽輪機(jī)軸向推力增大而造成推力軸承過(guò)載，汽輪機(jī)最后幾級(jí)的蒸汽濕度增加，易引起葉片磨損。</p><p>　　(3)另外，汽溫波動(dòng)太大還會(huì)加速部件的疲勞損傷，

16、引起汽輪機(jī)轉(zhuǎn)子和汽缸間的脹差變化，甚至產(chǎn)生劇烈振動(dòng)，危及機(jī)組安全運(yùn)行。</p><p>　　所以，鍋爐制造廠對(duì)運(yùn)行中汽溫控制的質(zhì)量要求是非常嚴(yán)格的，鍋爐穩(wěn)定運(yùn)行時(shí)，過(guò)熱汽溫度必須控制在一定的范圍內(nèi)。一般要求過(guò)熱汽溫與規(guī)定值的暫時(shí)偏差值不超過(guò)士10℃，長(zhǎng)期偏差不超過(guò)士5℃。</p><p>　　但是，由于熱工過(guò)程往往表現(xiàn)出非線性、慢時(shí)變、大遲延和不確定性，尤其是主蒸汽溫度具有較大的慣性和遲延

17、，同時(shí)由于負(fù)荷變化汽壓波動(dòng)、給水壓力波動(dòng)、燃燒工況變化等擾動(dòng)因素多，對(duì)汽溫的穩(wěn)定產(chǎn)生不利影響，使其可控指數(shù)很低。此外，現(xiàn)代大型電廠對(duì)汽溫變化的幅度限制很?chē)?yán)，而參加調(diào)峰的負(fù)荷變化幅度越來(lái)越大，這使得汽溫調(diào)節(jié)問(wèn)題越發(fā)突出。對(duì)于大型機(jī)組，由于被控對(duì)象模型的復(fù)雜性以及控制器參數(shù)選取不合理，傳統(tǒng)的PID控制有時(shí)已難以實(shí)現(xiàn)所需要的控制效果。</p><p>　　智能控制的伺服系統(tǒng)應(yīng)具備如下特征:具備自我學(xué)習(xí)能力，利用有限信息

18、對(duì)被控對(duì)象進(jìn)行識(shí)別、記憶、學(xué)習(xí)，在其基礎(chǔ)上快速改善自身知識(shí)結(jié)構(gòu)和控制策略；具備自適應(yīng)能力，對(duì)認(rèn)知對(duì)象的參數(shù)、運(yùn)行環(huán)境和運(yùn)行條件的變化具有適應(yīng)性，使控制性能不依賴(lài)于控制對(duì)象的具體模型;具備魯棒性，即使系統(tǒng)具有很強(qiáng)的抗干擾能力，對(duì)不確定因素的干擾不敏感;具備容錯(cuò)性，使系統(tǒng)具有故障自診斷、自屏蔽和自恢復(fù)的能力。具備自組織能力，使系統(tǒng)對(duì)復(fù)雜任務(wù)和分散的傳感信息具有自主的協(xié)調(diào)組織功能;具備實(shí)時(shí)性強(qiáng)特征，使實(shí)時(shí)性控制系統(tǒng)具有快速的在線實(shí)時(shí)響應(yīng)能力〔

19、‘2〕</p><p>　　因此，設(shè)計(jì)一種能適應(yīng)多種工況變化、具有較強(qiáng)魯棒性和穩(wěn)定性的過(guò)熱汽溫控制系統(tǒng)非常重要，而智能控制策略在處理抗干擾方面和不確定性因素方面具備突出的優(yōu)點(diǎn)，故研究基于智能控制理論的電站鍋爐主汽溫系統(tǒng)新型控制方法具有十分重要的意義。</p><p>　　1.2 智能控制系統(tǒng)的發(fā)展及其在電廠中的應(yīng)用</p><p>　　隨著人類(lèi)所面臨問(wèn)題的日益復(fù)雜化

20、和對(duì)控制系統(tǒng)性能要求的不斷提高，自動(dòng)控制理論和方法已從傳統(tǒng)的采用傳遞函數(shù)、頻率特性和根軌跡為基礎(chǔ)的經(jīng)典控制理論(頻域分析法)逐漸發(fā)展到采用時(shí)域分析的現(xiàn)代控制理論階段(狀態(tài)空間分析法)。</p><p>　　經(jīng)過(guò)半個(gè)多世紀(jì)的發(fā)展，這些控制理論和方法己形成了比較完善的理論體系，并在許多領(lǐng)域都獲得了成功的應(yīng)用。然而它們大都是基于模型的控制，對(duì)于一些具有高度非線性的復(fù)雜控制系統(tǒng)，尤其是模型不確定的系統(tǒng)、控制對(duì)象或者過(guò)程，

21、如一些熱工對(duì)象(如工業(yè)鍋爐)、機(jī)器人系統(tǒng)等等，雖然也能利用一些積累起來(lái)的實(shí)際經(jīng)驗(yàn)進(jìn)行分析，但總的說(shuō)來(lái)，其理論和方法還很不十分成熟，很難取得令人滿意的控制效果。為此，控制理論界又邁向了向更高水平的以控制理論、計(jì)算科學(xué)、人工智能和運(yùn)籌學(xué)為基礎(chǔ)的智能控制方向探索的階段[3]。目前，國(guó)內(nèi)外眾多的專(zhuān)家和學(xué)者對(duì)智能控制理論和方法所做的大量工作主要集中在專(zhuān)家系統(tǒng)、模糊控制、神經(jīng)網(wǎng)絡(luò)和進(jìn)化計(jì)算及其相關(guān)方面</p><p>　　隨

22、著智能控制理論的深入研究，智能控制技術(shù)發(fā)展迅速，己提出了許多方法，如模糊控制、基于神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)、專(zhuān)家控制系統(tǒng)與專(zhuān)家控制器、遺傳算法控制、組合智能控制等。其中模糊控制、神經(jīng)網(wǎng)絡(luò)控制和專(zhuān)家控制是目前智能控制中最為活躍的領(lǐng)域。在應(yīng)用方面，其研究重點(diǎn)集中在智能控制元件、系統(tǒng)的智能控制方法和智能控制器的實(shí)時(shí)實(shí)現(xiàn)方面。 </p><p>　　80年代以來(lái)，智能控制方法被越來(lái)越多地應(yīng)用于復(fù)雜系統(tǒng)的控制中，其中模糊控制理論

23、和神經(jīng)網(wǎng)絡(luò)理論在過(guò)程控制中己有了較多的應(yīng)用,隨著智能控制理論研究熱潮的興起，現(xiàn)代控制理論和智能控制理論的一些成果被學(xué)者和專(zhuān)家引進(jìn)到火電廠熱工自動(dòng)化中，提出有別于傳統(tǒng)單回路PID調(diào)節(jié)的大量先進(jìn)控制策略，其中有些成功應(yīng)用于火電廠實(shí)踐中，諸如用于過(guò)熱汽溫控制的Smiht預(yù)估控制、預(yù)測(cè)智能控制、模糊控制，隨著DCS和FCS的發(fā)展已有許多公司將先進(jìn)控制技術(shù)的模塊加入系統(tǒng)。</p><p>　　英國(guó)倫敦大學(xué)教授EH.MAMD

24、ANI1974年在實(shí)驗(yàn)室研制成功鍋爐和蒸汽機(jī)模糊控制系統(tǒng)，通常都以此作為模糊控制發(fā)展史上的第一里程碑</p><p>　　1.3 本文的主要工作</p><p>　　1、在對(duì)鍋爐結(jié)構(gòu)和燃燒工藝進(jìn)行分析的基礎(chǔ)上，把握蒸汽溫度過(guò)程控制的關(guān)鍵因素及其對(duì)過(guò)熱汽溫的影響方式，確定了過(guò)熱汽溫系統(tǒng)模型的輸入和輸出；</p><p>　　2、介紹了神經(jīng)網(wǎng)絡(luò)的基本原理和各種網(wǎng)絡(luò)模型的

25、工作方式，重點(diǎn)介紹了BP</p><p>　　網(wǎng)絡(luò)、Elman網(wǎng)絡(luò)及其算法流程，然后利用BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)對(duì)過(guò)熱汽溫系統(tǒng)建模并對(duì)仿真結(jié)果進(jìn)行了分析和比較，總結(jié)了每個(gè)網(wǎng)絡(luò)的特點(diǎn)和應(yīng)用場(chǎng)合。在建立模型后利用粒子群算法對(duì)？進(jìn)行優(yōu)化，得到了；</p><p>　　3、編寫(xiě)MATLAB控制程序，借助STAR-90仿真系統(tǒng)做了詳盡的仿真實(shí)驗(yàn)，并與原PID串級(jí)過(guò)熱汽溫控制系統(tǒng)進(jìn)行動(dòng)態(tài)性能比較。最后

26、對(duì)本文研究的不足之處做了總結(jié)并提出了展望。</p><p>　　第二章 過(guò)熱汽溫系統(tǒng)神經(jīng)網(wǎng)絡(luò)建模</p><p><b>　　2.1神經(jīng)網(wǎng)絡(luò)</b></p><p>　　2.1.1神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介</p><p>　　人工神經(jīng)網(wǎng)絡(luò)(ArtlficialNeuralNetworkS，簡(jiǎn)稱(chēng)ANN)是模仿人腦功能的一種信息處理系統(tǒng)

27、。具有通過(guò)學(xué)習(xí)獲取知識(shí)并解決問(wèn)題的能力，其知識(shí)存儲(chǔ)在連接權(quán)中。它主要借鑒了人腦神經(jīng)系統(tǒng)處理信息的過(guò)程，以數(shù)學(xué)網(wǎng)絡(luò)拓?fù)錇槔碚摶A(chǔ)，以大規(guī)模并行性、高度的容錯(cuò)能力以及自適應(yīng)、自學(xué)習(xí)、自組織等功能為特征，集信息加工與存儲(chǔ)一體化，具有廣泛的應(yīng)用前景。它可用電子元件實(shí)現(xiàn)，也可用軟件在計(jì)算機(jī)上實(shí)現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)的研究涉及到計(jì)算機(jī)科學(xué)、控制論、信息科學(xué)、微電子學(xué)、心理學(xué)、認(rèn)知科學(xué)、物理學(xué)、數(shù)學(xué)與力學(xué)等學(xué)科。作為智能控制的一個(gè)分支，以其獨(dú)特的非傳統(tǒng)表達(dá)

28、方式和固有的學(xué)習(xí)能力，引起了控制界的廣泛關(guān)注[1]。</p><p>　　20世紀(jì)40年代初，W.McWulloch與Waiter Pitts提出了第一個(gè)神經(jīng)網(wǎng)絡(luò)模型-MP模型，為計(jì)算神經(jīng)行為提供了可能性，從而開(kāi)創(chuàng)了神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究。到目前為止大致經(jīng)歷了四個(gè)發(fā)展階段。從1943年到60年代，在這一階段提出了多種網(wǎng)絡(luò)模型和相關(guān)算法,如1949年Hebb提出了Hebb算法、1958年Rosenblatt提出了感知器

29、模型算法、1960年Widrow和Hoff提出了ADALINE網(wǎng)絡(luò)模型，這些算法和模型都對(duì)手機(jī)網(wǎng)絡(luò)的發(fā)展起到了重大的推動(dòng)作用；60年代末至70年代，由于電子線路交叉極限的困難難以克服，使神經(jīng)元的數(shù)量受到限制，導(dǎo)致神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)入低潮，相關(guān)研究工作進(jìn)展緩慢。80年代到90年代初期，由于物理學(xué)家J.Hopfield的Hopfield模型的提出開(kāi)創(chuàng)了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計(jì)算的新途徑，有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)餓發(fā)展。另外，由于能量函數(shù)和穩(wěn)定

30、性等概念的產(chǎn)生使神經(jīng)網(wǎng)絡(luò)又獲得了新的發(fā)展，相關(guān)的模型、算法和應(yīng)用問(wèn)題被提出。90年代以后，神經(jīng)網(wǎng)絡(luò)在經(jīng)歷了80年代末到90年代初的高潮后，硬件技術(shù)、應(yīng)用范圍與理論水平都有了很大的進(jìn)展，開(kāi)始進(jìn)入了穩(wěn)健發(fā)展時(shí)期。</p><p>　　2.1.2神經(jīng)網(wǎng)絡(luò)的主要特性</p><p>　　神經(jīng)網(wǎng)絡(luò)對(duì)控制領(lǐng)域有吸引力的特點(diǎn)包括[1]：</p><p>　?、俜蔷€性映射能力。神經(jīng)

31、網(wǎng)絡(luò)能夠充分逼近任意復(fù)雜的非線性關(guān)系，從而形成非</p><p>　　線性動(dòng)力學(xué)系統(tǒng)，以表示某些被控對(duì)象的模型或控制器模型。</p><p>　　②具有自適應(yīng)功能。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)能力，它能不斷地自適應(yīng)修正網(wǎng)</p><p>　　絡(luò)權(quán)值，學(xué)習(xí)與適應(yīng)不確定性系統(tǒng)的動(dòng)態(tài)特性。</p><p>　?、劬哂蟹夯δ?。能夠處理那些未經(jīng)訓(xùn)練過(guò)的數(shù)

32、據(jù)，而獲得相應(yīng)于這些數(shù)據(jù)的合</p><p>　　適解答，同樣，它能夠處理那些含有噪聲的數(shù)據(jù)。所有定量或定性的信息都分布存儲(chǔ)</p><p>　　于網(wǎng)絡(luò)內(nèi)的各個(gè)神經(jīng)元中，因而具有很強(qiáng)的容錯(cuò)性和魯棒性。</p><p>　?、芨叨炔⑿刑幚恚哂泻軓?qiáng)的數(shù)據(jù)融合能力。</p><p>　?、葑匀坏靥幚矶噍斎胄盘?hào)，并有多個(gè)輸出，適合于多變量系統(tǒng)。&l

33、t;/p><p>　　2.1.3神經(jīng)網(wǎng)絡(luò)模型</p><p>　　神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元按一定的結(jié)構(gòu)連接而成，來(lái)完成不同信息(包括智</p><p>　　能信息)處理任務(wù)的非線性系統(tǒng)。不同神經(jīng)元之間通過(guò)各自的突觸權(quán)值來(lái)表示不</p><p>　　同的連接關(guān)系。在學(xué)習(xí)的過(guò)程中不斷調(diào)整突觸權(quán)值，使網(wǎng)絡(luò)實(shí)際輸出不斷逼近期</p><

34、p>　　望輸出。圖3.1是基本的神經(jīng)元模型，其中xl…xn是神經(jīng)元的輸入，wl…鞏是輸</p><p>　　入連接權(quán)值，夕是神經(jīng)元的閡值(也稱(chēng)偏執(zhí)量)。神經(jīng)元由三個(gè)基本要素構(gòu)成:</p><p>　　圖2-1 簡(jiǎn)化的神經(jīng)元結(jié)構(gòu)</p><p>　　神經(jīng)元的每一個(gè)輸入連接都有突觸連接強(qiáng)度，用一個(gè)連接權(quán)值來(lái)表示，即將產(chǎn)生的信號(hào)通過(guò)連接強(qiáng)度放大，每一個(gè)輸入量（）都相

35、應(yīng)有一個(gè)相關(guān)聯(lián)的權(quán)重（）。處理單元將經(jīng)過(guò)權(quán)重的輸入量化，然后相加求得其加權(quán)值之和，計(jì)算出唯一的輸出量，這個(gè)輸出量（）是權(quán)重和的函數(shù)。它是一個(gè)多輸入、單輸出的非線性元件，其輸入、輸出關(guān)系可描述為：</p><p><b>　　(2-1)</b></p><p>　　式中：y為神經(jīng)元輸出；f為輸出變換函數(shù)，或激活函數(shù)，其非線性特征可用閾值型、分段線性型和連續(xù)型激發(fā)函數(shù)近似

36、；是神經(jīng)元第i個(gè)輸入；為神經(jīng)元的閾值；為權(quán)系數(shù)，表示連接的強(qiáng)度，說(shuō)明突觸的負(fù)載。</p><p>　　為了方便，有時(shí)將也看成是對(duì)應(yīng)恒等于1的輸入的權(quán)值，這時(shí)式2-1的和式變成：</p><p><b>　　（2-2）</b></p><p><b>　　其中，，。</b></p><p>　　神經(jīng)網(wǎng)

37、絡(luò)中常用的激發(fā)函數(shù)有閾值型函數(shù)、飽和型函數(shù)、雙曲型函數(shù)、S型函數(shù)、高斯函數(shù)等，其具體表達(dá)式如表2-1所示.</p><p>　　表2-1 神經(jīng)網(wǎng)絡(luò)常見(jiàn)激發(fā)函數(shù)</p><p>　　2.1.3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)劃分最常用的是按照網(wǎng)絡(luò)連接方式的劃分，根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡(luò)可以分成兩種拓?fù)浣Y(jié)構(gòu)。</p><p>&

38、lt;b>　　1、前饋型神經(jīng)網(wǎng)絡(luò)</b></p><p>　　神經(jīng)元接受前層神經(jīng)元的輸出并輸入到下一層，神經(jīng)元之間的連接只存在入層一隱含層、隱含層一隱含層、隱含層一輸出層之間，同一層神經(jīng)元不存在互連每層神經(jīng)元的輸入僅來(lái)至于前一層神經(jīng)元的輸出，即層間的信號(hào)流是單向的。點(diǎn)分為三類(lèi):輸入節(jié)點(diǎn)、輸出節(jié)點(diǎn)和隱含節(jié)點(diǎn)，分別位于輸入層、輸出層和隱層，輸入層和輸出層與外界相連，中間層稱(chēng)為隱含層。前饋型網(wǎng)絡(luò)結(jié)構(gòu)如

39、圖所示。前饋型神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)有很好的逼近能力。</p><p><b>　　輸入層隱含層輸出層</b></p><p>　　圖3.3一層隱含層的前饋型網(wǎng)絡(luò)</p><p><b>　　2、反饋型神經(jīng)網(wǎng)絡(luò)</b></p><p>　　反饋型網(wǎng)絡(luò)模型是具有反饋功能的遞歸網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)中的任何兩個(gè)神

40、經(jīng)均有可能互連，信號(hào)流可以是雙向且反復(fù)往返傳輸，直到輸入一輸出信息趨于衡。整個(gè)網(wǎng)絡(luò)中至少存在一個(gè)閉環(huán)回路。圖3.4所示為一個(gè)完全連接的反饋型網(wǎng)絡(luò)。反饋型網(wǎng)絡(luò)由于對(duì)動(dòng)態(tài)系統(tǒng)的模擬能力，對(duì)非線性和動(dòng)態(tài)系統(tǒng)的建模與控制具有很好的前景。</p><p><b>　　2.2BP神經(jīng)網(wǎng)絡(luò)</b></p><p>　　BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，

41、它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。它的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)在20世紀(jì)80年代中期，由Rumelhart和McClelland為首提出的，并于1985年發(fā)展了BP網(wǎng)絡(luò)學(xué)習(xí)算法，網(wǎng)絡(luò)權(quán)值的調(diào)整采用誤差的反向傳播（Back Propagation）算法，這也是梯度下降法在多層前饋網(wǎng)絡(luò)中的應(yīng)用。BP網(wǎng)絡(luò)結(jié)構(gòu)如圖2-5所示，網(wǎng)絡(luò)由輸入層、隱層和輸出層節(jié)點(diǎn)組成，其中隱層可以是多層，隱層中的神經(jīng)元均采用S型傳遞函數(shù)，它可以學(xué)習(xí)輸入輸出之間的線性和非線性

42、關(guān)系，輸出層的神經(jīng)元采用線性傳遞函數(shù)，它能拓寬網(wǎng)絡(luò)的輸出。網(wǎng)絡(luò)前層至后層節(jié)點(diǎn)通過(guò)權(quán)連接，即拓?fù)浣Y(jié)構(gòu)為有向無(wú)環(huán)圖的前向網(wǎng)絡(luò)[6]。</p><p>　　2.3 Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)</p><p>　　動(dòng)態(tài)遞歸網(wǎng)絡(luò)是一種極具潛力的系統(tǒng)預(yù)測(cè)工具 ] ， 其中 Elman神經(jīng)網(wǎng)絡(luò)(圖1 ) 就是一種較好的動(dòng)態(tài)遞歸網(wǎng)絡(luò)。Elman神經(jīng)網(wǎng)絡(luò)是Elman于1990年提出的，與 BP神經(jīng)網(wǎng)絡(luò)本質(zhì)的

43、區(qū)別是Elman神經(jīng)網(wǎng)絡(luò)既有前饋連接，又有反饋連接，克服了BP網(wǎng)絡(luò)不具備動(dòng)態(tài)特性的缺點(diǎn)，使訓(xùn)練好的網(wǎng)絡(luò)具備非線性映射和動(dòng)態(tài)特性，從而得到動(dòng)態(tài)結(jié)構(gòu)和系統(tǒng)的動(dòng)力學(xué)模型。</p><p>　　Elman神經(jīng)網(wǎng)絡(luò)的特點(diǎn)</p><p>　　Elman網(wǎng)絡(luò)是典型的局部遞歸內(nèi)時(shí)延反饋型神經(jīng)網(wǎng)絡(luò)。較多的輸入節(jié)點(diǎn)使系統(tǒng)對(duì)外部噪聲特別敏感_ 4 ] 。因此，引入Elman神經(jīng)網(wǎng)絡(luò)作為一種較好的動(dòng)態(tài)遞歸網(wǎng)絡(luò)是

44、一種極具潛力的系統(tǒng)預(yù)測(cè)方法。</p><p>　　與BP神經(jīng)網(wǎng)絡(luò)相比，Elman神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)預(yù)測(cè)具有訓(xùn)練速度快、結(jié)構(gòu)簡(jiǎn)單、精度高的特點(diǎn)。 </p><p>　　第四章過(guò)熱汽溫神經(jīng)網(wǎng)絡(luò)建模</p><p>　　3.1基于前饋神經(jīng)網(wǎng)絡(luò)的過(guò)熱汽溫系統(tǒng)建模</p><p>　　3.2基于反饋神經(jīng)網(wǎng)絡(luò)的過(guò)熱汽溫系統(tǒng)建模</p><

45、p><b>　　第三章 粒子群算法</b></p><p>　　粒子群算法最早是在1995年由Eberhart和Kennedy共同提出的，其基本思想是受到他們?cè)缙趯?duì)許多鳥(niǎo)類(lèi)的群體行為進(jìn)行建模與仿真研究結(jié)果的啟發(fā)，他們的模型及仿真算法主要利用了生物學(xué)家Hepper的模型。在Hepper的仿真中，鳥(niǎo)在一塊棲息地附近集聚，這塊棲息地吸引著鳥(niǎo)，直到它們都落在這塊地上。Hepper的模型中增加了

46、一些內(nèi)容：每個(gè)個(gè)體能夠通過(guò)一定規(guī)則估計(jì)自身位置的適應(yīng)值；每個(gè)個(gè)體能夠記住自己當(dāng)前的最好位置，稱(chēng)為“局部最優(yōu)gbest”。這兩個(gè)最優(yōu)變量使得鳥(niǎo)在某種程度上朝著這些方向靠近。他們綜合這一切內(nèi)容，提出了實(shí)際鳥(niǎo)群的簡(jiǎn)化模型，即我們所說(shuō)的粒子群算法。</p><p>　　PSO 算法不像遺傳算法那樣對(duì)個(gè)體進(jìn)行選擇、交叉和變異操作，而是將群體中的每個(gè)個(gè)體視為多維搜索空間中一個(gè)沒(méi)有質(zhì)量和體積的粒子（點(diǎn)），這些粒子在搜索空間中以

47、一定的速度飛行，并根據(jù)粒子本身的飛行經(jīng)驗(yàn)以及同伴的飛行經(jīng)驗(yàn)對(duì)自己的飛行速度進(jìn)行動(dòng)態(tài)調(diào)整，即每個(gè)粒子通過(guò)統(tǒng)計(jì)迭代過(guò)程中自身的最優(yōu)值和群體的最優(yōu)值來(lái)不斷地修正自己的前進(jìn)方向和速度大小，從而形成群體尋優(yōu)的正反饋機(jī)制。PSO 算法就是這樣依據(jù)每個(gè)粒子對(duì)環(huán)境的適應(yīng)度將個(gè)體逐步移到較優(yōu)的區(qū)域，并最終搜索、尋找到問(wèn)題的最優(yōu)解。</p><p>　　起初 Kennedy 和 Eberhart 只是設(shè)想模擬鳥(niǎo)群覓食的過(guò)程，但后來(lái)發(fā)

48、現(xiàn) PSO 算法是一種很好的優(yōu)化工具。與其他進(jìn)化算法相類(lèi)似，該算法模擬鳥(niǎo)集群飛行覓食的行為，通過(guò)鳥(niǎo)之間的集體協(xié)作與競(jìng)爭(zhēng)使群體達(dá)到目的。PSO 算法和其他進(jìn)化算法類(lèi)似，也采用“群體”和“進(jìn)化”的概念，通過(guò)個(gè)體間的協(xié)作與競(jìng)爭(zhēng)，實(shí)現(xiàn)復(fù)雜空間中最優(yōu)解的搜索。PSO 先生成初始種群，即在可行解空間中隨機(jī)初始化一群粒子，每個(gè)粒子都為優(yōu)化問(wèn)題的一個(gè)可行解，并由目標(biāo)函數(shù)為之確定一個(gè)適應(yīng)值(fitness value)。</p><p

49、>　　PSO 不像其他進(jìn)化算法那樣對(duì)于個(gè)體使用進(jìn)化算子，而是將每個(gè)個(gè)體看作是在 n 維搜索空間中的一個(gè)沒(méi)有體積和重量的粒子，每個(gè)粒子將在解空間中運(yùn)動(dòng)，并由一個(gè)速度決定其方向和距離。通常粒子將追隨當(dāng)前的最優(yōu)粒子而動(dòng)，并經(jīng)逐代搜索最后得到最優(yōu)解。在每一代中，粒子將跟蹤兩個(gè)極值，一為粒子本身迄今找到的最優(yōu)解pbest，另一為全種群迄今找到的最優(yōu)解 gbest。</p><p>　　粒子群算法是一個(gè)非常簡(jiǎn)單的算法，

50、且能夠有效地優(yōu)化各種函數(shù)。從某種程度上說(shuō)，此算法介于遺傳算法和進(jìn)化規(guī)劃之間。此算法非常依賴(lài)于隨機(jī)過(guò)程，這也是和進(jìn)化規(guī)劃相似之處。此算法中朝全局最優(yōu)和局部最優(yōu)靠近的調(diào)整非常類(lèi)似以遺傳算法中的交叉算子。此算法還使用了適應(yīng)值的概念，這是所有進(jìn)化計(jì)算方法所共同的特征。</p><p>　　3.1基本算法的數(shù)學(xué)描述</p><p>　　假設(shè)有由M個(gè)粒子組成的群體在一個(gè)D維的搜索空間一定的速度飛行。群

51、體中粒子i在t時(shí)刻的位置表示為矢量xi=(xi1,xi2,…xid)T</p><p>　　Xid[Ld,Ud],Ld,Ud分別為搜索空間的下限和上限；</p><p>　　粒子的速度表示為矢量： 通過(guò)粒子群的目標(biāo)函數(shù)對(duì)粒子的當(dāng)前位置作出評(píng)價(jià)。</p><p>　　第i個(gè)粒子在t時(shí)刻的個(gè)體極值，即粒子本身到目前為止搜索到的最優(yōu)解可以表示為:</p>&

52、lt;p>　　pBest=(pi1,…pid) ；全局最優(yōu)值，即t時(shí)刻群體所有粒子目前找到的最優(yōu)解可以表示為:</p><p>　　gBest=( )。粒子通過(guò)跟蹤這兩個(gè)“極值”，進(jìn)行迭代尋優(yōu)。對(duì)于第k次迭代，PSO中的一個(gè)粒子速度、位置更新是按照下式進(jìn)行變化的：</p><p>　　其中t表示進(jìn)化的當(dāng)前代數(shù)，</p><p>　　公式(2一1)

53、和(2一2)中，v:為粒子個(gè)體i第t次迭代后的飛行速度;對(duì)為粒子個(gè)體i第t次迭代后的位置矢量;p、為個(gè)體粒子i的迄今為止找到的最好位置尸bes幼p;為整個(gè)種群迄今為止找到的最好位置幾best;c1和c2為加速因子，c1，是用來(lái)調(diào)節(jié)粒子飛向自身最優(yōu)位置的步長(zhǎng);c2則是調(diào)節(jié)粒子飛向全局最優(yōu)位置的步長(zhǎng)。一般c1=c2, 通常取值為2左右。rand，O和ran叭O是介于[0，1]之間相互獨(dú)立均勻分布的隨機(jī)函數(shù);N為群體中粒子總數(shù)。</p&

54、gt;<p>　　在兩維空間搜索時(shí)，粒子根據(jù)公式(2一1)和(2一2)從位置X‘到x‘+1移動(dòng)的原理如圖2.1所示。</p><p>　　式 （）主要有三部分組成：</p><p>　　第一部分是粒子先前速度的繼承，它是由 Shi 和 Eberhart 最先提出。它表示了粒子對(duì)當(dāng)前自身運(yùn)動(dòng)狀態(tài)的信任，依據(jù)自身 速度進(jìn)行慣性運(yùn)動(dòng)，慣性權(quán)重 w 控制著先前速度帶來(lái)的影響；<

55、;/p><p>　　第二部分是“認(rèn)知”部分(Cognition Modal)，表示粒子本身的思考，即綜合考慮自身以往的經(jīng)歷從而實(shí)現(xiàn)對(duì)下一步?jīng)Q策，這種行為決策便是“認(rèn)知”，它反映的是一個(gè)增強(qiáng)學(xué)習(xí)的過(guò)程，從當(dāng)前點(diǎn)指向此粒子自身最好點(diǎn)的一個(gè)矢量，表示粒子的動(dòng)作來(lái)源于自身經(jīng)驗(yàn)的部分；</p><p>　　第三部分為“社會(huì)”部分(Social Modal)，表示粒子間的的協(xié)同合作和知識(shí)共享。在搜索過(guò)程中

56、粒子在記住自己經(jīng)驗(yàn)的同時(shí)也考慮同伴的經(jīng)驗(yàn)，當(dāng)單個(gè)的粒子察覺(jué)到同伴的經(jīng)驗(yàn)較好時(shí)，它將進(jìn)行適應(yīng)性的調(diào)整，以達(dá)到一致認(rèn)知的過(guò)程。</p><p>　　以上三個(gè)部分共同決定了粒子的空間搜索能力。第一部分起到了平衡全局和局部搜索的能力。第二部分使粒子有了足夠強(qiáng)的全局搜索能力，避免局部極小。第三部分體現(xiàn)了粒子間的信息共享。在這三部分的共同作用下粒子才能有效的到達(dá)最好位置。</p><p>　　3.2算

57、法的基本步驟</p><p>　　粒子群算法的主要步驟如下:</p><p>　　第一步:初始化。設(shè)定PSO算法中設(shè)計(jì)的各類(lèi)參數(shù)：搜索空間的上限和下限Ud和Ld，學(xué)習(xí)因子c1c2，算法最大迭代次數(shù)Tmax或收斂精度，粒子速度范圍[vmin,vmax]；隨機(jī)初始化搜索點(diǎn)的位置xi,及其速度vi，設(shè)當(dāng)前位置即為每個(gè)粒子的pi，從個(gè)體極值找到全局極值，記錄該最好的粒子序號(hào)g及其位置Pg。<

58、/p><p>　　第二步:評(píng)價(jià)每一個(gè)粒子。計(jì)算粒子的適應(yīng)值，如果好于該粒子當(dāng)前的個(gè)體極值，則將pi設(shè)置為該粒子的位置，且更新個(gè)體極值。如果所有粒子的個(gè)體極值中最好的好于當(dāng)前的全局極值，則將pg設(shè)置為該粒子的位置，更新全局極值及其序號(hào)g。</p><p><b>　　第三步:更新最優(yōu)。</b></p><p>　　l) 比較粒子適應(yīng)度值與它的個(gè)體歷史

59、最優(yōu)值pbest，如果優(yōu)于pbest，則用當(dāng)前粒子位置更新pbest位置；</p><p>　　2) 比較粒子適應(yīng)度值與群體全體最優(yōu)值gbest，如果目前值好于gbest，則設(shè)置當(dāng)前粒子位置為gbest位置。</p><p>　　第四步:更新粒子。按照式(10)和 (11)更新粒子的速度和位置；</p><p>　　第五步:檢查是否符合結(jié)束條件。如果當(dāng)前的迭代次數(shù)達(dá)

60、到了預(yù)先設(shè)定的最大次數(shù)Tmax，或最終結(jié)果小于預(yù)定收斂精度 要求，則停止迭代，輸出最優(yōu)值，否則轉(zhuǎn)到第二步。</p><p><b>　　3.3算法流程</b></p><p>　　基本PSO算法簡(jiǎn)要流程圖如圖2.2所示。</p><p><b>　　參考文獻(xiàn)：</b></p><p>　　[1]丁利

61、,樓波.過(guò)熱蒸汽溫度變化對(duì)鍋爐經(jīng)濟(jì)和安全影響研究.節(jié)能技術(shù),2010,28(162):</p><p><b>　　294-299</b></p><p>　　[2] 曾漢才.關(guān)于超超界壓力鍋爐的若干問(wèn)題.鍋爐制造，2000,4:177-178</p><p>　　[3] 李永超.小波神經(jīng)網(wǎng)絡(luò)理論及其在過(guò)熱汽溫控制中的應(yīng)用研究[M].太原理工大

62、學(xué)，2004</p><p><b>　　[4]</b></p><p><b>　　[5]</b></p><p><b>　　[6]</b></p><p><b>　　[7]</b></p><p><b>　　[8