单元机组协调控制系统多目标粒子群优化研究

发布时间：2020-05-22 12:24

【摘要】：协调控制系统是火电单元机组自动化系统中一个重要的机组级控制系统。协调控制系统的控制品质好坏,直接影响到机组的安全、经济运行。随着计算机技术、人工智能等技术的飞速发展,将智能寻优算法应用于工业控制系统优化成为一个重要的研究方向,也代表了单元机组自动化的一个重要发展趋势。由于协调控制系统被控对象存在强非线性、机炉之间耦合严重,及炉侧大惯性大迟延等原因,使得机、炉控制器参数整定变得较为困难。因此,智能寻优算法在单元机组协调控制系统参数优化中具有一定的工程应用研究价值。本文首先对单元机组协调控制系统对象模型进行研究。根据文献资料,将660MW单元机组协调控制系统合理简化成一个双入双出的模型,并对模型动态特性进行分析。其次,对标准粒子群和多目标粒子群优化算法进行理论研究。对单目标粒子群算法,采用了线性递减的方式设计惯性权重。对于多目标粒子群算法中的外部非劣档案集的粒子,分析了算法中的自适应网格、变异、轮盘赌算子选择的进化策略,以此来保持解的多样性和收敛性,减少算法陷入局部最优的概率,增强算法优化聚合到实际Pareto前沿的能力,并用MATLAB编程实现。用多目标测试集函数仿真验证了算法的有效性。最后,对协调控制系统解耦方法进行研究,并给出了协调控制系统机、炉PID控制器参数优化策略。在串联后补偿解耦方案上,针对实际机组特点,合理简化成一种单向解耦网络的协调控制方案。在汽机侧,采用ITAE误差矩的积分作为目标函数,用单目标粒子群对汽机侧PID控制器寻优;在锅炉侧,采用多目标粒子群算法寻优,根据“稳、准、快”的要求建立了锅炉侧的多目标优化适应度函数,目的在于重点解决锅炉侧反应慢、超调严重的问题。结合改进的多目标粒子群优化算法,利用MATLAB编程和Simulink仿真,得到了锅炉侧PID控制器的非劣解集,再从非劣解集中优选出一个解作为控制器最优参数。经仿真验证表明:采用优化算法整定协调控制系统的PID参数,取得了良好的控制效果。
【图文】：

c) ZDT3 的 Pareto 前沿面 d) ZDT6 的 Pareto 前沿面图 3-3 测试函数 ZDT 的 Pareto 前沿面从图 3-3 中可以看出，算法得到的 ZDT 系列测试函数的 Pareto 前沿是均滑的。此外，，算法计算的解的分布接近真实的帕累托前沿。获得的非劣解具好的分布。这表明多目标粒子群优化算法是效果良好的，可以进行下文的应用

机侧功率给定值+10MW阶跃扰动，功率响应曲线
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TM621

【相似文献】

相关期刊论文 前10条

1 甄文冬;陈进;张莉莉;;基于改进粒子群优化-反向传播神经网络的制造业产能预测[J];机械制造;2019年03期

2 乔楠楠;尤佳莉;;一种面向网络边缘任务调度问题的多方向粒子群优化算法[J];计算机应用与软件;2017年04期

3 郭卫东;孙延坤;张海斌;;基于粒子群优化的组播路由算法研究[J];信息与电脑(理论版);2017年10期

4 张俊溪;张嘉桐;张玉梅;;一种改进的粒子群优化算法[J];陕西师范大学学报(自然科学版);2016年02期

5 高苇;平环;张成刚;姜静清;;改进惯性权重的简化粒子群优化算法[J];湖北民族学院学报(自然科学版);2016年01期

6 梁望;高媛;刘小利;;粒子群优化算法基本研究[J];科技经济导刊;2016年21期

7 马晓峰;;基于粒子群优化算法的器件模型表面势求解[J];计算机时代;2015年03期

8 吕莉;赵嘉;孙辉;;具有反向学习和自适应逃逸功能的粒子群优化算法[J];计算机应用;2015年05期

9 赵嘉;付平;李崇侠;吕莉;;基于不同学习模型的精英反向粒子群优化算法[J];小型微型计算机系统;2015年06期

10 豆增发;;一种基于翻转角度的二进制粒子群优化算法[J];科技视界;2014年06期

相关会议论文 前10条

1 沈希;黄振迪;黄跃进;;基于遗传策略的粒子群优化算法[A];2009中国仪器仪表与测控技术大会论文集[C];2009年

2 孙向军;赵斯强;严宗睿;;基于粒子群优化的反潜搜索研究[A];2008年全国开放式分布与并行计算机学术会议论文集(下册)[C];2008年

3 徐东;李晔;唐旭东;庞永杰;廖煜雷;;基于变异行为的自适应粒子群优化算法[A];中国自动化学会控制理论专业委员会A卷[C];2011年

4 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

5 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年

6 刘钊;;基于粒子群优化算法的足球机器人动作选择研究[A];2004中国机器人足球比赛暨学术研讨会论文集[C];2004年

7 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年

8 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

9 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

10 司维超;韩维;史玮韦;颜刚;;一种基于蜜蜂多群体觅食的粒子群优化算法[A];中国自动化学会控制理论专业委员会B卷[C];2011年

相关博士学位论文 前10条

1 张凯;粒子群优化算法研究及其在液压控制系统中的应用[D];东北大学;2017年

2 李浩君;基于粒子群优化算法的在线学习资源序列化服务研究[D];浙江工业大学;2018年

3 易云飞;基于伊藤随机过程的粒子群优化算法及其应用研究[D];武汉大学;2015年

4 郑波;基于粒子群优化算法的航空发动机故障诊断与性能参数预测研究[D];电子科技大学;2018年

5 余炳辉;粒子群优化算法试验研究及扩展[D];华中科技大学;2007年

6 张丽平;粒子群优化算法的理论及实践[D];浙江大学;2005年

7 窦全胜;求解优化问题的演化计算方法研究[D];吉林大学;2005年

8 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年

9 王俊伟;粒子群优化算法的改进及应用[D];东北大学;2006年

10 莫愿斌;粒子群优化算法的扩展与应用[D];浙江大学;2006年

相关硕士学位论文 前10条

1 孙到位;单元机组协调控制系统多目标粒子群优化研究[D];华北电力大学;2019年

2 李佳玲;基于混沌优化的多种群粒子群优化算法的研究及其应用[D];江苏大学;2019年

3 孙郁闻天;基于量子行为的多目标粒子群优化算法的研究及其应用[D];江苏大学;2019年

4 赵秋月;基于认知种群的混合粒子群优化算法研究[D];广州大学;2019年

5 吉闫军;基于外部种群自适应的多目标粒子群优化算法及其应用[D];陕西师范大学;2019年

6 张宇昊;基于多种群的粒子群优化算法的研究[D];云南大学;2018年

7 吴柏林;多目标粒子群优化算法及其应用研究[D];电子科技大学;2019年

8 汪博文;自适应正态扰动的精英粒子群优化算法研究[D];华中师范大学;2017年

9 巢秀琴;改进的粒子群优化算法在特征选择中的应用研究[D];安徽大学;2019年

10 张永哲;多目标粒子群优化算法的改进策略研究[D];中国石油大学(华东);2017年

本文编号：2675994