基于粒子群算法的电站主汽温模型辨识与控制器优化
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 主汽温模型结构及控制器研究现状 | 第12-13页 |
| 1.3 优化算法概述 | 第13-16页 |
| 1.3.1 动态规划法 | 第13-14页 |
| 1.3.2 神经网络算法 | 第14页 |
| 1.3.3 遗传算法 | 第14-15页 |
| 1.3.4 模糊算法 | 第15-16页 |
| 1.3.5 粒子群算法 | 第16页 |
| 1.4 课题研究内容 | 第16-18页 |
| 第2章 系统建模理论及方法 | 第18-29页 |
| 2.1 引言 | 第18页 |
| 2.2 模型辨识的理论研究 | 第18-20页 |
| 2.2.1 模型辨识的定义 | 第18-19页 |
| 2.2.2 模型辨识的过程 | 第19页 |
| 2.2.3 建模方法 | 第19-20页 |
| 2.3 热工过程模型辨识分析 | 第20-23页 |
| 2.3.1 闭环辨识可行性分析 | 第20-21页 |
| 2.3.2 模型结构选取 | 第21-23页 |
| 2.4 粒子群算法原理与分析 | 第23-29页 |
| 2.4.1 基本粒子群算法 | 第23-26页 |
| 2.4.2 离散的粒子群算法 | 第26-27页 |
| 2.4.3 粒子群算法性能测试 | 第27-29页 |
| 第3章 基于现场数据的主成分提取 | 第29-38页 |
| 3.1 热工过程现场数据处理方法 | 第29-31页 |
| 3.1.1 数据滤波 | 第29-30页 |
| 3.1.2 零初始值处理 | 第30页 |
| 3.1.3 粗大值处理 | 第30-31页 |
| 3.2 主元分析法提取主汽温主要影响因素 | 第31-37页 |
| 3.2.1 主汽温系统影响因素分析 | 第31-33页 |
| 3.2.2 主元分析法提取主要影响因素 | 第33-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 主汽温系统模型辨识与精度验证 | 第38-47页 |
| 4.1 引言 | 第38页 |
| 4.2 粒子群算法在模型辨识的应用 | 第38-41页 |
| 4.2.1 基本粒子群算法改进 | 第38-39页 |
| 4.2.2 粒子群优化算法精度验证 | 第39-41页 |
| 4.3 主汽温单入单出系统模型辨识 | 第41-44页 |
| 4.3.1 燃料量——主汽温模型 | 第41-42页 |
| 4.3.2 主蒸汽流量——主汽温模型 | 第42页 |
| 4.3.3 一级减温水——主汽温模型 | 第42-43页 |
| 4.3.4 二级减温水量——主汽温模型 | 第43页 |
| 4.3.5 烟气含氧量——主汽温模型 | 第43-44页 |
| 4.4 主汽温多入单出系统模型辨识 | 第44-46页 |
| 4.4.1 主汽温多入单出模型的构造 | 第44-45页 |
| 4.4.2 基于现场数据的多入单出主汽温模型辨识 | 第45-46页 |
| 4.4.3 模型验证 | 第46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于粒子群算法的控制器参数优化 | 第47-52页 |
| 5.1 引言 | 第47页 |
| 5.2 目标函数的选取 | 第47-48页 |
| 5.2.1 PID控制器理论基础 | 第47-48页 |
| 5.2.2 目标函数选取 | 第48页 |
| 5.3 优化算法的选取 | 第48-50页 |
| 5.4 给煤量与主汽温PID参数优化 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 结论与展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-58页 |
| 致谢 | 第58页 |
