基于神經(jīng)網(wǎng)絡建模和粒子群優(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>　　過熱蒸汽溫度是大型燃煤機組的主要控制參數(shù)，對機組的安全性和經(jīng)濟性影響很大，是鍋爐安全、經(jīng)濟運行的重要參數(shù)之一。過熱器出口溫度是全廠工質(zhì)溫度的最高點

2、，也是金屬壁溫度的最高處，在過熱器正常運行時已接近材料允許的最高溫度，如果過熱蒸汽溫度過高，會直接危及過熱器及汽輪機等設備的安全，影響安全運行；而溫度過低，又會降低全廠熱效率，并增大汽輪機的排氣濕度，進而影響汽輪機的安全。所以過熱蒸汽溫度過高、過低都會對機組的安全經(jīng)濟運行構(gòu)成威脅，一般要求過熱蒸汽溫度維持額定值，偏差在-5℃～+5℃范圍。 </p><p>　　鍋爐運行過程中，影響蒸汽溫度變化的因素很多，可分為

3、兩種：來自蒸汽側(cè)和煙氣側(cè)。來自蒸汽側(cè)影響因素的有：鍋爐負荷、減溫水量、給水溫度等；來自煙氣側(cè)的影響因素有：燃料性質(zhì)、 送風量、受熱面清潔程度、燃燒器運行方式等。所以正常運行時，蒸汽溫度也難免波動，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>　　噴水減溫是過熱汽溫控制的常見手段?，F(xiàn)有的過熱汽溫控制方法有兩種，一種是傳統(tǒng)串級PID控制的方法，另一種是智能控制方法。由于鍋爐結(jié)構(gòu)復雜，系統(tǒng)龐大，

4、過熱汽溫系統(tǒng)是一個非線性、大遲延、大慣性、強耦合的復雜大系統(tǒng)。傳統(tǒng)方法由于當負荷大范圍變化時原先整定好的PID參數(shù)往往不適合新的工況，嚴重影響汽溫控制品質(zhì)，而PID參數(shù)的優(yōu)化整定又耗時耗力。而智能控制非常適合于非線性、強耦合、多變量系統(tǒng)的建模與優(yōu)化，因此得到了越來越多的重視。</p><p>　　本文主要研究了基于神經(jīng)網(wǎng)絡的預測控制方法的過熱汽溫控制方案。文中采用BP網(wǎng)絡和Elman網(wǎng)絡完成了建模，并對這兩種建模

5、方法進行了分析。分析了鍋爐過熱器特性及過熱汽溫的影響因素。在此基礎上，針對600MW超臨界鍋爐的過熱汽溫系統(tǒng)，借助MATLAB建立神經(jīng)網(wǎng)絡模型，確定控制方案并進行詳盡的控制仿真試驗。試驗結(jié)果表明：與原串級PID控制系統(tǒng)相比，該預測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)時間，明顯改善了過熱汽溫的控制品質(zhì)。</p><p>　　關(guān)鍵詞：過熱汽溫，預測控制，粒子群算法，BP網(wǎng)絡，Elman網(wǎng)絡</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>　　攻讀碩士學位期間發(fā)表的論文及其它成果</p><p><b>　　參考文獻</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)是電廠在當前的能源</p><p>　　和環(huán)境形勢下的需要，而建立快速、準確的鍋爐蒸汽溫度模型是優(yōu)化控制系統(tǒng)的重要基礎和必要前提。</p><p>　　神經(jīng)網(wǎng)絡是一種按照人腦的組織和活動原理而構(gòu)造的一種非線性映射模型, 可以實現(xiàn)任何復雜的因果關(guān)系映射,特別適用于處理復雜問題,在預測評估、智能控制、模式識別、信號處理、非線性優(yōu)化、函數(shù)逼近、自適應控制和預測及管理工程等領(lǐng)域具有廣泛的應

9、用。近年來人們采用神經(jīng)網(wǎng)絡建立過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，非常適于對復雜環(huán)境中的優(yōu)化問題求解，目前，粒子群優(yōu)化算法已經(jīng)成功地應用于系統(tǒng)辨識、神經(jīng)網(wǎng)絡訓練、模糊系統(tǒng)控制、化工、醫(yī)療等各個研究和應用領(lǐng)域。</p><p>　　智能控制理論是一門新興的交叉學科，是控制理論發(fā)展的高級階段。它是人工智能控制論、系統(tǒng)論和信

10、息論等多種學科的高度綜合與集成，是當今國內(nèi)外自動化學科中一個十分活躍和具有挑戰(zhàn)性的領(lǐng)域。主要用來解決那些用傳統(tǒng)方法難以解決的復雜系統(tǒng)的控制問題。</p><p>　　具體說來，智能控制的研究對象具有不確定性的模型、高度的非線性和復雜的任務要求。智能控制是自動控制理論與人工智能相結(jié)合的產(chǎn)物。簡單說來，智能控制所要解決的問題是:如何將人工智能技術(shù)中較少依賴模型的問題求解方法與常規(guī)的控制方法相結(jié)合。智能控制理論包括下面

11、幾種:專家系統(tǒng);遺傳算法;Petri網(wǎng);人機系統(tǒng)理論;大系統(tǒng)理論;神經(jīng)網(wǎng)絡理論;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>　　能源是人類社會賴以生存和發(fā)展的重要物質(zhì)基礎。隨著經(jīng)濟的發(fā)展，社會對能源的需求也在與日俱增。對全球未來七十

12、年的能源需求及能量利用結(jié)構(gòu)的預測表明，人類生產(chǎn)和生活對能量的需求為現(xiàn)在的三倍，而對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，預計其需求量將增加到目前的七倍。隨著我國國民經(jīng)濟的迅速發(fā)展，我國電力設備裝機容量以每年7%-8%的速率遞增，其中燃煤機組占有很大比重[2]。為響應國家節(jié)能減排的號召，改善環(huán)境，電廠作為耗能大戶，必須加大節(jié)能減排研究、提高鍋爐機組的熱效率，而加大單機容量是一種有效的手段。</p>

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

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

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

16、引起汽輪機轉(zhuǎn)子和汽缸間的脹差變化，甚至產(chǎn)生劇烈振動，危及機組安全運行。</p><p>　　所以，鍋爐制造廠對運行中汽溫控制的質(zhì)量要求是非常嚴格的，鍋爐穩(wěn)定運行時，過熱汽溫度必須控制在一定的范圍內(nèi)。一般要求過熱汽溫與規(guī)定值的暫時偏差值不超過士10℃，長期偏差不超過士5℃。</p><p>　　但是，由于熱工過程往往表現(xiàn)出非線性、慢時變、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、，同時由于負荷變化汽壓波動、給水壓力波動、燃燒工況變化等擾動因素多，對汽溫的穩(wěn)定產(chǎn)生不利影響，使其可控指數(shù)很低。此外，現(xiàn)代大型電廠對汽溫變化的幅度限制很嚴，而參加調(diào)峰的負荷變化幅度越來越大，這使得汽溫調(diào)節(jié)問題越發(fā)突出。對于大型機組，由于被控對象模型的復雜性以及控制器參數(shù)選取不合理，傳統(tǒng)的PID控制有時已難以實現(xiàn)所需要的控制效果。</p><p>　　智能控制的伺服系統(tǒng)應具備如下特征:具備自我學習能力，利用有限信息

18、對被控對象進行識別、記憶、學習，在其基礎上快速改善自身知識結(jié)構(gòu)和控制策略；具備自適應能力，對認知對象的參數(shù)、運行環(huán)境和運行條件的變化具有適應性，使控制性能不依賴于控制對象的具體模型;具備魯棒性，即使系統(tǒng)具有很強的抗干擾能力，對不確定因素的干擾不敏感;具備容錯性，使系統(tǒng)具有故障自診斷、自屏蔽和自恢復的能力。具備自組織能力，使系統(tǒng)對復雜任務和分散的傳感信息具有自主的協(xié)調(diào)組織功能;具備實時性強特征，使實時性控制系統(tǒng)具有快速的在線實時響應能力〔

19、‘2〕</p><p>　　因此，設計一種能適應多種工況變化、具有較強魯棒性和穩(wěn)定性的過熱汽溫控制系統(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，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用</p><p>　　隨著人類所面臨問題的日益復雜化

20、和對控制系統(tǒng)性能要求的不斷提高，自動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的經(jīng)典控制理論(頻域分析法)逐漸發(fā)展到采用時域分析的現(xiàn)代控制理論階段(狀態(tài)空間分析法)。</p><p>　　經(jīng)過半個多世紀的發(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用。然而它們大都是基于模型的控制，對于一些具有高度非線性的復雜控制系統(tǒng)，尤其是模型不確定的系統(tǒng)、控制對象或者過程，

21、如一些熱工對象(如工業(yè)鍋爐)、機器人系統(tǒng)等等，雖然也能利用一些積累起來的實際經(jīng)驗進行分析，但總的說來，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、計算科學、人工智能和運籌學為基礎的智能控制方向探索的階段[3]。目前，國內(nèi)外眾多的專家和學者對智能控制理論和方法所做的大量工作主要集中在專家系統(tǒng)、模糊控制、神經(jīng)網(wǎng)絡和進化計算及其相關(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)絡的控制系統(tǒng)、專家控制系統(tǒng)與專家控制器、遺傳算法控制、組合智能控制等。其中模糊控制、神經(jīng)網(wǎng)絡控制和專家控制是目前智能控制中最為活躍的領(lǐng)域。在應用方面，其研究重點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時實現(xiàn)方面。 </p><p>　　80年代以來，智能控制方法被越來越多地應用于復雜系統(tǒng)的控制中，其中模糊控制理論

23、和神經(jīng)網(wǎng)絡理論在過程控制中己有了較多的應用,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者和專家引進到火電廠熱工自動化中，提出有別于傳統(tǒng)單回路PID調(diào)節(jié)的大量先進控制策略，其中有些成功應用于火電廠實踐中，諸如用于過熱汽溫控制的Smiht預估控制、預測智能控制、模糊控制，隨著DCS和FCS的發(fā)展已有許多公司將先進控制技術(shù)的模塊加入系統(tǒng)。</p><p>　　英國倫敦大學教授EH.MAMD

24、ANI1974年在實驗室研制成功鍋爐和蒸汽機模糊控制系統(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、在對鍋爐結(jié)構(gòu)和燃燒工藝進行分析的基礎上，把握蒸汽溫度過程控制的關(guān)鍵因素及其對過熱汽溫的影響方式，確定了過熱汽溫系統(tǒng)模型的輸入和輸出；</p><p>　　2、介紹了神經(jīng)網(wǎng)絡的基本原理和各種網(wǎng)絡模型的

25、工作方式，重點介紹了BP</p><p>　　網(wǎng)絡、Elman網(wǎng)絡及其算法流程，然后利用BP網(wǎng)絡和Elman網(wǎng)絡對過熱汽溫系統(tǒng)建模并對仿真結(jié)果進行了分析和比較，總結(jié)了每個網(wǎng)絡的特點和應用場合。在建立模型后利用粒子群算法對？進行優(yōu)化，得到了；</p><p>　　3、編寫MATLAB控制程序，借助STAR-90仿真系統(tǒng)做了詳盡的仿真實驗，并與原PID串級過熱汽溫控制系統(tǒng)進行動態(tài)性能比較。最后

26、對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 過熱汽溫系統(tǒng)神經(jīng)網(wǎng)絡建模</p><p><b>　　2.1神經(jīng)網(wǎng)絡</b></p><p>　　2.1.1神經(jīng)網(wǎng)絡簡介</p><p>　　人工神經(jīng)網(wǎng)絡(ArtlficialNeuralNetworkS，簡稱ANN)是模仿人腦功能的一種信息處理系統(tǒng)

27、。具有通過學習獲取知識并解決問題的能力，其知識存儲在連接權(quán)中。它主要借鑒了人腦神經(jīng)系統(tǒng)處理信息的過程，以數(shù)學網(wǎng)絡拓撲為理論基礎，以大規(guī)模并行性、高度的容錯能力以及自適應、自學習、自組織等功能為特征，集信息加工與存儲一體化，具有廣泛的應用前景。它可用電子元件實現(xiàn)，也可用軟件在計算機上實現(xiàn)。人工神經(jīng)網(wǎng)絡的研究涉及到計算機科學、控制論、信息科學、微電子學、心理學、認知科學、物理學、數(shù)學與力學等學科。作為智能控制的一個分支，以其獨特的非傳統(tǒng)表達

28、方式和固有的學習能力，引起了控制界的廣泛關(guān)注[1]。</p><p>　　20世紀40年代初，W.McWulloch與Waiter Pitts提出了第一個神經(jīng)網(wǎng)絡模型-MP模型，為計算神經(jīng)行為提供了可能性，從而開創(chuàng)了神經(jīng)網(wǎng)絡領(lǐng)域的研究。到目前為止大致經(jīng)歷了四個發(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)絡模型，這些算法和模型都對手機網(wǎng)絡的發(fā)展起到了重大的推動作用；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，導致神經(jīng)網(wǎng)絡的發(fā)展進入低潮，相關(guān)研究工作進展緩慢。80年代到90年代初期，由于物理學家J.Hopfield的Hopfield模型的提出開創(chuàng)了神經(jīng)網(wǎng)絡用于聯(lián)想記憶和優(yōu)化計算的新途徑，有力地推動了神經(jīng)網(wǎng)絡餓發(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)絡又獲得了新的發(fā)展，相關(guān)的模型、算法和應用問題被提出。90年代以后，神經(jīng)網(wǎng)絡在經(jīng)歷了80年代末到90年代初的高潮后，硬件技術(shù)、應用范圍與理論水平都有了很大的進展，開始進入了穩(wěn)健發(fā)展時期。</p><p>　　2.1.2神經(jīng)網(wǎng)絡的主要特性</p><p>　　神經(jīng)網(wǎng)絡對控制領(lǐng)域有吸引力的特點包括[1]：</p><p>　?、俜蔷€性映射能力。神經(jīng)

31、網(wǎng)絡能夠充分逼近任意復雜的非線性關(guān)系，從而形成非</p><p>　　線性動力學系統(tǒng)，以表示某些被控對象的模型或控制器模型。</p><p>　?、诰哂凶赃m應功能。神經(jīng)網(wǎng)絡具有很強的自適應能力，它能不斷地自適應修正網(wǎng)</p><p>　　絡權(quán)值，學習與適應不確定性系統(tǒng)的動態(tài)特性。</p><p>　?、劬哂蟹夯δ?。能夠處理那些未經(jīng)訓練過的數(shù)

32、據(jù)，而獲得相應于這些數(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</p><p>　　于網(wǎng)絡內(nèi)的各個神經(jīng)元中，因而具有很強的容錯性和魯棒性。</p><p>　?、芨叨炔⑿刑幚恚哂泻軓姷臄?shù)據(jù)融合能力。</p><p>　　⑤自然地處理多輸入信號，并有多個輸出，適合于多變量系統(tǒng)。&l

33、t;/p><p>　　2.1.3神經(jīng)網(wǎng)絡模型</p><p>　　神經(jīng)網(wǎng)絡是由大量神經(jīng)元按一定的結(jié)構(gòu)連接而成，來完成不同信息(包括智</p><p>　　能信息)處理任務的非線性系統(tǒng)。不同神經(jīng)元之間通過各自的突觸權(quán)值來表示不</p><p>　　同的連接關(guān)系。在學習的過程中不斷調(diào)整突觸權(quán)值，使網(wǎng)絡實際輸出不斷逼近期</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(也稱偏執(zhí)量)。神經(jīng)元由三個基本要素構(gòu)成:</p><p>　　圖2-1 簡化的神經(jīng)元結(jié)構(gòu)</p><p>　　神經(jīng)元的每一個輸入連接都有突觸連接強度，用一個連接權(quán)值來表示，即將產(chǎn)生的信號通過連接強度放大，每一個輸入量（）都相

35、應有一個相關(guān)聯(lián)的權(quán)重（）。處理單元將經(jīng)過權(quán)重的輸入量化，然后相加求得其加權(quán)值之和，計算出唯一的輸出量，這個輸出量（）是權(quán)重和的函數(shù)。它是一個多輸入、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個輸入；為神經(jīng)元的閾值；為權(quán)系數(shù)，表示連接的強度，說明突觸的負載。</p><p>　　為了方便，有時將也看成是對應恒等于1的輸入的權(quán)值，這時式2-1的和式變成：</p><p><b>　?。?-2）</b></p><p><b>　　其中，，。</b></p><p>　　神經(jīng)網(wǎng)

37、絡中常用的激發(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，其具體表達式如表2-1所示.</p><p>　　表2-1 神經(jīng)網(wǎng)絡常見激發(fā)函數(shù)</p><p>　　2.1.3神經(jīng)網(wǎng)絡結(jié)構(gòu)</p><p>　　神經(jīng)網(wǎng)絡結(jié)構(gòu)劃分最常用的是按照網(wǎng)絡連接方式的劃分，根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡可以分成兩種拓撲結(jié)構(gòu)。</p><p>&

38、lt;b>　　1、前饋型神經(jīng)網(wǎng)絡</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)元的輸入僅來至于前一層神經(jīng)元的輸出，即層間的信號流是單向的。點分為三類:輸入節(jié)點、輸出節(jié)點和隱含節(jié)點，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，中間層稱為隱含層。前饋型網(wǎng)絡結(jié)構(gòu)如

39、圖所示。前饋型神經(jīng)網(wǎng)絡對非線性函數(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</p><p><b>　　2、反饋型神經(jīng)網(wǎng)絡</b></p><p>　　反饋型網(wǎng)絡模型是具有反饋功能的遞歸網(wǎng)絡結(jié)構(gòu)，網(wǎng)絡中的任何兩個神

40、經(jīng)均有可能互連，信號流可以是雙向且反復往返傳輸，直到輸入一輸出信息趨于衡。整個網(wǎng)絡中至少存在一個閉環(huán)回路。圖3.4所示為一個完全連接的反饋型網(wǎng)絡。反饋型網(wǎng)絡由于對動態(tài)系統(tǒng)的模擬能力，對非線性和動態(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</b></p><p>　　BP網(wǎng)絡是一種多層前饋型神經(jīng)網(wǎng)絡，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，

41、它可以實現(xiàn)從輸入到輸出的任意非線性映射。它的網(wǎng)絡拓撲結(jié)構(gòu)在20世紀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)絡學習算法，網(wǎng)絡權(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)絡中的應用。BP網(wǎng)絡結(jié)構(gòu)如圖2-5所示，網(wǎng)絡由輸入層、隱層和輸出層節(jié)點組成，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)，它可以學習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)絡的輸出。網(wǎng)絡前層至后層節(jié)點通過權(quán)連接，即拓撲結(jié)構(gòu)為有向無環(huán)圖的前向網(wǎng)絡[6]。</p><p>　　2.3 Elman神經(jīng)網(wǎng)絡的結(jié)構(gòu)</p><p>　　動態(tài)遞歸網(wǎng)絡是一種極具潛力的系統(tǒng)預測工具 ] ， 其中 Elman神經(jīng)網(wǎng)絡(圖1 ) 就是一種較好的動態(tài)遞歸網(wǎng)絡。Elman神經(jīng)網(wǎng)絡是Elman于1990年提出的，與 BP神經(jīng)網(wǎng)絡本質(zhì)的

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

44、一種極具潛力的系統(tǒng)預測方法。</p><p>　　與BP神經(jīng)網(wǎng)絡相比，Elman神經(jīng)網(wǎng)絡對系統(tǒng)預測具有訓練速度快、結(jié)構(gòu)簡單、精度高的特點。 </p><p>　　第四章過熱汽溫神經(jīng)網(wǎng)絡建模</p><p>　　3.1基于前饋神經(jīng)網(wǎng)絡的過熱汽溫系統(tǒng)建模</p><p>　　3.2基于反饋神經(jīng)網(wǎng)絡的過熱汽溫系統(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早期對許多鳥類的群體行為進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家Hepper的模型。在Hepper的仿真中，鳥在一塊棲息地附近集聚，這塊棲息地吸引著鳥，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：每個個體能夠通過一定規(guī)則估計自身位置的適應值；每個個體能夠記住自己當前的最好位置，稱為“局部最優(yōu)gbest”。這兩個最優(yōu)變量使得鳥在某種程度上朝著這些方向靠近。他們綜合這一切內(nèi)容，提出了實際鳥群的簡化模型，即我們所說的粒子群算法。</p><p>　　PSO 算法不像遺傳算法那樣對個體進行選擇、交叉和變異操作，而是將群體中的每個個體視為多維搜索空間中一個沒有質(zhì)量和體積的粒子（點），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)驗以及同伴的飛行經(jīng)驗對自己的飛行速度進行動態(tài)調(diào)整，即每個粒子通過統(tǒng)計迭代過程中自身的最優(yōu)值和群體的最優(yōu)值來不斷地修正自己的前進方向和速度大小，從而形成群體尋優(yōu)的正反饋機制。PSO 算法就是這樣依據(jù)每個粒子對環(huán)境的適應度將個體逐步移到較優(yōu)的區(qū)域，并最終搜索、尋找到問題的最優(yōu)解。</p><p>　　起初 Kennedy 和 Eberhart 只是設想模擬鳥群覓食的過程，但后來發(fā)

48、現(xiàn) PSO 算法是一種很好的優(yōu)化工具。與其他進化算法相類似，該算法模擬鳥集群飛行覓食的行為，通過鳥之間的集體協(xié)作與競爭使群體達到目的。PSO 算法和其他進化算法類似，也采用“群體”和“進化”的概念，通過個體間的協(xié)作與競爭，實現(xiàn)復雜空間中最優(yōu)解的搜索。PSO 先生成初始種群，即在可行解空間中隨機初始化一群粒子，每個粒子都為優(yōu)化問題的一個可行解，并由目標函數(shù)為之確定一個適應值(fitness value)。</p><p

49、>　　PSO 不像其他進化算法那樣對于個體使用進化算子，而是將每個個體看作是在 n 維搜索空間中的一個沒有體積和重量的粒子，每個粒子將在解空間中運動，并由一個速度決定其方向和距離。通常粒子將追隨當前的最優(yōu)粒子而動，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>　　粒子群算法是一個非常簡單的算法，

50、且能夠有效地優(yōu)化各種函數(shù)。從某種程度上說，此算法介于遺傳算法和進化規(guī)劃之間。此算法非常依賴于隨機過程，這也是和進化規(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)整非常類似以遺傳算法中的交叉算子。此算法還使用了適應值的概念，這是所有進化計算方法所共同的特征。</p><p>　　3.1基本算法的數(shù)學描述</p><p>　　假設有由M個粒子組成的群體在一個D維的搜索空間一定的速度飛行。群

51、體中粒子i在t時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： 通過粒子群的目標函數(shù)對粒子的當前位置作出評價。</p><p>　　第i個粒子在t時刻的個體極值，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=( )。粒子通過跟蹤這兩個“極值”，進行迭代尋優(yōu)。對于第k次迭代，PSO中的一個粒子速度、位置更新是按照下式進行變化的：</p><p>　　其中t表示進化的當前代數(shù)，</p><p>　　公式(2一1)

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

54、gt;<p>　　在兩維空間搜索時，粒子根據(jù)公式(2一1)和(2一2)從位置X‘到x‘+1移動的原理如圖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。它表示了粒子對當前自身運動狀態(tài)的信任，依據(jù)自身 速度進行慣性運動，慣性權(quán)重 w 控制著先前速度帶來的影響；<

55、;/p><p>　　第二部分是“認知”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)歷從而實現(xiàn)對下一步?jīng)Q策，這種行為決策便是“認知”，它反映的是一個增強學習的過程，從當前點指向此粒子自身最好點的一個矢量，表示粒子的動作來源于自身經(jīng)驗的部分；</p><p>　　第三部分為“社會”部分(Social Modal)，表示粒子間的的協(xié)同合作和知識共享。在搜索過程中

56、粒子在記住自己經(jīng)驗的同時也考慮同伴的經(jīng)驗，當單個的粒子察覺到同伴的經(jīng)驗較好時，它將進行適應性的調(diào)整，以達到一致認知的過程。</p><p>　　以上三個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。設定PSO算法中設計的各類參數(shù)：搜索空間的上限和下限Ud和Ld，學習因子c1c2，算法最大迭代次數(shù)Tmax或收斂精度，粒子速度范圍[vmin,vmax]；隨機初始化搜索點的位置xi,及其速度vi，設當前位置即為每個粒子的pi，從個體極值找到全局極值，記錄該最好的粒子序號g及其位置Pg。<

58、/p><p>　　第二步:評價每一個粒子。計算粒子的適應值，如果好于該粒子當前的個體極值，則將pi設置為該粒子的位置，且更新個體極值。如果所有粒子的個體極值中最好的好于當前的全局極值，則將pg設置為該粒子的位置，更新全局極值及其序號g。</p><p><b>　　第三步:更新最優(yōu)。</b></p><p>　　l) 比較粒子適應度值與它的個體歷史

59、最優(yōu)值pbest，如果優(yōu)于pbest，則用當前粒子位置更新pbest位置；</p><p>　　2) 比較粒子適應度值與群體全體最優(yōu)值gbest，如果目前值好于gbest，則設置當前粒子位置為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。如果當前的迭代次數(shù)達

60、到了預先設定的最大次數(shù)Tmax，或最終結(jié)果小于預定收斂精度 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算法簡要流程圖如圖2.2所示。</p><p><b>　　參考文獻：</b></p><p>　　[1]丁利

61、,樓波.過熱蒸汽溫度變化對鍋爐經(jīng)濟和安全影響研究.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題.鍋爐制造，2000,4:177-178</p><p>　　[3] 李永超.小波神經(jīng)網(wǎng)絡理論及其在過熱汽溫控制中的應用研究[M].太原理工大

62、學，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