智能化技术在热工系统建模中的应用

智能化技术在热工系统建模中的应用内容摘要：

A)、进化编程(EP)等构成的进化计算 (EC)是近年来发展很快、很有前途的一种优化计算 ,它借助于生物进化的优胜劣汰原则 ,从空间的一群点 开始搜索 ,不断进化以求得最优解。 它还具有强鲁棒性 ,且不易陷入局部解 ,为系统辨识问题的解决提供了一条新的途径。 因而我们可以用进化计算来解决系统辨识问题 [12].文 [13]讨论了 基于遗传算法的火电厂热工过程模型辨识 ， 将遗传算法引入热工对象模型辨识，设计了一种快速的遗传算法，仿真研究表明， 所提出的 改进遗传算法是一种简单易行的辨识方法，在各种输入信号下，都能得到了令人满意的辨识结果。 文[14]将一种改进的基于实数编码的自适应遗传算法应用于热工对象的系统辨识 ， 克服了多项式模型存在参数取值范围难以确定的问题 ,使模型辨识 能适用于高阶系统 ,并具有较高的辨识精度。 同时避免了传统的热工对象辨识方法通用性差、条件要求严格、数学计算复杂等问题。 随着遗传算法的发展， 一些新的 遗传算法 将被提出， 在热工系统辨识中的应用 也 将越来越广泛。 基于模糊逻辑的系统 建模 模糊建模的概念首先是由 Zadeh 于 1973 年提出的，它是一种本质非线性模型，适于表达复杂系统的动态特性。 自从 20世纪 60 年代以来，研究者已经提出了许多动态系统的辨识方法，但总的来说，系统辨识无论在理论上还是实际应用中，远没有达到完善的程度，对于非线性时变动态系统的辨识，是实际 中经常遇到的困难，目前常用的有两种方法 :一是用多个线性模型在平衡点附近近似描述非线性系统，这对于有严重非线性的系统如何做到平稳切换、减小系统误差仍然缺乏有效地方法。 二是根据被控对象己知的信息，选择与之相近的非线性数学模型，显然有局限性。 因此模糊模型辨识方法，被认为是解决此类问题的一种可行方法 模糊算法 建模 原理 模糊集合理论和模糊逻辑的概念应用在系统建模中有许多方式，如模糊系统是基于模糊规则的系统，模糊线性回归模型，或采用细胞结构的模糊模型。 应用最广泛的是基于模糊规则的系统，即系统变量之间的关系是 通过模糊 IFTHEN 规则描述的。 基于模糊规则的系统也可称为模糊推理系统、模糊模型或模糊组合存储器。 基于模糊规则的系统基本是由四部分组成 :模糊化接口、知识库、模糊逻辑推理和解模糊接口。 基于模糊规则的系统的基本结构如图 2 所示。 模糊化接口是完成将输入变量变成模糊单一值的一种映射。 知识库由数据库和规则库组成模糊逻辑推理是基于模糊规则系统的中心。 解模糊接口是完成从模糊输出到非模糊输出的一种映射。 图 2 基于模糊规则的系统的基本结构图 模糊算法用于辨识 的特点 及其在热工过程中的应用 与传 统的 辨识 算法相比， 模糊 算法主要有以下 优越性： 1)能有效地辨识复杂和病态结构的系统。 2)能够有效地辨识具有大时延、时变、多输入多输出的非线性系统。 3)可以辨识性能优越的人类控制器。 4)可得到被控对象的定性与定量相结合的模型。 模糊模型在模糊辨识方法中是很重要的，它是模糊辨识理论建立的硬件基础，没有模糊模型也就没有模糊辨识理论。 模糊模型已经被证明在非线性动力系统建模、基于规则的学习控制和模式识别中到了很大作用。 因此，无论从模糊控制理论研究方面来看，还 起 是从仿真技术发展来看，以及模糊逻辑相关理论的发展来看 ，模糊辨识建模理论方法都具有重要的理论和实际意义，它不仅极大丰富了辨识理论方法，推动了辨识理论的发展，而且有力地推动了模糊控制理论和仿真非模糊输入 模糊化接口 知识库 数据库 规则库 模糊逻辑推理 解模糊接口 非模糊输出 技术的发展。 也正是在模糊控制理论、仿真技术理论和模糊逻辑相关理论快速发展及其它们在实际工程中大量应用的背景下，模糊辨识建模理论方法得到较快的发展，并成为解决复杂、不确定、非线性系统建模和控制的有效方法，因此，成为许多学者研究的热门课题。 近年来模糊逻辑理论在非线性系统辨识领域中得到广泛的应用 ,用模糊集合理论 ,从系统输入和输出量测值来辨识系统的模糊模型 ,也是系统辨识的又一有效 途径。 模糊逻辑建模方法的主要内容可分为两个层次 ,一是模型结构的辨识 ,另一个是模型参数的估计。 TS 模型[15,16]是以局部线性化为出发点 ,具有结构简单、逼近能力强的特点 ,已成为模糊辨识中的常用模型 ,而在 TS 模型的基础上又形成了一些新的辨识方法 [17,18]。 模糊辨识的优越性表现为 :能有效地辨识复杂和病态结构的系统。 能有效地辨识具有大时延、时变、多输入单 输出的非线性系统。 可以辨识性能优良的人类控制器。 可得到被控对象的定性与定量相结合的模型。 另外还有一些把模糊理论与神经网络、遗传算法等结合形成的辨识方法 [19,20,21]。 模糊树模型 (FT模型 )[22]是利用二叉树结构描述输入空间模糊划分的模糊建模方法 ,它既克服了模糊建模中输入空间划分的复杂性 ,又使得分段函数在相交处平滑过渡 ,因而能更好地逼近复杂系统。 其主要特点是建模精度高、计算量小。 基于 蚁群 算法 的系统 建模 蚁群优化 (ACO)算法是 Dorigo等学者于 20世纪 90年代初提出的[23],是模拟自然界中蚁群的觅食行为而形成的 — 种模拟进化算法 .该算法所定义的问题求解模式能够将问题求解的快速性、全局优化特征及有限时间内答案的合理性结合起来 , 在求解组合 优化问题方面表现出突出的优越性。 蚁群算法建模 原理 第 1 步 . 将蚁群在解空间内按照一定方式作初始分布。 这里需要根据问题定义域的大小 ,即被辨识系统参数的可能范围的大小 ,决定合适的蚁群规模。 第 2 步 . 根据蚁群所处解空间位置的优劣 ,决定当前蚁群的信息量分布 . 这里蚁群信息量分布函数的定义要与各单蚁当前所处解空间位置针对参数辨识正确性的优劣相关 . 第 3 步 . 根据当前蚁群散布的总信息量分布情况和上一循环过程中信息量的遗留和挥发情况 ,决定各子区间内应有的蚁数分布 . 第 4 步 . 根据各子区间内应有的蚁群 分布状况和当前蚁群分布状况之间的差别 ,决定蚁群的移动方向 ,并加以移动 . 蚁群算法用于辨识 的特点 及其在热工过程中的应用 蚁群算法是一种求解组合最优化问题的新型通用启发式方法，该方法具有正反馈、分布式计算和富于建设性的启发式搜索的特点。 在求解组合优化和 数据的特征聚类方面取得了良好的 应用 ， 但是 经典蚁群算法只能用于解决特定组合优化问题 ， 算法搜索时间长、容易陷入局部最优解等。 通过相关的研究工作 ,蚁群 算法目前已在最初模型的基础上得到了改进和扩展 ,并被应用于包括机器人系统、图象处理、制造系统、车辆路径规划、通 讯系统、工程设计 ,以及电力系统 、热工系统 在内的多种应用场合。 文 [24]讨论了 蚁群算法在热工过程系统辨识中的应用 ， 针对基本蚁群算法在寻优过程中容易出现停滞现象的问题 ,提出在。