基于蚁群算法的热工系统模型辨识

被引:8
作者
韦根原
朱波
马磊
机构
[1] 华北电力大学河北省发电过程仿真与优化控制重点实验室
关键词
模型辨识; 蚁群算法; 热工系统;
D O I
暂无
中图分类号
TM621.4 [热力系统、热力网]; TP18 [人工智能理论];
学科分类号
080802 ; 081104 ; 0812 ; 0835 ; 1405 ;
摘要
被控对象的数学模型,对控制系统的设计和分析有着极为重要的意义。提出一种采用蚁群算法对热工系统的被控对象进行参数辨识的方法。蚁群算法是群体随机搜索算法,用于解决特定组合优化问题。蚁群算法本质上是一种模拟进化算法,结合了分布式计算、正反馈和贪婪式搜索算法,在搜索过程中不容易陷入局部最优,能在短时间内以较大概率发现最优解。为了验证算法有效性,应用matlab进行编程,对采集自某1000MW机组的实际运行数据进行模型辨识,并与实际运行结果进行对比证明了本方法的有效性。
引用
收藏
页码:154 / 156+236 +236
页数:4
相关论文
共 11 条
[1]  
蚁群算法的改进及仿真研究.[D].孔翔宇.西安电子科技大学.2010, 10
[2]  
改进的最小二乘算法在热工对象模型辨识中的研究及应用.[D].常敬涛.华北电力大学(河北).2010, 05
[3]  
基于图像序列的运动目标识别与跟踪方法研究.[D].张成.天津理工大学.2008, 03
[4]   GLBest-PSO算法在热工过程模型参数辨识中的应用 [J].
郝超 ;
徐志成 .
电工电能新技术, 2012, 31 (02) :79-82+87
[5]   一种新型的过程模型参数辨识方法 [J].
金建平 .
自动化技术与应用, 2012, 31 (01) :4-7
[6]   基于蚁群算法的PID参数优化 [J].
段海滨 ;
王道波 ;
黄向华 ;
朱家强 .
武汉大学学报(工学版), 2004, (05) :97-100
[7]   Inspiration for optimization from social insect behaviour [J].
Bonabeau, E ;
Dorigo, M ;
Theraulaz, G .
NATURE, 2000, 406 (6791) :39-42
[8]  
计算群体智能基础.[M].Andries P. Engelbrecht著.清华大学出版社.2009,
[9]  
计算群体智能基础.[M].(南非) 恩格尔伯里特 (Engelbrecht;A.P.) ; 著.清华大学出版社.2009,
[10]  
模式识别与智能计算.[M].杨淑莹; 著.电子工业出版社.2007,