采用改进混合粒子群算法的热工过程模型参数辨识

被引：3

作者：

陈真

王明春

张雨飞

机构：

[1] 东南大学能源与环境学院

来源：

发电设备 | 2017年 / 31卷 / 04期

关键词：

系统辨识; 粒子群算法; 遗传算法; 模拟退火算法;

D O I：

暂无

中图分类号：

TM62 [发电厂]; TP18 [人工智能理论];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

针对基本粒子群算法在求解过程中容易陷入局部最优解的问题,提出了一种基于遗传算法和模拟退火算法而改进的粒子群算法。引入遗传算法中的选择、杂交和变异,以及模拟退火机制的粒子群算法,在保持群体多样性的同时,提高全局搜索速度,并将改进的算法应用到热工过程模型参数的辨识,试验结果显示改进效果良好。

引用

页码：223 / 226

页数：4

共 11 条

[1]

大型循环流化床锅炉燃烧系统特性与建模研究 [D].

孙剑 .

华北电力大学（北京）,

2010

[2]

蚁群算法及其应用研究 [D].

杨剑峰 .

浙江大学,

2007

[3]

先进控制算法在热工控制中的关键问题研究 [J].

郝勇生 ;

于冲 ;

吴波 .

发电设备, 2013, 27 (02) :101-104

[4]

基于改进BP神经网络的风机故障诊断研究 [J].

米江 ;

纪国宜 .

发电设备, 2010, 24 (06) :430-434

[5]

基于粒子群算法的火电厂热工过程模型辨识 [J].

张洪涛 ;

胡红丽 ;

徐欣航 ;

刘永红 .

热力发电, 2010, 39 (05) :59-61+81

[6]

补偿递归模糊神经网络及在热工建模中的应用 [J].

吴波 ;

吴科 ;

吕剑虹 ;

向文国 .

东南大学学报(自然科学版), 2008, (04) :668-673

[7]

模糊量子遗传算法及其在热工过程模型辨识中的应用 [J].

焦嵩鸣 ;

韩璞 ;

黄宇 ;

李永玲 .

中国电机工程学报, 2007, (05) :87-92

[8]

采用模拟退火算法的Elman网络及在热工过程建模中的应用 [J].

张栾英 ;

李瑞欣 ;

秦志明 ;

谷俊杰 .

中国电机工程学报, 2005, (11) :90-94

[9]

粒子群优化算法在电力系统中的应用 [J].

袁晓辉 ;

王乘 ;

张勇传 ;

袁艳斌 .

电网技术, 2004, (19) :14-19

[10]

粒子群优化算法综述 [J].

杨维 ;

李歧强 .

中国工程科学, 2004, (05) :87-94

← 1 2 →