基于新型混沌混合优化算法的非线性负荷控制研究

火电厂负荷控制系统是一个相对复杂的非线性、多变量的控制系统。随着现代控制理论的发展,众多控制策略都在尝试解决此类控制问题。众所周知,许多控制决策问题都可归结为结构或者参数的优化问题,因此,研究先进控制策略和新型的优化技术已成为解决该类控制问题的关键。 工程优化问题大都需要一定的优化算法来求解,混沌优化算法由于具有全局优化的特点,已经成为国内外关注的前沿课题和学术热点。本论文从改进传统混沌优化算法出发,研究了新型的混沌映射系统,提出两种新型的混沌混合优化算法,并将其与先进控制策略相结合,应用到火电机组的非线性负荷控制系统中,从而揭示了混沌理论具有广阔的工程应用前景。本文主要开展了以下研究工作: 1.改进的优化算法研究: 研究了几种新型混沌映射系统。数值分析和仿真计算表明,基于Skew Tent等映射的混沌系统比基于Logistic映射的混沌系统具备更高的搜索效率和精度。 研究了两种新型的混沌混合优化算法:混沌优化与模式搜索结合的混合算法和混沌粒子群优化算法,提出了一些改进措施。前者主要解决了混沌优化算法细搜索能力不足的问题。后者解决了在大空间多变量函数优化中的问题。 2.优化技术在非线性负荷控制系统中的应用: 首先,针对单元机组非线性负荷系统的控制问题,将神经网络辨识、混沌优化和预测控制思想有机结合,提出一种新型非线性预测控制器的设计方法。采用基于Skew Tent映射的混沌优化和模式搜索结合的混合优化算法实现了非线性预测控制中的滚动优化问题的求解,获得了满意的控制效果。 然后,针对汽轮机调节系统存在死区等非线性特征的控制特点,以及由于电网峰谷差增大,控制器参数需要经常调整的问题,提出一种基于混沌粒子群的RBF-PID控制策略,仿真结果表明,系统动态品质优于通常PID控制,并且具有自学习能力,增强了系统对不确定因素的适应性。 最后,基于混沌粒子群训练的神经网络反馈线性化控制原理,对单机无穷大系统进行控制,得到原动机输出转矩的控制律,为汽轮机调节系统提供了输入参考值。