学位论文 > 优秀研究生学位论文题录展示

火电厂厂级监控信息系统（SIS）建模、实现及人工智能的应用研究

作　者: 余廷芳
导　师: 林中达
学　校: 东南大学
专　业: 热能工程
关键词: 人工智能神经网络遗传算法 SIS 功能模块建模 COM SOM 部分解约束
分类号: TM769
类　型: 博士论文
年　份: 2004年
下　载: 781次
引　用: 8次
阅　读: 论文下载

内容摘要

为提高我国火电厂生产管理水平和整体经济效益,火电厂厂级监控信息系统(SIS)的出现成为必然,与SIS系统相关的各类问题已成为一类热门研究课题。因火电厂各研究对象的复杂性、非线性、各参数间耦合关系的复杂,在火电厂SIS系统功能模块的开发、建模上存在模型不准确、甚至难以建模的问题。本文以SIS系统中高级应用软件“机组性能在线监测与能损分析系统”和“全厂机组负荷优化分配系统”的开发为例,系统介绍了传统建模方法在解决火电厂机组性能计算、运行参数基准值和能损偏差分析等模型的建立方法,分析了这些方法的优缺点、适应对象和局限性。针对传统方法在SIS系统功能模块建模中存在的问题,我们首次采用以神经网络和遗传算法为代表的人工智能建模方法,在火电厂运行参数基准值的确定和能损偏差计算及带约束的优化问题的建模上引入人工智能的建模方法,同时为人工智能建模方法在SIS系统功能模块建模应用实现细节中存在的问题、解决方案作了详细的介绍。首次采用自组织映射网络(SOM)结合BP神经网络方法建立了汽轮机功率模型,采用SOM网络的聚类功能,解决了传统样本提取方法正交性和完备性差的局限性。仿真结果表明该模型的预测计算结果与实际数据误差在1.5%之内,大部分误差不超1%。利用该模型和循环水系统功耗模型可确定不同工况下的真空运行最优值,为凝汽器真空运行最优值(基准值)的确定提供了一个全新的方法,同时利用该模型计算几个主参数偏离基准值的能损偏差,同传统的运行参数基准值模型和能损偏差分析方法相比,该模型具有明确的设备针对性。在遗传算法应用于火电厂机组负荷优化分配问题中,首次提出部分解约束结合惩罚函数的改进实数遗传算法,在约束条件的处理、变异策略、初始化等多方面针对该问题的特点对实数遗传算法提出了新的改进思想,解决了遗传算法应用于多峰值优化问题中因早熟而收敛于局部极值点的难题,对5台机组的火电厂机组负荷优化分配的仿真表明优化成功率能达到100%; 并首次全面分析了遗传算法各操作参数(遗传代数、交叉概率、变异概率、惩罚系数和选择压力)对优化效果的影响,为这类优化问题中遗传操作参数的选择提供一定的参考依据。在SIS系统高级应用软件的开发过程中,针对电厂厂级监控信息系统(SIS)的特点要求,利用COM软件思想开发了热力系统各通用模块组件模型和通用热力系统模型组件,能自动根据组态软件产生的不同机组热力系统结构,构成热力系统对象实例,组件对象间通过接口通信传递能流和质流信息,在线计算并监测电厂热力系统各经济性能和能损。并以回热加热器和整体热力系统为例介绍了热力系统组件对象模型的开发方法,COM思想大大提高了SIS软件模块通用性、灵活性、重用性和可扩展性。

全文目录

摘要  3-4
Abstract  4-9
第一章、绪论  9-16
  1.1 课题背景和意义  9-10
  1.2 国内外研究动态  10-16
    1.2.1 SIS 系统研究发展动态  10-11
    1.2.2 人工智能的发展及其在电厂中的应用与现状  11-16
第二章、SIS 系统体系结构分析及功能模块分析  16-28
  2.1 引言  16
  2.2 国外提出的一些较先进的一体化体系结构模型介绍  16-19
    2.2.1 ABB 公司的一体化模式  16-17
    2.2.2 西门子公司的一体化模式  17-18
    2.2.3 Honeywell 公司的一体化模式  18-19
    2.2.4 Foxboro 公司的一体化模式  19
  2.3 SIS 系统的概念、面向对象及体系结构  19-25
    2.3.1 SIS 系统的概念  20-21
    2.3.2 SIS 系统的组成  21-22
    2.3.3 SIS 系统的主要功能  22-24
    2.3.4 理想的SIS 的体系结构  24-25
  2.4 本章小节  25-26
  参考文献  26-28
第三章、SIS 系统功能模块模型库的建立  28-47
  3.1 火电厂“机组性能在线监测与能损分析系统”模型库的建立  28-32
    3.1.1 回热子系统  28-31
    3.1.2 汽轮机模块模型  31
    3.1.3 锅炉效率数学模型  31-32
    3.1.4 汽轮机排汽焓和湿蒸汽区抽汽点焓的确定  32
  3.2 火电厂运行参数基准值模型  32-37
    3.2.1 主要运行参数的基准值  33
    3.2.2 加热器端差运行基准值  33-35
    3.2.3 抽汽压损和再热蒸汽管道压损运行基准值  35
    3.2.4 人工智能方法求取运行参数基准值  35-37
  3.3 能损偏差计算模型  37-41
    3.3.1 热力学方法  37-38
    3.3.2 利用制造厂提供的修正曲线资料  38-39
    3.3.3 利用成熟的经验公式或理论公式  39-40
    3.3.4 人工智能方法确定能损偏差  40-41
  3.4 组件对象(COM)技术在电厂SIS 系统模型开发实现中的应用研究  41-45
    3.4.1 组件对象模型(COM)简介  41-42
    3.4.2 加热器组件对象模型  42
    3.4.3 辅汽系统组件对象模型  42-43
    3.4.4 热力系统组件对象模型  43-44
    3.4.5 应用实例  44-45
  3.5 本章小节  45-46
  参考文献  46-47
第四章、人工神经网络在电厂SIS 系统功能模块建模中的应用研究  47-66
  4.1 引言  47
  4.2 神经网络模型简介  47-53
    4.2.1 BP 神经网络模型简介  48-51
    4.2.2 自组织特征映射神经网络  51-53
  4.3 汽轮机功率神经网络模型的建立及其应用  53-60
    4.3.1 神经网络汽轮机功率模型的建立  53-55
    4.3.2 神经网络模型的仿真结果与分析  55-57
    4.3.3 汽轮机功率随各主要参数的变化  57-60
  4.4 汽轮机功率神经网络模型的应用  60-64
    4.4.1 用于计算主要运行参数偏离最优值的能损偏差  60-61
    4.4.2 用于求取凝汽器真空运行最优值  61-62
    4.4.3 遗传算法配合神经网络模型建立求凝汽器运行真空最优值的模型  62-64
  4.5 本章小节  64-65
  参考文献  65-66
第五章、遗传算法在电厂SIS 系统优化问题中的应用研究  66-88
  5.1 引言  66-67
  5.2 遗传算法  67-70
    5.2.1 遗传算法简述  67-68
    5.2.2 实数编码遗传算法  68-70
    5.2.3 目前已有的遗传算法解约束优化问题的处理约束方法  70
  5.3 火电厂机组负荷优化分配遗传算法模型  70-79
    5.3.1 火电厂机组负荷优化分配数学模型  71-72
    5.3.2 机组负荷优化分配问题实数遗传算法具体实现  72-74
    5.3.3 纯惩罚函数遗传算法机组负荷优化分配计算实例及存在问题分析  74-77
    5.3.4 部分解约束结合惩罚函数的改进遗传算法  77-79
  5.4 各操作参数对遗传算法优化效果的影响  79-84
    5.4.1 遗传代数的影响  79-80
    5.4.2 种群大小的变化对遗传算法效果的影响  80-81
    5.4.3 交叉概率的影响  81
    5.4.4 变异概率的影响  81-82
    5.4.5 惩罚系数的影响  82-83
    5.4.6 选择压力的影响  83-84
  5.5 本章小节  84-86
  参考文献  86-88
第六章、结论与展望  88-91
  6.1 课题工作与成果  88-89
  6.2 展望  89-91
致谢  91-92
攻读博士学位期间发表论文  92

火电厂厂级监控信息系统（SIS）建模、实现及人工智能的应用研究

内容摘要

全文目录

相似论文