火电厂热工过程先进控制技术
出版时间：2010年版
内容简介
《火电厂热工过程先进控制技术》分上、下两篇。上篇介绍基于控制器力学统一性的系统设计方法，把经典控制理论、现代控制理论与过程控制的工程实际需求相结合，研究了几种典型控制系统的改进设计和参数整定方法，并对其进行了力学统一性分析，《火电厂热工过程先进控制技术》设计的基于经典力学匀加速运动方程的系统状态观测器能够准确观测被控系统。下篇介绍热工过程计算智能方法及其应用研究，在传统神经网络算法的基础上，提出了神经网络的改进算法以及一种新型的动态递归网络；并把神经网络和混沌优化策略以及PSO算法相融合，提出了新型的基于神经网络的智能融合优化方法；针对标准遗传算法存在的问题，提出了改进的遗传算法，通过把模糊技术，量子计算引入遗传算法，提出了新型的模糊量子遗传算法；《火电厂热工过程先进控制技术》还设计了改进的蚁群优化算法；最后把计算智能应用于电厂热工系统，设计了基于智能计算方法的智能控制策略。《火电厂热工过程先进控制技术》不仅适合发电厂控制系统的工程师使用，也适合化工和其他行业的控制工程师阅读，还可供自动控制专业的高等院校师生、科研院所的科技人员阅读。
目录
序
前言
上篇 基于控制器力学统一性的系统设计方法
第1章 热工过程控制策略概述
1.1 概述
1.2 热工过程先进控制策略研究现状
1.2.1 改进的PID控制
1.2.2 预测控制
1.2.3 自适应控制
1.2.4 状态变量控制
1.2.5 热工过程控制的研究及存在的问题
第2章 基于时间尺度的PID参数整定和二阶系统参数辨识
2.1 基于时间尺度的PID控制器参数整定
2.1.1 系统的时间尺度
2.1.2 基于时间尺度的PID控制器参数整定
2.1.3 仿真研究
2.2 二阶系统参数辨识
2.2.1 线性时不变二阶系统描述
2.2.2 时变参数二阶系统及其参数辨识
2.3 本章小结
第3章 基于匀加速运动方程构建的系统状态观测器
3.1 卡尔曼滤波器
3.2 状态观测器
3.3 基于匀加速运动方程构建的系统状态观测器
3.3.1 理论推导
3.3.2 仿真研究
3.4 基于匀加速运动方程状态观测器构建的控制系统
3.4.1 控制系统设计
3.4.2 仿真研究
3.5 本章小结
第4章 大滞后控制系统的几种设计方法
4.1 确定性大时滞控制系统的两步整定方法
4.1.1 控制系统设计
4.1.2 仿真研究
4.2 时变大时滞控制系统的两种设计方法
4.2.1 纯滞后系统的Smith控制算法
4.2.2 史密斯预估控制系统的改进设计
4.2.3 基于极点配置的状态观测器及其控制系统
4.3 本章小结
第5章 几种典型控制器的动力学统一性分析及其设计改进
5.1 二阶系统通用控制器
5.1.1 通用控制器设计
5.1.2 仿真研究
5.2 鲁棒控制器
5.2.1 鲁棒控制系统概述
5.2.2 鲁棒控制器设计
5.2.3 仿真研究
5.2.4 鲁棒控制器动力学统一性分析
5.2.5 控制系统鲁棒性能进一步分析
5.3 PID控制器
5.3.1 PID控制器动力学统一性分析
5.3.2 非线性PID控制器设计
5.3.3 自适应（自校正）PID控制器设计
5.4 内模控制系统（IMC）
5.5 状态反馈控制
5.5.1 状态反馈控制的动力学统一性分析
5.5.2 仿真研究
5.6 预测控制（GPC／MPC）
5.6.1 预测控制的动力学统一性分析
5.6.2 仿真研究
5.7 本章小结
第6章 对非线性控制系统设计的探讨
6.1 引言
6.2 反馈线性化
6.3 系统间隙度和非线笥系统的优化控制
6.3.1 间隙度
6.3.2 间隙度的性质
6.3.3 仿真研究
6.4 本章小结
下篇 热工过程计算智能方法及其应用研究
第7章 计算智能概论
7.1 概述
7.2 计算智能在电厂热工系统中的应用
第8章 神经网络及其算法研究
8.1 BP神经网络及其改进算法
8.1.1 BP神经网络的拓扑结构及其学习算法
8.1.2 加入动量项的学习算法
8.1.3 RPROP——局部自适应的弹性更新值算法
8.2 RBF神经网络
8.2.1 RBF神经网络拓扑结构及其算法
8.2.2 OLS（Onhogonal Least Square）算法
8.3 CMAC神经网络
8.4 PID神经网络
8.4.1 PID神经网络的拓扑结构
8.4.2 PID神经网络拟合能力仿真试验
8.5 HIOCDRN动态递归神经网络及其在系统辨识中的应用
8.5.1 Elman神经网络
8.5.2 HIOCDRN神经网络
8.5.3 辨识仿真
8.6 本章小结
第9章 混沌和PSO算法研究及其与神经网络的混合应用
9.1 混沌优化策略
9.2 RPROP与混沌优化耦合算法
9.3 PSO算法
9.3.1 粒子群算法的生物模型
9.3.2 粒子群算法基本原理
9.3.3 标准粒子群算法流程
9.3.4 PSO算法的设计步骤
9.3.5 PSO与其他进化算法的比较
9.4 PSO算法改进策略
9.4.1 基本PSO算法性能分析
9.4.2 动态变量区间方法和重新启动策略
9.4.3 改进算法性能测试
9.4.4 改进PSO算法优化主汽温控制系统PID控制器参数
9.5 基于PSO的RBF神经网络在热工系统辨识中的应用
9.5.1 PSO算法中的非线性惯性因子递减策略
9.5.2 辨识原理分析
9.5.3 热工对象辨识仿真实验
9.6 本章小结
第10章 模糊量子遗传算法
10.1 标准遗传算法
10.1.1 遗传算法的概念
10.1.2 遗传算法过程
10.1.3 遗传算法中的编码
10.1.4 遗传算法中的适应度函数设计
10.1.5 遗传操作算子
10.2 改进的自适应遗传算法
10.3 模糊量子遗传算法
10.3.1 量子计算及量子编码
10.3.2 基于模糊规则调整的量子旋转门
10.3.3 模糊量子遗传算法在热工过程辨识中的应用
10.4 本章小结
第11章 计算智能在热工控制系统中的应用研究
11.1 单神经元神经网络控制器
11.1.1 单神经元神经网络控制器原理及算法
11.1.2 单神经元自适应控制器在DCS中的实现
11.2 基于神经网络的内模控制
11.3 神经网络预测控制
11.4 基于PID神经网络的干扰观测器设计
11.4.1 干扰观测器设计原理
11.4.2 基于PID神经网络逆模型的干扰观测器
11.5 一种基于神经网络和遗传算法的锅炉燃烧优化方法
11.5.1 锅炉燃烧送风控制系统及优化方案
11.5.2 锅炉燃烧过程建模
11.5.3 遗传算法寻优
11.5.4 仿真实验
11.6本章小结
第12章 蚁群优化算法及其在热工控制系统中的应用
12.1 关于蚁群优化算法
12.1.1 概述
12.1.2 国内外研究动态
12.1.3 本章内容
12.1.4 基本蚁群算法及其特点
12.1.5 基本蚁群算法流程
12.1.6 基本蚁群算法的优点与不足
12.1.7 本节小结
12.2 具有分工特征的蚁群算法
12.2.1 算法的启发思想
12.2.2 连续空间中变量编码规则
12.2.3 三维坐标信息素体系
12.2.4 人工蚂蚁的行为
12.2.5 具有分工特征的蚁群算法模型
12.2.6 晋级组蚁群与工蚁群工作流程
12.2.7 具有分工特征的蚁群算法流程
12.2.8 仿真算例
12.2.9 本节小结
12.3 基于具有分工特征的蚁群算法的热工过程辨识
12.3.1 过程辨识的步骤和方法
12.3.2 基于具有分工特征的算法的热工过程辨识
12.3.3 过程辨识方案设计
12.3.4 仿真与应用研究
12.4 基于具有分工特征的蚁群算法的控制器参数优化
12.4.1 PID控制器参数整定的研究状况
12.4.2 基于具有分工特征的蚁群算法的PID参数优化整定
12.4.3 应用研究
12.4.4 串级PID控制器参数整定
12.5 本章小结
附录1 KPAACP优化在汽包水位系统中的应用
附录2 300MW火电机组再热汽温调节
致谢
参考文献
