一、基于度量的软件项目过程优化控制研究(论文文献综述)
高学伟[1](2021)在《数字孪生建模方法及其在热力系统优化运行中的应用研究》文中进行了进一步梳理随着社会经济的飞速发展,我国产业结构优化调整和转型升级进程的深入,要实现未来“碳达峰,碳中和”的目标,需要建设清洁低碳、安全高效的现代能源体系。以风电和太阳能发电为代表的可再生能源替代作用日益突显,而火电机组在未来很长一段时间内仍将处于主导地位。亟需解决火电和可再生能源的协同发展问题,大型火电机组更多需要担负起高效节能、低碳环保、深度调频调峰的任务。实施电能替代供热对于推动能源消费革命、减少碳排放、促进能源清洁化意义重大。利用电锅炉储热供暖还可以降低电网调节压力,增加供热能力,有效解决可再生能源的消纳问题。火电机组热力系统和电锅炉储热供暖热力系统都属于典型的非线性、多参数、强耦合的复杂热力系统。本文通过研究流体网络机理建模和数据驱动建模相融合的数字孪生建模方法,为热力系统建模工作提供了新的思路和途径,为热力系统安全、环保和经济运行提供理论支撑。论文围绕数字孪生建模方法及其在热力系统优化运行中的应用,主要研究内容和成果包括以下几个方面:(1)对数字孪生理论、热力系统建模理论以及大数据处理等基本理论进行了研究。比较了数字孪生与仿真技术及信息物理系统的异同;以火力发电厂为例,研究了流体网络机理建模及求解方法;对Hadoop系统的MapReduce与Spark计算进行了对比分析,对实时数据处理Spark Streaming与Storm进行了对比分析,并搭建了适用于数字孪生及大数据在热力系统建模领域应用的大数据分布式集群平台;在该集群上实现了大数据的存储管理,以及大数据分布式计算,研究了基于大数据平台的数据驱动建模理论,包括支持向量回归建模、极限学习机建模、智能辨识优化算法以及即时学习等基本理论。(2)针对数据驱动建模方法的研究,提出一套基于改进即时学习策略的自适应数据驱动建模方法。采用“主成分+互信息”的方法获得输入和输出变量之间的相关程度,确定权重因子,然后利用“欧式距离+角度”定义一种加权综合相似度度量函数。在离线状态下,利用改进遗传模拟退火模糊聚类方法进行工况划分;进行工况预测时,采用一种多层次综合相似度度量的相似工况快速识别方法构建相似工况训练集,即根据两级搜索的策略实现了在线快速识别:初级识别是确定预测工况在历史工况库中所属的类别提取预测类工况,次级识别是采取基于综合相似度度量函数的相似工况识别方法,在历史数据库中针对预测类工况的快速识别;局部模型建模方法是在Spark计算框架下,对SparkSVMHPSO算法、Spark ELM算法以及基于SparkHPSO的多参数辨识等数据驱动建模方法进行研究。然后以SCR脱硝系统出口 NOx预测、电锅炉储热供热系统源侧及荷测负荷预测为案例,验证了所提出的建模方法有效性。为热力系统数字孪生模型建模及系统工况优化提供了理论支撑。(3)针对数据孪生建模的研究,提出一套改进即时学习策略的自适应数据驱动与机理模型多参数辨识协同融合的数字孪生建模方法。在建立热力系统机理模型的基础上,关键的设备模型参数利用多参数多工况拟合的离线智能辨识方法,得到可以模拟实际系统全工况下动态变化趋势的离线智能参数辨识模型;以离线智能参数孪生模型为主,根据相似度阈值进行判断,采用自适应模型参数更新策略,实现数字孪生模型的在线协同;为进一步提升孪生模型预测的精度和鲁棒性,采用移动窗格信息熵的多模型输出在线融合方法,提升关键工况以及动态变化过程的逼近程度。基于这一理论构建的数字孪生模型,能够基于系统运行数据持续进行自我修正,在线跟踪设备运行特性,从而具有自适应、自演进的智能化特点,能够全面反映系统的运行状态和性能,为系统工况迭代优化提供可靠的模型输入和结果校验工具。以燃煤电站SCR脱硝系统和电锅炉储热供热系统为研究对象,建立其热力系统数字孪生模型。(4)最后,基于数字孪生模型的实时跟踪能力,提出一种基于负荷分配和工况寻优的热力系统智能工况动态寻优策略。并以电锅炉储热供热系统为研究对象,根据能耗成本分析和负荷分配策略,利用数字孪生模型系统,对电网负荷、电锅炉系统、储热系统进行预测计算,模拟不同运行方案、不同工况下系统动态运行,得出最优的供热调节和负荷分配方案。以火力发电厂SCR脱硝系统为例,根据建立的自适应、自演进的智能化SCR脱硝系统数字孪生模型,将该模型应用于模型预测控制算法中。结果表明,利用基于数字孪生模型的自适应预测控制算法比传统的PID控制效果更精确,运行更稳定。证明了所提建模方法的有效性,具有重要的工程实用意义和行业示范价值。
柯仲祥[2](2021)在《污水处理过程中出水水质预测及多目标优化控制》文中研究表明污水处理过程存在非线性、大滞后、强耦合等特点,出水水质难以及时测量,导致大多数污水处理厂控制不及时,污水处理效率低下。为使出水水质达标,往往通过加大曝气量等措施来提高出水水质质量,但这些措施又会导致污水处理过程电能消耗严重。因此,本文以长沙某污水处理厂实际项目为背景,研究智能优化控制算法对污水处理过程中的控制变量加以优化,以达到出水水质和能耗间的平衡。针对污水出水水质在线监测困难的问题,为及时获取出水水质反馈,本文以进水水质相关参数为辅助变量,利用支持向量机(SVM)对出水氨氮和出水总氮进行预测。通过改进粒子群算法(IPSO)优化SVM参数,并结合遗传算法(GA)的交叉及变异理念,最终建立基于IPSO-GA-SVM的出水氨氮和出水总氮的预测模型。仿真表明,IPSO-GA-SVM模型优于PSO-SVM和IPSO-SVM模型,具有良好的预测精度。曝气过程溶解氧(DO)浓度及缺氧池中硝态氮(NO)浓度是影响污水处理过程电能消耗的重要因素。在预测出水水质的基础上,为降低系统的能耗,本文提出改进的多目标粒子群算法(IMOPSO),以出水水质和能耗为优化目标,以溶解氧浓度和硝态氮浓度为控制变量,在保证出水水质达标的情况下,降低污水处理运行能耗。为提高优化效果,以1小时为一个优化周期,并将优化值作为底层PID控制器的设定值,实现溶解氧与硝态氮的跟踪控制。根据实际污水厂的工艺流程及控制要求,分析控制系统的需求,设计基于三层网络的PLC控制系统。在完成硬件配置、上位机组态及控制程序编写后,利用OPC技术建立MATLAB控制优化站和Wincc之间的通讯,实现基于IMOPSO优化的DO和NO设定值的现场投运。现场投运效果表明,动态设定值调整策略能够使污水处理过程的能耗降低。
宋一平[3](2020)在《集中空调冷水系统全面优化运行研究》文中认为目前,我国公共建筑多采用集中空调冷水系统来进行室内的温湿度控制。在这类公共建筑物中,空调系统能耗占建筑总能耗的比例很大,而其中的供冷水系统能耗又是空调系统能耗的主要组成部分。采用优化运行的方式降低其能耗,一直都是节能领域的热点课题,其中不乏对系统中冷水机组和水泵等各设备的优化运行研究。然而,系统中各设备在进行自身的优化运行时,相互间的耦合作用会对总体节能效果产生影响,只有考虑系统的全面优化,才能获得最佳的节能效果。在公共建筑中采用的水冷式集中空调冷水系统中,双冷水机组及双泵的一级泵系统是最基本的形式,也是应用非常广泛的形式,本论文以此为研究对象。通过对冷水机组等设备局部优化、冷冻水和冷却水子系统各自全局优化直至供冷水系统全面优化的研究,揭示了集中空调冷水系统各设备能耗的影响因素,水系统全面优化与各子系统全局优化、设备局部优化的节能效果以及系统的节能重点所在。将水泵、电机和变频器组合成一个整体,定义为变频水泵机组。从变频水泵机组运行原理着手,分析其运行特点,推导出变频水泵机组流量比与频率比的一次函数特征方程、扬程比与频率比的二次函数特征方程以及功率比与频率比的三次函数特征方程。为验证以上三个特征方程形式的准确性,在哈尔滨工业大学暖通实验室内搭建了空调水系统多功能水力工况实验平台进行验证。该实验平台既可进行水泵及水泵机组单设备的性能试验,也可进行一级泵闭式水系统的水力工况试验,并通过相应转换,还可在同一平台上进行开式水系统的实验研究。经该实验平台验证,变频水泵机组的三个特征方程形式准确,且其计算精度高于目前常用的三组水泵相似定律方程。冷水机组是集中空调冷水系统耗能最大的设备,分析发现,冷冻水供水温度、冷却水入口温度及部分负荷率是影响螺杆式冷水机组性能系数的三大因素。本文采用回归分析法,建立了双变水温的冷水机组性能系数(COP)模型,其适用于变冷冻水供水温度及变冷却水入口温度情况下的螺杆冷水机组COP性能预测模型,该模型特别适用于不同的冷冻水入口温度情况下,随着部分负荷率降低,其功率降低趋势一致的螺杆冷水机组。通过样本数据对模型进行验证,并与经典GN模型进行对比,表明该螺杆式冷水机组能耗数学模型具有更高的精度。以集中空调冷水一级泵系统为基础建立冷冻水子系统物理模型,以定流量运行模式作为基准运行模式,建立以最小能耗为目标函数的变流量冷冻水子系统全年能耗数学模型。分析发现,影响冷冻水子系统运行能耗的主要因素为冷冻水供水温度及冷水机组运行台数、水泵机组的定变频模式及运行台数。在冷冻水子系统的全局优化时,由于冷水机组与冷冻水泵机组的耦合作用,冷水机组相对于系统节能率为2.44%,低于仅采用冷水机组局部优化运行的3.84%;水泵机组相对于系统节能率平均值为5.26%,低于仅采用水泵机组局部优化运行的5.88%;但此时系统的优化效果最好,节能率平均值为7.70%。采用与冷冻水子系统优化相同的方法进行冷却水子系统的优化,分析发现,在冷却水子系统中,影响其运行能耗的主要因素为冷水机组运行台数、水泵机组的定变频模式及运行台数、冷却塔的运行模式及运行台数。在给定的冷水机组冷却水入口温度情况下,冷却水子系统各设备之间运行不存在耦合现象,即设备的局部优化节能率即等于冷却水子系统整体优化中各设备的节能率。水泵机组相对于系统节能率为12.32%,冷却塔为4.91%,此时系统的整体优化节能率为17.23%。仍以集中空调冷水一级泵系统为基础,结合冷冻水和冷却水子系统物理模型,建立以最小能耗为目标函数全面优化数学模型。结果发现,在集中空调冷水系统全面优化运行时,冷冻水子系统相对于全系统的节能率与冷冻水子系统全局优化运行的结果相同,平均值均为6.84%;冷却水子系统相对于全系统的节能率为2.02%,高于仅采用冷却水子系统全局优化运行的1.94%,差别不大;全系统的全面优化效果最好,节能率平均值为8.86%,高于冷冻水子系统全局优化节能率和冷却水子系统全局优化节能率之和。本文所提出的基于年节能性系统全面优化思想,所建立的集中空调供冷水系统节能全面优化数学模型,除可进行双冷机双泵的供冷水系统节能全面优化外,也可以作为多机多泵等后续复杂的系统优化的基础。
汪凯文[4](2020)在《基于负荷预测的酒店中央空调水系统运行优化方法及其应用研究》文中认为高端酒店中央空调系统能耗占其运行阶段总能耗的30%~40%,空调系统运行策略优化是酒店节能减支的重要措施。随着数据挖掘技术在空调节能领域的应用,探索基于数据挖掘的中央空调系统运行策略优化方法及其应用成为酒店节能的重要课题。本文基于某四星级酒店能源管理系统数据,对酒店空调系统运行负荷进行预测,并对空调水系统设备的运行策略进行优化,主要内容如下:首先,提出基于数据预处理与支持向量回归(SVR)的空调系统运行负荷预测方法。其中,数据预处理流程包括输入参数选取、数据清理、数据集成、数据降维和数据变换。以预处理结果中训练集、测试集数据为输入参数,采用网格搜索与10层交叉验证对RBF核函数的核参数进行寻优,建立酒店空调系统运行负荷预测的黑箱模型。引入均方根误差RMSE、拟合优度R2和计算时间T对模型的预测精度、泛化性能以及计算成本进行评价。此外,本文对比分析了数据预处理过程中是否采用主成分分析法(PCA)进行输入参数降维对负荷预测结果的影响。训练集与测试集的预测结果表明负荷预测模型的预测精度较高,泛化性能较好;采用PCA法进行数据降维可以降低计算成本,但会降低负荷预测精度。本文提出的基于数据挖掘的空调系统负荷预测方法具有可行性,逐时负荷的预测结果为空调水系统设备运行策略优化奠定基础。其次,采用机理与辨识相结合的方法,建立了冷水机组与变频水泵能耗的灰箱数学模型以及冷却塔风机能耗的机理模型。其中,冷水机组能耗模型是由冷机冷却水进水温度与冷冻水出水温度温差以及制冷量构成的二元函数;变频水泵能耗模型是由系统流量构成的一元函数;冷却塔风机能耗是由风机开启数量构成的一元函数。基于设备历史运行数据与现场实测数据,采用最小二乘法对冷水机组、冷冻水泵和冷却水泵能耗灰箱模型中的未知参数进行辨识,拟合结果能较好反映工程实际。然后,基于设备能耗模型对各设备节能特性进行分析。根据工程实际,对部分负荷下各设备节能特性与运行策略进行定性和定量分析,结果表明:部分负荷时降低冷机冷却水进水温度或提高冷水出水温度均能提高冷机COP,增幅分别为7.55%~29.90%和4.75%~25.52%;并联水泵调速策略中同步调速能耗最低,较阀门节流调速节能21.76%,“一定一变策略”会导致冷冻水泵过载;冷却塔的冷却效率随室外空气湿球温度和风水比的升高而升高,当湿球温度高于28℃时继续增大风水比对冷却效率影响不大。最后,构建能耗优化函数实现酒店空调水系统运行策略的优化。在酒店空调系统负荷预测结果与设备能耗数学模型基础上,建立中央空调水系统能耗优化函数,并以水系统运行过程总能耗最低为优化目标、以各模型参数的变化范围和设备间换热过程为约束条件,对酒店水系统单日逐时及不同负荷率下的设备运行策略进行优化。相较历史运行数据,优化后单日水系统总能耗降低12.11%,冷水机组COP与水系统EER的均值分别提升7.64%和10.67%;不同负荷率下水系统的能耗平均下降12.40%,冷水机组COP与水系统EER的均值分别提升7.85%和15.28%,优化结果验证了本文提出的基于负荷预测的空调水系统优化控制策略具有可行性,在实际酒店节能运行中具有较高的应用价值。
郑蓉建[5](2020)在《谷氨酸发酵过程的软测量建模研究》文中认为生物产业(含发酵食品、发酵化学品、发酵医药品、发酵能源等)是国民经济的支柱产业,广泛应用于食品、饲料、医药和化工等领域。谷氨酸是世界上产量最大的氨基酸,主要通过发酵生产。在发酵过程中,重要生化参数(如菌体浓度、基质浓度、产物浓度等)的实时获取,对于过程的控制与优化具有十分重要的意义。然而发酵过程具有强烈非线性、时变性、强耦合等特征,关键生化参数无法在线检测,目前生产中大都采用实验室取样分析方法来得到。为此,软测量技术通过建立过程在线易测辅助变量与难测主导变量(重要生化参数)之间的数学模型,来实现对发酵过程重要生化参数的预测估计,是解决上述问题的有效途径。在过去几十年里,软测量技术已经成为过程控制领域的研究热点,并在工业过程中得到广泛应用。本课题来源于国家自然科学基金面上项目(项目编号61273131)“生物反应过程的在线支持向量机建模与优化”,以典型生化过程——谷氨酸发酵过程为研究背景,结合谷氨酸发酵过程的实际生产操作机理,对谷氨酸发酵过程中难于在线测量的关键生化参数的软测量建模及相关问题进行了深入研究,取得的研究成果如下:(1)针对谷氨酸发酵过程关键生化参数无法在线检测给发酵优化控制带来困难问题,建立了改进遗传算法对模型参数进行辨识的谷氨酸分批流加非结构动力学模型。在发酵过程常用的Logistic模型、Luedeking-Piret等方程基础上建立了谷氨酸分批流加非结构动力学模型,分别采用非线性规划、基本遗传算法、改进遗传算法对模型参数进行辨识,并对不能在线测量的重要生化参数如菌体浓度、基质浓度和产物谷氨酸浓度进行拟合和估计预测,谷氨酸发酵实验和仿真结果验证了所建动力学模型的有效性。(2)针对高度非线性、时变性的谷氨酸发酵过程动力学模型存在批次性、预测精度差、机理建模困难问题,基于生化过程多阶段特性,提出多阶段支持向量机回归的数据驱动软测量模型、并应用于谷氨酸发酵过程产物浓度的预测。为此,首先建立了基于移动窗的皮尔逊相关系数结合线性回归的发酵过程阶段分割方法,分割结果与常规离线化验分析结果基本一致;其次,基于阶段划分的基础上建立多阶段支持向量机回归的产物谷氨酸浓度预测软测量模型。实验和仿真结果表明,多阶段模型相比全局单模型具有更高的预测能力。(3)针对支持向量机回归模型运算时间过长、谷氨酸发酵过程影响因素存在耦合等问题,在分析最小二乘支持向量机理论基础上,建立了偏最小二乘和最小二乘支持向量机相结合的谷氨酸发酵过程软测量模型。首先通过相关系数矩阵对输入变量进行相关性分析,表明变量间存在较强相关性;进一步采用方差膨胀因子对变量的多重共线性进行诊断,结果表明变量间存在中等程度共线性,需要对输入相关变量进行筛选。为此,利用偏最小二乘找出对预测模型输出变量重要的输入变量,降低预测模型输入变量维数、消除相关性、简化模型,以提高预测模型的精度。进一步,运用耦合模拟退火算法对最小二乘支持向量机的参数进行优化,谷氨酸发酵实验仿真结果表明,所建模型预测精度高,可为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。(4)针对支持向量机回归和最小二乘支持向量机等参数化回归软测量建模存在过拟合、参数设置困难、不能刻画预测结果不确定问题,设计了一种基于特征关联性的输入变量选择、超参数自适应获取、输出具有概率特性的自相关决定高斯过程软测量模型,并应用于谷氨酸发酵过程。首先应用高斯过程回归模型进行训练,同时在贝叶斯框架下,确定协方差函数中的超参数,利用训练好的高斯过程回归模型进行预测。其次,分析了谷氨酸浓度对发酵参数的感度发现,发酵时间、CO2释放速率CER、O2消耗速率OUR对谷氨酸浓度影响最大。进一步,分析了预测值的不确定性即方差和模型输入在线变量之间变化关系,当发酵罐温度T、CO2释放速率CER、O2消耗速率OUR异常变化时,发现预测值的方差随之发生明显变化,可利用预测值的方差异常变化作为发酵过程状态或传感器异常的指示器。谷氨酸发酵实验和仿真研究表明,所建基于特征关联性的自相关决定高斯过程回归的软测量模型可以实现对谷氨酸浓度的较高精度预测,且预测结果具有较小的置信度区间,满足发酵过程实时控制需要。(5)谷氨酸发酵过程是一个复杂的生化过程,在无法根据发酵过程复杂内部机理建立准确的动力学模型的条件下,要实现发酵过程的优化控制是一个具有挑战性的课题。基于对谷氨酸发酵过程机理分析和研究,运用软测量技术建立了难测参数的软测量模型,设计和优化了谷氨酸发酵过程溶氧控制,将所建软测量模型应用于谷氨酸发酵过程异常批次的识别,并基于罗克韦尔公司开发的RSLogix5000编程软件平台开发了一套谷氨酸发酵过程软测量建模及优化控制系统。通过实际应用表明,该系统能满足谷氨酸发酵过程的实际运行需求,提高了自动化水平,减轻操作人员的劳动强度。
宁楠[6](2020)在《污水处理过程溶解氧浓度优化控制方法研究》文中指出在污水生化处理过程中,溶解氧(dissolved oxygen,DO)浓度作为决定出水水质优劣程度的重要组分,过高或过低均会对污水处理效果产生较大影响,它可以直观、及时地反映系统的运行情况,同时会直接影响污水处理的效率及过程能耗。其控制难点在于污水处理过程涉及机理繁琐的生化反应,导致溶解氧浓度控制具有大时变、强耦合及非线性等特征,由于生化过程中发生了许多复杂的生物—化学反应、实际运行工况多、入水流量波动、污染物浓度变化等原因,产生了许多不可测干扰因素,这些情况均会增加系统的不确定性,常规控制策略难以满足期望的控制要求,针对上述问题,本文以活性污泥法污水处理过程为研究对象,在深入分析过程机理的基础上,建立了活性污泥1号简化模型,研究污水处理生化过程溶解氧浓度的优化控制方法,为提高污水处理效果提供理论支持,实现污水处理生产过程节能降耗的全局优化提供技术保障。针对上述目标本文完成的主要研究内容如下:首先,本文详尽分析了活性污泥法污水处理过程的工艺机理,研究了活性污泥1号模型(Activated Sludge Model No.1,ASM1)的组分、反应过程、化学计量常数与动力学参数间的联系,同时根据ASM1模型对过程作出合理简化,建立了系统数学模型,为后续研究奠定了理论基础。其次,介绍了内模控制的原理及特征,分析了其优势与不足,针对不足,提出了二自由度内模控制,设计了二自由度内模控制器,理论证明了其稳态特征,分析了其优势与不足,针对其控制器滤波参数不变,当被控模型不匹配时,影响系统性能的不足,提出采用神经元活跃度与激活强度在线动态增减模糊神经网络的规则层神经元的方法动态调整滤波参数,设计了一种改进型模糊神经网络二自由内模控制器,进行了对比仿真分析,验证了采用此控制方法控制污水生化处理过程溶解氧浓度的合理性。再次,介绍了BSM1基准仿真平台的结构、特点及其包含的关键参数信息,并着重对生化反应池模型、二沉池模型的结构和工作特点与入水动态特性作出了分析,给出了BSM1模型中的评价标准,并利用MATLAB搭建了污水处理过程仿真平台,分别在BSM1平台内的晴朗、降雨以及暴雨3种天气条件下对溶解氧浓度进行三种控制方法的跟踪控制,仿真结果表明,相比PID、IMC控制器,本文所提控制方法的控制精度更高,扰动抑制性能更好。最后,研制了污水生化处理过程溶解氧浓度控制系统,进行了硬件和软件两部分的设计,控制系统采用双层结构:上层为监控层,采用MCGS组态软件建立了用户监控界面,可以完成对下层设备直接控制、参数的实时监测与报警等功能;下位机采用西门子S7-200系列PLC作为控制核心,用于检测数据,同时将检测数据送入控制中心实现运算处理,将控制数据传送给变频器,通过变频器控制鼓风机的转速对曝气池的输气量作出调节,进而控制曝气池中溶解氧浓度,该系统为控制方法的实现提供了硬件操作平台。
夏恒[7](2020)在《城市生活垃圾焚烧过程风量智能设定方法及仿真平台研发》文中指出随着城市生活垃圾总量的不断增加,国家对垃圾分类处理等问题的重视和公众对垃圾治理认知水平的提高,垃圾焚烧发电技术已然成为发达城市有效处理垃圾的主要方式之一。由于国内相关研究起步较晚和垃圾成分复杂等诸多因素,导致焚烧过程控制的关键参数设定很大程度上依赖于人工监控和操作。然而,已投入运行的垃圾焚烧发电厂,工艺复杂多变,同时伴随着高能耗和操作不当易引起不安全的故障等不利因素,因此难以将其作为实验装置。针对上诉问题,本课题以实际工业现场的炉排式焚烧炉为研究对象,对垃圾焚烧过程中一、二次风量两个关键参数的智能设定方法进行研究,提出来风量智能设定模型并开发了智能设定软件平台。然后从焚烧过程智能控制方法和优化设定算法验证需求出发,采用虚拟软件与实际控制器相结合的方法来研发了城市生活焚烧过程仿真实验平台。课题的主要工作如下:(1)风量智能设定方法。目前实际垃圾焚烧发电厂中一、二次风量的设定普遍依赖于人工依据经验手动操作,导致焚烧过程的稳定控制存在滞后和风量设定无法寻找最优值等问题,针对这一问题,本文提出了将案例推理与专家规则相结合的风量智能设定方法。该方法中包括构建案例库、案例的检索、重用、修正、储存和专家规则校正等步骤。其中案例修正环节采用了评价指标和工况变化两个步骤对案例重用得到的建议解进行修正,使得最终的风量设定值更符合实际工况要求。(2)仿真平台的设计与研发。根据炉排炉型焚烧炉工艺流程,设计了包含智能控制优化层、基础控制层和虚拟对象层的三层结构的仿真平台。其中,智能控制优化层实现焚烧过程的智能稳定控制和关键参数的优化设定等;基础控制层实现焚烧过程回路控制、设备运行状态监测与报警等;虚拟对象层为智能控制优化层、基础控制层提供不同工况下的模拟数据。通过配置仿真平台的局域网络,提供有线和无线两种网络通讯方式,从而实现平台各种设备的连接和不同软件之间的网络通讯功能。仿真平台采用MATLAB、C#高级编程语言、RockWell系列软件包软件和SQL Sever数据库等软件进行软件开发。(3)实验测试。对上述基于案例推理和专家规则的风量智能设定方法进行实验测试,仿真实验表明本文所提方法的有效性;将研发的硬件和软件接入局域网络中通电运行,以实际现场历史数据测试仿真平台基础回路控制状态下的各项功能,结果表明该平台的软、硬件部分运行稳定而可靠,能够正确反映焚烧过程的变化,是一个有效的仿真实验平台。
李霏[8](2020)在《污水处理过程智能检测与优化控制的研究》文中研究指明污水处理过程(Wastewater treatment process,WWTPs)具有复杂的生物、物理和化学特性,且因其变量之间严重的耦合关系和高度的非线性而难以控制。目前,我国采用活性污泥法去除水中的污染物,该生化反应过程耗电量高,产生了巨大的运行成本,且鲜有研究专注于减少或完全消除污染物浓度峰值超标的问题。此外,随着世界范围内实施愈加严格的标准和法规,高额的罚款将导致成本增加。因此,如何实现污水处理全流程出水水质实时达标,提高污水处理质量并减少能耗是一个亟待解决的难题。其主要体现在:1)出水氨氮(Ammonia nitrogen,NH4-N)做为污水处理过程中水污染控制系统的关键因素,水质在线检测难以实现并具有挑战性;2)如何求得收敛性与分布性最好的帕累托(Pareto)最优解,从而获得最佳的溶解氧和硝态氮设定值;3)WWTPs的评估策略不仅仅涉及一个目标,而是多个目标,如出水水质、运行成本及系统的稳定性。如何实现在保证平均出水水质达标的前提下降低成本显得尤为重要;4)污水处理过程是一个复杂动态系统,多个目标随时间变化,如何采用动态控制策略实现在环境发生变化时快速跟踪移动的Pareto前沿,实现污水处理的优化运行;5)如何实时在完全消除出水峰值超标的前提下,提高污水处理质量并减少能耗。针对以上问题,本文提出了污水处理过程智能检测与优化控制的研究策略。首先,分析了污水处理过程特性,建立基于数据驱动的污水处理过程智能检测方法预测出水氨氮浓度。其次,设计能耗和水质多目标优化算法,求取溶解氧和硝态氮的优化设定值,并采用自组织跟踪控制器来追踪该设定值。此外,提出动态多目标优化控制方法,从而应对环境的动态变化,获得较好的控制性能。最后,依据关键水质智能检测结果,设计知识决策方案,提供抑制峰值超标的优化控制策略,并采用国际基准仿真平台(Benchmark Simulation Model No.1,BSM1)进行验证。论文主要研究工作和创新点如下:(1)基于人工免疫自组织径向基神经网络(Radial basis function neural network,RBFNN)出水NH4-N预测器水污染是一个重要的环境问题,水质在线检测仍是亟待解决的难题,特别是出水NH4-N超标已成为焦点之一。NH4-N超标可能引起水体富营养化,增加污水遗传毒性,危及人类健康。为了使污水处理过程能够实时了解NH4-N浓度,本论文提出了一种基于距离浓度人工免疫自组织RBFNN(Self-organizing RBF neural network based on distance concen-tration immune algorithm,DCIA-SORBF)的NH4-N预测器。首先,对实际采集到的数据进行预处理,并选择与出水NH4-N具有较强相关性的过程变量。此外,采用RBFNN创建出水NH4-N的软测量模型,并通过距离浓度人工免疫算法对其结构和参数自组织调整。最后,采用训练好的DCIA-SORBF模型对出水NH4-N进行实时预测。实验结果表明,所提出的出水NH4-N预测器在效率和精度上具有显着的优越性。(2)基于均匀分布的自适应混合进化人工免疫算法通常,在迭代过程中的进化算法,无论是多目标优化问题还是单目标优化问题,目标空间都存在个体分布不均匀的问题。这种不均匀的分布大大降低了种群的多样性和收敛速度。为此,本论文提出了一种基于均匀分布选择机制的自适应混合进化免疫算法(Adaptive hybrid evolutionary immune algorithm based on a uniform distribution selection mechanism,AUDHEIA)。在该算法中,种群中的个体被映射到与目标空间相对应的超平面,并聚类以增加种群中个体的多样性。为了改善解的分布性,将映射的超平面进行均匀分区。随着迭代过程中分布性的不断变化,自适应地调整判断种群分布标准的阈值。当相应区间内不满足阈值时,激活分布性增强模块。随后,在每个区间内选择相同数量的个体。然而,在迭代过程中,有时某些区间内没有足够的个体或为空。此时,采用最优个体的极限优化变异策略来补足个体。实验结果表明,该算法能够较好地跳出局部最优,具有较高的收敛速度。此外,该算法的分布性和收敛性均优于文中同类的测试算法。(3)污水处理过程免疫多目标优化控制方法针对污水处理过程控制中能耗过大,出水水质严重超标等问题,提出了一种基于免疫优化的智能控制方法。首先,该方法以污水处理能耗和出水水质作为优化目标,建立优化目标函数模型。其次,采用本论文提出的AUDHEIA来获得收敛性和分布性较好的Pareto解,从而得到最佳的溶解氧和硝态氮优化设定值。最后,应用自组织递归模糊神经网络控制器对该设定值进行底层的跟踪控制。为了验证算法的有效性,在国际基准的污水处理仿真平台BSM1上进行实验。结果显示,所提出的免疫优化控制方法,能够在满足出水水质达标的同时,有效地降低污水处理过程能耗。(4)污水处理动态过程免疫优化控制方法由于污水处理过程动态变化,且能耗和水质存在相互冲突的耦合关系。在环境发生变化时,固定的优化设定值已无法有效地快速实现污水处理的优化运行。为此,本论文提出了一种动态多目标免疫优化控制(Dynamic multi-objective immune optimization control,DMOIA-OC)方法。该方法通过数据建模获得动态变化的目标函数,并设计动态免疫优化(Dynamic multi-objective immune algorithm,DMOIA)算法来获取随环境动态变化的溶解氧和硝态氮的最佳设定值。DMOIA采用多向预测策略,以提高进化算法求解动态多目标优化问题的性能。为了更精确地预测Pareto解集的移动位置,通过自适应均匀分布策略将种群聚类为多个代表性的组,并根据环境变化预测个体进化方向,在预测的新位置周围重新初始化种群。最后,该方法通过BSM1仿真平台进行验证。实验结果表明,所提出的DMOIA-OC方法与同类方法相比,控制性能显着提高。(5)污水处理过程智能检测与优化控制系统为了实现污水处理过程全流程有效抑制出水水质峰值超标且节能降耗的目的,本论文提出了污水处理过程智能检测与优化控制(Intelligent detection and optimal control of wastewater treatment process,IDOC)系统。首先,该系统采用提出的DCIA-SORBF软测量模型预测出水氨氮和总氮浓度。并根据该预测结果与专家知识,设计污水处理过程全流程优化控制策略。当预测水质达标时,采用动态免疫优化算法求取高质量的溶解氧和硝态氮设定值,以达到节能降耗的目的。当预测出水水质不达标时,启动峰值超标抑制控制策略实现出水水质实时达标。最后,采用BSM1仿真模型对该方法进行验证。实验结果表明,所提出的IDOC系统可以实现全流程污水处理实时达标并能够有效地降低能耗,从而具有较好的实际应用价值。
贾东晓[9](2019)在《基于化学吸附的燃烧后CO2捕集系统非线性分析及控制研究》文中研究指明现如今以CO2气体为主的温室气体排放问题日益严重,而火电厂是CO2温室气体的集中排放源。在世界范围节能减排的背景下,燃烧后CO2捕集技术受到越来越多的关注,其中,基于化学吸附的燃烧后CO2捕集技术相对成熟,是最具有大规模应用前景的技术。随着这一技术的推广,关于燃烧后CO2捕集系统的建模和控制的研究也日益增多。燃烧后CO2捕集系统有着非线性、大惯性、多变量强耦合的复杂特性,同时,由于能耗较高,系统必须满足大范围灵活运行这一特点。因此,掌握燃烧后CO2捕集系统的动态特性变化规律,并采用先进策略对其进行优化控制,实现系统的灵活运行,对节能减排具有重要意义。本文主要研究内容包括:(1)基于gCCS软件搭建了完整的化学吸附燃烧后CO2捕集系统模型作为开展研究的仿真平台。在此基础上,通过在典型工况点下开展开环阶跃响应试验,定性地分析了CO2捕集系统主要变量间的动态特性及其变化规律;采用间隙度量的方法对燃烧后CO2捕集系统的非线性分布进行定量分析,明确了可有效避免系统特性强烈变化的运行区间。(2)针对燃烧后CO2捕集系统非线性较弱的工作区间构建了线性预测控制器,改善了捕集系统动态灵活运行的能力。将烟气流量视为可测扰动,在模型预测控制的基础上增加了前馈控制,快速地消除了烟气流量变化对系统控制的影响。对于不可测扰动,提出了一种基于状态观测器的扰动抑制预测控制的方法,快速地消除了未知扰动对系统控制的影响,增强了预测控制抑制扰动的能力。(3)针对燃烧后CO2捕集系统大范围变捕集率运行非线性较强的问题,构建了多模型预测控制器。并在此基础上,提出了一种带终端约束的多模型经济性预测控制的方法,构建了一种反映碳排放量和系统抽汽能耗的经济性能指标,使得燃烧后CO2捕集系统能够以一种经济性最优的方式运行。
何超[10](2019)在《基于深度强化学习的建筑节能方法研究》文中提出随着我国经济发展,中国的能源消耗也不断增长,其中建筑能耗在全国的总能耗占比高且不断增长,针对建筑节能设计和能耗研究非常迫切。空调机组耗能在建筑能耗中占比较高,因此对空调机组优化控制是降低建筑能耗的有效措施。本研究以解决当前建筑设备控制策略的局限性,利用强化学习能够通过迭代不断调整控制策略,从而得到最优策略,实现建筑节能为中心。深度强化学习算法收敛需要大量的数据,而空调系统现有的监测数据有限,严重影响在实际工程中的应用。本研究通过自模拟度量、样本排序等方法改进深度确定策略梯度算法,降低算法对数据量的需求,同时利用深度双Q网络对空调机组的负荷进行预测来进一步优化空调机组的控制策略,从而实现建筑节能。主要包括以下三部分内容:(1)针对深度确定策略梯度算法收敛速率较慢,需要大量数据的问题,提出了一种增强型深度确定策略梯度(E-DDPG)算法。该算法在深度确定策略梯度算法的基础上,重新构建两个新的样本池——多样性样本池和高误差样本池。在算法执行过程中,训练样本分别从多样性样本池和高误差样本池按比例选取,以兼顾样本多样性以及样本价值信息,提高样本的利用效率和算法的收敛性能。此外,进一步从理论上证明了利用自模拟度量方法对样本进行相似性度量的合理性,建立值函数与样本相似性之间的关系。将E-DDPG算法以及DDPG算法用于经典的Pendulum问题和Mountain Car问题,实验结果表明,E-DDPG需要较少的数据就能够收敛。(2)从空调机组负荷影响因素、实际数据能否收集等角度出发,确立空调系统负荷预测的相关参数,即室外温度、室外相对湿度、前一时刻空调系统负荷、前二时刻空调系统负荷、前三时刻空调系统负荷。监测系统由于突然断电,卡机等原因导致数据存在缺失,因此需对数据进行预处理。将负荷预测和影响因素建立马尔科夫模型,同时为避免强化学习动作值函数的过估计,选用DDQN算法进行负荷预测。最后采用某环境学院记载的建筑能耗监测数据进行实验。实验结果表明,基于深度强化学习的负荷预测方法对建筑负荷预测的精度较高,可以为空调设备的优化策略提供指导。(3)基于本研究提出的深度强化学习改进算法E-DDPG算法和空调负荷预测算法,实现空调系统的控制优化。首先基于已有研究和空调冷源系统相关设备的分析研究,确立优化控制的相关控制参数,即冷冻水出水温度、冷冻水泵流量、冷却水进水温度、冷却水泵流量,根据设备的工作特性确立设备运行的约束条件,最终建立优化控制的目标。基于上述分析,构建马尔科夫模型,同时针对实际数据存在的问题和量纲不同进行数据处理与归一化操作,通过E-DDPG算法求解不同负荷区间相关控制的最优参数,最后利用负荷预测算法预测出的空调系统下一时刻的负荷,实时将空调系统的设备参数调整到最优参数,实现空调系统的能耗节约。
二、基于度量的软件项目过程优化控制研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于度量的软件项目过程优化控制研究(论文提纲范文)
(1)数字孪生建模方法及其在热力系统优化运行中的应用研究(论文提纲范文)
摘要 |
Abstract |
主要符号及缩写表 |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 能源电力发展背景与现状 |
1.1.2 智能控制优化研究现状 |
1.2 热力系统建模仿真及大数据技术研究现状 |
1.2.1 热力系统建模研究现状 |
1.2.2 电力大数据及其发展现状 |
1.2.3 热力系统仿真技术发展背景 |
1.3 数字孪生技术的应用现状及关键技术 |
1.3.1 数字孪生的应用发展现状 |
1.3.2 数字孪生研究的关键技术 |
1.3.3 数字孪生发展面临的挑战 |
1.4 论文的研究内容 |
第2章 大数据背景下的数字孪生与热力系统建模理论 |
2.1 数字孪生的基本理论 |
2.1.1 数字孪生的定义与内涵 |
2.1.2 数字孪生与仿真技术之间的关系 |
2.1.3 数字孪生与信息物理系统之间的关系 |
2.2 热力系统建模理论与方法 |
2.2.1 流体网络机理建模理论与方法 |
2.2.2 数据驱动建模理论与方法 |
2.3 大数据的基本理论 |
2.3.1 大数据平台框架及相关技术 |
2.3.2 大数据存储管理与预处理方法 |
2.3.3 大数据分布式集群平台构建 |
2.4 本章小结 |
第3章 基于改进即时学习策略的自适应数据驱动建模方法研究 |
3.1 基于改进即时学习策略的自适应数据驱动建模方法 |
3.1.1 建模思路 |
3.1.2 基于改进遗传模拟退火算法的模糊聚类工况划分 |
3.1.3 基于多层次综合相似度度量的相似工况识别 |
3.1.4 基于Spark平台的数据驱动局部模型建模 |
3.2 SCR脱硝系统数据驱动建模应用案例 |
3.2.1 建模对象及背景介绍 |
3.2.2 数据预处理和相似工况选取 |
3.2.3 局部建模过程及结果分析 |
3.3 电锅炉供热系统荷侧和源侧负荷预测建模应用案例 |
3.3.1 建模对象及背景介绍 |
3.3.2 荷侧供热负荷预测模型 |
3.3.3 源侧电负荷预测 |
3.4 本章小结 |
第4章 热力系统数字孪生建模理论及应用 |
4.1 热力系统数字孪生建模思路 |
4.1.1 数字孪生建模方法的提出 |
4.1.2 数字孪生模型的构建方法及流程 |
4.2 数字孪生机理模型的构建 |
4.2.1 管路模型 |
4.2.2 调节阀模型 |
4.2.3 离心水泵模型 |
4.2.4 换热器模型 |
4.3 数字孪生模型的协同与融合理论 |
4.3.1 数字孪生模型离线智能参数辨识 |
4.3.2 数字孪生模型参数在线自适应协同 |
4.3.3 基于移动窗格信息熵的多模型输出在线融合 |
4.4 数字孪生建模实例分析 |
4.4.1 脱硝系统数字孪生模型的建立 |
4.4.2 供热系统数字孪生模型的建立 |
4.5 本章小结 |
第5章 基于热力系统数字孪生模型的节能控制优化 |
5.1 基于数字孪生模型的智能工况动态寻优 |
5.1.1 热力系统智能工况动态寻优策略 |
5.1.2 基于数字孪生模型的供热储热系统智能工况动态寻优 |
5.2 基于数字孪生模型的自适应预测控制优化 |
5.2.1 基于数字孪生模型的预测控制算法 |
5.2.2 基于数字孪生模型预测控制的喷氨量优化 |
5.3 本章小结 |
第6章 结论与展望 |
6.1 主要研究工作及成果 |
6.2 论文主要创新点 |
6.3 后续工作展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(2)污水处理过程中出水水质预测及多目标优化控制(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 污水处理技术研究现状 |
1.2.2 智能算法在污水处理领域的研究现状 |
1.3 研究内容及章节安排 |
第二章 污水处理过程工艺分析 |
2.1 污水处理工艺流程 |
2.2 AAO工艺 |
2.2.1 AAO工艺原理及特点 |
2.2.2 AAO处理效率的影响因素 |
2.3 污水处理BSM1 模型分析 |
2.4 本章小结 |
第三章 污水出水水质预测 |
3.1 支持向量机 |
3.2 参数优化 |
3.2.1 PSO算法 |
3.2.2 基于层次差异的改进PSO算法(IPSO) |
3.2.3 混合的改进粒子群遗传算法(IPSO-GA) |
3.3 基于IPSO-GA-SVM的污水水质预测 |
3.3.1 主要水质指标 |
3.3.2 数据采集和预处理 |
3.3.3 建模步骤 |
3.3.4 仿真研究 |
3.4 本章小结 |
第四章 基于多目标优化的污水处理能耗控制 |
4.1 多目标优化问题 |
4.2 多目标粒子群优化算法 |
4.2.1 基于改进密集距离的外部档案更新 |
4.2.2 个体最优与全局最优位置选取 |
4.2.3 算法性能度量 |
4.3 基于改进的MOPSO的污水处理能耗控制 |
4.3.1 优化目标与约束条件的建立 |
4.3.2 优化控制过程 |
4.3.3 仿真研究 |
4.4 本章小结 |
第五章 基于PLC的污水处理控制系统设计 |
5.1 控制系统功能需求分析 |
5.2 控制系统总体设计 |
5.2.1 控制系统设计原则 |
5.2.2 控制系统设计方案 |
5.2.3 控制系统硬件配置 |
5.2.4 上位机监控系统 |
5.3 主要设备控制方案 |
5.3.1 粗格栅和提升泵控制 |
5.3.2 溶解氧与硝态氮浓度控制 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
(3)集中空调冷水系统全面优化运行研究(论文提纲范文)
摘要 |
Abstract |
符号表 |
第1章 绪论 |
1.1 论文的研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 集中空调冷水系统设备能耗模型及节能研究 |
1.2.2 集中空调冷水系统优化策略研究 |
1.2.3 国内外研究现状的总结 |
1.3 本文主要研究内容 |
第2章 集中空调冷水系统水力工况实验台研制 |
2.1 实验台功能研究 |
2.1.1 实验台需求分析 |
2.1.2 实验台方案设计原理 |
2.2 实验台建设 |
2.2.1 实验台的配置 |
2.2.2 实验台搭建及调试 |
2.3 实验台误差分析 |
2.3.1 直接测量值误差分析 |
2.3.2 间接测量值误差分析 |
2.4 本章小结 |
第3章 变频水泵机组的特征方程 |
3.1 变频水泵机组特征方程 |
3.1.1 流量特征方程 |
3.1.2 扬程特征方程 |
3.1.3 功率特征方程 |
3.2 变频水泵机组特征方程待定系数确定的实验方法 |
3.2.1 实验台准备 |
3.2.2 实验方法及步骤 |
3.3 闭式系统中变频水泵机组实验结果及分析 |
3.3.1 测试参数结果分析 |
3.3.2 待定系数分析与特征方程 |
3.4 开式系统中变频水泵机组实验结果及分析 |
3.4.1 测试参数结果分析 |
3.4.2 变频水泵机组开式系统特征方程 |
3.4.3 系统高差对水泵机组特征方程待定系数影响的理论分析 |
3.5 本章小结 |
第4章 换热设备数学模型的建立与验证 |
4.1 冷水机组数学模型 |
4.1.1 冷水机组的水力模型 |
4.1.2 冷水机组性能系数数学模型 |
4.2 风机盘管与冷却塔数学模型 |
4.2.1 风机盘管数学模型 |
4.2.2 冷却塔的数学模型 |
4.3 本章小结 |
第5章 冷冻水一级泵子系统变流量优化运行研究 |
5.1 冷冻水子系统物理模型的建立 |
5.1.1 冷冻水子系统物理模型 |
5.1.2 冷冻水子系统主要设备 |
5.2 冷冻水子系统设备调节控制模式 |
5.2.1 末端用户的负荷特性及控制 |
5.2.2 冷冻水子系统控制模式研究 |
5.3 冷冻水子系统水力工况模拟 |
5.3.1 实验与模拟方法 |
5.3.2 实验与模拟结果分析 |
5.4 冷冻水子系统节能优化运行模拟 |
5.4.1 冷冻水子系统节能优化数学模型 |
5.4.2 模拟结果及分析 |
5.5 本章小结 |
第6章 冷却水子系统变流量优化运行研究 |
6.1 冷却水子系统物理模型的建立 |
6.1.1 冷却水子系统物理模型 |
6.1.2 冷却水子系统主要设备 |
6.2 冷却水子系统及设备调节控制模式 |
6.2.1 冷却水子系统基准运行模式确定 |
6.2.2 冷水机组等设备的调节控制模式 |
6.3 冷却水子系统节能优化运行模拟 |
6.3.1 冷却水子系统节能优化数学模型 |
6.3.2 模拟结果及分析 |
6.4 本章小结 |
第7章 集中空调冷水—级泵系统全面优化运行模拟研究 |
7.1 集中空调冷水系统物理模型的建立 |
7.1.1 集中空调冷水系统物理模型及运行模式 |
7.1.2 集中空调冷水系统运行模式 |
7.2 集中空调冷水系统节能优化运行模拟 |
7.2.1 集中空调冷水系统优化运行能耗数学模型 |
7.2.2 集中空调冷水系统模拟结果及分析 |
7.2.3 集中空调冷水系统全面优化运行措施简述 |
7.3 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
致谢 |
个人简历 |
(4)基于负荷预测的酒店中央空调水系统运行优化方法及其应用研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 一次泵变流量系统节能研究 |
1.2.2 一次泵变流量系统优化运行研究 |
1.2.3 中央空调系统建模方法研究 |
1.2.4 基于数据挖掘的中央空调系统负荷预测研究 |
1.3 本文的主要研究内容及方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
第二章 基于支持向量回归模型的酒店中央空调运行负荷预测 |
2.1 工程概况 |
2.1.1 酒店及中央空调系统设备信息 |
2.1.2 能耗监测平台介绍 |
2.2 基于数据挖掘的空调系统负荷预测方法 |
2.2.1 负荷预测流程 |
2.2.2 支持向量回归原理 |
2.2.3 数据预处理方法 |
2.2.4 支持向量回归模型的超参数 |
2.2.5 预测结果评价指标 |
2.3 负荷预测模型建立 |
2.3.1 软件介绍 |
2.3.2 求解步骤 |
2.4 负荷预测结果与分析 |
2.4.1 数据预处理结果 |
2.4.2 负荷预测模型总结 |
2.4.3 负荷预测结果分析 |
2.5 本章小结 |
第三章 水系统设备能耗模型建立 |
3.1 最小二乘法原理 |
3.2 空调水系统模型基础 |
3.2.1 冷水机组模型 |
3.2.2 变频水泵模型 |
3.2.3 冷却塔模型能耗 |
3.3 模型参数辨识 |
3.3.1 软件介绍 |
3.3.2 求解步骤 |
3.4 模型辨识与结果分析 |
3.4.1 冷水机组能耗模型 |
3.4.2 变频水泵能耗模型 |
3.5 本章小结 |
第四章 水系统设备节能特性研究 |
4.1 冷水机组节能特性分析 |
4.1.1 离心式冷水机组节能原理 |
4.1.2 冷凝温度对冷水机组性能的影响 |
4.1.3 蒸发温度对冷水机组性能的影响 |
4.1.4 负荷率与进出水温差对冷水机组性能的影响 |
4.2 水泵节能特性分析 |
4.2.1 水泵性能曲线与水泵相似定律 |
4.2.2 水泵调速策略对水泵能耗的影响 |
4.3 冷却塔节能特性分析 |
4.3.1 冷却塔热力过程分析 |
4.3.2 冷却塔热力模型分析 |
4.3.3 冷却塔性能评价指标 |
4.4 分析与讨论 |
4.4.1 冷水机组运行参数对其性能的影响 |
4.4.2 水泵调速方式对其能耗的影响 |
4.4.3 冷却塔冷却效率影响因素分析 |
4.5 本章小结 |
第五章 水系统节能控制优化研究 |
5.1 水系统能耗优化函数 |
5.1.1 优化控制参数 |
5.1.2 优化函数约束条件 |
5.2 优化函数求解 |
5.2.1 软件介绍 |
5.2.2 求解步骤 |
5.3 酒店空调系统单日优化分析 |
5.3.1 运行参数优化结果 |
5.3.2 水系统能耗分析 |
5.3.3 各设备用能分析 |
5.3.4 冷水机组与水系统能效分析 |
5.4 酒店空调系统不同负荷率优化分析 |
5.4.1 运行参数优化结果 |
5.4.2 水系统能耗分析 |
5.4.3 冷水机组与水系统能效分析 |
5.4.4 优化策略节能率与空调系统负荷率 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 研究总结 |
6.2 论文创新之处 |
6.3 研究展望 |
参考文献 |
在学研究成果 |
致谢 |
(5)谷氨酸发酵过程的软测量建模研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外谷氨酸产业的发展现状 |
1.2.1 谷氨酸物化性质及发展历史 |
1.2.2 国内外谷氨酸产业现状 |
1.3 软测量技术 |
1.3.1 软测量建模概述 |
1.3.2 软测量建模步骤与内容 |
1.3.3 软测量建模方法 |
1.3.4 软测量技术应用 |
1.4 发酵过程软测量建模国内外研究现状 |
1.4.1 基于机理模型的发酵过程软测量 |
1.4.2 基于数据驱动的发酵过程软测量 |
1.4.3 混合模型软测量 |
1.5 主要研究内容和结构安排 |
第二章 谷氨酸发酵过程动力学建模 |
2.1 引言 |
2.2 发酵过程基础数学模型 |
2.2.1 发酵过程合成和和代谢分解反应 |
2.2.2 发酵过程典型数学模型 |
2.2.3 发酵过程比反应速率模型 |
2.3 谷氨酸发酵过程代谢(流)网络分析 |
2.3.1 材料与方法 |
2.3.2 发酵过程影响因素分析 |
2.3.3 代谢网络模型的简化、计算和求解 |
2.3.4 基于代谢网络结构模型的谷氨酸浓度预测 |
2.4 谷氨酸发酵分批流加非结构动力学建模 |
2.4.1 非线性规划确定非结构动力学模型参数 |
2.4.2 遗传算法确定非结构动力学模型参数 |
2.4.3 改进遗传算法确定非结构动力学模型参数 |
2.5 本章小结 |
第三章 基于多阶段支持向量机回归的谷氨酸发酵过程软测量 |
3.1 引言 |
3.2 支持向量机 |
3.2.1 支持向量机分类 |
3.2.2 支持向量机回归 |
3.3 多阶段分割算法 |
3.4 基于多阶段支持向量机回归的谷氨酸浓度软测量 |
3.5 结果与讨论 |
3.6 本章小结 |
第四章 基于偏最小二乘和最小二乘支持向量机的谷氨酸发酵过程软测量 |
4.1 引言 |
4.2 偏最小二乘 |
4.2.1 PLS原理与计算方法 |
4.2.2 模型提取成分的确定 |
4.3 最小二乘支持向量机 |
4.4 基于耦合模拟退火的最小二乘支持向量机软测量 |
4.4.1 模拟退火算法 |
4.4.2 耦合模拟退火算法 |
4.4.3 耦合模拟退火优化参数算法 |
4.4.4 基于CSA优化的LSSVM软测量预测算法 |
4.5 基于PLS-LSSVM的谷氨酸发酵过程软测量 |
4.5.1 PLS-LSSVM软测量预测模型实现流程 |
4.5.2 辅助变量选择 |
4.6 结果与讨论 |
4.6.1 模型性能评估指标 |
4.6.2 PLS与 LSSVM模型比较 |
4.6.3 SVM和 LSSVM预测模型比较 |
4.6.4 PLS-LSSVM简化模型性能分析 |
4.7 本章小结 |
第五章 基于高斯过程的谷氨酸发酵过程软测量 |
5.1 引言 |
5.2 高斯过程模型 |
5.2.1 无参预测 |
5.2.2 高斯过程回归 |
5.2.3 协方差函数 |
5.2.4 高斯过程的模型选择 |
5.2.5 高斯过程稀疏化 |
5.3 基于PLS-GP的谷氨酸发酵过程软测量 |
5.3.1 基于PLS-GP的软测量模型架构 |
5.3.2 训练数据的准备 |
5.3.3 输入变量选择 |
5.3.4 协方差函数的确定 |
5.3.5 结果和讨论 |
5.4 基于预测方差的谷氨酸发酵过程异常状态分析 |
5.4.1 基于预测方差的自主动高斯过程模型 |
5.4.2 基于预测方差的谷氨酸发酵过程异常状态分析 |
5.5 基于自相关决定高斯过程的谷氨酸发酵软测量 |
5.5.1 基于特征关联性的自相关决定变量选择 |
5.5.2 结果和讨论 |
5.6 本章小结 |
第六章 谷氨酸发酵过程软测量建模及优化控制系统的开发 |
6.1 引言 |
6.2 谷氨酸发酵过程软测量实施系统软件构架 |
6.3 谷氨酸发酵过程计算机控制系统 |
6.3.1 溶解氧控制 |
6.3.2 温度控制 |
6.3.3 pH值控制 |
6.3.4 压力的控制 |
6.3.5 泡沫的控制 |
6.4 谷氨酸发酵过程溶解氧的优化控制 |
6.4.1 材料与方法 |
6.4.2 DO控制算法 |
6.4.3 结果和讨论 |
6.5 监控系统设计 |
6.6 Matlab与 RSView32 通信的实现 |
6.7 软测量应用实例——谷氨酸发酵过程异常批次识别 |
6.8 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
致谢 |
参考文献 |
附录:作者在攻读博士学位期间的成果 |
(6)污水处理过程溶解氧浓度优化控制方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 论文的研究背景与研究意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 污水处理相关技术国内外发展现状 |
1.2.1 国外发展现状 |
1.2.2 国内发展现状 |
1.3 研究内容及结构安排 |
1.3.1 研究内容 |
1.3.2 本文的结构安排 |
第2章 活性污泥法污水处理工艺机理及系统建模 |
2.1 活性污泥法污水处理基本工艺流程 |
2.2 活性污泥法污水处理的主要工艺参数 |
2.3 活性污泥法污水处理过程数学模型的建立 |
2.3.1 活性污泥法1号模型(ASM1) |
2.3.2 微生物模型方程的推导 |
2.3.3 曝气机理 |
2.3.4 简化的变参数活性污泥数学模型 |
2.4 本章小结 |
第3章 污水生化处理过程溶解氧浓度优化控制方法研究 |
3.1 内模控制 |
3.1.1 内模控制结构 |
3.1.2 内模控制特性分析 |
3.1.3 内模控制的优势与不足分析 |
3.2 二自由度内模控制 |
3.2.1 二自由度内模控制器的设计 |
3.2.2 二自由度内模控制理论证明 |
3.2.3 二自由度内模控制仿真分析 |
3.2.4 二自由度内模控制优势与不足分析 |
3.3 模糊神经网络的改进 |
3.3.1 模糊控制 |
3.3.2 模糊神经网络 |
3.3.3 模糊神经网络的优势与不足分析 |
3.3.4 模糊神经网络的改进 |
3.3.5 模糊神经网络改进方法仿真分析 |
3.4 基于改进型模糊神经网络二自由度内模优化控制方法 |
3.4.1 优化控制结构及原理 |
3.4.2 优化控制方法仿真分析 |
3.5 本章小结 |
第4章 优化控制方法在国际基准仿真平台上的验证 |
4.1 国际基准BSM1仿真平台 |
4.1.1 生化池模型 |
4.1.2 二沉池模型 |
4.1.3 性能评价指标 |
4.2 国际基准BSM1仿真平台测试 |
4.3 仿真实验及结果分析 |
4.4 本章小结 |
第5章 污水生化处理过程溶解氧浓度控制系统的实现 |
5.1 系统硬件电路 |
5.1.1 PLC控制器外围电路 |
5.1.2 检测电路 |
5.1.3 执行电路 |
5.1.4 显示面板 |
5.2 系统软件 |
5.2.1 主程序 |
5.2.2 控制子程序 |
5.2.3 初始化程序 |
5.3 监控系统 |
5.4 本章小结 |
第6章 全文总结与前景展望 |
6.1 全文总结 |
6.2 前景展望 |
致谢 |
参考文献 |
作者简介 |
攻读硕士学位期间研究成果 |
(7)城市生活垃圾焚烧过程风量智能设定方法及仿真平台研发(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 工业过程参数设定方法研究现状 |
1.3 工业过程监控与仿真平台研发现状 |
1.4 问题分析 |
1.5 本文主要工作与结构安排 |
1.5.1 主要工作 |
1.5.2 结构安排 |
第2章 城市生活垃圾焚烧过程 |
2.1 过程描述 |
2.2 风量控制机理分析 |
2.3 仿真平台现状分析 |
2.4 小结 |
第3章 风量智能设定方法 |
3.1 风量控制过程 |
3.2 风量智能设定模型及算法 |
3.2.1 设定模型 |
3.2.2 算法实现 |
3.3 仿真实验 |
3.4 小结 |
第4章 仿真平台设计与研发 |
4.1 需求分析 |
4.2 仿真平台结构与功能 |
4.2.1 硬件结构与功能 |
4.2.2 软件结构与功能 |
4.3 软件开发 |
4.3.1 智能控制优化层 |
4.3.2 基础控制层 |
4.3.3 虚拟对象层 |
4.4 小结 |
第5章 实验测试 |
5.1 实验方案设计 |
5.2 仿真平台性能测试 |
5.3 风量设定方法实验效果 |
5.4 小结 |
结论 |
参考文献 |
攻读硕士学位期间所发表的学术论文 |
致谢 |
(8)污水处理过程智能检测与优化控制的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.1.3 课题来源 |
1.2 污水处理过程国内外研究现状 |
1.2.1 污水处理氨氮预测研究现状 |
1.2.2 污水处理过程优化控制研究现状 |
1.3 论文的主要研究内容和创新点 |
1.3.1 论文的主要研究内容 |
1.3.2 论文主要创新点 |
1.4 论文的组织构架 |
第2章 污水处理过程特性分析及控制系统设计 |
2.1 引言 |
2.2 污水处理过程概述 |
2.2.1 污水处理过程机理分析 |
2.2.2 污水处理过程工艺分析 |
2.2.3 污水处理过程影响要素分析 |
2.3 污水处理过程控制系统架构 |
2.3.1 污水处理过程控制流程 |
2.3.2 污水处理过程控制主要组成 |
2.4 污水处理过程关键变量检测 |
2.4.1 污水处理过程水质变量分析 |
2.4.2 污水处理过程水质状态分析 |
2.5 污水处理过程能耗和水质优化分析 |
2.5.1 污水处理过程能耗和水质多目标优化 |
2.5.2 污水处理动态过程能耗和水质优化 |
2.6 污水处理过程智能控制 |
2.6.1 污水处理过程控制目标分析 |
2.6.2 污水处理过程优化控制分析 |
2.6.3 污水处理动态过程优化控制分析 |
2.6.4 污水处理过程水质超标抑制控制分析 |
2.7 本章小结 |
第3章 污水处理过程出水氨氮预测 |
3.1 引言 |
3.2 城市污水处理过程水质变量分析 |
3.2.1 污水处理过程数据采集与预处理 |
3.2.2 污水处理过程水质参数特征变量选取 |
3.3 基于距离浓度的人工免疫自组织RBF神经网络 |
3.3.1 RBF神经网络结构 |
3.3.2 距离浓度人工免疫算法 |
3.3.3 人工免疫自组织RBF神经网络结构设计 |
3.3.4 收敛性分析 |
3.4 实验结果与分析 |
3.4.1 仿真实验设计 |
3.4.2 仿真实验结果 |
3.4.3 实验结果讨论 |
3.5 本章小结 |
第4章 基于自适应混合进化人工免疫的多目标优化算法 |
4.1 引言 |
4.2 多目标优化问题 |
4.2.1 基本概念 |
4.2.2 免疫多目标优化 |
4.3 AUDHEIA算法设计与分析 |
4.3.1 映射和聚类 |
4.3.2 分布性判断模块 |
4.3.3 分布性加强模块 |
4.3.4 局部变异策略 |
4.3.5 进化策略 |
4.3.6 AUDHEIA算法 |
4.4 实验结果及分析 |
4.4.1 仿真实验设计 |
4.4.2 仿真实验结果 |
4.4.3 实验结果讨论 |
4.5 本章小结 |
第5章 基于AUDHEIA算法的污水处理优化控制方法 |
5.1 引言 |
5.2 污水处理过程分析 |
5.2.1 污水处理过程BSM1仿真模型 |
5.2.2 能耗和水质模型 |
5.3 污水处理过程优化控制方法 |
5.3.1 污水处理过程控制目标 |
5.3.2 污水处理过程多目标控制优化层设计 |
5.3.3 污水处理过程底层控制器设计 |
5.3.4 污水处理过程智能优化控制整体流程 |
5.4 实验结果与分析 |
5.4.1 仿真实验设计 |
5.4.2 仿真实验结果 |
5.4.3 实验结果讨论 |
5.5 本章小结 |
第6章 城市污水处理动态过程优化控制方法 |
6.1 引言 |
6.2 城市污水处理动态特性分析 |
6.3 基于DMOIA的动态优化控制器 |
6.3.1 目标函数的设计 |
6.3.2 动态免疫优化算法设计 |
6.3.3 基于DMOIA的动态优化控制 |
6.4 实验结果与分析 |
6.4.1 仿真实验设计 |
6.4.2 仿真实验结果 |
6.4.3 实验结果讨论 |
6.5 本章小结 |
第7章 污水处理过程智能检测与优化控制系统 |
7.1 引言 |
7.2 污水处理数据分析 |
7.3 污水处理过程智能检测与优化控制 |
7.3.1 知识决策层 |
7.3.2 智能检测与优化控制系统结构 |
7.4 实验结果与分析 |
7.4.1 仿真实验设计 |
7.4.2 仿真实验结果 |
7.4.3 实验结果讨论 |
7.5 本章小结 |
结论及展望 |
参考文献 |
攻读博士学位期间所发表的学术论文 |
攻读博士学位期间参与的科研项目 |
致谢 |
(9)基于化学吸附的燃烧后CO2捕集系统非线性分析及控制研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.0 研究背景及意义 |
1.1 国内外研究现状 |
1.1.1 燃烧后CO_2捕集系统建模研究 |
1.1.2 燃烧后CO_2捕集系统控制研究 |
1.2 论文主要研究内容及组织结构 |
第二章 化学吸附燃烧后CO_2捕集系统建模和特性分析 |
2.1 引言 |
2.2 化学吸附燃烧后CO_2捕集系统动态建模 |
2.2.1 吸收塔、再生塔模型 |
2.2.2 冷凝器模型 |
2.2.3 再沸器模型 |
2.2.4 热交换器模型 |
2.2.5 缓冲罐模型 |
2.2.6 燃烧后CO_2捕集系统整体模型 |
2.3 化学吸附燃烧后CO_2捕集系统稳态特性分析 |
2.4 化学吸附燃烧后CO_2捕集系统动态特性分析 |
2.4.1 不同捕集率下阶跃响应分析 |
2.4.2 不同再沸器温度下阶跃响应分析 |
2.4.3 不同烟气流量下阶跃响应分析 |
2.4.4 小结 |
2.5 基于间隙度量分析的化学吸附燃烧后CO_2捕集系统非线性分析 |
2.6 本章小结 |
第三章 化学吸附燃烧后CO_2捕集系统线性预测控制 |
3.1 引言 |
3.2 预测控制概述 |
3.2.1 预测控制基本原理 |
3.2.2 预测控制基本算法 |
3.3 化学吸附燃烧后CO_2捕集系统模型预测控制 |
3.3.1 模型辨识 |
3.3.2 模型预测控制器设计 |
3.3.3 仿真研究 |
3.4 化学吸附燃烧后CO_2捕集系统扰动抑制模型预测控制研究 |
3.4.1 前馈模型预测控制 |
3.4.2 仿真研究 |
3.4.3 扰动抑制模型预测控制 |
3.4.4 仿真研究 |
3.5 本章小结 |
第四章 化学吸附燃烧后CO_2捕集系统多模型预测优化控制 |
4.1 引言 |
4.2 化学吸附燃烧后CO_2捕集系统多模型预测控制 |
4.2.1 多模型辨识 |
4.2.2 多模型预测控制器设计 |
4.2.3 仿真研究 |
4.3 化学吸附燃烧后CO_2捕集系统多模型经济性预测控制 |
4.3.1 经济性能指标构建 |
4.3.2 仿真研究 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 今后工作展望 |
致谢 |
参考文献 |
作者在攻读硕士学位期间发表的论文和参与的项目 |
(10)基于深度强化学习的建筑节能方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及研究目的与意义 |
1.2 国内外研究现状 |
1.2.1 建筑能耗预测的研究现状 |
1.2.2 建筑节能控制方法的研究现状 |
1.2.3 深度强化学习的研究现状 |
1.3 研究内容 |
第二章 背景知识 |
2.1 强化学习 |
2.1.1 马尔科夫决策过程 |
2.1.2 强化学习的主要算法 |
2.2 深度学习 |
2.2.1 神经网络 |
2.2.2 随机梯度下降 |
2.3 本章小结 |
第三章 增强型深度确定策略梯度算法 |
3.1 深度确定策略梯度算法 |
3.2 自模拟度量与状态之间的距离 |
3.3 增强型深度确定策略梯度算法 |
3.3.1 样本池的构建 |
3.3.2 行动者-评论家网络参数更新 |
3.3.3 E-DDPG算法 |
3.4 实验 |
3.4.1 Pendulum |
3.4.2 Mountain Car |
3.5 本章小结 |
第四章 基于深度强化学习的负荷预测方法 |
4.1 深度Q网络与双Q网络 |
4.2 空调系统负荷预测影响因素与选取 |
4.3 数据预处理和异常数据修复 |
4.4 环境建模 |
4.5 负荷预测评估标准 |
4.6 实验及结果分析 |
4.6.1 实验设置 |
4.6.2 实验分析 |
4.7 本章小结 |
第五章 基于深度强化学习的空调系统控制优化 |
5.1 空调系统的组成 |
5.2 空调系统节能分析 |
5.3 模型构建 |
5.3.1 参数的选取 |
5.3.2 约束条件 |
5.3.3 确立优化目标 |
5.4 深度强化学习求解策略与算法 |
5.5 实验 |
5.5.1 实验设置 |
5.5.2 实验分析 |
5.6 本章小结 |
第六章 总结与展望 |
参考文献 |
图表目录 |
致谢 |
作者简介 |
四、基于度量的软件项目过程优化控制研究(论文参考文献)
- [1]数字孪生建模方法及其在热力系统优化运行中的应用研究[D]. 高学伟. 华北电力大学(北京), 2021(01)
- [2]污水处理过程中出水水质预测及多目标优化控制[D]. 柯仲祥. 天津工业大学, 2021(01)
- [3]集中空调冷水系统全面优化运行研究[D]. 宋一平. 哈尔滨工业大学, 2020(02)
- [4]基于负荷预测的酒店中央空调水系统运行优化方法及其应用研究[D]. 汪凯文. 安徽工业大学, 2020(07)
- [5]谷氨酸发酵过程的软测量建模研究[D]. 郑蓉建. 江南大学, 2020(01)
- [6]污水处理过程溶解氧浓度优化控制方法研究[D]. 宁楠. 长春工业大学, 2020(01)
- [7]城市生活垃圾焚烧过程风量智能设定方法及仿真平台研发[D]. 夏恒. 北京工业大学, 2020(06)
- [8]污水处理过程智能检测与优化控制的研究[D]. 李霏. 北京工业大学, 2020
- [9]基于化学吸附的燃烧后CO2捕集系统非线性分析及控制研究[D]. 贾东晓. 东南大学, 2019(06)
- [10]基于深度强化学习的建筑节能方法研究[D]. 何超. 苏州科技大学, 2019(01)