基于BP神经网络的PID控制在主汽温控制系统中的应用.doc

《基于BP神经网络的PID控制在主汽温控制系统中的应用.doc》由会员分享，可在线阅读，更多相关《基于BP神经网络的PID控制在主汽温控制系统中的应用.doc（24页珍藏版）》请在三一办公上搜索。

1、摘 要2第1章 绪论31.1 选题的背景31.2人工神经网络的研究内容31.3 国内外研究现状5第2章 神经网络概述62.1 引言62.2 人工神经网络的基本理论62.2.1人工神经元的形式化描述62.3 神经网络原理72.3.1 MP模型72.3.2神经网络的特点及应用82.4 BP神经网络92.4.1 BP神经网路概述92.4.2 BP算法的计算公式及流程图102.5神经网络学习规则12第3章 神经网络PID控制器的设计143.1基于BP神经网络的PID整定原理143.2理论介绍143.2.1 BP神经网络的PID控制143.2.2基于BP网络的PID控制器控制的算法流程14第4章 BP神

2、经网络PID控制在主汽温16控制系统中的应用164.1主蒸汽温度的控制的意义与任务164.1.1主蒸汽温度的控制的意义164.1.2 主蒸汽温度的控制的任务164.2火电厂的主汽温系统174.3 主汽温的数学模型184.3.1 减温水扰动下主汽温的数学模型184.3.2主汽温控制方法194.4 主汽温基于BP神经网络的PID控制仿真214.5 结论23参考文献24网 址25基于BP神经网络的PID控制在主汽温控制系统中的应用摘 要目前，由于PID具有结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。电厂主汽温的被控对象是一个大惯性大迟延非线性且对象变化的

3、系统。常规汽温控制系统为串级PID控制或导前微分控制，当机组稳定运行时，一般能将主汽温控制在允许的范围内。但当运行工况发生较大变化时，却很难保证控制品质。因此本文研究BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。本处用一个多层前向神经网络，采用反向传播算法依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。对这样一个系统在MATLAB平台上进行仿真研究，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自

4、适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。关键词：主汽温；PID；BP神经网络；MATLAB仿真第1章 绪论1.1 选题的背景随着科学技术的发展，自动控制在现代工业中起着主要的作用，目前已广泛应用于工农业生产及其他建设方面。生产过程自动化是保持生产稳定、降低成本、改善劳动成本、促进文明生产、保证生产安全和提高劳动生产率的重要手段，是20世纪科学与技术进步的特征，是工业现代化的标志之一。可以说，自动化水平是衡量一个国家的生产技术和科学水平先进与否的一项重要标志。电力工业中电厂热工生产过程自动化技术相对于其他民用工业部门有较长的历史和较高的自动化水平，电厂热工自动化水平的高

5、低是衡量电厂生产技术的先进与否和企业现代化的重要标志。锅炉汽温控制系统主要包括过热蒸汽和再热蒸汽温度的调节。主蒸汽温度与再热蒸汽温度的稳定对机组的安全经济运行是非常重要的。过热蒸汽温度控制的任务是维持过热器出口蒸汽温度在允许的范围之内，并保护过热器，使其管壁温度不超过允许的工作温度。过热蒸汽温度是锅炉汽水系统中的温度最高点，蒸汽温度过高会使过热器管壁金属强度下降，以至烧坏过热器的高温段，严重影响安全。神经网络控制是一种基本上不依赖于模型的控制方法,它比较适用于那些具有不确定性或高度非线性的控制对象,并具有较强的适应和学习功能,它是智能控制的一个重要分支。对于自动控制来说,神经网络有具有自适应功

6、能，泛化功能，非线性映射功，高度并行处理功能等几方面优势，这使得神经网络成为当今一个非常热门的交叉学科, 广泛应用在电力，化工，机械等各行各业，并取得了比较好的控制效果。1.2人工神经网络的研究内容人工神经网络可以概括地定义为：由大量简单的高度互联的处理元素(神经元)组成的复杂网络计算系统。它是在现代神经科学研究成果上提出来的，始于19世纪末期，反映了人脑的若干基本特征，是模拟人工智能的一条重要途径。从某种意义上说，人工神经网络、并行分布处理和神经计算机是统一的概念。神经网络在两个方面与人脑相似：1. 神经网络获取的知识是从外界环境中学习得来的；2. 互联神经元的连接强度，即突触权值，用于存储

7、获取的知识。人工神经网络的研究和发展经历了一条曲折的道路，分为兴起、萧条、兴盛和高潮4个时期。1986年，美国的D.E.Rumelhart和J.L.McCelland及其领导的研究小组发表了并行分布式处理一书的前两卷，对人工神经网络研究高潮的到来起到了推波助澜的作用。Rumelhart等人最重要的贡献是提出了适用于多层神经网络模型的误差反向传播（Error Back-Propagation, BP），该方法将学习结果反馈到中间层的隐含节点中，解决了多层神经网络的学习问题。目前，该算法已经成为影响最大的一种人工神经网络学习方法。人工神经网络主要应用领域：知识处理：神经网络可以从数据中自动获取数据

8、（知识），把新知识结合到它的映射函数中去，使得神经网络非常适合于处理某类知识，特别是不精确的知识。市场管理：不同种神经网络的数据处理能力是不同的。在金融、银行、保险行业的应用主要是进行顾客群体特征分析、市场研究消费倾向分析等。运输及通信：运输与通信问题在国民经济中有着极为重要的现实意义。最优的调度算法是一个NP完全性问题。神经网络可以根据运输网或通信网中当前及以前的货物及信息情况，最佳地调度网中的货物源和信息源，达到货物和信息在网中的传递最为经济的目的。信号处理：神经网络同样也被广泛地应用于信号处理，如目标检测、畸变波形的恢复、雷达回波的多目标分类、运动目标的速度估计、多目标跟踪等。概括地说，

9、神经网络在信号处理领域主要应用于自适应信号处理(自适应滤波、时间序列预测、谱估计、阵列处理、消除噪声、检测等)、非线性信号处理(非线性滤波、非线性预测、非线性谱估计、非线性编码、调制、解调、中值处理等)。自动控制：早在1 962年，WiCirow就提出了一个神经网络可以成功地学会平衡一个干扰抑制器的控制算法，即著名的LMS算法。Grossberg/Kupersteirl的视觉运动控制神经网络，能够执行传感器表面的一个图像传感器的反馈控制和图像平面的非线性关系的计算，并能把图像传感器瞄准到正在运动的指定客体上。显然，这可以用到机器人的摄像机控制上，而且还可以应用到诸如火炮之类的武器系统中去。除上

10、述几个应用领域之外，神经网络在娱乐、零售分析、信用分析、航空航天等方面也有广泛的应用前景。1.3 国内外研究现状随着现代工业过程的日益复杂，经典现代控制理论面临严峻挑战，例如被控系统越来越巨大，存在多种不确定因素，存在难以确定描述的非线性特性，而控制的要求越来越高(如控制精度、稳定性、容错、实时性等)，因此人们一直在探索如何使控制系统具有更高的智能，使之能够适应各种控制环境。而神经网络源于对人脑神经功能的模拟，它的某些类似人的智能特性有可能被用于解决现代控制面临的一些难题。因此，从20世纪60年代起，人们就开始研究神经网络在控制中的应用了，取得了一定效果。从神经网络的基本模式看,主要有:前馈型

11、、反馈型、自组织型及随机型神经网络。这四种类型各自具有不同的网络模型：前馈网络中主要有Adaline、BP网络及RBF网络；反馈网络主要有Hopfield网络；自组织网络主要有ART网，当前，已经比较成熟的神经网络控制模型主要有神经自校正控制，神经PID控制，神经模型参考自适应控制，神经内膜控制等等。第2章 神经网络概述 2.1 引言简单地讲，人工神经网络是指用大量的简单计算单元(即神经元)构成的非线性系统，它在一定程度和层次上模仿了人脑神经系统的信息处理、存储及检索功能，因而具有学习、记忆和计算等智能处理功能。神经网络具有一些显著的特点：如具有非线性映射能力，不需要精确的数学模型，擅长从输入

12、输出数据中学习有用知识，容易实现并行计算等。由于神经网络由大量简单计算单元组成，因而易于用软硬件来实现5。正因为神经网络是一种模仿生物神经系统构成的新的信息处理模型，并且具有独特的结构，所以人们期望它能解决一些用传统方法难以解决的问题。2.2 人工神经网络的基本理论2.2.1人工神经元的形式化描述模拟生物神经网络时应该首先模拟生物神经元。人工神经元是对生物神经元结构和功能的模拟，是对生物神经元的形式化描述，是对生物生物神经元的信息处理过程的抽象。 人工神经元一般是一个多输入/单输出的非线性器件，其结构模型如图2-1所示。图2-1 人工神经元结构 其数学形式为： （2-1）其中， ,为神经元输入

13、信号，,，为神经元的连接权值，为阀值，为神经元的输出。为神经元转换函数，神经元的输出都是由它得来。通过转换函数实现输入信号到输出信号的映射，称为激活函数。激活函数可以是线性的也可以是非线性的。2.3 神经网络原理2.3.1 MP模型人工神经网络的首个数学模型是由McCulloch和Pitts建立的。该模型的基本思想是：神经细胞的工作方式是或者兴奋或者抑制。基于这个思想，McCulloch和Pitts在神经元模型中引入了硬极限函数，该函数形式后来被其他神经网络(多层感知器、离散Hopfield网络)所采用。MP模型是一个多输入单输出的非线性处理单元，示意图如图2-2所示。图2-2 MP模型示意图

14、其中：，神经元的输出信号，可与其它多个神经元连接；，神经元的输入信号；：神经元的连接权值；：神经元的阀值：神经元的非线性作用函数。神经元输出可用下式描述： （2-2）设 （2-3）则 （2-4）是作用函数，即激发函数。MP神经元模型是人工神经元模型的基础，也是神经网络理论的基础。2.3.2神经网络的特点及应用神经网络具有以下特点:1、分布式存贮信息神经网络使用大量的神经元之间的连接及对各连接权值的分布来表示特定的信息，从而使网络在局部网络受损或输入信号因各种原因发生部分畸变时，仍能够保证网络的正确输出，提高网络的容错性和鲁棒性。2、并行协同处理信息神经网络中的每个神经元都可以根据接收到的信息进

15、行独立的运算和处理，并输出结果，同一层中的各个神经元的输出结果可被同时计算出来，然后传输给下一层做进一步处理，这体现了神经网络并行计算的特点，这一特点使网络具有非常强大的实时性。3、信息处理与存储和二为一神经网络的每个神经元都兼有信息处理和存储功能，神经元之间连接强度的变化，既反映了对信息的记忆，同时又和神经元对激励的响应一起反映了对信息的处理。4、对信息的处理具有自组织、自学习的特点，便于联想、综合和推广。神经网络的神经元之间的连接强度用权值大小来表示，这种权值可以通过对训练的学习而不断变化，而且随着训练样本量的增加和反复学习，这些神经元之间的连接强度会不断增加，从而提高神经元对样本特征的反

16、映灵敏度。正是因为神经网络具有的这些特点，才使它在模式识别、人工智能、控制工程、信号处理等领域有着广泛的应用，相信随着人工神经网络研究的进一步深入，其应用领域会更广，用途会更大。2.4 BP神经网络2.4.1 BP神经网路概述Rumelhart和Mc.Clelland与1986年提出了多层网络的误差反向传播算法（Error Back-Propagation Training），即BP算法，系统解决了多层网络中隐含单元的连接权问题，预示着BP网络的出现。BP神经网络是人工神经网络的一种，它不仅具有人工神经网络的特点，而且有自己的BP算法。BP神经网络的结构如图2-3所示，、为网络的输入、输出向量

17、，每一个神经元用一个节点表示，网络有输入层、隐含层和输出层节点组成。隐含层可以是一层，也可以是多层（图示为单隐含层），前层至后层节点通过权连接。图2-3 多层前馈网络结构2.4.2 BP算法的计算公式及流程图设BP神经网络为三层网络，输入神经元以编号，隐含层神经元以编号，输出层神经元以编号，计算公式如下：隐含层第个神经元的输入为： （2-6）第个神经元的输出为： （2-7）输出层第个神经元的输入为： （2-8）相应的输出为： （2-9）式中，函数，有： （2-10）式中，阀值或偏置值, ，则使S曲线沿横坐标左移，反之则右移。因此，各神经元的输出应为 （2-11） （2-12）BP网络学习中的误

18、差反向传播过程是通过使一个目标函数(实际输出与希望输出之间的误差平方和)最小化完成的，可以利用梯度下降法导出计算公式10。学习过程中，设第个输出神经元的希望输出为，而网络输出为，则系统平均误差为： （2-13）略去下标，式（2-13）可写成 （2-14）式中，目标函数。示意图如图2-4所示，梯度下降学习算法总是在寻找坡度最大的地段向下滑行，当它处于D位置时，沿最大坡度路线下降，到达局部最小点而G停止滑行。如果它是从A点开始向下滑行，则最终到达全局最小点B。 图2-4 BP网络梯度下降学习算法BP网络的学习算法的步骤归纳如下：从训练样本集中取某一样本，把它的输入信息输入到网络中；由网络正向计算出

19、各节点的输出；计算网络的实际输出与期望输出的误差；从输出层起始反向计算到第一个隐层，按一定原则向减小误差方向调整网络的各个连接权值；对训练样本集合中的每一个样本重复以上步骤，直到对整个训练样本集合的误差达到要求为止。如果通过网络训练，BP网络的输出达到目标要求后，网络各节点之间的连接权值就确定下来了，我们就可以认为BP网络已经学习好了，我们就可以利用这个训练好的网络对未知样本进行识别预测了。BP学习算法流程总结如图2-5所示 ：图2-5 BP学习算法流程图2.5神经网络学习规则神经网络的学习规则即调整神经网络连接权值的规则。学习规则可以分为两类：有监督学习和无监督学习。有监督学习就是通过外部教

20、师信号进行学习，即要求同时给出输入和正确的期望输出的模式对，当实际输出结果与期望输出有误差时，网络将通过自动机制调节相应的连接强度，使之向减少误差的方向改变，经过多次反复训练，最后与正确的结果相符合。 无监督学习就是不需要外部教师信号，因而不能确切知道正确的反应是什么，学习表现为自适应于输入空间的检测规则。其学习过程表现为：给系统提供动态输入信号，以使各个单元以某种方式竞争，获胜的神经元本身或相邻域得到增强，其他神经元进一步抑制，从而将信号空间划分为有用的多个区域。常见的学习规则为：无监督学习规则学习规则是一类相关学习，它的基本思想是：如果两个神经元同时被激活，则它们之间的连接强度的增强与它们

21、激励的乘积成正比。以表示单元的激活值，表示单元的激活值，表示单元到单元的激活值，则学习规则可用下式表示： （2-15） 其中，为学习速率，该公式表明两神经元之间连接权的变化量与它们的激活值相关。有监督的学习规则在学习规则中，引入教师信号，将式(2-15)中的换成目标输出与实际输出之差，就组成了有监督的学习规则： (2-16)即两神经元间连接强度的变化量与教师信号和网络实际输出信号之差成正比。有监督的学习规则将无监督的学习和有监督的学习两者结合起来就可组成有监督的学习规则，即： （2-17）采用学习和有监督的学习相结合的学习策略，使神经元通过关联搜索对未知的外界作出反应，即在教师信号的指导下，对

22、环境信号进行相关学习和自组织，使相应的输出增强或削弱。BP网络的学习过程由正向和反向传播两部分构成。正向传播过程中，每一层神经元的状态只影响下一层神经元结构，如果输出层不能得到期望输出，即期望输出与实际输出之间存在误差时，就转向反向传播。反向传播过程将误差信号沿着原来路径返回，通过不断修正各层神经元权值，逐次地向输入层传播进行计算，修改之后的权值再经过正向传播，将期望输出与实际输出比较。这两个过程不断反复运用，直到达到所设定的误差值14。所以说，BP网络是一个有导师的学习过程。第3章 神经网络PID控制器的设计3.1基于BP神经网络的PID整定原理PID控制要取得好的控制效果，就必须通过调整好

23、比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，而是从变化无穷的非线性组合中找出最佳的关系。神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。可以通过对系统性能的学习来实现具有最佳组合的PID控制。采用BP神经网络，可以建立参数、自学习PID控制。3.2理论介绍3.2.1 BP神经网络的PID控制神经网络PID控制，根据系统的运行状态，调节PID控制器的参数，以其达到某种性能指标的最优化，即使输出层神经元的输出状态对应于PID控制器的三个可调参数、，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制规

24、律下的PID的控制器参数。基于BP神经网络自整定PID控制系统方框图如图3-1所示。图3-1 BP神经网络PID控制系统结构图3.2.2基于BP网络的PID控制器控制的算法流程基于BP网络的PID控制器控制算法归纳如下：1确定BP神经网络结构，即确定输入层节点及数目m、隐含层数目q，并给出各层权系数的初值和、选定学习率、惯性系数；2采样得到rin (k)、yout (k)，计算该时刻误差；3计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数、； 4计算PID控制器的输出u (k)；5进行神经网络学习，在线调整加权系数和；实现PID控制参数的自适应调整；6置k

25、 =k+1，返回到第一步。其算法流程图如图3-2所示:初始化权值值值 给定输入和输出样本 求隐含层、输出层各节点输出求目标值与实际输出的偏差 计算反向误差 修正权值 学习结束？ 结束 是 否 图3-2 BP网络算法流程图第4章 BP神经网络PID控制在主汽温控制系统中的应用4.1主蒸汽温度的控制的意义与任务4.1.1主蒸汽温度的控制的意义锅炉过热蒸汽温度是影响机组生产过程安全性和经济性的重要参数。现代锅炉的过热器是在高温、高压的条件下工作的，过热器出口的过热蒸汽温度是机组整个汽水行程中工质温度的最高点，也是金属壁温的最高处。过热器采用的是耐高温高压的合金刚材料，过热器正常运行的温度已接近材料所

26、允许的最高温度。如果过热蒸汽温度过高，容易损坏过热器，也会使蒸汽管道、汽轮机内某些零部件产生过大的热膨胀而毁坏，影响机组的安全运行。如果过热蒸汽温度过低，将会降低机组的热效率，一般蒸汽温度降低5-10，热效率约降低1%，不仅增加燃料的消耗量，浪费能源，而且还将使汽轮机最后几级的蒸汽湿度增加，加速汽轮机叶片的水蚀。另外，过热汽温的降低还会导致汽轮机高压级部分蒸汽的焓值减小，引起反动度增大，轴向推力增大，也对汽轮机安全运行带来不利的影响。4.1.2 主蒸汽温度的控制的任务(1) 维持主汽温在允许的范围之内。对于亚临界机组的主汽温为，长期运行应控制在，对于超临界及超超临界主汽温应控制在，长期运行应控

27、制在。(2) 保护过热器，使其管壁不超过允许的工作温度。汽温过高，会烧毁过热器的高温段；汽温过低也不行，汽温每降5度，热经济性下降百分之一，汽温偏低会使汽机尾部蒸汽湿度增大甚至带水，严重影响汽机的安全运行。4.2火电厂的主汽温系统过热气温原理图如图4-1所示：图4-1 过热气温原理图影响主汽温变化的扰动因素很多，如蒸汽负荷、烟气温度和流速、火焰中心位置、减温水量、给水温度等。主要扰动有3个：1、蒸汽扰动下主汽温对象的动态特性图4-2 蒸汽流量变化对主气温的影响2、 烟气量扰动下主汽温对象的动态特性图 4-3 烟气流量变化对主气温的影响3、减温水量扰动下主汽温对象的动态特性图4-4 减温水量变化

28、对主气温的影响4.3 主汽温的数学模型4.3.1 减温水扰动下主汽温的数学模型以减温水量作为基本扰动，来完成控制，就是用减温水量作为该系统的输入，把主汽温做为输出，管内的蒸汽和管壁可以看做是许许多多的单容对象的串联，因此对象具有分布参数特性，且该被控对象有较大的惯性和迟延。用给水量来完成控制，减温水出口温度变化明显比过热汽温变化要快，常常把这一段作为导前区，把从减温器出口到过热蒸汽出口这一段叫做惰性区，在减温水的扰动下，主气温的动态特性可表示为： （4-1）其中为放大系数，为时间常数，n为阶次。其传递函数由两点法可以通过实验测得。同理导前区的传递函数也可以表示为： （4-2）其中为导前区的放大

29、系数，为导前区的时间常数，为阶次，该传递函数也可以通过实验求的。惰性区的传递函数也可以表示为 （4-3）其中为惰性区放大系数，为惰性区时间常数，为阶次，该传递函数无法通过实验求出，而是由下式求出： （4-4）可得到： （4-5） （4-6） （4-7）4.3.2主汽温控制方法在火电厂中，对主汽温的控制有较高的要求，然而在实际生产过程中,由于主蒸汽流量、压力、烟气温度和流速等的外扰,以及减温水内扰频繁且幅度较大,加上对象模型参数随工况参数(主蒸汽压力、温度和流量)的变化而变化,因而难以建立精确的数学模型.因此,主汽温控制是一个存在大时滞、时变性、大干扰,具有不确定性和非线性的复杂热工对象。常规汽

30、温控制系统为串级PID控制或导前微分控制,串级PID控制系统见下图：图4-5 主气温串级控制框图其中r为过热汽温设定值,为系统输入，分别为控制系统对象的导前区和惰性区的传递函数，K 为执行器近似传递函数。传统的控制都需要人工整定PID，且要求对象模型精确，改进后加入神经网络的控制方案如下图，把常规PID控制器用神经网络来实现如图4-6所示： 图4-6直流锅炉过热汽温NN控制方框图图中，分别为控制系统对象的导前区和惰性区的传递函数，K 为执行器近似传递函数。分别表示副变送器和主变送器。r为输入信号，在传统PID的基础上增加了一个神经网络，用神经网络来在线实时输出PID的比例，积分和微分三个参数。

31、4.4 主汽温基于BP神经网络的PID控制仿真基于BP神经网路的主汽温控制框图如图4-7所示：图4-7 基于BP神经网路的主汽温控制框图如上图，主蒸汽温度的导前区数学模型为: 在负荷为100%时,导前区为: ,而惰性区的传递函数为，也可近似为。4-8 负荷为100%时BP神经PID控制下的阶跃响应曲线图4-9 负荷为100%时BP神经PID控制下的误差曲线图4-10 负荷为100%时BP神经PID控制下的阶跃响应曲线图4-11 负荷为100%时BP神经PID控制下的参数变化曲线4.5 结论常规PID控制系统在控制一个过程对象前，必须要整定PID的三个参数，包括比例增益、积分时间、微分时间，且整

32、定计算好后，在整个控制过程中都是固定不变的。而实际的工业控制中，常规PID控制系统很容易发生振荡，就使系统很难在较短的时间里达到最佳的控制效果。但是BP神经网络PID控制系统由于P1D参数的在线整定，能够很快适应系统参数等发生的变化，从而可以较好的跟踪给定值。本文重点介绍了BP神经网络PID控制器的控制原理和学习规则通过仿真可以看出神经PID不依赖于被控对象的模型，在对象变化的时候仍然能表现出良好的控制性能，明显优于传统的PID控制。同时，从以上仿真结果可以看出：基于BP神经网络的自整定PID控制能依据被控对象的变化自适应的调整PID的三个参数，依据一定的最优准则以求满足不同负荷下的控制要求。

33、在不同负荷下，也即从锅炉的启动到稳定运行的整个过程，都可以保证系统的稳定性，且随着负荷逐渐接近额定负荷，控制效果越来越好，当满负荷运行时，该策略对于大迟延的主汽温系统取得了良好的控制性能。参考文献1 汤同奎，邵惠鹤. 神经网络在控制中的应用J. 江苏石油化工学院学报，1998,10（1）：45-492 王新亚. 基于MEABP神经网络的主汽温控制系统的研究J . 山西焦煤科技,2009，（3）： 13-15 3 王亚斌. 基于BP神经网络PID控制及其仿真J. 江苏冶报,2008,36（2）：33-25 4 薛阳,叶建华,钱虹等. 火电机组过热汽温神经网络控制的研究J. 上海电力学院学报，20

34、09,25（1）：33-385 蔡自兴,陈海燕. 智能控制工程研究的进展J. 控制工程, 2003，10（1）：1-36 Antsaklis P J. Neural Networks in Control SystemsJ. IEEE Control System Magazine (Special Section on Neural Networks for Systemsand Control), 1990： 3-57 John 0. Moody and Panos J.Antsaklis. Neural Network Construction and Rapid Learning fo

35、r System Identification. Department of Electrical EngineeringUniversity of Notre Dame Notre Dame, IN 465568 王万召，王增欣. BP神经网络PID控制器在汽温控制中的应用. 自动化仪表 ，2006，27(12)9 尚福海. 神经网络模型建立. 哈尔滨工程大学. 200610 于希宁. 分段串级汽温控制系统性能分析与仿真研究. 华北电力大学. 201011 郁云，魏瑾. 锅炉生产过程的神经网络建模方法研究. 计算机工程应用技术. 200812 Visakha K. NANAYAKKARA,

36、Yasuyuki IKEGAMIt, Haruo UEHARA. Graduate School of Science and Engineering, Laboratory of Ocean Thermal Energy Conversion,Faculty of Science and Engineering,Saga University, 1-Honjomachi, Saga 840-8502, Japan. IEEE. 200113 黄 宇, 韩 璞, 王东风,张 婧. 基于BP神经网络整定的PID控制在过热汽温系统中的应用. 华北电力大学自动化系14 牛培峰， 张密哲等. 自适应模

37、糊神经网络控制在锅炉过热汽温控制中的应用. 动力工程学报. 2011, 31(2)15 傅志中, 梁峰. 神经网络自学习PID控制器的研究. 动力工程学报. 2004,24(3)16 周光明，马永光. 神经网络在火电厂过热蒸汽温度控制系统中的应用. 仪器仪表. 200517 KUANG Hang. A Neural Network-based Steam Temperature Control System. Chongqing Education College, Chongqing, 40006718 周洪煜, 高鹏飞等. 基于神经网络的过热汽温控制. 微计算机信息(测控自动化). 201

38、0,26(6-1)19 赵敏. 基于神经网络的电厂锅炉燃烧系统建模及优化研究. 浙江大学电气工程学院. 201020 陈伯芳, 尹平林, 马 龙. 基于模糊神经网络的温度控制系统研究. 计算机与数字工程. 2010:54-5721 李仙. 基于模糊神经网络的锅炉汽包水位控制研究. 重庆大学硕士学位论文. 200722 吴小亮. 基于模糊神经网络的锅炉汽包水位控制器的设计. 西安科技大学硕士论文. 2007网 址http:/ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=80237http:/ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=397667