CN112199813A - 面向工艺系统控制优化问题建模方法与遗传算法求解方法 - Google Patents

面向工艺系统控制优化问题建模方法与遗传算法求解方法 Download PDF

Info

Publication number
CN112199813A
CN112199813A CN202010833541.8A CN202010833541A CN112199813A CN 112199813 A CN112199813 A CN 112199813A CN 202010833541 A CN202010833541 A CN 202010833541A CN 112199813 A CN112199813 A CN 112199813A
Authority
CN
China
Prior art keywords
optimization problem
output
genetic algorithm
individual
individuals
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010833541.8A
Other languages
English (en)
Other versions
CN112199813B (zh
Inventor
王恒涛
孙思宇
柳玉宾
纪宇飞
张宇龙
程思博
王莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric Power Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN202010833541.8A priority Critical patent/CN112199813B/zh
Publication of CN112199813A publication Critical patent/CN112199813A/zh
Application granted granted Critical
Publication of CN112199813B publication Critical patent/CN112199813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种面向工艺系统控制优化问题建模方法与遗传算法求解方法，适用于各类生产行业的工艺系统，由多个工艺单元组成。本发明通过数据点表形式描述设备特性，简单实用，容易工程实施；同时采用指数平滑更新方式，实时跟踪系统随着运行时间增长而变化的特性。本发明通过收益最大化建立系统控制的最优化模型，并将问题的解转化成生物个体基因表达，将目标函数转换成个体适应度函数表达，利用遗传算法的种群迭代方法，求得最优问题的解。

Description

面向工艺系统控制优化问题建模方法与遗传算法求解方法
技术领域
本发明涉及一种建模与求解方法，尤其是涉及一种面向工艺系统控制优化问题建模方法与遗传算法求解方法，是面向工艺系统提出一种普适的控制优化问题建模与求解方法，它针对的工艺系统包括各类的生产行业，如发电行业、化工行业、流程行业等；具体到发电行业可包括火电厂的运行优化控制、燃气分布式系统的运行优化控制等方面。
背景技术
由于工艺系统，特别是流程工艺系统复杂、设备多、特性多变，又存在多种输入、多种输出的形式，常规机理建模复杂，准确度不够，更难与实际系统运行数据的匹配。因此对系统的最优化控制就提出了极大挑战。比如针对发电行业的燃气分布式能源系统，包括燃机、锅炉、汽机、抽汽阀门、减温减压阀等众多设备，工艺流程复杂；并且系统多输入(燃气、水、电)、多输出(冷、热、电)的特点，使得人工调整很难控制在最优运行模式下，效益、效率都难以保证。
同时这类工艺系统也存在时变特性，随着设备运行时间的增长，设备的特性会发生变化，出厂的特性和历史的特性不能适用于最新的工况。由于这类问题的存在导致控制的最终输出与系统的实际运行存在偏差。
发明内容
本发明的目的在于克服现有技术中存在的上述不足，而提供一种方法简单实用，工程实施方便，通过收益最大化建立系统控制的最优化模型，利用遗传算法的种群迭代方法求得最优问题的解的面向工艺系统控制优化问题建模方法与遗传算法求解方法。
本发明解决上述问题所采用的技术方案是：该面向工艺系统控制优化问题建模方法与遗传算法求解方法，其特征在于：具体部分如下：
(1)系统描述
a)系统分解成多个工艺单元按照一定的流程并联或串联组成；
b)定义输入源为影响工艺系统输出的所有参量，包括系统的原始输入量和系统的控制量；
c)系统的输入源定义为I＝[I1,I2,…,IN]，N为输入源个数，系统输出定义为O＝[O1,O2,…,OM],M为系统输出个数；
d)系统统总输出需求定义为Or＝[Or,1,Or,2,…,Or,M]；
(2)系统特性建模
a)对每个工艺单元k，由n个输入源变量、m个输出变量表示；其中第i个输入源变量表示为Ik,i,第i个输出变量表示为Ok,i；
b)数据库中为每个工艺单元k的输出i,i＝1,2,…,m建立一个特征数据表Tk,i，存储输入源组合下的输出变量的均值ek,i和偏差δk,i，表达为
[ek,i,δk,i]＝Tk,i(Ik,1,Ik,2,…,Ik,n)
c)系统实时采集数据点Ok,i，并不断更新存储于系统特征表中，更新方式为指数平滑方法，即
ek,i＝ek,i·r+(1-r)·Ok,i
δk,i＝δk,i·r+(1-r)·|Ok,i-ek,i|
其中r∈[0,1]表示指数平滑权重；
(3)优化问题建模
a)目标函数定义为
Figure BDA0002638851120000021
其中Pi表示系统输出Oi的收益系数，Qi为系统输入源Ii的成本系数；
b)约束条件包括系统的输入源阈值范围，和需求约束
Oi＝Or,i.i＝1,2,…,M
c)最优化问题为
Figure BDA0002638851120000022
(4)遗传算法求解
a)将工艺系统中所有的输入源均定义为染色体，每个染色体根据输入源的阈值范围表达成二进制形式，二进制的位数即为对应染色的基因个数，每一位表达为一个基因；
b)拥有a)中定义的所有输入源染色体的为一个个体，大量的个体组成一个群体；
c)给定任意一个个体，即一组输入源I＝[I1,I2,…,IN]，通过其基因表达的实际数，按照系统工艺流程流向，在数据库中的特征数据表取到对应每一工艺的输出，如存在数据点缺失，采用线性插值得到系统的输出O＝[O1,O2,…,OM]；
d)定义个体的适应度为
Figure BDA0002638851120000031
其中Pi，Qi定义同上，β为系统输出与系统输出需求差值的惩罚系数；
e)随机初始化一定数量个体的群体，并计算各个体的适应度并排序，选择适应度大的前一半个体，后一半个体淘汰；
f)遵循遗传算法的基本原则，从选择的一半个体中，任意两两选择个体，进行同种染色体上基因的交叉与变异，交叉与变异均以一定概率执行，生成新的一半的个体，组成新一代群体；
g)迭代执行e)和f)过程，直到s代群体中个体最优适应度
Figure BDA0002638851120000032
不再发生大的变化，即
Figure BDA0002638851120000033
ε为迭代终止阈值；
h)s代群体中最优(top1)个体染色体的基因表达I；op1，即为整个工艺系统的最优解输出。
作为优选，本发明系统可分解成多个工艺单元通过并联或串联方式组成，系统的输入源包含了整个系统的输入量和控制量。
作为优选，本发明所述系统特性建模，是由各工艺单元的特征数据表描述，其中特征点使用同组输入源下的所有数据点按照时间先后指数平滑后的均值及偏差描述。
作为优选，本发明所述的最优化问题建模中以输出收益减去成本为优化目标，以满足系统输出需求为约束；描述的收益不仅仅表示经济效益方面的收益，也可定义为以提高系统效率为目标的收益系数。
作为优选，本发明所述的优化问题求解，将优化问题的解用染色体(基因)表达，将解空间定义为一个群体集合，每个个体都是解空间的一个解。
作为优选，本发明所述的优化问题求解，将最优目标函数转换成个体的适应度函数，将约束目标转换成适应度函数中的惩罚项。
作为优选，本发明所述的优化问题求解，通过不断地进行种群迭代，寻找最优个体，直到达到迭代阈值结束，将最优个体表达的基因作为最终优化问题的解。
本发明与现有技术相比，具有以下优点和效果：通过数据点表形式描述设备特性，简单而有效，容易工程实施；同时采用指数平滑更新方式，实时跟踪系统随着运行时间增长而变化的特性。本发明通过收益最大化建立系统控制的最优化模型，并将问题的解转化成生物个体基因表达，将目标函数转换成个体适应度函数表达，利用遗传算法的种群迭代方法，求得最优问题的解。
附图说明
图1是本发明实施例的工艺流程系统示意图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例。
参见图1，本实施例面向工艺系统控制优化问题建模方法与遗传算法求解方法，其特征包括以下部分：
(1)系统描述
a)系统分解成多个工艺单元按照一定的流程并联或串联组成；
b)定义输入源为影响工艺系统输出的所有参量，包括系统的原始输入量和系统的控制量；
c)系统的输入源定义为I＝[I1,I2,…,IN]，N为输入源个数，系统输出定义为O＝[O1,O2,…,OM],M为系统输出个数；
d)系统统总输出需求定义为Or＝[Or,1,Or,2,…,Or,M]；
(2)系统特性建模
a)对每个工艺单元k，由n个输入源变量、m个输出变量表示；其中第i个输入源变量表示为Ik,i,第i个输出变量表示为Ok,i；
b)数据库中为每个工艺单元k的输出i,i＝1,2,…,m建立一个特征数据表Tk,i，存储输入源组合下的输出变量的均值ek,i和偏差δk,i，表达为
[ek,i,δk,i]＝Tk,i(Ik,1,Ik,2,…,Ik,n)
c)系统实时采集数据点Ok,i，并不断更新存储于系统特征表中，更新方式为指数平滑方法，即
ek,i＝ek,i·r+(1-r)·Ok,i
δk,i＝δk,i·r+(1-r)·|Ok,i-ek,i|
其中r∈[0,1]表示指数平滑权重；
(3)优化问题建模
a)目标函数定义为
Figure BDA0002638851120000051
其中Pi表示系统输出Oi的收益系数，Qi为系统输入源Ii的成本系数；
b)约束条件包括系统的输入源阈值范围，和需求约束
Oi＝Or,i.i＝1,2,…,M
c)最优化问题为
Figure BDA0002638851120000052
(4)遗传算法求解
a)将工艺系统中所有的输入源均定义为染色体，每个染色体根据输入源的阈值范围表达成二进制形式，二进制的位数即为对应染色的基因个数，每一位表达为一个基因；
b)拥有a)中定义的所有输入源染色体的为一个个体，大量的个体组成一个群体；
c)给定任意一个个体，即一组输入源I＝[I1,I2,…,IN]，通过其基因表达的实际数，按照系统工艺流程流向，在数据库中的特征数据表取到对应每一工艺的输出，如存在数据点缺失，采用线性插值得到系统的输出O＝[O1,O2,…,OM]；
d)定义个体的适应度为
Figure BDA0002638851120000053
其中Pi，Qi定义同上，β为系统输出与系统输出需求差值的惩罚系数；
e)随机初始化一定数量个体的群体，并计算各个体的适应度并排序，选择适应度大的前一半个体，后一半个体淘汰；
f)遵循遗传算法的基本原则，从选择的一半个体中，任意两两选择个体，进行同种染色体上基因的交叉与变异，交叉与变异均以一定概率执行，生成新的一半的个体，组成新一代群体；
g)迭代执行e)和f)过程，直到s代群体中个体最优适应度
Figure BDA0002638851120000061
不再发生大的变化，即
Figure BDA0002638851120000062
ε为迭代终止阈值；
h)s代群体中最优(top1)个体染色体的基因表达I；op1，即为整个工艺系统的最优解输出。
本实施例系统分解成多个工艺单元通过并联或串联方式组成，系统的输入源包含了整个系统的输入量和控制量。
本实施例系统特性建模，是由各工艺单元的特征数据表描述，其中特征点使用同组输入源下的所有数据点按照时间先后指数平滑后的均值及偏差描述。
本实施例优化问题建模中，收益表示经济效益方面的收益或者定义为以提高系统效率为目标的收益系数。
本实施例优化问题的解用染色体表达，将解空间定义为一个群体集合，每个个体都是解空间的一个解。
本实施例最优目标函数转换成个体的适应度函数，将约束目标转换成适应度函数中的惩罚项。
本实施例通过不断地进行种群迭代，寻找最优个体，直到达到迭代阈值结束，将最优个体表达的基因作为最终优化问题的解。
本实施例利用多维数据点表描述方式，采用均值和偏差的度量方式解决特性描述不精确的问题，和数据量巨大存储的问题。采用指数平滑更新的方式，利用设备最新的特性数据不断更新设备的特性数据点表，实现了系统特性的实时跟踪。
本实施例利用最优化建模方法提出了系统运行的最优化问题及约束。并将优化问题模型转成遗传算法的求解方式，将问题的解以生物个体基因表达，将优化问题的目标函数转换成生物个体的适应度，将约束转换成惩罚项，通过大量的种群迭代得到系统的最优解输出。
通过上述阐述，本领域的技术人员已能实施。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所作的举例说明。凡依据本发明专利构思所述的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (7)

1.一种面向工艺系统控制优化问题建模方法与遗传算法求解方法，其特征在于：具体部分如下：
(1)系统描述
a)系统分解成多个工艺单元按照一定的流程并联或串联组成；
b)定义输入源为影响工艺系统输出的所有参量，包括系统的原始输入量和系统的控制量；
c)系统的输入源定义为I＝[I1，I2，…，IN]，N为输入源个数，系统输出定义为O＝[O1，O2，…，OM]，M为系统输出个数；
d)系统统总输出需求定义为Or＝[Or，1，Or，2，…，Or，M]；
(2)系统特性建模
a)对每个工艺单元k，由n个输入源变量、m个输出变量表示；其中第i个输入源变量表示为Ik，i，第i个输出变量表示为Ok，i；
b)数据库中为每个工艺单元k的输出i，i＝1，2，...，m建立一个特征数据表Tk，i，存储输入源组合下的输出变量的均值ek，i和偏差δk，i，表达为
[ek，i，δk，i]＝Tk，i(Ik，1，Ik，2，...，Ik，n)
c)系统实时采集数据点Ok，i，并不断更新存储于系统特征表中，更新方式为指数平滑方法，即
ek，i＝ek，i·r+(1-r)·Ok，i
δk，i＝δk，i·r+(1-r)·|Ok，i-ek，i|
其中r∈[0，1]表示指数平滑权重；
(3)优化问题建模
a)目标函数定义为
Figure FDA0002638851110000011
其中Pi表示系统输出Oi的收益系数，Qi为系统输入源Ii的成本系数；
b)约束条件包括系统的输入源阈值范围，和需求约束
Oi＝Or，i·i＝1，2，...，M
c)最优化问题为
Figure FDA0002638851110000012
s.t.Oi＝Or，i·i＝1，2，...，M
(4)遗传算法求解
a)将工艺系统中所有的输入源均定义为染色体，每个染色体根据输入源的阈值范围表达成二进制形式，二进制的位数即为对应染色的基因个数，每一位表达为一个基因；
b)拥有a)中定义的所有输入源染色体的为一个个体，大量的个体组成一个群体；
c)给定任意一个个体，即一组输入源I＝[I1，I2，…，IN]，通过其基因表达的实际数，按照系统工艺流程流向，在数据库中的特征数据表取到对应每一工艺的输出，如存在数据点缺失，采用线性插值得到系统的输出O＝[O1，O2，…，OM]；
d)定义个体的适应度为
Figure FDA0002638851110000021
其中Pi，Qi定义同上，β为系统输出与系统输出需求差值的惩罚系数；
e)随机初始化一定数量个体的群体，并计算各个体的适应度并排序，选择适应度大的前一半个体，后一半个体淘汰；
f)遵循遗传算法的基本原则，从选择的一半个体中，任意两两选择个体，进行同种染色体上基因的交叉与变异，交叉与变异均以一定概率执行，生成新的一半的个体，组成新一代群体；
g)迭代执行e)和f)过程，直到s代群体中个体最优适应度
Figure FDA0002638851110000022
不再发生大的变化，即
Figure FDA0002638851110000023
ε为迭代终止阈值；
h)s代群体中最优(top1)个体染色体的基因表达Itop1，即为整个工艺系统的最优解输出。
2.根据权利要求1所述的面向工艺系统控制优化问题建模方法与遗传算法求解方法，其特征在于：系统分解成多个工艺单元通过并联或串联方式组成，系统的输入源包含了整个系统的输入量和控制量。
3.根据权利要求1所述的面向工艺系统控制优化问题建模方法与遗传算法求解方法，其特征在于：所述系统特性建模，是由各工艺单元的特征数据表描述，其中特征点使用同组输入源下的所有数据点按照时间先后指数平滑后的均值及偏差描述。
4.根据权利要求1所述的面向工艺系统控制优化问题建模方法与遗传算法求解方法，其特征在于：所述优化问题建模中，收益表示经济效益方面的收益或者定义为以提高系统效率为目标的收益系数。
5.根据权利要求1所述的面向工艺系统控制优化问题建模方法与遗传算法求解方法，其特征在于：所述优化问题的解用染色体表达，将解空间定义为一个群体集合，每个个体都是解空间的一个解。
6.根据权利要求1所述的面向工艺系统控制优化问题建模方法与遗传算法求解方法，其特征在于：所述最优目标函数转换成个体的适应度函数，将约束目标转换成适应度函数中的惩罚项。
7.根据权利要求1所述的面向工艺系统控制优化问题建模方法与遗传算法求解方法，其特征在于：所述通过不断地进行种群迭代，寻找最优个体，直到达到迭代阈值结束，将最优个体表达的基因作为最终优化问题的解。
CN202010833541.8A 2020-08-18 2020-08-18 面向工艺系统控制优化问题建模方法与遗传算法求解方法 Active CN112199813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010833541.8A CN112199813B (zh) 2020-08-18 2020-08-18 面向工艺系统控制优化问题建模方法与遗传算法求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010833541.8A CN112199813B (zh) 2020-08-18 2020-08-18 面向工艺系统控制优化问题建模方法与遗传算法求解方法

Publications (2)

Publication Number Publication Date
CN112199813A true CN112199813A (zh) 2021-01-08
CN112199813B CN112199813B (zh) 2023-07-11

Family

ID=74005747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010833541.8A Active CN112199813B (zh) 2020-08-18 2020-08-18 面向工艺系统控制优化问题建模方法与遗传算法求解方法

Country Status (1)

Country Link
CN (1) CN112199813B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7054799B1 (en) * 2002-07-08 2006-05-30 Haestad Methods, Inc. Method and system for reduction of a network topology-based system having automated optimization features
CN101211383A (zh) * 2007-12-21 2008-07-02 浙江大学 一种高炉铁水硅含量的特征分析预报方法
CN103870647A (zh) * 2014-03-14 2014-06-18 西安工业大学 一种基于遗传算法的作业车间调度建模的方法
CN106022474A (zh) * 2016-06-01 2016-10-12 河海大学常州校区 一种可重构装配线平衡优化方法
CN106875094A (zh) * 2017-01-11 2017-06-20 陕西科技大学 一种基于多色集合遗传算法的多目标车间调度方法
CN109117560A (zh) * 2018-08-17 2019-01-01 武汉理工大学 基于mbd的汽车典型机加工零件三维工艺设计方法及平台
CN110735682A (zh) * 2019-09-20 2020-01-31 华电电力科学研究院有限公司 一种基于多目标优化算法的分布式余压发电系统及调控方法
CN111222627A (zh) * 2019-11-18 2020-06-02 辽宁科技大学 一种镀层控制的气刀距离数据驱动预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7054799B1 (en) * 2002-07-08 2006-05-30 Haestad Methods, Inc. Method and system for reduction of a network topology-based system having automated optimization features
CN101211383A (zh) * 2007-12-21 2008-07-02 浙江大学 一种高炉铁水硅含量的特征分析预报方法
CN103870647A (zh) * 2014-03-14 2014-06-18 西安工业大学 一种基于遗传算法的作业车间调度建模的方法
CN106022474A (zh) * 2016-06-01 2016-10-12 河海大学常州校区 一种可重构装配线平衡优化方法
CN106875094A (zh) * 2017-01-11 2017-06-20 陕西科技大学 一种基于多色集合遗传算法的多目标车间调度方法
CN109117560A (zh) * 2018-08-17 2019-01-01 武汉理工大学 基于mbd的汽车典型机加工零件三维工艺设计方法及平台
CN110735682A (zh) * 2019-09-20 2020-01-31 华电电力科学研究院有限公司 一种基于多目标优化算法的分布式余压发电系统及调控方法
CN111222627A (zh) * 2019-11-18 2020-06-02 辽宁科技大学 一种镀层控制的气刀距离数据驱动预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FEI LUO等: "A Novel Genetic Algorithm for Bin Packing Problem in jMetal", pages 1 - 7 *
么大锁等: "基于RBF神经网络和遗传算法的注塑成型质量控制与预测", vol. 48, no. 4, pages 71 - 76 *
柳玉宾等: "基于遗传算法的燃气分布式能源系统负荷优化分配", vol. 40, no. 3, pages 1 - 4 *
秦永法,赵明扬,陈书宏: "基于遗传退火算法的装配线设计多目标优化方法", no. 11, pages 1416 - 1420 *

Also Published As

Publication number Publication date
CN112199813B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
CN109084415B (zh) 基于神经网络和遗传算法的中央空调运行参数寻优方法
CN105574615B (zh) 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法
CN103809506A (zh) 基于一维粒子群算法获得零件加工最优调度方案的方法
CN105955026B (zh) 模糊pid控制方法和装置及系统
CN113107626B (zh) 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN109599872B (zh) 基于堆栈降噪自动编码器的电力系统概率潮流计算方法
CN110413601B (zh) 基于高斯朴素贝叶斯和预报误差法的发电机数据筛选法
CN112163376A (zh) 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN111555682A (zh) 一种基于优化算法的pid永磁同步电机的控制方法
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
CN112288139A (zh) 基于混沌时间序列的空调能耗预测方法、系统及存储介质
CN113091088B (zh) 一种基于双阶段神经网络的锅炉燃烧广义预测控制方法
CN112199813B (zh) 面向工艺系统控制优化问题建模方法与遗传算法求解方法
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法
Ansalam Raj et al. An improved genetic algorithm for the prediction of surface finish in dry turning of SS 420 materials
CN110728031B (zh) 一种基于ann建模平衡复杂石化过程产能的多目标优化方法
Avdieieva et al. Optimization of the flowing part of the turbine K-310-240 based on the object-oriented approach
Shirakawa et al. Intelligent multi-objective model predictive control applied to steam turbine start-up
CN114091304B (zh) 氢氧气体热源加工船体外板的智能决策方法
CN116502750A (zh) 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法
CN116542385A (zh) 一种针对风、光功率预测的集成学习方法及系统
Wang et al. Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm
CN112990533B (zh) 一种稀疏约束和动态权重分配的风电集群功率预测方法
CN112632728B (zh) 基于深度学习的透平机械叶型设计及性能预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant