GA-RBF神经网络在复杂系统鲁棒控制中的应用

"凌呼君和李宁在2011年的《内蒙古工业大学学报》上发表了一篇关于使用GA-RBF神经网络GPC控制策略进行复杂系统鲁棒控制的研究论文。他们探讨了大型火力发电机组在电力工业中的重要性和其作为复杂生产过程的控制挑战，特别是面对耦合、时变、非线性和滞后问题。通过结合遗传算法和径向基函数(RBF)神经网络，建立了预测控制模型，并应用广义预测控制(GPC)策略，实现了在线滚动优化和反馈校正，以增强系统的鲁棒性。仿真结果显示，该策略在系统工况变化、参数变化以及存在滞后效应的情况下，表现出强大的鲁棒性。关键词包括遗传算法、RBF神经网络、广义预测控制、单元机组和鲁棒性。" 这篇论文的焦点在于解决大型火力发电机组控制中的复杂问题。作者首先指出了由于电力工业的进步，大型单元制火力发电机组在电网中的比重增加，而这些机组的控制任务变得更为复杂，因为它们是强耦合、时变、非线性的，并且存在显著的滞后效应。传统的局部控制系统难以应对这些挑战。 为了克服这些难题，论文提出了一种创新的控制策略，即结合遗传算法(GA)和径向基函数(RBF)神经网络的算法来建模。RBF神经网络因其强大的函数逼近能力而被选中，它可以精确地模拟复杂的非线性动态系统。然而，RBF网络本身可能存在局部最优和收敛速度慢的问题，而遗传算法则以其全局搜索能力来弥补这些不足，两者结合形成的GA-RBF算法能更有效地构建预测模型。 接下来，GA-RBF模型与广义预测控制(GPC)策略结合起来。GPC是一种自适应控制方法，它基于参数模型并引入不等的预测和控制水平，使得系统设计更加灵活，能够提供滚动优化和在线校正，从而展现优秀的控制性能和鲁棒性。在对大型单元机组的协调控制仿真中，即使在工况变化、参数变化和滞后存在的情况下，这种控制策略仍能保持高度的鲁棒性。 这项研究为解决复杂系统控制问题提供了一种新的解决方案，通过结合智能算法和预测控制理论，提高了对大型火力发电机组控制的效率和稳定性。这不仅有助于提升电力生产的可靠性和经济效益，也为未来类似的复杂系统控制研究提供了有价值的参考。