粒子群算法与径向神经网络相结合的凝汽器真空预测模型

合集下载

模拟退火粒子群算法在汽车故障诊断中的应用

摘要：将基于模拟退火改进粒子群优化（ＡＳ算法和误差反向传播（Ｐ）ＳＰＯ）Ｂ算法相结合构成的ＳＰＯ．Ｐ算法用于训练神ＡＳＢ经网络，该算法能够有效克服ＢＰ和ＰＯ算法独立训练神经网络的缺陷。应用于汽车发动机异晌智能故障诊断。诊断结Ｓ并果表明，ＡＰＯ・Ｐ混合算法的收敛速度快于ＢＳＳＢＰ及ＰＯ－Ｐ算法。且具有较高的诊断准确率。ＳＢ并关键词：模拟退火；ＳＰＯ算法；ＢＰ算法；神经网络；故障诊断中图分类号：Ｐ８；４２Ｔ１３Ｕ７文献标志码：Ｂ
好、习能力强和非线性逼近能力等特点，训练费时，存学但且
在局部极小值缺陷，而影响了故障诊断的准确性、从快速性和
有效性。本文采用模拟退火改进粒子群优化算法，其与Ｂ将Ｐ算法相结合来优化神经网络，并应用于汽车故障诊断，方法此具有训练时间短、计算精度高和全局收敛等优点。
干扰源和耦合途径的筛选和合并是两项非常重要的工作。所
谓筛选和合并，就是确定起主要作用的干扰源和耦合途径，并把性质类似的干扰源、耦合途径进行合并处理。通过筛选和合并，能够简化系统的电磁兼容分析计算，并达到满意效果。进行电磁兼容性预测时，干扰源有许多个，敏感设备也有许多个。因此采用逐对考虑的方式，每次选一个发射源和一
旦经验窒逾日
ｄｉ１．９９ｊｉｓ．６１１４．０２０．３ｏ：０３６／．ｎ１７－０１２１．２０４ｓ

一种混沌混合粒子群优化RBF神经网络算法

一种混沌混合粒子群优化RBF神经网络算法刘洁;李目;周少武【摘要】为了更精确地检测出混沌背景下的微弱目标信号，提高预测效果，文中提出了一种混沌混合粒子群优化RBF神经网络(CHPSO-RBFNN)算法。

本算法主要采用了基于群体自适应变异和个体退火操作的混沌粒子群优化RBF神经网络，利用群体自适应变异以及个体退火操作优化混沌粒子群，有效地提高了粒子群算法的全局收敛性，优化了RBF神经网络的结构和参数。

把该算法用于预测混沌时间序列、检测混沌背景下微弱目标信号，实验结果表明本算法有良好的非线性预测能力，可以有效地检测出混沌背景下的微弱目标信号。

%In order to detect the weak target signal accurately in the chaos background, and improve forecast result, a novel algorithm based on RBF Neural Network ( RBFNN) with Chaotic Hybrid Particle Swarm Optimization ( CHPSO) is presented. In this algorithm, the RBF neural network is optimized by chaotic particle swarm optimization with adaptive population mutation and individual annealing operation. In order to improve the global convergence ability of PSO,the colony adaptive mutation and individual annealing operation are used to adjust and optimize PSO. Then the parameters and structures of RBFNN are optimized. This novel algorithm is applied to predict chaotic time sequence and detect weak target signal in the chaos background. Simulation results show that the algorithm has preferable nonlinear prediction ability and can detect weak target signal effectively.【期刊名称】《计算机技术与发展》【年(卷),期】2013(000)008【总页数】4页(P181-184)【关键词】混沌;自适应变异;粒子群;模拟退火;RBF神经网络;目标检测【作者】刘洁;李目;周少武【作者单位】湖南工程学院设计艺术学院，湖南湘潭 411104;湖南科技大学信息与电气工程学院，湖南湘潭 411201;湖南科技大学信息与电气工程学院，湖南湘潭 411201【正文语种】中文【中图分类】TP390 引言粒子群算法是一种基于群体的优化算法，既具有进化算法的全局寻优能力，又避免了复杂的遗传操作，其参数调整简单，训练收敛速度快;而神经网络具有很强的自适应学习能力、并行处理能力和泛化能力，能够以任意精度逼近非线性函数。

基于粒子群算法的神经网络在冰凌预报中的应用

第３０卷第３期２　０　１　２年３月水　电　能　源　科　学Ｗａｔｅｒ　Ｒｅｓｏｕｒｃｅｓ　ａｎｄ　ＰｏｗｅｒＶｏｌ．３０Ｎｏ．３Ｍａｒ．２　０　１　２文章编号：１０００－７７０９（２０１２）０３－００３５－０４基于粒子群算法的神经网络在冰凌预报中的应用韩宇平，蔺　冬，王富强，周翔南（华北水利水电学院水利学院，河南郑州４５００１１）摘要：为提高神经网络预报模型的泛化能力和预测精度，将粒子群算法与ＢＰ神经网络相结合，建立了粒子与神经网络参数的映射关系，利用粒子群算法全局搜索网络的最优权值，赋值于神经网络进行训练，从而建立了ＰＳＯ－ＢＰ预报模型，并将模型应用于黄河宁蒙河段的冰凌预报中。

结果表明，该模型预报合格率较高，属于甲等预报，且与ＧＡ－ＢＰ模型相比偏差更小、精度更高。

关键词：粒子群算法；神经网络；冰凌预报；封河；开河中图分类号：Ｐ３３８文献标志码：Ａ收稿日期：２０１１－０７－１８，修回日期：２０１１－０９－１４基金项目：国家自然科学基金资助项目（５１００９０６５）；河南省重点科技攻关计划基金资助项目（１１２１０２１１００３３，０９２１０２１１００３２）；河南省教育厅自然科学研究计划基金资助项目（２０１１Ｂ１７０００６）作者简介：韩宇平（１９７５－），男，教授，研究方向为水文过程及预报、水资源系统分析，Ｅ－ｍａｉｌ：ｈａｎｙｐ＠ｎｃｗｕ．ｅｄｕ．ｃｎ通讯作者：王富强（１９７９－），男，副教授，研究方向为水文学、水资源及环境生态，Ｅ－ｍａｉｌ：ｗａｎｇｆｕｑｉａｎｇ＠ｎｃｗｕ．ｅｄｕ．ｃｎ黄河是我国凌汛出现最为频繁的河流，其中以宁蒙（宁夏和内蒙古）河段最严重，几乎每年冬春季节均会产生凌汛，这是由其特殊的地理位置、水文气象条件和河道特性决定的。

因此，准确预报出宁蒙河段封河、开河日期对该河段防凌工作具有十分重要的意义。

目前，国内外对封河、开河日期预报的研究较多，且取得的效果良好［１，２］。

Ｍａｓｓｉｅ　Ｄ　Ｄ等［３］针对Ｏｉｌ　Ｃｉｔｙ河段的冰情，采用历史观测资料构造了多层前馈型神经网络模型；陈守煜等［４］在分析凌汛成因的基础上，将ＢＰ神经网络成功应用于黄河宁蒙河段封河、开河预报中。

粒子群算法与神经网络结合的优化算法研究

粒子群算法与神经网络结合的优化算法研究随着人工智能和数据分析的快速发展，优化算法作为一种重要的数学方法，在各个领域中得到了广泛应用。

其中，粒子群算法和神经网络结合的优化算法，已经成为优化问题的一种新思路。

粒子群算法是一种优化算法，灵感来源于鸟群捕食的策略。

鸟群在进行捕食时，会根据周围环境和食物的分布情况，不断调整自己的方向和速度。

同样，粒子群算法中的“粒子”，也会根据周围其他粒子的信息和当前环境的优化目标，去更新自己所处的位置和速度。

神经网络作为另一种常用的数学方法，其本质是一种多层次的非线性函数。

神经网络通常被用来解决分类、识别和预测等问题。

其通过对输入变量的权重和偏差进行变化，不断调整模型参数，从而优化预测的准确性和泛化能力。

将这两种方法进行结合，即可形成一种有效的优化算法。

具体而言，粒子群算法可以用来寻找神经网络中的最优参数，从而提高模型的性能。

而神经网络则可以作为粒子群算法的优化目标，通过反馈神经网络预测误差，不断调整粒子的位置和速度。

这种结合方法的好处在于，能够同时利用粒子群算法的全局优化和神经网络的非线性优势。

在一些特定的优化问题中，甚至可以得到比单一方法更优秀的解决方案。

另外，在实际应用中，这种结合方法也有着很大的潜力。

例如，在智能物流中，可以运用粒子群算法从一堆货物中找出最优的装载方式，在这个过程中可以利用神经网络为每个货物进行分类，不断调整粒子，从而更好地进行装载。

在医学影像诊断中，可以利用神经网络对医学影像进行自动识别和分析，然后通过粒子群算法优化多个相关参数，从而提高诊断准确率。

总之，粒子群算法和神经网络结合的优化算法，在各个领域中有着重要的应用和价值。

虽然这种结合方法还处于起步阶段，但我们相信在不久的将来，它们将会得到更广泛的应用，并为我们带来更加稳健、高效和准确的优化算法。

燃煤发电机组能耗诊断及运行优化方法及研究现状

燃煤发电机组能耗诊断及运行优化方法及研究现状摘要：燃煤发电机组的高效低能耗运行是发电行业向低碳转型的必然选择。

从凝汽式燃煤发电机组能耗评价指标分析入手，分析影响燃煤发电机组运行能耗的主要因素，提出运行优化是降低燃煤发电机组能耗的主要措施。

从运行参数的分级测量与重构、设备热力特性模型的建立和基准工况的确定三个方面谈论了燃煤发电机组能耗诊断与运行优化的方法及研究现状，指出信息化技术的应用是燃煤发电机组运行优化未来的发展方向。

关键词：能耗诊断运行优化状态监测数据挖掘1 前言电力行业一直是全球最大的用能和碳排放行业。

2017年，全球一次能源消费总量中的40%用于发电[1]，到2040年，这一比例预计将提升至50%[2]。

目前，燃煤发电占全球发电量的38%，尽管近年来可再生能源保持快速增长，但由于其总量占比很低（2017年仅为8%），预计未来二十年内，煤炭依然是电力的最主要能源来源。

因此，降低燃煤发电机组的运行能耗，不仅可以降低发电厂生产成本，还可以减少碳排放，具有重大的经济效益和社会效益。

本文首先分析了燃煤发电机组能耗的评价指标以及制约机组能耗的主要因素，其次从参数测量、设备热力特性建模和基准工况确定三个方面讨论燃煤发电机组能耗诊断及运行优化的方法及研究现状。

2 燃煤发电机组能耗评价指标对于大型燃煤凝汽式发电机组，通常选择供电煤耗率作为整体能耗水平的评价指标。

(1)为式中：b为供电煤耗率，g/(kW·h)；HR为汽机热耗率，kJ/(kW·h)；ηb为管道效率，与主蒸汽管道和再锅炉热效率，与锅炉的燃烧及传热状况有关；ηp热蒸汽管道的流动压损及散热损失有关，一般取值为0.98～0.99；r为机组发电a厂用电率，与辅机的单耗有关。

分析式1可知，降低汽轮机热耗率、提高锅炉效率、降低发电厂用电率是实现燃煤发电机组节能降耗的主要途径。

3 燃煤发电机组能耗制约因素对于热力系统构成固定的机组，影响锅炉效率、汽轮机热耗率和发电厂用电率3个参数的因素可分为如下三类[3]（如表1所示）：（1）不可控外部约束：主要包括负荷、燃料成分、环境温度、湿度等；（2）运行可控因素：主汽压力、主汽温度、再热汽温度、排烟氧量和水煤比等机组运行中可调整的工质运行参数以及减温水的投切、磨煤机的启停、以及循环水泵运行策略等主辅设备的运行方式；（3）主辅设备的效能指标：如汽轮机缸效率、泵或风机的效率、凝汽器传热系数、空预器漏风率等，该类参数主要由设备健康状况所决定，取决于设备自身经济性能和设备检修维护水平，需要通过加强设备维护，提高检修质量等措施，保障主辅设备的能效指标处于良好的状态。

基于人工神经网络和粒子群算法的风能预测模型

技术创新《微计算机信息》2012年第28卷第10期120元/年邮局订阅号：82-946《现场总线技术应用200例》测控自动化基于人工神经网络和粒子群算法的风能预测模型A prediction model for wind farm power generation based on neural network and particleswarm optimization(重庆市电力公司万州供电局)廖辉英郑世才全成文LIAO Hui-ying ZHENG Shi-cai QUAN Cheng-wen摘要:作为一种可再生清洁能源,风能被认为是电力系统中重要的替代发电能源。

随着越来越多的风力发电机接入电网,风能预测变得越来越重要。

文章应用人工神经网络提出了一种短期风能预测模型,并应用粒子群算法来优化其参数。

模型采用实际风电场的数据进行了实例验证,并将其结果与无参数优化的人工神经网络模型进行了比较。

关键词:可再生能源;预测;人工神经网络;粒子群优化中图分类号:TP 文献标识码:BAbstract:As a renewable energy source,wind turbine generators are considered to be important generation alternatives in electric power systems because of their non-exhaustible nature.As wind power penetration increases,power forecasting is crucially important for integrating wind power in a conventional power grid.A short-term wind farm power output prediction model is presented using a neural network optimized by particle swarm optimization ing wind data from an existed wind farm,a power forecasting map is illustrated,and a comparison of models based on a Back-Propagation (BP)neural network and a PSO-BP neural network is undertaken.Key words:Renewable energy;prediction;Artificial Neural Network;Particle Swarm Optimization文章编号:1008-0570(2012)10-0148-03引言作为一种可再生的清洁能源,近年来风能资源正在得到广泛的开发与利用。

压气机叶片一次加工合格率预测

压气机叶片一次加工合格率预测张旭1，童一飞2*，胡骥川2（1.中国航发南方工业有限公司，湖南株洲 412002； 2.南京理工大学机械工程学院，江苏南京 210094）摘要：压气机叶片被广泛用于航空、能源等领域的气体压缩设备中，也被应用于农业装备中，以提高零部件的加工效率和质量，提高整机的可靠性和耐用性。

因此，其设计和加工的精度要求较高。

开展压气机叶片一次加工合格率预测技术研究，提出了PSO-BP预测模型，提高了网络的全局搜索能力以避免局部最优解，从而提升预测的准确度。

实验结果表明，PSO-BP模型的预测精度明显高于传统BP神经网络模型，预测的最大误差百分比为1.24%，平均误差百分比为0.24%，预测准确度达到96.67%。

关键词：压气机叶片；一次合格率；合格率预测；PSO-BP模型0 引言压气机叶片通常用于航空、能源等领域的气体压缩设备中，也应用于农业装备中，以提高零部件的加工效率和质量[1]，提高整机的可靠性和耐用性。

作为航空发动机的核心部件，叶片的质量很大程度上决定了发动机的性能，因此压气机叶片的质量尤为重要。

一次加工合格指的是压气机叶片柔性加工单元完成对叶片的加工之后未经过返工返修，第一次检验就能合格的压气机叶片。

而一次加工合格率指的是一次加工合格的压气机叶片占加工单元产出的比率。

本文以F型号叶片为例，对压气机叶片柔性加工单元所产出叶片的一次加工合格率进行预测，根据预测结果采取相应的预防性措施，减小压气机叶片加工单元产出叶片的品质出现重大问题的概率。

目前，产品质量合格率预测方法主要分为传统质量预测方法和人工智能方法2个大类。

传统的质量预测方法主要是基于统计过程控制的方法，人工智能方法的典型代表则是用神经网络预测产品合格率。

在人工智能方法预测产品合格率预测方面，Apriori 算法和FP-Growth算法是2种关联性规则分析的经典算法。

为了解决Apriori算法运行效率不高的缺点，Toivonen H[2] 探究得出以采样思想算法为基础，分析和阐述数据之间的关联性规则，从而实现算法运行的并行化。

粒子群优化算法在电力系统中的应用

粒子群优化算法在电力系统中的应用摘要：粒子群算法是一种新的智能优化算法，它是对生物群体协同优化能力的研究，是一种针对每个粒子追求自身最优粒子和全局最优位置的一种启发式随机优化算法。

在随机搜索的过程中，此算法收敛于最优粒子群优化算法。

详细介绍了基本粒子群优化算法和改进的粒子群优化算法，并进行仿真研究，简要阐述了该算法在电力系统中优化应用情况，以期为日后的相关工作提供参考。

关键词：粒子群算法；智能优化算法；人工生命；计算技术引言双眼皮人工生命用来研究人工系统的基本特征，它主要包括利用计算技术研究生物现象，利用生物技术研究和计算问题。

另外，生物系统是社会系统的一部分，对其研究主要利用的是局部信息，而仿真系统中则很可能发生不可预知的群体行为。

在计算智能领域中，主要有粒子群优化算法（PSO）和蚁群算法（ACO）2种基于群体智能的算法。

粒子群优化算法是基于模拟鸟群觅食的过程而创立的，它具有参数调整简单、容易实现等优点，且优化效果良好。

目前，这种算法已被广泛应用于智能控制、模糊控制和专家控制方面。

蚁群算法主要是模拟蚁群采集食物的过程而创立的，它适用于解决离散优化问题。

一、粒子群优化算法工作原理粒子群优化 PSO（Particle Swarm Optimization）算法是一种基于集群智能的随机优化算法，最早由Kennedy 和 Eberhart 于 20 世纪 90 年代提出。

粒子群算法的基本思想是[4]：优化问题的每一个解称为一个粒子。

定义一个符合度函数来衡量每个粒子解的优越程度。

每个粒子根据自己和其它粒子的“飞行经验”群游，从而达到从全空间搜索最优解的目的。

具体搜索过程如下：每个粒子在解空间中同时向两个点接近，第一个点是整个粒子群中所有粒子在历代搜索过程中所达到的最优解，被称为全局最优解 gbest；另一个点则是每个粒子在历代搜索过程中自身所达到的最优解，这个解被称为个体最优解 pbest。

每个粒子表示在 n 维空间中的一个点，用 xi = [ xi1，xi2，⋯，xin ]表示第 i 个粒子，第 i 个粒子的个体最优解（第 i个粒子最小适应值所对应的解）表示为 pbesti = [pi1，pi2，⋯，pin ]；全局最优解（整个粒子群在历代搜索过程中最小适应值所对应的解）表示为 gbesti = [pbest1，pbest2，⋯，pbestn]；而 xi的第 k 次迭代的修正量（粒子移动的速度）表示为：其中 m 为粒子群中粒子的个数；n 是解向量的维数。

基于神经网络的工业用汽轮机性能预测与优化

基于神经网络的工业用汽轮机性能预测与优化工业用汽轮机是一种重要的能量转换设备，在工业生产中扮演着至关重要的角色。

为了提高工业用汽轮机的性能和效率，基于神经网络的性能预测与优化方法被广泛应用。

本文将介绍基于神经网络的工业用汽轮机性能预测与优化的方法和应用。

首先，我们会简要介绍神经网络的基本原理和工作方式。

神经网络是一种模仿人脑神经系统的计算模型，它由多个相互连接的神经元组成。

通过输入层、隐藏层和输出层的层次结构，神经网络可以实现复杂的非线性映射关系。

通过调整神经元之间的连接权重和阈值，神经网络可以学习和推理出输入与输出之间的映射关系。

基于神经网络的工业用汽轮机性能预测主要通过建立一个神经网络模型，将输入的特征参数与输出的性能指标进行映射。

首先，我们需要确定输入特征参数，这可能包括汽轮机的转速、进气温度、进气压力、出气温度等。

然后，我们需要收集大量的实验数据，通过对这些数据进行训练，调整神经网络的连接权重和阈值，使得神经网络能够准确地预测出汽轮机的性能指标。

在工业用汽轮机性能预测中，基于神经网络的方法具有很多优势。

首先，神经网络能够处理非线性关系，而汽轮机的性能往往受到多个复杂的因素的影响，因此神经网络可以更好地捕捉这种复杂的关系。

其次，神经网络可以通过学习大量的实验数据来提高预测的准确性，而不需要进行复杂的理论分析。

此外，神经网络还能够适应输入数据的变化，并具有一定的容错性。

除了性能预测，基于神经网络的方法还可以应用于工业用汽轮机的优化。

通过建立一个优化模型，我们可以将输入的控制参数与输出的优化目标进行映射。

然后，通过调整控制参数，使得输出的优化目标达到最优。

为了实现这一目标，我们需要将神经网络与其他优化算法相结合，例如遗传算法、粒子群优化算法等。

工业用汽轮机性能预测与优化的应用非常广泛。

首先，它可以帮助工程师预测和评估不同工况下汽轮机的性能，为工业生产提供参考和指导。

其次，它可以用于优化汽轮机的控制策略，提高汽轮机的效率和性能。

基于粒子群优化算法的Elman神经网络凝汽器真空模型

ＡｂｔａｔＡｎａｉａｅｕｒｎｕａｎｅｗｏｋ，．ｅ，ｍａｕｒｌｎｅｗｏｒｈａｅｎｕｅｏｐｒｄｃｓｒｃ：ｄｙｍｃｌｒｃｒｅｔｎｅｒｌｔｒｉＥｌｎｎｅａｔｋ，ｓｂｅｓｄｔｅｉｔｖｃｍｎｔｏｎｎｅｔｏｈｃｌｕａｉｎｒａｘｍｐｌｉｈｏｓｔｔｔａｄｍｅｈａｍｏｒａｕｕｉｈｅｃｄｅｓｒ．ｈｒｕｇａｃｌｔｏｎｉｅｌｅａｅ。ｔｓｗｈａｈｅｓｉｔｏｄｃｎｅ
汽器真空预测模型。
［关键词］凝汽；空；经网络；子群优化算法；真真神粒仿
２［中图分类号］ＴＫ２６
［文献标识码］［章编号］文
Ａ
１０ — ３６４（１００００２３２００）４０７— ０５
ＺＡＮＧａ。Ｕｉｎ。ＡＮＧａｃｅｇＨＨｉＰＪａＺＨＸｉｏｈｎ
Ｃｏｌｇｅｏｗｅｇｎｅｉｇ，ｎｉｇＮｏｍａｉｅｓｔＮａｊ０４Ｊａｇｓｒｖｎｃ，ＲＣｌｆＰｏｒＥｎｉｅｒｎＮａｊｎｒｌＵｎｖｒｉｙ，ｎｉ２１０２，ｉｎｕＰｏｉｅＰｅｎｇ
基于粒子群优化算法的Ｅｌａ神经网络ｍｎ
凝汽器真空模型
张海，浦健，啸澄张
南京师范大学动力工程学院，苏南京２０４江１０２［摘要］将一种动态递归网络— — Ｅｍａｌｎ神经网络应用到凝汽器真空预测。通过实例计算，表

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ．ＮｏｒｔｈｅａｓｔＤｉａｎｌｉＵｎｉｖｅｒｓｉｔｙ，Ｊｉｌｉｎ１３２０１２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｈｅａｔｔｒａｎｓｆｅｒｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｃｏｎｄｅｎｓｅｒｓａｎｄｔｈｅｉｎｌｕｆｅｎｃｅｏｆｖａｃｕｕｍｄｅｇｒｅｅｏｎｕｎｉｔｏｐｅｒａｔ — ｉｎｇｅｃｏｎｏｍｙｗｅｒｅｉｎｖｅｓｔｉｇａｔｅｄ．Ｔｈｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｄｅｔａｉｌｓｏｆｉｎｐｕｔｌａｙｅｒ，ｈｉｄｄｅｎｌａｙｅｒａｎｄｏｕｔｐｕｔｌａｙｅｒｏｆ
第４４４４ＮＯ．１０
０ｃｔ．２Ｏ１５
２０１５年１Ｏ月
ＴＨＥＲＭＡＬＰＯＷＥＲＧＥＮＥＲＡＴＩＯＮ
粒子群算法与径向神经网络相结合的凝汽器真空预测模型
ｍａｔｃｈｉｎｇｒｅｑｕｉｒｅｍｅｎｔｓｗａｓｐｒｅｓｅｎｔｅｄ．Ｔｈｅｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍｗａｓａｐｐｌｉｅｄｔｏｌｏｏｋｆｏｒｔｈｅｒａｄｉｕｓａｎｄｏｕｔｐｕｔｌａｙｅｒｗｅｉｇｈｔｓｏｆｔｈｅＲＢＦｍｏｄｅｌ，ａｎｄａｃｏｎｃｒｅｔｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｐｒｏｃｅｓｓｗａｓ
权值，并给出了具体实现过程，建立了凝汽器真空软测量模型。以３００ＭＷ机组凝汽器系统
的实际运行数据为例对该模型进行训练，通过凝汽器真空预测值与实际值的对比，验证了该
模型对凝汽器运行状态判断的准确性，为其故障诊断提供了参考依据。［关键词］凝汽器；真空；ＰＳＯ；ＲＢＦ；软测量；预测模型
ｔｈｅｃｌｕｓｔｅｒｉｎｇｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ（ＲＢＦ）ｎｅｕｒａｌｎｅｔｗｏｒｋｗｅｒｅｉｎｔｒｏｄｕｃｅｄ，ａｎｄｅａｃｈｐａｒｔｏｆｔｈｅｍａｔｒｉｘ
王建国，林乐平
（东北电力大学自动化工程学院，吉林吉林１３２０１２）［摘要］以聚类法的径向神经网络（ＲＢＦ）为主，介绍了ＲＢＦ的输入层、隐层和输出层之间的实现细节，给出各个部分的矩阵匹配要求，采用粒子群算法（ＰＳＯ）寻找ＲＢＦ模型中的基宽和输出层
ｐｕｔｆｏｒｗａｒｄ．Ｔｈｅｃｏｎｄｅｎｓｅｒｖａｃｕｕｍｓｏｆｔｍｅａｓｕｒｅｍｅｎｔｍｏｄｅｌｗａｓｅｓｔａｂｌｉｓｈｅｄ．Ｍｏｒｅｏｖｅｒ，ｔａｋｉｎｇｔｈｅｐｒａｃｔｉ — ｃａｌｒｕｎｎｉｎｇｄａｔａｏｆａ３００ＭＷｕｎｉｔａｓａｎｅｘａｍｐｌｅ。ｄａｔａｔｒａｉｎｉｎｇｆｏｒｔｈｅａｂｏｖｅｍｏｄｅｌｗａｓｃａｒｒｉｅｄｏｕｔ．Ｃｏｒｎ— ｐａｒｉｓｏｎｂｅｔｗｅｅｎｔｈｅｐｒｅｄｉｃｔｅｄｓｔｅａｍｃｏｎｄｅｎｓｅｒｖａｃｕｕｍｖａｌｕｅａｎｄｔｈｅｍｏｎｉｔｏｒｉｎｇｄａｔａｖｅｒｉｆｉｅｓｔｈｉｓｅｓｔａｂ—
［中图分类号］ＴＫ２６４．１１ＴＰ１８３［文献标识码］Ａ［文章编号］１００２ — ３３６４（２０１５）１０ — ００７２ — ０５
ＥＤＯＩ编号］１０．３９６９／ｊ．ｉｓｓｎ．１００２ — ３３６４．２０１５．１０．０７２ＡｖａｃｕｕｍｖａｌｕｅｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｆｏｒｓｔｅａｍｃｏｎｄｅｎｓｅｒｓｕｓｉｎｇＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｏｐｔｉｍｉｚｅｄｂｙｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍＷＡＮＧＪｉａｎｇｕｏ，ＬＩＮＬｅｐｉｎｇ