静止同步补偿器新型双闭环控制策略研究

主要研究二极管钳位三电平静止同步补偿器中的控制策略问题,对于传统解耦控制策略中DQ轴都需要电感的准确值,而实际系统中电感量值会变化的问题,提出对传统解耦控制进行改进,得出无需电感值的解耦控制策略.然后就60°坐标系在虚拟SVPWM算法下直流母线电容电压的平衡控制方法进行了仿真研究.最后搭建了基于新型解耦控制策略的系统仿真模型进行仿真验证,并动手搭建以DSP2812最小系统为主控制器的实验平台,进行了基于新型控制策略的无功补偿实验,实验结果表明,理论分析和仿真结果的正确性.     

一种新的同步发电机参数解耦辨识算法

本文提出了一种新的同步发电机动态参数辩识算法——解耦辨识算法。该算法的优点是不需要知道外部其它机组的任何信息,而完全依靠待辨系统的在线量测信息进行参数估计即可考虑外部系统对辨识系统的耦合作用和影响。仿真结果表明,无论外部系统从一个无穷大母线变化到一个电压和频率都变化的未知系统,该算法都具有好的收敛性质并能快速地给出准确的参数估值。这种新算法在一定程度上较好地解决了同步发电机参数辨识研究领域尚未解决的解耦辨识问题。     

基于ICPSO算法的异步电动机参数辨识与控制

对人工免疫算法、协同进化算法和粒子群算法三者相结合的免疫协同粒子群优化算法(ICPSO)进行改进,提出了一种适用于异步电动机参数辨识的ICPSO算法,并在传统的矢量控制系统基础上,运用该算法在线辨识出异步电动机参数,实时调整解耦控制器、磁链观测器和PI调节器参数,实现参数自适应,设计了基于ICPSO算法的异步电动机矢量控制系统。仿真结果表明,与传统的矢量控制系统相比,所设计的系统受电机参数变化影响较小,在磁链观测准确性、电机转速跟踪性和电磁转矩稳定性等方面有所改善。     

基于粒子群优化算法的变压器参数辨识

基于模型的变压器保护原理需要对变压器绕组参数进行精确辨识.利用双绕组变压器的参数辨识方程,使用粒子群优化算法,提出了新的参数辨识算法.消除了最小二乘法计算速度慢、计算量大的局限性,可以实现对变压器绕组参数的在线精确辨识.通过Matlab/Simulink对算法进行仿真,结果表明,该算法能够正确辨识变压器绕组电阻和漏感参数,具有较好的应用前景.     

基于混合优化方法的UniTire轮胎模型参数辨识

提出一种基于粒子群优化(PSO)算法和修正的Gauss-Newton算法的混合优化方法,对纯纵滑和纯侧偏工况下UniTire轮胎模型的特征参数进行辨识。为充分发挥两个算法的优点,首先,利用粒子群优化算法的全局区域的搜索优势辨识出UniTire轮胎模型的特征参数近似解,然后,利用修正的Gauss-Newton算法局部搜索优势在近似解邻近区域获得UniTire轮胎模型的特征参数的最优解。最后,对辨识结果进行残差分析,结果表明:用辨识数据参数化的UniTire轮胎模型具有较高的精度,可满足构建车辆底盘电控系统硬件在环仿真测试环境的需求。     

动态响应误差驱动的风机并网变流器控制参数辨识方法

为了获取更精准的双馈风机变流器暂态模型参数，保障风力发电联网运行仿真分析结果的准确性，满足新能源高占比电力系统的安全稳定运行要求，文中提出了一种输出响应误差驱动的参数辨识方法。根据双馈风机的机电暂态模型确定出待辨识的参数，实现了MATLAB与PSASP的循环调用，根据真实值下的动态响应曲线与辨识值下的动态响应曲线的误差最小来确定最终辨识值，并通过设置不同工况验证该辨识方法的有效性。     

永磁直线同步电动机自适应摩擦补偿控制

针对永磁直线同步电动机（PMLSM）伺服系统的精度受非线性摩擦力、动子质量变化等因素影响这一问题,设计了基于库仑摩擦的模型参考自适应系统,以对摩擦力进行在线补偿.设计了满足系统位置性能要求的IP位置控制器;将模型参考自适应参数辨识器与摩擦补偿自适应控制系统相结合,采用模型参考自适应参数辨识器对变化的动子质量加以辨识,使基于库仑摩擦的模型参考自适应系统中的动子质量参数得到更新.仿真结果表明,该方法提高了系统的位置跟踪精度,同时增强了系统的鲁棒性能.     

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。     

利用Simulink仿真的弹道辨识算法精度分析

弹道辨识精度是衡量弹道辨识系统工作性能的重要指标.为了在硬件设计前对辨识算法的精度进行预评估,提出一种利用Matlab/Simulink模块对自主式弹道辨识新算法进行建模的仿真.该算法是基于比较名义弹道与实际弹道在上升初始段的水平距离来实现对弹丸射程偏差的预测.建立弹道数学模型,获得仿真初始参数,运用Simulink模块生成仿真模型.仿真结果表明该射程辨识算法预测相对误差为0.783%,满足弹道修正引信的精度要求.     

基于压电驱动器的微型智能弹药舵机系统及其控制策略

为满足智能弹药舵机系统的微型化、智能化,本文通过叠加压电双晶片的方法设计了一种压电驱动器,提高了其驱动能力;针对经典Bouc-Wen模型具有对称性的缺点,增加形状控制函数中的参数,提出具有非对称性的改进Bouc-Wen模型.采用粒子群算法辨识改进模型的参数,并通过仿真证明改进模型的非对称性.为补偿迟滞对系统精度的影响,...     

基于STATCOM的风电并网系统阻尼特性 优化控制设计

针对当前风电场并网的暂态稳定性问题,在静止同步补偿器（STATCOM）的基本结构和数学模型的基础上,设计了一种含有灰狼优化算法（GWO）的功率振荡阻尼控制器,并利用GWO算法优化控制器参数来提高系统的暂态稳定性;最后,利用Matlab/Simulink对系统进行了建模仿真分析,对三相接地短路工况下运行的波形进行研究。结果表明,引入的STATCOM阻尼效果较好,振荡被有效地抑制,在一定程度上改善了风电并网系统的电能质量问题。     

基于PSO算法的RBFNN在织物染色配色中的应用

为了提高计算机配色的效率,提出了一种基于粒子群优化算法（Particle Swarm Optimization algorithm）的RBFNN（radial base function neural network）解决织物染色配色问题的模型。该模型容易实现,没有过多参数需要调整,并且提高了模型的收敛速度和精确度。仿真结果表明,用PSO算法优化的RBF神经网络解决计算机织物染色配色问题是一种较好的方法。     

基于自适应逆控制的永磁同步电动机控制系统

为进一步提高交流永磁同步电动机控制性能,本文提出了基于自适应逆控制的永磁同步电动机控制系统,采用基于递推最小二乘BP（RLS-BP）算法,对永磁同步电动机系统的进行建模、逆建模和自适应控制器的设计。提高了永磁同步电动机系统建模和逆建模的辨识收敛速度以及辨识精度和系统控制精度。仿真结果表明,基于本文提出的自适应逆控制方法的永磁同步电动机系统,具有良好的动态响应,并且在电机参数摄动情况下具有较强的鲁棒性。     

改进SADE-EKF的永磁同步电机参数辨识

针对永磁同步电机（PMSM）参数辨识中扩展卡尔曼滤波（EKF）难以确定合适的系统噪声矩阵Q和量测噪声矩阵R的问题，提出了一种改进自适应差分进化算法（SADE）-EKF的PMSM参数辨识方法。首先分析了扩展卡尔曼滤波器的工作原理，建立了双线程辨识模型；然后通过改进差分进化算法（DE）的变异策略跳出局部最优，并设计了合适的适应度函数；最后，通过SADE算法对EKF的Q和R进行优化。实验结果表明，改进的SADE-EKF在辨识电机参数时比传统的EKF具有更好的收敛速度和辨识精度。     

多策略融合的黄金正弦樽海鞘群算法

针对樽海鞘群算法（Salp Swarm Algorithm，SSA）收敛性能差、容易陷入局部最优等问题，提出了多策略融合的黄金正弦樽海鞘群算法（Golden sine Salp Swarm Algorithm with Multi-strategy，MGSSA）.首先采用选择反向学习策略对种群中完全偏离最优个体寻优方向的个体计算选择反向解，改善种群质量；然后在跟随者位置更新阶段加入最优个体和精英均值个体引导，以加快算法收敛速度；最后根据概率选择黄金正弦算法变异策略，进一步改善解的质量，同时便于算法后期跳出局部最优.本研究在14个基准测试函数上进行实验，与其他群智能优化算法和其他改进樽海鞘群算法对比，将其应用于拉压弹簧设计问题测试解决工程优化问题的性能.结果表明：MGSSA具有较高的收敛精度和稳定性，在求解工程问题时性能良好.     

电缆故障定位系统中的参数估计

为实现电缆故障定位系统的参数估计，提出了一种用于模型参数估计的改进贝叶斯算法．改进后的贝叶斯算法克服了原算法要求噪声是均值为零且与输入信号不相关的白噪声的模型限制，它不仅可以估计系统模型参数，而且可以估计噪声参数．仿真结果表明，改进后的贝叶斯算法能使系统模型参数和噪声模型参数迅速收敛，其精度可以达到令人满意的状态．     

QPSO算法识别环境激励下结构模态参数

实际工程中,系统的输入一般是未知的或者是不可测量的,识别结构的模态参数只能采用响应信号。并且一般环境激励下结构的输入信号是可以假设为白噪声激励,其信号的功率谱可以视为一常数。笔者利用量子行为粒子群优化（Quantum-behaved Particle Swarm Optimization,QPSO）算法将环境激励下结构模态参数识别问题转化为一个多维优化问题。最后采用一数值模拟的三层框架对该方法进行验证。结果表明,量子粒子群算法可以有效地识别结构模态参数。该研究结果可作为结构损伤识别的基础。     

结合粒子群算法的小波神经网络交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的小波神经网络交叉路口短时交通流量预测方法,利用粒子群算法优化小波神经网络的模型参数,通过定义可变的加速因子,使粒子群算法有利收敛于全局最优解.将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点.实验仿真结果说明,该算法可以有效提高预测精度,减少预测误差,并且很好的反映了交通流的特点.     

基于元胞量子蜂群算法和信道案例库的认知无线电混合跨层决策引擎研究

针对认知无线电系统参数重配置问题,提出了一种基于元胞量子蜂群算法和信道案例库的混合跨层认知决策引擎。该认知决策引擎充分考虑无线通信网络各层参数,以网络整体性能最优为优化目标;提出的元胞量子蜂群算法,利用双策略对种群进行混沌初始化,设计了基于元胞自动机原理和社会认知策略的快速量子旋转角调整策略用于实现引领蜂和跟随蜂的邻域搜索;构建基于信道增益的认知无线电参数案例库,用于实现快速决策。仿真结果表明,该认知决策引擎能够根据无线通信环境和用户需求的变化,动态的进行参数的重配置,同时其在收敛速度、收敛精度和算法稳定性上都明显优于基于二进制人工蜂群算法和量子遗传算法的认知决策引擎。     

粒子群优化算法的研究与展望

粒子群优化算法是一种基于群智能的随机优化算法,具有简单易实现、设置参数少、全局优化能力强等优点.着重对粒子群优化算法中的基本算法、改进算法、应用领域和研究热点等方面做了较为详细的论述.