遗传算法在电力系统稳定控制中应用的研究

通过一个电力系统稳定控制器的参数设计来研究遗传算法在电力系统稳定控制方面的应用，用MATLAB中的遗传算法工具箱GAOT来进行控制器参数的优化工作，同时，使用MATLAB中的仿真工具SIbtULINK进行仿真实验，将优化后的参数和控制器原参数的控制效果进行了对比。仿真实验的结果表明，经遗传算法优化的稳定控制器对电力系统的振荡具有更好的抑制作用，在电力系统稳定控制方面使用遗传算法能够提高系统稳定的控制效果。     

基于遗传算法的PID参数优化方法

PID参数整定与优化一直是自动控制领域研究的重要问题，采用遗传算法进行PID参数优化是一种寻求全局最优且与初始条件无关的优化方法，在参数优化过程中，考虑了2种不同的目标函数做了大量仿真实验。仿真结果表明了遗传算法应用于控制器参数优化的可行性和有效性，不失为一种具有较好实用价值的PID参数优化方法。     

基于改进遗传算法的发电机调速器侧模糊PSS优化设计

基于模糊控制理论设计了发电机组调速器侧模糊电力系统稳定器,采用遗传算法优化其参数以克服模糊控制器参数设计的主观性.为了提高多参数控制器参数优化的速度和精度,对传统单点交叉遗传算法进行改进,提出了一种首尾轮换交叉遗传算法.该方法交替采用尾部和头部单点交叉,保证了各参数参与优化的概率基本均等.采用该算法对某水轮发电机组调速器侧模糊电力系统稳定器的参数进行优化计算,表明其优化速度和精度较试探法和传统单点交叉遗传算法有显著提高.     

基于改进遗传算法的发电机调速器侧模糊PSS优化设计

基于模糊控制理论设计了发电机组调速器侧模糊电力系统稳定器,采用遗传算法优化其参数以克服模糊控制器参数设计的主观性。为了提高多参数控制器参数优化的速度和精度,对传统单点交叉遗传算法进行改进,提出了一种首尾轮换交叉遗传算法。该方法交替采用尾部和头部单点交叉,保证了各参数参与优化的概率基本均等。采用该算法对某水轮发电机组调速器侧模糊电力系统稳定器的参数进行优化计算,表明其优化速度和精度较试探法和传统单点交叉遗传算法有显著提高。     

基于遗传算法-BP神经网络优化的PID控制

利用遗传算法全局随机搜索能力,设计一种基于遗传算法的神经网络学习算法。对于非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为一种有效的控制策略。该文提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化。仿真结果证明了该算法的有效性。     

改进量子遗传算法在PID参数整定中应用

参数整定是PID控制器设计的关键,针对PID控制器参数整定问题,提出一种基于改进量子遗传算法的参数整定方法.该算法在基本量子遗传算法的基础上引入了量子交叉、量子变异和群体灾变操作.基于改进量子遗传算法的PID参数整定方法将PID控制器参数整定转化为参数优化问题,通过改进量子遗传算法的进化计算实现参数整定.与其他参数整定优化算法的仿真结果比较表明,该方法能获取更好的控制品质.仿真结果验证了该方法的可行性.     

影响遗传算法PID参数优化性能的主要因素

针对影响遗传算法性能的主要因素进行讨论，并结合PID励磁调节器参数优化，对不同编码方式、遗传算法的控制器参数优化情况进行比较分析。所得结果对应用遗传算法在线调整控制参数具有指导意义。     

基于模糊控制与遗传算法的异步电动机定位控制研究

提出一种基于遗传算法优化的模糊控制器设计方法。以模糊控制器的隶属函数参数作为优化性能指标,利用遗传算法优化隶属函数的位置、形状、后件参数等。实验结果表明,该方法用于异步电动机定位控制,可明显提高定位精度并缩短定位时间。     

基于遗传算法的PID控制器及应用

对遗传算法和PID控制器做了简单的介绍,提出了一种应用遗传算法对PID控制器参数进行优化设计,重点介绍了遗传算法的优化过程。文章通过实例对几种参数整定方法的控制效果进行了仿真和比较,证明了基于遗传算法的PID参数整定方法的可行性和良好的控制效果。最后将该算法应用于气流炸药生产线的风速控制,取得了预期的控制效果。     

基于智能遗传算法的永磁同步电动机电流控制器设计

根据永磁同步电动机参数随输入电流变化而发生微小变化的特点,研究了基于模糊理论的比例-积分控制应用于永磁同步电动机电流控制的可行性,并应用智能遗传算法对模糊控制规则以及比例-积分控制器中的比例系数和积分时间常数等参数进行了优化,设计了一种基于智能性遗传算法(IGA)优化的模糊电流比例-积分控制器。仿真试验结果表明:基于智能遗传算法优化的模糊PI控制器能够快速跟踪电流的变化。     

自适应遗传算法在电厂主汽温控制系统优化中的应用

火力发电厂中的热工系统是一个复杂的系统,PID调节器是热工系统最主要的控制策略,直接影响机组的安全、经济运行。遗传算法作为一种智能优化算法,在解空间进行高效启发式搜索,而非盲目地穷举或完全随机搜索。应用自适应遗传算法对主汽温系统控制器参数进行优化,实验表明,这种优化方法能够获得令人满意的效果。     

基于改进GA优化T-S模糊神经网络的小电流接地故障选线方法

在小电流接地系统中,发生最多的是单相接地故障,针对如何快速准确地查找故障线路一直都是重点研究课题,且没有得到有效的解决。本文提出一种基于遗传算法(GA)优化T-S模糊神经网络的配电网故障选线新方法:通过调整传统GA的适应度函数,先对网络初始参数、权值进行一次优化后,使用梯度下降法进行二次优化的选线算法。讨论了T-S模糊神经网络,传统GA优化的T-S模糊神经网络及不同网络结构对网络性能的影响。研究结果表明新型GA优化T-S模糊神经网络的选线效果明显优于T-S模糊神经网络和传统GA优化T-S模糊神经网络,能够快速、准确、可靠的选取故障线路。     

基于遗传算法的FUZZY+CMAC优化设计

针对模糊控制器甲的参数与CMAC权值的调整及学习很困难的问题，采用改进的遗传算法对模糊控制器和CMAC神经网络的比例因子和连接权值进行寻优，把模糊控制、CMAC和遗传算法的优点结合起来，设计了基于改进遗传算法的FUZZY＋CMAC控制系统，给出了系统的整体结构和各部分的控制设计。仿真结果表明，该控制系统具有超调量小和实时性强的特点。     

基于遗传算法与支持向量回归的发电机运行参数趋势预测

针对支持向量回归(SVR)模型在设备运行参数趋势预测中。根据人为经验选取模型参数导致预测精度不高的问题,提出了一种使用遗传算法(GA)优化SVR模型参数的方法(GA-SVR)。将该方法应用于发电机定子线圈出水温度的实时趋势预测中。结果表明,相较于SVR模型,GA-SVR具有更高的预测精度,能够满足电厂对发电机运行参数变化的趋势预测精度要求。     

基于小波包Shannon熵SVM和遗传算法的电机机械故障诊断

针对电机机械多故障同时诊断问题,基于小波包、Shannon熵、支持向量机(SVM)和遗传算法,提出了一种电机机械故障诊断新方法,称之为WPSSG法或多模型融合法。该方法选择容错性强的Shannon熵作为特征参数,通过对振动信号进行基于DMeyer小波的小波包分解,提取振动信号的小波包Shannon熵为特征向量,将特征向量作为多类别SVM的输入,具有较高的去噪能力;在训练SVM时,与传统方法多采用试凑法选择参数不同,该方法采用遗传算法对SVM的参数进行全局寻优,使SVM获得最佳的分类性能,具有更高的识别准确率。采用凯斯西储大学提供的电机机械故障数据进行实验,结果证明该方法具有很好的可靠性和准确性。     

一种基于遗传算法和神经网络的PID控制

提出了一种融合遗传算法和神经网络的PID控制算法。该控制器先利用遗传算法对BP网络的初始权系数进行学习优化，再利用BP算法实现对PID参数在线调节，解决了控制器网络初始权系数对控制效果产生的影响，仿真结果表明了该控制方法的有效性。     

基于AHP / GA的储能装置参与电网调频控制器参数优化

针对电力系统调频过程中火电机组响应速度慢、不适合参与短周期调频的问题,提出一种基于层次分析法(AHP)和遗传算法(GA)相结合的优化算法用于电池储能控制器参数优化,使控制器能更好地控制电池储能装置并参与调频。通过AHP确定最大偏差幅值、稳态偏差、调节时间之间的权重大小,构造出一个GA适应度函数,再由GA进行寻优计算得到最佳的控制器参数。借助MATLAB/Simulink对储能装置参与电网调频的两区域系统进行仿真。仿真结果表明,优化后的控制器可以有效地控制储能装置并辅助AGC进行调频,能够及时响应扰动,相较于传统以时间绝对偏差乘积积分(ITAE)准则作为适应度函数的参数优化效果更好。     

基于GA-BPNN的多频超声波变压器油密度检测研究

变压器油是电力变压器中的主要绝缘物质之一,油的密度指标与变压器的安全运行息息相关。文中基于多频超声波、遗传算法-反向传播神经网络(GA-BPNN)的原理,对变压器油密度进行了预测研究。以电网公司110组变压器油为例,其中100组为训练集,10组为预测集。建立了基于BPNN的变压器油密度预测模型,并将242维多频超声数据作为输入,密度作为输出。通过试验法确定了BPNN的隐层神经元个数,由此建立非线性映射关系,并用遗传算法优化BPNN的各层连接权值及阈值。结果表明,与传统的标准BPNN模型相比,GA-BPNN模型的变压器油密度值与实际值拟合度更高,误差更小。研究结果为检测变压器油的其他参数提供了可靠的依据。     

UPFC抑制电力系统低频振荡的参数优化研究

为研究统一潮流控制器(UPFC)用于抑制电力系统低频振荡的效果,采用PID控制策略设计了UPFC,并利用遗传算法(GA)和粒子群算法(PSO)分别对UPFC参数进行了优化。对含UPFC的单机无穷大系统进行仿真,仿真结果显示,UPFC对阻尼电力系统低频振荡起到一定的作用,经过参数优化后系统的暂态变短,相关量的波动降低,且粒子群优化算法用于抑制阻尼电力系统低频振荡的效果优于遗传算法。