基于粒子群算法和卡尔曼滤波器的PID控制

针对PID控制系统中存在参数的整定和控制干扰信号和测量噪声信号问题,提出基于粒子群算法和卡尔曼滤波算法的PID控制方法。利用粒子算法优化PID参数,通过卡尔曼滤波器抑制控制干扰信号和测量噪声信号。仿真结果表明具有响应速度快、抗干扰能力强等特点,且达到了全局最优PID参数整定,有效地剔除系统的控制干扰和测量噪声信号,具有比传统PID控制方法更好的动态和静态控制性能,控制品质有较大的改善和提高。为PID控制系统的研究提供了一种新方法。     

基于改进粒子群算法优化的水轮机组低频振荡PID控制研究

水轮机低频振荡是影响电网稳定运行的主要因素,对其进行有效的控制是非常重要的,将改进粒子群算法优化的PID控制技术应用于水轮机低频振荡控制之中.首先,分析了水轮机组的出力模型;其次,分析了PID控制器的基本原理;然后,讨论了改进粒子群算法的流程;最后,以某水轮机组为例进行了控制仿真研究,仿真结果表明改进粒子群算法优化的PID控制器具有较好的控制效率和控制精度,从而在水轮机组低频振荡控制中的应用是切实可行的.     

粒子群神经网络混合算法在负荷预测中的应用

电力系统负荷预测结果的准确性关系到电力系统的调度运行、生产计划和供电质量,为此在研究短期负荷预测中应用了粒子群PSO和BP神经网络相结合的混合算法。该算法先应用粒子群优化算法算出BP神经网络的连接权向量和阈值,每次迭代求出最优粒子的权向量和阈值及BP网络在这组权向量和阈值的实际输出值,最后得出第i个粒子的适应度函数。与其他方法相比,该算法预测精度较高:平均相对误差≤1.48%,最大相对误差≤4.10%,而且收敛速度快,预测结果满足短期负荷预测误差要求。     

粒子群算法优化PID控制参数研究

采用常规的PID整定方式,往往费时而且难以满足控制要求．通过对粒子群算法的研究,在确定了适应度函数设计等控制参数后,采用粒子群算法对PID控制器参数进行优化,取得了很好的效果。     

基于改进粒子群算法的水轮机调速器参数优化

PSO（粒子群算法）是一种随机全局优化技术.该算法简单,易实现,且功能强大.文章研究了水轮机PID调节器参数的优化问题,利用改进PSO对系统所处的不同状态和工况进行了PID参数寻优.仿真结果表明,此种PID控制器比常规PID有更好的动态调节特性和鲁棒性,不失为一种具有较好实用价值的PID参数优化方法.     

基于粒子群优化PID的D-STATCOM控制研究

为了实现配电网无功功率的动态补偿,提出了一种配电静止补偿器（D-STATCOM）电压控制的新方法—基于粒子群优化PID的直接电压控制。该方法利用瞬时功率平衡的思想获取电压指令信号,使用该控制方法进行优化控制,使得D-STATCOM能够维持系统公共连接点的电压稳定在给定值附近,而且对主要参数的扰动具有鲁棒性。仿真结果表明,该控制方法有效可行。     

基于双重混合粒子群算法的配电网重构

为进一步优化配电网运行结构,将混合蛙跳思想引入粒子群算法,结合配电网结构简化、支路分组,提出一种基于双重混合粒子群算法的配电网重构策略。为提高粒子搜索效率、防止算法早熟,首先,等效简化配电网结构图,对支路分组,缩短编码维数;其次,将各粒子依据一定规则分组,采用基于混合蛙跳思想的二进制粒子群算法进行支路组搜索,且对粒子历史最优值进行多次分组,组内搜索采用二进制粒子群搜索算法。运用该方法分别对IEEE33节点配电系统和136节点配电系统进行仿真,并与遗传算法和粒子群遗传混合算法进行对比分析,结果表明该方法收敛速度快,可得到最优网络重构结果,有效降低网损。     

基于粒子群算法与模拟退火算法的一种混合配电网重构算法

本文首先对配电网重构的意义,研究现状以及当下的几种方法等方面进行分析,并且对比了几种主要重构方法的优缺点。然后,介绍亚启发式算法中的粒子群算法与模拟退火算法,并将二者有效地进行融合互补,形成一种新的混合算法。此方法利用粒子群算法快速局部搜索能力和模拟退火算法全局收敛的优点,使其既能以较大的概率跳出局部的极值点,又能提高收敛速度。最后,将这种混合算法应用于配电网重构中,介绍了配电网的简化分析方法,并阐述了配电网的粒子群初始化、参数设置、编码规则等内容,并通过IEEE33节点和69节点系统基于MATLAB平台的仿真,验证算法的可行性和优越性。     

基于粒子群算法风力发电系统风速预测研究

为了能够有效地对风力发电系统的风速进行预测,研究了粒子群算法在其中的应用,介绍了风力发电系统风速预测的基本原理,讨论了RBF神经网络的基本理论,分析了粒子群的优化算法并且设计了粒子群优化算法的流程.最后,进行了风力发电系统风速预测的仿真分析,仿真结果表明该方法具有较高的预测精度。     

基于改进粒子群算法优化PID参数的电气设备自动控制研究

常规的电气设备自动控制方法以逻辑控制为主,并未配置和优化PID参数,无法满足不同电气设备的运行需求,因此设计了基于改进粒子群算法优化PID参数的电气设备自动控制方法。首先基于改进粒子群算法整定电气设备控制PID参数,利用粒子群算法优化PID参数,根据适应度函数的输入情况调节参数,使电气设备的控制性能达到最优。然后设定电气设备自动控制逻辑指令,通过FBD、IL、ST、Ladder、SFC等语言组建电气设备自动控制功能,从而实现电气设备的有效控制。采用对比实验,验证了该方法的自动控制效果更佳,能够应用于实际生活中。     

基于模糊粒子群PID算法的温控系统研究

针对电容器热压机温度控制系统存在滞后大、非线性的问题,分析了电容器热压机温度控制系统的原理,建立了温度控制系统的数学模型。通过对传统PID控制算法、粒子群算法和模糊控制算法的研究,提出了一种将模糊粒子群PID算法应用于温度控制系统的方案。用MATLAB对温控系统进行仿真,得出采用传统PID控制算法的温控系统的调节时间和超调量分别为66s和58.173%,而采用模糊粒子群PID算法的温控系统的调节时间和超调量为分别是34s和6.295%。研究结果表明,基于模糊粒子群PID算法的电容器热压机温度控制系统在调节时间、超调量和抗干扰能力等方面均优于传统PID控制算法。     

一种基于PSO-PID算法的分布式机器人实时控制

分析了粒子群优化(PSO)算法的原理、算法参数及其对算法性能的影响。以PSO算法为基础,提出了一种新的粒子群优化不完全微分PID算法。根据多关节机器人系统的特点,介绍了一种新的分布式机器人实时控制系统。系统采用双速率控制策略和分布式控制方式,机器人运动控制运用粒子群优化算法定时寻优PID参数,使其随着系统参数的变化而实时更新,实现最优不完全微分PID控制。实验结果表明,该系统设计科学、性能优越,新算法寻优能力强、控制效果好。     

基于粒子群算法的直线感应电机优化设计

介绍了直线感应电机的工作原理和电磁计算程序,采用引入惯性权重的粒子群优化算法,以直线感应电机功率因数和同步效率的乘积为优化目标函数,对电机的初级叠片厚度、初级槽深、初级槽宽、槽口宽和气隙大小进行优化.通过MATLAB软件编程运算,得出优化后的目标函数值与参数值,与优化前比较,有效实现了电机功率因数和同步效率的提高.     

基于改进微粒群算法的PID控制器参数优化设计

介绍了微粒群优化（PSO）算法的基本原理和流程,提出了改进的PSO算法并将其与控制系统优化设计相结合,对传统PID控制器的参数整定进行优化研究,仿真实验结果表明改进PSO方法得到的PID控制器具有快速、无超调的响应特性,获得了满意的控制效果,各项控制性能指标优于传统方法整定得到的PID控制器。     

基于混合粒子群优化算法的电力系统无功优化

应用粒子群优化算法(PSO)求解电力系统无功优化问题,提出基于混沌搜索的混合粒子群优化算法,以克服PSO容易早熟而陷入局部最优解的缺点。该算法引入了基于群体适应度方差的早熟判断机制,当算法陷入早熟时,利用混沌运动的遍历性、随机性和规律性等特性,先对当前粒子群体中的最优粒子进行混沌寻优,然后把混沌寻优的结果随机替换群体中的一个粒子,从而提高了PSO的寻优特性。通过对IEEE 14、IEEE 30、IEEE 118等标准测试系统进行无功优化,并与遗传算法、标准PSO进行比较,表明该算法具有更高的搜索效率和更好的全局优化能力。     

基于改进PSO算法的PID参数优化研究

针对PID控制器的参数整定问题,提出一种改进微粒群优化算法（improved particle swarm optimization,IPSO）。算法是在基本PSO算法的惯性权重部分加入一个调节因子项,通过调节因子的调节,改善了算法的收敛性。仿真结果表明,IPSO算法可以更好地优化PID控制器的参数,使控制系统具有更好的控制性能。