300MW火电机组过热蒸汽温度模型预测控制研究

在分析300 Mw机组过热蒸汽温度被控对象特点的基础上,提出了一种基于模型算法控制的模型预测控制策略,分析并设计了控制算法的基本过程和过热蒸汽温度MPC-PID串级控制结构.采用MATLAB软件编制了过热蒸汽温度控制系统仿真程序,对该模型预测控制系统和常规控制系统进行了仿真研究和比较.结果表明,过热蒸汽温度MPC-PID控制系统具有较好的给定值跟随性、抗干扰性和鲁棒性.     

锅炉蒸汽温度模型预测控制

针对锅炉蒸汽温度(汽温)模型预测控制在机组大范围负荷变动工况下的适应性问题，通过机理性分析和锅炉换热设备的特性建立了汽温对象的多机理模型，利用粒子群算法对所建模型进行修正，并引入了模糊切换功能，使模型能够更加精确地描述实际气温变化过程，提高了其自适应性和预测控制的可靠性。     

过热汽温的稳定自适应预测函数控制

针对火电厂锅炉过热蒸汽温度的动特性设计了一种基于Laguerre模型的稳定自适应预测函数控制器。通过对闭环系统状态方程的稳定性分析，依据Lyapunov稳定性定理得到了控制系统稳定的必要条件。对于不同负荷情况下模型发生跳变所引起的不稳定，该文提出一种衰减因子补偿校正方法，并使用混沌算法在线寻优调节衰减因子，提高了控制品质。仿真研究中根据多模型切换性能指标函数来判断模型跳变，当负荷变化时，在线辨识模型参数，得到较好的控制结果，证明该算法的有效性。     

基于改进广义预测控制的过热蒸汽温度优化

为保证超(超)临界机组过热蒸汽温度控制品质良好,提出了基于改进粒子群算法的阶梯式广义预测控制方法.首先利用模拟退火算法避免了粒子群算法(PSO)易于陷入局部最优问题,然后将改进后的PSO算法引入广义预测控制(GPC)的滚动优化环节中.建立了锅炉过热汽温的阶梯式广义预测串级控制系统.仿真结果表明,在不同负荷以及变工况下,相比于串级PID和传统广义预测控制,所提出的控制策略使过热汽温控制系统表现出更好的给定值跟随性能、良好的抗干扰性及负荷适应性.     

基于粒子群优化的BPNN自适应切换控制算法研究

针对工业控制系统中存在的一系列非线性和时变性,以及传统自适应控制方法中的瞬态响应差等问题,提出了一种基于粒子群优化(PSO)的神经网络多模型切换自适应控制方法.利用粒子群优化算法对神经网络权重进行调节得到最优权值,基于BP神经网络和多模型设计自适应控制方案,构造合理的切换准则,使得系统在任意时刻都可以选择最优控制器对系...     

自适应粒子群优化灰色模型的负荷预测

针对传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果变差这一局限性,引入了比标准粒子群优化算法效率更高的自适应粒子群优化算法,并与GM(1,1)模型相结合,利用自适应粒子群算法求解GM(1,1)模型中的参数a和u,提出一种自适应粒子群优化灰色模型.通过对四个地区的用电量进行实例仿真,证明该模型具有较广的适用范围和较高的预测精度.     

基于粒子群优化模糊控制器无刷直流电机控制

针对传统PID调节器,在无刷直流电机的高性能速度跟踪中,难以克服系统超调和短时振荡问题,提出了一种新的无刷直流电机控制策略。即利用粒子群算法优化的模糊控制器代替传统PID控制器,对模糊控制器的三个参数地、kb、ku进行全局优化,充分发挥模糊控制器的鲁棒性。为了验证该方法的有效性,利用Matlab仿真工具进行仿真验证,观察控制系统的一阶动态响应。结果表明,系统具有很强的鲁捧性,能够很好的跟踪负载变化,动态响应快,速度跟随准确。     

模糊自适应免疫非线性PID控制及其在过热蒸汽温度控制中的应用

介绍了免疫非线性P和模糊自整定积分微分2种控制方法.结合常规PID、模糊控制和免疫反馈控制的优点,提出了一种新型的模糊自适应免疫非线性PID控制算法,以克服常规的PID控制难以协调系统快速性和稳定性之间的矛盾,以及单纯模糊控制自适应能力不理想且易产生振荡的局限,设计了模糊自适应免疫非线性PID控制器,将其应用于具有非线性、时变、纯滞后、不确定等特性的锅炉过热蒸汽温度控制.仿真结果表明,与常规PID控制器相比较模糊自适应免疫非线性PID控制器具有良好的动静态性能,较快的适应性,较强的抗干扰性和鲁棒性,以及具有更好的动态跟踪性能,超调量较小,调节时间短,稳态后无振荡等优点.     

NPC型三电平并网逆变器自适应模型预测控制

针对中点箝位NPC(neutral point clamped)型三电平并网逆变器模型预测控制中模型参数扰动导致的控制精度低的问题,研究了一种改进的自适应模型预测控制策略。通过在遍历寻优过程中迭代控制参数以估计误差最小值,识别模型参数扰动量来更新系统模型参数,同时对控制集的作用区域进行优化,并结合两步预测法来减小遍历寻优过程的计算量。通过仿真对所提方法进行了验证,结果表明该方法提高了系统的控制精度和响应速度。     

基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。     

基于粒子群优化算法的电力系统稳定器设计

基于单机无穷大系统模型,用粒子群优化算法（PSO）对发电机电力系统稳定器(PSS)进行参数优化,来抑制低频振荡。介绍了基本的粒子群优化算法的原理,并用改进的带约束的粒子群优化算法优化PSS的参数,将PSS的整个设计过程转化为一组参数进行寻优的过程,提高了多参数寻优的效率。用Matlab仿真软件进行仿真,仿真结果表明,利用该方法设计的PSS,它的小信号稳定性有了较大的提高。     

基于粒子群优化算法的电力系统稳定器设计

基于单机无穷大系统模型,用粒子群优化算法(PSO)对发电机电力系统稳定器(PSS)进行参数优化,来抑制低频振荡.介绍了基本的粒子群优化算法的原理,并用改进的带约束的粒子群优化算法优化PSS的参数,将PSS的整个设计过程转化为一组参数进行寻优的过程,提高了多参数寻优的效率.用Matlab仿真软件进行仿真,仿真结果表明,利用该方法设计的PSS,它的小信号稳定性有了较大的提高.     

基于预估模型切换的过热汽温无辨识自适应控制

针对电厂锅炉的过热汽温系统具有大惯性、大时滞和多模型等特性.研究一种基于预估模型切换的无辨识自适应预估控制方法.该方法需设计一个无辨识自适应预估控制器和基于主蒸汽流量变化率的切换律,给出若干个一阶预估模型.在系统运行过程中,这些预估模型在切换律控制下根据运行工况按优化切换时间自适应地切换,而其中的优化切换时间是用切换系统优化理论计算得到的.仿真试验结果表明,该方法适用于过热汽温系统,具有良好的控制品质、较强的抗扰和自适应能力,且对预估模型的精度要求不高,控制参数容易整定,易于工程实现.     

基于自适应粒子群优化的静止变频电源控制研究

为了提高静止变频电源输出的电压波形质量,增强控制系统的鲁棒性,提出了基于自适应粒子群优化算法(APSO)优化模糊神经PID控制策略。利用改进的自适应粒子群优化算法优化模糊神经网络的前件、后件参数和单神经元优化PID参数,实现了控制器参数的自动调整。在MATLAB/SIMULINK环境下,对该策略控制下的静止变频电源控制电路进行了仿真。结果表明,与普通的模糊神经网络PID控制对比,引入改进的粒子群优化算法可以实现参数的全局快速寻优。优化后的模糊神经PID控制器具有良好的控制性能和自适应能力,很好地满足了系统的鲁棒性、快速性的要求。     

基于粒子群-量子操作算法的同步发电机非线性模型参数辨识

为解决同步发电机三阶非线性模型参数辨识问题,在将参数辨识问题转化为非线性优化问题的基础上,引入粒子群优化(particle swarm optimization,PSO)算法.考虑到PSO收敛速度慢、参数辨识精度低,而量子粒子群优化(quantum particle swarm optimization,QPSO)算法收敛速度快、具有较好的全局搜索能力,将量子操作引入到PSO算法中,提出了粒子群-量子操作(particle swarm optimization with quantum operation,PSO-QO)优化算法.仿真试验结果表明,与PSO算法、QPSO算法相比,PSO-QO算法收敛速度快、参数辨识精度高、算法更为稳定;与经典扩展卡尔曼滤波(extended Kalman filter,EKE)方法相比,PSO-QO具有更强的鲁棒性,尽管强噪声条件下参数辨识精度有所下降,但效果仍优于EKF.     

基于部分阴影条件下的粒子群和自适应干扰观察法复合MPPT控制

基于传统单调性光伏最大功率点控制方法在光伏阵列处于局部阴影条件下会出现控制失效的问题,提出了粒子群和自适应干扰观察法复合MPPT控制方法,利用粒子群算法全局寻优的能力来解决光伏阵列的输出多峰值特性,并为了提高搜索精度,复合应用自适应占空比干扰观察法进行两次搜索,通过仿真实验证明了该算法的可行性。     

云计算多目标任务调度的优化粒子群算法研究

针对传统粒子群算法求解云计算多目标任务调度的收敛速度慢、精度低的缺陷,提出一种优化多目标任务调度粒子群算法(MOTS-PSO)。首先,引入非线性自适应惯性权重,改变粒子的寻优能力,避免算法陷入局部最优;其次引入花朵授粉算法概率更新机制,平衡粒子的全局搜索和局部寻优,并对粒子的全局搜索位置更新公式进行改进;最后引入萤火虫算法,产生"精英解"对局部搜索位置更新公式进行改进;同时利用"精英解"对粒子的位置进行扰动,跳出局部最优状态。实验表明,MOTS-PSO算法在收敛速度和收敛精度上,比PSO算法提高了27.1%、19.9%,比FA算法提高了22.09%、5.2%。进一步实验表明,MOTS-PSO算法在解决不同规模数量的任务调度时,比PSO、FA算法效果更优。     

基于自适应混沌粒子群算法的光伏电池模型参数辨识

光伏电池模型参数的快速准确辨识在光伏阵列的输出功率预测、最大功率点跟踪以及电池故障模型的特性研究方面具有非常重要的工程意义。针对大部分传统智能算法用于系统参数辨识时的辨识精确受参数初值影响较大,而且算法易陷入早熟的问题,利用自适应混沌粒子群算法(SA-CPSO)对光伏电池模型参数进行辨识。将混沌算法与粒子群算法融合,对粒子群进行混沌初始化并促使陷入局部最优的粒子进行混沌搜索,引导其跳出局部极值从而搜索到更好的解;同时引入自适应调整策略来有效控制全局与局部搜索,提高了进化后期算法的收敛精度。经过仿真和实验测试,证明SA-CPSO算法在光伏电池模型参数辨识方面具有较高的精确度和快速性。还通过实验探讨了辐照度变化对太阳能电池参数的影响。     

无模型自适应广域阻尼控制设计方法

电力系统的运行方式和结构的时变特性越来越突出,传统广域阻尼控制器(conventional wide-area power system stabilizer,CWAPSS)由于参数固定,无法保证系统在不同运行状态下的控制效果。为此,文章采用无模型自适应控制(model free adaptive control,MFAC)算法实现了具有自适应功能的广域阻尼控制器的设计。首先讨论了MFAC算法的基本原理;然后通过分析比较WAPSS和MFAC算法参数之间的关系,给出了MFAC算法的参数设置方法;最后,通过四机两区系统的仿真验证了MFAC算法的有效性。仿真结果表明在系统结构发生变化时,无模型自适应广域阻尼控制器能够在线调整控制器参数,控制效果优于CWAPSS。     

锅炉过热汽温自适应PI型模糊控制的仿真研究

针对锅炉过热蒸汽温度对象的非线性和不确定性等,设计了PI型模糊串级控制系统,并将该系统应用于某电厂600 MW机组锅炉过热蒸汽温度的控制。在分析模糊控制器相关参数与控制系统品质之间关系的基础上,提出相关参数的在线自校正方法,构造了一种自适应PI型模糊控制器。该控制器能够在线调整其量化因子和比例因子,以适应被控对象动态特性的变化,从而提高模糊控制系统的性能。将自适应PI型模糊控制方法与常规PID控制及PI型模糊控制进行仿真比较,表明采用自适应PI型模糊控制方法建立的过热蒸汽温度控制系统具有较好的控制品质和较强的自适应能力。