基于改进型PSO算法的过热汽温PID参数优化

通过采用改进的粒子群优化（PSO）算法对锅炉过热汽温中的PID参数进行优化,分析了传统过热汽温控制方案的不足,提高了整个系统的鲁棒性。其应用使过热汽温得到了良好的控制,且提高了经济运行效益,同时也说明了改进的粒子群算法寻优简单,能够使控制系统获得较好的动态特性和很强的鲁棒性,易于并行化。仿真结果表明,该算法是一种效率很高的寻优方法,是PID参数优化的理想方法。     

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.     

主汽温量子粒子群-PID优化控制

基于基本粒子群(PSO)优化算法容易发生早熟、收敛速度慢,研究了一种改进的粒子群算法--量子粒子群优化算法(QPSO).将这种算法应用于某电厂主汽温控制系统PID参数优化,得到了最优参数.仿真结果表明,QPSO使得主汽温控制系统具有更好的控制品质,提高了系统的静动态特性.     

基于粒子群优化算法的变论域模糊PID控制器在过热汽温控制中的应用

针对锅炉过热汽温大滞后和大惯性等难以建立精确的数学模型的问题,设计了模糊PID控制器。通过模糊推理对PID的参数在线调整,加入了变论域思想对控制系统进行改进,最后将粒子群优化算法应用于变论域模糊控制器中,对量化因子及PID的三个参数Kp、Ki和Kd进行优化。将模糊PID控制器应用于过热汽温度控制系统进行仿真。仿真结果表明:采用基于粒子群优化算法的变论域模糊PID控制比传统的PID控制具有较强的鲁棒性和抗干扰能力,具有明显的优越性。     

基于CFSPSO算法的控制器参数优化

针对基本粒子群优化参数性能的不足及其优化算法易早熟的弊端,提出一种带压缩因子的二阶粒子群改进算法(CF-Sec PSO)。采用多种测试函数对改进算法进行测试,同时介绍控制器参数优化时目标函数的选取,将算法应用于电厂主汽温控制系统控制器参数优化中。仿真研究表明:与基本粒子群算法和带压缩因子粒子群(CFPSO)算法相比,改进的粒子群算法改善了算法的搜索速度及精度,有效避免陷入局部最优。将其应用于优化主汽温的PID串级控制器参数,改进算法提升了控制系统的性能,对实际控制系统中参数整定提供了重要参考,验证了该算法的适用性。     

深度调峰下超超临界机组再热汽温控制优化

火电厂在深度调峰过程中存在再热器出口汽温大延迟、大惯性和非线性等特点,使控制效果变差或难以投自动,提出一种基于模糊切换的仿人智能控制算法,对再热汽温控制系统进行优化,并利用粒子群算法结合控制经验对参数进行选择,仿真结果表明该方法增强了再热汽温控制系统的鲁棒性。在某1 000MW超超临界机组的实际投运中取得较好的控制效果,有效提高了机组的经济性和安全性。     

改进的广义预测控制算法及其在锅炉汽温控制中的应用仿真研究

广义预测控制算法具有控制效果好、鲁棒性强和模型要求低等优点。分析广义预测控制原理及其隐式算法,利用预测信息对控制增量的选取策略进行了改进,并针对该算法在具有大滞后和时变性的电站锅炉过热汽温控制过程中的应用进行了仿真研究。最后通过仿真结果验证了该算法的优越性和可行性。     

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。     

基于改进粒子群算法的主汽温控制系统PID参数优化

介绍了一种基于改进的粒子群优化(PSO)算法的PID控制器参数优化方法。通过将PSO基本算法中的惯性权重进行线性递减,很好地协调了PSO的全局与局部寻优能力。将改进的粒子群PID控制器参数优化方法应用于多扰动、大惯性的电厂主汽温控制系统,仿真结果表明,该方法在保证控制系统稳定性的基础上极大地提高控制系统的精度和快速性。     

基于改进粒子群算法的主汽温系统参数优化

为了提高基本微粒群算法的收敛性,提出了一种引入变异机制的新型粒子群算法,该算法使粒子以不同的概率变异。实验表明,算法的收敛速度得到提高,并且有效抑制了算法的早熟。将算法应用于电厂主汽温控制系统的优化,仿真结果表明,系统获得了较好的调节品质。     

用于无功电压综合控制的改进粒子群优化算法

介绍了粒子群优化算法(PSO),结合电力系统实际运行情况提出了适用于离散型变量的改进PSO算法,该算法将全局型和局部型算法有效结合起来,将问题分层解决,并引入了变异算子.在IEEEl4节点系统和130节点实际系统的仿真计算中,改进PSO算法与其他人工智能算法相比,可在较短的计算时间内取得更好的优化效果.     

基于模拟退火粒子群算法的波浪发电系统最大功率跟踪控制

波浪发电系统最大功率点跟踪控制中,传统粒子群算法存在早熟收敛和局部搜索能力不足问题,为此提出基于模拟退火算法的粒子群优化方案。该算法每次更新粒子的速度和位置时,通过比较当前温度下各个粒子的适配值与随机数的大小,从所有粒子中确定全局最优解的替代值,从而使粒子群算法在发生早熟收敛时能够跳出局部最优并快速找到全局最优解。仿真结果表明,与传统粒子群优化算法相比,模拟退火粒子群算法可有效避免波浪发电系统陷入局部最大功率点,并快速实现全局最大功率跟踪,提高了波浪能捕获率。     

改进粒子群算法在PID参数整定中的应用

PID控制是过程控制中应用最广泛的控制方法,其关键在于PID参数的优化。针对其参数整定和优化问题,提出了一种改进的粒子群优化算法。仿真结果证明了该算法的有效性,其性能优于遗传算法和基本微粒群算法,具有一定的工程应用前景。     

改进的PSO算法及其在PID控制器参数整定中的应用

粒子群优化算法(PSO)是一种新兴的随机优化技术,在许多领域得到了广泛应用。为了提高算法的计算精度,加快算法的收敛速度,提出了一种改进的粒子群优化算法,通过引入粒子运动过程中的最差位置信息,由最优个体和最差个体获取信息,有效地提高了算法的搜索能力和收敛速度。在实验研究中,采用改进的粒子群优化算法对PID控制器参数进行整定并用于啤酒发酵过程温度段控制,实验结果表明所提出的算法搜索能力及收敛速度显著提高,应用该方法得到的PID控制器综合性能优于常规方法所得的结果。     

改进粒子群算法在无功优化中的应用

建立了无功优化的数学模型,针对粒子群算法易陷入局部最优解、收敛精度差的缺点,将改进粒子群优化算法应用到电力系统无功优化中。对粒子群的速度公式进行了改进,并在算法中引入反正切惯性权重和阈值来增强搜索全局最优解的能力。通过对IEEE30节点的算例仿真,证明改进后的粒子群算法在电力系统无功优化问题上具有一定的可行性。与PSO的结果对比表明该算法在一定程度上提高了计算的精度。     

群体智能的系统辨识

概括了系统辨识的方法,重点介绍了最小二乘法、群体智能算法中的粒子群算法和改进的粒子群算法,给出了估计模型的选择方法,并结合某1000MW火电机组实例,运用两种方法进行了系统辨识和仿真.仿真结果表明,最小二乘法可以完成对系统的辨识,但存在较大偏差;采用粒子群算法辨识结果良好.     

基于改进粒子群优化模糊控制的MPPT算法研究

在光照强度和温度变化时,常规的最大功率点跟踪(MPPT)算法难以快速准确地跟踪光伏系统最大功率点。针对此问题,设计了一种改进粒子群优化算法(PSO)的模糊控制器。首先,依据常规MPPT特性,设计了一种带调整因子的模糊控制算法以快速收敛到最大功率点;然后,采用参数自适应PSO对设计的模糊控制器调整因子进行动态优化。仿真结果表明:所设计的参数自适应PSO优化模糊控制器能快速准确地跟踪最大功率点,保证了MPPT的动态响应速度和稳态精度,提高了光伏系统的工作效率。     

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。     

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。