改进型PSO在过热汽温PID控制系统中的应用

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.该方法的应用使得过热汽温得到了良好的控制,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...     

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。     

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SA-PSO算法的主汽温控制系统参数优化研究

针对基本PSO算法本身存在着的对于离散的优化问题处理不佳,以及容易陷入局部最优等缺点,设计了一种引入线性递减权重机制与模拟退火算法(SA)思想的改进粒子群算法(SA-PSO),并将SA-PSO算法应用到火电厂主汽温控制系统的PID控制器参数整定中。MATLAB仿真实验结果表明:在62%,88%及100%3种不同负荷的工况下进行控制系统参数优化时,SA-PSO算法与基本PSO算法及传统Ziegler-Nichols参数整定法(Z-N法)相比,更加不容易陷入局部最优,提高了主汽温控制系统的控制品质。仿真实验的结果证明了SA-PSO算法的有效性以及在实际工业状况下的适用性。     

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。     

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IPSO-WNN的综合能源系统短期负荷预测

针对传统小波神经网络(WNN)综合能源系统负荷预测模型存在收敛速度、易陷入局部最优等缺点而导致预测精度不高的问题,文中提出了一种基于改进粒子群(IPSO)的WNN综合能源系统短期负荷预测方法。利用Pearson系数对各影响因素进行分析,选择合适的因素作为综合能源负荷预测的输入量;对传统粒子群算法进行改进,在PSO中引入混沌算法并根据粒子适应度采用不同的粒子惯性权重选择策略;基于IPSO建立了WNN综合能源系统短期负荷预测模型。通过案例验证,基于IPSO的WNN预测模型相比于传统WNN预测模型,预测精度明显提升。     

基于PSO和曲线重迭算法的扩展短期负荷预测

精确的电力系统扩展短期负荷预测,有利于改善短期负荷预测效果和制定科学合理的滚动发电计划。根据历史负荷数据的内在规律性,提出了一种基于粒子群优化改进曲线重迭算法的扩展短期负荷预测方法。该方法由若干个同日类型日形成相关负荷集,并结合粒子群优化算法(PSO)的全局寻优能力对传统曲线重迭法中的参数进行了优化,有效克服了传统曲线重迭算法中依据经验选定参数的盲目性。研究结果表明,该预测方法较传统曲线重迭预测法有更高的预测精度。     

基于改进PSO-BP神经网络的短期电力负荷预测研究

粒子群优化(PSO)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解.该文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播(BP)算法结合起来构成的混合算法用于训练人工神经网络,对短期电力负荷进行预测.实践结果表明:改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的预测精度.