基于粒子群优化的超级电容器模型结构与参数辨识

为了分析超级电容器的动态特性,并准确估计荷电状态、健康状态等信息,需要建立超级电容器模型。提出以系统辨识方法作为建模手段,为克服广义误差准则不能保证模型输出误差最小的缺点,采用输出误差准则并推导出对应的非线性目标函数。应用粒子群优化算法对该目标函数进行优化求解,并获得模型参数。针对结构辨识问题,采用最终输出误差准则计算结构判别指标,通过比较该指标值确定模型最佳阶次。实验和仿真结果表明,所提模型能精确描述超级电容器的动态特性,建模方法可行。     

两种智能算法在感应电动机参数辨识中的应用

针对传统方法对感应电动机参数辨识的准确度低及收敛速度慢等特点,采用粒子群算法和差分进化算法进行辨识。以感应电动机实际输出电流和电气模型的观测电流之间的差值,通过智能优化算法对电气模型不断进行修正,不断对电气模型中的参数进行更新,从而辨识出感应电动机参数。通过实验,与传统的最小二乘法辨识的结果对比,两种算法都能在允许误差范围内准确辨识出感应电动机参数,差分进化算法得到的结果更为准确。     

基于DSLPSO算法的超级电容参数辨识

针对超级电容模型多参数辨识问题以及传统辨识算法收敛精度差,收敛速度慢问题,提出基于动态自学习粒子群算法的超级电容参数辨识方法.根据超级电容等效电路模型,采用双线性变换进行离散化获得辨识模型,使用动态自学习粒子群算法辨识各分支的参数.仿真结果分析表明,与基本粒子群、自适应惯性权重粒子群对比分析,基于动态自学习粒子群算法的超级电容参数辨识方法收敛速度快、收敛精度高、全局寻优能力强,可以更准确地反映出超级电容的动态特性.     

基于单亲遗传算法的超级电容器等效电路模型参数辨识方法

为了能够准确反映超级电容器的动态特性,需要建立其等效电路模型。考虑超级电容器双电层中扩散层对器件动态特性的影响,建立了包含能够反映电荷再分配过程分支的等效电路模型。采用改进的单亲遗传算法对模型中的各个元件参数进行了辨识。为了验证所建立的超级电容器等效电路模型和元件参数辨识方法的有效性,在Simulink环境下搭建了仿真模型,并对模型进行了充电、静置以及放电实验,同时对所选用超级电容器进行了相同工况下的实测实验。实验结果显示仿真模型输出电压与实测值的最大相对误差为8.41%,出现在放电阶段。在静置阶段,仿真输出的误差要明显低于充电阶段和放电阶段。3个阶段的平均相对误差大约在3%。     

基于区间-粒子群算法的油纸绝缘等效电路参数计算

回复电压法是一种研究变压器绝缘老化状态的非破坏性检测方法。现阶段,为了从理论上分析介质极化特性,许多学者通过建立等效电路模型来辅助分析油纸绝缘老化机理。因此,准确地辨识等效电路参数对后续研究油纸绝缘老化起到至关重要的作用。本文使用初始斜率特征量辨识介质响应等效电路参数的数学优化模型,其计算简单,操作方便。考虑到实际测试中充电电压的波动和测量误差会带来参数计算的误差,本文首次提出采用区间-粒子群算法对等效电路模型进行区间参数计算。区间-粒子群算法在高维多峰值函数中不仅有较好的执行效率,而且能够搜索到最优可行区间。最后通过仿真实例验证了等效电路模型的准确性和区间-粒子群算法进行参数计算的适用性。该研究结果为进一步评估油纸绝缘老化奠定了良好的基础。     

改进仿射粒子群算法在电路参数估计的应用

合理准确地辨识出介质弛豫响应等效电路模型的参数是分析油纸绝缘劣化的重要前提。首先利用一种非破坏性的电气量诊断方法-时域响应回复电压法,从中提取初始斜率特征量建立介质响应等效电路参数辨识的数学优化模型;接着考虑到仪器误差和环境因素等对参数辨识的影响,利用改进仿射粒子群算法对等效电路模型参数进行区间估计,克服了区间算术容易导致参数区间被过估计的不足,发挥了该算法在处理高维多峰值函数中不仅有良好的执行效率,而且能够得到最优可行区间的优点;最后,通过实际变压器现场测试实例,验证了改进仿射粒子群算法对等效电路模型参数估计的准确性与优越性,等效电路模型参数准确的估计为最终分析变压器油纸绝缘老化状态奠定了良好基础。     

基于信息量准则的锂离子电池变阶RC等效电路模型建模及优化方法

针对三阶RC等效电路模型过拟合和模型复杂度较高的问题,提出了一种将信息量准则和粒子群优化相结合的方法,对锂离子电池模型进行精准切换,在保证模型拟合度、精确度的同时,降低了模型的复杂度,提高了模型的容错率。该文利用小电流充放电法获取开路电压,对等效电路模型参数进行了辨识;运用AIC和BIC准则,以剩余平方和作为模型评价指标确定模型切换方法,以最佳拟合度和最小偏差为目标函数,利用粒子群优化(particle swarm optimization,PSO)算法搜索最优模型。寻优后的模型具有较高的准确性和实用性。经恒流充放电和拟工况实验以及仿真表明,基于PSO-IC变阶RC等效电路模型误差在0.65%以内。     

基于改进混沌粒子群的PEMFC模型参数辨识

基于质子交换膜燃料电池(PEMFC)电堆的输出特性及相关电化学反应建立输出特性模型,提出改进混沌粒子群优化(CPSO)算法来优化PEMFC输出特性模型参数辨识问题。首先采用6种标准测试函数验证了CPSO算法的寻优性能,然后针对两种参数不同的电堆进行了输出特性模型参数辨识。结果表明,相较于遗传算法(GA)、粒子群优化(PSO)算法、受约束粒子群优化(B-PSO)算法、具有收缩系数的粒子群优化(PSO-χ)算法、引力粒子群优化(GSAPSO)算法以及差分进化算法(DE),CPSO算法辨识精度最高且收敛速度最快。静态工况下电堆1的均方根误差为0.213,平均相对误差为2.339%;电堆2的均方根误差为0.481,平均相对误差为1.243%,充分说明CPSO算法在PEMFC输出特性模型参数辨识方面的优越性。     

城轨车用超级电容器SOC的估算方法

针对城轨车辆储能用超级电容器的特点,建立等效电路模型。通过遗忘因子最小二乘算法识别模型参数,采用自适应无迹卡尔曼滤波(AUKF)算法估计超级电容器的荷电状态(SOC)。相比传统的卡尔曼滤波(KF)算法,AUKF算法循环迭代运算超级电容器的参数和SOC,可提高估算的准确度。利用混合脉冲功率特性(HPPC)实验,验证算法的可行性与准确性。KF算法的误差较大,最大误差为6%,平均误差为3%;AUKF算法的结果精度较高,平均误差约为1.5%。     

50年来《电池》为电池行业服务,积累了大量的珍贵文献!

针对城轨车辆储能用超级电容器的特点,建立等效电路模型。通过遗忘因子最小二乘算法识别模型参数,采用自适应无迹卡尔曼滤波(AUKF)算法估计超级电容器的荷电状态(SOC)。相比传统的卡尔曼滤波(KF)算法,AUKF算法循环迭代运算超级电容器的参数和SOC,可提高估算的准确度。利用混合脉冲功率特性(HPPC)实验,验证算法的可行性与准确性。KF算法的误差较大,最大误差为6%,平均误差为3%; AUKF算法的结果精度较高,平均误差约为1. 5%。     

考虑迟滞效应影响的动力锂离子电池特性建模

论文以三元锂离子电池为实验对象,在利用线性粒子群优化算法对4种典型的等效电路模型参数进行参数辨识的基础上,比较了这4种模型的复杂度和精度。4种模型中,开路电压均取自标准脉冲实验的主迟滞回线的充电开路电压值和放电开路电压值的平均值。对4种典型模型预测结果误差进行分析,证明了电池极化过程引起的迟滞效应是造成预测结果误差的主要原因。基于此,提出一种改进方法,即构造分段线性迟滞电压函数,修正平均开路电压值和荷电状态之间的关系,以减小迟滞效应引起的预测误差。实验结果表明,提出的方法对多种等效电路模型具有普遍适用性,能够有效提高各等效电路模型的预测精度。     

基于改进粒子群算法的横动伺服控制系统辨识

针对横动伺服控制系统的黑箱模型,提出了一种基于改进粒子群算法的辨识方法。首先,建立了系统的五阶传递函数模型,其次,在粒子群算法的基础上,引入非线性凹函数作为惯性权重的调整策略,从而避免了算法在寻优过程中陷入局部最优,实现了系统模型的优化。最后,为了验证辨识模型的正确性,进行仿真与实测对比试验。试验结果表明:该算法辨识出的模型准确度较高,具有较好的控制品质,对于同一速度输入信号,仿真与实测的输出曲线跟随性好,误差在-0.5~0.2 rad范围内,误差小。     

混合型水系超级电容器建模及其参数辨识

论文在深入分析混合型水系超级电容器工作机理的基础上,提出并建立一种可描述其充放电外特性的等效电路模型。首先对混合型水系超级电容器各组成元件进行单独建模;然后综合构成其整体等效电路模型;随后详细讨论了模型参数的辨识方法,推导了参数辨识的模型结构,并采用限定记忆递推最小二乘法辨识模型参数;最后利用实验数据对所建立的模型进行仿真分析和验证。实验和仿真结果证明了本文所建立模型的准确性。     

超级电容器的老化趋势分析

超级电容器的老化状态直接影响着储能系统的寿命。通过预测超级电容器性能参数的老化趋势,为系统的控制和管理提供预测性维护信息,将有利于提高系统的可靠性。首先在不同工况下对超级电容器进行了老化实验,并通过阻抗谱分析对其容值和等效串联电阻的变化趋势进行了分析。为了利用有限的实验数据预测超级电容器的老化趋势,提出一种基于支持向量机(SVM)的超级电容器老化预测方法,进一步采用粒子群算法(PSO)优化SVM预测模型的参数,从而完善超级电容器老化趋势的预测模型。结果表明预测值与实验值基本吻合,预测误差小于0.046,验证了基于PSO-SVM的超级电容器老化趋势预测方法的有效性。     

基于数据融合模型的励磁系统参数辨识算法

确认真实可靠的发电机励磁系统参数对电力系统安全稳定分析具有重要意义.基于人工网络融合法,提出了一种基于数据融合模型的辨识算法实现对励磁系统的参数辨识.首先,使用灰狼算法、粒子群算法和遗传算法分别对励磁系统进行参数辨识.然后,利用人工神经网络算法对三种方法的辨识结果进行合成决策.最后,数据融合模型输出合成辨识值.仿真结果...     

基于APSO算法的发电机励磁系统参数辨识

针对传统辨识方法不能辨识励磁系统非线性环节的缺点,提出了一种基于自适应粒子群优化(APSO)算法的发电机励磁系统参数辨识的方法.通过建立待辨识励磁系统的传递函数结构模型,以励磁系统的实际输入作为模型的输入,以实际励磁系统和模型的输出误差最小作为目标函数,利用APSO算法对模型参数进行优化调整,最终得到满足误差要求的励磁系统参数.该方法根据输入输出采样数据直接在时域上进行参数辨识,无需经过FFT变换,方法简便,并且有效解决了励磁系统非线性环节难以有效辨识的问题.仿真结果表明,APSO算法具有较快的收敛速度和较高的辨识精度.     

全局优化算法在Preisach磁滞模型参数辨识问题中的应用与性能对比

Preisach模型参数的快速辨识对实现考虑磁滞特性的电工装备有限元计算具有重要意义.该文结合显式Everett函数Preisach磁滞模型,提出一种基于改进速度可控粒子群算法的Preisach模型参数辨识方法,并对比分析全局优化算法在该问题应用的效率问题.首先,为了解决传统离散型Preisach模型因存储庞大Everett矩阵造成的计算效率低下问题,构建Everett函数的参数化显式表达式;其次,提出一种基于改进速度可控粒子群算法的Preisach模型参数辨识方法,并基于测量的硅钢片准静态磁滞回线,实现模型的参数辨识;最后,对比分析模拟退火算法、遗传算法与该文所提算法在模型迭代次数与计算时间、磁滞回线模拟准确度、参数辨识成功率三个方面的应用效率.结果表明,该文所提出的改进速度可控粒子群算法在Preisach模型辨识上同时兼具辨识精度高、收敛速度快、成功率高的特点.     

基于粒子群优化算法的过程模型辨识

参数辨识是过程建模的基础,提出了一种基于粒子群优化(PSO)算法的模型参数辨识方法,将过程模型的每个参数作为粒子群体中的一个粒子,利用粒子群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率.对火电厂热工过程进行参数辨识的仿真结果表明,利用PSO算法辨识过程模型参数,无论过程模型是否是时滞对象,该辨识方法对过程模型的阶次不敏感,对于不同的输入信号,均能得到满意的辨识精度和效率,因此得到了较为精确的过程模型,模型输出与实际输出基本一致.     

基于蚁群粒子群优化的卡尔曼滤波算法模型参数辨识

针对复杂的低压配电网通信环境,提出一种基于蚁群粒子群融合的无先导卡尔曼滤波(UKF)算法的模型参数辨识方法。对于电力线多径信道传输模型,采用具有最小均方误差估计效果的UKF辨识算法。针对UKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于蚁群粒子群算法优化UKF噪声矩阵的方法,同时引入蚁群算法将惯性权重离散化以提高粒子群算法的搜索效率,克服其容易发生早熟收敛的缺点。试验和仿真结果表明,采用该优化算法辨识电力线信道模型可克服参数的分散性,提高拟合精度并缩短辨识时间。     

改进粒子群算法优化PID的冶金电气控制

冶金系统的电气机组受到外界环境干扰大,输出电压具有时变性和非线性,传统控制方法难以获得高准确度的控制效果,为此提出一种改进粒子群算法优化PID的冶金控制策略。首先分析当前冶金系统的电气机组PID控制参数存在的不足;然后采用粒子群算法对电气机组PID控制参数进行求解,并针对标准粒子群算法的不足进行相应改进;最后采用仿真对比实验测试改进粒子群算法优化PID的优越性。实验结果表明,改进粒子群算法优化PID冶金电气控制系统控制准确度高,抗干扰能力强,具有较快的响应速度。