基于混沌粒子群算法的PI控制器参数在线整定

针对PI参数人工调节费时、费力且往往结果不甚理想的问题,并针对粒子群算法易局部收敛的缺陷,采用引入混沌搜索思想的混沌粒子群算法,提出一种在线PI控制器参数整定方法。以PMSM控制系统为对象,对该方法进行了测试,测试结果显示,采用参数整定后的PI控制器,PMSM控制系统拥有良好的动态和稳态性能,证明了基于混沌粒子群算法的PI参数整定方法的可行性。     

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。     

基于改进粒子群优化算法的PID参数整定

粒子群优化算法PSO(Particle Swarm Optimization)是近年来出现的一种新型演化计算方法,其算法简单易懂,优化性能良好.该文提出改进的PSO算法结合Matlab强大的矩阵计算和系统仿真功能,对文中实例的PID参数进行了优化整定.仿真显示优化结果比遗传算法好,收敛性能比遗传算法高.     

基于改进粒子群优化算法的PID参数整定

粒子群优化算法PSO(ParticleSwarmOptimization)是近年来出现的一种新型演化计算方法,其算法简单易懂,优化性能良好。该文提出改进的PSO算法结合Matlab强大的矩阵计算和系统仿真功能,对文中实例的PID参数进行了优化整定。仿真显示优化结果比遗传算法好,收敛性能比遗传算法高。     

基于自适应加速粒子群算法的PSS参数预整定

基于粒子群算法,提出了适用于PSS参数优化预整定的自适应加速粒子群算法(SAPSO)。对惯性权重和加速因子等参数进行动态自适应调整,并在粒子搜索过程中最容易陷入局部最优的阶段,有条件地引入随机变异环节来控制粒子寻优行为。建立PSS参数预整定仿真模型,利用SAPSO算法,对某网新投PSS设备进行了参数预整定研究。时域仿真和现场试验表明,预整定PSS参数阻尼效果更好,也验证了新投机组PSS参数预整定方法的有效可行。     

基于粒子群算法的阀门流量特性整定优化

火电机组长期运行,高压调节阀门的流量特性通常会不同程度的偏离设计值,使总阀位与开度的变化不匹配,进而影响机组的一次调频功能.基于某火电机组的历史运行数据,通过粒子群算法对机组的高压调节阀流量特性进行了优化整定.对不同总阀位区间的一次调频情况进行仿真,探讨了阀门流量特性对一次调频功能的影响.一次调频算例显示,阀门流量特性...     

混沌粒子群优化算法在配电网无功优化中的应用

针对电力系统无功优化的特点,提出了一种基于传统粒子群优化(PSO)算法的改进型智能算法——混沌粒子群优化(CPSO)算法。CPSO算法采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值,利用该算法分别对IEEE14和IEEE30节点系统进行仿真测试。仿真结果表明,CPSO算法相对于PSO算法,优化效果理想,收敛速度快。     

一种新型的PID控制器参数优化整定方法

PID控制器参数的优化整定一直是自动控制领域的研究热点。本文采用微粒群算法(PSO)进行PID控制器参数的优化研究。仿真结果表明根据本文提出的方法得到的PID控制器参数可以获得满意的控制效果,各项性能指标优于由遗传算法(GA)整定得到的效果。     

基于粒子群算法的无刷交流发电系统PI参数整定

在MATLAB/Simulink软件中搭建三级式无刷交流同步发电机调压控制系统模型时,需要选取合适的PI参数使系统的输出电压满足相应的指标。考虑到传统的PI参数整定方法计算复杂,且计算出的参数需要经过多次调整才能满足系统指标,设计了一种基于粒子群(PSO)算法整定PI参数的方法,用以提高三级式同步发电机调压控制系统模型的PI参数整定效率。仿真结果验证了PSO算法整定无刷交流发电系统PI参数的可行性,可以根据需要的输出电压指标整定合适的PI参数。     

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。     

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。     

基于混沌粒子群算法的多目标无功优化研究

针对传统无功优化的不足,建立了以电网有功损耗最小、节点电压偏移最小、静态电压稳定性最好和无功成本最小的多目标无功优化模型.为了将这4个目标同时进行优化,提出了基于Pareto解的混沌粒子群算法多目标无功优化方法,求出该多目标优化问题的Pareto最优解集,供决策者根据实际情况进行科学决策选择.为证明提出方法的有效性,对IEEE30节点系统进行了多目标无功优化分析,结果表明本文提出的方法能够得到良好的无功优化结果.     

一种新型鲁棒PID控制器参数整定方法

针对复杂工业过程中存在的一类模型不确定问题,提出了一种新的鲁棒比例积分微分(PID)控制器参数整定方法。通过对优化目标的分析,将鲁棒PID控制器的参数整定问题转化成一个求解最小-最大优化问题,并引入合作进化粒子群优化算法对该最小-最大优化问题进行求解。针对实例的仿真结果表明,利用该方法整定得到的鲁棒PID控制器具有良好的鲁棒性,提高了性能指标,当过程对象操作范围发生大的变化时,该控制器能获得满意的结果。     

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。     

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。     

基于微粒群算法的BBMC控制参数优化研究

基于双闭环控制的BUCK-Boost矩阵变换器(BBMC)具有优良的电气性能,然而其控制参数因采用试凑法获得而难以达到最佳控制效果,为此提出采用微粒群算法对其控制参数进行优化。介绍了BBMC双闭环控制策略与微粒群算法的基本原理,阐述了采用微粒群算法对BBMC双闭环控制策略的控制参数进行优化的具体设计方法,并利用MATLAB对其控制效果进行了仿真验证,同时与试凑法获得的控制参数进行了对比仿真分析。结果表明:利用微粒群算法优化获得的控制参数较试凑法获得的控制参数具有更好的控制效果,BBMC输出波形的谐波失真度更小。     

改进的混沌算法在PID参数整定中的应用

PID控制由于鲁棒性好和易于实现等优点，在工业上广泛应用；但是PID参数整定繁琐、难以达到最优状态、控制结果出现较强的振荡和大超调等问题。在传统的混沌算法的基础上，引入微粒群算法的寻优思想，形成了一种新的混沌算法，并应用在PID控制器的参数优化上。仿真证明了该算法能有效地实现PID参数最优整定，控制结果具有稳定、超调小、响应快的优点。该算法寻优速度快，效率高，容易实现，其性能优于常规遗传算法，为解决PID控制器参数全局最优设计提供了一种有效的方法。     

基于小生境混沌免疫算法的PID参数优化

在人工免疫算法的基础上,提出了一种小生境混沌免疫算法。通过在免疫算法中引入小生境机制和混沌细搜索,增强了算法保持种群多样性的能力和局部搜索能力;此外,通过对小生境机制与解空间关系的分析,提出了一种小生境距离选取依据。应用于PID参数的优化,并与遗传算法(Genetic Algorithm,GA)、人工免疫算法(Artificial Immune Algorithm,AIA)进行比较。仿真结果表明,设计的PID控制器控制效果优于GA和AIA。