CN104950680B - 一种岸电控制器参数整定的优化方法 - Google Patents
一种岸电控制器参数整定的优化方法 Download PDFInfo
- Publication number
- CN104950680B CN104950680B CN201510345312.0A CN201510345312A CN104950680B CN 104950680 B CN104950680 B CN 104950680B CN 201510345312 A CN201510345312 A CN 201510345312A CN 104950680 B CN104950680 B CN 104950680B
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- population
- bank electricity
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种岸电控制器参数整定的优化方法,包括一个主粒子群、两个辅助粒子群和三种不同寻优路径,该方法在很大程度上弥补了标准PSO在优化大区间多维多峰值函数时容易陷入局部最优值这一缺陷,保存了PSO算法的优点:(1)初始值不影响PSO优化;(2)优化时无需知道被控对象的精确模型,仅仅只需要合理选取代表系统性能指标的目标函数。多粒子群多路径PSO可直接在离散控制系统中运用,为PI控制参数整定提供了一个新方法,方便了对控制系统的研究,减少了人为操作时间,节约研发成本。
Description
技术领域
本发明涉及一种岸电控制器参数整定的优化方法。
背景技术
随着我国的造船业和港口贸易近年来的快速增长,其靠岸船舶带来的环境和噪声污染还有能源的浪费等问题变得越来越严重。为了解决这些问题,各国研究人员提出了许多解决方法,其中最为有效的解决办法是利用陆地电网电源给船舶供电,这种方式称为“岸电技术”。
岸电技术中的核心部分就是变流器部分,而变流器中的核心部分就是控制部分,现阶段大部分岸电控制仍然采用PI控制方式。参数整定方法有极点配置法、Ziegler-Nichols频率响应法和经验整定法等。上述几种方法需要被控对象的精确模型,也需要对系统性能和控制参数整定有想当丰富的经验,同时还要耗费大量时间才能整定出较好的控制参数。
智能算法如遗传算法、进化策略、免疫算法和粒子群算法等都具有自寻优能力,在PI参数优化方面的应用近年来受到了广泛关注。其中粒子群算法是智能优化算法领域中的一个新分支,于1995年由美国的两位学者J.Kennedy和R.C.Eberhart提出。该算法受鸟类群体活动启发,是一种智能群体随机搜索算法。当鸟群在搜寻食物时,每个个体可以根据自身经验和群体内其他个体的经验来不断调整自己的位置,虽然每个个行为体看起来是随机的,但群体却表现出惊人的协同性。PSO作为集群智能算法,其目的是在一个空间内不断搜索寻优,并通过个体和群体的位置变换最终达到最优区域。PSO算法简单,操作方便,能快速的优化多峰值对象,但随着多峰值对象的维数增加和优化区间加大,其致命缺陷则会暴露出来,那就是优化容易陷入局部最优值。
为了解决容易陷入局部最优值这个问题,许多研究人员对其进行了改进。有些将其他智能算法如:遗传算法、免疫算法、蚁粒群算法等融入到PSO中,也有些将粒子群本身做改进,如增加量子力学理论,或者保证粒子群之间的距离不小于最小设定距离,还有增加变异或反粒子群等等。这些改进虽然能在一定程度上阻止粒子群陷入局部最优值,但这些理论大部分都运用在其他领域中,或者只是仿真研究。虽有研究人员将粒子群或改进粒子群运用到变流器控制中,且部分运用到实时控制中,但实时控制最大的缺陷就是系统初始化或优化迭代时,系统容易不稳定。其他如离线优化和优化调制方式,前者多只进行了理论验证,后者则无很好的动态性能表现。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种岸电控制器参数整定的优化方法。
为解决上述技术问题,本发明所采用的技术方案是:一种岸电控制器参数整定的优化方法,该方法为:
1)连续岸电控制器输出电压,并计算输出电压的各次谐波幅值un和基波幅值u1,通过下式计算岸电控制器的适应值Fitness:
其中,a=0.1,b=1;e(k)为k时刻岸电控制器直流侧指令与输出电压采样信号之间的误差;n代表岸电控制器输出电压的谐波次数;
2)重复上述步骤1),直到得到N个适应值Fitness,令迭代次数t=0;
3)利用下述第一速度更新公式和第二速度更新公式计算第t+1次迭代的岸电控制器控制参数的第一迭代步长vij(t+1)和第二迭代步长v'ij(t+1)或v”ij(t+1):
所述第一速度更新公式为:
vij(t+1)=wvij(t)+c1r1(xij P(t)-xij(t))+c2r2(xj G(t)-xij(t));
其中,w为惯性权重,取值为0.4~0.9;vij(t)初始化为vij(0)=0;xij(t)为第t次迭代的由岸电控制参数构成的主粒子群,xij(t)大小为N×4,xij(t)的初始值设定为:第一列上的粒子取值范围为[0.07,1500],第二列上的粒子取值范围为[0.1,20000],第三列上的粒子取值范围为[0.1,1500],第四列上的粒子取值范围为[0.1,8000];xij P(t)为第t次迭代的xij(t)中粒子的个体最优值,xij P(t)初始值为xij P(0)=xij(0);当t>0时,xij P(t)确定方法为:比较xij P(t)与xij P(t-1)中同一位置的粒子值大小,取较小值作为该位置上粒子的个体最优值;xj G(t)为第t次迭代的个体最优值的最小值;c1,c2为加速常数;r1,r2为[0,1]区间的随机数;i为粒子群规模,j表示粒子的维数;
所述第二速度更新公式为:
v'ij(t+1)=χ(vij(t)+c3r1(yij p(t)-yij(t))+c4r2(yj G(t)-yij(t)))或者:
v”ij(t+1)=wvij(t)+Vmax/2+(0.5-r)yij(t);
其中,χ为压缩因子;yij(t)大小为N×4,xij(t)为第t次迭代的第一辅助粒子群,yij(t)初始化yij(0)的确定过程如下:yij(0)的第1~N-m行上的粒子在主粒子群中的N-m~N个适应值之间取值,yij(0)的第N-m~N行上的粒子在主粒子群中的1~N-m个适应值之间取值;yij p(t)为第t次迭代的yij(t)中粒子的个体最优值,yij p(t)初始值为yij P(0)=yij(0);当t>0时,yij p(t)确定方法为:比较yij p(t)与yij P(t-1)中同一位置的粒子值大小,取较小值作为该位置上粒子的个体最优值;yj G(t)为第t次迭代的个体最优值的最小值;c3,c4为加速常数;Vmax代表岸电控制参数最大更新步长;r为[0,1]区间的随机数;
4)分别更新xij(t+1)和yij(t+1):
xij(t+1)=xij(t)+vij(t+1);
yij(t+1)=yij(t)+v'ij(t+1),或者yij(t+1)=yij(t)+v”ij(t+1);
5)构建第二辅助粒子群zij(t),该粒子群由主粒子群全局最优值组成:
zij(t)=|xj G(t)+g(0.5-r)|xj G(t);
其中g为7;
6)令t=t+1,重复上述步骤3)和步骤4),当t=20时,将主粒子群和第一辅助粒子群进行对比,若第一辅助粒子群的某个粒子小于与之同位置的主粒子群粒子,则用yij(t+1)取代xij(t+1);
7)从t=20开始,重复上述步骤3)和步骤4),当t=29时,通过步骤5)产生第二辅助粒子群,同时比较xj G(29)、yj G(29)和zij G(29)的大小,选取使适应值最小的粒子群作为最终的输出;
8)将步骤7)得到的输出作为岸电控制器的控制参数。
N=15;c1,c2均为2;χ为4.1;m=5。
与现有技术相比,本发明所具有的有益效果为:本发明将ITAE和THD分别乘以不同的系数组合成一个多目标函数,该多目标函数可以作为岸电逆变输出电压质量好坏和跟踪速度快慢的标准;优化方法采用的是多粒子群多路径PSO方法,该改进方法相较于标准PSO和带压缩因子的PSO方法在优化时陷入局部最优值的可能性更小,且在陷入局部最优值后能保证跳出该状态,通过改进PSO优化,最终保证岸电控制器有较佳的控制效果。
附图说明
图1是三相逆变的主电路模型;
图2是d,q轴下的双闭环控制结构框图;
图3是多粒子群多路径PSO的优化流程图;
图4是三相逆变输出波形图;
图5是a相输出电压与指令电压的比较图;
图6是a相输出电压的FFT分析图;
图7是改进PSO优化的岸电系统输出适应值变化曲线图;
图8是标准PSO优化的岸电系统输出适应值变化曲线图;
图9是带压缩因子的PSO优化的岸电系统输出适应值变化曲线图。
具体实施方式
多粒子群多路径PSO在岸电控制中的PI参数的优化,优化目的是使目标函数的适应值较低,其中外环P的优化区间为[0.07,1500],外环I的优化区间为[0.1,20000];内环P的优化区间为[0.1,1500],内环I的优化区间为[0.1,8000]。优化迭代次数为30次,粒子群数量为15,被控对象则是基于基于双闭环PI控制的岸电逆变电路。改进PSO的控制参数优化包括以下步骤:
首先是主粒子群粒子群的初始化,其初始化是粒子群在给定的控制参数优化区间内随机产生初始值,然后通过对主粒子群中每个粒子的适应值从小到大进行排列,选取适应值较大的粒子组成一个新的粒子群,该粒子群为第一辅助粒子群,也称作差粒子群。主粒子群和第一辅助粒子群此时还需要对个体优值和全局优值进行初始化(粒子中最小适应值的粒子作为全局优值粒子,所有粒子作为个体优值粒子)。
粒子初始化后,就开始进入迭代寻优程序,此时就需要粒子群进行速度更新和位置更新,其中主粒子群的速度更新公式为:
vij(t+1)=wvij(t)+c1r1(xij P(t)-xij(t))+c2r2(xj G(t)-xij(t))
速度更新公式代表的是控制参数的改变步长,主粒子群中x代表当前迭代的控制参数值,xp为主粒子群当前迭代搜索到的控制参数个体最优粒子;xG为主粒子群当前迭代搜索到的控制参数全局最优粒子。位置更新公式为:
x(t+1)=x(t)+v(t+1)
位置更新公式则代表的是控制参数进过一定步长变化后的值。第一辅助粒子群的位置更新方式与主粒子群的一样,速度更新公式有两种,其一为:
vij(t+1)=χ(vij(t)+c3r1(yij p(t)-yij(t))+c4r2(yj G(t)-yij(t)))
yp为差粒子群当前迭代搜索到的控制参数个体最优粒子;yG为差粒子群当前迭代搜索到的控制参数全局最优粒子。第二种速度更新公式为:
vij(t+1)=wvij(t)+Vmax/2+(0.5-r)yij(t)
此公式为速度随机更新方式,缺少全局优值和个体优值的引导,虽能提供多种不同控制参数寻优路径,但不能有太大的更新概率,概率太大则容易导致粒子盲目搜索,设置其更新概率为0.1。每次优化迭代,都将重复上述动作。
粒子群优化初期由于惯性权重值很大,所以只有速度和位置的更新。迭代中期(10-20代),由于权重值的减小,为了在一定程度上增加粒子群的多样性,主粒子群还存在最差粒子变异过程。
粒子群优化后期(20代以后),主粒子群的变异则变为有条件变异,只有变异后的效果好于变异前的效果则进行变异。于此同时差粒子群作为第一辅助粒子群开始参与到主粒子群的择优中,当差粒子群中有较好粒子时,可代替主粒子群中的差粒子。第一辅助粒子群作为一个全局辅助群体,为主粒子群增加了寻优范围,并提供了更多可能解的空间,因此可以加速主粒子群的优化进程。
粒子群优化末期(29代以后),因为惯性权重值已经很小,所以作为提供全局辅助的第一辅助粒子群作用将被消弱,于此同时主粒子群的作用也会被消弱,但此时主粒子群已经寻找到了全局优值空间,为了更进一步做精细搜索,在全局优值的基础上形成一个无速度更新的粒子群,称为第二辅助粒子群,也称作全最优值邻域粒子群。该辅助粒子群的目的是扩大局部搜索空间,增加搜索到更优值的可能。
图1为三相逆变的主电路模型(500KVA),其中E为直流源,D为功率开关管,L为滤波电感(0.089mH),C为滤波电容(600μF),RL为负载(功率因素为0.8)。图2为三相转dq轴后的双闭环控制结构框图,其中外环是输出电压反馈控制环,输出电压为三相负载端线电压,转换成相电压后,再经过坐标变换转换成dq轴信号,并作为反馈引入到外环控制中(Uod,Uoq)。内环是电感电流反馈控制环,同样是将三相相电流转换成dq轴信号并作为反馈信号引入到内环控制中(ILd,ILq)。幅值为361V,频率为60Hz的三相正弦转换成了dq轴直流的指令信号(Urd,Urq)。外环和内环的控制方式都为数字PI控制,其中外环P的优化区间为[0.07,1500],外环I的优化区间为[0.1,20000];内环P的优化区间为[0.1,1500],内环I的优化区间为[0.1,8000]。调制方式则是采用空间矢量(SVPWM)调制。将图1和图2结合起来组合成一个完整的被控对象,并通过优化控制参数来保证逆变输出电压达到用电标准。由于优化的对象是岸电中的逆变电路,所以本发明主要是针对60HZ的三相逆变电路。
因逆变中的PI控制需要保证三相逆变输出电压的波形质量较好,所以需要将逆变输出电压作为主要的优化评判标准。在三相负载平衡情况下,只需要将某一个相电压作为评判标准便可以代表三相中其他两相电压质量,输出电压的质量通过目标函数中的THD表现出来。如图2中的双闭环控制通过解耦后,dq轴控制可以看成是两个独立的对称控制,所以d轴中双环控制器的参数可以和q轴一样,为此只需要单独考虑一轴控制便可。为了加快系统的收敛,并保证稳态时系统稳定,且误差不大,将外环的误差通过目标函数中的ITAE作为评价标准。改进PSO的优化主要目的让目标函数的适应值降到最低,ITAE和THD两个函数需要达到的标准就是其值得较低,所以将其组合时,只需乘以一个系数便可直接相加,系数大小表示该函数在整个目标函数中所占的比重大小。目标函数中ITAE的系数为a=0.1,THD的系数为b=1,其公式为
本发明提出的改进PSO由一个主粒子群和两个辅助粒子群和三种不同寻优路径组成。主粒子群的速度更新方式为带权重值的更新方式,该粒子群贯穿整个优化过程,并且是第一辅助粒子群和第二辅助粒子群形成的基础。第一辅助粒子群,也称为差粒子群,该粒子群起到了全局辅助的作用,帮助主粒子群在大范围内寻找更优空间。第二辅助粒子群,称作全局优值邻域粒子群,该粒子群起到了局部辅助作用,帮助主粒子群在优化末期寻找更优值。后两种辅助粒子群在不同时期的作用,帮助主粒子群不断的寻找更优值,同时能有效防止粒子群优化陷入局部最优值。
改进粒子群的优化流程图如图3所示,其中Lter为迭代次数。初始化时,也就是PI参数值在优化区间内随机产生值的过程,通过对不同初始值的进行评价,选出全局优值和个体优值,同时将差粒子群组成一个新群体(第一辅助粒子群)。优化迭代一开始就是主粒子群和第一辅助粒子群的速度和位置的更新,也就是PI参数值按一定步长进行更新,其目的是让其他粒子朝着全局优值粒子和个体优值粒子靠拢。优化初期(优化迭代10代以前),因为主粒子群的惯性权重较大,所以陷入局部最优值的可能性较小,第一辅助粒子群优化初期无法影响主粒子群的优化。优化中期(优化迭代10至20代),此时由于主粒子群的权重值下降,为了提高群体多样性,增加了变异过程,主粒子群只对不影响主体优化的差粒子进行变异。优化后期(优化迭代至20代以后),差粒子群经过前面20代的优化已经能提供许多主粒子群无法得到的信息,此时让差粒子群提供新信息给主粒子群能帮助其避免陷入局部最优值,同时也能让主粒子群朝着更优值的空间移动。优化末期(迭代至29代以后),此时主粒子群已经找到了优值空间,差粒子群的全局辅助作用已经失效,为了更进一步增加搜索范围,寻找可能更优的值,在主粒子群的全局优值的基础上形成第三粒子群(第二辅助粒子群),该粒子群主要作用是提高搜索空间,并将更优值反馈给主粒子群。不同粒子群的不同时期的作用主要是为了避免计算过于复杂,且能保证粒子群数量和迭代次数较少的时候也能优化出优值。粒子每一次迭代都有一次全局优值和个体优值的替换过程,其目的为不断的用更优值来代替全局优值和个体优值,公式为
if fx<fp,xij p(t)=xij(t)
if fx<fG,xgj G(t)=xij(t)
fx为当前控制参数的粒子适应值,fp为控制参数的全局优值粒子适应值,fG为控制参数个体优值粒子适应值。通过不同粒子群加上不同优化路径的作用,最终改进PSO会找到多组控制性能较好的岸电控制参数。
图4中三相电压分别为ua,ub,uc。图5中uaref为指令电压。图4和5可以看出改进PSO优化出来的控制参数效果较好,输出电压能很好的跟踪指令电压。图6为a相电压的FFT分析,可以看出,各次谐波含量均低于0.25%,总谐波畸变率只为0.4%,完全达到了用电标准。
图7为改进PSO优化的岸电系统输出适应值变化曲线图,从图中可以看出,在优化初期,适应值有一个较大的跌落情况,这说明在优化初期主粒子群寻优到了一个更好的空间。随着迭代次数的增加,主粒子群的惯性权重值也会慢慢的降低,此时优化陷入了局部最优值,表现在适应值降幅不大。但在20代以后,随着第一辅助粒子群的加入,主粒子群在其帮助下,跳出了局部最优值状态,其适应值有一个明显的下降过程。到了优化末期,粒子群基本上已经处于较好值空间,此时第一辅助粒子群已经失去作用,而第二辅助粒子群则开始扩大搜索方位,试图寻找更优值,此时因主粒子群已经处在优值空间,所以适应值降幅不大。
当缺少第一辅助粒子群和第二辅助粒子群时,主粒子群则为标准的PSO算法,随着迭代次数的增加,因个体优值和全局优值的引导作用,粒子群会越来越聚拢,加上只有一条寻优路径,往往错误的历史经验会让粒子群陷入局部最优值而无法跳出该状态,最终导致优化停滞。在被控对象为基于双闭环控制的三相逆变电路时,特别是在优化区间较大时,标准PSO更容易陷入局部最优值。基于岸电控制系统的输出适应值变化曲线如图8所示,从图8可以看出,标准PSO优化从头到尾,适应值并没有大幅度下降,可知其优化一开始就陷入了局部最优值,且没有跳出局部最优值的能力,所以最终优化效果较差。
带压缩因子的PSO因其也只存在一条寻优路径,加上无跳出局部最优值状态的能力,与标准PSO一样很容易陷入局部最优值。基于岸电控制系统的输出适应值变化曲线如图9所示,可以看出,在优化初期,适应值有一个较大的跌落,此时粒子群发现了更优值,可随着迭代次数的增加一直到优化结束,其适应值变化一直较小,可见优化陷入了局部最优值。
Claims (5)
1.一种岸电控制器参数整定的优化方法,其特征在于,该方法为:
1)连续岸电控制器输出电压,并计算输出电压的各次谐波幅值un和基波幅值u1,通过下式计算岸电控制器的适应值Fitness:
<mrow>
<mi>F</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<mi>a</mi>
<mo>*</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>&infin;</mi>
</msubsup>
<mi>k</mi>
<mo>|</mo>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>d</mi>
<mi>k</mi>
<mo>+</mo>
<mi>b</mi>
<mo>*</mo>
<msqrt>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mi>&infin;</mi>
</munderover>
<msup>
<msub>
<mi>u</mi>
<mi>n</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
</mfrac>
</msqrt>
<mo>;</mo>
</mrow>
其中,a=0.1,b=1;e(k)为k时刻岸电控制器直流侧指令与输出电压采样信号之间的误差;n代表岸电控制器输出电压的谐波次数;
2)重复上述步骤1),直到得到N个适应值Fitness,令迭代次数t=0;
3)利用下述第一迭代步长公式和第二迭代步长公式计算第t+1次迭代的岸电控制器控制参数的第一迭代步长vij(t+1)和第二迭代步长v’ij(t+1)或v”ij(t+1):
所述第一迭代步长公式为:
vij(t+1)=wvij(t)+c1r1(xij P(t)-xij(t))+c2r2(xj G(t)-xij(t));
其中,w为惯性权重,取值为0.4~0.9;vij(t)初始化为vij(0)=0;xij(t)为第t次迭代的由岸电控制参数构成的主粒子群,xij(t)大小为N×4,xij(t)的初始值设定为:第一列上的粒子取值范围为[0.07,1500],第二列上的粒子取值范围为[0.1,20000],第三列上的粒子取值范围为[0.1,1500],第四列上的粒子取值范围为[0.1,8000];xij P(t)为第t次迭代的xij(t)中粒子的个体最优值,xij P(t)初始值为xij P(0)=xij(0);当t>0时,xij P(t)确定方法为:比较xij P(t)与xij P(t-1)中同一位置的粒子值大小,取较小值作为该位置上粒子的个体最优值;xj G(t)为主粒子群第t次迭代的个体最优值的最小值;c1,c2为加速常数;r1,r2为[0,1]区间的随机数;i为粒子群规模,j表示粒子的维数;vij(t)为第t次迭代的岸电控制器控制参数的第一迭代步长;
所述第二迭代步长公式为:
v’ij(t+1)=χ(vij(t)+c3r1(yij p(t)-yij(t))+c4r2(yj G(t)-yij(t)))或者:
v”ij(t+1)=wvij(t)+Vmax/2+(0.5-r)yij(t);
其中,χ为压缩因子;yij(t)大小为N×4,yij(t)为第t次迭代的第一辅助粒子群,yij(t)初始化yij(0)的确定过程如下:yij(0)的第1~N-m行上的粒子在主粒子群中的N-m~N个适应值之间取值,yij(0)的第N-m~N行上的粒子在主粒子群中的1~N-m个适应值之间取值;yij p(t)为第t次迭代的yij(t)中粒子的个体最优值,yij p(t)初始值为yij P(0)=yij(0);当t>0时,yij p(t)确定方法为:比较yij p(t)与yij P(t-1)中同一位置的粒子值大小,取较小值作为yij p(t)与yij P(t-1)中同一位置上粒子的个体最优值;yj G(t)为第一辅助粒子群第t次迭代的个体最优值的最小值,c3,c4为加速常数;Vmax代表岸电控制参数最大更新步长;r为[0,1]区间的随机数;
4)分别更新xij(t+1)和yij(t+1):
xij(t+1)=xij(t)+vij(t+1);
yij(t+1)=yij(t)+v’ij(t+1),或者yij(t+1)=yij(t)+v”ij(t+1);
5)构建第二辅助粒子群zij(t),该粒子群由主粒子群第t次迭代的个体最优值的最小值组成:
zij(t)=|xj G(t)+g(0.5-r)|xj G(t);
其中g为7;zij G(t)为第二辅助粒子群第t次迭代的个体最优值的最小值;
6)令t=t+1,重复上述步骤3)和步骤4),当t=20时,将主粒子群和第一辅助粒子群进行对比,若第一辅助粒子群的某个粒子小于与之同位置的主粒子群粒子,则用yij(t+1)取代xij(t+1);
7)从t=20开始,重复上述步骤3)和步骤4),当t=29时,通过步骤5)产生第二辅助粒子群,同时比较xj G(29)、yj G(29)和zij G(29)的大小,选取使适应值最小的粒子群作为最终的输出;
8)将步骤7)得到的输出作为岸电控制器的控制参数。
2.根据权利要求1所述的岸电控制器参数整定的优化方法,其特征在于,N=15。
3.根据权利要求1所述的岸电控制器参数整定的优化方法,其特征在于,c1,c2均为2。
4.根据权利要求1所述的岸电控制器参数整定的优化方法,其特征在于,χ为4.1。
5.根据权利要求1所述的岸电控制器参数整定的优化方法,其特征在于,m=5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510345312.0A CN104950680B (zh) | 2015-06-18 | 2015-06-18 | 一种岸电控制器参数整定的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510345312.0A CN104950680B (zh) | 2015-06-18 | 2015-06-18 | 一种岸电控制器参数整定的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104950680A CN104950680A (zh) | 2015-09-30 |
CN104950680B true CN104950680B (zh) | 2017-11-03 |
Family
ID=54165416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510345312.0A Active CN104950680B (zh) | 2015-06-18 | 2015-06-18 | 一种岸电控制器参数整定的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104950680B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105932860B (zh) * | 2016-06-08 | 2019-05-03 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于粒子群算法的电力变流器双闭环控制策略 |
CN106779216B (zh) * | 2016-12-16 | 2020-07-14 | 鞍钢集团矿业设计研究院有限公司 | 一种不饱和订单下的矿山生产自动排程优化方法 |
CN107395704B (zh) * | 2017-07-13 | 2020-03-10 | 福州大学 | 一种Spark云计算平台下的结构物理参数辨识方法 |
CN108663949A (zh) * | 2018-05-31 | 2018-10-16 | 江苏科技大学 | 一种基于dspace的船舶岸电一体化半实物仿真平台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002086631A1 (en) * | 2001-04-17 | 2002-10-31 | Tokyo Electron Limited | Control method and control apparatus |
CN103365213A (zh) * | 2013-07-15 | 2013-10-23 | 温州大学 | 用于兆瓦级逆变系统的极值优化自整定数字pid控制方法 |
CN103853050A (zh) * | 2014-03-19 | 2014-06-11 | 湖北蔚蓝国际航空学校有限公司 | 一种四旋翼飞行器的pid优化控制方法 |
CN103885338A (zh) * | 2014-03-21 | 2014-06-25 | 北京工业大学 | 一种基于粒子群优化算法的输入整形器参数自整定控制方法 |
CN104019526A (zh) * | 2014-06-24 | 2014-09-03 | 河海大学常州校区 | 改进pso算法模糊自适应pid温湿度控制系统及方法 |
CN104533701A (zh) * | 2014-12-23 | 2015-04-22 | 华中科技大学 | 一种水轮机调速系统控制参数的自动整定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257800A1 (en) * | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
-
2015
- 2015-06-18 CN CN201510345312.0A patent/CN104950680B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002086631A1 (en) * | 2001-04-17 | 2002-10-31 | Tokyo Electron Limited | Control method and control apparatus |
CN103365213A (zh) * | 2013-07-15 | 2013-10-23 | 温州大学 | 用于兆瓦级逆变系统的极值优化自整定数字pid控制方法 |
CN103853050A (zh) * | 2014-03-19 | 2014-06-11 | 湖北蔚蓝国际航空学校有限公司 | 一种四旋翼飞行器的pid优化控制方法 |
CN103885338A (zh) * | 2014-03-21 | 2014-06-25 | 北京工业大学 | 一种基于粒子群优化算法的输入整形器参数自整定控制方法 |
CN104019526A (zh) * | 2014-06-24 | 2014-09-03 | 河海大学常州校区 | 改进pso算法模糊自适应pid温湿度控制系统及方法 |
CN104533701A (zh) * | 2014-12-23 | 2015-04-22 | 华中科技大学 | 一种水轮机调速系统控制参数的自动整定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104950680A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106549394B (zh) | 基于双鱼群算法的电力无功优化系统及方法 | |
CN104950680B (zh) | 一种岸电控制器参数整定的优化方法 | |
Rahimian et al. | Optimal PID controller design for AVR system using particle swarm optimization algorithm | |
CN105281615A (zh) | 一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法 | |
CN105552959B (zh) | 基于扩张状态观测器的三相并网整流器预测直接功率控制方法 | |
CN110995006B (zh) | 一种电力电子变压器设计方法 | |
Li et al. | The application of immune genetic algorithm in main steam temperature of PID control of BP network | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN104965981B (zh) | 一种可逆变流岸电网侧控制器多参数优化方法 | |
Meena | Simulation study of boost converter with various control techniques | |
CN107069831A (zh) | 一种下垂控制方法 | |
CN113420863A (zh) | 一种基于哈里斯鹰算法的储能双向变流器控制参数整定方法 | |
CN105870972B (zh) | 一种光伏微网pwm逆变器的智能控制系统 | |
CN110262220A (zh) | 一种基于蚁群算法mig焊脉冲电流pid参数控制方法 | |
Bana et al. | Adaptive vector control of grid-tied vsc using multilayer perceptron-recurrent neural network | |
CN114942582A (zh) | 基于神经网络对Buck变换器中PID控制器参数的优化方法和装置 | |
Wang et al. | Parameters optimization study and analysis of PID controller in buck converter based on fuzzy particle swarm optimization algorithm | |
CN110365020B (zh) | 基于集成学习的无功优化方法 | |
CN109687459B (zh) | 基于电流预测前馈结合多pr谐振支路的高速谐波电流开闭环控制方法 | |
CN115603342B (zh) | 一种计及源网协同的微电网中混合储能规划方法及系统 | |
Wang et al. | Fuzzy Control Model Study on Precision Irrigation System for Water Stress in Crops. | |
Tulay et al. | Boost PFC PI control by using heuristic optimization method | |
CN112688345B (zh) | 考虑多维度频率控制性能标准的智能频率控制方法 | |
Jia et al. | Small signal stability analysis and control optimization of Y-connected modular multilevel converter for fractional frequency offshore wind power application | |
Mao et al. | Research on Adaptive Proportion-Integral Controller Based on Deep Reinforcement Learning for DC-DC Boost Converter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |