CN105279579B - 一种水轮发电机组励磁系统pid控制参数的优选方法 - Google Patents
一种水轮发电机组励磁系统pid控制参数的优选方法 Download PDFInfo
- Publication number
- CN105279579B CN105279579B CN201510760890.0A CN201510760890A CN105279579B CN 105279579 B CN105279579 B CN 105279579B CN 201510760890 A CN201510760890 A CN 201510760890A CN 105279579 B CN105279579 B CN 105279579B
- Authority
- CN
- China
- Prior art keywords
- individual
- objective function
- excitation system
- control parameter
- max
- 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
- 230000005284 excitation Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 30
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010036590 Premature baby Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种水轮发电机组励磁系统PID控制参数优选方法，用于在水轮发电机组励磁系统中对PID控制参数进行优选。根据水轮发电机组励磁系统建立仿真模型，然后依据该仿真系统建立以水轮发电机机端电压和参考电压为状态量的目标函数，运用本发明设计的优选方法求解目标函数得到最优PID控制参数。本发明设计的水轮发电机组励磁系统PID控制参数的优选方法，采用一种新型启发式优化算法优化目标函数，能搜索到更小的目标函数值，得到的解代表更优的PID控制参数。更优的PID控制参数能使水轮发电机组励磁系统水轮发电机机端电压调节速度更快，系统响应曲线更加光滑，系统调节品质更高。
Description
技术领域
本发明属于优化技术领域，更具体地，涉及一种水轮发电机组励磁系统PID控制参数的优选方法，用于在水轮发电机组励磁系统中对PID控制器控制参数进行优选。
背景技术
水轮发电机组励磁系统是机组的核心控制系统之一，承担调节机端电压的重任。水轮发电机组励磁系统多采用比例积分微分控制器(Proportion IntegrationDifferentiation，PID)控制。PID控制参数的选择将直接影响到系统控制效果的好坏，从而影响到输电品质。在实际工作中，PID控制参数一般依赖专家整定，缺乏参数自动整定技术。在理论研究方面，有研究通过优化技术来整定PID控制参数，常用的优化算法大多数为启发式优化算法。
启发式优化算法是现代优化方法的重要分支，其思想大多来源于自然规律，包括生物现象以及物理定律。例如遗传算法(Genetic Algorithm，GA)模拟生物基因的进化过程；粒子群优化算法(Particle Swarm Optimization，PSO)模拟鸟类飞行的活动。算法的模式都需要以相当多数目的智能体(agent)来实现对某类问题的求解功能。此外还有的控制参数优选方法包括梯度法、单纯形法等。它们各有优点，但也存在明显缺陷。梯度法要求目标函数连续可导；单纯形法受初值和计算步长的影响较大，易于收敛于局部最优解；遗传算法需要进行复制、交叉与变异操作，进化速度慢，易产生早熟收敛，并且其性能对参数有较大的依赖性；PSO算法在复杂优化问题求解中存在早熟、陷入局部极小等不足。这些缺陷均可能导致算法无法获得最优的水轮发电机组励磁系统控制参数。
发明内容
针对传统方法的不足，本发明提出了一种水轮发电机组励磁系统PID控制参数的优选方法，该方法基于新型启发式优化算法，能有效提高水轮发电机组励磁调速系统PID控制器的调节品质，提高该调节系统的动态响应指标。
为了实现上述目的，本发明提供了一种水轮发电机组励磁系统PID控制参数的优选方法，包括如下步骤：
步骤(1)：建立水轮发电机组励磁系统的仿真模型。水轮发电机组励磁系统结构如图1所示，所述的系统包括PID控制器、放大单元、励磁机、水轮发电机、测量单元。具体的，该励磁系统是一个典型的反馈控制系统，通过测量单元测量到的水轮发电机机端电压与给定的参考电压比较，得到系统输出的偏移量，此偏移量经过PID控制器产生控制信号，再经过放大单元放大后作用于励磁机，实现对励磁电压的调节，达到进一步调节水轮发电机机端电压的目的。通过水轮发电机组励磁仿真模型可获得不同PID控制参数对应的励磁系统输出。需要指出的是，非线性PID控制器和分数阶PID控制器等改进型PID控制器也可以应用在水轮发电机组励磁系统中，也可利用本方法进行控制参数优选，均在本发明的保护范围之内。为方便说明，本发明以常规PID控制器作为水轮发电机组励磁系统控制器来阐述本发明思想。典型的励磁系统传递函数图如图1所示。PID控制器中KP、KI和KD分别为比例、积分和微分增益，是需要整定的控制参数；kA,τA分别为放大单元增益和时间常数，kE,τE分别为励磁机增益和时间常数，kG,τG分别为水轮发电机增益和时间常数，kS,τS分别为测量单元增益和时间常数；Vref为参考电压，Vc为PID控制器输出，VR为放大单元输出，VF为励磁机输出，Vt为水轮发电机机端电压，VS为测量单元输出；
步骤(2)：建立上述水轮发电机组励磁系统的控制参数优化目标函数，采用改进时间误差绝对值积分(Modified Integral Time Absolute Error，MITAE)指标，即在传统的ITAE基础上加入了超调量权重指标，作为控制参数优化的目标函数，目标函数定义为：
式中，优化变量X＝[KP,KI,KD]，KP、KI和KD分别为比例、积分和微分增益，Vref为参考电压；Vt(k)为机端电压，Ns为水轮发电机组励磁系统输出的采样点数，A为尺度系数，w为权重。通过设置尺度系数，可以调节ITAE指标和超调量指标对目标函数的贡献；
步骤(3)：运用新型启发式优化算法求解步骤(2)中目标函数，获得最优PID控制参数。
Step 1：算法初始化。设置算法参数，包括：群体规模NP、总迭代次数T、个体随机搜索数量Nl，淘汰幅度系数σ、跳跃阈值p；确定PID控制参数的取值范围。KP∈[KP,min,KP,max]，KI∈[KI,min,KI,max]，KD∈[KD,min,KD,max]，确定优化变量边界[BL,BU]，BL＝[KP,min,KI,min,KD,min]，BU＝[KP,max,KI,max,KD,max]，KP,min，KP,max分别为比例控制系数的最小值和最大值，KI,min，KI,max分别为积分控制系数的最小值和最大值，KD,min,KD,max分别为微分控制系数的最小值和最大值。在解空间[BL,BU]中随机初始化群体中所有个体的位置向量，个体位置向量表示为Xi＝[KP,KI,KD],i＝1,...,NP，代表一组控制参数；令当前迭代次数t＝0；
Step 2：计算个体的目标函数值Fi t＝fMITAE(Xi(t)),i＝1,...,Np，过程如下：从个体i位置向量Xi(t)解码得到控制参数，其中KP、KI和KD分别为位置向量中的第一、第二和第三个元素，将控制参数代入步骤(1)中水轮发电机组励磁系统仿真模型，仿真得到系统状态变量随时间的变化过程。得到机端电压Vt(k)，按照步骤(2)中目标函数得到个体i的目标函数值Fi t。进一步，计算群体目标函数最小值，具有最小目标函数值的个体确定为最优个体XB(t)；
Step 3:计算惯性向量
Step 3.1：令个体搜索次数l＝0；
Step 3.2：观望一个位置计算
rand为(0，1)之间随机数，εplay为观望步长，εplay＝0.1·||BU-BL||；
Step 3.3：计算下一个当前位置
rand为(0，1)之间随机数，εstep为惯性步长，εstep＝0.2·||BU-BL||；
Step 3.4：l＝l+1，如果l＜Nl，转至Step 3.2；否则，转至Step 4；
Step 4:计算每个个体受当前最优个体召唤向量
其中δi为中第i个个体与当前最优个体距离向量，随机数c1＝2·rand，c2＝(2·rand-1)exp(-10·t/T)为(0，1)之间随机数；由此可知c1为(0，2)之间的随机数，表示当前最优个体的号召力，当c1＞1时，表示当前最优个体的影响力增强，反之减弱；c2为动态随机数，所以其c2的随机范围由1也线性递减到0；
Step 5:按照个体位置更新公式更新个体位置：
Step 6:判断个体是否需要被淘汰并重新初始化：
Step 6.1：如果第i个个体满足公式则该个体被淘汰并重新初始化：
其中，是t代种群所有个体目标函数值的平均值，是最小的目标函数值，ω是一个随迭代次数而线性递增的参数，取值范围为[-σ,σ]；
Step 6.2：被淘汰的个体初始化：
Xi＝rand(1,D)×(BU-BL)+BL
其中，D为位置向量维数，D＝3；
Step 7:判断是否连续p代当前最优个体位置未发生移动，如果是，则认为种群灭亡，按照下式反演重构新的种群：
其中R＝0.1·||BU-BL||为反演半径；
Step 8:t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解；否则，转入Step 2。当前最优个体位置即为最优控制参数向量。
与现有技术相比，本发明有如下优点和效果：
(1)本发明设计的水轮发电机组励磁系统PID控制参数的优选方法，采用一种新型启发式优化算法优化，具有较高全局搜索能力，可以有效避免在寻优过程中过早陷入局部最优，从而获得更优的PID控制参数。
(2)与PSO优化算法等传统方法相比，本发明提出的控制参数优选方法获得的PID控制参数能使水轮机励磁系统动态性能更好，调节品质更高。
附图说明
图1为本发明方法水轮发电机组励磁系统的传递函数框图；
图2为本发明方法和PSO算法进行控制参数搜索的收敛曲线对比图。
图3为本发明所述方法和PSO优化算法优选得到的PID控制参数对应的系统响应对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明涉及一种水轮发电机组励磁系统的PID控制参数优化，该系统由PID控制器、放大单元、励磁机、水轮发电机、测量单元组成，如图1所示。本发明的目的是提出一种该系统的PID控制参数优选方法，从而提高水轮发电机组励磁系统动态控制品质，提升该控制系统的稳定性。
为说明本发明效果，下面以某一水轮发电机组励磁系统作为本发明的实施对象对本发明方法进行进一步的说明：
步骤(1)：励磁系数结构图如图1所示，所述的水轮发电机组励磁系统包括PID控制器、放大单元、励磁机、水轮发电机、测量单元。
具体的，该励磁系统是一个典型的反馈控制系统，通过测量单元测量到的水轮发电机机端电压与给定的参考电压比较，得到系统输出的偏移量，此偏移量经过PID控制器产生控制信号，再经过放大单元放大后作用于励磁机，实现对励磁电压的调节，达到进一步调节水轮发电机机端电压的目的。
建立水轮发电机组励磁系统的仿真模型。设置励磁系统的各种参数，系统参数设定如表1所示；仿真参数设定为：参考电压Vref＝1，仿真时间8秒，仿真步长0.01秒；
表1水轮发电机组励磁系统传递系数参数设定表
步骤(2)：建立上述水轮发电机组励磁系统的控制参数优化目标函数，采用改进时间误差绝对值积分(Modified Integral Time Absolute Error，MITAE)指标，即在传统的ITAE基础上加入了超调量权重指标，作为控制参数优化的目标函数，目标函数定义为：
式中，优化变量X＝[KP,KI,KD]，KP、KI和KD分别为比例、积分和微分增益，Vref为参考电压；Vt(k)为机端电压，Ns为水轮发电机组励磁系统输出的采样点数。尺度系数A＝100，权重系数w＝1；
步骤(3)：运用新型启发式优化算法求解步骤(2)中目标函数，计算得出最优PID控制参数。
Step 1：设置新型启发式优化算法参数：总迭代次数T＝100，群体规模Np＝30，算法其它参数设置如下：个体随机搜索数Nl＝3，淘汰幅度系数σ＝0.01，跳跃阈值p＝40；确定PID控制参数范围，KP∈[KP,min,KP,max]，KI∈[KI,min,KI,max]，KD∈[KD,min,KD,max]，确定优化变量边界[BL,BU]，BL＝[KP,min,KI,min,KD,min]，BU＝[KP,max,KI,max,KD,max]，KP,min，KP,max为分别比例控制系数的最小值和最大值，KI,min，KI,max分别为积分控制系数的最小值和最大值，KD,min,KD,max分别为微分控制系数的最小值和最大值。确定优化变量边界[BL,BU]，BL＝[KP,min,KI,min,KD,min]，BU＝[KP,max,KI,max,KD,max]；设定BL＝[0.001,0.001,0.001]，BU＝[10,10,10]，在此区间初始化群体中所有个体的位置向量，个体位置向量Xi＝[KP,i,KI,i,KD,i],i＝1,...,Np，代表一组控制参数；
Step 2：计算个体的目标函数值Fi t＝fMITAE(Xi(t)),i＝1,...,NP。过程如下：从个体i位置向量Xi(t)解码得到控制参数，其中KP、KI和KD分别为位置向量中的第一、第二和第三个元素，将控制参数代入步骤(1)中水轮发电机组励磁系统仿真模型，仿真得到系统状态变量随时间的变化过程。得到机端电压Vt(k)，按照步骤(2)中目标函数得到个体i的目标函数值Fi t。进一步，计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体XB(t)；
Step 3：计算惯性向量
Step 3.2：观望一个位置计算
rand为(0，1)之间随机数，εplay为观望步长，εplay＝0.1·||BU-BL||；
Step 3.3：计算下一个当前位置
rand为(0，1)之间随机数，εstep为惯性步长，εstep＝0.2·||BU-BL||；
Step 3.4：l＝l+1，如果l＜Nl，转至Step 3.2；否则，转至Step 4；
Step 4:计算每个个体受当前最优个体召唤向量
其中δi为中第i个个体与当前最优个体距离向量，随机数c1＝2·rand，c2＝(2·rand-1)exp(-10·t/T)为(0，1)之间随机数；由此可知c1为(0，2)之间的随机数，表示当前最优个体的号召力，当c1＞1时，表示当前最优个体的影响力增强，反之减弱；c2为动态随机数，所以其c2的随机范围由1也线性递减到0；
Step 5:按照个体位置更新公式更新个体位置：
Step 6:判断个体是否需要被淘汰并重新初始化：
Step 6.1：如果第i个个体满足公式则该个体被淘汰并重新初始化：
其中，是t代种群所有个体目标函数值的平均值，是最小的目标函数值，ω是一个随迭代次数而线性递增的参数，取值范围为[-σ,σ]；
Step 6.2：被淘汰的个体初始化：
Xi＝rand(1,D)×(BU-BL)+BL
其中，D为位置向量维数，D＝3；
Step 7:判断是否连续p代当前最优个体位置未发生移动，如果是，则认为种群灭亡，按照下式反演重构新的种群：
其中R＝0.1·||BU-BL||为反演半径；
Step 8:t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解；否则，转入Step 2。当前最优个体位置即为最优控制参数向量。
为比较本发明所述方法的性能，与传统基于PSO算法的水轮发电机组励磁系统控制参数优选方法进行对比。其中，PSO算法的参数设置为：种群大小Np＝30，迭代次数T＝100，最大惯性因子Wmax＝0.9，最小惯性因子Wmin＝0.1，惯性因子衰减指数Wn＝1.0，惯性权重W＝0.5，自身学习率Ci＝2，社会学习率Cg＝2。
采用不同方法优选的水轮发电机组励磁系统PID控制参数及目标函数指标如表2所示。不同方法在搜索最优PID控制参数过程中的算法收敛曲线对比如图2所示。将采用不同方法优选的PID控制参数应用于本实例中水轮发电机组励磁系统，机端电压动态调节过程如图3所示。
表2实验结果数据汇总表
结果表明：本发明方法搜索得到的最优目标函数值的比PSO算法低；对比收敛过程曲线，可发现本发明方法收敛速度更快，可知本发明所述新型启发式算法的优化性能优于PSO；应用本发明方法优选的PID控制参数，水轮发电机机端电压曲线基本无超调量，且调节时间短，而PSO算法则出现了较大的超调量，且波动次数较多。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种水轮发电机组励磁系统PID控制参数的优选方法，其特征在于，所述方法包括如下步骤：
步骤(1)：建立水轮发电机组励磁系统仿真模型：所述的水轮发电机组励磁系统包括PID控制器、放大单元、励磁机、水轮发电机、测量单元；在所述水轮发电机组励磁系统中，将测量单元测量到的机端电压与给定的参考电压比较，再经过放大单元放大后作用于励磁机，进一步通过励磁机调节水轮发电机的机端电压，从而自动调节水轮发电机机端电压；
步骤(2)：建立上述水轮发电机组励磁系统的控制参数优化目标函数，目标函数定义为：
式中，待优化变量X＝[KP,KI,KD]，KP、KI和KD分别为比例、积分和微分增益，Vref为参考电压；Vt(k)为机端电压，Ns为水轮发电机组励磁系统输出的采样点数，A为尺度系数，w为权重；
步骤(3)：运用启发式优化算法求解水轮发电机组励磁系统的控制参数优化目标函数，获得最优PID控制参数；
所述步骤(3)具体包括如下子步骤：
Step 1：算法初始化，设置算法参数，包括：群体规模NP、总迭代次数T、个体随机搜索数量Nl，淘汰幅度系数σ、跳跃阈值p；确定PID控制参数的取值范围，KP∈[KP,min,KP,max]，KI∈[KI,min,KI,max]，KD∈[KD,min,KD,max]，确定优化变量边界[BL,BU]，BL＝[KP,min,KI,min,KD,min]，BU＝[KP,max,KI,max,KD,max]，KP,min，KP,max为比例控制系数的最小值和最大值，KI,min，KI,max分别为积分控制系数的最小值和最大值，KD,min,KD,max分别为微分控制系数的最小值和最大值；在解空间[BL,BU]中随机初始化群体中所有个体的位置向量，个体位置向量表示为Xi＝[KP,KI,KD],i＝1,...,NP，代表一组控制参数；令当前迭代次数t＝0；
Step 2：计算各个个体的目标函数值Fi t＝fMITAE(Xi(t)),i＝1,...,Np，并寻找群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体XB(t)；
Step 3:计算惯性向量
Step 4:计算每个个体受当前最优个体召唤向量
其中δi为中第i个个体与当前最优个体距离向量，随机数c1＝2·rand，c2＝(2·rand-1)exp(-10·t/T)为(0，1)之间随机数；
Step 5:按照个体位置更新公式更新个体位置：
Step 6:判断个体是否需要被淘汰并重新初始化：
Step 6.1：如果第i个个体满足公式则该个体被淘汰并重新初始化：
其中，是t代种群所有个体目标函数值的平均值，是最小的目标函数值，ω是一个随迭代次数而线性递增的参数，取值范围为[-σ,σ]；
Step 6.2：被淘汰的个体初始化：
Xi＝rand(1,D)×(BU-BL)+BL
其中，D为位置向量维数；
Step 7:判断是否连续p代当前最优个体位置未发生移动，如果是，则认为种群灭亡，按照下式反演重构新的种群：
Step 8:t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解；当前最优个体位置即为最优控制参数向量；否则，转入Step 2。
2.如权利要求1所述的方法，其特征在于，所述步骤Step 3具体包括如下子步骤：
Step 3.1：令个体搜索次数l＝0；
Step 3.2：观望一个位置计算
rand为(0，1)之间随机数，εplay为观望步长；
Step 3.3：计算下一个当前位置
rand为(0，1)之间随机数，εstep为惯性步长；
Step 3.4：l＝l+1，如果l＜Nl，转至Step 3.2；否则，转至Step 4。
3.如权利要求1或2所述的方法，其特征在于，在所述步骤Step 7中，反演半径为R＝0.1·||BU-BL||。
4.如权利要求2所述的方法，其特征在于，在Step 3.2中εplay＝0.1·||BU-BL||。
5.如权利要求2所述的方法，其特征在于，在Step 3.3中εstep＝0.2·||BU-BL||。
6.如权利要求1所述的方法，其特征在于，在Step 6.2中D＝3。
7.如权利要求1或2所述的方法，其特征在于，所述步骤Step 2中计算各个个体的目标函数值Fi t＝fITAE(Xi(t)),i＝1,...,Np具体为：
从个体i位置向量Xi(t)解码得到控制参数，其中KP、KI和KD分别为位置向量中的第一、第二和第三个元素，将控制参数代入步骤(1)中水轮机调节系统仿真模型，仿真得到系统状态变量随时间的变化过程，得到机端电压Vt(k)，按照步骤(2)中目标函数得到个体i的目标函数值Fi t。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510760890.0A CN105279579B (zh) | 2015-11-10 | 2015-11-10 | 一种水轮发电机组励磁系统pid控制参数的优选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510760890.0A CN105279579B (zh) | 2015-11-10 | 2015-11-10 | 一种水轮发电机组励磁系统pid控制参数的优选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105279579A CN105279579A (zh) | 2016-01-27 |
| CN105279579B true CN105279579B (zh) | 2018-11-30 |
Family
ID=55148555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510760890.0A Active CN105279579B (zh) | 2015-11-10 | 2015-11-10 | 一种水轮发电机组励磁系统pid控制参数的优选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105279579B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106647241B (zh) * | 2016-12-05 | 2020-02-04 | 南昌航空大学 | 一种新型的非线性pid控制器 |
| CN107402515A (zh) * | 2017-07-20 | 2017-11-28 | 贵州电网有限责任公司电力调度控制中心 | 一种优化同步发电机励磁系统pid参数的方法 |
| CN108304615B (zh) * | 2017-12-28 | 2019-12-20 | 华中科技大学 | 一种抽水蓄能机组开机规律的双目标优选方法及系统 |
| CN109713977B (zh) * | 2019-03-09 | 2020-11-06 | 厦门华联电子股份有限公司 | 一种速度环控制参数整定方法及装置 |
| CN110597184A (zh) * | 2019-10-12 | 2019-12-20 | 上海交通大学 | 在线同时调整变主轴转速幅值和频率的主动颤振抑制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102904519A (zh) * | 2012-09-27 | 2013-01-30 | 华北电力大学 | 一种基于指数型目标函数的抗差励磁系统参数辨识方法 |
| 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 |
-
2015
- 2015-11-10 CN CN201510760890.0A patent/CN105279579B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102904519A (zh) * | 2012-09-27 | 2013-01-30 | 华北电力大学 | 一种基于指数型目标函数的抗差励磁系统参数辨识方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| "基于粒子群优化的 PID 控制器设计与应用";应明峰 等;《计算机仿真》;20111115;第28卷(第11期);第283-285页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105279579A (zh) | 2016-01-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105279579B (zh) | 一种水轮发电机组励磁系统pid控制参数的优选方法 | |
| CN105425612B (zh) | 一种水轮机调节系统控制参数的优选方法 | |
| CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
| Kang et al. | An adaptive PID neural network for complex nonlinear system control | |
| CN105262145B (zh) | 一种新能源混合系统控制参数的优选方法 | |
| CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
| CN109254530B (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
| CN110729939B (zh) | 一种永磁同步电机转速环自抗扰控制器参数整定方法 | |
| CN107908113A (zh) | 基于改进tlbo算法的自抗扰控制器参数整定方法 | |
| CN106485064A (zh) | 一种抽水蓄能机组水轮机工况智能开机方法 | |
| CN110110380B (zh) | 一种压电执行器迟滞非线性建模方法及应用 | |
| CN109188907A (zh) | 一种应用于稳定平台控制系统的遗传退火粒子群混合算法及其稳定平台控制系统 | |
| CN105298734A (zh) | 一种水轮机调节系统的参数辨识方法 | |
| CN105719081A (zh) | 一种基于改进人工蜂群算法的电力系统动态经济调度方法 | |
| CN107069708B (zh) | 一种基于极限学习机的输电网线路有功安全校正方法 | |
| CN110361974B (zh) | 基于bp-foa混合算法的水轮机调速系统优化方法 | |
| CN108549207A (zh) | 一种水轮机调节系统控制参数的方法 | |
| CN111539508B (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
| Salem et al. | Tuning PID controllers using artificial intelligence techniques applied to DC-motor and AVR system | |
| JP6848710B2 (ja) | プラント制御調整装置及び方法 | |
| CN110826783A (zh) | 一种神经网络的权重的训练方法及其应用 | |
| CN112346342B (zh) | 一种非仿射动力学系统的单网络自适应评价设计方法 | |
| Tajjudin et al. | Model reference input for an optimal PID tuning using PSO | |
| CN117977725B (zh) | 可再生能源电力系统实时发电调控方法及相关装置 | |
| CN113238486A (zh) | 一种自适应的多机水电站调速器参数调控方法 |
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 |