CN108089442B - 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 - Google Patents
一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 Download PDFInfo
- Publication number
- CN108089442B CN108089442B CN201711320957.4A CN201711320957A CN108089442B CN 108089442 B CN108089442 B CN 108089442B CN 201711320957 A CN201711320957 A CN 201711320957A CN 108089442 B CN108089442 B CN 108089442B
- Authority
- CN
- China
- Prior art keywords
- controller
- output
- control
- fuzzy
- voltage
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于预测函数控制与模糊控制的PI控制器参数自整定方法,该方法基于预测函数控制(PFC)与模糊控制来整定PI控制器参数,在保证控制具有较高的精度和稳定性的同时,也保证计算过程相对简单。本方法首先建立系统的非最小状态空间模型;然后基于PFC来整定PI控制器参数初值,最后基于模糊控制进行参数在线调整,有效提高了控制的精度与稳定性。
Description
技术领域
本发明属于自动化技术领域,涉及一种基于预测函数控制(PFC)与模糊控制的PI控制器参数自整定方法。
背景技术
PID控制器是过程控制系统中技术成熟、应用最广泛的一种控制器。它的算法简单,参数少,易于调整,并派生出各种先进算法。目前PID控制器参数整定方法有很多,然而如何自动整定合适的PID控制参数仍未完全解决。
发明内容
本发明的目的是针对PI控制器参数自整定问题,提供一种基于预测函数控制与模糊控制的PI控制器参数整定方法,该方法基于预测函数控制(PFC)与模糊控制来设计PI控制器参数,在保证控制具有较高的精度和稳定性的同时,也保证形式简单并满足实际工业过程的需要。
本发明方法首先建立系统的扩展非最小状态空间模型;然后先基于预测函数控制(PFC)来整定PI控制器参数初值,再基于模糊控制进行在线整定。本发明的技术方案是通过模型建立、预测机理、优化等手段,确立了一种基于预测函数控制(PFC)与模糊控制的PI控制器参数自整定方法,利用该方法可有效提高控制的精度与稳定性。
本发明具体采用的技术方案如下:
基于预测函数控制与模糊控制的PI控制器参数自整定方法,其包括以下步骤:
步骤1).首先建立过程控制系统的扩展非最小状态空间模型;
步骤2).根据所得到的扩展非最小状态空间模型,基于预测函数控制整定PI控制器参数初值;
步骤3).利用步骤2)中计算得到的参数初值,基于模糊控制进行PI控制器的在线整定。
所述的过程控制系统为单输入单输出系统。
作为优选,所述的步骤1)中建立过程控制系统的扩展非最小状态空间模型的具体方法如下:
系统过程模型如下:
Δy(k+1)+L1Δy(k)+L2Δy(k-1)+…+LpΔy(k-p+1)=
S1Δu(k)+S2Δu(k-1)+…+SqΔu(k-q+1)
其中,y(k),u(k)分别为k时刻过程输出和输入,p,q分别为输出和输入序列数,L1,L2,…,Lp为各时刻输出的系数,S1,S2,…,Sp为各时刻输入的系数,Δ为差分算子;并且:
Δy(k)=y(k)-y(k-1)
Δu(k)=u(k)-u(k-1)
选择一组非最小状态向量:
Δxm(k)T=[Δy(k) Δy(k-1) … Δy(k-p+1) Δu(k-1) Δu(k-2) … Δu(k-q+1)]
其中,Δxm(k)T表示第m时刻的非最小状态向量;
然后得出系统的状态空间过程模型:
Δxm(k+1)=AmΔxm(k)+BmΔu(k)
Δy(k+1)=CmΔxm(k+1)
Am、Bm、Cm为过程模型的系数矩阵,其中:
Bm=[S1 0 … 0 1 0 … 0]Τ
Cm=[1 0 0 … 0 0 0 0]
k时刻的系统输出误差为:e(k)=y(k)-r(k)
其中,r(k)为k时刻系统输出柔化设定值,由此可得输出误差动态方程为:
e(k+1)=e(k)+CmAmΔxm(k)+CmBmΔu(k)-Δr(k+1)
其中:Δr(k+1)=r(k+1)-r(k)
定义状态变量z(k):
得到扩展非最小状态空间模型:
z(k+1)=Az(k)+BΔu(k)+CΔr(k+1)
A、B、C为扩展非最小状态空间模型的系数矩阵,其中:
C中的O为零矩阵。
进一步的,步骤2)中根据所得到的扩展非最小状态空间模型,基于预测函数控制整定PI控制器参数初值的具体方法如下:
由扩展非最小状态空间模型得出k+P时刻的状态变量:
z(k+P)=APz(k)+ψΔu(k)+θΔR
其中,θ=[AP-1C AP-2C … C];ψ=AP-1B,AP为系数矩阵A的P次方;
ΔR=[Δr(k+1) Δr(k+2) … Δr(k+P)]Τ
r(k+i)=αiy(k)+(1-αi)c(k),i=1,2,…,P;
其中,P为预测步长,α为柔化因子,αi为α的i次方,c(k)为设定值;
定义目标函数为:
minJ(k)=z(k+P)ΤQz(k+P)
其中,Q为加权矩阵;
k时刻的离散型PI控制器表示为:
u(k)=u(k-1)+Kp(e1(k)-e1(k-1))+Kie1(k)
e1(k)=c(k)-y(k)
其中Kp、Ki分别为比例、积分系数,e1(k)为k时刻设置值与实际输出之间的误差;进一步将PI控制器写成向量形式:
u(k)=u(k-1)+wTE(k)
wT=[w1,w2]
w1=Kp+Ki
w2=-Kp
E(k)T=[e1(k),e1(k-1)]
设定期望的输出变化量Δy、控制量输出变化量Δu,以及设定系统趋于稳定时的z(k),E(k)分别为zs,Es;根据PFC原理,解出w值:
由此,可得PI控制器参数初值整定为:
更进一步的,步骤3)中基于模糊控制进行PI控制器的在线整定的具体方法是:
在模糊PI控制器中,将误差e和误差变化率ec作为控制器输入,将Kp,Ki的变化量ΔKp,ΔKi作为控制器输出,将输入变量e,ec以及输出变量ΔKp,ΔKi的模糊子集均定义为{NB,NM,NS,ZO,PS,PM,PB};同时,输入输出变量的隶属度函数均选择均匀分布的三角函数,建立两个输出变量的模糊控制规则,模糊推理过程采用Mamdani模糊推理方法,同时采用重心法进行解模糊,得到k时刻的变化量ΔKp(k),ΔKi(k);
模糊PI控制器的参数自适应整定如下:
以步骤2)中计算的初值分别作为Kp,Ki的初值Kp(1),Ki(1),则k时刻Kp,Ki的值分别为:
该方法基于预测函数控制(PFC)与模糊控制来整定PI控制器参数,在保证控制具有较高的精度和稳定性的同时,也保证计算过程相对简单。建立了系统的非最小状态空间模型;然后基于PFC来设计PI控制器参数初值,并且基于模糊控制进行在线整定,有效提高了控制的精度。
附图说明
图1为双向DCDC变换器控制框图;
图2为输入变量的隶属度函数;
图3为输出变量的隶属度函数;
图4为本发明参数整定方法的PI控制器跟踪电压设定值结果图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
基于预测函数控制与模糊控制的PI控制器参数自整定方法,其包括以下步骤:
步骤1).首先建立过程控制系统的扩展非最小状态空间模型。以单输入单输出系统为例,本步骤的具体方法如下:
系统过程模型为:
Δy(k+1)+L1Δy(k)+L2Δy(k-1)+…+LpΔy(k-p+1)=
S1Δu(k)+S2Δu(k-1)+…+SqΔu(k-q+1)
其中,y(k),u(k)分别为k时刻过程输出和输入,p,q分别为输出和输入序列数,L1,L2,…,Lp为各时刻输出的系数,S1,S2,…,Sp为各时刻输入的系数,Δ为差分算子;并且:
Δy(k)=y(k)-y(k-1)
Δu(k)=u(k)-u(k-1)
选择一组非最小状态向量:
Δxm(k)T=[Δy(k) Δy(k-1) … Δy(k-p+1) Δu(k-1) Δu(k-2) … Δu(k-q+1)]
其中,Δxm(k)T表示第m时刻的非最小状态向量;
然后得出一个状态空间过程模型:
Δxm(k+1)=AmΔxm(k)+BmΔu(k)
Δy(k+1)=CmΔxm(k+1)
Am、Bm、Cm为过程模型的系数矩阵,其中:
Bm=[S1 0 … 0 1 0 … 0]Τ
Cm=[1 0 0 … 0 0 0 0]
过程模型k时刻的输出误差为:e(k)=y(k)-r(k)
其中,r(k)为过程模型k时刻输出期望的设定值;进而得出输出误差动态方程为:
e(k+1)=e(k)+CmAmΔxm(k)+CmBmΔu(k)-Δr(k+1)
其中:Δr(k+1)=r(k+1)-r(k)
定义新的状态变量z(k):
得出扩展非最小状态空间模型:
z(k+1)=Az(k)+BΔu(k)+CΔr(k+1)
A、B、C为扩展非最小状态空间模型的系数矩阵,其中:
C中的O为适当维度的零矩阵。
步骤2).根据所得到的扩展非最小状态空间模型,基于预测函数,设定系统稳定允许的输入变化量和输出值变化量及其系统误差值,控制整定PI控制器参数初值。
本步骤的具体方法如下:
由扩展非最小状态空间模型得出k+P时刻的状态变量:
z(k+P)=APz(k)+ψΔu(k)+θΔR
其中,θ=[AP-1C AP-2C … C];ψ=AP-1B,AP为系数矩阵A的P次方;
ΔR=[Δr(k+1) Δr(k+2) … Δr(k+P)]Τ
r(k+i)=αiy(k)+(1-αi)c(k),i=1,2,…,P;
其中,P为预测步长,α为柔化因子,αi为α的i次方,c(k)为设定值;
定义目标函数为:
minJ(k)=z(k+P)ΤQz(k+P)
其中,Q为加权矩阵;
k时刻的离散型PI控制器表示为:
u(k)=u(k-1)+Kp(e1(k)-e1(k-1))+Kie1(k)
e1(k)=c(k)-y(k)
其中Kp、Ki分别为比例、积分系数,e1(k)为k时刻设置值与实际输出之间的误差;进一步将PI控制器写成向量形式:
u(k)=u(k-1)+wTEs
wT=[w1,w2]
w1=Kp+Ki
w2=-Kp
Es T=[e1(k),e1(k-1)]
为整定PI控制器参数,根据上述预测控制目标函数和设定参数,设定期望的输出变化量Δy、控制量输出变化量Δu,以及设定系统趋于稳定时的z(k),E(k)分别为zs,Es;根据PFC原理,解出w值:
根据预测函数控制思想,计算w在系统趋于稳定时的最优解:
由此,可得PI控制器参数整定为:
步骤3).利用步骤2)中计算得到的参数初值,基于模糊控制进行PI控制器的在线整定。本步骤的具体方法是:
在模糊PI控制器中,将误差e和误差变化率ec作为控制器输入,将Kp,Ki的变化量ΔKp,ΔKi作为控制器输出,将输入变量e,ec以及输出变量ΔKp,ΔKi的模糊子集均定义为{NB,NM,NS,ZO,PS,PM,PB},对应{负大,负中,负小,零,正小,正中,正大};同时,输入输出变量的隶属度函数均选择均匀分布的三角函数,建立两个输出变量的模糊控制规则,模糊推理过程采用Mamdani模糊推理方法,同时采用重心法进行解模糊,得到k时刻的变化量ΔKp(k),ΔKi(k);
模糊PI控制器的参数自适应整定如下:
以步骤2)中计算的初值分别作为Kp,Ki的初值Kp(k-1),Ki(k-1),则k时刻Kp,Ki的值分别为:
下面结合具体实施例,采用上述方法对双向DCDC变换器控制器进行设计,部分中间过程不再赘述,仅展示关键步骤和结果。
实施例1
双向DCDC变换器控制框图如图1所示,其中,Gid(s)为电感电流对占空比的传递函数,Gvi(s)为输出电压对电感电流的传递函数,Gcc(s)为电流控制环PI控制器的传递函数,Gvc(s)为电压控制环PI控制器的传递函数。各传递函数为:
其中,Kcp、Kci分别为电流环比例、积分系数;Kvp、Kvi分别为电压环比例、积分系数。
这里以电压控制环PI控制器Gvc(s)的设计为例。
步骤(1).首先建立非最小状态空间模型,设采样时间Ts=0.0025s,电压设定值Vref=200V,对于电压外环,系统等效模型为:
将G0(s)离散后得到系统过程模型如下:
Δy(k+1)-2.898Δy(k)+2.798Δy(k-1)-0.8995Δy(k-2)=
0.3319Δu(k)-0.009042Δu(k-1)-0.3192Δu(k-2)
选择如下一组非最小状态向量:
Δxm(k)T=[Δy(k) Δy(k-1) Δy(k-2) Δu(k-1) Δu(k-2)]
推导出DCDC变换器的状态空间过程模型:
Δxm(k+1)=AmΔxm(k)+BmΔu(k)
Δy(k+1)=CmΔxm(k+1)
进一步推导出扩展非最小状态空间模型:
z(k+1)=Az(k)+BΔu(k)+CΔr(k+1)
其中:
步骤(2).基于预测函数控制(PFC)整定PI控制器参数初值,具体方法是:
计算k+P时刻的状态变量:
z(k+P)=APz(k)+ψΔu(k)+θΔR
P=1,α=0.5,Q=I
其中,I为单位矩阵。
假设目标输出在进入5%误差带时的4个采样点的输出值分别为190,191,192,193(即此时目标输出变化量Δy为1),并且设归一化后的控制量分别为0.88,0.87,0.86(即控制量变化量Δu为0.01,控制量的实际输出需要反归一化),电压设定值为200,将数据代入公式可得:
将上述数据代入最优控制量得:
电压环PI控制器参数初值为:
Kvp=0.1071481,Kvi=0.2009027
同理可得,电流环PI控制器参数初值为:
Kcp=0.001384,Kci=0.003140
步骤(3).基于模糊控制进行在线调整。具体方法是:
本实施例中,对电压外环进行模糊在线调整。在电压环模糊PI控制器中,将误差ev(k)和误差变化率ec(k)作为模糊控制器输入,其中:
ev(k)=Vref-Vo(k)
ec(k)=ev(k)-ev(k-1)
其中,Vref为电压设定值,且Vref=200V,Vo为电压输出值。
将Kvp,Kvi的变化率ΔKvp,ΔKvi作为控制器输出。根据实际经验,将输入变量ev(k),ec(k)以及输出变量ΔKvp,ΔKvi的模糊子集均定义为{NB,NM,NS,ZO,PS,PM,PB};同时,输入输出变量的隶属度函数均选择均匀分布的三角函数。输入输出变量的隶属度函数分别如图2、图3所示,两个输出变量的模糊控制规则如表1所示。模糊推理过程采用Mamdani模糊推理方法,同时采用重心法进行解模糊。以步骤(2)中计算的值作为Kvp,Kvi的初值,电压模糊PI控制器的参数计算如下:
Kvp(k)=Kvp(k-1)+ΔKvp(k),
Kvi(k)=Kvi(k-1)+ΔKvi(k)
表1模糊控制规则
过程控制系统采用该方法进行PI参数整定之后,电压输出跟踪设定值的结果如图4所示。由图中可以看出,采用本方法整定之后,系统跟踪速度很快,且无静态误差。由此可知,利用该方法可有效保证控制的精度与稳定性。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (1)
1.一种基于预测函数控制与模糊控制的PI控制器参数自整定方法,其特征在于,所述方法用于双向DCDC变换器控制,其中设定Gid(s)为电感电流对占空比的传递函数,Gvi(s)为输出电压对电感电流的传递函数,Gcc(s)为电流控制环PI控制器的传递函数,Gvc(s)为电压控制环PI控制器的传递函数,各传递函数为:
其中,Kcp、Kci分别为电流环比例、积分系数;Kvp、Kvi分别为电压环比例、积分系数;s表示s域;
所述方法包括以下步骤:
步骤1).首先建立过程控制系统的扩展非最小状态空间模型;
步骤2).根据所得到的扩展非最小状态空间模型,基于预测函数控制整定PI控制器参数初值;
步骤3).利用步骤2)中计算得到的参数初值,基于模糊控制进行PI控制器的在线整定;
所述的过程控制系统为单输入单输出系统;
所述的步骤1)中建立过程控制系统的扩展非最小状态空间模型的具体方法如下:
设采样时间Ts=0.0025s,电压设定值Vref=200V,对于电压外环,系统等效模型为:
将G0(s)离散后得到系统过程模型如下:
系统过程模型如下:
Δy(k+1)+L1Δy(k)+L2Δy(k-1)+…+LpΔy(k-p+1)=S1Δu(k)+S2Δu(k-1)+…+SqΔu(k-q+1)
其中,y(k),u(k)分别为k时刻过程输出和输入,p,q分别为输出和输入序列数,L1,L2,…,Lp为各时刻输出的系数,S1,S2,…,Sp为各时刻输入的系数,Δ为差分算子;并且:
Δy(k)=y(k)-y(k-1)
Δu(k)=u(k)-u(k-1)
选择一组非最小状态向量:
Δxm(k)T=[Δy(k)Δy(k-1)…Δy(k-p+1)Δu(k-1)Δu(k-2)…Δu(k-q+1)]
其中,Δxm(k)T表示第k时刻的非最小状态向量;
然后得出DCDC变换器的状态空间过程模型:
Δxm(k+1)=AmΔxm(k)+BmΔu(k)
Δy(k+1)=CmΔxm(k+1)
Am、Bm、Cm为过程模型的系数矩阵,其中:
Bm=[S1 0 … 0 1 0 … 0]T
Cm=[1 0 0 … 0 0 0 0]
过程模型k时刻的输出误差为:e(k)=y(k)-r(k)
其中,r(k)为过程模型k时刻输出期望的设定值;进而得出输出误差动态方程为:
e(k+1)=e(k)+CmAmΔxm(k)+CmBmΔu(k)-Δr(k+1)
其中:Δr(k+1)=r(k+1)-r(k)
定义一个新的状态变量z(k):
得到扩展非最小状态空间模型:
z(k+1)=Az(k)+BΔu(k)+CΔr(k+1)
A、B、C为扩展非最小状态空间模型的系数矩阵,其中:
C中的Ο为零矩阵;
步骤2)中根据所得到的扩展非最小状态空间模型,基于预测函数控制整定PI控制器参数初值的具体方法如下:
由扩展非最小状态空间模型得出k+P时刻的状态变量:
z(k+P)=APz(k)+ψΔu(k)+θΔR
其中,θ=[AP-1C AP-2C … C];ψ=AP-1B,AP为系数矩阵A的P次方;
ΔR=[Δr(k+1) Δr(k+2) … Δr(k+P)]T
r(k+i)=αiy(k)+(1-αi)c(k),i=1,2,…,P;
其中,P为预测步长,α为柔化因子,αi为α的i次方,c(k)为设定值;
定义目标函数为:
min J(k)=z(k+P)TQz(k+P)
其中,Q为加权矩阵;
k时刻的离散型PI控制器表示为:
u(k)=u(k-1)+Kp(e1(k)-e1(k-1))+Kie1(k)
e1(k)=c(k)-y(k)
其中Kp、Ki分别为比例、积分系数,e1(k)为k时刻设定值与系统实际输出之间的误差;进一步将PI控制器写成向量形式:
u(k)=u(k-1)+wTE(k)
wT=[w1,w2]
w1=Kp+Ki
w2=-Kp
E(k)T=[e1(k),e1(k-1)]
设定期望的输出误差Δy、控制量变化量Δu的初始值,以及系统趋于稳定时的z(k)E(k)分别为zs,Es;根据PFC原理,计算得到电压环PI控制和电流环PI控制器各自的最优控制量w:
由此,可得PI控制器参数初值整定为:
步骤3)中基于模糊控制进行PI控制器参数在线整定的具体方法是:
在电压环模糊PI控制器中,将误差ev(k)和误差变化率ec(k)作为控制器输入,其中:
ev(k)=Vref-Vo(k)
ec(k)=ev(k)-ev(k-1)
其中,Vref为电压设定值,Vo为电压输出值;
将Kp,Ki的变化量ΔKp,ΔKi作为控制器输出,将输入变量e,ec以及输出变量ΔKp,ΔKi的模糊子集均定义为{NB,NM,NS,ZO,PS,PM,PB};同时,输入输出变量的隶属度函数均选择均匀分布的三角函数,建立两个输出变量的模糊控制规则,模糊推理过程采用Mamdani模糊推理方法,同时采用重心法进行解模糊,得到k时刻的变化量ΔKp(k),ΔKi(k);
模糊PI控制器的参数自适应调整如下:
以步骤2)中计算的初值分别作为Kp,Ki的初值Kp(1),Ki(1),则k时刻Kp,Ki的值分别为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711320957.4A CN108089442B (zh) | 2017-12-12 | 2017-12-12 | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711320957.4A CN108089442B (zh) | 2017-12-12 | 2017-12-12 | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108089442A CN108089442A (zh) | 2018-05-29 |
CN108089442B true CN108089442B (zh) | 2020-12-15 |
Family
ID=62175090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711320957.4A Active CN108089442B (zh) | 2017-12-12 | 2017-12-12 | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108089442B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111240192B (zh) * | 2018-11-28 | 2022-02-01 | 中国科学院沈阳自动化研究所 | 一种基于平滑切换函数的过渡过程目标值控制方法 |
CN110069015B (zh) * | 2019-05-22 | 2021-12-28 | 杭州电子科技大学 | 一种非最小化状态空间模型下的分布式预测函数控制的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104579088A (zh) * | 2014-12-25 | 2015-04-29 | 石永丽 | 一种高可靠的电力驱动电机控制方法 |
CN106877379A (zh) * | 2015-12-14 | 2017-06-20 | 韩会义 | 一种光伏并网发电功率平抑控制方法 |
CN107065541A (zh) * | 2017-03-22 | 2017-08-18 | 杭州电子科技大学 | 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7006900B2 (en) * | 2002-11-14 | 2006-02-28 | Asm International N.V. | Hybrid cascade model-based predictive control system |
-
2017
- 2017-12-12 CN CN201711320957.4A patent/CN108089442B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104579088A (zh) * | 2014-12-25 | 2015-04-29 | 石永丽 | 一种高可靠的电力驱动电机控制方法 |
CN106877379A (zh) * | 2015-12-14 | 2017-06-20 | 韩会义 | 一种光伏并网发电功率平抑控制方法 |
CN107065541A (zh) * | 2017-03-22 | 2017-08-18 | 杭州电子科技大学 | 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法 |
Non-Patent Citations (2)
Title |
---|
"一种比例因子自调整的模糊预测函数控制";戴文战 等;《化工学报》;20100831;第61卷(第8期);第3283-3292页 * |
"基于模糊PI控制的电动汽车双向DC/DC变换器";丁惜瀛 等;《大功率变流技术》;20120229(第1期);第13-16页和第53页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108089442A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Fuzzy-based multierror constraint control for switched nonlinear systems and its applications | |
Park et al. | Adaptive neural control for strict-feedback nonlinear systems without backstepping | |
Wang et al. | Predefined-time adaptive neural tracking control of switched nonlinear systems | |
Hsu | Self-organizing adaptive fuzzy neural control for a class of nonlinear systems | |
CN108365784A (zh) | 基于改进pso-bp神经网络的无刷直流电机控制方法 | |
Yu et al. | Interval type-2 fuzzy adaptive tracking control design for PMDC motor with the sector dead-zones | |
Shen et al. | Dynamic surface control for tracking of unmanned surface vessel with prescribed performance and asymmetric time-varying full state constraints | |
CN110531614B (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
Khettab et al. | Enhanced fractional order indirect fuzzy adaptive synchronization of uncertain fractional chaotic systems based on the variable structure control: robust H∞ design approach | |
Lin et al. | Self-organizing adaptive wavelet CMAC backstepping control system design for nonlinear chaotic systems | |
Gao et al. | Event-triggering based adaptive neural tracking control for a class of pure-feedback systems with finite-time prescribed performance | |
CN108089442B (zh) | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 | |
Armendariz et al. | Neuro-fuzzy self-tuning of PID control for semiglobal exponential tracking of robot arms | |
CN111224593B (zh) | 基于差分进化算法优化的模糊自适应滑模控制方法及系统 | |
Boldbaatar et al. | Self-learning fuzzy sliding-mode control for a water bath temperature control system | |
Darvill et al. | An ANFIS-PI based boost converter control scheme | |
Xia et al. | Adaptive quantized output feedback DSC of uncertain systems with output constraints and unmodeled dynamics based on reduced-order K-filters | |
Yan et al. | Fuzzy finite-time consensus control for uncertain nonlinear multi-agent systems with input delay | |
CN113885324A (zh) | 一种建筑智能用电控制方法及系统 | |
Wang et al. | Adaptive control of a class of switched nonlinear discrete-time systems with unknown parameter | |
CN110488600B (zh) | Lqr优化型无刷直流电机调速神经网络pid控制器 | |
Liang et al. | Adaptive control for fractional-order interconnected systems | |
Pongfai et al. | Novel D-SLP controller design for nonlinear feedback control | |
Prakash et al. | Neuro-PI controller based model reference adaptive control for nonlinear systems | |
Wu et al. | A study on PID intelligent optimization based on radial basis function neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |