CN108573300A - 粒子群算法反馈自适应率参数优化方法及全阶状态观测器 - Google Patents

粒子群算法反馈自适应率参数优化方法及全阶状态观测器 Download PDF

Info

Publication number
CN108573300A
CN108573300A CN201810349320.6A CN201810349320A CN108573300A CN 108573300 A CN108573300 A CN 108573300A CN 201810349320 A CN201810349320 A CN 201810349320A CN 108573300 A CN108573300 A CN 108573300A
Authority
CN
China
Prior art keywords
particle
value
parameters
adaptive rate
rate parameter
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.)
Granted
Application number
CN201810349320.6A
Other languages
English (en)
Other versions
CN108573300B (zh
Inventor
沈凤龙
王建辉
满永奎
边春元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Eastern Liaoning University
Original Assignee
Eastern Liaoning University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Eastern Liaoning University filed Critical Eastern Liaoning University
Priority to CN201810349320.6A priority Critical patent/CN108573300B/zh
Publication of CN108573300A publication Critical patent/CN108573300A/zh
Application granted granted Critical
Publication of CN108573300B publication Critical patent/CN108573300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明属于全阶状态观测器转速估算系统技术领域，公开了一种粒子群算法反馈自适应率参数优化方法及全阶状态观测器，令待整定的PI参数作为粒子在寻优空间的位置向量，将根据PI参数设计准则计算出的PI参数作为部分初始种群；选取适应度函数；计算出每个粒子的适应度值并进行排序，确定局部最优和全局最优；更新当前每个粒子的速度和位置；判断是否达到结束条件。本发明利用粒子群算法的优化能力，实现自适应率PI参数的离线优化，根据给出的PI参数的设定范围，给出几组参数作为初始种群的一部分，通过编码、初始化种群及参数设置、适应度评价、更新粒子速度和位置得到PI参数最优值，并将得到的结果应用于全阶状态观测器进行验证。

Description

粒子群算法反馈自适应率参数优化方法及全阶状态观测器
技术领域
本发明属于全阶状态观测器转速估算系统技术领域，尤其涉及一种粒子群算法反馈自适应率参数优化方法及全阶状态观测器。
背景技术
在全阶状态观测器转速估算系统中，为保证整个转速的估算系统在电动机动态运行时有较好的动态特性，同时具有较好的抗干扰能力以及适当的稳定裕度，设计合理的全阶状态观测器反馈自适应率PI参数至关重要。在实际的控制系统中，PI参数的设计缺乏系统的理论，对于不同的系统，往往都是利用经验通过试凑的方法得到，既麻烦又具有很大的盲目性，很难选择到最优的PI参数，无法保证全阶状态观测器有很好的收敛速度和性能指标，从而使系统很难达到最优的工作状态。对基于定子磁场定向的全阶状态观测器矢量控制系统中PI调节器参数的设计进行了研究，给出了影响其参数设计的主要因素及参数的设计范围，对于参数的设计具有重要意义，但是设计的参数之间相互制约，往往得不到最优的设计参数。
综上所述，现有技术存在的问题是：在实际的控制系统中PI参数的设计缺乏系统的理论，具有很大的盲目性；得不到最优的设计参数。在实际控制系统中PI参数的设计受多种因素的综合影响，同时，PI参数之间也存在相互制约的问题，致使PI参数的设计只能采取折中的方案而缺少系统的理论，设计时有很大盲目性，得到好的设计参数对设计者的经验有很大的依赖性。
发明内容
针对现有技术存在的问题，本发明提供了一种粒子群算法反馈自适应率参数优化方法及全阶状态观测器。
本发明是这样实现的，一种粒子群算法反馈自适应率参数优化方法，所述粒子群算法反馈自适应率参数优化方法包括以下步骤：
步骤一，令待整定的PI参数作为粒子在寻优空间的位置向量，分别根据频域法按照PI参数设计准则计算；
步骤二，选取适应度函数；
步骤三，计算出每个粒子的适应度值并进行排序，确定局部最优和全局最优；
步骤四，更新当前每个粒子的速度和位置；
步骤五，判断是否达到结束条件，如未达到结束条件，则返回步骤三，直到满足终止条件，得到电流高频噪声为反馈自适应率参数的值。
进一步，所述粒子群算法反馈自适应率参数优化方法具体包括以下步骤：
(1)令待整定的PI参数(kp,ki)作为粒子在寻优空间的位置向量p(kp,ki)。为了减小初始化种群所代表参数取值的盲目性，分别根据频域法按照PI参数设计准则，计算得到ki和kp，并折中选取二者的值；计算得到的参数值的0.1-10倍之间的随机数，初始种群的大小选为50，最大迭代次数选为100；限制因子λ＝0.73，惯性因子最大值ωmax＝0.9，惯性因子最小值ωmin＝0.4，认知因子和社会因子分别取c1＝2.0,c2＝2.3，电流高频噪声为反馈自适应率参数分别为kp和ki；
(2)适应度函数的选取，适应度函数为给定转速及估算转速差值的积分函数，为
(3)计算出每个粒子的适应度值并进行排序，确定局部最优和全局最优。
(4)更新当前每个粒子的速度和位置。
(5)判断是否达到结束条件，如未达到结束条件，则返回步骤(3)，直到满足终止条件，得到kp和ki的值。
进一步，所述计算得到ki和kp的公式为：
传递函数G'22(s)表示为：
其中：
m＝Rr/Lr(-g1+Rs/σLs-g3/ε)+ωr(-g2-g4/ε)
n＝Rr/Lr(-g2-g4/ε)-ωr(-g1+Rs/σLs-g3/ε)
x＝-g1+Rs/σLs+Rr/σLr
y＝-g2-ωr；
转速给定值为ωr，转速估计值为转子磁链估计值为电流高频噪声为反馈自适应率参数分别为kp和ki：
当kp较小时，估算系统对电流高频噪声的抑制能力越强。理论上应该比例系数kp越小，转速估算系统抗高频电流噪声的能力越强；积分系数ki越大，转速估算系统的稳态误差越小，估算转速的跟踪能力越强。
进一步，所述更新当前每个粒子的速度和位置的公式为：
Vij(k+1)＝λ{ω(k+1)Vij(k)+c1r1[pbestij-xij(k)]+c2r2[gbestj-xij(k)]}
xij(k+1)＝xij(k)+Vij(k+1)。
本发明的另一目的在于提供一种采用所述粒子群算法反馈自适应率参数优化方法的全阶状态观测器，所述全阶状态观测器反馈自适应PI参数的优化
本发明利用粒子群算法的优化能力，实现自适应率PI参数的离线优化，根据给出的PI参数的设定范围，给出几组参数作为初始种群的一部分，通过编码、初始化种群及参数设置、适应度评价、更新粒子速度和位置得到PI参数最优值，并将得到的结果应用于全阶状态观测器进行验证。
附图说明
图1是本发明实施例提供的粒子群算法反馈自适应率参数优化方法流程图。
图2是本发明实施例提供的粒子群算法实现流程图。
图3是本发明实施例提供的给定转速0.2pu时感应电机转速示意图。
图4是本发明实施例提供的带满载时感应电机转速示意图。
图5是本发明实施例提供的给定转速0.6pu时感应电机转速示意图。
图6是本发明实施例提供的带满载时感应电机转速示意图。
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仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的粒子群算法反馈自适应率参数优化方法包括以下步骤：
S101：令待整定的PI参数作为粒子在寻优空间的位置向量，分别根据频域法按照PI参数设计准则计算；
S102：选取适应度函数；
S103：计算出每个粒子的适应度值并进行排序，确定局部最优和全局最优；
S104：更新当前每个粒子的速度和位置；
S105：判断是否达到结束条件，如未达到结束条件，则返回步骤S103，直到满足终止条件，得到电流高频噪声为反馈自适应率参数的值。
下面结合附图对本发明的应用原理作进一步的描述。
1、粒子群算法又称粒子群优化算法(Particle Swarm Optimization,PSO)，从随机解出发，通过迭代寻找最优解，它利用适应度来评价解的品质。算法的基本流程主要包括：编码、初始化种群及参数设置、适应度评价、更新粒子的速度和位置、更新种群全局最优值、结束条件判定。流程图如图2所示。
(1)初始化
初始种群由D维参数搜索空间中的粒子组成，种群规模的大小是指粒子的个数，每个粒子代表解空间的一个候选解，第i(1≤i≤size)个粒子在整个解空间的位置表示为Xi，速度表示为Vi，第i个粒子从初始到当前迭代次数搜索的最优解，个体极值Pi，整个种群目前的最优解为Bests。随机产生size个粒子，随机产生初始种群的位置矩阵和速度矩阵。
(2)适应度评价
将各个粒子的初始位置作为个体极值，计算种群中各个粒子的初始适应值f(Xi)，求出种群最有位置。适应度函数的选取至关重要，直接影响到算法的收敛速度和最优解。一般选择优化问题的目标函数为适应度函数。
(3)更新粒子的速度和位置，产生新种群，并对粒子的速度和位置进行越界检查。为避免算法陷入局部更优解，加入一个局部自适应变异算子进行调整。
(4)检查结束条件，若满足则结束寻优，否则转至(3)。结束条件为寻优达到最大进化代数或评价值小于给定精度。
标准粒子群算法速度更新迭代公式为：
其中：xij(k)和Vij(k)分别代表第i个粒子在第k时刻所处的第j维位置分量和速度分量；c1和c2分别是认知因子和社会因子。
由式(1)可知，粒子的搜索速度由三部分组成，前两部分描述的是自身因素对搜索能力的影响，其中ω(k+1)Vij(k)表示粒子当前迭代速度，ω为惯性权重，它主要起到平衡全局搜索和局部搜索的作用，当ω过大的时候，可能无法得到最优解，当ω过小的时候，粒子可能会陷入局部最优的情况；c1r1[pbestij-xij(k)]是粒子对自身情况的学习，决定粒子的全局搜索能力；c2r2[gbestj-xij(k)]是粒子对群体的认知，是粒子群间的信息共享，决定了粒子的局部搜索能力。
2给定部分种群的改进粒子群算法的反馈自适应率参数优化
为了提高算法的收敛性和避免算法陷入局部最优，采用限制因子和惯性权重，如式(2)和(3)所示：
式中：φ＝c1+c2，itermax是算法设置的最大迭代次数，iter是目前的迭代次数，将待整定的参数集(bn-1,bn-2···,b1)作为粒子在寻优空间位置的坐标p(bn-1,bn-2···,b1)。
改进后的粒子搜索速度如式(4)所示，改进后的粒子群算法在寻优过程中，既充分发挥粒子自身的全局搜索能力，又能兼顾群体信息的共享。为了进一步提高算法搜索到最优解的概率和群体的搜索效率，在初始化种群上进行改进，主要根据频域法整定的PI参数值和范围设计几组PI参数，编码后混入随机初始种群。由于这些参数的选取是在一定理论分析指导下进行的，因此，参数的选取避免了盲目性，使得初始种群中优良品质个体的数量大大增加，可以提高收敛速度和搜索效率：
3采用基于给定部分初始种群的改进型粒子群算法对反馈自适应率参数进行优化，具体实现步骤如下所示：
(1)令待整定的PI参数(kp,ki)作为粒子在寻优空间的位置向量p(kp,ki)。为了减小初始化种群所代表参数取值的盲目性，分别根据频域法按照PI参数设计准则，式(6)进行计算得到ki值，根据式(5)计算出kp，并折中选取二者的值，以保证速度估算系统具有一定的稳定裕度。取计算得到的参数值的0.1-10倍之间的随机数，初始种群的大小选为50，最大迭代次数选为100。限制因子λ＝0.73，惯性因子最大值ωmax＝0.9，惯性因子最小值ωmin＝0.4，认知因子和社会因子分别取c1＝2.0,c2＝2.3，全阶状态观测器速度估算系统的反馈自适应率参数分别为kp和ki；
G'22(s)可表示为：
其中：
m＝Rr/Lr(-g1+Rs/σLs-g3/ε)+ωr(-g2-g4/ε)
n＝Rr/Lr(-g2-g4/ε)-ωr(-g1+Rs/σLs-g3/ε)
x＝-g1+Rs/σLs+Rr/σLr
y＝-g2-ωr；
转速给定值为ωr，转速估计值为转子磁链估计值为全阶状态观测器速度估算系统的反馈自适应率参数分别为kp和ki：
当kp较小时，估算系统对电流高频噪声的抑制能力越强。理论上应该比例系数kp越小，转速估算系统抗高频电流噪声的能力越强；积分系数ki越大，转速估算系统的稳态误差越小，估算转速的跟踪能力越强。但是，指出并不是kp越小，ki越大系统的动静态性能最好，而是要保持kikp的比值不能太大，否则将会引起系统稳定性变差。
(2)适应度函数的选取，适应度函数为给定转速及估算转速差值的积分函数，即为
(3)计算出每个粒子的适应度值并进行排序，确定局部最优和全局最优。
(4)根据式(4)更新当前每个粒子的速度和位置。
(5)判断是否达到结束条件，如未达到结束条件，则返回步骤(3)，直到满足终止条件，得到kp和ki的值。
对于全阶状态观测器中反馈自适应PI参数的优化，根据即分别将优化得到的PI参数应用于系统中进行实验效果测试，以检验所提优化方法的有效性和实用性。实验条件为：开关频率fs＝3KHz，直流母线电压Vdc＝600V，感应电机三角形连接。图3为感应电机空载启动时分别采用本发明得到的PI参数和通过文献1的计算公式得到的PI参数时的估算转速波形，0s时刻转速给定为斜坡给定0.2pu，1s之后感应电机转速稳定，由图3可知前者的感应电机的估算转速明显好于估算转速。当转速稳定后，给感应电机加0.2pu的负载，此时采用本发明得到的PI参数和通过文献1的计算公式得到的PI参数时的感应电机的估算转速为图4，由图4可知前者的感应电机的估算转速同样明显好于估算转速。将给定转速增加为0.6pu，图5和图6分别为相应的感应电机估算转速波形，上述实验验证了基于采用本发明得到的PI参数的全阶磁链观测器的转速估算系统在高、低速时具有较好的动态性能，有着较好的带负载能力。
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 (5)

1.一种粒子群算法反馈自适应率参数优化方法，其特征在于，所述粒子群算法反馈自适应率参数优化方法包括以下步骤：
步骤一，令待整定的PI参数作为粒子在寻优空间的位置向量，分别根据频域法按照PI参数设计准则计算PI参数；
步骤二，选取适应度函数；
步骤三，计算出每个粒子的适应度值并进行排序，确定局部最优和全局最优；
步骤四，更新当前每个粒子的速度和位置；
步骤五，判断是否达到结束条件，如未达到结束条件，则返回步骤三，直到满足终止条件，得到电流高频噪声为反馈自适应率参数的值。
2.如权利要求1所述的粒子群算法反馈自适应率参数优化方法，其特征在于，所述粒子群算法反馈自适应率参数优化方法具体包括以下步骤：
(1)令待整定的PI参数(kp,ki)作为粒子在寻优空间的位置向量p(kp,ki)；为了减小初始化种群所代表参数取值的盲目性，分别根据频域法按照PI参数设计准则，计算得到ki和kp，并折中选取二者的值；计算得到的参数值的0.1-10倍之间的随机数，初始种群的大小选为50，最大迭代次数选为100；限制因子λ＝0.73，惯性因子最大值ωmax＝0.9，惯性因子最小值ωmin＝0.4，认知因子和社会因子分别取c1＝2.0,c2＝2.3，电流高频噪声为反馈自适应率参数分别为kp和ki；
(2)适应度函数的选取，适应度函数为给定转速及估算转速差值的积分函数，为
(3)计算出每个粒子的适应度值并进行排序，确定局部最优和全局最优；
(4)更新当前每个粒子的速度和位置；
(5)判断是否达到结束条件，如未达到结束条件，则返回步骤(3)，直到满足终止条件，得到kp和ki的值。
3.如权利要求2所述的粒子群算法反馈自适应率参数优化方法，其特征在于，所述计算得到ki和kp的公式为：
传递函数G'22(s)表示为：
其中：
m＝Rr/Lr(-g1+Rs/σLs-g3/ε)+ωr(-g2-g4/ε)
n＝Rr/Lr(-g2-g4/ε)-ωr(-g1+Rs/σLs-g3/ε)
x＝-g1+Rs/σLs+Rr/σLr
y＝-g2-ωr；
转速给定值为ωr，转速估计值为转子磁链估计值为电流高频噪声为反馈自适应率参数分别为kp和ki：
当kp较小时，估算系统对电流高频噪声的抑制能力越强；理论上应该比例系数kp越小，转速估算系统抗高频电流噪声的能力越强；积分系数ki越大，转速估算系统的稳态误差越小，估算转速的跟踪能力越强。
4.如权利要求2所述的粒子群算法反馈自适应率参数优化方法，其特征在于，所述更新当前每个粒子的速度和位置的公式为：
Vij(k+1)＝λ{ω(k+1)Vij(k)+c1r1[pbestij-xij(k)]+c2r2[gbestj-xij(k)]}
xij(k+1)＝xij(k)+Vij(k+1)。
5.一种采用权利要求1～4任意一项所述粒子群算法反馈自适应率参数优化方法的全阶状态观测器，其特征在于，所述全阶状态观测器反馈自适应PI参数的优化
CN201810349320.6A 2018-04-18 2018-04-18 粒子群算法反馈自适应率参数优化方法及全阶状态观测器 Active CN108573300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810349320.6A CN108573300B (zh) 2018-04-18 2018-04-18 粒子群算法反馈自适应率参数优化方法及全阶状态观测器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810349320.6A CN108573300B (zh) 2018-04-18 2018-04-18 粒子群算法反馈自适应率参数优化方法及全阶状态观测器

Publications (2)

Publication Number Publication Date
CN108573300A true CN108573300A (zh) 2018-09-25
CN108573300B CN108573300B (zh) 2022-03-08

Family

ID=63575181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810349320.6A Active CN108573300B (zh) 2018-04-18 2018-04-18 粒子群算法反馈自适应率参数优化方法及全阶状态观测器

Country Status (1)

Country Link
CN (1) CN108573300B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163389A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于自适应分布式粒子群优化算法的功率电子电路优化方法
CN112596390A (zh) * 2020-12-18 2021-04-02 哈尔滨工业大学 一种航天器姿控系统pwpf调制器参数确定方法
CN112947050A (zh) * 2021-01-28 2021-06-11 中国航发沈阳发动机研究所 一种燃气轮机仿真动态性能控制律参数确定方法
CN117075466A (zh) * 2023-10-13 2023-11-17 浙江中智达科技有限公司 Pid控制器参数整定方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130051632A1 (en) * 2011-08-25 2013-02-28 King Saud University Passive continuous authentication method
US20160209031A1 (en) * 2015-01-20 2016-07-21 Alstom Technology Ltd Model-based controls for a furnace and method for controlling the furnace
CN106447024A (zh) * 2016-08-31 2017-02-22 上海电机学院 一种基于混沌反向学习的粒子群改进算法
CN106788080A (zh) * 2017-01-16 2017-05-31 哈尔滨工业大学 一种基于转速自适应率补偿法的单电流无速度传感器矢量控制方法
CN107480103A (zh) * 2017-07-10 2017-12-15 华中科技大学 一种抽水蓄能机组水泵断电工况导叶关闭规律的优化方法
CN107919813A (zh) * 2017-11-20 2018-04-17 无锡开放大学 基于模糊神经网络的超声电机转速控制

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130051632A1 (en) * 2011-08-25 2013-02-28 King Saud University Passive continuous authentication method
US20160209031A1 (en) * 2015-01-20 2016-07-21 Alstom Technology Ltd Model-based controls for a furnace and method for controlling the furnace
CN106447024A (zh) * 2016-08-31 2017-02-22 上海电机学院 一种基于混沌反向学习的粒子群改进算法
CN106788080A (zh) * 2017-01-16 2017-05-31 哈尔滨工业大学 一种基于转速自适应率补偿法的单电流无速度传感器矢量控制方法
CN107480103A (zh) * 2017-07-10 2017-12-15 华中科技大学 一种抽水蓄能机组水泵断电工况导叶关闭规律的优化方法
CN107919813A (zh) * 2017-11-20 2018-04-17 无锡开放大学 基于模糊神经网络的超声电机转速控制

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIANHUI WANG 等: "Research on Control System of Three-Level Inverter Based on Indirect Field Orientation", 《IEEE》 *
SURAPONG SUWANKAWIN 等: "A Speed-Sensorless IM Drive With Decoupling Control and Stability Analysis of Speed Estimation", 《IEEE》 *
张强 等: "粒子群算法在航空发动机部件模型求解中的应用", 《系统仿真学报》 *
胡江 等: "基于自适应粒子群算法的直流输电PI控制器参数优化", 《电网技术》 *
陈小龙: "基于粒子群算法的永磁同步电机无传感器控制优化", 《组合机床与自动化加工技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163389A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于自适应分布式粒子群优化算法的功率电子电路优化方法
CN112596390A (zh) * 2020-12-18 2021-04-02 哈尔滨工业大学 一种航天器姿控系统pwpf调制器参数确定方法
CN112596390B (zh) * 2020-12-18 2021-10-19 哈尔滨工业大学 一种航天器姿控系统pwpf调制器参数确定方法
CN112947050A (zh) * 2021-01-28 2021-06-11 中国航发沈阳发动机研究所 一种燃气轮机仿真动态性能控制律参数确定方法
CN117075466A (zh) * 2023-10-13 2023-11-17 浙江中智达科技有限公司 Pid控制器参数整定方法、装置、电子设备及存储介质
CN117075466B (zh) * 2023-10-13 2024-01-26 浙江中智达科技有限公司 Pid控制器参数整定方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN108573300B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN108573300A (zh) 粒子群算法反馈自适应率参数优化方法及全阶状态观测器
WO2020108411A1 (zh) 一种评价永磁电机电磁性能的方法
US20180357335A1 (en) Systems for solving general and user preference-based constrained multi-objective optimization problems
CN106787978B (zh) 一种无位置传感器无刷直流电机的宽速滑模观测器
CN106407559B (zh) 开关磁阻电机结构参数优化方法及装置
CN104993765A (zh) 一种无刷直流电机的转速估计方法
CN108899898B (zh) 一种无功电压分区方法
CN103902814A (zh) 基于动态分区的电力系统运行状态检测方法
Shubhanga et al. Stability-constrained generation rescheduling using energy margin sensitivities
Eissa et al. Optimum induction motor speed control technique using particle swarm optimization
CN104393590A (zh) 电网暂态失稳模式智能辨识方法
CN105576651B (zh) 一种中小水电机群混合并行动态等值法
CN103413027B (zh) 一种社会网络重叠社区发现方法的评价方法
CN111817634B (zh) 一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法
CN108199391A (zh) 一种发电机uel与pss的协调控制方法
Bae et al. Artificial Hunting Optimization: A Novel Method for Design Optimization of Permanent Magnet Machines
CN108599141B (zh) 多能源局域网快速动态自适应识别方法
Loop et al. An optimization approach to estimating stability regions using genetic algorithms
Bi et al. Research on Optimization Method of High Speed Permanent Magnet Synchronous Motor Based on Surrogate Model
CN110380656B (zh) 一种基于简化mras法的永磁同步电机无位置传感器控制方法
Haoguang et al. Load parameter identification based on particle swarm optimization and the comparison to ant colony optimization
Rasouli et al. An efficient approach for measurement-based composite load modeling
Xi et al. An improved method of interior permanent magnet synchronous motor parameter identification based on particle swarm optimization
Sahu et al. A robust speed sensorless vector control of multilevel inverter fed induction motor using particle swarm optimization
Rashtchi et al. Using of particle swarm optimization for loss minimization of vector-controlled induction motors

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