CN110361974A - 基于bp-foa混合算法的水轮机调速系统优化方法 - Google Patents
基于bp-foa混合算法的水轮机调速系统优化方法 Download PDFInfo
- Publication number
- CN110361974A CN110361974A CN201910639282.2A CN201910639282A CN110361974A CN 110361974 A CN110361974 A CN 110361974A CN 201910639282 A CN201910639282 A CN 201910639282A CN 110361974 A CN110361974 A CN 110361974A
- Authority
- CN
- China
- Prior art keywords
- indicate
- drosophila
- parameter
- governor system
- turbine governor
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 20
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 5
- 239000000796 flavoring agent Substances 0.000 claims description 37
- 235000019634 flavors Nutrition 0.000 claims description 34
- 238000013016 damping Methods 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 230000009514 concussion Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B15/00—Controlling
- F03B15/02—Controlling by varying liquid flow
- F03B15/04—Controlling by varying liquid flow of turbines
- F03B15/06—Regulating, i.e. acting automatically
- F03B15/08—Regulating, i.e. acting automatically by speed, e.g. by measuring electric frequency or liquid flow
-
- 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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (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BP‑FOA混合算法的水轮机调速系统优化方法,先采集水轮机调速系统参数,建立水轮机调速系统模型,然后采用果蝇优化算法优化调节参数k p,k i,k d,然后利用BP神经网络的深度搜索特性对优化后的调节参数k p、k i、k d进行优化求解,最后,判断优化后的性能指标在达到最大迭代次数时是否输出最优参数,是则结束进程,否则返回;本发明能够在摆脱水轮机调速系统陷入局部最优的同时增强了收敛精度,优化更为全面和合理,符合POPID调节参数多、调节要求精度高的特点。
Description
技术领域
本发明涉及水轮机调速系统优化技术领域,尤其涉及一种基于BP-FOA混合算法的水轮机调速系统优化方法。
背景技术
传统的水轮机调速系统控制结构一般采用并联PID控制,具有简单易操作等优势.随着电力系统的发展,对水电机组的稳定性要求也在不断提高,PID控制的水轮机系统启动时稳定慢,出现系统负荷波动时稳定性差,面对电力系统的突发事件自我调节能力不足等诸多问题。面对传统经典水轮机调速系统的缺点大量学者提出了先进的智能化控制方式,如模糊PID控制、BP神经网络控制、混沌粒子群控制等,这些研究对水轮机调速系统进一步优化,使水轮机的调速性能有了明显改善,但在响应系统要求、减小对电力系统冲击等方面尚有欠缺。
发明内容
本发明的目的是提供一种基于BP-FOA混合算法的水轮机调速系统优化方法,能够在摆脱水轮机调速系统陷入局部最优的同时增强了收敛精度,优化更为全面和合理,符合POPID 调节参数多、调节要求精度高的特点。
本发明采用的技术方案为:
基于BP-FOA混合算法的水轮机调速系统优化方法,包括以下步骤:
A、采集水轮机调速系统参数,建立水轮机调速系统模型;将kp,ki,kd三个调节参数转换为由暂态转差系数bt,缓冲时间常数Td,加速度时间常数Tn表示的水轮机相关系数,经过 Laplace变换后FOPID的传递函数为:
公式(1)中,yFOPID表示调速器电气控制信号输出,Td表示缓冲时间常数,Tn表示加速度时间常数,bt表示暂态转差系数,S表示拉式算子,α表示积分阶次,β表示微分阶次,当α、β都等于1时则变为经典PID,kp表示比例增益值,ki表示积分增益值,kd表示微分增益值;
B、采用果蝇优化算法优化调节参数kp,ki,kd;具体为:
b1:建立调节参数kp,ki,kd的果蝇种群;
b2:初始化果蝇种群规模和最大迭代次数,随机产生果蝇种群位置Xaxis和Yaxis;
b3:随机化果蝇种群位置与方向,根据位置与原点距离DDist判定味道浓度值Si;
b4:计算果蝇个体的味道浓度,将味道浓度值Si带入味道浓度判定函数Ffunction中,并从每个果蝇群体中找到味道浓度最优个体;
b5:保留下最优味道浓度bbestsmell与对应位置(Xi,Yi),果蝇群体Ssmell飞向该坐标;
C、利用BP神经网络的深度搜索特性对优化后的调节参数kp、ki、kd进行优化求解;具体为:定义BP神经网络输出层,更新果蝇个体,选取E(k)为性能误差指标,同时保留味道最浓果蝇个体;
D、判断步骤C所得性能指标在达到最大迭代次数时是否输出最优参数,是则结束进程,否则返回步骤B。
进一步地,所述步骤A中水轮机调速系统模型将负荷和发电机模型等效为一阶的传递函数;
水轮机调速器PID调节器的输出表达式为:
YPID=YP+YI+YD (2)
YP=KPΔF (3)
公式(2)至公式(5)中,YP、YI、YD分别为PID控制单元输出的比例参量、积分参量和微分参量,KP、KI、KD分别为比例积分、积分增益值和微分增益值,S为拉式算子,ΔF=C1, C1为常数,ΔI为积分项,YC为导叶开度给定,T1V为微分时间常数,YPID表示调速器电气控制信号输出,bp为永态转差机构系数。
进一步地,所述步骤b4中计算果蝇个体的味道浓度,并从每个果蝇群体中找到味道浓度最优个体的表达公式如下:
公式(6)中,Ffunction表示味道浓度判定函数;Ssmell表示果蝇群体,min(Ssmell)表示在Ssmell这个果蝇群体中味道浓度最优个体;。
进一步地,所述步骤b5的表达公式为:
公式(7)中,bbestsmell表示最优味道浓度。
进一步地,所述步骤C具体为:
c1:将果蝇位置坐标输入BP神经网络的隐藏层,定义输入输出;
公式(8)中,表示隐藏层输入,Zi(k)(2)表示隐藏层输出,为隐层加权系数;
c2:定义网络输出层,更新果蝇个体,选取E(k)为性能误差指标,同时保留味道最浓果蝇个体。
本发明具有以下有益效果:
基于国内广泛使用水轮机控制方式-以PID控制为基础的调节方式,利用BP神经网络和果蝇优化算法组合的混合算法对PID水轮机调速系统进行参数优化,使其能够更加快速的稳定转速,同时减小了启动时转速的上下震荡,增强了调速系统的稳定性与可靠性,对比于利用BP神经网络和FOA算法优化的PID调速系统稳定性有了进一步的提升,且适用范围广泛。
附图说明
图1为本发明的流程图;
图2为具体实施方式中负载扰动时BP-PID控制与BPFOA-PID控制结果对比波形图。
具体实施方式
如图1所示,本发明包括以下步骤:
A、采集水轮机调速系统参数,建立水轮机调速系统模型;将kp,ki,kd三个调节参数转换为由暂态转差系数bt,缓冲时间常数Td,加速度时间常数Tn表示的水轮机相关系数,经过 Laplace变换后FOPID的传递函数为:
公式(1)中,yFOPID表示调速器电气控制信号输出,Td表示缓冲时间常数,Tn表示加速度时间常数,bt表示暂态转差系数,S表示拉式算子(α表示积分阶次,β表示微分阶次,当α、β都等于1时则变为经典PID),kp表示比例增益值,ki表示积分增益值,kd表示微分增益值;
B、采用果蝇优化算法优化调节参数kp,ki,kd;具体为:
b1:建立调节参数kp,ki,kd的果蝇种群;
b2:初始化果蝇种群规模和最大迭代次数,随机产生果蝇种群位置Xaxis和Yaxis;
b3:随机化果蝇种群位置与方向,根据位置与原点距离DDist判定味道浓度值Si;
b4:计算果蝇个体的味道浓度,将味道浓度值Si带入味道浓度判定函数Ffunction中,并从每个果蝇群体中找到味道浓度最优个体;
b5:保留下最优味道浓度bbestsmell与对应位置(Xi,Yi),果蝇群体Ssmell飞向该坐标;
C、利用BP神经网络的深度搜索特性对优化后的调节参数kp、ki、kd进行优化求解;具体为:定义BP神经网络输出层,更新果蝇个体,选取E(k)为性能误差指标,同时保留味道最浓果蝇个体;
D、判断步骤C所得性能指标在达到最大迭代次数时是否输出最优参数,是则结束进程,否则返回步骤B。
为了更好地理解本发明,下面结合附图对本发明的技术方案做进一步说明。
基于BP-FOA混合算法的水轮机调速系统优化方法,包括以下步骤:
A、采集水轮机调速系统参数,建立水轮机调速系统模型。
经典的水轮机调速系统为整数PID控制,将kp,ki,kd三个调节参数转换为由暂态转差系数 bt,缓冲时间常数Td,加速度时间常数Tn表示的水轮机相关系数,经过Laplace变换后FOPID 的传递函数为:
公式(1)中,yFOPID表示调速器电气控制信号输出,Td表示缓冲时间常数,Tn表示加速度时间常数,bt表示暂态转差系数,S表示拉式算子(α表示积分阶次,β表示微分阶次,当α、β都等于1时则变为经典PID),kp表示比例增益值,ki表示积分增益值,kd表示微分增益值;
水轮机调速系统模型将负荷和发电机模型等效为一阶的传递函数;
水轮机调速器PID调节器的输出表达式为:
YPID=YP+YI+YD (2)
YP=KPΔF (3)
公式(2)至公式(5)中,YP、YI、YD分别为PID控制单元输出的比例参量、积分参量和微分参量,KP、KI、KD分别为比例积分、微分增益值和积分增益值,S为拉式算子,ΔF=C1, C1为常数,ΔI为积分项,YC为导叶开度给定,T1V为微分时间常数,YPID表示调速器电气控制信号输出,bp为永态转差机构系数。
B、采用果蝇优化算法优化调节参数kp,ki,kd。
具体为:
b1:建立调节参数kp,ki,kd的果蝇种群;
b2:初始化果蝇种群规模和最大迭代次数,随机产生果蝇种群位置Xaxis和Yaxis;最大迭代次数设置为200次-400次;本实施例中,设置初始化果蝇种群规模groupsize为400和最大迭代次数maxnum为400,迭代步进值R(0.85-1);
b3:随机化果蝇种群位置与方向,根据位置与原点距离DDist判定味道浓度值Si;味道浓度值Si用果蝇位置到原点的距离的倒数来表示;
b4:计算果蝇个体的味道浓度,将味道浓度值Si带入味道浓度判定函数Ffunction中,并从每个果蝇群体中找到味道浓度最优个体;表达公式如下:
公式(6)中,Ffunction表示味道浓度判定函数;味道浓度判定函数Ffunction根据优化参数进行设置;Ssmell表示果蝇群体,min(Ssmell)表示在Ssmell这个果蝇群体中味道浓度最优个体;
b5:保留下最优味道浓度bbestsmell与对应位置(Xi,Yi),果蝇群体Ssmell飞向该坐标;表达公式为:
公式(7)中,bbestsmell表示最优味道浓度,Xaxis、Yaxis相当于平面坐标系X、Y一个意思。
C、利用BP神经网络的深度搜索特性对优化后的调节参数kp、ki、kd进行优化求解;定义BP神经网络输出层,更新果蝇个体,选取E(k)为性能误差指标,同时保留味道最浓果蝇个体。
具体为:
c1:将果蝇位置坐标输入BP神经网络的隐藏层,定义输入输出;
公式(8)中,表示隐藏层输入,Zi(k)(2)表示隐藏层输出,为隐藏层加权系数,Zj (2)为优化后果蝇种群X,Y位置;
为Sigmoid函数的变形,Sigmoid函数用作神经网络的激活函数,表示ex的另一种形式,代表常数;
KP、KI、KD分别为比例积分、微分增益值、积分增益值,分别赋予网络输出层输出;
c2:定义网络输出层,更新果蝇个体,选取E(k)为性能误差指标,同时保留味道最浓果蝇个体;
公式(9)中,表示网络输出层输入,Zi(k)(3)表示网络输出层输出,
D、判断步骤C所得性能指标在达到最大迭代次数时是否输出最优参数,是则结束进程,否则返回步骤B。获取的最优参数将用于水轮机调速系统的参数调整中,进而实现提高水轮机调速系统稳定的作用。
性能指标会设定一个误差范围,误差范围和迭代次数无论哪个先达到条件,即输出最优参数。最优参数是设定范围内的相对最优。
本实施例中,设置水轮机组开始带40%负荷运行,在40s时投入35%负荷,实现满负荷运行,仿真时间80s;水轮机调速系统参数设置如表1所示:
表1
测试BP神经网络自适应PID控制器以及BP-FOA混合算法控制的PID双目标函数控制器在不同工况下水轮机调速情况的仿真。测试不同控制器下的水轮机调速系统在负载扰动情况下的调速性与稳定性。
仿真结果如图2所示,通过图2仿真结果的对比证明,采用混合果蝇算法(BP-FOA)控制的PID优化控制器进一步减少了调节时间和超调量,同时,大幅度减少了震荡次数。
考虑到国内水轮机的控制方式多为以PID控制为基础的调节方式,为了能够快速响应系统要求,尽可能的给电力系统带来更小的冲击,水轮机的调速系统优化至关重要。本发明将混合算法用于改进的分数阶PID水轮机调速系统,使其能够更加快速的稳定转速,同时减小了启动时转速的上下震荡,增强了调速系统的稳定性与可靠性,对比于利用BP神经网络和 FOA算法优化的PID调速系统稳定性有了进一步的提升。
BP神经网络算法具有较强的深度搜索能力,收敛精度高,但同时易陷入局部极小的特点。本发明采用高迭代步进值的FOA算法与BP神经网络算法结合,组成BP-FOA算法,避免陷入局部最优的同时增强了收敛精度,符合PID调节参数多、调节要求精度高的特点。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (5)
1.一种基于BP-FOA混合算法的水轮机调速系统优化方法,其特征在于:包括以下步骤:
A、采集水轮机调速系统参数,建立水轮机调速系统模型;将kp,ki,kd三个调节参数转换为由暂态转差系数bt,缓冲时间常数Td,加速度时间常数Tn表示的水轮机相关系数,经过Laplace变换后FOPID的传递函数为:
公式(1)中,yFOPID表示调速器电气控制信号输出,Td表示缓冲时间常数,Tn表示加速度时间常数,bt表示暂态转差系数,S表示拉式算子,α表示积分阶次,β表示微分阶次,当α、β都等于1时则变为经典PID,kp表示比例增益值,ki表示积分增益值,kd表示微分增益值;
B、采用果蝇优化算法优化调节参数kp,ki,kd;具体为:
b1:建立调节参数kp,ki,kd的果蝇种群;
b2:初始化果蝇种群规模和最大迭代次数,随机产生果蝇种群位置Xaxis和Yaxis;
b3:随机化果蝇种群位置与方向,根据位置与原点距离DDist判定味道浓度值Si;
b4:计算果蝇个体的味道浓度,将味道浓度值Si带入味道浓度判定函数Ffunction中,并从每个果蝇群体中找到味道浓度最优个体;
b5:保留下最优味道浓度bbestsmell与对应位置(Xi,Yi),果蝇群体Ssmell飞向该坐标;
C、利用BP神经网络的深度搜索特性对优化后的调节参数kp、ki、kd进行优化求解;具体为:定义BP神经网络输出层,更新果蝇个体,选取E(k)为性能误差指标,同时保留味道最浓果蝇个体;
D、判断步骤C所得性能指标在达到最大迭代次数时是否输出最优参数,是则结束进程,否则返回步骤B。
2.根据权利要求1所述的基于BP-FOA混合算法的水轮机调速系统优化方法,其特征在于:所述步骤A中水轮机调速系统模型将负荷和发电机模型等效为一阶的传递函数;
水轮机调速器PID调节器的输出表达式为:
YPID=YP+YI+YD (2)
YP=KPΔF (3)
公式(2)至公式(5)中,YP、YI、YD分别为PID控制单元输出的比例参量、积分参量和微分参量,KP、KI、KD分别为比例积分、积分增益值和微分增益值,S为拉式算子,ΔF=C1,C1为常数,ΔI为积分项,YC为导叶开度给定,T1V为微分时间常数,YPID表示调速器电气控制信号输出,bp为永态转差机构系数。
3.根据权利要求1所述的基于BP-FOA混合算法的水轮机调速系统优化方法,其特征在于:所述步骤b4中计算果蝇个体的味道浓度,并从每个果蝇群体中找到味道浓度最优个体的表达公式如下:
公式(6)中,Ffunction表示味道浓度判定函数;Ssmell表示果蝇群体,min(Ssmell)表示在Ssmell这个果蝇群体中味道浓度最优个体;。
4.根据权利要求1所述的基于BP-FOA混合算法的水轮机调速系统优化方法,其特征在于:所述步骤b5的表达公式为:
公式(7)中,bbestsmell表示最优味道浓度。
5.根据权利要求1所述的基于BP-FOA混合算法的水轮机调速系统优化方法,其特征在于:所述步骤C具体为:
c1:将果蝇位置坐标输入BP神经网络的隐藏层,定义输入输出;
公式(8)中,表示隐藏层输入,Zi(k)(2)表示隐藏层输出,为隐层加权系数;
c2:定义网络输出层,更新果蝇个体,选取E(k)为性能误差指标,同时保留味道最浓果蝇个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639282.2A CN110361974B (zh) | 2019-07-16 | 2019-07-16 | 基于bp-foa混合算法的水轮机调速系统优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639282.2A CN110361974B (zh) | 2019-07-16 | 2019-07-16 | 基于bp-foa混合算法的水轮机调速系统优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110361974A true CN110361974A (zh) | 2019-10-22 |
CN110361974B CN110361974B (zh) | 2022-10-04 |
Family
ID=68219421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910639282.2A Expired - Fee Related CN110361974B (zh) | 2019-07-16 | 2019-07-16 | 基于bp-foa混合算法的水轮机调速系统优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110361974B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238486A (zh) * | 2021-06-03 | 2021-08-10 | 国家电网有限公司 | 一种自适应的多机水电站调速器参数调控方法 |
CN114251214A (zh) * | 2021-12-09 | 2022-03-29 | 中国船舶重工集团公司第七一九研究所 | 分数阶动力系统混沌状态的判断方法及装置 |
CN114997073A (zh) * | 2022-07-29 | 2022-09-02 | 浙江大学 | 冲击式水轮机喷嘴结构参数优化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102352812A (zh) * | 2011-07-18 | 2012-02-15 | 华北电力大学 | 一种基于滑模的水轮机调速系统死区非线性补偿方法 |
CN107367937A (zh) * | 2017-08-07 | 2017-11-21 | 陕西科技大学 | 一种基于自适应果蝇优化算法的pid参数优化方法 |
CN108763831A (zh) * | 2018-06-25 | 2018-11-06 | 国家电网有限公司 | 一种水泵水轮机线性模型参数辨识方法 |
-
2019
- 2019-07-16 CN CN201910639282.2A patent/CN110361974B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102352812A (zh) * | 2011-07-18 | 2012-02-15 | 华北电力大学 | 一种基于滑模的水轮机调速系统死区非线性补偿方法 |
CN107367937A (zh) * | 2017-08-07 | 2017-11-21 | 陕西科技大学 | 一种基于自适应果蝇优化算法的pid参数优化方法 |
CN108763831A (zh) * | 2018-06-25 | 2018-11-06 | 国家电网有限公司 | 一种水泵水轮机线性模型参数辨识方法 |
Non-Patent Citations (1)
Title |
---|
付文秀 等: "基于果蝇优化算法的水轮发电机组PID参数优化", 《计算机仿真》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238486A (zh) * | 2021-06-03 | 2021-08-10 | 国家电网有限公司 | 一种自适应的多机水电站调速器参数调控方法 |
CN113238486B (zh) * | 2021-06-03 | 2023-01-10 | 国家电网有限公司 | 一种自适应的多机水电站调速器参数调控方法 |
CN114251214A (zh) * | 2021-12-09 | 2022-03-29 | 中国船舶重工集团公司第七一九研究所 | 分数阶动力系统混沌状态的判断方法及装置 |
CN114997073A (zh) * | 2022-07-29 | 2022-09-02 | 浙江大学 | 冲击式水轮机喷嘴结构参数优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110361974B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107476931B (zh) | 一种水轮机调速器pid参数优化方法及系统 | |
CN110361974A (zh) | 基于bp-foa混合算法的水轮机调速系统优化方法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN110380429B (zh) | 一种兼顾阻尼特性的水电机组一次调频多目标优化方法 | |
CN107316099A (zh) | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 | |
CN113552797A (zh) | 一种基于改进粒子群优化的加热炉炉温控制方法和系统 | |
CN105425612B (zh) | 一种水轮机调节系统控制参数的优选方法 | |
CN110308649A (zh) | 一种基于pso-soa融合算法的pid参数优化方法 | |
CN104533701A (zh) | 一种水轮机调速系统控制参数的自动整定方法 | |
CN108181802A (zh) | 一种性能可控pid控制器参数优化整定方法 | |
CN117434829B (zh) | 一种基于改进金豺算法的飞机主机轮风扇pid控制方法 | |
CN106246464B (zh) | 一种风力发电机组变桨距的模糊pi控制方法和装置 | |
CN110262223A (zh) | 一种基于分数阶pid调速系统的水轮机综合性模型建模方法 | |
CN105051625A (zh) | 用于技术系统的计算机辅助控制和/或调节的方法 | |
CN112531742A (zh) | 基于深度调峰状态下的保持低惯性电网频率稳定的方法 | |
Malmir et al. | Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm | |
CN106532691A (zh) | 基于自适应动态规划的单区域电力系统频率复合控制方法 | |
CN111640415B (zh) | 一种基于粒子群算法的主动降噪算法参数优化方法 | |
CN115903484A (zh) | 基于合作博弈的航空发动机多变量鲁棒控制器优化方法 | |
CN105279579B (zh) | 一种水轮发电机组励磁系统pid控制参数的优选方法 | |
CN109839821A (zh) | 一种船用柴油机bp神经网络燃烧-转速双闭环控制方法 | |
CN116378897B (zh) | 一种风电场偏航角控制方法及装置 | |
CN105955030A (zh) | 一种基于改进输入加权预测控制器的机炉协调控制方法 | |
CN115586801B (zh) | 基于改进模糊神经网络pid的瓦斯掺混浓度控制方法 | |
CN108803342B (zh) | 一种单元机组负荷快速响应预测控制方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221004 |
|
CF01 | Termination of patent right due to non-payment of annual fee |