CN110361974B - 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 PDF

Info

Publication number
CN110361974B
CN110361974B CN201910639282.2A CN201910639282A CN110361974B CN 110361974 B CN110361974 B CN 110361974B CN 201910639282 A CN201910639282 A CN 201910639282A CN 110361974 B CN110361974 B CN 110361974B
Authority
CN
China
Prior art keywords
fruit fly
water turbine
speed regulating
regulating system
output
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
Application number
CN201910639282.2A
Other languages
English (en)
Other versions
CN110361974A (zh
Inventor
熊军华
张兴旺
王亭岭
史宏杰
阿旺多杰
姜耀鹏
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.)
North China University of Water Resources and Electric Power
Original Assignee
North China University of Water Resources and Electric Power
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 North China University of Water Resources and Electric Power filed Critical North China University of Water Resources and Electric Power
Priority to CN201910639282.2A priority Critical patent/CN110361974B/zh
Publication of CN110361974A publication Critical patent/CN110361974A/zh
Application granted granted Critical
Publication of CN110361974B publication Critical patent/CN110361974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (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

基于BP-FOA混合算法的水轮机调速系统优化方法
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：
Figure RE-GDA0002170627530000021
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)
Figure RE-GDA0002170627530000031
Figure RE-GDA0002170627530000032
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：
Figure RE-GDA0002170627530000033
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:
Figure RE-GDA0002170627530000034
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；
Figure RE-GDA0002170627530000035
公式(8)中，
Figure RE-GDA0002170627530000036
表示隐藏层输入，Zi(k)(2)表示隐藏层输出，
Figure RE-GDA0002170627530000037
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：
Figure RE-GDA0002170627530000041
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：
Figure RE-GDA0002170627530000051
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)
Figure RE-GDA0002170627530000061
Figure RE-GDA0002170627530000062
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：
Figure RE-GDA0002170627530000063
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:
Figure RE-GDA0002170627530000071
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；
Figure RE-GDA0002170627530000072
公式(8)中，
Figure RE-GDA0002170627530000073
表示隐藏层输入，Zi(k)(2)表示隐藏层输出，
Figure RE-GDA0002170627530000074
为隐藏层加权系数，Zj (2)为优化后果蝇种群X,Y位置；
Figure RE-GDA0002170627530000075
为Sigmoid函数
Figure RE-GDA0002170627530000076
的变形，Sigmoid函数用作神经网络的激活函数，
Figure RE-GDA0002170627530000077
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；
Figure RE-GDA0002170627530000081
公式(9)中，
Figure RE-GDA0002170627530000082
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
Figure RE-GDA0002170627530000083
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 (4)

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：
Figure FDA0003809101400000011
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，μ表示微分阶次，当α、μ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；
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；
Figure FDA0003809101400000021
公式(8)中，
Figure FDA0003809101400000022
表示隐藏层输入，Zi(k)(2)表示隐藏层输出，
Figure FDA0003809101400000023
为隐藏层加权系数，Zj (2)为优化后果蝇种群X,Y位置；
Figure FDA0003809101400000024
为Sigmoid函数
Figure FDA0003809101400000025
的变形，Sigmoid函数用作神经网络的激活函数，
Figure FDA0003809101400000026
表示ex的另一种形式，代表常数；
kp,ki,kd分别为比例增益值、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；
Figure FDA0003809101400000027
公式(9)中，
Figure FDA0003809101400000028
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。
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)
Figure FDA0003809101400000031
Figure FDA0003809101400000032
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：
Figure FDA0003809101400000033
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:
Figure FDA0003809101400000034
公式(7)中，bbestsmell表示最优味道浓度。
CN201910639282.2A 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 Active CN110361974B (zh)

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 CN110361974A (zh) 2019-10-22
CN110361974B true CN110361974B (zh) 2022-10-04

Family

ID=68219421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910639282.2A Active 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)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114251214B (zh) * 2021-12-09 2023-01-24 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
CN114997073B (zh) * 2022-07-29 2022-12-09 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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
基于果蝇优化算法的水轮发电机组PID参数优化;付文秀 等;《计算机仿真》;20150228;第383-386页 *

Also Published As

Publication number Publication date
CN110361974A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110361974B (zh) 基于bp-foa混合算法的水轮机调速系统优化方法
CN110308649B (zh) 应用于工业过程控制的基于pso-soa融合算法的pid参数优化方法
CN112861427B (zh) 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法
CN104776446B (zh) 一种锅炉燃烧优化控制方法
CN107272403A (zh) 一种基于改进粒子群算法的pid控制器参数整定算法
CN107479389B (zh) 一种火电机组过热汽温预测模糊自适应pid控制方法
CN110888317A (zh) 一种pid控制器参数智能优化方法
Wong et al. Optimal PID controller design for AVR system
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
CN108167802B (zh) 低负荷下锅炉负荷的多模型智能寻优预测控制方法
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
Lei et al. Online optimization of fuzzy controller for coke-oven combustion process based on dynamic just-in-time learning
Malmir et al. Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm
CN113708389A (zh) 基于实际功率响应的风电场一次调频模型参数辨识方法及系统
Maddi et al. Optimization of pid controller gain using evolutionary algorithm and swarm intelligence
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
Aboura Tuning PID controller using hybrid genetic algorithm particle swarm optimization method for AVR system
Sethuramalingam et al. PID controller tuning using soft computing methodologies for industrial process-A comparative approach
CN110488600B (zh) Lqr优化型无刷直流电机调速神经网络pid控制器
CN110912185B (zh) 一种含风力发电电网自动发电控制系统pid控制器设计方法
CN110932629B (zh) 基于单神经元网络的惯量估计方法及其自适应调整策略
CN117028141A (zh) 一种风电机组的变桨协调优化控制方法
Salem et al. Tuning PID controllers using artificial intelligence techniques applied to DC-motor and AVR system
CN112564557A (zh) 一种永磁同步电机的控制方法、装置、设备及存储介质
CN110970936B (zh) 一种深度调峰机组一次调频性能计算方法

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