CN111173573A - 一种汽轮机调节系统功率对象模型的辨识方法 - Google Patents
一种汽轮机调节系统功率对象模型的辨识方法 Download PDFInfo
- Publication number
- CN111173573A CN111173573A CN202010017549.7A CN202010017549A CN111173573A CN 111173573 A CN111173573 A CN 111173573A CN 202010017549 A CN202010017549 A CN 202010017549A CN 111173573 A CN111173573 A CN 111173573A
- Authority
- CN
- China
- Prior art keywords
- longicorn
- object model
- steam turbine
- power
- identifying
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D17/00—Regulating or controlling by varying flow
- F01D17/10—Final actuators
- F01D17/105—Final actuators by passing part of the fluid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
Abstract
本发明公开了一种汽轮机调节系统中功率对象模型的辨识方法,包括,在基本天牛须搜索算法中引入自适应因子和模拟退火的蒙特卡洛法则对局部搜索策略进行改进,得到改进的天牛须搜索算法;S采集火电厂汽轮机调节系统的实际运行数据,选取其中一段功率明显变化的数据段作为样本数据;利用改进的天牛须搜索算法通过样本数据对功率对象模型进行辨识,得到辨识结果。与现有技术相比,本发明引入模拟退火的蒙特卡洛法则来改进基本天牛须搜索算法,局部搜索的速度更快,能够有效地避免陷入局部最优,全局收敛速度更快,稳定性更好,整体的辨识效果更好,对提高火电机组的自动控制水平具有重要的现实意义。
Description
技术领域
本发明涉及系统辨识技术的技术领域,尤其涉及一种汽轮机调节系统功率对象模型的辨识方法。
背景技术
随着当今科技的不断发展,超临界机组以及超超临界火电机组成为主要发展趋势,大型火电机组的热工自动控制能否安全运行变得尤为重要,怎样进行被控对象模型的控制系统设计以及参数整定成为核心问题。由于阶跃响应曲线参数辨识的方法精度不是太高,所以很难完成较高精度要求的大容量机组模型参数辨识。最近几年以来,各种智能优化算法比如蚁群算法、蛙跳算法、狼群算法等诸多新型系统辨识方法纷纷运用在模型参数辨识领域,这使得辨识精度有了较大的提升。
天牛须搜索算法是一种模拟天牛觅食行为的全新的启发式智能进化算法,该算法具有较强的全局信息和交互能力。自提出来在车间调度、最优化问题、电网规划等方面得到了广泛的应用,但天牛须搜索算法易早熟、易陷入局部最优。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种汽轮机调节系统功率对象模型的辨识方法。
为解决上述技术问题,本发明提供如下技术方案:改进天牛须搜索算法,在现有天牛须搜索算法引入自适应因子以及模拟退火的蒙特卡洛法则;采集样本数据,采集火电厂汽轮机调节系统的实际运行数据作为样本数据;以及,辨识功率对象模型,利用所述改进的天牛须搜索算法通过所述采集的样本数据对汽轮机调节系统功率对象模型进行辨识,得到辨识结果。
作为本发明所述汽轮机调节系统功率对象模型的辨识方法的一种优选方案,其中:所述改进改进天牛须搜索算法包括,步长因子方程;设定迭代次数、初始化随机天牛位置并设最优位置,计算天牛左须、右须位置,调用数据库中初始数据并根据天牛位置重新建立结构参数;更新计数器,重新计算天牛左须、右须位置以进行传递函数参数的辨识,并进行适应度计算;计算预更新位置;引入蒙特卡洛法则,根据接受概率判断是否更新天牛的位置;判断迭代次数是否已达到初始化时设置的数值确定下一步算法;输出最优解。
作为本发明所述汽轮机调节系统功率对象模型的辨识方法的一种优选方案,其中:所述步长因子方程为:
δt=c1δt-1+δ0,dt=δt/c2,
其中,步长因子δ表示天牛的搜索步长,式中:δt为算法在第t次迭代时的步长因子,c1与c2为常数。
作为本发明所述汽轮机调节系统功率对象模型的辨识方法的一种优选方案,其中:设定所述迭代次数t=0,初始化随机天牛位置x0以及最佳位置xbest=x0,根据公式计算天牛左须、右须位置,所述公式为:
为了模拟天牛的搜索行为,定义它的方向向量为:
式中rand(·)为随机函数;k为空间维数。
作为本发明所述汽轮机调节系统功率对象模型的辨识方法的一种优选方案,其中:所述适应度值计算公式为:
式中flight、fleft分别表示天牛右须和左须在当前空间位置时的适应度值;f()为适应度值函数。
作为本发明所述汽轮机调节系统功率对象模型的辨识方法的一种优选方案,其中:所述蒙特卡洛准则方程为:
其中,表示f(xt)预更新位置处天牛嗅到的气味浓度、f(xt-1)表示上一次最佳位置嗅到的最强气味浓度,exp为自然指数,T为较高温度。
作为本发明所述汽轮机调节系统功率对象模型的辨识方法的一种优选方案,其中:所述预更新位置公式为:
其中,sign()为符号函数,δt为算法在第t次迭代时的步长因子。
作为本发明所述汽轮机调节系统功率对象模型的辨识方法的一种优选方案,其中:所述所述功率对象模型的传递函数包括总阀位指令对功率的传递函数W1和主蒸汽压力对功率的传递函数W2:
其中,其中,T1、n1、k1、n1、、T2、n2、k2、n2、分别表示待辨识参数;K为系统增益;τ为纯迟延时间常数;T为系统惯性时间常数;n为惯性部分的阶次,若n为非整数,则取近似整数解。
作为本发明所述汽轮机调节系统功率对象模型的辨识方法的一种优选方案,其中:所述功率对象模型进行辨识过程中适应度函数采用误差指标函数f,所述函数如下:
其中,N表示取样总点数,y1i表示仿真对象输出,yi表示模型输出。
作为本发明所述汽轮机调节系统功率对象模型的辨识方法的一种优选方案,其中:所述汽轮机调节系统为双输入单输出系统,所述功率对象模型的输入量包括总阀位指令和主蒸汽压力,输出量包括汽轮机输出功率。
本发明的有益效果:与现有技术相比,将天牛须搜索算法应用于火电机组热工模型辨识中,并引入模拟退火算法中的蒙特卡洛法则对天牛须搜索算法进行改进,使改进后的算法在迭代过程中通过一定的概率接受一个较劣的解,增加跳出局部最优的概率。同时,改进后的天牛须搜索算法中引入自适应因子,加快了算法的收敛速度且具有更好的寻优精度以及可重复性稳定性,从而使得功率对象模型的曲线拟合程度更高,整体的辨识效果更好,有较好的实用性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明中的改进天牛搜索算法流程图;
图2为本发明功率对象辨识系统的模型结构示意图;
图3为本发明汽轮机及其调节系统框图结构示意图;
图4为本发明中某700MW火电机组运行数据的零初始化与归一化处理后的总阀位指令、主蒸汽压力和功率运行曲线示意图;
图5为本发明中基本天牛须搜索算法、原始数据以及改进的天牛须搜索算法的辨识曲线对比示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例
参照附图,为本发明第一个实施例,提供了一种汽轮机调节系统功率对象模型的辨识方法,此辨识算法包括:改进天牛须搜索算法,在基本天牛须搜索算法中引入自适应因子和模拟退火的蒙特卡洛法则对局部搜索策略进行改进,得到改进的天牛须搜索算法;采集样本数据,采集火电厂汽轮机调节系统的实际运行数据作为样本数据;辨识功率对象模型,利用改进的天牛须搜索算法通过样本数据对功率对象模型进行辨识,得到辨识结果。
具体的,输入汽轮机调节系统参数到数据库,初始化天牛须搜索算法参数包括步长因子参数c1与c2和初始温度T、降温速率k、降温次数c3、以及算法迭代最大次数gen;
所述改进改进天牛须搜索算法包括步长因子方程,利用步长因子方程确定搜索步长,使其足以覆盖当前搜索区域,步长因子方程为:
δt=c1δt-1+δ0,dt=δt/c2
其中,步长因子δ表示天牛的搜索步长,式中:δt为算法在第t次迭代时的步长因子,c1与c2为常数,由使用者确定;
参数设定,设定所述迭代次数t=0,初始化随机天牛位置x0以及最佳位置xbest=x0,并根据公式计算天牛左须、右须位置,调用数据库中初始数据并根据天牛位置重新建立结构参数,计算出适应度值f(x0),fbest=f(xbest),所述左须、右须计算公式为:
为了模拟天牛的搜索行为,定义它的方向向量为:
式中rand(·)为随机函数;k为空间维数;
更新计数器t=t+1,重新计算天牛左须、右须位置,并计算适应度f(xr)、f(xl),从而进行传递函数参数的辨识,所述功率对象模型的传递函数包括总阀位指令对功率的传递函数W1和主蒸汽压力对功率的传递函数W2;
计算预更新位置xt并计算f(xt),所述预更新位置计算公式为:
其中,sign()为符号函数,δt为算法在第t次迭代时的步长因子;
其中,其中,T1、n1、k1、τ1、T2、n2、k2、τ2分别表示待辨识参数;k为系统增益;τ为纯迟延时间常数;T为系统惯性时间常数;n为惯性部分的阶次,若n为非整数,则取近似整数解;
将模拟退火算法中的蒙特卡洛准则引入到天牛须搜索算法中形成改进天牛须搜索算法,在迭代过程中,以概率p接受较劣解,来判断是否更新天牛的位置。若f(xt)<fbest,接受概率p=1,则xbest=xt,fbest=f(xt);若f(xt)≥fbest,则取rand<p时,更新天牛位置,即xbest=xt,fbest=f(xt),否则不更新,所述概率p计算公式为:
其中,表示f(xt)预更新位置处天牛嗅到的气味浓度、f(xt-1)表示上一次最佳位置嗅到的最强气味浓度,exp为自然指数,T为较高温度;
判断迭代次数t是否已达到初始化时设置的数值,是则进行下一步,否则返回至更新计数器t=t+1这一步骤,重新进行天牛须位置的计算;
输出最优解,即最后一次迭代后的xbest与fbest。
本实施例中,以某700MW火电机组汽轮机调节系统中截取一段负荷发生变动后的数据为具体实施例,分别采用改进天牛须搜索算法、天牛须搜索算法来验证本方法的有效性,其汽轮机调节系统的功率对象模型当作被控对象,输出量为汽轮机输出功率,输入量为总阀位指令和主蒸汽压力。
假设影响该火电机组输出功率的因素都为稳定状态,此时总阀位指令和主蒸汽压力为影响功率的主要因素。汽轮机执行机构以后的实际阀位通过控制调节系统的阀位指令来决定进入汽轮机的蒸汽流量。蒸汽流量在汽轮机内做功输出功率。
通过火电机组中功率的倒推过程可以得到现场数据对应模型中进入汽轮机内的蒸汽流量,再利用蒸汽流量与模型的总阀位指令关系进行推导,使其能够辨识实际的总阀位指令数据、主蒸汽压力数据与功率数据的函数关系,如图3所示。在步骤S2采集数据中选取其中一段功率明显变化的数据段,得到总阀位指令、主蒸汽压力及汽轮机输出功率的部分原初始数据经过零初始化与归一化处理后的响应曲线分别如图4所示。
本实施例中,利用改进后的天牛须搜索算法(IBAS)和未改进的天牛须搜索算法(BAS)对功率对象模型进行辨识,具体过程包括:
分别采用改进天牛须算法和天牛须搜索算法对算例进行仿真。改进天牛须算法的参数设置为:初始温度T=10000℃;降温速率k=0.7,降温次数设置为30次,最大迭代次数gen=900,则等效迭代次数gen=20×100=2000次,步长因子c1=0.95,c2=10;天牛须算法的参数设置:最大迭代次数gen=900,步长因子c1=0.95,c2=10。
其中改进天牛须搜索算法的传递函数为:
天牛须搜索算法的传递函数为:
其中改进天牛须搜索算法辨识的均方差为σ=8.0850,运行时间t=4.9141s。天牛须搜索算法辨识的均方差σ=12.0209,运行时间t=5.4627s。
从比较结果可以看出,改进后的天牛须搜索算法与改进前的天牛须搜索算法运行时间上有了一定的缩短,在辨识精度上,改进后的天牛须搜索算法比改进之前的算法在辨识时间上少了0.5486s,辨识误差上小了32.74%。相应地从图4可以看出,整个算法辨识曲线的变化符合实际火电机组运行趋势。而且上述也已经介绍,改进天牛须搜索算法与改进前的算法相比较,能够有效避免陷入局部最优搜索的情况可以有效减小计算误差且缩短运行时间。从以上几方面均可以得出改进后的天牛须搜索算法明显比天牛须搜索算法的辨识效果好。
将天牛须搜索算法应用于火电机组热工模型辨识中,并引入模拟退火算法中的蒙特卡洛法则对天牛须搜索算法进行改进,使改进后的算法在迭代过程中通过一定的概率接受一个较劣的解,增加跳出局部最优的概率。同时,改进后的天牛须搜索算法中引入自适应因子,加快了算法的收敛速度。算例仿真结果表明改进后的天牛须搜索算法比天牛须搜索具有更好的寻优精度以及可重复性稳定性,并且改进后的天牛须搜索具有收敛速度更快的优点。
火电机组被控对象能否精确辨识对电厂机组的设计和优化具有重要意义。通过上述理论分析以及模型辨识仿真的结果来看,改进天牛须搜索算法应用于热工模型参数辨识是有效可行的。所以天牛须搜索算法应用于热工系统模型辨识具有重要意义。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种汽轮机调节系统功率对象模型的辨识方法,其特征在于:包括,
改进天牛须搜索算法,在现有天牛须搜索算法引入自适应因子以及模拟退火的蒙特卡洛法则;
采集样本数据,采集火电厂汽轮机调节系统的实际运行数据作为样本数据;以及,
辨识功率对象模型,利用所述改进的天牛须搜索算法通过所述采集的样本数据对汽轮机调节系统功率对象模型进行辨识,得到辨识结果。
2.如权利要求1所述的汽轮机调节系统功率对象模型的辨识方法,其特征在于:所述改进改进天牛须搜索算法包括,
步长因子方程;
参数设定,包括设定迭代次数、初始化随机天牛位置并设最优位置,计算天牛左须、右须位置,调用数据库中初始数据并根据天牛位置重新建立结构参数;
更新计数器,重新计算天牛左须、右须位置以进行传递函数参数的辨识,并进行适应度计算;
计算天牛预更新位置;
引入蒙特卡洛法则,根据接受概率判断是否更新天牛的位置;
判断迭代次数是否已达到初始化时设置的数值确定下一步算法;
输出最优解。
3.如权利要求2所述的汽轮机调节系统功率对象模型的辨识方法,其特征在于:所述步长因子方程为:
δt=c1δt-1+δ0,dt=δt/c2
其中,步长因子δ表示天牛的搜索步长,式中:δt为算法在第t次迭代时的步长因子,c1与c2为常数。
10.如权利要求9所述的汽轮机调节系统功率对象模型的辨识方法,其特征在于:所述汽轮机调节系统为双输入单输出系统,所述功率对象模型的输入量包括总阀位指令和主蒸汽压力,输出量包括汽轮机输出功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017549.7A CN111173573B (zh) | 2020-01-08 | 2020-01-08 | 一种汽轮机调节系统功率对象模型的辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017549.7A CN111173573B (zh) | 2020-01-08 | 2020-01-08 | 一种汽轮机调节系统功率对象模型的辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111173573A true CN111173573A (zh) | 2020-05-19 |
CN111173573B CN111173573B (zh) | 2022-07-19 |
Family
ID=70652594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010017549.7A Active CN111173573B (zh) | 2020-01-08 | 2020-01-08 | 一种汽轮机调节系统功率对象模型的辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111173573B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111482969A (zh) * | 2020-06-28 | 2020-08-04 | 纳博特南京科技有限公司 | 一种基于bas算法的六自由度偏置机器人逆解方法 |
CN111844023A (zh) * | 2020-06-28 | 2020-10-30 | 合肥工业大学 | 一种基于天牛须算法的六自由度机器人逆解算法 |
CN112163376A (zh) * | 2020-10-09 | 2021-01-01 | 江南大学 | 一种基于天牛须搜索的极端随机树炉温预测控制方法 |
CN112817312A (zh) * | 2020-12-31 | 2021-05-18 | 浙江工业大学 | 一种基于双重搜索优化算法的路径规划方法 |
CN113114128A (zh) * | 2021-05-12 | 2021-07-13 | 中国科学院上海技术物理研究所 | 基于广义Bouc-Wen逆模型的压电前馈补偿方法 |
CN113162491A (zh) * | 2021-03-17 | 2021-07-23 | 安徽工程大学 | 一种基于改进天牛须算法的无刷直流电机优化方法 |
CN113641153A (zh) * | 2021-07-07 | 2021-11-12 | 华能铜川照金煤电有限公司 | 亚临界火电机组协调控制系统参数寻优方法 |
CN114147708A (zh) * | 2021-11-26 | 2022-03-08 | 山东大学 | 基于改进的天牛须搜索算法的机械臂避障路径规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112781A1 (en) * | 2009-11-12 | 2011-05-12 | Gm Global Technology Operations, Inc. | Method for estimating battery degradation in a vehicle battery pack |
CN107168062A (zh) * | 2017-05-31 | 2017-09-15 | 国网河南省电力公司电力科学研究院 | 一种超临界燃煤机组协调控制系统中的负荷预测方法 |
CN109375507A (zh) * | 2018-10-30 | 2019-02-22 | 国网江苏省电力有限公司 | 基于自寻优并矢展开控制器的火电机组深度调峰协调控制方法 |
CN109636046A (zh) * | 2018-12-17 | 2019-04-16 | 广东电网有限责任公司 | 一种基于天牛须算法的智能经济调度方法及设备 |
-
2020
- 2020-01-08 CN CN202010017549.7A patent/CN111173573B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112781A1 (en) * | 2009-11-12 | 2011-05-12 | Gm Global Technology Operations, Inc. | Method for estimating battery degradation in a vehicle battery pack |
CN107168062A (zh) * | 2017-05-31 | 2017-09-15 | 国网河南省电力公司电力科学研究院 | 一种超临界燃煤机组协调控制系统中的负荷预测方法 |
CN109375507A (zh) * | 2018-10-30 | 2019-02-22 | 国网江苏省电力有限公司 | 基于自寻优并矢展开控制器的火电机组深度调峰协调控制方法 |
CN109636046A (zh) * | 2018-12-17 | 2019-04-16 | 广东电网有限责任公司 | 一种基于天牛须算法的智能经济调度方法及设备 |
Non-Patent Citations (2)
Title |
---|
周田江等: ""融合模拟退火和自适应的天牛须搜索算法", 《通信技术》 * |
江效龙等: "基于果蝇优化算法的汽轮机调节系统参数辨识", 《动力工程学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111482969A (zh) * | 2020-06-28 | 2020-08-04 | 纳博特南京科技有限公司 | 一种基于bas算法的六自由度偏置机器人逆解方法 |
CN111844023A (zh) * | 2020-06-28 | 2020-10-30 | 合肥工业大学 | 一种基于天牛须算法的六自由度机器人逆解算法 |
CN112163376A (zh) * | 2020-10-09 | 2021-01-01 | 江南大学 | 一种基于天牛须搜索的极端随机树炉温预测控制方法 |
CN112163376B (zh) * | 2020-10-09 | 2024-03-12 | 江南大学 | 一种基于天牛须搜索的极端随机树炉温预测控制方法 |
CN112817312A (zh) * | 2020-12-31 | 2021-05-18 | 浙江工业大学 | 一种基于双重搜索优化算法的路径规划方法 |
CN113162491A (zh) * | 2021-03-17 | 2021-07-23 | 安徽工程大学 | 一种基于改进天牛须算法的无刷直流电机优化方法 |
CN113114128A (zh) * | 2021-05-12 | 2021-07-13 | 中国科学院上海技术物理研究所 | 基于广义Bouc-Wen逆模型的压电前馈补偿方法 |
CN113114128B (zh) * | 2021-05-12 | 2022-07-29 | 中国科学院上海技术物理研究所 | 基于广义Bouc-Wen逆模型的压电前馈补偿方法 |
CN113641153A (zh) * | 2021-07-07 | 2021-11-12 | 华能铜川照金煤电有限公司 | 亚临界火电机组协调控制系统参数寻优方法 |
CN114147708A (zh) * | 2021-11-26 | 2022-03-08 | 山东大学 | 基于改进的天牛须搜索算法的机械臂避障路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111173573B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111173573B (zh) | 一种汽轮机调节系统功率对象模型的辨识方法 | |
Ou et al. | Comparison between PSO and GA for parameters optimization of PID controller | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
Yasuda et al. | Particle swarm optimization: a numerical stability analysis and parameter adjustment based on swarm activity | |
CN112101530B (zh) | 神经网络训练方法、装置、设备及存储介质 | |
Liu et al. | An adaptive online parameter control algorithm for particle swarm optimization based on reinforcement learning | |
Jiang et al. | Simulated annealing artificial fish swarm algorithm | |
Nagaraj et al. | Controller tuning for industrial process-a soft computing approach | |
CN112817312B (zh) | 一种基于双重搜索优化算法的路径规划方法 | |
CN112632860A (zh) | 一种基于强化学习的动力传动系统模型参数辨识方法 | |
Pourmahmood et al. | An efficient modified shuffled frog leaping optimization algorithm | |
CN110032706A (zh) | 一种低阶时滞系统的两阶段参数估计方法及系统 | |
CN111667071A (zh) | 一种基于改进遗传算法的传统作业车间调度方法 | |
Özsoy et al. | Estimating the parameters of nonlinear regression models through particle swarm optimization | |
CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
Xue et al. | Advanced fireworks algorithm and its application research in PID parameters tuning | |
CN113407185A (zh) | 基于贝叶斯优化的编译器优化选项推荐方法 | |
JP2021149988A (ja) | 情報処理装置及び情報処理方法 | |
Panda et al. | Reduction of linear time-invariant systems using Routh-approximation and PSO | |
CN112685841B (zh) | 一种带有连接关系的结构的有限元建模、修正方法及系统 | |
CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
CN112288139A (zh) | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 | |
CN116910210A (zh) | 基于文档的智能问答模型训练方法、装置及其应用 | |
CN112003276B (zh) | 基于多目标闪电算法的pss幅相协调优化参数整定方法、系统、设备及存储介质 | |
CN114818369A (zh) | 一种连续式跨声速风洞部段设计方法及系统及装置及介质 |
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 |