CN111535845A - 一种基于pso和模糊控制的隧道通风节能优化控制方法 - Google Patents

一种基于pso和模糊控制的隧道通风节能优化控制方法 Download PDF

Info

Publication number
CN111535845A
CN111535845A CN202010371997.7A CN202010371997A CN111535845A CN 111535845 A CN111535845 A CN 111535845A CN 202010371997 A CN202010371997 A CN 202010371997A CN 111535845 A CN111535845 A CN 111535845A
Authority
CN
China
Prior art keywords
particle
fuzzy
pso
control
theta
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.)
Pending
Application number
CN202010371997.7A
Other languages
English (en)
Inventor
金允泰
周武能
郑建立
李宏亮
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.)
Shanghai Tushan Intelligent Technology Co ltd
Donghua University
National Dong Hwa University
Original Assignee
Shanghai Tushan Intelligent Technology Co ltd
Donghua 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 Shanghai Tushan Intelligent Technology Co ltd, Donghua University filed Critical Shanghai Tushan Intelligent Technology Co ltd
Priority to CN202010371997.7A priority Critical patent/CN111535845A/zh
Publication of CN111535845A publication Critical patent/CN111535845A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
    • E21F1/00—Ventilation of mines or tunnels; Distribution of ventilating currents
    • E21F1/003—Ventilation of traffic tunnels
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
    • 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]

Abstract

本发明涉及一种基于PSO和模糊控制的隧道通风节能优化控制方法，首先通过PSO算法对隧道通风控制系统的模糊控制器中CO实测偏差量的变换系数θ1和预测偏差量的变换系数θ2进行寻优，再将传感器测得的CO实测偏差量eCO和CO预测偏差量e'CO输入到模糊控制器，经过论域变换(论域变换后ECO和E'CO的变化区间分别为[‑eCO,eCO]和[‑e'CO,e'CO])后，再建立模糊控制规则表，将模糊控制规则表输入模糊控制器，输出为隧道风机开启的台数。本发明的一种基于PSO和模糊控制的隧道通风节能优化控制方法，将粒子群优化算法与模糊控制相结合，可以对通风系统实行精细化控制，有效地降低通风系统的能耗。

Description

一种基于PSO和模糊控制的隧道通风节能优化控制方法
技术领域
本发明属于隧道通风系统的控制技术领域，涉及一种基于PSO和模糊控制的隧道通风节能优化控制方法。
背景技术
随着我国经济的发展，道路的建设也进入了快速增长期，而隧道作为道路的一种特殊形式，也在我国的公路里程中占有一席之地，因此如何降低隧道运营过程中的能量损耗已成为了一个备受关注的课题。由于隧道的特殊结构，内部空气不流通，隧道内的各类废气会对驾驶员的健康造成损害。针对当下的能源紧缺问题，对公路的通风系统采用智能化控制已经迫在眉睫。
传统的采用模糊控制对于隧道通风系统的控制由于模糊控制输入量和输出量的论域式固定，导致缺乏控制规则，并且由于档级有限和欠缺积分环节等不足。在隧道通风控制系统实际运用中，总是难以达到理想的控制效果并且风机功耗也随之增加。而使用模糊控制相较于传统的控制方法具有以下几个特点：
(1)不需要建立繁琐的数学模型，适合对复杂并且模糊性较强的系统使用。
(2)采用模糊控制方法对于非线性系统进行设计，往往可以改善其控制效果，增强系统的鲁棒性。
(3)模糊控制采用模糊语言对控制语句进行描述，其控制关键取决于控制规则的制定。
(4)模糊控制系统的组成比较简单，算法可以通过各种软件编程。
发明内容
本发明的目的是解决现有技术中存在的上述问题，提供一种基于PSO和模糊控制的隧道通风节能优化控制方法。本发明提出了一种粒子群优化算法(Particle swarmoptimization，简称PSO)与模糊控制结合的控制方法，该控制方法可以对通风系统实行精细化控制，有效地降低通风系统的能耗。
本发明具有以下特点：
1.本发明加入了论域变换，论域变换就是根据隧道通风系统的要求，提高对于模糊规则表的利用率，改变了以往比较粗放的控制模式，优化论域的控制范围；
2.本发明使用了PSO算法对模糊控制器参数进行寻优。由于隧道通风系统具有非线性、高超调性等特点，采用PSO对最优参数进行并行搜索，能够有效的保持种群的多样性加快对于算法的收敛性，并且将PSO算法应用于隧道通风系统中控制器参数的寻优可以很好地提高系统的鲁棒性以及动态性能。
为达到上述目的，本发明采用的技术方案如下：
一种基于PSO和模糊控制的隧道通风节能优化控制方法，首先通过PSO算法对隧道通风控制系统的模糊控制器中CO实测偏差量的变换系数θ1和CO预测偏差量的变换系数θ2进行寻优，再将传感器测得的CO实测偏差量eCO和CO预测偏差量e'CO输入到模糊控制器，经过论域变换后，建立模糊控制规则表，将模糊控制规则表输入模糊控制器，输出为隧道风机开启的台数；
论域变换按照式(1)和式(2)计算，采用该种变换后ECO和E'CO的变化区间分别为[-eCO,eCO]和[-e'CO,e'CO]；
ECO＝θ1·eCO (1)；
E'CO＝θ2·e'CO (2)；
其中，ECO为经过论域变换后的CO实测偏差量，E'CO为经过论域变换后的CO预测偏差量；
所述通过PSO算法对θ1和θ2寻优的过程为：
(1)对PSO算法中的各个参数进行初始化，所述参数包括惯性因子ωmax、粒子个数N、维度θ、学习因子c1，c2、最大迭代次数和寻优范围；
(2)设定各变量的位置矢量：设zi＝(zi1,zi2)为粒子i的位置矢量，zi1和zi2的取值范围为[zmin，zmax]，νi＝(νi1,vi2)为粒子i的移动速度，pi＝(pi1,pi2)为粒子i寻优得到的历史最优位置，pg＝(pg1,pg2)为种群到目前为止寻优到的全局最优位置；
(3)对粒子的各个维度进行归一化处理，考虑到隧道通风系统计算中不同维度的数量级之间计算的差异性，要将全部的维度值归一化，各粒子归一化以及平方差变量sov如式(3)和式(4)所示；
Figure BDA0002478497320000021
Figure BDA0002478497320000022
式中z'i1和z'i2分别为归一化后的位置分量，
Figure BDA0002478497320000023
分别为z'i1和z'i2的数学期望，zmin为zi1和zi2取值范围的最小值，zmax为zi1和zi2取值范围的最大值；
(4)设计粒子的适应度函数，归一化粒子的维度与变量后，为了让寻优结果更加快速及准确，可根据通风系统的滞后量与粒子更新的位置和关系，设计粒子的适应度函数，适应度函数如式(5)所示；
Figure BDA0002478497320000024
其中，ISE表示寻优过程中粒子位置与历史最优位置偏差量平方的积分，POS表示在仿真过程(具体指的是用simulink进行仿真的过程)中寻优位置的超调量，λ1和λ2表示加权系数(由试凑法确定)并且满足λ1+λ2＝1；
(5)比较粒子的适应度值：计算粒子的适应度并与全局最优位置pg的适应度值比较，若粒子当前的适应度更好，则更新pg的值并使用当前的值作为全局最优位置；
(6)更新粒子的速度和位置，粒子的速度和位置的更新方法如下式(6)和(7)所示；
Figure BDA0002478497320000031
Figure BDA0002478497320000032
其中，t为迭代次数，zi1(t+1)和zi2(t+1)分别为更新位置后的粒子位置矢量的两个分量，更新位置后的粒子位置zi(t+1)＝(zi1(t+1),zi2(t+1))，vi1(t+1)和vi2(t+1)分别为更新位置后粒子速度矢量的两个分量，更新速度后的粒子速度(粒子速度表示每次迭代位置的变化量)vi(t+1)＝(vi1(t+1),vi2(t+1))，pi1(t)和pi2(t)分别为粒子历史最优位置矢量的两个分量，pg1(t)和pg2(t)分别为全局最优位置矢量的两个分量，ω为惯性权值，c1，c2为学习因子，r1和r2为介于(0，1)的随机数；
(7)检查终止条件，终止条件为是否达到了最大迭代次数，或者最佳解决方案是否符合适应度值；若终止条件成立，则输出当前最佳粒子的位置，pg1(t)和pg2(t)分别为模糊控制中论域变换的θ1和θ2，否则返回步骤(2)继续执行。
作为优选的技术方案：
如上所述的一种基于PSO和模糊控制的隧道通风节能优化控制方法，PSO算法初始化的惯性因子ωmax为1.5，粒子总数N为20，维度θ为2，学习因子c1，c2分别为2.5，0.5，最大迭代次数为100，寻优范围：θ1为[0.9,1],θ2为[0.8,1]。
有益效果：
(1)本发明的基于PSO和模糊控制的隧道通风节能优化控制方法，可以对通风系统实行精细化控制，相比于传统的分档控制法具有更低的能量损耗；
(2)本发明的基于PSO和模糊控制的隧道通风节能优化控制方法，加入论域变换改变了粗放型的控制模式，并且提高了算法对于隧道通风系统的的控制精度，
(3)本发明的基于PSO和模糊控制的隧道通风节能优化控制方法，加入PSO算法对模糊控制器论域变换的参数进行寻优，采用PSO算法对最优参数进行寻优可以有效地加快算法的收敛性，从而在保证系统的鲁棒性的前提下提高了算法的效率。
附图说明
图1为本发明中对隧道通风系统的控制流程图；
图2为本发明中的PSO算法流程图；
图3为本发明中的模糊控制器组成框图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于PSO和模糊控制的隧道通风节能优化控制方法，如图1所示，首先通过PSO算法对隧道通风控制系统的模糊控制器中CO实测偏差量的变换系数θ1和CO预测偏差量的变换系数θ2进行寻优，再将传感器测得的CO实测偏差量eCO和CO预测偏差量e'CO输入到模糊控制器，经过论域变换后，建立模糊控制规则表，将模糊控制规则表输入模糊控制器，输出为隧道风机开启的台数；
论域变换按照式(1)和式(2)计算，采用该种变换后ECO和E'CO的变化区间分别为[-eCO,eCO]和[-e'CO,e'CO]；
ECO＝θ1·eCO (1)；
E'CO＝θ2·e'CO (2)；
其中，ECO为经过论域变换后的CO实测偏差量，E'CO为经过论域变换后的CO预测偏差量；
如图2所示，通过PSO算法对θ1和θ2寻优的过程为：
(1)对PSO算法中的各个参数进行初始化，所述参数包括惯性因子ωmax＝1.5、粒子个数N＝20、维度θ＝2、学习因子c1＝2.5，c2＝0.5，最大迭代次数为100，寻优范围：θ1为[0.9,1],θ2为[0.8，1]；
(2)设定各变量的位置矢量：设zi＝(zi1,zi2)为粒子i的位置矢量，zi1和zi2的取值范围为[zmin，zmax]，νi＝(νi1,vi2)为粒子i的移动速度，pi＝(pi1,pi2)为粒子i寻优得到的历史最优位置，pg＝(pg1,pg2)为种群到目前为止寻优到的全局最优位置；
(3)对粒子的各个维度进行归一化处理，考虑到隧道通风系统计算中不同维度的数量级之间计算的差异性，要将全部的维度值归一化，各粒子归一化以及平方差变量sov如式(3)和式(4)所示；
Figure BDA0002478497320000051
Figure BDA0002478497320000052
式中z'i1和z'i2分别为归一化后的位置分量，
Figure BDA0002478497320000053
分别为z'i1和z'i2的数学期望，zmin为zi1和zi2取值范围的最小值，zmax为zi1和zi2取值范围的最大值；
(4)设计粒子的适应度函数，归一化粒子的维度与变量后，为了让寻优结果更加快速及准确，可根据通风系统的滞后量与粒子更新的位置和关系，设计粒子的适应度函数，适应度函数如式(5)所示；
Figure BDA0002478497320000054
其中，ISE表示寻优过程中粒子位置与历史最优位置偏差量平方的积分，POS表示在仿真过程中寻优位置的超调量，λ1和λ2表示加权系数(由试凑法确定)并且满足λ1+λ2＝1；
(5)比较粒子的适应度值：计算粒子的适应度并与全局最优位置pg的适应度值比较，若粒子当前的适应度更好，则更新pg的值并使用当前的值作为全局最优位置；
(6)更新粒子的速度和位置，粒子的速度和位置的更新方法如下式(6)和(7)所示；
Figure BDA0002478497320000055
Figure BDA0002478497320000056
其中，t为迭代次数，zi1(t+1)和zi2(t+1)分别为更新位置后的粒子位置矢量的两个分量，更新位置后的粒子位置zi(t+1)＝(zi1(t+1),zi2(t+1))，vi1(t+1)和vi2(t+1)分别为更新位置后粒子速度矢量的两个分量，更新速度后的粒子速度(粒子速度表示每次迭代位置的变化量)vi(t+1)＝(vi1(t+1),vi2(t+1))，pi1(t)和pi2(t)分别为粒子历史最优位置矢量的两个分量，pg1(t)和pg2(t)分别为全局最优位置矢量的两个分量，ω为惯性权值，c1，c2为学习因子，r1和r2为介于(0，1)的随机数；
(7)检查终止条件，终止条件为是否达到了最大迭代次数，或者最佳解决方案是否符合适应度值；若终止条件成立，则输出当前最佳粒子的位置，pg1(t)和pg2(t)分别为模糊控制中论域变换的θ1和θ2，否则返回步骤(2)继续执行。
其中模糊控制器组成框图如图3所示，包括：
(1)模糊化接口：
模糊控制器的输入必须通过模糊化才能用于控制输出的求解，它的主要作用是将真实的确定量输入转换为一个模糊矢量；
(2)知识库：
知识库用来制定模糊推理机的规则，由数据库和规则库两部分构成；
①数据库：数据库所存放的是所有输入、输出变量的全部模糊子集的隶属度矢量值(即经过论域等级离散化以后对应值的集合)，若论域为连续域则为隶属度函数。在规则推理的模糊关系方程求解过程中，向推理机提供数据；
②规则库：模糊控制器的规则司基于专家知识或手动操作人员长期积累的经验，它是按人的直觉推理的一种语言表示形式，模糊规则通常有一系列的关系词连接而成，如if-then、else、also、end、or等，关系词必须经过“翻译”才能将模糊规则数值化。最常用的关系词为if-then、also，对于多变量模糊控制系统，还有and等；
(3)解模糊接口：
推理是模糊控制器中，根据输入模糊量，由模糊控制规则完成模糊推理来求解模糊关系方程，并获得模糊控制量的功能部分，但是，推理后所获得的结果仍是一个模糊矢量，不能直接用来作为控制量，还必须作一次转换，求得清晰的控制量输出，即为解模糊，通常把输出端具有转换功能作用的部分称为解模糊接口。
下面结合实际案例对采用本发明的基于PSO和模糊控制的隧道通风节能优化控制方法与采用传统的分档控制法的能量损耗进行比较：
1.分档控制法控制下的隧道通风系统的能量损耗
目前我国应用较广的隧道通风系统控制就是直接简单的分档式控制法，其主要控制思路是根据污染物的浓度值制定出分档策略，通过传感器对各个位置污染物浓度采集，然后由控制器对风机下达指令。
根据人体健康对污染物的浓度要求和规范设计要求，可以对一条有14台风机的隧道进行如下分档：当CO浓度达到300ppm时，开启全部的14台风机；当CO浓度在200ppm以下时，不开启风机；
以射流风机为例，隧道耗费的电能表达式如式(*)所示；
Figure BDA0002478497320000071
式(*)中，Q为射流风机能耗，单位为(kw·h)；t为射流风机正常工作的时间，单位为(h)；t1为射流风机的工作起始时间，t2为射流风机的工作结束时间，单位为(h)；n为射流风机正常工作的数量；P为射流风机正常工作功率，单位为(kw)，下面计算时取为30kw。
传统的分档式控制方式下，隧道内24小时风机开启数量以及工作时间如表1所示，由式(*)和分档控制法可以得到全天24小时消耗的总电能W1为：
Figure BDA0002478497320000072
式(**)中，ni为第i个周期的风机启动台数，i＝1,2,…,24；
则一年产生的电能为：
E1＝4920×365＝1795800(kwh/年) (***)；
表1隧道风机分档控制情况表
Figure BDA0002478497320000073
Figure BDA0002478497320000081
注：把一天24小时分为24个周期统计，每个周期开启的风机台数分开计算。
2.本发明基于PSO和模糊控制下的隧道通风系统的能量损耗
隧道内24小时风机开启数量以及工作时间如表2所示，一天消耗的总功率W2可以计算为：
Figure BDA0002478497320000082
式(****)中，ni为第i个周期的风机启动台数，i＝1,2,…,24；
则一年产生的电能E2为：
E2＝4620×365＝1686300(kwh/年) (*****)；
表2隧道风机PSO模糊控制情况表
Figure BDA0002478497320000083
Figure BDA0002478497320000091
注：把一天24小时分为24个周期统计，每个周期开启的风机台数分开计算。
3.两种控制方法的能耗比较
对比上述两种控制方式得到的能耗情况，可以计算出与分档控制相比，本发明的PSO模糊控制下的节能率η：
Figure BDA0002478497320000092
由上述分析可得，本发明的基于PSO和模糊控制方法相比于传统的分档控制法可以节约6％的电能消耗。

Claims (2)

1.一种基于PSO和模糊控制的隧道通风节能优化控制方法，其特征是：首先通过PSO算法对隧道通风控制系统的模糊控制器中CO实测偏差量的变换系数θ1和CO预测偏差量的变换系数θ2进行寻优，再将传感器测得的CO实测偏差量eCO和CO预测偏差量e'CO输入到模糊控制器，经过论域变换后，建立模糊控制规则表，将模糊控制规则表输入模糊控制器，输出为隧道风机开启的台数；
论域变换按照式(1)和式(2)计算，采用该种变换后ECO和E'CO的变化区间分别为[-eCO,eCO]和[-e'CO,e'CO]；
ECO＝θ1·eCO (1)；
E'CO＝θ2·e'CO (2)；
其中，ECO为经过论域变换后的CO实测偏差量，E'CO为经过论域变换后的CO预测偏差量；
所述通过PSO算法对θ1和θ2寻优的过程为：
(1)对PSO算法中的各个参数进行初始化，所述参数包括惯性因子ωmax、粒子个数N、维度θ、学习因子c1，c2、最大迭代次数和寻优范围；
(2)设定各变量的位置矢量：设zi＝(zi1,zi2)为粒子i的位置矢量，zi1和zi2的取值范围为[zmin，zmax]，νi＝(νi1,vi2)为粒子i的移动速度，pi＝(pi1,pi2)为粒子i寻优得到的历史最优位置，pg＝(pg1,pg2)为种群到目前为止寻优到的全局最优位置；
(3)对粒子的各个维度进行归一化处理，各粒子归一化以及平方差变量sov如式(3)和式(4)所示；
Figure FDA0002478497310000011
Figure FDA0002478497310000012
式中z'i1和z'i2分别为归一化后的位置分量，
Figure FDA0002478497310000013
分别为z'i1和z'i2的数学期望，zmin为zi1和zi2取值范围的最小值，zmax为zi1和zi2取值范围的最大值；
(4)设计粒子的适应度函数，适应度函数如式(5)所示；
Figure FDA0002478497310000014
其中，ISE表示寻优过程中粒子位置与历史最优位置偏差量平方的积分，POS表示在仿真过程中寻优位置的超调量，λ1和λ2表示加权系数并且满足λ1+λ2＝1；
(5)比较粒子的适应度值：计算粒子的适应度并与全局最优位置pg的适应度值比较，若粒子当前的适应度更好，则更新pg的值并使用当前的值作为全局最优位置；
(6)更新粒子的速度和位置，粒子的速度和位置的更新方法如下式(6)和(7)所示；
Figure FDA0002478497310000021
Figure FDA0002478497310000022
其中，t为迭代次数，zi1(t+1)和zi2(t+1)分别为更新位置后的粒子位置矢量的两个分量，更新位置后的粒子位置zi(t+1)＝(zi1(t+1),zi2(t+1))，vi1(t+1)和vi2(t+1)分别为更新位置后粒子速度矢量的两个分量，更新速度后的粒子速度vi(t+1)＝(vi1(t+1),vi2(t+1))，pi1(t)和pi2(t)分别为粒子历史最优位置矢量的两个分量，pg1(t)和pg2(t)分别为全局最优位置矢量的两个分量，ω为惯性权值，c1，c2为学习因子，r1和r2为介于(0，1)的随机数；
(7)检查终止条件，终止条件为是否达到了最大迭代次数，或者最佳解决方案是否符合适应度值；若终止条件成立，则输出当前最佳粒子的位置，pg1(t)和pg2(t)分别为模糊控制中论域变换的θ1和θ2，否则返回步骤(2)继续执行。
2.根据权利要求1所述的一种基于PSO和模糊控制的隧道通风节能优化控制方法，其特征在于，PSO算法初始化的惯性因子ωmax为1.5，粒子总数N为20，维度θ为2，学习因子c1，c2分别为2.5，0.5，最大迭代次数为100，寻优范围：θ1为[0.9,1]，θ2为[0.8,1]。
CN202010371997.7A 2020-05-06 2020-05-06 一种基于pso和模糊控制的隧道通风节能优化控制方法 Pending CN111535845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010371997.7A CN111535845A (zh) 2020-05-06 2020-05-06 一种基于pso和模糊控制的隧道通风节能优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010371997.7A CN111535845A (zh) 2020-05-06 2020-05-06 一种基于pso和模糊控制的隧道通风节能优化控制方法

Publications (1)

Publication Number Publication Date
CN111535845A true CN111535845A (zh) 2020-08-14

Family

ID=71973379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010371997.7A Pending CN111535845A (zh) 2020-05-06 2020-05-06 一种基于pso和模糊控制的隧道通风节能优化控制方法

Country Status (1)

Country Link
CN (1) CN111535845A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114019846A (zh) * 2021-10-11 2022-02-08 成都金隧自动化工程有限责任公司 公路长隧道智能通风控制设计方法与系统
CN117289611A (zh) * 2023-11-24 2023-12-26 中铁建大桥工程局集团第三工程有限公司 一种基于模糊理论的空气调节方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100891513B1 (ko) * 2008-08-18 2009-04-06 주식회사 케이디파워 태양광 및 배터리 시스템을 이용한 계통 연계형 하이브리드발전 시스템 및 이를 이용한 발전 방법
CN101509390A (zh) * 2009-02-25 2009-08-19 湖南大学 一种基于模糊控制的隧道通风控制方法
CN104154019A (zh) * 2014-08-04 2014-11-19 昆明联诚科技股份有限公司 一种基于模糊控制的隧道通风节能控制系统及其控制方法
CN104533499A (zh) * 2015-01-23 2015-04-22 贵州现代物流工程技术研究有限责任公司 一种高速公路隧道智能通风装置及方法
CN105569707A (zh) * 2015-12-11 2016-05-11 中铁第四勘察设计院集团有限公司 基于环境预测的公路隧道通风前馈控制方法
CN106778846A (zh) * 2016-12-02 2017-05-31 华北电力大学 一种基于支持向量机的风电场风速预测方法
CN107288675A (zh) * 2017-08-01 2017-10-24 招商局重庆交通科研设计院有限公司 隧道智能通风控制方法
CN110058635A (zh) * 2019-04-22 2019-07-26 西安工业大学 基于改进粒子群算法与模糊算法相结合的mppt方法
CN110905577A (zh) * 2019-11-12 2020-03-24 中铁五局集团成都工程有限责任公司 一种特长隧道高效节能自动通风与多作业条件下通风技术

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100891513B1 (ko) * 2008-08-18 2009-04-06 주식회사 케이디파워 태양광 및 배터리 시스템을 이용한 계통 연계형 하이브리드발전 시스템 및 이를 이용한 발전 방법
CN101509390A (zh) * 2009-02-25 2009-08-19 湖南大学 一种基于模糊控制的隧道通风控制方法
CN104154019A (zh) * 2014-08-04 2014-11-19 昆明联诚科技股份有限公司 一种基于模糊控制的隧道通风节能控制系统及其控制方法
CN104533499A (zh) * 2015-01-23 2015-04-22 贵州现代物流工程技术研究有限责任公司 一种高速公路隧道智能通风装置及方法
CN105569707A (zh) * 2015-12-11 2016-05-11 中铁第四勘察设计院集团有限公司 基于环境预测的公路隧道通风前馈控制方法
CN106778846A (zh) * 2016-12-02 2017-05-31 华北电力大学 一种基于支持向量机的风电场风速预测方法
CN107288675A (zh) * 2017-08-01 2017-10-24 招商局重庆交通科研设计院有限公司 隧道智能通风控制方法
CN110058635A (zh) * 2019-04-22 2019-07-26 西安工业大学 基于改进粒子群算法与模糊算法相结合的mppt方法
CN110905577A (zh) * 2019-11-12 2020-03-24 中铁五局集团成都工程有限责任公司 一种特长隧道高效节能自动通风与多作业条件下通风技术

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
房罡: "基于模糊控制的隧道通风节能优化控制", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
黄慧斌: "基于PSO优化的模糊控制在隧道通风中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114019846A (zh) * 2021-10-11 2022-02-08 成都金隧自动化工程有限责任公司 公路长隧道智能通风控制设计方法与系统
CN117289611A (zh) * 2023-11-24 2023-12-26 中铁建大桥工程局集团第三工程有限公司 一种基于模糊理论的空气调节方法及系统

Similar Documents

Publication Publication Date Title
CN104776446B (zh) 一种锅炉燃烧优化控制方法
US11958365B2 (en) Method for dual-motor control on electric vehicle based on adaptive dynamic programming
Wang et al. Adaptive dynamic programming: An introduction
EP1481295B1 (en) Control system
CN109242265B (zh) 基于误差平方和最小的城市需水量组合预测方法
CN111260117B (zh) 一种基于气象因子的ca-narx水质预测方法
CN112668799A (zh) 基于行驶大数据的phev的智能能量管理方法和存储介质
Lin et al. Traffic signal optimization based on fuzzy control and differential evolution algorithm
CN111535845A (zh) 一种基于pso和模糊控制的隧道通风节能优化控制方法
CN110245390B (zh) 一种基于rs-bp神经网络的汽车发动机油耗预测方法
CN114678080A (zh) 转炉终点磷含量预测模型及构建方法、磷含量预测方法
Shen et al. Two-level energy control strategy based on ADP and A-ECMS for series hybrid electric vehicles
JPH11327606A (ja) 総合制御方式
CN115986839A (zh) 一种风-水-火综合能源系统的智能调度方法及系统
CN117031950A (zh) 深度调峰火电机组控制系统建模的方法及装置
Yang et al. Application of fuzzy neural network PID algorithm in oil pump control
CN114384931B (zh) 一种基于策略梯度的无人机多目标最优控制方法和设备
CN113997925B (zh) 一种插电式混合动力系统能量管理方法
García-Nieto et al. Air management in a diesel engine using fuzzy control techniques
Chao et al. Application of data driven technology in wastewater treatment process
CN113294297A (zh) 风电机组非线性模型预测转矩控制变权重调节方法
Gong et al. Research of oil pump control based on fuzzy neural network PID algorithm
CN114881688B (zh) 一种考虑分散式资源互动响应的配电网智能化定价方法
JP2004013328A (ja) 評価値算出方法、評価値算出装置、制御対象の制御装置及び評価値算出プログラム
Chen et al. Multi-Objective Integrated Robust Optimal Control for Wastewater Treatment Processes

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200814