CN111539508B - 基于改进灰狼算法的发电机励磁系统参数辨识算法 - Google Patents
基于改进灰狼算法的发电机励磁系统参数辨识算法 Download PDFInfo
- Publication number
- CN111539508B CN111539508B CN202010249392.0A CN202010249392A CN111539508B CN 111539508 B CN111539508 B CN 111539508B CN 202010249392 A CN202010249392 A CN 202010249392A CN 111539508 B CN111539508 B CN 111539508B
- Authority
- CN
- China
- Prior art keywords
- wolf
- algorithm
- model
- actual system
- system model
- 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
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]
Abstract
本发明公开了一种基于改进灰狼算法的发电机励磁系统参数辨识算法,包括:建立空载状态下励磁系统的原模型和实际系统模型;通过改进灰狼算法对进入线性区的实际系统模型进行辨识,得到线性部分参数;将所述线性部分参数输入实际系统模型;通过改进灰狼算法对进入非线性区的带入线性部分参数后的实际系统模型进行辨识,得到非线性部分参数。在灰狼算法基础上,提出收敛因子非线性递减策略与灰狼分群轮换追赶策略,增强了狼群的种群多样性,改善了算法易陷入局部最优的不足点。将灰狼算法应用于励磁系统参数的辨识,并通过改进灰狼算法有效地实现了励磁系统参数的辨识,辨识结果证明改进灰狼算法在辨识精度与稳定性都优于传统灰狼算法。
Description
技术领域
本发明属于电力系统领域,具体涉及一种基于改进灰狼算法的发电机励磁系统参数辨识算法。
背景技术
系统辨识就是按照某种准则,从一组模型中选择一个模型,使之能最好地拟合由系统的输入输出观测数据体现出的实际系统的动态或静态特性。辨识方法的选取在辨识精度上起着十分重要的作用,由辨识理论可知,辨识方法可分为经典辨识法和现代辨识法两类。
经典的系统辨识方法的发展已经比较成熟和完善,它包括阶跃响应法、脉冲响应法、频率响应法相关分析法、谱分析法、最小二乘法和极大似然法等。
随着人类社会的进步,越来越多的实际系统都是具有不确定性的复杂系统。而对于这类系统,经典的辨识建模方法难以得到令人满意的结果,即就是说,经典的系统辨识方法还存在着一定的不足:
a)利用最小二乘法的系统辨识法一般要求输入信号已知,并且必须具有较丰富的变化,然而,这一点在某些动态系统中,系统的输入常常无法保证;
b)极大似然法计算耗费大,可能得到的是损失函数的局部极小值;
c)经典的辨识方法对于某些复杂系统在一些情况下无能为力。
近年来,随着智能控制理论研究的不断深入及其在控制领域的广泛应用,针对传统系统辨识方法存在着的上述不足和局限,把神经网络、遗传算法、小波网络、模糊理论等知识应用于系统辨识中,发展为很多新的系统辨识方法:集员系统辨识法、多层递阶系统辨识法、神经网络系统辨识法、遗传算法系统辨识法、粒子群系统辨识法等。
针对线性励磁系统参数的测定和试验通常可以采用最小二乘法、卡尔曼滤波法、正规化梯度法等来实现。但实际发电机励磁系统中一般都存在限幅环节等因素影响,不再是一个简单的线性模型,扰动稍大就可能使得励磁系统中某些环节进入非线性区,因此传统的辨识方法不能很好地解决非线性发电机励磁系统参数辨识问题。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于改进灰狼算法的发电机励磁系统参数辨识算法,以解决现有技术中存在的不能很好地进行非线性发电机励磁系统参数辨识的问题。
为达到上述目的,本发明通过如下的技术方法实现:
一种发电机励磁系统参数辨识算法,所述方法包括:
建立空载状态下励磁系统的原模型和实际系统模型;
通过改进灰狼算法对进入线性区的实际系统模型进行辨识,得到线性部分参数;
将所述线性部分参数输入实际系统模型;
通过改进灰狼算法对进入非线性区的带入线性部分参数后的实际系统模型进行辨识,得到非线性部分参数。
进一步的,所述线性部分参数包括励磁调节控制器PID控制部分的比例增益、励磁调节控制器PID控制部分的积分增益、电压测量环节时间常数和综合放大控制部分时间常数。
进一步的,所述非线性部分参数包括励磁机最大输出、励磁机最大输出。
进一步的,所述改进灰狼算法如下:
X(t+1)=(X1+X2+X3)/3 (10)
其中,
A=2a·rand1-a (5)
C=2·rand2 (6)
其中,Dα为狼群个体与α狼的距离,Dβ为狼群个体与β狼的距离,Dδ为狼群个体与δ狼的距离,C1为α狼的方向0-2间的随机向量,C2为β狼的方向0-2间的随机向量,C3为δ狼的方向0-2间的随机向量,Xα表示α当前位置,Xβ表示β当前位置,Xδ表示δ当前位置,t表示当前迭代的次数,X表示灰狼的位置向量,X1表示狼群个体向α狼的方向的前进距离,X2表示狼群个体向β狼的方向的前进距离,X3表示狼群个体向δ狼的方向的前进距离,A1表示α狼的包围步长,A2表示β狼的包围步长,A3表示δ狼的包围步长,A为包围步长,C为0-2间的随机向量,a是收敛因子,max是最大迭代次数。
进一步的,所述方法还包括:对狼群进行更新;所述更新的算法如下:
X=(X1,...,Xw-1,μ,Xw+1...,XN);
其中,
μ=(p1,p2,...,pi,...,pdim);
pi=li+λ(ui-li);
其中,μ为包围群中适应度最高的个体的位置信息,pi为狼群属性,ui和li为变量的上界和下界,λ为0和1间的随机数。
进一步的,所述原模型和实际系统模型在Matlab/Simlink环境下搭建。
进一步的,所述方法还包括:
对原模型和实际系统模型同时施加小扰动信号,保证原模型和实际系统模型进入线性区;
对原模型和实际系统模型同时施加大扰动信号,保证原模型和带入线性部分参数后的实际系统模型进入非线性区。
一种发电机励磁系统参数辨识系统,所述系统包括:
建模模块:用于建立空载状态下励磁系统的原模型和实际系统模型;
第一辨识模块:用于通过改进灰狼算法对进入线性区的实际系统模型进行辨识,得到线性部分参数;
输入模块:用于将所述线性部分参数输入实际系统模型;
第二辨识模块:通过改进灰狼算法对进入非线性区的带入线性部分参数后的实际系统模型进行辨识,得到非线性部分参数。
一种发电机励磁系统参数辨识系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
与现有技术相比,本发明所达到的有益效果是:
本发明首先通过改进灰狼算法对进入线性区的实际系统模型参数进行辨识,然后将参数输入实际系统模型,再对进入非线性区的实际系统模型进行辨识,可以有效的对非线性发电机励磁系统参数进行辨识;改善灰狼算法在原有基础上,提出收敛因子非线性递减策略与灰狼分群轮换追赶策略,动态平衡算法的全局搜索能力与局部搜索能力,增强了狼群的种群多样性,改善了算法易陷入局部最优的不足点。
附图说明
图1是本发明中改进灰狼算法流程图;
图2是本发明中励磁系统辨识流程图;
图3是灰狼算法原理图;
图4是收敛因子对比图;
图5是灰狼分群原理图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,不能以此来限制本发明的保护范围。
如图1所示,要实现对励磁系统参数的辨识,首先建立励磁系统原模型和实际系统模型。采用误差平方测度E为评价函数进行适应度评价。误差函数值越小,该个体的适应度越大。根据灰狼分群狩猎策略及a非线性递减策略更新A、C参数值,从而更新ω狼群,判断群体代数是否达到设定值,如果已达到设定值,那么输出α狼的位置,结束计算,如果群体代数未达到设定值,那么需要重新根据参数产生随机狼群,重复计算,直到算法结束。
如图2所示,发电机励磁系统的参数辨识包括系统线性部分参数辨识与非线性部分参数辨识。为确保算法所得结果的精确性,在进行参数辨识时,首先进行励磁系统线性部分参数Kp(励磁调节控制器PID控制部分的比例增益)、Ki(励磁调节控制器PID控制部分的积分增益)、TR(电压测量环节时间常数)、TA(综合放大控制部分时间常数)的辨识,再进行非线性部分参数URmax和URmin的辨识。辨识步骤如下所示:
第一步:在Matlab/Simlink环境下,搭建原励磁系统模型与实际系统模型;
第二步:发电机运行在空载状态,闭锁PSS;
第三步:给原模型和实际系统模型同时施加小扰动信号;
第四步:调用改进灰狼算法辨识程序对实际系统模型进行参数辨识,得到与原模型相似的Kp、Ki、TR、TA参数辨识值;
第五步:将Kp、Ki、TR、TA参数辨识值代入实际系统模型;
第六步:给原模型和实际系统模型施加相同大小的大扰动信号,让系统响应进入非线性区;
第七步:调用改进灰狼算法辨识程序对实际系统模型进行参数辨识,得到与原模型相似的URmax(励磁机最大输出)、URmin(励磁机最小输出)参数辨识值;
第八步:输出辨识结果。
灰狼算法基本原理如图3所示,包括以下步骤:
步骤1.1:GWO算法模拟自然界中灰狼的等级制度与狩猎行为,设种群中的N个体位置向量信息为X=(P1,P2,...,Pi,...,PN)(i=1,...,N),每个Pi代表1个个体的位置向量信息,Pi可表示为:
Pi=(p1,p2,...,pi,...,pdim) (1)
式中,pi为狼群属性(i=1,...,dim),dim为种群维度。对pi的初始赋值过程如式(2)所示:
pi=li+λ(ui-li) (2)
其中,ui和li为pi的上界和下界,上,下界信息来自于外部信息输入,λ为0和1间的随机数。
如图1所示,整个狼群被分为α、β、δ、ω四组。定义狼群中适应度最好的为头狼α,第二好的为下属狼β,第三好为普遍狼δ,种群中的其他个体为其他狼ω,α、β、δ指导其他狼ω向着目标猎物搜索。在智能优化过程中,狼群不断更新α、β、δ、ω的位置。
D=|C·Xp(t)-X(t)| (3)
X(t+1)=Xp(t)-A·D (4)
式中,D表示个体与食物的距离;t表示当前迭代的次数;Xp为猎物位置;X为灰狼的位置向量;A为包围步长;C为[0,2]的随机数。A与C分别由式(5)-(7)确定:
A=2a·rand1-a (5)
C=2·rand2 (6)
式中,max是最大迭代次数;a是收敛因子;rand1和rand2都是[0,1]间的随机数。
当灰狼判断出猎物的位置时,头狼α带领β和δ指导狼群对猎物进行包围,因为α、β、δ是最靠近猎物的,所以利用这三头狼的位置判断猎物大致位置,逐渐逼近猎物。数学公式如式(6)-(8):
X(t+1)=(X1+X2+X3)/3 (10)
式中,Xα表示α当前位置,Xβ表示β当前位置,Xδ表示δ当前位置。C1、C2、C3表示一个随机向量,X表示当前灰狼位置向量。式(8)-(9)分别定义了ω狼朝向α、β、δ的前进步长和方向。式(10)定义ω狼最终的位置。
如图4所示,针对普通灰狼算法进行改进,分别进行收敛因子改进、灰狼分群狩猎改进,包括以下步骤:
步骤2.1:进行灰狼算法的收敛因子改进:灰狼优化算法依赖A和C动态平衡算法的全局搜索能力与局部搜索能力,当|A|>1时,灰狼群体将扩大包围圈,对应于全局搜索;当|A|<1时,灰狼群体将收缩包围圈,对应于局部精确搜索。因此,A值的大小对GWO算法的全局搜索和局部搜索能力有很大的影响。而根据式(5)和(7)可知,A的值在区间内随着收敛因子a的变化而变化,且收敛因子随着迭代次数的增加从2线性递减到0。针对高阶复杂非线性的电力系统,直接应用灰狼优化算法往往陷入局部最优,算法稳定性差,希望增强算法全局搜索能力,以适应复杂系统的参数辨识,构造以自然对数底数e为底的指数函数,得到收敛因子a的非线性线性递减策略:
将a′映射到区间[0,2]内,得到:
如图4所示,一方面,算法初期a的衰减程度降低,增强了算法在初期的随机搜索能力。另一方面,当t/max≈0.62时,式(12)中的a=1,意味着当t/max<0.62时都有概率进行全局搜索,而不仅限于t/max<0.5时有概率进行全局搜索。算法后期衰减程度提高,增加了算法末期寻找局部最优解的速度,从而更有效地平衡了算法全局搜索和局部搜索的能力。
如图5所示,步骤2.2:进行灰狼算法的分群狩猎改进:观察到狼群在狩猎时,往往是四散在猎物周围将其包围,然后由一部分狼开始追赶猎物,在猎物逃跑过程中,不断有原先包围在猎物四周的狼对猎物进行冲击,参与到追赶猎物的队伍中,而一开始参与追赶的狼会因体力以及位置等原因减缓自己的速度,进行体力的恢复以及重新在猎物逃跑的方向进行埋伏,这样可以保持着狼群追赶猎物的速度与冲击力,更好地完成狩猎。
由此,将狼群分为追赶群与包围群,追赶群由α、β、δ、w组成,在算法中参与迭代,追赶群中的个体通过式(8,9,10,12)对自身的位置信息进行更新。新增包围狼群,在算法中不参与迭代,自身位置不更新。算法每次对狼群所有个体进行适应度评价,追赶群中适应度最低的个体从追赶群中退出,参与到包围群,而包围群中适应度最高的个体参与到追赶群中,随后,新产生的追赶群内的个体开始参与算法的迭代。
包围群中适应度最高的个体所包含的位置信息μ也可用式(1)中的pi表示:
μ=(p1,p2,...,pi,...,pdim) (13)
pi的初始赋值过程与式(2)相同。
设追赶群中适应度最低的个体所包含的位置信息为Pw,使用分群策略更新后的所有狼群位置信息为X=(P1,...,Pw-1,μ,Pw+1...,PN),作为新的追赶群进行位置信息的更新。
一种发电机励磁系统参数辨识系统,所述系统包括:
建模模块:用于建立空载状态下励磁系统的原模型和实际系统模型;
第一辨识模块:用于通过改进灰狼算法对进入线性区的实际系统模型进行辨识,得到线性部分参数;
输入模块:用于将所述线性部分参数输入实际系统模型;
第二辨识模块:通过改进灰狼算法对进入非线性区的带入线性部分参数后的实际系统模型进行辨识,得到非线性部分参数。
一种发电机励磁系统参数辨识系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种发电机励磁系统参数辨识算法,其特征在于,方法包括:
建立空载状态下励磁系统的原模型和实际系统模型;
通过改进灰狼算法对进入线性区的实际系统模型进行辨识,得到线性部分参数;
将所述线性部分参数输入实际系统模型;
通过改进灰狼算法对进入非线性区的带入线性部分参数后的实际系统模型进行辨识,得到非线性部分参数。
2.根据权利要求1所述的一种发电机励磁系统参数辨识算法,其特征在于,所述线性部分参数包括励磁调节控制器PID控制部分的比例增益、励磁调节控制器PID控制部分的积分增益、电压测量环节时间常数和综合放大控制部分时间常数。
3.根据权利要求1所述的一种发电机励磁系统参数辨识算法,其特征在于,所述非线性部分参数包括励磁机最大输出、励磁机最小输出。
4.根据权利要求1所述的一种发电机励磁系统参数辨识算法,其特征在于,所述改进灰狼算法如下:
X(t+1)=(X1+X2+X3)/3 (10)
其中,
A=2a·rand1-a (5)
C=2·rand2 (6)
其中,Dα为狼群个体与α狼的距离,Dβ为狼群个体与β狼的距离,Dδ为狼群个体与δ狼的距离,C1为α狼的方向0-2间的随机向量,C2为β狼的方向0-2间的随机向量,C3为δ狼的方向0-2间的随机向量,Xα表示α当前位置,Xβ表示β当前位置,Xδ表示δ当前位置,t表示当前迭代的次数,X表示灰狼的位置向量,X1表示狼群个体向α狼的方向的前进距离,X2表示狼群个体向β狼的方向的前进距离,X3表示狼群个体向δ狼的方向的前进距离,A1表示α狼的包围步长,A2表示β狼的包围步长,A3表示δ狼的包围步长,A为包围步长,C为0-2间的随机向量,a是收敛因子,max是最大迭代次数。
5.根据权利要求4所述的一种发电机励磁系统参数辨识算法,其特征在于,所述方法还包括:对狼群进行更新;所述更新算法如下:
X=(X1,...,Xw-1,μ,Xw+1...,XN);
其中,
μ=(p1,p2,...,pi,...,pdim);
pi=li+λ(ui-li);
其中,μ为包围群中适应度最高的个体的位置信息,pi为狼群属性,ui和li为变量的上界和下界,λ为0和1间的随机数。
6.根据权利要求1所述的一种发电机励磁系统参数辨识算法,其特征在于,所述原模型和实际系统模型在Matlab/Simlink环境下搭建。
7.根据权利要求1所述的一种发电机励磁系统参数辨识算法,其特征在于,所述方法还包括:
对原模型和实际系统模型同时施加小扰动信号,保证原模型和实际系统模型进入线性区;
对原模型和实际系统模型同时施加大扰动信号,保证原模型和带入线性部分参数后的实际系统模型进入非线性区。
8.一种发电机励磁系统参数辨识系统,其特征在于,所述系统包括:
建模模块:用于建立空载状态下励磁系统的原模型和实际系统模型;
第一辨识模块:用于通过改进灰狼算法对进入线性区的实际系统模型进行辨识,得到线性部分参数;
输入模块:用于将所述线性部分参数输入实际系统模型;
第二辨识模块:通过改进灰狼算法对进入非线性区的带入线性部分参数后的实际系统模型进行辨识,得到非线性部分参数。
9.一种发电机励磁系统参数辨识系统,其特征在于,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-7任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249392.0A CN111539508B (zh) | 2020-04-01 | 2020-04-01 | 基于改进灰狼算法的发电机励磁系统参数辨识算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249392.0A CN111539508B (zh) | 2020-04-01 | 2020-04-01 | 基于改进灰狼算法的发电机励磁系统参数辨识算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539508A CN111539508A (zh) | 2020-08-14 |
CN111539508B true CN111539508B (zh) | 2023-09-01 |
Family
ID=71978537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010249392.0A Active CN111539508B (zh) | 2020-04-01 | 2020-04-01 | 基于改进灰狼算法的发电机励磁系统参数辨识算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539508B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113267998B (zh) * | 2021-03-19 | 2024-02-02 | 北京航空航天大学 | 一种用于原子陀螺温控系统的高精度建模和控制方法 |
CN115952662B (zh) * | 2022-12-26 | 2023-09-19 | 昆明理工大学 | 一种基于改进灰狼算法的双馈风力发电机参数辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383582A (zh) * | 2008-10-15 | 2009-03-11 | 南京航空航天大学 | 基于转矩角正弦值线性控制的电励磁同步电机控制方法 |
CN101968629A (zh) * | 2010-10-19 | 2011-02-09 | 天津理工大学 | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 |
CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN108646560A (zh) * | 2018-05-11 | 2018-10-12 | 河北工业大学 | 基于灰狼算法改进的风机功率模型参数寻优方法 |
CN110729939A (zh) * | 2019-11-08 | 2020-01-24 | 江苏科技大学 | 一种永磁同步电机转速环自抗扰控制器参数整定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8489528B2 (en) * | 2009-07-28 | 2013-07-16 | Georgia Tech Research Corporation | Systems and methods for training neural networks based on concurrent use of current and recorded data |
-
2020
- 2020-04-01 CN CN202010249392.0A patent/CN111539508B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383582A (zh) * | 2008-10-15 | 2009-03-11 | 南京航空航天大学 | 基于转矩角正弦值线性控制的电励磁同步电机控制方法 |
CN101968629A (zh) * | 2010-10-19 | 2011-02-09 | 天津理工大学 | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 |
CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
CN108646560A (zh) * | 2018-05-11 | 2018-10-12 | 河北工业大学 | 基于灰狼算法改进的风机功率模型参数寻优方法 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN110729939A (zh) * | 2019-11-08 | 2020-01-24 | 江苏科技大学 | 一种永磁同步电机转速环自抗扰控制器参数整定方法 |
Non-Patent Citations (1)
Title |
---|
孙宁杰.基于改进灰狼优化算法的多机电力系统稳定器参数优化.《电工技术》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111539508A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133258A (zh) | 一种混合全局优化方法 | |
CN111371607B (zh) | 一种基于决策灰狼算法优化lstm的网络流量预测方法 | |
CN107798199B (zh) | 一种水电机组参数闭环辨识方法 | |
Zaman et al. | Bouc–Wen hysteresis model identification using modified firefly algorithm | |
CN110134165B (zh) | 一种用于环境监测与控制的强化学习方法及系统 | |
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN110481536B (zh) | 一种应用于混合动力汽车的控制方法及设备 | |
CN111539508B (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
CN101799888B (zh) | 基于仿生智能蚁群算法的工业软测量方法 | |
CN110244077B (zh) | 一种热式风速传感器恒功率调节与精度补偿方法 | |
Putra et al. | Estimation of parameters in the SIR epidemic model using particle swarm optimization | |
CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN105824783B (zh) | 一种基于细菌觅食的混合蜂群算法的非线性阻尼系统的参数识别方法 | |
CN114912828A (zh) | 一种基于数控机床工艺参数的优化方法 | |
CN109212999A (zh) | 数字卫星仿真工况的智能生成方法及系统 | |
CN107168066A (zh) | 一种温室环境自适应控制方法 | |
CN107194155A (zh) | 一种基于小数据集和贝叶斯网络的威胁评估建模方法 | |
CN110450164A (zh) | 机器人控制方法、装置、机器人及存储介质 | |
CN115185184A (zh) | 一种电液位置伺服系统多参数辨识方法 | |
CN106803233B (zh) | 图像透视变换的优化方法 | |
CN107944552A (zh) | 一种基于Elman神经网络的工业物联网参数预测方法 | |
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 | |
Yuan et al. | Application of differential evolution cuckoo search algorithm in parameter optimization of VG equation | |
Qu et al. | Complementary differential evolution-based whale optimization algorithm for function optimization |
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 |