CN113067522B - 基于rf-ga-svm算法的升降机输出电压控制方法 - Google Patents
基于rf-ga-svm算法的升降机输出电压控制方法 Download PDFInfo
- Publication number
- CN113067522B CN113067522B CN202110329839.XA CN202110329839A CN113067522B CN 113067522 B CN113067522 B CN 113067522B CN 202110329839 A CN202110329839 A CN 202110329839A CN 113067522 B CN113067522 B CN 113067522B
- Authority
- CN
- China
- Prior art keywords
- output voltage
- frequency converter
- control method
- method based
- factors
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0077—Characterised by the use of a particular software algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
- H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
- H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Elevator Control (AREA)
Abstract
本发明属于升降机变频器输出电压控制技术领域,尤其涉及一种基于RF‑GA‑SVM算法的升降机输出电压控制方法,包括以下步骤:步骤1、确定施工升降机变频器输出电压的初始影响因素;步骤2、利用随机森林算法对初始影响因素下的施工升降机变频器输出电压进行重要度计算;步骤3、根据重要度计算结果,确定各初始影响因素的权重值,选择影响因素的样本约简集合;步骤4、利用遗传算法对支持向量机的惩罚因子C和径向基半径g进行优化;步骤5、利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测。本发明供一种预测速度较快、预测准确率较高的基于RF‑GA‑SVM算法的升降机输出电压控制方法。
Description
技术领域
本发明属于升降机变频器输出电压控制技术领域,尤其涉及一种基于RF-GA-SVM算法的升降机输出电压控制方法。
背景技术
建筑领域中,为解决施工升降机在超高层建筑施工中,驱动电机的供电电压有级调节的方式,从380V直接提升到了690V,使得施工升降机在制造过程中产生大量的电能损失。目前,施工升降机的电压调节多采用变频器技术进行调节,然而变频器的调节技术对变频器输出电压的控制准确性较差,在实际的运行过程中将产生能耗浪费。因而,在变频器输出电压控制方法上需要更适当的控制方法,以进行运行能耗的优化。
有一部分学者采用BP神经网络PID控制方法使电梯的运行更加稳定,系统动态性能有所提高,但BP神经网络算法的收敛速度慢且存在过拟合的问题,对于多因素影响的电压预测准确性较低。
还有根据模糊BP神经网络的电梯群控系统改善了运行效能,虽然模糊控制改善了BP神经网络控制的准确性,但是算法本身的特性局限了控制准确性的提高。
发明内容
本发明的主要目的在于解决现有技术中存在的问题,本发明提供一种预测速度较快、预测准确率较高的基于RF-GA-SVM算法的升降机输出电压控制方法。
本发明所解决的技术问题采用以下技术方案来实现:一种基于RF-GA-SVM算法的升降机输出电压控制方法,包括以下步骤:
步骤1、确定施工升降机变频器输出电压的初始影响因素;
步骤2、利用随机森林算法对初始影响因素下的施工升降机变频器输出电压进行重要度计算;
步骤3、根据重要度计算结果,确定各初始影响因素的权重值,选择影响因素的样本约简集合;
步骤4、利用遗传算法对支持向量机的惩罚因子C和径向基半径g进行优化;
步骤5、利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测。
进一步,所述施工升降机变频器输出电压的初始影响因素包括外部环境影响因素和能量传递过程中影响因素。
进一步,所述外部环境影响因素包括空气密度、实时风速、瞬时风向、倾斜角、吊笼温度。
进一步,所述能量传递过程中影响因素包括减速器转速、负载转矩、运行高度、电机温度、减速比、齿轮箱油温、齿轮箱油压。
进一步,步骤2、利用随机森林算法对初始影响因素下的施工升降机变频器输出电压进行重要度计算,进一步包括,
重要度计算公式为
进一步,步骤5、利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测,进一步包括,
利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压回归预测。
本发明的有益效果为:
1、利用随机森林算法对初始影响因素下的施工升降机变频器输出电压进行重要度计算;根据重要度计算结果,确定各初始影响因素的权重值,选择影响因素的样本约简集合;而且样本约简集合的建立可以提高变频器输出电压的预测速度。
2、利用遗传算法对支持向量机的惩罚因子C和径向基半径g进行优化;利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测;因为支持向量机回归的准确率和精度取决于惩罚因子C和径向基半径g的值,所以利用遗传算法优化后的支持向量机变频器输出电压回归预测准确率高。
附图说明
图1为本发明基于RF-GA-SVM算法的升降机输出电压控制方法的流程图。
图2为本发明的利用遗传算法优化支持向量机参数的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明提供的一种基于RF-GA-SVM算法的升降机输出电压控制方法,包括以下步骤:
步骤1、确定施工升降机变频器输出电压的初始影响因素;
步骤2、利用随机森林算法对初始影响因素下的施工升降机变频器输出电压进行重要度计算;
步骤3、根据重要度计算结果,确定各初始影响因素的权重值,选择影响因素的样本约简集合;
步骤4、利用遗传算法对支持向量机的惩罚因子C和径向基半径g进行优化;
步骤5、利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测。
施工升降机变频器输出电压的初始影响因素包括外部环境影响因素和能量传递过程中影响因素。
外部环境影响因素包括空气密度、实时风速、瞬时风向、倾斜角、吊笼温度。
能量传递过程中影响因素包括减速器转速、负载转矩、运行高度、电机温度、减速比、齿轮箱油温、齿轮箱油压。
步骤2、利用随机森林算法对初始影响因素下的施工升降机变频器输出电压进行重要度计算,进一步包括,
重要度计算公式为
步骤5、利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测,进一步包括,
利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压回归预测。
实施例
一种基于RF-GA-SVM算法的升降机输出电压控制方法,包括以下步骤:
步骤1、确定施工升降机变频器输出电压的初始影响因素;
施工升降机变频器输出电压的初始影响因素包括外部环境影响因素和能量传递过程中影响因素。
外部环境影响因素包括空气密度、实时风速、瞬时风向、倾斜角、吊笼温度。
能量传递过程中影响因素包括减速器转速、负载转矩、运行高度、电机温度、减速比、齿轮箱油温、齿轮箱油压。
(1)外部环境影响因素
施工升降机多是露天使用,且使用时各地环境差别很大。因此环境因素将对运行产生很大影响,其中温度、风速、空气密度和瞬时风向是主要因素。风速、空气密度和瞬时风向将产生空气阻力,影响相对运动速度,空气阻力公式为:
式中:C为空气阻力系数;ρ为空气密度;S物体迎风面积;V为物体与空气的相对运动速度。
在考虑空气阻力时,施工升降机安装时的倾斜角会影响空气阻力的方向,所以安装倾斜角也是影响因素之一。
环境温度升高将使电机内部损耗增大,导致效率降低,影响电机输出功率,在额定负载时,环境温度差(t2-t1)与电机温升差Δθ之间的简化关系为:
式中:θ为电机温升;K为等效的发热损耗系数。
(2)能量传递过程中影响因素
施工升降机能量传递过程为供电电压经过滑触线传递到控制箱,控制箱通过变频器变电压和频率后输出到三相异步电机,电机再将转速和转矩传递给减速器,经过减速器降速度,提转矩,驱动齿轮齿条使吊笼运动。
滑触线随着运行高度变化以及电流的变化将产生压降,滑触线压降公式为:
式中:I为负荷电流;Z为阻抗;L为滑触线长度;电阻R为电抗;为功率因数。
三相异步电机的温升产生的温度场对电机内部损耗有影响,转速和转矩对吊笼稳定运行有影响,转速公式为:
式中:f为供电频率;s为转差率;p为电机的级对数。
异步电机电磁转矩表达式:
式中:m1为电机相数;np为极数;U1为额定电压;R1为每相电阻;R′ 2为转子电阻;X1σ为漏抗;X2 ′ σ为漏电抗;n1为同步转速。
减速器中的传动比、油压和温度对齿轮传递效率有重要作用。
综上所述,在考虑影响因素时,应将外部环境因素和能量传递过程中影响因素都考虑在内,做出因素决策表如表1所示,通过物联网平台对各个因素进行数据的采集,作为算法分析的初始数据。
表1因素决策表
注:C代表输入,D代表输出。
步骤2、利用随机森林算法对初始影响因素下的施工升降机变频器输出电压进行重要度计算;
步骤2、利用随机森林算法对初始影响因素下的施工升降机变频器输出电压进行重要度计算,进一步包括,
重要度计算公式为
随机森林的建立,其中训练样本的生成是通过从训练集中随机且有放回地重复抽取K次,组成随机森林为f={h1,h2,…,hk}。从所有特征中随机抽m个特征子集构建决策树,并使用CART算法进行计算,其使用基尼指数(GiniGini)挑选特征。设随机样本集D中第i类别样本占比为pi(i=1,2,……,m),且m表示类别总数,则D的基尼系数为:
假如某属性a将样本集D二元划分为D1、D2,则属性a的基尼系数为:
袋外数据(out-of-Bag,OOB)指在生成训练集时,约有37%不会被抽到的样本。利用OOB对某个特征的重要性进行分析,设OOB数据集在第s棵树上的准确率为As,对任意变量U进行重要性分析,详细步骤为:
1)重新随机排列训练集中变量U的值,得出新训练集NU,再次投入随机森林中,在决策树hs中OOB的分类准确率为
2)计算OOB在排列前后的分类准确率之差:
3)变量U的重要性得分:
步骤3、根据重要度计算结果,确定各初始影响因素的权重值,选择影响因素的样本约简集合;
步骤4、利用遗传算法对支持向量机的惩罚因子C和径向基半径g进行优化;
因为支持向量机回归的准确率和精度取决于惩罚因子C和径向基半径g的值,传统支持向量机是通过经验来寻找最优参数值,准确度较低,本发明利用遗传算法对传统支持向量机进行参数优化。
本发明利用遗传算法优化支持向量机的惩罚因子C和径向基半径g参数,遗传算法主要用来寻找最优解,过程模拟了生物进化。计算的过程需要首先使用到计算机的编码方法,确定适应度函数,其次个体染色体通过随机生成初始种群,并计算个体的适应度值,根据生物进化原则,挑选出适应度好的个体,最后经过遗传算子选择出最优参数。利用GA优化SVM的参数C和g,基本步骤如图2所示,通过这些步骤可以找到最优的参数,通过参数优化使支持向量机的精度提高,结果达到最优。
步骤5、利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测。
步骤5、利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测,进一步包括,
利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压回归预测。
支持向量机(SVM)通过求解最优分类面来正确划分样本,并且要保证样本与分离面的误差最小。为了解决误差问题,引入了不敏感损失函数。本发明使用的支持向量机算法具体步骤为:
1)设已知训练集
T={(x1,y1),…,(xi,yi)}∈(X×Y)l
式中:xi∈X=Rn,xi为特征向量,yi∈Y{1,-1}(i=1,2,…,l)。
2)选择合适的核函数K(x,x′)和恰当的惩罚因子C,构造并计算最优化问题
计算出最优解:式中x为空间中的点,g为径向基半径。
3)选择a*的一个正分量并据此计算临界值:
4)构造决策函数
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各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各实施例技术方案的范围。
Claims (5)
1.一种基于RF-GA-SVM算法的升降机输出电压控制方法,其特征在于:包括以下步骤:
步骤1、确定施工升降机变频器输出电压的初始影响因素;
步骤2、利用随机森林算法对初始影响因素下的施工升降机变频器输出电压进行重要度计算;进一步包括,
随机森林中训练样本的生成是通过从训练集中随机且有放回地重复抽取k次后组成随机森林f={h1,h2,…,hk},k为决策树个数,h1、h2…hk为决策树;
利用袋外数据对输出电压变量U进行重要性分析,包括:
1)重新随机排列训练集中输出电压变量U的值,得出新训练集NU,再次投入随机森林中,在决策树hs中袋外数据的分类准确率为As为袋外数据集在第s棵树上的准确率,
2)计算袋外数据在排列前后的分类准确率之差:
s=1,…,k,
3)输出电压变量U的重要性得分:
k为决策树个数,/>为袋外数据在排列前后的分类准确率之差;
步骤3、根据重要度计算结果,确定各初始影响因素的权重值,选择影响因素的样本约简集合;
步骤4、利用遗传算法对支持向量机的惩罚因子C和径向基半径g进行优化;
步骤5、利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测。
2.根据权利要求1所述的基于RF-GA-SVM算法的升降机输出电压控制方法,其特征在于:所述施工升降机变频器输出电压的初始影响因素包括外部环境影响因素和能量传递过程中影响因素。
3.根据权利要求2所述的基于RF-GA-SVM算法的升降机输出电压控制方法,其特征在于:所述外部环境影响因素包括空气密度、实时风速、瞬时风向、倾斜角、吊笼温度。
4.根据权利要求2所述的基于RF-GA-SVM算法的升降机输出电压控制方法,其特征在于:所述能量传递过程中影响因素包括减速器转速、负载转矩、运行高度、电机温度、减速比、齿轮箱油温、齿轮箱油压。
5.根据权利要求1所述的基于RF-GA-SVM算法的升降机输出电压控制方法,其特征在于:步骤5、利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压预测,进一步包括,
利用优化后的支持向量机对样本约简集合的影响因素进行变频器输出电压回归预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329839.XA CN113067522B (zh) | 2021-03-29 | 2021-03-29 | 基于rf-ga-svm算法的升降机输出电压控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329839.XA CN113067522B (zh) | 2021-03-29 | 2021-03-29 | 基于rf-ga-svm算法的升降机输出电压控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113067522A CN113067522A (zh) | 2021-07-02 |
CN113067522B true CN113067522B (zh) | 2023-08-01 |
Family
ID=76564136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110329839.XA Active CN113067522B (zh) | 2021-03-29 | 2021-03-29 | 基于rf-ga-svm算法的升降机输出电压控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113067522B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490704A (zh) * | 2018-10-16 | 2019-03-19 | 河海大学 | 一种基于随机森林算法的配电网故障区段定位方法 |
CN109981016A (zh) * | 2019-03-25 | 2019-07-05 | 安徽大学 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
CN110426612A (zh) * | 2019-08-17 | 2019-11-08 | 福州大学 | 一种两级式变压器油纸绝缘时域介电响应特征量优选方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN112054727A (zh) * | 2020-09-04 | 2020-12-08 | 湖南工业大学 | 电梯永磁同步电机驱动控制系统 |
CN112069567A (zh) * | 2020-08-07 | 2020-12-11 | 湖北交投十巫高速公路有限公司 | 基于随机森林和智能算法预测混凝土抗压强度的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292186B (zh) * | 2016-03-31 | 2021-01-12 | 阿里巴巴集团控股有限公司 | 一种基于随机森林的模型训练方法和装置 |
-
2021
- 2021-03-29 CN CN202110329839.XA patent/CN113067522B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490704A (zh) * | 2018-10-16 | 2019-03-19 | 河海大学 | 一种基于随机森林算法的配电网故障区段定位方法 |
CN109981016A (zh) * | 2019-03-25 | 2019-07-05 | 安徽大学 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
CN110426612A (zh) * | 2019-08-17 | 2019-11-08 | 福州大学 | 一种两级式变压器油纸绝缘时域介电响应特征量优选方法 |
CN112069567A (zh) * | 2020-08-07 | 2020-12-11 | 湖北交投十巫高速公路有限公司 | 基于随机森林和智能算法预测混凝土抗压强度的方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN112054727A (zh) * | 2020-09-04 | 2020-12-08 | 湖南工业大学 | 电梯永磁同步电机驱动控制系统 |
Non-Patent Citations (1)
Title |
---|
基于随机森林回归算法的感应电机驱动控制;彭喜英 等;《电气传动》;第48卷(第6期);第13-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113067522A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109642536B (zh) | 控制或处理系统和方法 | |
Galdi et al. | Designing an adaptive fuzzy controller for maximum wind energy extraction | |
Galdi et al. | Exploiting maximum energy from variable speed wind power generation systems by using an adaptive Takagi–Sugeno–Kang fuzzy model | |
CN110492803A (zh) | 基于mdpso的永磁直驱风力发电机参数辨识方法 | |
CN106979126B (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN105673325A (zh) | 基于rbf神经网络pid的风电机组独立变桨控制方法 | |
Zhang et al. | Control optimisation for pumped storage unit in micro‐grid with wind power penetration using improved grey wolf optimiser | |
CN108489108A (zh) | 一种基于电热水器负荷群模型的负荷控制方法 | |
CN110808610B (zh) | 一类基于比例积分微分控制思想的双馈风机优化方法 | |
Lin et al. | Design of a novel intelligent damping controller for unified power flow controller in power system connected offshore power applications | |
Safari et al. | Optimal load sharing strategy for a wind/diesel/battery hybrid power system based on imperialist competitive neural network algorithm | |
Guediri et al. | Modeling and comparison of fuzzy-PI and genetic control algorithms for active and reactive power flow between the stator (DFIG) and the grid | |
CN113067522B (zh) | 基于rf-ga-svm算法的升降机输出电压控制方法 | |
CN110361963B (zh) | 一种永磁风机pi参数优化方法及装置 | |
CN102900603A (zh) | 基于有限时间非脆/保成本稳定的风电机组变桨距控制器设计方法 | |
CN116505556B (zh) | 基于一次调频的风电场功率控制系统及方法 | |
CN107524563A (zh) | 一种基于滑模极值搜索的控制方法 | |
Pang et al. | Intelligence algorithm for optimization design of the low wind speed airfoil for wind turbine | |
CN115986758A (zh) | 一种基于新能源及电动汽车接入配电网的无功优化方法 | |
Mitiku et al. | Fuzzy logic controller for modeling of wind energy harvesting system for remote areas | |
CN113098057B (zh) | 一种双馈风机参数的多目标高维多分数阶优化方法 | |
CN112861320B (zh) | 一种提升机节能运行的行程控制方法 | |
CN115712976A (zh) | 基于多元供热机组的热能及电负荷优化方法及相关设备 | |
Hamid et al. | New technique for maximum efficiency and minimum operating cost of induction motors based on particle swarm optmization (PSO) |
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 |