CN117908629B - 基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法 - Google Patents
基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法 Download PDFInfo
- Publication number
- CN117908629B CN117908629B CN202410312441.9A CN202410312441A CN117908629B CN 117908629 B CN117908629 B CN 117908629B CN 202410312441 A CN202410312441 A CN 202410312441A CN 117908629 B CN117908629 B CN 117908629B
- Authority
- CN
- China
- Prior art keywords
- water pump
- tracking
- disturbance rejection
- rejection controller
- active disturbance
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000002474 experimental method Methods 0.000 claims abstract description 16
- 230000007614 genetic variation Effects 0.000 claims abstract description 16
- 238000005286 illumination Methods 0.000 claims description 19
- 230000000750 progressive effect Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 101710163391 ADP-ribosyl cyclase/cyclic ADP-ribose hydrolase Proteins 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Abstract
本发明公开了基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,属于光伏水泵控制技术领域,包括以下步骤:步骤1、利用实验方法获取光伏太阳能水泵的改进型自抗扰控制器中的跟踪‑微分器模型和扩张状态观测器模型的整定参数;步骤2、待跟踪‑微分器和扩张状态观测器调整结束后,结合非线性状态误差反馈控制律对改进型自抗扰控制器进行整体参数整定;步骤3、将改进型自抗扰控制器引入基于功率跟踪的光伏太阳能水泵控制器中,采用扩张状态观测器ESO对光伏太阳能水泵在运行过程中受到的干扰进行观测及补偿,同时引入遗传变异结合粒子群优化GA‑PSO的策略,对改进型自抗扰控制器参数进行全局寻优并进行功率点寻优,达到精确期望的最大功率点运行状态。
Description
技术领域
本发明属于光伏水泵控制技术领域,尤其是涉及基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法。
背景技术
光伏水泵控制的控制目标是实现太阳能电池板的最大功率输出,使光伏水泵工作在扬程最大,流量最大的工作状态。常见的光伏水泵控制方法有PID控制,但其抗干扰能力弱、自适应能力差,超调量大,稳定性差,难以消除稳态误差。尤其在复杂恶劣环境下,太阳光急剧变化的情况下,往往不能稳定的工作在最大功率点跟踪(MPPT),改进自抗扰控制器是通过估计补偿不确定影响的一种新型控制算法,该算法无需确定未知外部干扰模型或测量未知外部干扰量即可解决外部干扰问题;引入遗传变异结合粒子群优化的策略,对自抗扰控制器控制器参数进行全局参数和功率点寻优,进一步提高了系统的控制品质和控制精度,尤其在复杂恶劣环境下,具有精度高、误差小、抗干扰能力强等优越性。
发明内容
本发明的目的是提供一种基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,解决现有技术存在的常见的跟踪控制方法抗干扰能力弱、自适应能力差,超调量大,稳定性差,难以消除稳态误差,精准度差的问题。
为实现上述目的,本发明提供基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,包括以下步骤:
步骤1、利用实验方法获取光伏太阳能水泵的改进型自抗扰控制器中的跟踪-微分器模型和扩张状态观测器模型的整定参数;
步骤2、待跟踪-微分器和扩张状态观测器调整结束后,结合非线性状态误差反馈控制律对改进型自抗扰控制器进行整体参数整定;
步骤3、将改进型自抗扰控制器引入基于功率跟踪的光伏太阳能水泵控制器中,采用扩张状态观测器ESO对光伏太阳能水泵在运行过程中受到的干扰进行观测及补偿,同时引入遗传变异结合粒子群优化GA-PSO的策略,对改进型自抗扰控制器参数进行全局寻优并进行功率点寻优,达到精确期望的最大功率点运行状态。
优选的,通过光照递进实验来获取光伏太阳能水泵的改进型自抗扰控制器中的跟踪-微分器模型和扩张状态观测器模型的整定参数,且使用光照递进实验过程中的数据进行遗传变异结合粒子群优化模型的训练。
优选的,光照递进实验过程中的数据包括光照强度、温度、电压、电流。
优选的,光伏太阳能水泵包括光伏太阳能板、水泵、控制器、温度传感器和数据采集系统。
优选的,步骤1中跟踪-微分器模型的建立如下:
;
为输入信号光伏太阳能水泵转速v的跟踪输出,/>为/>的微分信号,/>为采样周期,参数/>为速度因子,决定信号的跟踪速度,与跟踪速度呈正相关;参数/>为滤波因子,与滤波效果呈正相关,当/>增大时跟踪信号的相位损失随之增加,滤波因子/>的取值取决于速度因子r的大小,二者负相关且作为外部调整参数,不参与参数寻优过程,由系统特性根据经验确定;fhan()为最速函数,能够在不发生超调的前提下合理的安排输入信号的过渡过程,/>表示中间变量,K为对连续时间t进行离散化之后的数字序列,取值范围为0,1,2,...N。
优选的,步骤1中扩张状态观测器模型的建立如下:
;
其中和/>分别为/>和/>的观测值,/>为观测的扰动值;/>为光伏太阳能水泵实际转速输出;/>和/>分别为/>和/>观测值的微分值,/>观测扰动值的微分值;/>为/>的观测值与光伏太阳能水泵实际转速输出的差值;/>为光伏太阳能水泵的控制输入;参数/>是决定补偿强弱的“补偿因子”;/>为fal()函数线性段的区间长度,取得过大时,扩张状态观测器模型仅工作在线性区;取得过小时,出现颤振现象;/>,/>,/>三个参数为扩张状态观测器的反馈增益,使用遗传变异结合粒子群优化算法对/>,/>,/>优化;函数fal()为非线性函数,具有小误差大增益,具体表达式如下:
;
为/>的观测值与光伏太阳能水泵实际转速输出的差值,a为常数,在0-1之间,a越小响应越快,噪声会大;/>为fal()函数线性段的区间长度,设在5倍和10倍采样周期之间;sgn()为符合函数,变量不小于0时函数值为1,变量小于0时函数值为-1;扩张状态观测器作为自抗扰控制器ADRC的核心对状态内外扰动进行实时的估计并补偿,对未知的扰动及不确定的因素进行“积分串联”处理,得到近似线性化。
优选的,步骤2中非线性状态误差反馈控制律模型的建立如下:
;
其中,为误差信号;/>为误差微分信号;/>,/>,/>,/>,为可调参数,/>为非线性状态误差反馈控制律的输出信号。
优选的,步骤3的具体过程如下:
S31、在设定的光照和温度条件下,根据光照递进实验的结果,获取光伏太阳能水泵的转速v、扩张状态观测器中的,/>,/>和非线性状态误差反馈控制律中的/>,/>的变化范围;
S32、确定最小目标函数J,具体表达式如下:
;
其中,Mp表示超调量;P表示功率,为/>的观测值与光伏太阳能水泵实际转速输出的差值;
S33、对遗传变异结合粒子群优化模型中的参数进行初始化,包括粒子群规模、迭代次数、惯性权重、迭代步长;
S34、计算个体粒子水泵设定转速v、扩张状态观测器中的,/>,/>和非线性状态误差反馈控制律中的/>,/>的适应度1/J,进行交叉操作和变异操作,更新粒子的历史最优和当前数值;
S35、更新迭代次数;
S36、判断更新的迭代次数是否到达阈值或计算个体粒子适应度是否达到收敛。若大于或达到收敛则执行S37;否则返回执行S34;
S37、输出最优的光伏太阳能水泵转速v、扩张状态观测器中的,/>,/>和非线性状态误差反馈控制律中的/>,/>的值。
因此,本发明采用上述基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,具有以下优点:
(1)通过建立试验模型,对正常工况和极限工况下的光伏太阳能水泵系统进行试验数据采集(包含:光照强度、温度、电压、电流),对扩张状态观测器中的,/>,/>和非线性状态误差反馈控制律中的/>,/>进行综合优化,实现进行在线参数寻优自主调节,达到最优的控制效果;
(2)使用遗传算法变异结合粒子群优化(GA-PSO)算法跟踪群体种类和样本最优粒子思想,结合自抗扰控制器较强的鲁棒性,实现功率点寻优,使系统在环境参数变化和负载扰动时,得到期望性能,达到精确期望的最大功率点运行状态,具有较强的鲁棒性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法的结构图;
图2是本发明基于改进自抗扰控制器的光伏水泵遗传算法变异结合粒子群优化(GA-PSO)算法的整体流程图。
具体实施方式
以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
请参阅图1-2,基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,包括以下步骤:
步骤1、利用光照递进实验方法获取光伏太阳能水泵的改进型自抗扰控制器中的跟踪-微分器模型和扩张状态观测器模型的整定参数,光伏太阳能水泵包括光伏太阳能板、水泵、控制器、温度传感器和数据采集系统;
其中跟踪-微分器模型的建立如下:
;
为输入信号光伏太阳能水泵转速v的跟踪输出,/>为/>的微分信号,/>为采样周期,参数/>为速度因子,决定信号的跟踪速度,与跟踪速度呈正相关;参数/>为滤波因子,与滤波效果呈正相关,当/>增大时跟踪信号的相位损失随之增加,滤波因子/>的取值取决于速度因子r的大小,二者负相关且作为外部调整参数,不参与参数寻优过程,由系统特性根据经验确定;/>表示中间变量,K为对连续时间t进行离散化之后的数字序列,取值范围为0,1,2,...N,fhan()为最速函数,能够在不发生超调的前提下合理的安排输入信号的过渡过程,具体表达式如下:
;
其中、/>、/>为简化公式表达所取得中间变量,具体计算方法如下:
;
;
;
;
;
;
;
;
扩张状态观测器模型的建立如下:
;
其中和/>分别为/>和/>的观测值,/>为观测的扰动值;/>为光伏太阳能水泵实际转速输出,/>和/>分别为/>和/>观测值的微分值,/>观测扰动值的微分值;/>为/>的观测值与光伏太阳能水泵实际转速输出的差值;/>为光伏太阳能水泵的控制输入;参数/>是决定补偿强弱的“补偿因子”;/>为fal()函数线性段的区间长度,取得过大时,扩张状态观测器模型仅工作在线性区;取得过小时,出现颤振现象;/>,/>,/>三个参数为扩张状态观测器的反馈增益,使用遗传变异结合粒子群优化算法对/>,/>,/>优化;函数fal()为非线性函数,具有小误差大增益,具体表达式如下:
;
为/>的观测值与光伏太阳能水泵实际转速输出的差值,a为常数,在0-1之间,a越小响应越快,噪声会大;/>为fal()函数线性段的区间长度,设在5倍和10倍采样周期之间;sgn()为符合函数,变量不小于0时函数值为1,变量小于0时函数值为-1;扩张状态观测器作为自抗扰控制器ADRC的核心对状态内外扰动进行实时的估计并补偿,对未知的扰动及不确定的因素进行“积分串联”处理,得到近似线性化。
步骤2、待跟踪-微分器和扩张状态观测器调整结束后,结合非线性状态误差反馈控制律对改进型自抗扰控制器进行整体参数整定;其中非线性状态误差反馈控制律模型的建立如下:
;
其中,为误差信号;/>为误差微分信号;/>,/>,/>,/>,为可调参数,u0为非线性状态误差反馈控制律的输出信号;
步骤3、将改进型自抗扰控制器引入基于功率跟踪的光伏太阳能水泵控制器中,采用扩张状态观测器ESO对光伏太阳能水泵在运行过程中受到的干扰进行观测及补偿,同时引入遗传变异结合粒子群优化GA-PSO的策略,对改进型自抗扰控制器参数进行全局寻优并进行功率点寻优,达到精确期望的最大功率点运行状态,使用光照递进实验过程中的数据进行遗传变异结合粒子群优化模型的训练,光照递进实验过程中的数据包括光照强度、温度、电压、电流;具体过程如下:
S31、在设定的光照和温度条件下,根据光照递进实验的结果,获取光伏太阳能水泵的转速v和扩张状态观测器中的,/>,/>和非线性状态误差反馈控制律中的/>,的变化范围;
S32、确定最小目标函数J,将光伏太阳能水泵的转速v和水泵实际转速y的绝对差值、超调量Mp和电压与电流乘积(P=U*I)的倒数,这三者结合构造出最小目标函数,具体表达式如下:
;
S33、对遗传变异结合粒子群优化模型中的参数进行初始化,包括粒子群规模、迭代次数、惯性权重、迭代步长;
S34、计算个体粒子(水泵设定转速v和扩张状态观测器中的,/>,/>和非线性状态误差反馈控制律中的/>,/>)的适应度1/J,进行交叉操作和变异操作,更新粒子的历史最优和当前数值;
S35、更新迭代次数;
S36、判断更新的迭代次数是否到达阈值或计算个体粒子适应度是否达到收敛。若大于或达到收敛则执行S37;否则返回执行S34;
S37、输出最优值;达到最优的光伏太阳能水泵转速v和扩张状态观测器中的,,/>和非线性状态误差反馈控制律中的/>,/>。
改进型自抗扰控制器结构设计后,其运行流程为:光伏太阳能水泵最大功率点跟踪的微分控制器由设定值v向过渡,并提出微分控制器的信号/>;由光伏太阳能水泵控制的输入信号u和光伏太阳能水泵转速输出y使用扩张状态观测器估计出光伏太阳能水泵运行的状态/>、/>和总扰动(包含未知)/>;通过计算/>,/>,经过非线性反馈控制律得出控制量/>;遗传变异结合粒子群优化模型使用光照递进实验过程中的数据(包含:光照强度、温度、电压、电流)进行训练,实现对改进型自抗扰控制器的参数进行全局在线自主调节寻优,并得到最佳参数组合;反馈的控制量/>减掉总扰动估计值/>进行估计补偿,得到最佳控制量,进而获得最佳跟踪点。
因此,本发明采用上述基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,能够通过扩张状态观测器对系统内外扰动进行扰动和补偿,引入遗传变异结合粒子群优化的策略,对自抗扰控制器中扩张状态观测器的,/>,/>和非线性状态误差反馈控制律的/>,/>进行综合优化,实现进行在线参数寻优自主调节,达到最优的控制效果。使得系统在参数变化和负载扰动时,仍能得到期望性能,具有较强的鲁棒性。同时遗传算法变异结合粒子群优化(GA-PSO)算法结合自抗扰控制器较强的鲁棒性,实现功率点寻优,使系统在环境参数变化和负载扰动时,仍能得到期望性能,达到精确期望的最大功率点运行状态。
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进行限制,尽管参照较佳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:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (4)
1.一种基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,其特征在于,包括以下步骤:
步骤1、利用实验方法获取光伏太阳能水泵的改进型自抗扰控制器中的跟踪-微分器模型和扩张状态观测器模型的整定参数;
步骤2、待跟踪-微分器和扩张状态观测器调整结束后,结合非线性状态误差反馈控制律对改进型自抗扰控制器进行整体参数整定;
步骤3、将改进型自抗扰控制器引入基于功率跟踪的光伏太阳能水泵控制器中,采用扩张状态观测器ESO对光伏水泵在运行过程中受到的干扰进行观测及补偿,同时引入遗传变异结合粒子群优化GA-PSO的策略,对改进型自抗扰控制器参数进行全局寻优并进行功率点寻优,达到精确期望的最大功率点运行状态;
步骤1中跟踪-微分器模型的建立如下:
为输入信号光伏太阳能水泵转速v的跟踪输出,/>为/>的微分信号,/>为采样周期,参数/>为速度因子,决定信号的跟踪速度,与跟踪速度呈正相关;参数/>为滤波因子,与滤波效果呈正相关,当/>增大时跟踪信号的相位损失随之增加,滤波因子/>的取值取决于速度因子r的大小,二者负相关且作为外部调整参数,不参与参数寻优过程,由系统特性根据经验确定;fhan()为最速函数,能够在不发生超调的前提下合理的安排输入信号的过渡过程,/>表示中间变量,K为对连续时间t进行离散化之后的数字序列,取值范围为0,1,2,...N;
步骤1中扩张状态观测器模型的建立如下:
其中和/>分别为/>和/>的观测值,/>为观测的扰动值;/>为光伏太阳能水泵实际转速输出,/>和/>分别为/>和/>观测值的微分值,/>观测扰动值的微分值;/>为/>的观测值与光伏太阳能水泵实际转速输出的差值;/>为光伏太阳能水泵的控制输入;参数/>是决定补偿强弱的“补偿因子”;/>为fal()函数线性段的区间长度;/>, />, />三个参数为扩张状态观测器的反馈增益,使用遗传变异结合粒子群优化算法对/>, />, />优化;函数fal()为非线性函数,具有小误差大增益,具体表达式如下:
为/>的观测值与光伏太阳能水泵实际转速输出的差值,a为常数,在0-1之间,a越小响应越快,噪声会大;/>为fal()函数线性段的区间长度,设在5倍和10倍采样周期之间;sgn()为符合函数,变量不小于0时函数值为1,变量小于0时函数值为-1;扩张状态观测器作为自抗扰控制器ADRC的核心对状态内外扰动进行实时的估计并补偿,对未知的扰动及不确定的因素进行“积分串联”处理,得到近似线性化;
步骤2中非线性状态误差反馈控制律模型的建立如下:
其中,为误差信号;/>为误差微分信号;a1,a2,/>, />,为可调参数,u0为非线性状态误差反馈控制律的输出信号;
步骤3的具体过程如下:
S31、在设定的光照和温度条件下,根据光照递进实验的结果,获取光伏太阳能水泵的转速v、扩张状态观测器中的, />, />和非线性状态误差反馈控制律中的/>, />的变化范围;
S32、确定最小目标函数J,具体表达式如下:
其中,Mp表示超调量;P表示功率,为/>的观测值与光伏太阳能水泵实际转速输出的差值;
S33、对遗传变异结合粒子群优化模型中的参数进行初始化,包括粒子群规模、迭代次数、惯性权重、迭代步长;
S34、计算个体粒子水泵设定转速v、扩张状态观测器中的, />, />和非线性状态误差反馈控制律中的/>, />的适应度1/J,进行交叉操作和变异操作,更新粒子的历史最优和当前数值;
S35、更新迭代次数;
S36、判断更新的迭代次数是否到达阈值或计算个体粒子适应度是否达到收敛,若大于或达到收敛则执行S37;否则返回执行S34;
S37、输出最优的光伏太阳能水泵转速v、扩张状态观测器中的, />, />和非线性状态误差反馈控制律中的/>, />的值。
2.根据权利要求1所述的基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,其特征在于:通过光照递进实验来获取光伏太阳能水泵的改进型自抗扰控制器中的跟踪-微分器模型和扩张状态观测器模型的整定参数,且使用光照递进实验过程中的数据进行遗传变异结合粒子群优化模型的训练。
3.根据权利要求2所述的基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,其特征在于:光照递进实验过程中的数据包括光照强度、温度、电压、电流。
4.根据权利要求1所述的基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法,其特征在于:光伏太阳能水泵包括光伏太阳能板、水泵、控制器、温度传感器和数据采集系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410312441.9A CN117908629B (zh) | 2024-03-19 | 基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410312441.9A CN117908629B (zh) | 2024-03-19 | 基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117908629A CN117908629A (zh) | 2024-04-19 |
CN117908629B true CN117908629B (zh) | 2024-06-04 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739292A (zh) * | 2019-01-23 | 2019-05-10 | 济南大学 | 光伏系统mppt模糊自抗扰控制方法、控制器及系统 |
CN110957750A (zh) * | 2019-12-11 | 2020-04-03 | 昆明理工大学 | 一种基于自抗扰控制方法的光伏储能系统控制策略 |
CN111061332A (zh) * | 2019-12-31 | 2020-04-24 | 深圳市英威腾电气股份有限公司 | 光伏水泵mppt方法、装置、设备及可读存储介质 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739292A (zh) * | 2019-01-23 | 2019-05-10 | 济南大学 | 光伏系统mppt模糊自抗扰控制方法、控制器及系统 |
CN110957750A (zh) * | 2019-12-11 | 2020-04-03 | 昆明理工大学 | 一种基于自抗扰控制方法的光伏储能系统控制策略 |
CN111061332A (zh) * | 2019-12-31 | 2020-04-24 | 深圳市英威腾电气股份有限公司 | 光伏水泵mppt方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
FLC based Gaussian membership functions tuned by PSO and GA for MPPT of photovoltaic system: A comparative study;Noureddine Bouarroudj等;《2017 6th International Conference on Systems and Control (ICSC)》;20170626;317-322 * |
光伏泵送系统的优化运行及控制研究;谭祺钰;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20230215(第02期);1-67 * |
基于GA-PSO的分布式光伏发电最大功率跟踪控制;张云龙;袁建华;吴仕玄;陈宇;;水电能源科学;20170125(第01期);212-214 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105680750B (zh) | 基于改进模型补偿adrc的pmsm伺服系统控制方法 | |
CN111982302B (zh) | 一种带噪声滤波和环境温度补偿的测温方法 | |
CN111413872B (zh) | 基于扩张状态观测器的空气容腔压力快速主动抗扰方法 | |
CN110687800B (zh) | 一种数据驱动自适应抗干扰控制器及其估计方法 | |
CN105888971B (zh) | 一种大型风力机叶片主动降载控制系统及方法 | |
CN111608868B (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN111106772B (zh) | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 | |
CN108873698B (zh) | 一种抗扰动两阶段定点伺服控制方法 | |
CN117908629B (zh) | 基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法 | |
CN115097736A (zh) | 一种基于深度强化学习的自抗扰控制器参数优化方法 | |
CN113738606B (zh) | 一种针对离子电推进系统的连续变推力最优控制系统和方法 | |
CN117908629A (zh) | 基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法 | |
CN116627028B (zh) | 交联电缆生产线控制方法 | |
CN108549207A (zh) | 一种水轮机调节系统控制参数的方法 | |
CN110488600B (zh) | Lqr优化型无刷直流电机调速神经网络pid控制器 | |
CN112648717A (zh) | 一种基于径向基神经网络的多区域变风量空调系统末端控制方法 | |
CN114488811B (zh) | 一种基于二阶沃尔泰拉模型预测的温室环境节能控制方法 | |
CN115220352A (zh) | 基于有限时间指令滤波器的自适应跟踪控制方法及系统 | |
CN112711187B (zh) | 一种燃煤机组干式电除尘器多电场协同控制方法 | |
CN112748657B (zh) | 基于自适应遗传算法旋转惯导自抗扰控制器参数整定方法 | |
CN113589862A (zh) | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 | |
CN109672380B (zh) | 五自由度无轴承永磁同步电机悬浮力子系统解耦控制器 | |
CN113283006A (zh) | 基于rbf神经网络控制燃料电池电堆多参数响应方法 | |
CN112346342A (zh) | 一种非仿射动力学系统的单网络自适应评价设计方法 | |
CN112859588B (zh) | 一种快速降低铅铋快堆余热排放温度的控制装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |