改进重置粒子群算法在MPC调速系统中的应用

提出一种改进重置粒子群优化算法,用于模型预测控制器多参数的整定优化。改进算法分为三个搜索阶段:"全局搜索"阶段采用Neumann邻域粒子群优化算法,实现全局搜索能力和收敛速度间的均衡;"局部搜索"阶段采用无导数拟牛顿BFGS算法,提高收敛速度和收敛精度;"动态重置"阶段对满足重置条件的子群进行重置,解决收敛早熟问题。利用标准测试函数对4种粒子群优化算法进行比较分析,结果表明改进重置粒子群优化算法在收敛效率、收敛精度与通用性方面占据优势。将改进重置粒子群优化算法应用于模型预测控制永磁同步电动机调速系统,仿真结果表明最优参数能够保证计算得到优化控制律,从而实现系统性能的改善。     

改进的BP神经网络PID控制器在温室环境控制中的研究

为了更好的实现对温室环境系统的智能控制,针对温室环境系统存在非线性、强耦合、大滞后、强时变等问题,在分析BP神经网络技术的基础上,提出并设计出一种基于遗传粒子群优化的BP神经网络PID控制器,该控制器结合遗传算法强全局搜索能力以及粒子群算法强局部搜索能力和收敛速度快的特点,对神经网络的权值进行优化,对温室环境系统起到了有效的控制。最后对常规和改进后的BP神经网络PID控制器进行仿真对比研究。仿真结果表明,经过改进后的BP神经网络PID控制有更好的稳定性和鲁棒性。     

基于大数据和双量子粒子群算法的多变量系统辨识

针对智能算法与历史大数据相结合进行多变量系统辨识过程中不能精确量化每个子系统数学模型的问题,提出了一种有效的数据并行优化计算的解决方案。在辨识过程中,为了解决量子粒子群算法(quantum particle swarm optimization ,QPSO)收敛速度和寻优精度方面的不足,提出了一种改进的 QPSO 算法--双量子粒子群算法(double quantum particle swarm optimization ,D-QPSO)。该算法对粒子种群编码和原有的进化搜索策略同时进行了量子化处理,经过测试函数实验,改进的算法在搜索能力上优于 PSO 和QPSO算法。最后利用现场运行历史数据,通过D-QPSO算法进行参数估计,将设计的解决方案应用于热力发电厂负荷控制系统的传递函数辨识中,得到的模型为控制器的设计与优化奠定了基础。     

求解机组组合问题的嵌入贪婪搜索机制的改进粒子群优化算法

提出了一种求解机组组合问题的嵌入贪婪搜索机制的改进粒子群优化算法。其特点包括:采用固定阈值处理表示机组运行状态的0、1整型变量,从而可直接应用粒子群算法求解机组组合问题,避免求解各时段中的经济负荷分配子问题;在粒子群算法迭代过程中应用变异操作更新进化速度缓慢的粒子,增强了算法的搜索能力;算法收敛后,采用基于优先列表的贪婪搜索机制做进一步寻优,既加快了算法收敛速度,又提高了解的质量。算例结果表明所提出的方法在求解机组组合问题时具有很强的搜索能力和适应性。     

基于改进PSO算法的微能源网优化配置研究

微能源网优化配置的求解算法存在易陷入局部搜索和收敛速度低两大缺陷,如何同时解决这两个缺陷是一直以来的研究难点。针对这一问题,提出了基于时变压缩因子和自适应变异的改进粒子群算法。针对经济优化配置,建立了包括多种分布式设备的微能源网架构模型和以年经济成本最低为目标,计及可靠性并含多种约束的优化配置模型。最后,结合具体算例,将改进粒子群算法运用于模型中,得到各分布式设备的配置方案和最优年经济成本,对比验证改进粒子群算法性能。实验结果表明：改进粒子群算法较好地提高了算法的收敛速度和全局收敛能力;微能源网优化配置模型实现了低经济性和高可靠性的有效结合。     

基于混合量子粒子群算法的梯级水电站群调度

针对标准量子粒子群（QPSO）算法在求解复杂梯级水电站群联合调度问题时存在的早熟收敛、停滞寻优等不足,提出了一种耦合两重改进策略优势的混合量子粒子群（HQPSO）算法：首先对个体极值按照一定的概率进行变异搜索操作,以增加个体多样性、强化种群全局开采能力;而后建立外部档案集合来存储进化过程中的部分精英个体,利用基于动态概率辨识机制的单纯形算子指导外部档案集中的个体开展邻域寻优,以提高算法搜索能力、避免陷入局部最优。乌江流域实践结果表明：HQPSO算法的收敛速度与全局搜索能力得到增强,有效克服了QPSO的缺陷与不足,具有一定的工程实际应用价值。     

基于多策略分区勘探粒子群算法的主蒸汽温度优化控制

为满足火电机组快速深度变负荷工况下主蒸汽温度控制器参数整定需求,将选择算子、自适应学习因子、自适应惯性权重系数引入标准粒子群算法中,提出多策略分区勘探粒子群算法。该方法根据适应度评价指标,将种群划分为标准粒子群操作区、选择算子操作区、自适应学习因子操作区、自适应惯性权重系数操作区4个分区,以充分发挥各寻优策略的优势,保证算法具有较高收敛精度,同时具有较快的收敛速度。与其他5种改进粒子群算法进行对比实验,结果表明:本文所提算法寻优精度高,收敛时间短。将本文算法与衰减曲线法、3种改进粒子群算法分别应用于主蒸汽温度串级PID控制器参数优化,仿真实验结果验证了本文算法的有效性。     

基于帐篷映射的混沌自适应粒子群优化算法在同步发电机励磁控制中的应用

针对励磁控制系统中比例–积分–微分控制参数整定难的问题,提出了一种基于帐篷映射的混沌自适应权重粒子群优化算法对控制器参数进行优化,采用2级优化策略,第1级采用自适应权重粒子群优化算法执行全局搜索;第2级采用基于帐篷映射的混沌搜索对第1级的结果执行局部遍历搜索,并通过在粒子群算法中引入自适应权重及在混沌局部搜索中采用帐篷映射的方法对混沌粒子群搜索算法进行改进,解决了常规粒子群算法易陷入局部极值且在迭代后期收敛效率低的问题,在建立励磁控制系统简单模型的基础上,实现同步发电机励磁系统的参数优化控制。仿真研究表明,新方法与常规粒子群方法相比具有更好的收敛速度和精度,能有效改善励磁控制系统空载起励和孤网过渡过程的动态性能。     

基于优化PSO算法的SCR脱硝控制器研究

针对SCR脱硝控制系统中的PID参数整定困难,提出一种优化粒子群算法的PID控制器参数整定方法。该算法利用已知粒子信息得到适应度函数值的估值,在估值策略中,引入粒子间的相似度和粒子的可信度评价方法,增加适应度函数值估计次数和准确性,减少适应度函数值计算次数,提高算法性能。将优化的粒子群算法用于优化SCR脱硝系统中PID控制器参数,与传统整定PID控制器参数方法相比,基于适应值估值策略的粒子群算法整定PID控制器参数收敛速度快,系统内回路响应上升速度快、时间短,外回路静态误差小、无超调等优点,较好地满足SCR脱硝系统的动态特性。     

基于改进粒子群算法的无功优化

提出一种改进粒子群算法求解无功优化问题。该算法根据粒子的适应度进行排序,依据排序确定粒子的速度范围:排序靠前(较优)的粒子具有较小的速度范围,排序靠后(较差)的粒子具有较大的速度范围,较好地平衡算法的局部和全局搜索;对全局最优粒子进行克隆和变异,提高算法的收敛速度和收敛精度。同时,对种群中的较差粒子接种疫苗,以较大概率提高粒子的质量,进一步提高算法的收敛速度。对IEEE30节点系统进行仿真,与遗传算法(GA)和粒子群算法(PSO)相比,该算法具有全局搜索能力强、收敛速度快和收敛精度高的特点。     

基于改进PSO算法的优化特定消谐PWM技术

提出一种改进的粒子群优化（Particle Swarm Optimization,PSO）算法,与传统PSO算法的区别是借鉴模拟退火算法,当微粒个体的适应值小于个体最优值时,以一定的概率接受为个体的最优值。这种处理可以增大算法的全局搜索能力,避免陷入局部最小值。应用改进PSO算法对特定消谐PWM的开关角进行求解,算例证明可以在更小的误差范围内找到方程的解。     

基于改进HPSO算法的风电场内部无功优化研究

双馈风电机组(DFIG)是当前风电场的主流机型之一,具有有功功率和无功功率可解耦控制的优点。将风电场中每一台DIFG机组作为单独的连续无功源,以每台DIFG机组无功出力为控制变量,把双馈风电场内部有功网损设为目标函数建立无功优化模型。为了减少风电场内部有功网损并稳定节点电压,在基本粒子群(PSO)算法的基础上引入了自适应权重和遗传算法中的杂交概念,提出了一种混合PSO算法,并将该方法应用于风电场内部无功优化模型求解。以华北地区某风电场为例,在MATLAB软件中采用改进HPSO算法对所建立的无功优化模型进行了求解,求解结果与基本PSO算法和线性递减权重的PSO算法相比,改进HPSO算法收敛速度更快且结果更优,验证了文中模型和算法的正确性。     

基于模拟退火粒子群算法的波浪发电系统最大功率跟踪控制

波浪发电系统最大功率点跟踪控制中,传统粒子群算法存在早熟收敛和局部搜索能力不足问题,为此提出基于模拟退火算法的粒子群优化方案。该算法每次更新粒子的速度和位置时,通过比较当前温度下各个粒子的适配值与随机数的大小,从所有粒子中确定全局最优解的替代值,从而使粒子群算法在发生早熟收敛时能够跳出局部最优并快速找到全局最优解。仿真结果表明,与传统粒子群优化算法相比,模拟退火粒子群算法可有效避免波浪发电系统陷入局部最大功率点,并快速实现全局最大功率跟踪,提高了波浪能捕获率。     

改进粒子群算法在PID参数整定中的应用

PID控制是过程控制中应用最广泛的控制方法,其关键在于PID参数的优化。针对其参数整定和优化问题,提出了一种改进的粒子群优化算法。仿真结果证明了该算法的有效性,其性能优于遗传算法和基本微粒群算法,具有一定的工程应用前景。     

改进型PSO在过热汽温PID控制系统中的应用

通过采用改进的粒子群优化(PSO)算法对锅炉过热汽温中的PID参数进行优化,分析了传统过热汽温控制方案的不足,提高了整个系统的鲁棒性.该方法的应用使得过热汽温得到了良好的控制,提高了经济运行效益,同时也说明了改进的粒子群算法寻优简单,能够使控制系统获得较好的动态特性和很强的鲁棒性,易于并行化.仿真结果表明,该算法是一种...     

基于改进的PSO-BP神经网络的无刷直流电机控制

实时检测无位置传感器的无刷直流电机运行过程中的转子位置,并输出相应的开关管导通与关断信号是控制无刷直流电机的一项关键技术.本文针对神经网络控制存在开关管误导通的问题,引入非线性的惯性权重因子并采用异步时变的学习因子改进策略对标准粒子群算法(PSO)进行改进,通过改进的PSO算法对BP神经网络进行优化,进而控制无位置传感器无刷直流电机的换相顺序.仿真实验表明,采用基于改进的PSO-BP神经网络方法控制无刷直流的运行,可以取得满意的结果.     

基于改进型PSO算法的过热汽温PID参数优化

通过采用改进的粒子群优化（PSO）算法对锅炉过热汽温中的PID参数进行优化,分析了传统过热汽温控制方案的不足,提高了整个系统的鲁棒性。其应用使过热汽温得到了良好的控制,且提高了经济运行效益,同时也说明了改进的粒子群算法寻优简单,能够使控制系统获得较好的动态特性和很强的鲁棒性,易于并行化。仿真结果表明,该算法是一种效率很高的寻优方法,是PID参数优化的理想方法。     

自适应多策略粒子群算法在水库群优化调度中的应用

根据梯级水电站优化调度特点,建立粒子群算法求解多阶段最优化问题数学模型.针对基本粒子群算法(PSO)在早期存在精度较低、易发散等缺点,后期出现"趋同性"和"早熟"等现象,提出了自适应多策略粒子群算法.并将该算法与基本PSO、改进型PSO、杂交PSO和收敛因子PSO分别在雅砻江梯级水库群优化调度中应用,通过对其优化结果的比较,验证了改进算法在加快收敛速度和提高算法精度方面的有效性.     

基于改进粒子群算法的水轮机调速系统参数优化研究

水轮机调速系统控制效果对于提高水轮发电机组工作效率以及提升电能质量具有非常重要的作用,因此,对其进行有效控制具有非常重要的应用价值,为了能够弥补传统水轮机调速系统控制的缺陷,将改进粒子群算法应用于水轮机调速系统地参数优化。首先,分析了水轮机调速系统的基本原理;其次,分析了水轮发电机组调速系统的模糊PID控制算法;然后,讨论了改进粒子群算法的基本理论,设计了相应的数学模型和算法流程;最后,进行了基于改进粒子群算法的水轮机调速系统的参数优化仿真,仿真结果表明,改进粒子群算法能够有效地提高水轮机调速系统的可靠性。     

动态惯性权重粒子群优化算法

针对基本粒子群优化(Particle Swarm Optimization,PSO)算法的不足,提出动态惯性权重粒子群优化算法,其惯性系数随算法进化而动态减少。仿真结果验证了该改进算法的有效性:算法的收敛速度比基本PSO算法的收敛速度快;同时,算法得到的最优解比基本PSO算法好。