多变量系统的变时滞无模型预测滤波PID控制

针对已有多变量紧格式动态线性化方法的泛模型仅适用于干扰为常值干扰和慢变化干扰的系统,在泛模型中加入辅助向量和时变时滞,当干扰为常值和慢变化情形时,提出一种更加有效的多变量紧格式动态线性化方法的泛模型。采用多变量增量型预测滤波PID控制,基于可克服算法病态的非线性递推最小二乘算法对PID控制参数在线优化,给出多变量系统的在线修正参数的变时滞无模型自适应预测滤波PID控制算法。结果表明,因提出的PID控制算法具有在线修正参数性能和无模型自适应预测控制功能,具有优良的控制效果。

RBF神经网络整定参数的预测滤波PID控制

针对非线性系统采用常规PID控制效果不佳的问题,通过径向基函数(RBF)神经网络构建系统的辨识器,推导了辨识器输出关于RBF神经网络参数的梯度及二阶导数矩阵。采用直接极小化指标函数自适应算法,实现RBF神经网络的输出权和节点中心及节点基宽参数的在线学习算法。基于增量式预测滤波PID控制,应用最速下降法对增量式预测滤波PID控制参数进行在线优化,提出基于RBF神经网络在线整定参数的预测滤波PID控制算法。仿真研究表明,因算法具有在线整定参数和预测控制性能,故具有良好的动、静态性能。

基于GSA-GPC水电机组预测控制

随着风、光等可再生能源大量馈入,电网结构日趋复杂。在此背景下,水电机组将根据需要经常处于变工况运行,运行环境变得恶劣,其传统的PID控制策略显然难以实现各种复杂工况下的最优控制。为此,将广义预测控制(GPC)应用于水电机组,并基于引力搜索算法(GSA)对其参数进行优化,实现了水电机组基于GSA-GPC的自适应预测控制。仿真结果表明,相比传统的PID控制器,设计的基于GSA-GPC的自适应预测控制器在不同工况下均有优异的调节性能,实现了水电机组多工况下最优控制。

基于灰色模型的自抗扰控制在负荷控制中的应用研究

火电厂钢球磨煤机的负荷对象具有大滞后、慢时变、强非线性等复杂特性,采用常规控制方法难以获得满意的控制效果,文章提出了基于灰色预测模型的自抗扰负荷控制方法,它把灰色预测模型与自抗扰控制结合起来,在常规的自抗扰控制中加入灰色预测模型的控制方法,并且控制系统的参数采用自适应遗传算法进行优化;仿真结果表明这种控制方法系统响应快、超调小、鲁棒性好、抗干扰能力强,可以有效解决大滞后、非线性及适应性等问题。

混合动力汽车发动机在怠速状态下的控制

针对发动机进入怠速状态下时,存在超调过大和响应速度慢的问题,提出一种Runge-Kutta预测自适应PID算法来对油电混合动力汽车的发动机进行怠速跟踪控制。首先通过Runge-Kutta对系统状态进行预测计算,得出下一步的系统预测输出,再由设定值与预测输出值得出两者偏差信号,结合最优梯度下降法在线修正PID参数,使得系统实现事先调整进而快速进入发动机怠速状态的目的,这样也有利于降低整车燃油消耗。从最终的仿真结果来看,超调和响应时间都有了很大的改善,从而验证了该方法的有效性和可行性。