在线优化参数的无模型PID预测函数控制

针对复杂非线性系统难以建模的控制问题,采用具有辅助变量紧格式动态线性化泛模型的无模型自适应控制方案,结合PID预测函数控制,并对目标函数进行改进,提出广义目标函数,给出无模型PID预测函数控制,采用直接极小化指标函数自适应优化算法对PID控制参数寻优,给出PID控制参数的在线优化算法。仿真研究表明算法的控制响应优良。

基于PSO磁悬浮球系统自适应灰预测控制

目的针对磁悬浮球系统非线性不稳定和滞后性的问题,提出一种基于粒子群优化的自适应灰色预测PID(Proportion Integration Differentiation)复合控制策略。方法通过在PID控制模块的反馈环中引入具有等维新息特征的灰色预测器,对系统误差进行及时反馈修正,以提高控制系统的响应速度和鲁棒性;同时,融合粒子群智能算法对控制器参数迭代优化,以提高控制系统控制精度和抗干扰能力;最后,在MATLAB/Simulink环境下搭建仿真平台进行对比实验。结果验证基于粒子群优化的自适应灰预测控制系统模型的超调量、峰值时间、调节时间显著改善。结论证实该策略可以有效抑制系统滞后性,具有良好的稳定性和鲁棒性。

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。

基于人工鱼群算法的永磁同步电机模型预测控制研究（英文）

针对基于模型预测控制算法的永磁同步电动机的控制问题,提出了一种基于人工鱼群算法的改进型PID-模型预测控制算法。首先构建了基于矩阵变换器的永磁同步电机系统模型,并采用了新的输入滤波器。然后利用人工鱼群算法完成PID-模型预测控制中的参数整定,从而解决了原有算法参数优化精度不高的问题,能够迅速地获得全局最优解。永磁同步电动机的力矩控制性能仿真实验结果表明:相比原有PID-模型预测控制算法,提出算法具有更快的收敛速度和控制效果。

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。

油料输送温度的智能预测控制

针对油料加热输送过程中具有大时滞非线性特点的流动加热控制问题,提出了一种智能预测控制方法。该方法采用自适应粒子群优化算法(APSO)辨识和优化预测模型及控制器的PID控制参数,克服油料流动加热控制模型的失配及系统的不确定性。通过对已知模型的仿真,以及与自整定PID控制的比较表明,该方法具有较好的控制效果。

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。

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。