P型迭代学习控制在振动主动控制的应用

振动主动控制主要目的就是利用有效的控制方法达到振动的抑制,尽量减少有害的振动。研究了P型迭代学习控制算法的收敛性,并且针对周期性震动源,探讨了将该算法在振动主动控制中应用。对2-自由度质量弹簧阻尼系统进行仿真实验,结果表明,该算法具有更为良好的性能,特别在低频下,能在较短的时间内使得系统位移为零,达到减震的效果。

学习方法整定电力系统非线性控制器参数

将迭代学习方法、递增式学习方法引入电力系统可控基金项目 :国家自然科学基金 ( 5 963 70 5 0 )、电力工业部、东北电力集团联合资助。串补非线性控制器的参数整定 ,并根据实际电力系统的强非线性和动态过程等特点 ,将这些学习方法加以改进 :将离线迭代学习改进为在线等周期学习 ,再改进为在线非等周期学习 ;将离线递增式学习法的定义在连续集上的目标函数变为“点”目标函数 ,从而可进行在线学习 ;在此基础上 ,为了使学习参数在系统遭受大扰动时有满意的效果 ,在学习方法中利用了非线性特性。改进后的学习方法高效、简便、实用、易行 ,为控制器参数的整定提供了新方法。数字仿真结果表明 :在同样的计算条件下 ,非等周期迭代学习方法优于等周期学习方法 ,递增式学习方法优于非等周期迭代学习方法。控制器采用学习参数将有更好的品质特性 ,具有较好的动态性能和较强的鲁棒性。

基于迭代学习的输电线路风险态势感知系统设计

为了提升风险态势感知效果,充分利用电力资源,利用迭代学习算法较强适应性及输出结果逼近理想结果的特点,设计基于迭代学习的输电线路风险态势感知系统。经数据处理模块建立负载均衡调度映射方案后,利用萤火虫算法分配输电线路风险信息;构建风险态势感知模块,使用迭代学习算法,依据分配后的线路风险信息建立输电线路风险态势感知跟踪器,实现输电线路风险态势感知。实例分析结果表明:当信息量达到10000时,系统的最小迁移代价数值为0.19,信息分配能力强,风险态势感知能力卓越,资源利用较充分。系统感知的输电线路运行情况评分与实际评分完全相同,可以准确感知输电线路风险态势,为相关研究提供参考。

连续生产流水线深度强化学习优化调度算法

为了提高连续生产流水线的调度效果,提升生产线的加工效率,提出连续生产流水线深度强化学习优化调度算法。首先,结合蒙特卡罗算法和贝叶斯评估方法降低连续生产线流水线问题的数据复杂度;其次,采用深度神经网络模型优化流水线调度参数,对其进行评估及编码;最后,将迭代贪婪算法与深度强化学习方法结合,对调度数据问题实施模型求解,实现连续生产流水线调度。试验结果表明:本文算法的调度结果最优,综合评价结果均高于0.9531,工序延时优化至5 min以下,收敛速度较快,提升了生产线的加工效率。