使用传统控制器的LLC谐振变换器,在负载变化频繁时,会出现输出电压超调大和调节时间长等问题。为此提出一种基于模型辅助自抗扰控制(Model-assisted active disturbance rejection control,MADRC)策略。首先在扩展描述函数法的基础上,建...使用传统控制器的LLC谐振变换器,在负载变化频繁时,会出现输出电压超调大和调节时间长等问题。为此提出一种基于模型辅助自抗扰控制(Model-assisted active disturbance rejection control,MADRC)策略。首先在扩展描述函数法的基础上,建立LLC谐振变换器的小信号模型,通过降阶处理得到LLC变换器的传递函数。然后提出将模型辅助自抗扰控制应用于LLC谐振变换器的电压环路中,详细介绍模型辅助自抗扰控制器的设计过程,对比系统经过PID控制器、线性自抗扰控制器和模型辅助自抗扰控制器补偿后的伯德图。最后为验证设计效果,搭建了一台额定功率为300 W的试验样机。通过对PID控制器、线性自抗扰控制器(Linear active disturbance rejection control,LADRC)和模型辅助自抗扰控制器三种控制器的对比试验,证明了模型辅助自抗扰控制器在负载扰动下具有更好的快速性和鲁棒性。展开更多
目前,代理模型辅助的进化算法是提高复杂优化问题的计算效率的一种有效手段。其中,模型管理在代理辅助进化优化中起着至关重要的作用。提出了一种基于多目标加点规则的高斯过程模型辅助社会微粒群算法(Multi-objective infill criterion...目前,代理模型辅助的进化算法是提高复杂优化问题的计算效率的一种有效手段。其中,模型管理在代理辅助进化优化中起着至关重要的作用。提出了一种基于多目标加点规则的高斯过程模型辅助社会微粒群算法(Multi-objective infill criterion based Gaussian Process model assisted Social learning particle swarm optimization,MICGP-SLPSO)。将多目标的方法引入模型管理中,提出多目标加点规则,进而发展了一种新的基于代理模型的微粒群算法优化策略。选用高斯过程构造代理模型,采用微粒群算法对所构造的代理模型进行优化,根据已知信息,将期望改进准则(EI)及统计下限最小值准则LCB作为两个目标,用来确定哪些候选解进行实际计算。将本优化策略用于基准函数测试问题和阶梯悬臂梁设计优化实例,并与国内外现有研究成果进行比较,证明了MICGP-SLPSO在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势。展开更多
文摘使用传统控制器的LLC谐振变换器,在负载变化频繁时,会出现输出电压超调大和调节时间长等问题。为此提出一种基于模型辅助自抗扰控制(Model-assisted active disturbance rejection control,MADRC)策略。首先在扩展描述函数法的基础上,建立LLC谐振变换器的小信号模型,通过降阶处理得到LLC变换器的传递函数。然后提出将模型辅助自抗扰控制应用于LLC谐振变换器的电压环路中,详细介绍模型辅助自抗扰控制器的设计过程,对比系统经过PID控制器、线性自抗扰控制器和模型辅助自抗扰控制器补偿后的伯德图。最后为验证设计效果,搭建了一台额定功率为300 W的试验样机。通过对PID控制器、线性自抗扰控制器(Linear active disturbance rejection control,LADRC)和模型辅助自抗扰控制器三种控制器的对比试验,证明了模型辅助自抗扰控制器在负载扰动下具有更好的快速性和鲁棒性。
文摘目前,代理模型辅助的进化算法是提高复杂优化问题的计算效率的一种有效手段。其中,模型管理在代理辅助进化优化中起着至关重要的作用。提出了一种基于多目标加点规则的高斯过程模型辅助社会微粒群算法(Multi-objective infill criterion based Gaussian Process model assisted Social learning particle swarm optimization,MICGP-SLPSO)。将多目标的方法引入模型管理中,提出多目标加点规则,进而发展了一种新的基于代理模型的微粒群算法优化策略。选用高斯过程构造代理模型,采用微粒群算法对所构造的代理模型进行优化,根据已知信息,将期望改进准则(EI)及统计下限最小值准则LCB作为两个目标,用来确定哪些候选解进行实际计算。将本优化策略用于基准函数测试问题和阶梯悬臂梁设计优化实例,并与国内外现有研究成果进行比较,证明了MICGP-SLPSO在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势。
