光伏阵列在局部阴影条件下P-U曲线会出现多个峰值,传统的粒子群优化PSO(particle swarm optimization)算法无法快速精确地搜寻到最大功率点。针对这种情况,本文提出1种基于混沌映射和高斯扰动的改进粒子群优化算法最大功率点跟踪MPPT(ma...光伏阵列在局部阴影条件下P-U曲线会出现多个峰值,传统的粒子群优化PSO(particle swarm optimization)算法无法快速精确地搜寻到最大功率点。针对这种情况,本文提出1种基于混沌映射和高斯扰动的改进粒子群优化算法最大功率点跟踪MPPT(maximum power point tracking)控制策略。首先引入混沌Sine映射构造1种非线性随机递增惯性权重,并在粒子群的“个体认知”部分引入高斯扰动,同时利用对数函数构造学习因子,形成基于混沌映射和高斯扰动的改进粒子群算法;通过对6种典型单峰、多峰函数的测试,证明该算法收敛速度更快,不易陷入局部最优;将算法应用于MPPT控制中,并进一步通过不同算法MPPT控制进行对比仿真研究。对比仿真结果表明:在均匀光照强度、局部静态遮荫和动态遮荫3种情况下,基于混沌映射和高斯扰动的改进粒子群优化算法MPPT控制策略均具有更快的收敛速度和更小的搜索振荡幅度,能准确地搜寻到最大功率点,具有更高的寻优精度,从而提高了MPPT系统的发电效率。展开更多
针对电动调节阀控制系统在实际生产过程中存在的非线性、多扰动等问题,提出一种基于改进蚁群算法优化单神经元PID(proportional integral derivative)的控制方法并将其应用于阀门开度控制中。该方法利用单神经元网络的自学习和自适应能...针对电动调节阀控制系统在实际生产过程中存在的非线性、多扰动等问题,提出一种基于改进蚁群算法优化单神经元PID(proportional integral derivative)的控制方法并将其应用于阀门开度控制中。该方法利用单神经元网络的自学习和自适应能力,实现PID控制参数的在线整定,并采用改进的蚁群优化算法优化单神经元PID中的学习速率和神经元比例系数,有效克服了单神经元PID中的学习速率和神经元比例系数因经验设定而无法达到预期控制效果的不足。仿真对比结果显示,相比于传统PID、单神经元PID以及基于蚁群优化算法优化单神经元PID 3种控制方法,本文提出的控制方法超调量分别减少了10.2%、6.1%和1.8%,同时调节时间也相应缩短了0.22、0.07、0.03 s,并且表现出更强的自适应和抗干扰能力,能够使阀门开度控制更加稳定可靠。展开更多
文摘光伏阵列在局部阴影条件下P-U曲线会出现多个峰值,传统的粒子群优化PSO(particle swarm optimization)算法无法快速精确地搜寻到最大功率点。针对这种情况,本文提出1种基于混沌映射和高斯扰动的改进粒子群优化算法最大功率点跟踪MPPT(maximum power point tracking)控制策略。首先引入混沌Sine映射构造1种非线性随机递增惯性权重,并在粒子群的“个体认知”部分引入高斯扰动,同时利用对数函数构造学习因子,形成基于混沌映射和高斯扰动的改进粒子群算法;通过对6种典型单峰、多峰函数的测试,证明该算法收敛速度更快,不易陷入局部最优;将算法应用于MPPT控制中,并进一步通过不同算法MPPT控制进行对比仿真研究。对比仿真结果表明:在均匀光照强度、局部静态遮荫和动态遮荫3种情况下,基于混沌映射和高斯扰动的改进粒子群优化算法MPPT控制策略均具有更快的收敛速度和更小的搜索振荡幅度,能准确地搜寻到最大功率点,具有更高的寻优精度,从而提高了MPPT系统的发电效率。
文摘针对电动调节阀控制系统在实际生产过程中存在的非线性、多扰动等问题,提出一种基于改进蚁群算法优化单神经元PID(proportional integral derivative)的控制方法并将其应用于阀门开度控制中。该方法利用单神经元网络的自学习和自适应能力,实现PID控制参数的在线整定,并采用改进的蚁群优化算法优化单神经元PID中的学习速率和神经元比例系数,有效克服了单神经元PID中的学习速率和神经元比例系数因经验设定而无法达到预期控制效果的不足。仿真对比结果显示,相比于传统PID、单神经元PID以及基于蚁群优化算法优化单神经元PID 3种控制方法,本文提出的控制方法超调量分别减少了10.2%、6.1%和1.8%,同时调节时间也相应缩短了0.22、0.07、0.03 s,并且表现出更强的自适应和抗干扰能力,能够使阀门开度控制更加稳定可靠。
