CN105511270B - 一种基于协同进化的pid控制器参数优化方法和*** - Google Patents
一种基于协同进化的pid控制器参数优化方法和*** Download PDFInfo
- Publication number
- CN105511270B CN105511270B CN201610080479.3A CN201610080479A CN105511270B CN 105511270 B CN105511270 B CN 105511270B CN 201610080479 A CN201610080479 A CN 201610080479A CN 105511270 B CN105511270 B CN 105511270B
- Authority
- CN
- China
- Prior art keywords
- pid
- population
- parameter
- individual
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于协同进化的PID控制器参数优化方法和***,该方法针对复杂***PID控制的参数整定,采用了一种改进型协同进化方法对PID控制***参数进行优化,使PID三个参数以协同进化方式自动搜索给定性能指标下的最优组合。本发明是以协同进化方式自动搜索PID参数在给定性能指标下的最优组合,收敛速度快、自适应性强、精确度高,能够获得更好的优化控制效果,具有较好的应用前景。
Description
技术领域
本发明涉及一种基于协同进化的PID控制器参数优化方法和***,属于控制***参数优化技术领域。
背景技术
目前对于复杂的受控对象,传统方法的PID控制往往难以满足要求,复杂***的PID控制及其参数整定仍然是控制工程领域需解决的重要问题。近年来,智能计算技术被用于解决传统方法难以解决复杂***PID控制及其参数优化问题,产生了基于智能计算的PID控制器参数优化方法,如基于遗传算法、粒子群算法等的优化方法。这些方法取得了一些有益的成效,但也同时存在组合导向性不强、寻优速度慢、易于陷入局部最优等不足。本发明提出了一种基于协同进化的PID控制器参数优化方法,能克服现有方法的不足。
发明内容
本发明目的在于针对上述现有技术的不足,提出了一种基于协同进化的PID控制器参数优化方法,该方法针对复杂***PID控制的参数整定,采用了一种改进型协同进化方法对PID控制***参数进行优化,使PID三个参数以协同进化方式自动搜索给定性能指标下的最优组合。该方法收敛速度快、自适应性强、精确度高,能获得更好的优化控制效果,具有较好的应用前景。
本发明解决其技术问题所采取的技术方案是:一种基于协同进化的PID控制器参数优化方法,该方法包括如下步骤:
步骤1:初始设置。设置并初始化3个一定规模的种群,其个体分别对应PID控制器的三个参数;设置控制效果评估所用的目标函数;设定进化终止条件。
步骤2:选取评估代表组。将3个种群中的个体依次组合成待选组,分别作为PID控制器的三个参数置入***,并启动***运行。根据相应的输出响应,由目标函数评估出各待选组的适应度值,选出其中适应度值最好的一组作为评估代表组。
步骤3:各种群个体适应度值评估。用评估代表组中的代表个体分别与待评估种群个体组成参数组,置入PID控制器并启动***运行。根据相应的输出响应,由目标函数评估出各种群个体的适应度值;同时,用当前更优的个体更新评估代表组对应个体。
步骤4:各种群进化。所有个体评估之后,各种群依据个体适应度值分别进行进化,产生出新一代种群。各种群采用的进化算法可以相同也可以不同。
步骤5:优化结束控制。若未达到设定的进化终止条件,则转步骤2继续迭代优化;若达到设定的进化终止条件,则当前的评估代表组即作为PID控制***的PID参数优化结果。
本发明还提供了一种基于协同进化的PID控制器参数优化***,该***包括改进型协同进化优化模块、PID控制***、控制效果评估模块。各模块具体功能如下:
改进型协同进化优化模块:该模块基于本发明提出的改进型协同进化方法,实现对PID控制器的PID三个参数进行协同进化寻优,获得给定性能指标下的PID参数最优组合。
PID控制***:是本发明方法的应用对象,其PID控制器的PID参数就是本发明中改进型协同进化优化模块的优化对象。改进型协同进化优化模块向PID控制***输出PID参数,PID控制***运行出控制效果。
控制效果评估模块:该模块能根据PID控制***对特定输入的输出响应,由按需设置的目标函数对PID控制器的控制效果进行评估,并给出评估值作为当前PID三个参数组合的适应度值。
本发明基于协同进化的PID控制器参数优化***结构如图1所示。图中EA1、EA2、EA3为三个进化算法模块。
一、PID控制***及其参数优化
(1)PID控制***基本特征
设给定yd(t)与实际输出y(t)构成控制偏差e(t):
e(t)=yd(t)-y(t)
PID的控制器输出u(t):
或者写成传递函数的形式:
其中,kp、ki和kd分别是PID控制器的比例系数、积分系数和微分系数。PID控制器各校正环节作用包括如下:
1、比例环节:成比例地反映控制***的偏差信号e(t),偏差一旦产生,控制器立即产生控制作用以减小偏差。
2、积分环节:主要用于消除静差,积分作用的强弱取决于积分系数,积分系数越小,积分作用越弱,反之则越强。
3、微分环节:反映偏差信号的变化率,能在偏差信号变得太大之前,在***中引入一个有效的早期修正信号,从而加快***的动作速度,减少调节时间。
二、PID参数优化模型
常见的优化目标函数J有ITAE,IAE,ITSE这三种:
这些优化目标函数并没有包含显式的***相关性能指标,如上升时间tr、超调量δ%、调节时间tf等。
为了防止PID控制器的输出量u过大、获得较小的上升时间tr及较小的调节时间tf,可以取目标函数形式如下,即(以IAE为例):
其中w1,w2,w3为权值。为了使***的超调量不超过限定值(设其对应的最大超调偏差为es),设置权值w'1:若e(t)<es则w'1>>w1,此时:
最后,***的优化问题可表述为(设最小值为最优解):
min J(kp,ki,kd)
s.t.
kp∈[kpmin,kpmax]
ki∈[kimin,kimax]
kd∈[kdmin,kdmax]
三、改进型协同进化优化模块
本发明改进型协同进化优化模块如图2所示,图中种群P1、P2和P3分别代表着参数kp、ki和kd,种群规模为n;将所有种群中的个体按编号分组,代入目标问题(Domain model)中并评估相应的适应度值,选取适应度值最好的组合,作为评估代表组(Xbest,Ybest,Zbest)。
各个种群个体Pi,j(i=1,2,3;j=1,2,3,…,n)适应度评估,由评估代表组(Xbest,Ybest,Zbest)来协同完成。即种群P1的个体P1,j的适应度评估是由(P1,j,Ybest,Zbest)代入到目标问题进行评估,得到其对应个体的适应度值F1,j,并将其中适应度高于当前评估代表组的最优P1,j替换Xbest。
各种群所有个体评估之后,根据种群中每个个体的适应度值,所有种群各自进化得到新一代种群。进化算法EA1、EA2和EA3可以相同也可以不同。
若满足进化的终止条件,则当前评估代表组就作为问题的最优协同解,终止计算。反之,从选择评估代表组处继续迭代寻优。
本发明改进型协同进化优化方法的具体步骤包括:
第一步:初始化。初始化种群P1(0),P2(0),P3(0);置进化代数计数器初值m:=0;设定进化终止准则;
第二步:选择评估代表组。选取种群个体(P1,j(m),P2,j(m),P3,j(m))(j=1,2,3,…,n)组成待选组,评估计算每组的适应度值,选出当前适应度值最好的一组作为评估代表组(Xbest,Ybest,Zbest);
第三步:各个种群个体适应度值的评估。如图2所示,用评估代表组(Xbest,Ybest,Zbest)分别评估各种群中的个体,获得所有个体的适应度值;同时,用当前更优的个体更新评估代表组对应个体;
第四步:各个种群分别进化。各种群依据个体适应度值分别进行进化,产生出新一代种群P1(m+1),P2(m+1),P3(m+1);置m:=m+1;
第五步:终止判断。如果满足进化终止条件,则当前评估代表组(Xbest,Ybest,Zbest)就作为问题的最优解,终止计算;否则,转第二步。
3、本发明优化***工作方法
如图1和图3所示,本发明优化***的工作方法包括:
步骤1:初始设置
参数kp对应的种群为P1,参数ki对应的种群为P2,参数kd对应的种群为P3,种群规模为n;种群初始化为P1(0)、P2(0)、P3(0);置进化代数计数器m=0;设置控制效果评估所用目标函数(如前述的目标函数J或J*);设定进化终止条件(如J或J*要达到的目标值,或进化的最大代数)。
步骤2:评估代表组的选取
将各种群个体按(P1,j(m),P2,j(m),P3,j(m))组成待选组,j依次取1,2,3,…,n,分别将P1,j(m),P2,j(m),P3,j(m)作为PID控制器的kp,ki,kd三个参数置入***,并启动***运行,得到输出响应。根据各输出响应,由目标函数J或J*可评估出各待选组的适应度值,选出其中适应度值最好的一组作为评估代表组(Xbest,Ybest,Zbest)。
步骤3:各种群个体适应度值评估
用评估代表组(Xbest,Ybest,Zbest)中的代表个体Xbest,Ybest,Zbest分别与待评估种群个体组成kp,ki,kd参数组,置入PID控制器并启动***运行,得到输出响应。根据各输出响应,由目标函数J或J*可评估出各种群个体的适应度值。如,第m代P1种群中第j个个体P1,j(m)适应度值的获得:由(P1,j(m),Ybest,Zbest)作为kp,ki,kd参数组置入PID控制器,启动***运行得到输出响应;根据输出响应,由目标函数J或J*评估出P1,j(m)的适应度值;用优于当前Xbest的P1,j(m)更新Xbest。
步骤4:各种群进化
所有个体评估之后,各种群依据个体适应度值分别进行进化,产生出新一代种群P1(m+1),P2(m+1),P3(m+1)。各种群采用的进化算法EA1、EA2、EA3可以相同也可以不同。置m:=m+1。
步骤5:优化结束控制
若未达到设定的进化终止条件(如J或J*的目标值,或进化的最大代数),则从步骤2继续迭代优化;若达到设定的进化终止条件,则当前的(Xbest,Ybest,Zbest)即作为PID控制***的kp,ki,kd参数优化结果。
有益效果:
对于复杂***PID控制的参数整定,本发明是以协同进化方式自动搜索PID参数在给定性能指标下的最优组合,收敛速度快、自适应性强、精确度高,能克服现有方法的不足,获得更好的优化控制效果,具有较好的应用前景。
附图说明
图1为本发明基于协同进化的PID控制器参数优化方法***结构示意图。
图2为本发明改进型协同进化优化模块示意图。
图3为本发明PID参数协同进化优化方法流程图。
图4为本发明三种方法整定PID参数***阶跃响应曲线对比(1)图。
图5为本发明三种方法整定PID参数***阶跃响应曲线对比(2)图。
具体实施方式
下面结合说明书附图对本发明创造作进一步的详细说明。
按照图1所示***结构,本发明结合一个具体控制对象,给出本发明的具体实施例。
采用本发明对其PID控制器参数进行优化,包括:
1、初始配置
PID控制器参数kp对应的种群为P1,参数ki对应的种群为P2,参数kd对应的种群为P3;种群规模n取50,个体采用二进制编码,编码长度为20位;种群初始化为P1(0)、P2(0)、P3(0);各种群采用相同的遗传算法,交叉概率取0.9,变异概率取0.01;置进化代数计数器m=0;控制效果评估所用目标函数为前述的J或J*;进化终止条件设为最大进化代数50。
2、评估代表组的选取
将各种群个体按(P1,j(m),P2,j(m),P3,j(m))组成待选组,j依次取1,2,3,…,50,分别将P1,j(m),P2,j(m),P3,j(m)作为PID控制器的kp,ki,kd三个参数置入***,并启动***运行,得到输出响应。根据各输出响应,由目标函数J或J*可评估出各待选组的适应度值,选出其中适应度值最好的一组作为评估代表组(Xbest,Ybest,Zbest)。
3、各种群个体适应度值评估
用评估代表组(Xbest,Ybest,Zbest)中的代表个体Xbest,Ybest,Zbest分别与待评估种群个体组成kp,ki,kd参数组,置入PID控制器并启动***运行,得到输出响应。根据各输出响应,由目标函数J或J*评估出各种群个体的适应度值,并更新Xbest,Ybest,Zbest。
4、各种群进化
所有个体评估之后,各种群依据个体适应度值分别用遗传算法进行进化,产生出新一代种群P1(m+1),P2(m+1),P3(m+1);置m:=m+1。
5、优化结束控制
若未达到设定的进化最大代数,则从第(2)步继续迭代优化;若达到设定的进化最大代数,则当前的(Xbest,Ybest,Zbest)即作为PID控制***的kp,ki,kd参数优化结果。
6、仿真结果
分别采用前述IAE形式的J和(1)式的J*作为目标函数,对本实施例进行仿真运行。
采用IAE形式的J作为目标函数时,本发明方法与Z-N法和遗传算法的对比如表1和图4所示。表1给出三种方法整定的kp,ki,kd之值及***单位阶跃响应性能参数的对比;图4为三种方法整定kp,ki,kd后***的单位阶跃响应曲线对比。
表1:三种方法整定的kp,ki,kd值及***阶跃响应参数对比(1)
从图4和表1可以看到,本发明方法优化的PID参数其***阶跃响应的上升时间tr、超调量δ%和调节时间tf都优于其它两种方法(尤其是tr和tf优势更显著)。
采用(1)式的J*作为目标函数时,本发明方法与Z-N法和遗传算法的对比如表2和图5所示。表2给出三种方法整定的kp,ki,kd之值及***单位阶跃响应性能参数的对比;图5为三种方法整定kp,ki,kd后***的单位阶跃响应曲线对比。
J*中的权值设置为:w1=0.9,w2=0.1,w3=10,w'1=100
表2:三种方法整定的kp,ki,kd值及***阶跃响应参数对比(2)
从图5和表2可以看到,本发明方法优化的PID参数其***阶跃响应的上升时间tr、超调量δ%和调节时间tf都优于其它两种方法(尤其是δ%和tf优势更显著)。
以上实施例的仿真运行效果表明,本发明具有较好的优化性能,能获得更好的优化控制效果,具有较好的应用前景。本发明也可应用于其它复杂控制***的参数优化,并不限于上述实施方式,在本领域专业技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于协同进化的PID控制器参数优化方法,其特征在于,所述方法包括如下步骤:
步骤1:初始设置;设置并初始化3个一定规模的种群,其个体分别对应PID控制器的三个参数(kp,ki,kd);设置控制效果评估所用的目标函数;设定进化终止条件;
步骤2:选取评估代表组;将3个种群中的个体依次组合成待选组,分别作为PID控制器的三个参数置入***,并启动***运行;根据相应的输出响应,由目标函数评估出各待选组的适应度值,选出其中适应度值最好的一组作为评估代表组;
步骤3:各种群个体适应度值评估;用评估代表组中的代表个体分别与待评估种群个体组成参数组,置入PID控制器并启动***运行;根据相应的输出响应,由目标函数评估出各种群个体的适应度值;同时,用当前更优的个体更新评估代表组对应个体;
步骤4:各种群进化;所有个体评估之后,各种群依据个体适应度值分别进行进化,产生出新一代种群;各种群采用的进化算法为相同或不同;
步骤5:优化结束控制;若未达到设定的进化终止条件,则转步骤2继续迭代优化;若达到设定的进化终止条件,则当前的评估代表组即作为PID控制***的PID参数优化结果;
种群P1的个体P1,j的适应度评估是由(P1,j,Ybest,Zbest)代入到目标问题进行评估,得到其对应个体的适应度值F1,j,并将其中适应度高于当前评估代表组的最优P1,j替换Xbest;
第m代P1种群中第j个个体P1,j(m)适应度值的获得:由(P1,j(m),Ybest,Zbest)作为kp,ki,kd参数组置入PID控制器,启动***运行得到输出响应;根据输出响应,由目标函数J或J*评估出P1,j(m)的适应度值,用优于当前Xbest的P1,j(m)更新Xbest。
2.根据权利要求1所述的一种基于协同进化的PID控制器参数优化方法,其特征在于,所述种群中的个体按编号分组,代入目标问题(Domain model)中并评估相应的适应度值,选取适应度值最好的组合,作为评估代表组(Xbest,Ybest,Zbest);
各个种群个体Pi,j,其中i=1,2,3;j=1,2,3,…,n适应度评估,由评估代表组(Xbest,Ybest,Zbest)来协同完成;即种群P1的个体P1,j的适应度评估是由(P1,j,Ybest,Zbest)代入到目标问题进行评估,得到其对应个体的适应度值F1,j,并将其中适应度高于当前评估代表组的最优P1,j替换Xbest;
各种群所有个体评估之后,根据种群中每个个体的适应度值,所有种群各自进化得到新一代种群;
若满足进化的终止条件,则当前评估代表组就作为问题的最优协同解,终止计算;反之,从选择评估代表组处继续迭代寻优。
3.一种基于协同进化的PID控制器参数优化***,其特征在于:所述***包括改进型协同进化优化模块、PID控制***、控制效果评估模块;
改进型协同进化优化模块实现了对PID控制器的kp、ki和kd三个参数进行协同进化寻优,获得给定性能指标下的PID参数最优组合;
改进型协同进化优化模块:该模块基于如权利要求1所述的改进型协同进化方法,实现对PID控制器的PID三个参数进行协同进化寻优,获得给定性能指标下的PID参数最优组合;
PID控制***是所述方法的应用对象,其PID控制器的PID参数就是改进型协同进化优化模块的优化对象,改进型协同进化优化模块向PID控制***输出PID参数,PID控制***运行出控制效果;
控制效果评估模块是根据PID控制***对特定输入的输出响应,由按需设置的目标函数对PID控制器的控制效果进行评估,并给出评估值作为当前PID三个参数组合的适应度值。
4.根据权利要求3所述的一种基于协同进化的PID控制器参数优化***,其特征在于,所述PID控制***为应用对象,其PID控制器的PID参数就是改进型协同进化优化模块的优化对象;改进型协同进化优化模块向PID控制***输出PID参数,PID控制***运行出控制效果。
5.根据权利要求3所述的一种基于协同进化的PID控制器参数优化***,其特征在于,所述控制效果评估模块能根据PID控制***对特定输入的输出响应,由按需设置的目标函数对PID控制器的控制效果进行评估,并给出评估值作为当前PID三个参数组合的适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610080479.3A CN105511270B (zh) | 2016-02-04 | 2016-02-04 | 一种基于协同进化的pid控制器参数优化方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610080479.3A CN105511270B (zh) | 2016-02-04 | 2016-02-04 | 一种基于协同进化的pid控制器参数优化方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105511270A CN105511270A (zh) | 2016-04-20 |
CN105511270B true CN105511270B (zh) | 2018-07-06 |
Family
ID=55719341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610080479.3A Active CN105511270B (zh) | 2016-02-04 | 2016-02-04 | 一种基于协同进化的pid控制器参数优化方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105511270B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054596B (zh) * | 2016-06-23 | 2018-10-26 | 东南大学 | 一种基于改进性能指标的pid控制器参数优化整定方法 |
CN109709795A (zh) * | 2018-12-24 | 2019-05-03 | 东华大学 | 一种基于天牛须搜索算法的pid控制器参数整定方法 |
CN111103790A (zh) * | 2019-12-05 | 2020-05-05 | 珠海格力电器股份有限公司 | Pid控制器的参数整定方法、装置、存储介质、终端及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1564416A (zh) * | 2004-03-17 | 2005-01-12 | 西安交通大学 | 基于协同进化的电力***无功优化方法 |
CN103105774A (zh) * | 2013-01-30 | 2013-05-15 | 上海交通大学 | 基于改进的量子进化算法的分数阶pid控制器整定方法 |
CN103870696A (zh) * | 2014-03-19 | 2014-06-18 | 南京邮电大学 | 一种基于局部-全局联合引导的多目标优化协同进化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4528984B2 (ja) * | 2007-01-29 | 2010-08-25 | 国立大学法人広島大学 | Pid制御装置及びpid制御方法 |
KR101388069B1 (ko) * | 2012-05-10 | 2014-04-22 | 수원대학교산학협력단 | 퍼지 피아이디 제어기를 이용한 정압 제어 방법 |
-
2016
- 2016-02-04 CN CN201610080479.3A patent/CN105511270B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1564416A (zh) * | 2004-03-17 | 2005-01-12 | 西安交通大学 | 基于协同进化的电力***无功优化方法 |
CN103105774A (zh) * | 2013-01-30 | 2013-05-15 | 上海交通大学 | 基于改进的量子进化算法的分数阶pid控制器整定方法 |
CN103870696A (zh) * | 2014-03-19 | 2014-06-18 | 南京邮电大学 | 一种基于局部-全局联合引导的多目标优化协同进化方法 |
Non-Patent Citations (4)
Title |
---|
A Novel Hybrid Fuzzy PID Controller Based on Cooperative Co-evolutionary Genetic Algorithm;Farzad Fadaei,等;《Journal of Basic and Applied Scientific Research》;20131231;337-344 * |
A Uncultivated Wolf Pack Algorithm for Highdimensional Functions and Its Application in Parameters Optimization of PID Controller;Wu Husheng,等;《2014 IEEE Congress on Evolutionary Computation (CEC)》;20140711;1477-1482 * |
基于协同遗传算法的TS-PID控制器参数整定;许振凯,等;《信息技术》;20150930(第9期);16-19,23 * |
考虑非线性的水轮机调节***协同进化模糊PID仿真;吴罗长,等;《西北农林科技大学学报(自然科学版)》;20130930;第41卷(第9期);229-234 * |
Also Published As
Publication number | Publication date |
---|---|
CN105511270A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105207253B (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
CN111045326A (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及*** | |
CN105511270B (zh) | 一种基于协同进化的pid控制器参数优化方法和*** | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
CN109254530A (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
CN101763036A (zh) | 基于模糊神经网络的赖氨酸发酵过程补料预测控制***及方法 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN108122079A (zh) | 火电厂负荷分配的计算方法、***及存储介质 | |
CN104318090A (zh) | 基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法 | |
CN109472397A (zh) | 基于粘度变化的聚合工艺参数调节方法 | |
CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
CN110673482B (zh) | 一种基于神经网络预测的电站燃煤锅炉智能控制方法和*** | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
CN117093033A (zh) | 基于粒子群算法优化pid参数的电阻加热炉温度控制*** | |
CN112012875A (zh) | 一种水轮机调节***pid控制参数的优化方法 | |
CN114859734A (zh) | 一种基于改进sac算法的温室环境参数优化决策方法 | |
CN114909706A (zh) | 一种基于强化学***衡调控方法 | |
Löppenberg et al. | Self optimisation and automatic code generation by evolutionary algorithms in PLC based controlling processes | |
CN101833281A (zh) | 污水处理曝气节能控制方法 | |
CN108416474A (zh) | 基于虚拟适应度和Pareto解集分层的改进优化算法 | |
CN109149558B (zh) | 基于***串联补偿的跨区域电网调度agc方法 | |
CN107180261A (zh) | 基于滚动bp神经网络的温室小气候中长期预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |