主汽温量子粒子群_PID优化控制_聂燕敏

主汽温量子粒子群_PID优化控制_聂燕敏

ID:37958247

大小:138.43 KB

页数:3页

时间:2019-06-03

主汽温量子粒子群_PID优化控制_聂燕敏_第1页
主汽温量子粒子群_PID优化控制_聂燕敏_第2页
主汽温量子粒子群_PID优化控制_聂燕敏_第3页
资源描述:

《主汽温量子粒子群_PID优化控制_聂燕敏》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第26卷第12期电力科学与工程Vol.26,No.122010年12月ElectricPowerScienceandEngineeringDec.,201061主汽温量子粒子群-PID优化控制12聂燕敏,常喜茂(1.华北电力大学控制与计算机工程学院,河北保定071003;2.华仿科技有限公司,河北保定071000)摘要:基于基本粒子群(PSO)优化算法容易发生早熟、收敛速度慢,研究了一种改进的粒子群算法———量子粒子群优化算法(QPSO)。将这种算法应用于某电厂主汽温控制系统PID参数优化,得到了最优参数

2、。仿真结果表明,QPSO使得主汽温控制系统具有更好的控制品质,提高了系统的静动态特性。关键词:PSO;QPSO;主汽温;优化算法;仿真研究中图分类号:TP273文献标识码:A化算法不同的是,在描述个体时,将其看成是D0引言维寻优搜索空间的一个没有体积的微粒,每个粒子都有自己的位置和速度。还有一个由被优化函主蒸汽温度一直是锅炉运行质量的重要指标数决定的适应度函数值,结合微粒自己搜索到的之一,过高或过低都会影响锅炉运行质量。温度历史最佳位置和历史最佳位置信息,以一定的速过高影响过热器管道、汽轮机等设备的安全运

3、行,度向目标值逼近,各个粒子记忆、追随当前的最温度过低则影响机组的热效率,所以必须维持主优粒子,在解空间中搜索。每次迭代如果找到较蒸汽温度在一定的范围内。一般对主汽温控制都好解,将会以此为依据来寻找下一个解。采用串级控制结构,但需要对控制器参数进行整粒子的速度和位置更新公式如下:定,现在的整定方法主要是凭借经验粗略调整,iiiivk+1=vk+c1·r1·(pbestk-xk)+(1)再到现场调整。这种方法对控制人员有很高的要ic2·r2·(gbestk-xk)求,费时费力且其控制效果也不一定能达到最优。

4、iiixk+1=xk+vk(2)所以,本文采用QPSO优化算法优化PID参数,式中:i表示粒子;k表示第k代;v表示粒子速可快速有效地得到参数,并且控制效果达到优化。度;x表示粒子的位置;pbest表示粒子自己的最粒子群优化算法(PSO)是Kennedy和Eber-优解的位置;gbest表示整个种群找到的最优解的hart于1995年提出的一种启发式全局优化算法。位置;c1,c2为认知系数或学习因子,一般取2;粒子群优化算法通过模拟粒子个体之间的协作来r1,r2是(0,1)之间的随机数。为了在全局搜寻找最优

5、解,每个粒子受它自己的最优值pbest和索和局部搜索之间找到平衡,引入惯性权重函数全局最优值gbest的影响。受量子物理基本理论的w,则速度更新方程为:启发,Sun等人提出了量子粒子群优化(QPSO)iiiivk+1=w·vk+c1·r1·(pbestk-xk)+算法,其方程不需要速度向量,形式简单,参数i更少且更容易控制。c2·r2·(gbestk-xk)(3)较大的w有利于算法跳出局部极小值,而较1基本PSO算法小的w有利于算法收敛。建议算法前期时使用较大的w,以鼓励早期搜索,随算法进行,逐渐减小[1

6、,2]基本粒子群优化算法(PSO)是一种基于种w,最后把重点放在群体对最佳位置的搜索。群的进化计算方法,基本思想是通过群体中个体本文采用惯性权重系数更新方程如下:之间的协作和信息共享来寻找最优解。与其他进w=((wmax-wmin)/(imax-1))(i-1)+wmax(4)收稿日期:2010-07-05。作者简介:聂燕敏(1984-),女,硕士研究生,研究方向为复杂系统建模与仿真,E-mail:yueliangshiwo@126.com。电力科学与工程2010年62式中:wmax是初始惯性权重;wmi

7、n是最终惯性权3函数优化重;imax是最大迭代次数;i是当前迭代次数。为了验证QPSO函数的优越性,采用一些经2改进PSO算法典函数进行验证,分别为:n22.1QPSO算法原理(1)f1(x)=∑x1xi∈(-10,10)i=1量子粒子群算法(QPSO)是在粒子群优化算n12(2)f2(x)=∑(xi-100)-法(PSO)基础上改进的,它的进化方程的形式4000i=1更简单,参数更少,而且更容易控制,它的实质n是用适应度函数来衡量粒子的优劣,粒子根据自∏cosxi-100/i+1i=1己的飞行经验以及其

8、他粒子的飞行经验,来动态xi∈(-100,100)调整位置。算法更新公式为:给定算法中参数为:种群规模为40,维数为10n维,c1,c2,w都取值2。分别运算PSO和QPSO算法iMbestk=∑pbestk/n(5)i=1各20次,寻优结果如表1。iPk=(r1·pbestk+r2gbestk)/(r1+r2)(6)表1函数最优值比较xiiTab.1Comparisonoftheoptimalvalueoffunctionk

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。