-
-
公开(公告)号：CN103679292A
公开(公告)日：2014-03-26
申请号：CN201310695793.9
申请日：2013-12-17
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种智能微电网双电池电能协同优化方法，其包括：对双电池电能协同优化方法进行相关参数初始化；开启全局循环，初始化评判网络权值；开启外循环，初始化电池控制策略，并根据实际用电情况对所述电池控制策略进行调整；开启内循环，利用采集到的系统状态与调整后的电池控制策略循环修正评判神经网络权值，并利用该评判网络权值评测当前电池控制策略的性能；判断当前内循环是否完成，如果尚未完成，则返回内循环，否则判断当前外循环是否完成，如果尚未完成，则返回外循环，否则判断当前全局循环是否完成，如果尚未完成，则返回全局循环；搜索程序完全运行之后，根据所评判得到的性能保存最优的电池控制策略并计算用电成本。
-
公开(公告)号：CN103645633A
公开(公告)日：2014-03-19
申请号：CN201310728066.8
申请日：2013-12-25
Applicant: 中国科学院自动化研究所
IPC: G05B13/00
Abstract: 本发明公开了一种变换炉系统的炉温控制方法，该方法包括依次执行的如下步骤：采集变换炉在某段时间内的输入数据和输出数据，构建一个基于数据的变换炉系统炉温模型，该模型利用神经网络构建变换炉系统动态特性，用于确定变换炉炉温变化情况；根据所采集的数据，利用三层BP神经网络构建参考控制模型，用于确定变换炉系统输入参考量；将构建的带有变换炉系统炉温模型误差和参考控制模型误差的最优跟踪控制问题，利用系统变换转化为最优调节器问题；基于迭代自适应动态规划最优控制方法，求解最优控制的函数，最终获得系统的最优控制。本发明能够高效、实时、最优化控制变换炉温度，实现变换炉系统最优化运行。
-
公开(公告)号：CN103529699A
公开(公告)日：2014-01-22
申请号：CN201310516852.1
申请日：2013-10-28
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种煤气化炉系统的炉温自学习控制方法，其包括：构建一个基于数据的煤气化炉系统炉温自学习系统模型，用于确定煤气化炉炉温变化；利用三层BP神经网络构建输入煤中元素含量比例的煤质模型，用于确定煤质；利用三层BP神经网络构建输入量参考控制模型，用于确定煤气化炉系统输入参考量；将构建的煤气化炉系统炉温自学习系统模型误差、煤质模型误差和输入量参考控制模型误差与系统外部扰动转化为煤气化炉系统炉温自学习系统控制模型的扰动控制变量；基于迭代自适应动态规划自学习最优控制方法，在所述扰动控制变量对所述系统温度控制误差影响最大的情况下建立求解最优控制的函数，最终获得系统控制。
-
公开(公告)号：CN103324085A
公开(公告)日：2013-09-25
申请号：CN201310232043.8
申请日：2013-06-09
Applicant: 中国科学院自动化研究所
IPC: G05B13/02
Abstract: 本发明提出一种基于监督式强化学习的最优控制方法，包括步骤：步骤1，初始化控制器和评价器的人工神经网络的权值等参数，及一组训练数据集；步骤2，选择一组系统状态开始迭代；步骤3，监督式控制器产生初始稳定的控制策略，控制器通过调整自身权值逼近该控制策略；步骤4，控制器生成相应的控制动作，并附加一定的随机噪声作为探索；步骤5，将带有噪声的控制动作施加到被控制的系统上，观测下一时刻系统的状态和回报；步骤6，调整控制器和评价器的人工神经网络的权重；步骤7，判断当前状态是否满足终止条件，是则进入步骤8，否则回到步骤3；步骤8，判断初始的系统状态数据是否已经全部用于训练，是则输出最终的控制器，否则回到步骤2。
-
Patent Agency Ranking
公开(公告)号：CN102830628A
公开(公告)日：2012-12-19
申请号：CN201210310212.0
申请日：2012-08-28
Applicant: 中国科学院自动化研究所
IPC: G05B17/02
Abstract: 本发明公开了一种变换炉的控制方法，该方法包括依次执行的如下步骤：S1、建立与变换炉相应的变换炉仿真模型，该仿真模型包含若干模型参数；S2、采集变换炉在某段时间内的输入数据和输出数据，所述输入数据和输出数据是指变换炉的输入、输出物质的成分与含量以及各项工作参数；S3、根据所采集的输入数据和输出数据，计算仿真模型的模型参数的值；S4、采集实际现场变换炉的实时输入数据和实时输出数据，通过仿真模型计算模拟输出数据与实时输出数据之间的差值，当该差值不在误差范围时，返回步骤S2，否则继续下一步骤；S5、利用仿真模型计算变换炉内在当前时刻起的一段时间内的工作状态参数，据此监控和调节变换炉的工作状态。本发明能够高效、实时、精确地调整和监控变换炉。
-
-
公开(公告)号：CN106532691B
公开(公告)日：2019-05-10
申请号：CN201611104714.2
申请日：2016-12-05
Applicant: 中国科学院自动化研究所
IPC: H02J3/00
Abstract: 本发明涉及一种基于自适应动态规划的单区域电力系统频率复合控制方法。其中，该方法包括：获取如下测量信号：单区域电力系统调速器时间常数、发电机时间常数、区域负荷时间常数、区域负荷增益、单区域电力系统频率偏差；利用比例积分控制器和自适应动态规划控制器，然后，根据测量信号生成比例积分控制信号和自适应动态规划控制信号，并将二者叠加，得到复合控制信号；再将复合控制信号应用到单区域电力系统中，进行频率控制。本发明通过将PI控制量与自适应动态规划控制量相加，构成复合控制量，解决了包含调速器、发电机和当地负荷的单区域电力系统在随机负荷变化情况下，系统实际频率偏离标称值的技术问题，消除了频率偏差。
-
公开(公告)号：CN105843037B
公开(公告)日：2019-05-10
申请号：CN201610221709.3
申请日：2016-04-11
Applicant: 中国科学院自动化研究所
IPC: G05B13/02
Abstract: 本发明公开了一种基于Q学习的智能楼宇温度控制方法，包括：相关参数初始化；开启全局迭代，初始化评价网络权值；开启局部迭代，利用Q学习算法训练评价网络，修正网络权值，其中评价网络用来近似最优性能指标函数，并利用该评价网络权值评测当前温度控制系统的性能，通过执行流程选择最优控制策略，最小化一次全局迭代的总成本；判断当前局部迭代是否完成，若否，则返回局部迭代，否则更新迭代性能指标函数和控制律，以获得最优解；判断当前全局迭代是否满足收敛精度，若否，则返回全局迭代，否则根据最优性能指标函数获得最优控制策略，并计算总成本。由此，本发明可以不断地学习、调整和适应外界环境在未来的不确定的变化以提高系统的性能。
-
公开(公告)号：CN103645633B
公开(公告)日：2017-01-18
申请号：CN201310728066.8
申请日：2013-12-25
Applicant: 中国科学院自动化研究所
IPC: G05B13/00
Abstract: 本发明公开了一种变换炉系统的炉温控制方法，该方法包括依次执行的如下步骤：采集变换炉在某段时间内的输入数据和输出数据，构建一个基于数据的变换炉系统炉温控制模型，该模型利用神经网络构建变换炉系统动态特性，用于确定变换炉炉温变化情况；根据所采集的数据，利用三层BP神经网络构建参考控制模型，用于确定变换炉系统输入参考量；将构建的带有变换炉系统炉温控制模型误差和参考控制模型误差的最优跟踪控制问题，利用系统变换转化为最优调节器问题；基于迭代自适应动态规划最优控制方法，求解最优控制的函数，最终获得系统的最优控制。本发明能够高效、实时、最优化控制变换炉温度，实现变换炉系统最优化运行。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.034 seconds)
