粒子群优化算法优化了最优线性励磁控制器状态向量的Q加权矩阵，以优化系统性能指标。模拟系统到无穷大显示，该方法提供了满足要求的最优解，这是简单和容易，并且避免了由传统方法的经验选择所述加权矩阵的难度，系统的完整动态性能指标得到显着提升。
制激励;粒子群的优化;线性最优控制中图分类号：TM761文献标识码：A文章编号：1674-7712（2012）16-0005-02引言近年来，现代控制理论已广泛应用于电力系统。
20世纪70年代，根据线性最优控制理论[1]设计了线性最优励磁控制器，使其具有理想的系统振动阻尼效果。
统在干扰方面的稳定性较低：理论上，它可以有效地抑制频率范围很大的振荡。性最优励磁控制器设计中的不同Q阵列得到不同的K反馈矩阵，这将得到不同的系统响应。此，线性最优控制的一个重要问题是如何选择Q加权矩阵，以使设计的闭环控制系统具有所需的动态性能指标或所需的闭环极点。考虑的是，在时域和系统的频域响应与加权矩阵的选择而变化，我们可以认为线性最优控制器的设计是一个优化问题与基质多目标权重。于各种条件，这种类型的优化问题非常复杂，并且在大多数情况下，设计目标经常发生冲突并且难以使用传统设计方法来解决。对上述问题，本文在大量中外文献的基础上，介绍了粒子群优化算法在加权矩阵优化中的应用，解决了该问题。
统算法的设计很复杂，过于依赖经验价值。据该示例的结果，优化的线性最佳励磁控制器可以很好地适应单机系统（SMIB）运行状态变化。论机械功率变化还是线路故障，控制效果都非常好。于传统的线性最佳励磁控制器粒子群优化的基本原理粒子群优化算法（PSO）模拟生物种群的行为以解决优化问题。
PSO中，每个优化问题的潜在解决方案是搜索空间中的鸟，称为“粒子”。有粒子都具有由优化函数确定的物理条件值，并且每个粒子具有确定它们飞行的方向和距离的速度。
后粒子遵循溶液空间中的当前最佳粒子搜索。PSO被初始化为一组随机粒子（随机解）并迭代地找到最优解。
设在一个尺寸的目标搜索空间时，存在形成社区的颗粒，所述第一颗粒是由尺寸的载体，它是第一颗粒的中的搜索空间中的位置表示尺寸，即每个粒子的位置是一个潜在的解决方案。将代替目标函数来计算其适应值，并根据适合度值的大小来测量其优缺点。
一个粒子的“飞行”速度也是一个矢量，记录为。目前为止，记录第一个粒子搜索的最佳位置是至少一个粒子是整个群体中最好的，其数量设置为，这是人口的最佳研究位置。
论通过本文参数优化的最优控制律可以有效地防止机械功率变化引起的电压和功率角偏差，提供良好的动态性能，表明改进了系统。制振荡的能力。
电力系统发生故障的情况下，对最佳激励的优化控制提供了更好的手动阻尼，恒温阀芯这确保了电压在很短的时间内以大的偏差返回到其原始水平。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com