公开(公告)号：CN112183814A

公开(公告)日：2021-01-05

申请号：CN202010870158.X

申请日：2020-08-26

Applicant: 东南大学

Inventor： 刘宇 ,  张雨飞 ,  陈尚巧

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/04

Abstract: 本发明提供一种短期风速预测方法，提高风速预测精度，并缩短预测时间。本发明实施例的短期风速预测方法，包括以下步骤：步骤一、采集风速数据，建立原始风速序列；步骤二、采用变分模态分解方法将原始风速序列分解为K个风速子序列；K表示大于等于2的整数；步骤三、分别对K个风速子序列进行预测；步骤四、将K个风速子序列的预测结果组合得到预测风速。本发明实施例中，通过采用变分模态分解方法将波动的原始风速序列进行分解，分解为多个具有特定特征的平稳的风速子序列，对每个风速子序列分别进行预测，最后将各个风速子序列的预测结果组合后得到预测风速，有效降低原始风速序列的随机性和复杂性，提高预测的精确性和可靠性。

公开(公告)号：CN110308649B

公开(公告)日：2022-10-14

申请号：CN201910624150.2

申请日：2019-07-11

Applicant: 东南大学

Inventor： 陈尚巧 ,  王明春 ,  张雨飞 ,  刘宇

IPC: G05B11/42

Abstract: 本发明公开了一种基于PSO‑SOA融合算法的PID参数优化方法，将粒子群算法与人群搜索算法进行融合，当微粒的目标值趋于一致时，即粒子的适应度值Fitness(i)≥平均适应度值Favg，采用全局搜索能力强的人群搜索算法寻求最优解，提高收敛精度；微粒的目标值比较分散时，即Fitness(i)＜Favg，采用粒子群算法进行较强的局部开发，使得群体快速收敛，加快收敛速度。本发明基于PSO‑SOA的融合算法，具有优越的全局搜索能力以及局部搜索能力，为PID参数的整定提供了全新的思路，而且克服了标准粒子群算法易于陷入局部最优和人群搜索算法收敛速度较慢的问题，达到了提高控制精度、提高系统响应速度和改善控制系统性能的目的，使得控制系统调节过程更加快速平稳，并且超调量小，稳态误差小。

公开(公告)号：CN110308649A

公开(公告)日：2019-10-08

申请号：CN201910624150.2

申请日：2019-07-11

Applicant: 东南大学

Inventor： 陈尚巧 ,  王明春 ,  张雨飞 ,  刘宇

IPC: G05B11/42

Abstract: 本发明公开了一种基于PSO-SOA融合算法的PID参数优化方法，将粒子群算法与人群搜索算法进行融合，当微粒的目标值趋于一致时，即粒子的适应度值Fitness(i)≥平均适应度值Favg，采用全局搜索能力强的人群搜索算法寻求最优解，提高收敛精度；微粒的目标值比较分散时，即Fitness(i)＜Favg，采用粒子群算法进行较强的局部开发，使得群体快速收敛，加快收敛速度。本发明基于PSO-SOA的融合算法，具有优越的全局搜索能力以及局部搜索能力，为PID参数的整定提供了全新的思路，而且克服了标准粒子群算法易于陷入局部最优和人群搜索算法收敛速度较慢的问题，达到了提高控制精度、提高系统响应速度和改善控制系统性能的目的，使得控制系统调节过程更加快速平稳，并且超调量小，稳态误差小。