Application of PID optimization control strategy based on particle swarm optimization (PSO) for battery charging system
Application of PID optimization control strategy based on particle swarm optimization (PSO) for battery charging system
复制标题
基于粒子群优化（PSO）的PID优化控制策略在电池充电系统中的应用
DOI：
10.1093/ijlct/ctaa020
复制
发表时间：
2020-05
期刊：
影响因子：
--
通讯作者：
Wu Linzhang
中科院分区：
文献类型：
--
作者：
Wu Tiezhou;Zhou Cuicui;Yan Zhe;Peng Huigang;Wu Linzhang
电池充电过程具有非线性和滞后性。比例积分微分控制是蓄电池充电过程中常用的控制方法。控制效果由PID控制参数${K}_p$、${K}_i$和${K}_d$决定。传统的PID参数整定方法很难给出合适的参数，影响了电池的充电效率。本文将粒子群优化算法(PSO)应用于PID参数的优化。针对基本粒子群算法收敛速度慢、收敛精度低、易早熟等缺点，提出了一种改进的粒子群优化算法，并将优化后的PID参数应用于电池充电控制系统。实验结果表明，电池充电过程具有较好的动态性能，电池充电效率从86.44%提高到91.47%，充电温升降低了1°C。
The battery charging process has nonlinear and hysteresis properties. PID (Proportion Integration Differentiation) control is a conventional control method used in the battery charging process. The control effect is determined by the PID control parameters ${K}_p$, ${K}_i$ and ${K}_d$. The traditional PID parameter setting method is difficult to give the appropriate parameters, which affects the battery charging efficiency. In this paper, the particle swarm optimization (PSO) is used to optimize the PID parameters. Aiming at the defects of basic PSO, such as slow convergence speed, low convergence precision and easy to be premature, a modified particle swarm optimization algorithm is proposed, and the optimized PID parameters are applied to the battery charging control system. Also, the experimental results show that the battery charging process possesses better dynamic performance and the charging efficiency of the battery has increased from 86.44% to 91.47%, and the charging temperature rise has dropped by 1°C.
登录
查看更多内容
DOI：
10.1145/2598394.2605342
发表时间：
2014-07
期刊：
Proceedings of the Companion Publication of the 2014 Annual Conference on Genetic and Evolutionary Computation
影响因子：
--
作者：
A. Engelbrecht
通讯作者：
A. Engelbrecht
DOI：
10.1016/b978-0-12-409547-2.14581-0
发表时间：
2020
期刊：
Comprehensive Chemometrics
影响因子：
--
作者：
Federico Marini;Beata Walczak
通讯作者：
Federico Marini;Beata Walczak
DOI：
10.1201/9781003206477-5
发表时间：
2021-08
期刊：
Evolutionary Optimization Algorithms
影响因子：
--
作者：
A. Badar
通讯作者：
A. Badar
DOI：
--
发表时间：
2009
期刊：
--
影响因子：
--
作者：
S. Agrawal;R. Shimpi
通讯作者：
S. Agrawal;R. Shimpi
DOI：
10.1201/9780429422614-20
发表时间：
2018-10
期刊：
Swarm Intelligence Algorithms
影响因子：
--
作者：
Adam Slowik
通讯作者：
Adam Slowik