DE-EDA多目标优化模糊控制在受电弓中的应用

"这篇论文研究了基于DE-EDA（Differential Evolution - Estimation of Distribution Algorithm）多目标优化的受电弓模糊控制策略，旨在解决传统控制器参数整定算法无法同时优化多个性能指标的问题。在受电弓-接触网的接触力控制场景下，通过建立DE-EDA优化模型，以接触力的方差、误差积分和控制器输出能量作为优化目标，模糊控制器的量化因子和比例因子作为优化变量，以实现更优的控制效果。与传统的线性二次型最优控制（LQR）方法进行比较，仿真结果验证了该模糊控制器在降低接触力波动、减少控制器输出能量和增强抗干扰能力方面的优势。" 本文首先介绍了高速电力机车受电弓与接触网的集流性能对机车稳定运行的重要性。当接触网存在不平顺或受到干扰时，接触力的波动会影响集流效果。为了解决这个问题，文章提出设计受电弓控制器来减小接触力波动，而非依赖于成本高昂的接触网改造或增加接触力。 接着，论文回顾了现有的受电弓控制算法，包括预测控制、PID控制、滑模变结构控制、自适应控制以及LQR控制。这些方法各有优缺点，例如预测控制计算量大，PID控制需优化参数，滑模控制有抖振问题，自适应控制的效果受限于参考模型，而LQR控制的反馈方式可能导致接触力波动较大。 为克服这些不足，论文提出了一种新的控制策略，即基于DE-EDA的模糊控制器。DE-EDA是一种结合差分进化算法和分布估计算法的优化技术，能够处理多目标优化问题。在受电弓控制中，DE-EDA被用来优化模糊控制器的参数，以同时最小化接触力的方差、误差积分和控制器输出能量，从而达到更好的控制性能。 在仿真对比中，DE-EDA优化的模糊控制器表现出优于LQR控制的效果，证明了该方法的有效性和优越性。这为实际应用提供了更适应不同运行环境和执行器性能的控制算法，有助于提升高速电力机车在复杂条件下的运行稳定性。