Para satisfacer las necesidades de ajuste de los parámetros del controlador de temperatura del vapor principal en condiciones de carga negativa profunda y rápida de las unidades de energía térmica, se introducirán el operador de selección, el factor de aprendizaje adaptativo y el coeficiente de ponderación de inercia adaptativo en el algoritmo estándar del enjambre de partículas, proponiendo así el algoritmo de enjambre de partículas de exploración de varias estrategias. Según el índice de evaluación de idoneidad, la población se divide en una zona operativa de enjambre de partículas estándar, una zona operativa de operador de selección, una zona operativa de factor de aprendizaje adaptativo y una zona operativa de coeficiente de ponderación de inercia adaptativo, para aprovechar al máximo las ventajas de todas las estrategias de optimización, garantizando una alta precisión de convergencia del algoritmo, y al mismo tiempo, una alta velocidad de convergencia. Se realizaron experimentos comparativos con ocho estrategias de enjambre de partículas mejoradas. Los resultados muestran que el algoritmo propuesto ofrece una alta precisión de optimización y una rápida convergencia. Un análisis comparativo del algoritmo propuesto con el método de curva de atenuación y con otros tres algoritmos mejorados del enjambre de partículas para la optimización de los parámetros del controlador PID en cascada de la temperatura del vapor principal confirmó la eficacia del algoritmo propuesto.

optimización del algoritmo del enjambre de partículas; temperatura del vapor principal; optimización paramétrica; control en cascada; exploración de zonas; PID; velocidad de convergencia