采用模糊小波基函数神经网络的控制系统及混合优化算法

提出了一种采用模糊小波基函数神经网络的控制器,该控制器采用小波基函数作为模糊隶属函数,利用神经网络实现模糊推理,并可对隶属函数进行实时调整,从而使控制器具备更强的学习和自适应能力.还提出了控制器参数的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整.对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性.图3参6     

B样条基函数模糊神经网络控制系统及其混合学习算法

介绍了一种基于模糊B样条基函数神经网络的控制器,该控制器将模糊控制的定性知识表达能力、神经网络的定量学习能力和B样条基函数优异的局部控制性能相结合,采用B样条基函数作为模糊隶属函数。还提出了模糊神经网络控制器的混合学习算法,即先采用免疫遗传算法离线优化,再采用BP梯度算法在线调整。对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性。图4参3     

B样条基函数模糊神经网络控制系统及其混合学习算法

介绍了一种基于模糊B样条基函数神经网络的控制器，该控制器将模糊控制的定性知识表达能力、神经网络的定量学习能力和B样条基函数优异的局部控制性能相结合，采用B样条基函数作为模糊隶属函数。还提出了模糊神经网络控制器的混合学习算法，即先采用免疫遗传算法离线优化，再采用BP梯度算法在线调整。对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性。     

PEMFC的Elman神经网络建模与模糊神经网络控制

从质子交换膜燃料电池（PEMFC）实际应用的角度出发，采用Elman动态神经网络对PEMFC系统进行建模，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度。设计了一种适应模糊神经网络控制器，根据经验确定了初始隶属度函数和模糊规则，并采用自适应学习算法不断调整隶属度函数与模糊规则参数，使控制系统获得理想的输出。仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法取得了较好的控制效果。总之，所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

模糊自学习控制在水电机组控制中应用研究

采用具有自学习能力的自适应模糊控制器来控制水电机组运行。自适应模糊控制器将模糊控制和神经网络结合,根据运行情况在线调整模糊推理规则和隶属函数,使控制系统具有自适应学习的特性。学习中学习速率和平滑因子可根据误差情况在线修改,克服了网络学习速度慢和局部最优的缺点。仿真实验表明,设计的自适应模糊控制器具有良好的鲁棒性,可有效地改善水轮发电机组系统的动、静态性能。     

自适应模糊神经网络控制在锅炉过热汽温控制中的应用

常规的模糊控制系统不能自动地将专家知识经验转化为推理规则库,缺乏有效的方法来改进隶属度函数,而自适应神经模糊推理系统(ANFIS)将模糊逻辑和神经元相结合,采用反向传播算法和最小二乘法的混合算法来调整前提参数和结论参数,并能自动产生模糊规则.在此基础上提出了一种自适应模糊神经网络控制器,并将其应用于火电厂锅炉过热汽温控制中.结果表明:与常规的PID控制相比,该方法提高了锅炉汽温控制系统的动态稳定性和抗干扰性.     

基于PID型模糊神经网络的火电站单元机组协调控制

针对火电站机炉协调控制对象的非线性，时变和纯迟延的特性，采用了一种PID型模糊控制器，为了使此控制器具有自学习功能，提出了一种包含一个自回归神经元的5层模糊神经网络，并根据梯度下降算法，给出了它各层权值的修正算法，通过对参考文献[2]的模型进行仿真研究，证明使用这种初值易选，学习能力较强的模糊神经网络控制器可以克服协调控制对象的时变性和随机性干扰，大大改善了控制品质。     

自整定模糊控制器在风力发电机组中的应用

风力发电机组参数的时变性、非线性,输入风速的随机性,造成输出电能质量较差.为改善系统输出功率的动态性能和稳态性能,运用自整定模糊控制器与二元函数的分片双二次Lagrange插值算法相结合的控制算法,并详细分析了该算法实现过程的时效性和控制性能.自整定用指数形式的修正函数来表示,根据控制对象的具体情况和要求,用计算机键盘对该函数中的参数进行调试,参数确定后形成以偏差为自变量的修正函数.运用SIMULINK的仿真结果表明,自整定模糊控制器和Lagrange插值法相结合的控制算法在风力发电机组中的应用,显著地改善了系统的控制品质和稳态性能.     

基于遗传算法的UPFC模糊控制器研究

在统一潮流控制器(UPFC)基础上,提出一种基于遗传算法的模糊控制策略,通过优化模糊控制器的量化因子和比例因子优化隶属函数使系统响应具有很好的动态和稳态性能,利用MATLAB和PSCAD/EMTDC软件实现控制器设计.仿真结果表明,与传统PI控制相比,该设计方法能快速控制潮流,改善系统对故障的暂态响应过程.     

模糊滑模自适应控制及其在电厂热工过程中的应用

通过一种新学习算法的导出,并结合模糊逻辑系统中的模糊基函数,给出了一种带有通用规则库的模糊滑模自适应控制器。这种控制器能够在线自动调整参数,能对热工过程中的大惯性大迟延对象进行有效的控制。当对象参数变化或存在较大扰动的情况下,仍能保持很好的控制品质。该方法已被用于某电厂主汽压力控制系统。仿真结果表明:该算法具有良好的控制品质和很强的鲁棒性。图4表1参7     

Neural network-based self-organizing fuzzy controller for transientstability of multimachine power systems

An efficient self-organizing neural fuzzy controller (SONFC) is designed to improve the transient stability of multimachine power systems. First, an artificial neural network (ANN)-based model is introduced for fuzzy logic control. The characteristic rules and their membership functions of fuzzy systems are represented as the processing nodes in the ANN model. With the excellent learning capability inherent in the ANN, the traditional heuristic fuzzy control rules and input/output fuzzy membership functions can be optimally tuned from training examples by the backpropagation learning algorithm. Considerable rule-matching times of the inference engine in the traditional fuzzy system can be saved. To illustrate the performance and usefulness of the SONFC, comparative studies with a bang-bang controller are performed on the 34-generator Taipower system with rather encouraging results     

粒子群优化的模糊控制器设计

为避免模糊控制器设计中参数的复杂调试,并使其获得最佳控制性能,应用新颖的粒子群优化算法对模糊控制器参数进行优化设计。针对常规模糊控制器稳态精度欠佳的弱点,采用模糊控制与PID控制相结合的双模控制以有效消除静态偏差。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主蒸汽温度被控对象的仿真研究,表明粒子群算法寻优速度快,计算量小,对模糊控制器参数的优化设计是非常有效的,使得主汽温控制系统在不同负荷下均获得很好的调节品质。图6表2参8     

应用多模型粒子群优化算法的过热汽温模糊控制

针对单一模型的粒子群参数优化算法存在鲁棒性差的问题，提出一种应用多模型粒子群参数优化的方法，将其应用于模糊控制器参数的优化，有效地避免了模糊控制器设计中复杂的参数调试，使其获得良好的控制品质。通过对锅炉过热汽温系统的仿真实验，在负荷大范围变化的条件下，控制系统仍保持了良好的控制性能，并且具有较强的鲁棒性。仿真结果表明了所设计的控制器的有效性和所提出的优化算法的优越性。图6表2参11     

A Merged Fuzzy Neural Network and Its Applications in Battery State-of-Charge Estimation

To solve learning problems with vast number of inputs, this paper proposes a novel learning structure merging a number of small fuzzy neural networks (FNNs) into a hierarchical learning structure called a merged-FNN. In this paper, the merged-FNN is proved to be a universal approximator. This computing approach uses a fusion of FNNs using B-spline membership functions (BMFs) with a reduced-form genetic algorithm (RGA). RGA is employed to tune all free parameters of the merged-FNN, including both the control points of the BMFs and the weights of the small FNNs. The merged-FNN can approximate a continuous nonlinear function to any desired degree of accuracy. For a practical application, a battery state-of-charge (BSOC) estimator, which is a twelve input, one output system, in a lithium-ion battery string is proposed to verify the effectiveness of the merged-FNN. From experimental results, the learning ability of the newly proposed merged-FNN with RGA is superior to that of the traditional neural networks with back-propagation learning.     

基于BP神经网络的温度控制系统

文中介绍了基于BP(Back Pmpagation)的神经网络气化炉温度控制系统。对BP神经网络控制算法作了详细的介绍，运用模糊逻辑控制概念赋予隐层含义，并决定其节点数，同时用高斯核函数作为节点激励函数，并做了仿真研究，叙述了系统的硬件与软件构成，试验表明所设计的系统操作方便、安全可靠，所选择的控制算法适应性强，控制效果良好。     

应用神经网络模糊控制器的发动机怠速控制

应用模糊控制理论设计了一个用于发动机怠速控制的模糊控制器,并用ＢＰ人工神经网络实现这种模糊控制器输入输出的映射关系,在神经网络训练中采用了先进、有效的变尺度学习算法。最后给出了控制仿真结果。     

An interval type-2 fuzzy logic controller for TCSC to improve the damping of power system oscillations

In this paper an interval type-2 fuzzy logic controller (IT2FLC) was proposed for thyristor controlled series capacitor (TCSC) to improve power system damping. For controller design, memberships of system variables were represented using interval type-2 fuzzy sets. The three-dimensional membership function of type-2 fuzzy sets provided additional degree of freedom that made it possible to directly model and handle uncertainties. Simulations conducted on a single machine infinite bus (SMIB) power system showed that the proposed controller was more effective than particle swarm optimization (PSO) tuned and type-1 fuzzy logic (T1FL) based damping controllers. Robust performance of the proposed controller was also validated at different operating conditions, various disturbances and parameter variation of the transmission line parameters.     

基于改进粒子群算法优化模糊神经网络的炉膛结渣预测研究

为提高基于模糊神经网络的锅炉炉膛受热面结渣预测精度,提出了一种基于广义钟型隶属度函数非线性惯性权重递减调整策略的粒子群优化算法,通过适应度测试函数对比实验、结渣预测实验和预测稳定性分析对现有文献中线性惯性权重递减调整策略（LPSO）、指数型非线性惯性权重递减调整策略(IPSO)和基于广义钟型隶属度函数非线性惯性权重递减调整策略(GJPSO)进行对比分析。研究结果表明：本文所改进的粒子群算法可以有效地改善算法的早熟现象、平衡算法的全局和局部搜索能力、提高算法的收敛效果和稳定性。利用改进后的粒子群算法对模糊神经网络中的权值和阈值进行优化,提高了模糊神经网络的炉膛结渣预测性能。