模糊控制在水轮机调节系统中的应用

本文设计了一个模糊控制器，进而构建了一个基于模糊控制的自适应PID控制器，对有功功率反馈的水轮机调节系统进行控制，利用模糊控制器的模糊推理能力来实现PID控制器参数在线调整，以达到优化控制的目的．对简单电力系统的仿真结果表明，这种控制器与常规PID控制器相比可以取得较好的控制效果，是实现水轮机调节系统自适应控制的一种可行的方法。     

基于神经网络自适应PID控制的船舶操纵研究

本文针对船舶操纵这种非线性、时变参数控制对象,提出了一种采用神经网络自适应ＰＩＤ控制方案。该控制结构有两上子神经网络组成,一个三层ＢＰ神经网络用于对被控对象进行在线辨只,另一个两层线性网络构成具有ＰＩＤ结构的控制器。文中给出了神经网络在线训练学习方法,并进行船舶操纵控制仿真研究。     

两区域负荷频率的智能自适应PID控制

利用神经网络动态辨识电力系统的动态模型,并将模型逻辑技术与神经网络相结合,通过动态寻优确定最优性能指标下的ＰＩＤ控制器参数,具体设计了一种两区域负荷频率的神经模糊自适应ＰＩＤ控制器。使两区域负荷频率控制既有非线性控制作用和自学习自适应能力,又有ＰＩＤ控制的广泛适用性。     

水轮机调节系统的模糊神经元控制

水轮机调节系统具有非线性和时变性的特性 ,传统的PID控制器无法获得高性能的调速系统。针对水轮机调节系统的上述特性 ,在常规模糊控制的基础上 ,采用径向基函数神经网络来逼近过程模型 ,并设计了自适应神经元来在线优化控制器的输出。理论分析和仿真结果表明 ,这种控制策略与传统的PID控制和模糊控制相比 ,能够得到更快的响应速度和更好的控制效果     

水轮机调节系统的模糊神经元控制

水轮机调节系统具有非线性和时变性的特性,传统的PID控制器无法获得高性能的调速系统.针对水轮机调节系统的上述特性,在常规模糊控制的基础上,采用径向基函数神经网络来逼近过程模型,并设计了自适应神经元来在线优化控制器的输出理论分析和仿真结果表明,这种控制策略与传统的PID控制和模糊控制相比,能够得到更快的响应速度和更好的控制效果.     

两区域负荷频率的智能自适应PID控制

利用神经网络动态辨识电力系统的动态模型,并将模糊逻辑与神经网络相结合,通过动态寻优确定最优性能指标下的ＰＩＤ控制器参娄和具体设计了一咎两匹配负荷频率的神经模糊自适应ＰＩＤ控制器。使两区域负荷控制既有非线性控制作用和学习自适应能力,又有ＰＩＤ控制的广泛适应性。     

对角回归神经网络在直流双闭环调速系统中的应用

本文采用一种新型记神经网络－－对角回归神经网络（ＤＲＮＮ）,并结合ＰＩＤ控制器,构成直接自适应控制系统,自适应高速整ＰＩＤ参数,并应用于直流双闭环调速系统。仿真结果表明其性能优于ＰＩＤ控制器,有进一步的前景。     

前馈神经网络的模糊 PID 算法及其在电力系统负荷预测中的应用

提出了多层前馈神经网络的模糊ＰＩＤ学习算法（ＦＰＢＰ）。这种算法是把多层前馈神经网络的学习过程当作一个动态控制系统来处理,确定出动态控制系统达到稳态时的ＰＩＤ控制器参数,然后再基于模糊控制的思想,对确定出的ＰＩＤ控制器参数进行模糊调整。文中给出了这种算法在电力系统负荷预测中的实际应用,并与标准ＢＰ算法作了比较。结果表明,该算法提高了网络的学习速度和预测的精度。     

水力机组预测控制分析与研究

水轮机调节系统是一个具有非线性、时变性的非最小相位系统,目前水轮机调速器大多采用常规PI或PID控制策略,难以满足和提高大型水轮机组或孤立电网带负荷机组调节系统的控制品质和要求,变参数PID调节、自适应控制、模糊控制等复杂和更高级的控制策略得到进一步研究,本文通过研究水轮机调节系统特性,采用预测控制原理设计控制器,从对比分析中找出较合适的控制结构和策略.     

基于RBF网络的开关磁阻电动机自适应滑模控制

结合滑模控制和神经网络各自的优点,对开关磁阻电动机提出了一种基于RBF神经网络的开关磁阻电动机自适应滑模控制方案。设计了基于反馈线性化的滑模变结构控制器,通过RBF神经网络的在线学习实时估计系统参数变化,减小系统参数变化对控制效果的影响,实现了开关磁阻电动机的自适应滑模控制。理论分析证明了所设计自适应神经滑模控制器的稳定性和可行性,仿真结果证明了所设计控制器可行性。     

基于BP网络PID算法的恒压供水系统研究

采用神经网络控制理论与PID（比例、积分、微分）控制算法,设计一个基于SIMATIC CPU226 PLC的BP神经网络PID控制器。恒压控制系统由BP神经网络PID控制器、丹佛斯VLT2900变频器和水泵机组组成。解决了传统PID控制算法难以保证系统在任何工况条件下始终具有最佳控制性能的难题。试验结果表明：系统可以在线自整定PID参数,具有较好的自适应能力,控制效果比较理想。     

神经元控制器在数字调速系统中的实现和应用

神经网络具有自学习、自适应能力 ,用于控制时可不依赖控制对象的数学模型。异步电机矢量控制技术是通过坐标变换 ,实现对定子电流的励磁分量与转矩分量的解耦控制。为实现对交流电机快速和精确控制 ,本文基于单神经元设计出用于异步电机矢量控制的自适应磁链和转速控制器 ,利用神经元的自学习功能在线调节连接权重 ,实现自适应控制。并将此设计应用于由数字信号处理器 (DSP)实现的交流电机矢量控制系统中 ,实验表明此方法设计的控制器结构简单 ,易于数字化实现 ,控制系统动态性能良好。     

BP-PID Control Applied in Evaporator of Organic Rankine Cycle System

According to the problem that the selection of traditional PID control parameters is too complicated in evaporator of Organic Rankine Cycle system (ORC), an evaporator PID controller based on BP neural network optimization is designed. Based on the control theory, the model of ORC evaporator is set up. The BP algorithm is used to control the , and parameters of the evaporator PID controller, so that the evaporator temperature can reach the optimal state quickly and steadily. The MATLAB software is used to simulate the traditional PID controller and the BP neural network PID controller. The experimental results show that the , and parameters of the BP neural network PID controller are 0.5677, 0.2970, and 0.1353, respectively. Therefore, the evaporator PID controller based on BP neural network optimization not only satisfies the requirements of the system performance, but also has better control parameters than the traditional PID controller.     

神经元自适应控制器在矢量控制中的应用

感应电机矢量控制技术是通过坐标变换，实现对定于电流的励磁分量与转矩分量的解辐控制。传统PID控制器在电机参数改变时鲁棒性较差。神经网络具有自学习、自适应能力，用于控制时可以不依赖控制对象的数学模型。为实现对交流电机快速和精确控制，基于单神经元设计出用于感应电机矢量控制的自适应磁链和转速控制器，利用神经元的自学习功能在线调节连接权重，实现自适应控制。并将此设计应用于交流电机矢量控制系统中，数字仿真实验表明，此方法设计的控制器可克服传统PID控制器在电机参数改变时控制性能差等不足，鲁樟性强。该设计结构简单，实现应用时易于数字化实现。     

水轮机智能调速系统数学模型仿真及参数辨识

为建立与电网稳定计算有关的水轮机调速系统数学模型及模型参数测量辨识,提出一种基于自适应人工鱼群-神经网络技术并适用于水轮机调速系统控制的新技术,建立智能调速系统数学模型,使之符合实际调节及微机优化控制。分析了该模型组成部分的传递函数,提出采用自适应人工鱼群算法来弥补人工鱼群和神经网络算法的不足,阐述了自适应人工鱼群算法-神经网络优化器的算法。给出了自适应人工鱼群优化算法参数辨识算法设计和实现步骤。利用Matlab和自适应人工鱼群算法进行模型参数辨识,对一次调频和二次调节试验过程进行仿真并与实测对比。结果表明,仿真值与实测值相当接近,所研制的自适应人工鱼群-神经网络优化器,达到了优化PID调节器控制输出量的目标;所建立的调速系统数学模型真实地反映调速系统在机组并网工况下的调节特性,说明该方法原理正确,可用于优化控制。     

BP神经网络整定的PID在机器人轨迹跟踪中的应用

充分利用BP神经网络能够逼近任意非线性系统的优点,将BP网络和PID控制相结合,解决了多关节机器人的运动轨迹跟踪问题.采用这种方法,可以在线实时调整PID控制器的参数,使其达到最优状态,克服了完全依靠经验离线调整PID参数的缺点,使系统具有更好的鲁棒性和自适应性,其输出也可以通过在线调整达到预期的控制精度.仿真实验证实了该控制策略的正确性和有效性.     

基于BP神经网络的PID控制及仿真

本文讨论基于BP神经网络的PID控制，利用神经网络的自学习能力进行PID控制参数的在线整定、并使用Matlab软件进行了仿真研究。BP神经网络是一种前向神经元网络，具有学习速率快、振荡小、精度高的优点。仿真结果表明，神经网络PID控制器参数调整简单，具有很高的精度和很强的适应性，可以获得满意的控制效果。     

静止无功补偿器的神经元变结构PID控制策略

针对静止无功补偿器传统PID电压调节器在动态调节过程中存在快速性与平稳性矛盾的问题,提出了一种基于神经元整定变结构PID的静止无功补偿器电压控制策略。该控制策略用一个神经元控制器实现变结构PID控制,同时用另一个神经元控制器实时调整变结构PID控制器的参数。仿真结果表明,该控制策略能有效加快控制系统的响应速度,实现了SVC灵活快速的电压调节功能,最终维持了系统电压的稳定,控制系统具有较好的动态和静态稳定性。     

基于BP神经网络算法的粉碎机自适应控制系统设计

针对饲料加工行业中锤片式粉碎机控制系统存在启动时间长、响应速度慢及负载变化时出现的稳定性差等问题,提出了一种基于BP神经网络算法PID控制方法。首先,建立变频器和饲料粉碎机驱动电机组合系统传递函数的参考模型,并对其进行稳定性分析。然后在分析常规PID和模糊PID控制算法的基础上,将自适应神经网络算法PID应用到饲料粉碎机驱动系统的控制过程当中。通过搭建饲料粉碎机控制电机的仿真模型,利用MATLAB软件中的Simulink图形化编程功能对其进行仿真分析,并基于LABVIEW软件搭建了粉碎机测控系统试验平台进行实验测试分析。结果表明：对于饲料粉碎系统所给定的速度参考模型,设计的BP神经网络PID控制器能够实现较好的自适应追踪,对阶跃信号的响应更加迅速、超调更小,抗干扰能力更强。设计的自适应控制器能够根据工况变化自动调节PID参数,吨料电耗平均降低5.16%、生产率平均提高2.08%,对粉碎机主轴转速的控制更加精确,误差更小,兼具了较高的控制精度和较强的鲁棒性,满足饲料粉碎机驱动系统的自适应控制要求。